本發(fā)明具體涉及一種日間前方車輛檢測方法。
背景技術：
車輛追尾在交通事故中占有很大比例，為了有效地避免車輛發(fā)生碰撞，前方車輛檢測技術已成為智能和安全輔助駕駛系統(tǒng)領域的重要研究方向。前方車輛檢測系統(tǒng)通過傳感器為行駛車輛提供前方環(huán)境信息。目前采用的傳感主要有機器視覺、毫米波雷達、激光雷達和紅外等傳感器。相對于其他傳感器，視覺傳感器具有信息獲取量大的顯著特征。因此，機器視覺仍是實現(xiàn)前方車輛檢測的主要傳感器。
基于視覺的車輛識別方法一般可以分為基于特征、基于光流場、基于模型和基于機器學習4種?；谔卣鞯能囕v檢測方法主要是根據(jù)車輛的對稱性、陰影、邊緣等特征進行車輛檢測，為得到確切結果，通常將陰影、對稱性和邊緣特征結合起來。光流法主要通過攝像機運動、前方障礙物運動或二者相對運動的瞬時速度場實現(xiàn)，但該方法對噪聲、光線變化敏感，計算量大?；谀Ｐ偷姆椒ㄊ紫冉⒁阎囕v精準的二維或三維模型，然后與待檢測圖像進行匹配，該方法對車輛模型過分依賴。機器學習主要利用從數(shù)據(jù)里提取的規(guī)則或模式將數(shù)據(jù)轉化為信息，對數(shù)據(jù)進行分類識別?；趕vm或神經(jīng)網(wǎng)絡的機器學習方法對車輛檢測時運算量大、耗時長，識別性能有待進一步提高。
技術實現(xiàn)要素：
本發(fā)明要解決的技術問題是提供一種日間前方車輛檢測方法。
一種日間前方車輛檢測方法，包括以下步驟：
s1：通過攝像頭獲取車輛前方的視頻圖像，對視頻圖像進行預處理，包括灰度化處理處理和歸一化處理為20×20灰度圖；
s2：離線訓練：對大量的日間車輛正、負樣本圖片通過積分圖提取類haar特征，基于adaboost算法選取有效的類haar特征進行訓練，得到強分類器；
s3：在線識別：對測試樣本提取類haar特征，并將特征輸入到adaboost分類器進行車輛識別。
進一步的，離線訓練的具體過程如下：
1）訓練樣本選擇：訓練樣本分為正樣本和負樣本，正樣本為日間車輛樣本圖片，負樣本為其他任意樣本圖片；選用正樣本1000張，負樣本3000張，對樣本進行灰度化處理，歸一化處理為20×20灰度圖，構成訓練樣本集；
2）利用積分圖在圖像上計算任意矩形區(qū)域內(nèi)的像素和，從而求得矩形值；在點(x,y)處從左到右的像素總和為：
式中：
3）基于adaboost分類器訓練：
①樣本集：
②初始化權重：
當
③對于t=1,2,…,t(t為訓練次數(shù)，決定最終弱分類器的個數(shù))：
權重歸一化：
對于特征j，按給定樣本權重訓練弱分類器
式中,
更新每個樣本所對應的權重：
式中，
④最終的強分類器為：
本發(fā)明的有益效果是：
本發(fā)明在提取類haar特征時，積分圖的使用有效地提高了訓練速度和檢測速度，可以快速、有效地對車輛進行識別。
具體實施方式
以下具體實施例對本發(fā)明作進一步闡述，但不作為對本發(fā)明的限定。
一種日間前方車輛檢測方法，包括以下步驟：
s1：通過攝像頭獲取車輛前方的視頻圖像，對視頻圖像進行預處理，包括灰度化處理處理和歸一化處理為20×20灰度圖；
s2：離線訓練：對大量的日間車輛正、負樣本圖片通過積分圖提取類haar特征，基于adaboost算法選取有效的類haar特征進行訓練，得到強分類器；
s3：在線識別：對測試樣本提取類haar特征，并將特征輸入到adaboost分類器進行車輛識別。
離線訓練的具體過程如下：
1）訓練樣本選擇：訓練樣本分為正樣本和負樣本，正樣本為日間車輛樣本圖片，負樣本為其他任意樣本圖片；選用正樣本1000張，負樣本3000張，對樣本進行灰度化處理，歸一化處理為20×20灰度圖，構成訓練樣本集；
2）利用積分圖在圖像上計算任意矩形區(qū)域內(nèi)的像素和，從而求得矩形值；在點(x,y)處從左到右的像素總和為：
式中：
3）基于adaboost分類器訓練：
①樣本集：
②初始化權重：
當
③對于t=1,2,…,t(t為訓練次數(shù)，決定最終弱分類器的個數(shù))：
權重歸一化：
對于特征j，按給定樣本權重訓練弱分類器
式中,
更新每個樣本所對應的權重：
式中，
④最終的強分類器為：