第二次分裂過程所得劃分線，其中線C為劃分線ab所劃分區(qū)域上方捜索得到，線d為 劃分線ab所劃分區(qū)域下方捜索得到，第二次分裂過程α捜索的取值范圍為上一次分裂所得 區(qū)域的角度取值范圍，步長仍為5度;線e、f、g及h為第Ξ次分裂過程得到的劃分線，各劃分 線的捜索范圍分別為第一次分裂與第二次分裂所形成的四個區(qū)域，因此第Ξ次分裂得到四 條劃分線;虛線部分為最后一次分裂過程。對于最后一次分裂過程，假設分割線的斜率和截 距分別為m和η，此時分割線可W表示為y=m*x+n。此時yai的取值方式為：當m*xdi+n〉ydi，yai =1，否則 yai = 〇。
[0093] 對于前Ξ級分裂過程，劃分線可W理解為一條通過原點的斜線，α表示該斜線相對 于X軸的角度(斜率），在第一次及第二次的分裂過程中，取值范圍為0到179度，捜索步長為5 度。第Ξ級樹分裂時，α的取值范圍被上一級樹所約束。對于最后一次分裂過程，α代表的是 分割線斜率固定(斜率與該區(qū)域中屯、線垂直)情況下在y軸的截距，取值范圍為-50~50個像 素，捜索步長為5個像素。
[0094] 四次分裂過程實際是通過訓練的圖片，將當前關鍵點的分布區(qū)域劃分為16個子區(qū) 域。分裂完成之后，一共16個葉子節(jié)點的數(shù)值為該節(jié)點內(nèi)所有關鍵點的坐標平均值記為 (χρο，ypo K xpi，ypO......(xpis，ypi已）。
[OOM]關鍵點坐標更新，對于所有訓練樣本圖片中的左上角第一個關鍵點位置，經(jīng)過第 一棵樹的回歸之后，需要重新調(diào)整坐標。對于單張訓練樣本圖片中的左上角第一個關鍵點， 調(diào)整方法為:判斷該關鍵點所處的葉子節(jié)點位置（即被劃分到哪個子區(qū)域），用原始坐標值 (xfi，yfi)減去其對應第k個葉子節(jié)點的平均坐標數(shù)值即可，得到結(jié)果記為(xsi，ysi)，假設該 點屬于第k個葉子節(jié)點，則私1 =抓-郵，731 = 7:廣7。1<。在調(diào)整之后，所有的關鍵點均更加靠近 正確地關鍵點位置。
[0096] 參考上述第一個關鍵點的方法，對于其它11個關鍵點采取同樣的策略，則在第一 層級回歸中一共構(gòu)建了 12棵樹，第一層級結(jié)束之后將所有參與訓練的圖片的12個關鍵點位 置信息全部更新。
[0097] 其中每次完成步驟S3之后都通過步驟S4進行形狀約束。
[0098] S4,形狀約束子單元將所述待檢測圖片在每通過一層級的回歸樹后都對所述待檢 測圖片所有關鍵點位置坐標進行形狀約束
[0099] 對關鍵點位置進行全局形狀約束考慮到車輛關鍵點之間有很強的剛性約束關系， 如X方向的線段基本保持平行，y方向上線段距離比例也有一定約束，另外需要考慮車牌位 置信息的高置信度，結(jié)合平均位置信息，求解使下面表達式得到最小值的參數(shù)，從而得到更 加合理的關鍵點位置信息。
[0100]
[0101] 上面表達式中的（i;*玉;）表示12個關鍵點中第i個關鍵點平均位置坐標，（Xi，yi) 表示待矯正的關鍵點坐標。S表示一個縮放系數(shù)，R表示一個2*2的旋轉(zhuǎn)矩陣，tx表示X方向上 的平移距離，ty表示y方向上的平移距離，運4個參數(shù)是本發(fā)明優(yōu)化求解的目標。其中[sR(Xi, yi)T]x表示坐標經(jīng)過旋轉(zhuǎn)和縮放之后取X方向坐標，kR(Xi，y〇T]y表示坐標經(jīng)過旋轉(zhuǎn)和縮放 之后取y方向坐標。λι和λ2是x、y方向的權(quán)重系數(shù)為常量，且λι〉λ2,因為X方向的約束高于y方 向的約束，對于不同車型而言，X方向上的距離不太可能發(fā)生變化，而y方向的距離比例則可 能有一定變化。、i(i取值范圍1~12)可W理解為正則懲罰項，避免任何一點位移數(shù)值過大， 其中由于車牌的初始位置信息置信度很高，因此，車牌的4個角點權(quán)重需要增大，所W最終 得到的結(jié)果是平均形狀和當前位置的一個綜合優(yōu)化效果。較佳而言，當前實施例采用的一 組推薦參數(shù)為:λι = 2Α，λ2=?ΑΛ取值為當前級數(shù)，取值范圍為1到20,則隨著級數(shù)的增長， λι及λ2越來越小，表示全局約束越來越弱，更加相信回歸樹的回歸結(jié)果，其中Aci α = 7/8/9/ 1〇)=4(車牌4個角點）入1(其它關鍵點）=〇.5。
[0102] 矯正過程示意圖如下圖5所示，虛線兩端表示需要矯正的關鍵點位置，圖中只畫出 了8個關鍵點位置，車牌附近的關鍵點認為在矯正前后基本沒有變化，圖中沒有表示出來， 矯正完成之后，第i個關鍵點坐標更新為Xi(new) = [sR(Xi,yi)T]x+tx，yi(new) = kR(Xi,yi )]y+ty〇
