進行的插值方法。
[0031] 梯度直方圖。梯度直方圖即H0G，在求得梯度圖和梯度方向圖后，利用梯度方向圖 將每個4*4細胞的像素點的梯度根據最近鄰或線性插值分配到6個方向上，然后在每一個 方向塊上依據是否采用三線性插值將所有梯度累加到6個梯度方向上，并在2*2的塊上進 行歸一化，以此來得到6個梯度直方圖。
[0032] AdaBoost。Adaboost 是 Boosting 家族的代表算法之一，全稱為 Adaptive Boosting。Adaboost是一種基于級聯分類模型的分類器，級聯分類器就是將多個強分類器 連接在一起進行操作，每一個強分類器都由若干個弱分類器加權組成。該方法根據弱學習 的結果反饋適應地調整假設的錯誤率，所以Adaboost不需要預先知道假設的錯誤率下限。
[0033] Bootstrap。Bootstrap是在訓練每一個AdaBoost強分類器時，對負樣本的不同選 擇方法。具體的有，從原始負樣本中隨機選取；從上一級分類器中選取一部分重新加入原始 負樣本等方法。
[0034] 按照本方法進行車輛圖像的檢測，如圖1所示，包含下列步驟：
[0035] 訓練過程
[0036] 步驟1、色彩空間轉換
[0037] 攝像頭采集的樣本圖像一般為RGB圖像，RGB圖像不利于顏色的聚類。為了能很 好的描述車輛的灰度、色度信息，需要將RGB圖像轉化為LUV圖像。具體做法為：
[0038] 首先將RGB圖像轉化為CIE XYZ
[0039]
[0040] 然后將CIE XYZ轉化為Luv
[0045] Yn為其亮度，（u n'，vn'）為色度坐標。[0046] 步驟2、梯度計算
[0041] (2)
[0042]
[0043]
[0044]
[0047] 梯度計算有很多種方法，比如Prewitt算子
，Sobel算
Γ 子 。然而在這里采用最簡單的算子[-1 0 1]和〇進行濾 波獲得的效果更好。
[0048] 步驟3、采樣及歸一化
[0049] 由于在計算梯度直方圖時要將4*4的細胞分配到6個方向上，也即梯度直方圖的 長寬比為原樣本圖像的1/4,為了使得所有通道的長寬比保持一致，需將Luv通道圖像和梯 度圖像進行下采樣，此處采樣并不影響檢測結果。在采樣過程中使用雙線性插值法，以獲得 較好的效果。
[0050] 為了抑制梯度計算中噪聲的影響，需要對梯度圖進行歸一化操作。歸一化操作有 Ll-norm，L2_norm 和 Ll-sqrto
[0051] Ll-norm : v - v/ (I I v I I A ε ) (5)
[0052] (6)
[0053]
CN 105138987 A 仇叱卞> 5/6 頁
(7)
[0054] 其中，ε為是一個很小的數，比如〇.〇1，￥為梯度，I卜I I1表示一范數，I卜I I 2 表示二范數。在本實施例中采用L2-norm。
[0055] 步驟4、梯度直方圖計算
[0056] 經過步驟2得到的梯度圖，對4*4的單元中的每一個像素點為梯度元素的方向在 梯度方向直方圖上進行投票，從而形成方向梯度直方圖。直方圖的方向在0-180度或0-360 度之間均分，為了減少混疊現象，梯度投票在相鄰兩個方向上的中心之間需要進行方向和 位置上的雙線性插值。投票的權重根據梯度幅值進行計算，可以取幅值本身、幅值的平方或 者幅值的平方根。實踐表明，使用梯度本身作為投票權重效果最好。
[0057] 由于局部光照的變化，以及前景背景對比度的變化，使得梯度強度的變化范圍非 常大，這就需要對梯度做局部對比度歸一化。具體的做法是將細胞單元組成更大的空間塊， 然后針對每個塊進行對比度歸一化，歸一化過程和步驟3 -樣，最終的描述子是檢測窗口 內所有塊內的細胞單元的直方圖構成的向量。事實上，塊之間是有重疊的，也就是說，每個 細胞單元的直方圖都會被多次用于最終的描述子的計算。此方法看起來有冗余，但可以顯 著的提升性能。
[0058] 步驟 5、AdaBoost 訓練
[0059] AdaBoost算法是通過訓練多個決策樹來選取特征的。開始時，每個樣本對應的權 重是相同的，針對每個特征j訓練一個分類器卜，分類器的錯誤率ε ,定義為
[0060]
lh)
[0061] 其中U1為各樣本的權重，X i為第i個樣本，y $ X i對應的正負樣本標號。選擇 使得分類器ht(表示第t個弱分類器）具有最小錯誤率et的特征，根據選擇的特征對分類 正確的樣本更新權重
