表示對稱性特征，33表示水平邊緣直線度特征。
[0086] 2)障礙物類別集合為C= {yi，y2，y3，y4}。其中yi表示騎自行車/摩托者，y2表示車輛 側(cè)面，y3表示車輛正面，y4表示行人。
[0087] 3)計算后驗概率陽，^(於陽，…，P(細巧。計算步驟如下：
[0088] ①找到一個已知分類的待分類項集合，即為訓練樣本集。
[0089] ②根據(jù)已知樣本的特征值和類別，統(tǒng)計得到在各類別下各個特征屬性的條件概率 估計。即：
[0090]
[0091] ③默認各個特征屬性是條件獨立的，則根據(jù)貝葉斯定理有如下推導：
[0092]
(9)
[0093] 式中Ρω為常數(shù)，比較P化陽即比較護抑如P(細，又因為各特征屬性是條件獨立 的，所W有：
[0094]
(10)
[00巧]如果
則xEyk。由公式（10)，貝葉斯 分類器
可W轉(zhuǎn)化為公式(11):
[0096]
(11)
[0097] 選取訓練樣本（Train Samples)、測試樣本（Test Samples)和類別數(shù)（Class Number),作為貝葉斯分類器的輸入。訓練樣本包含120幅障礙物圖像。測試樣本包含80幅障 礙物圖像。類別數(shù)為4,即包含四類:騎自行車/摩托者、車輛側(cè)面、車輛正面和行人。對訓練 樣本和測試樣本首先進行特征提取，分別提取Ξ個特征：目標對稱性、目標水平邊緣直線度 和目標長寬比，分別生成120(行）Χ3巧U)的訓練樣本特征值矩陣，W及80(行）Χ3巧U)的測 試樣本特征值矩陣。根據(jù)已知類別的120幅訓練樣本圖像的特征值，統(tǒng)計得到訓練樣本特征 值的平均值和方差，得到條件概率估計。對測試樣本，根據(jù)公式(9)-(11)得到后驗概率。根 據(jù)后驗概率最大值，確定待分類的測試樣本的類別。
[009引在windows 7操作系統(tǒng)的 intel叛Core?i7CPU@3.6(ihz微機上采用MATLAB_R2012b實 現(xiàn)本發(fā)明的代碼編程。利用本發(fā)明分類的準確度較高，其中，騎自行車/摩托車的分類準確 率達到100%，車輛側(cè)面的分類準確率達到95%，車輛正面的分類準確率達到100%，行人分 類準確率達到100 %。實時性可W達到每帖0.29秒。
[0099]本發(fā)明基于貝葉斯分類器對車輛前方多障礙物進行分類，依據(jù)最大后驗概率進行 決策分類，可W減小由于圖像噪聲干擾帶來的分類誤差。提取的多障礙物特征具有相對獨 立，分類效果較好?；谪惾~斯分類器的多障礙物分類方法結(jié)構(gòu)簡單，抗干擾能力較強，具 有很好的健壯性，為研究汽車輔助駕駛中車輛前方障礙物的分類識別提供了一種新的方 法，對研究智能交通、無人駕駛等領(lǐng)域有一定的理論意義和實用價值。
【主權(quán)項】
1. 一種基于貝葉斯分類器的車載多障礙物分類裝置，包括相連接的攝像頭和PC機，其 特征在于，所述PC機包括： 卡爾曼濾波模塊，用于對攝像頭采集的車輛前方視頻圖像進行卡爾曼濾波，檢測障礙 物目標； 特征提取模塊，用于對檢測出的障礙物目標進行特征提取，所述特征包括對稱性特征、 水平邊緣直線度特征和長寬比特征； 貝葉斯分類模塊，用于根據(jù)障礙物目標的特征，采用樸素貝葉斯分類器得到障礙物目 標的類別。2. 根據(jù)權(quán)利要求1所述的基于貝葉斯分類器的車載多障礙物分類裝置，其特征在于，所 述攝像頭安裝于汽車內(nèi)部后視鏡處。3. 根據(jù)權(quán)利要求1所述的基于貝葉斯分類器的車載多障礙物分類裝置，其特征在于，所 述貝葉斯分類模塊包括： 貝葉斯分類器建立單元，用于建立用于分類的樸素貝葉斯分類器，并根據(jù)已知樣本數(shù) 據(jù)訓練樸素貝葉斯分類器； 分類單元，用于利用訓練好的樸素貝葉斯分類器對特征提取模塊獲得障礙物目標的特 征進行分類，得到障礙物目標的類別。4. 