[0103] 由于檢測過程需要考慮性能的要求，當前實施例的算法在計算全局形狀約束最小 值的時候需要使用牛頓法或者梯度下降法求解最小值(實施例中所采用的目標函數(shù)是一個 凸函數(shù)），考慮到每一級樹回歸之后，形狀的變化是較小的，所W可W將旋轉(zhuǎn)的角度約束在 正負15度，縮放比例約束為0.9~1.1，平移像素為正負4個像素，結(jié)合運些邊界信息，會明顯 加快求解速度?；蛘咧苯硬扇〔介L捜索的方法，由于該方法目標并不一定要求精確的最優(yōu) 值，所W可在有限的邊界之內(nèi)，使用一定的步長進行遍歷捜索，可W很快求得一個相對較優(yōu) 值。
[0104] 對于每一級樹回歸完成并進行了全局形狀約束之后，需要對回歸目標進行更新。 將當前級樹回歸完成并進行了全局形狀約束后更新得到針對一個關鍵點每一張訓練樣本 的關鍵點坐標(xi，yi)(x2，y2)......(xi〇(x)，yi日日日）。使用更新后的關鍵點坐標與正確的坐標相 減，所得坐標差（xdi，ydi) (xd2，yd2)……（xdiooo，ydiooo)作為下一級樹的回歸目標，從而形成梯 度回歸的策略。
[0105] 在每次獲得形狀約束函數(shù)之后，再重復S3及S4,直至完成20層級的回歸樹建立及 形狀約束。
[0106] 除了第一層級樹的特征是固定的（選擇當前待測點位置為中屯、的32*32大小圖像 塊），從第二級樹開始，需要在當前待測點目標坐標的候選特征區(qū)域中選擇當前最優(yōu)特征， 選擇的方法比較簡單，依次對從每個候選特征區(qū)域所提取的特征建最優(yōu)回歸樹，然后比較 最終回歸結(jié)果在當前集合上的效果(例如可W統(tǒng)計所有關鍵點的位置誤差平方總和，得到 誤差波動最小的回歸樹作為最佳回歸樹，如果要從效率高低的角度選擇則可W采用誤差均 值作為效果考量依據(jù)），選取效果最優(yōu)的特征作為本級樹的特征，需要注意，每一級都有12 棵樹（即一個關鍵點對應一棵樹)形成當前級的森林，且每棵樹的特征選取是獨立的，因此 使用的特征是彼此無關的。
[0107] 參考經(jīng)驗值，當前實施例一共構(gòu)建20層級的回歸樹作為最終的結(jié)果，在其他的實 現(xiàn)方式中也可w按照誤差率判斷應該選取的級數(shù)，除了在特征選擇的過程中和第一層級有 區(qū)別，其它過程完全一致，每一層級均有12棵樹對應12個關鍵點的獨立回歸。
[0108] 在訓練完成之后，對于新的一張待檢測圖片，首先使用已有手段檢測出車牌位置 信息，然后基于車牌位置信息結(jié)合全局平均形狀信息，采用公式1擬合出一個初始的全局關 鍵點位置模型，同樣是求出旋轉(zhuǎn)、縮放和平移參數(shù)，不過運里只需要考慮車牌的4個位置信 息，更加簡單。有了關鍵點的初始位置之后，就可W將其輸入梯度森林中進行回歸了。
[0109] 本發(fā)明的有益效果在于，采用了梯度回歸樹逐點回歸的策略，減少周圍點的干擾， 多級樹使用了完全隨機選取的區(qū)域特征互相結(jié)合有效避免了過擬合的現(xiàn)象，結(jié)合離散DCT 變換和邏輯回歸選擇的頻譜特征具有較強的判別能力，全局約束的規(guī)則能大大減少迭代次 數(shù)，提升檢測效率。對各種外部環(huán)境干擾具有很強的魯棒性，非常適合用在卡口或電警系統(tǒng) 中，檢測車輛各種標識物或者進行車型識別。
【主權(quán)項】
1. 一種基于梯度回歸樹的車輛關鍵點檢測方法，包括:獲取待檢測圖片各關鍵點的初 始位置以及將各關鍵點的初始位置輸入經(jīng)過訓練的分類器中檢測得到各關鍵點的最終位 置，其特征在于，所述分類器的訓練方法包括： 獲取多張圖片作為訓練樣本，所述訓練樣本中關鍵點相對于目標位置具有偏移，且訓 練樣本具有關鍵點的目標位置信息； 提取各關鍵點在各訓練樣本中的特征，利用所提取的特征進行分類器的訓練，其中所 述分類器包括多個層級，每一層級中回歸樹均與關鍵點一一對應，各回歸樹以對應關鍵點 當前位置到目標位置的距離作為回歸目標，訓練得到使回歸目標最小的特征，并在每一層 級訓練完成后均利用回歸結(jié)果重新提取特征并更新下一層級的回歸目標，直至完成所有層 級的回歸樹訓練。2. 如權(quán)利要求1所述基于梯度回歸樹的車輛關鍵點檢測方法，其特征在于，單個層級中 任意一個關鍵點所對應的回歸樹經(jīng)過多次分裂，每次分裂均將當前關鍵點的分布位置進行 區(qū)域劃分，所述訓練后的回歸樹使劃分得到的每個子區(qū)域內(nèi)各關鍵點分布位置到目標位置 的距離差異最小。3. 如權(quán)利要求2所述基于梯度回歸樹的車輛關鍵點檢測方法，其特征在于，各回歸樹經(jīng) 過L次分裂，其中對于單個層級中任意一個關鍵點所對應的回歸樹訓練方法包括： 設定Θ的假設函數(shù)he(Xl)，表達式為在每一次分裂時，得到關鍵點分布區(qū)域的劃分線及Θ的組合使得最大似然函數(shù)