[0062] (9);
[0063]
[0064] (，〇)
[0065] Wtij表不歸一化后的權重。
[0066] 至此，一棵決策樹訓練完畢，再重復訓練多個決策樹，進行級聯便可得到一個 AdaBoost分類器。在訓練每一個AdaBoost分類器時，負樣本可通過Bootstrap由上一個分 類器中被錯誤分類的樣本或在所有負樣本中采樣得到。
[0067] 檢測過程
[0068] 對于視頻流的第一幀或者目標變化后的第一幀，采用滑窗檢測當前幀圖像，提取 滑窗內的圖像的聚合通道特征輸入訓練好到AdaBoost分類器，對于不是目標的窗口將很 快的被排除掉，第一幀的檢測速度得到保證，當檢測到目標時，進入下一步驟進行下一幀檢 測，否則返回本步驟進行下一幀檢測；滑窗每個窗口的移動步長為4像素，每個窗口的大小 為樣本的大小80*80像素
[0069] 對于檢測出目標之后的每一幀上，在上一幀的檢測到的目標窗口位置周圍劃定一 個稍大的窗口作為當前的檢測范圍，此窗口的選定是通過光流法得到的。即根據上一幀檢 測到目標的窗口位置通過光流法得到當前幀的檢測范圍，在檢測范圍內進行滑窗檢測，得 到當前幀的檢測結果，若當前幀的檢測范圍內檢測出目標，檢測范圍內目標劃定成功，則由 于檢測范圍內只是圖像本身的一部分，檢測速度將大大提高，返回本步驟進行下一幀檢測； 若當前幀的檢測范圍內沒有檢測出目標，則表示目標離開視野或有新的目標進入視野，便 要重新在原圖上進行滑窗檢測，即返回上一步驟進行下一幀檢測。
[0070] 實施例方法在C++平臺上實現算法，與現有車輛檢測方法比較，基于聚合通道特 征的車輛檢測算法不僅利用了多個通道的全局信息，而且在每個通道上也充分利用了車輛 的局部信息，提高了車輛檢測精度；利用運動估計使得檢測區(qū)域得到縮小，因此檢測速度得 到提升。
【主權項】
1. 一種基于聚合通道特征和運動估計的車輛檢測方法，其特征在于，包括以下步驟： 1) 分類器訓練 1- 1將采集的樣本圖像轉化為LUV圖像，得到LUV色彩空間的L、U、V三通道特征；所述 樣本圖像包括多方向多狀況下的圖像，所述多方向包括車輛的正面、背面以及側面；多狀況 包括正常光照下、暗光下以及有遮擋的情況； 2- 2求LUV圖像的梯度圖得到梯度直方圖HOG特征； 2-3將L、U、V三通道特征與HOG各方向特征進行級聯得到聚合通道特征； 2-4將樣本圖像的聚合通道特征輸入AdaBoost分類器進行訓練； 2) 車輛檢測 2-1采用滑窗檢測當前幀圖像，提取滑窗內的圖像的聚合通道特征輸入訓練好到 AdaBoost分類器，得到檢測結果，當檢測到目標時，進入步驟2-2進行下一幀檢測，否則返 回步驟2-1進行下一幀檢測； 2-2根據上一幀檢測到目標的窗口位置通過光流法得到當前幀的檢測范圍，在檢測范 圍內進行滑窗檢測，得到當前幀的檢測結果，若當前幀的檢測范圍內檢測出目標，返回步驟 2-2進行下一幀檢測；若當前幀的檢測范圍內沒有檢測出目標，則表示目標離開視野或有 新的目標進入視野，返回步驟2-1進行下一幀檢測。2. -種基于聚合通道特征和運動估計的車輛檢測方法，其特征在于，步驟2-2中計算 梯度圖的算子為3. -種基于聚合通道特征和運動估計的車輛檢測方法，其特征在于，對步驟2-2中梯 度圖與梯度直方圖均進行對比度歸一化處理。
【專利摘要】本發(fā)明提供一種基于聚合通道特征和運動估計的車輛檢測方法，將一種聚合通道特征運用于車輛檢測，聚合通道特征根據梯度直方圖的每個細胞單元來描述，具有很高的魯棒性，而且檢測精度相比積分通道特征有所提高。樣本圖像中不僅選取了車輛的正面和背面圖像，同時也選取了側面、遮擋、暗光下的多種正負樣本圖像來作訓練樣本，使檢測子更具魯棒性。在檢測過程中根據運動估計來對車輛的位置進行粗定位，然后在局部感興趣區(qū)域進行滑窗操作，不僅使得檢測效果得到提升，檢測速度也達到了實時性。
【IPC分類】G06K9/62, G06K9/66, G06K9/00
【公開號】CN105138987
【申請?zhí)枴緾N201510528942
【發(fā)明人】解梅, 陳熊, 于國輝, 羅招材
【申請人】電子科技大學
【公開日】2015年12月9日
【申請日】2015年8月26日