根據(jù)權(quán)利要求3所述的基于貝葉斯分類器的車載多障礙物分類裝置，其特征在于，所 述貝葉斯分類器建立單元包括： 樣本特征提取子單元，用于提取已知樣本數(shù)據(jù)的特征，所述已知樣本數(shù)據(jù)為已知類別 的待分類項集合； 訓練子單元，用于根據(jù)已知樣本數(shù)據(jù)的特征對建立的樸素貝葉斯分類器進行訓練，獲 取每個類別在已知樣本數(shù)據(jù)中出現(xiàn)的概率及每個特征屬性劃分對每個類別的條件概率估 計。5. -種基于貝葉斯分類器的車載多障礙物分類方法，其特征在于，包括以下步驟： 1) 對獲取的車輛前方視頻圖像進行卡爾曼濾波，檢測得障礙物目標； 2) 對檢測出的障礙物目標進行特征提取，所述特征包括對稱性特征、水平邊緣直線度 特征和長寬比特征； 3) 根據(jù)所提取的障礙物目標的特征，采用樸素貝葉斯分類器得到障礙物目標的類別。6. 根據(jù)權(quán)利要求5所述的基于貝葉斯分類器的車載多障礙物分類方法，其特征在于，所 述步驟2)中，對稱性特征通過以下方式提?。?al)圖像預處理，對障礙物目標圖像進行灰度化和高斯平滑濾波去噪； a2)邊緣檢測，對預處理后的障礙物目標圖像進行Sobel算子邊緣檢測，得到邊緣檢測 垂直疊加投影； a3)對稱性檢測，根據(jù)垂直疊加投影計算目標區(qū)域?qū)ΨQ軸的列坐標位置，記為u，對稱區(qū) 域?qū)挾扔洖閣，以列坐標位置作為橫坐標，以列坐標位置對應的垂直疊加投影作為縱坐標作 函數(shù)f(x)，其中，目標區(qū)域?qū)ΨQ軸的列坐標位置為坐標原點，X的取值范圍是[一設f (x)=g(x)+h(x)，其中g(shù)(x)為f(x)的奇函數(shù)分量，h(x)為f(x)的偶函數(shù)分量，貝1J有根據(jù)奇函數(shù)分量和偶函數(shù)分量比值獲得障礙物目標的對稱性特征： ΔΔ 其中，S表示對稱性特征，且-1 < s < 1，當s = 1時圖像左右完全對稱，當S = -1時圖像左 右完全相反，4.7. 根據(jù)權(quán)利要求5所述的基于貝葉斯分類器的車載多障礙物分類方法，其特征在于，所 述步驟2)中，水平邊緣直線度特征通過以下方式提?。?首先對障礙物目標圖像進行預處理和邊緣檢測，然后利用霍夫變換檢測直線，標記、統(tǒng) 計所有直線的長度，求和歸一化后得到障礙物目標圖像的邊緣直線特征值。8. 根據(jù)權(quán)利要求5所述的基于貝葉斯分類器的車載多障礙物分類方法，其特征在于，所 述步驟2)中，長寬比特征通過以=式中，（Xmax，ymax)和(Xmin，ymin)分別是圍繞一個障礙物目標的圍盒的右下角和左上角坐 標，K的數(shù)值是障礙物目標對應面積圖像的最小外接矩形的長寬比。9. 根據(jù)權(quán)利要求5所述的基于貝葉斯分類器的車載多障礙物分類方法，其特征在于，所 述步驟3)中所采用的樸素貝葉斯分類器通過以下方式訓練： 31) 獲取已知樣本數(shù)據(jù)，所述已知樣本數(shù)據(jù)為已知類別的待分類項集合； 32) 提取已知樣本數(shù)據(jù)的特征； 33) 根據(jù)已知樣本數(shù)據(jù)的特征對建立的樸素貝葉斯分類器進行訓練，獲取每個類別在 已知樣本數(shù)據(jù)中出現(xiàn)的概率及每個特征屬性劃分對每個類別的條件概率估計。
【專利摘要】本發(fā)明涉及一種基于貝葉斯分類器的車載多障礙物分類裝置及方法，其中，所述分類裝置包括相連接的攝像頭和PC機，所述PC機包括：卡爾曼濾波模塊，用于對攝像頭采集的車輛前方視頻圖像進行卡爾曼濾波，檢測障礙物目標；特征提取模塊，用于對檢測出的障礙物目標進行特征提取，所述特征包括對稱性特征、水平邊緣直線度特征和長寬比特征；貝葉斯分類模塊，用于根據(jù)障礙物目標的特征，采用樸素貝葉斯分類器得到障礙物目標的類別，所述類別包括騎自行車/摩托者、車輛側(cè)面、車輛正面和行人。與現(xiàn)有技術(shù)相比，本發(fā)明具有識別準確率高、抗干擾能力強、高效、實時性好等優(yōu)點。
【IPC分類】G06K9/00, G06K9/62
【公開號】CN105631414
【申請?zhí)枴緾N201510981972
【發(fā)明人】應捷, 韓飛龍, 朱丹丹
【申請人】上海理工大學
【公開日】2016年6月1日
【申請日】2015年12月23日