[发明专利]车辆检测方法

说明书

技术领域

本发明涉及视频监控的技术领域，具体说是一种基于LBP空间直方图特征和级联多分类器，适合不同场景、不同光照，并且达到实时性的车辆检测方法。

背景技术

在现有的车辆检测方法中，一种实现方式是基于背景建模的车辆检测，该方法利用一定策略的背景建模方法，提取前景运动区域，再进一步判断是否存在车辆，但该方法受光照的影响较大，属于应用较早的初级的检测方法；另一种实现方法是基于车辆假设生成和假设验证两个阶段的方法，该方法是基于某种特征（如车辆下的阴影，车辆的对称性，梯度，边缘等）生成车辆假设，再提取特征进行假设的验证，该方法对车辆的假设生成要求较高，对不满足假设生成条件（如车辆拥挤，阴天等）的车辆会漏检。另外，基于梯度直方图（HOG）的方法已被成功应用在行人检测上，但其运行速度很难达到实时性，即便已经出现了基于GPU硬件平台的HOG优化方案，但此方案本身又增加了相应的硬件成本。

发明内容

本发明要解决的技术问题是提供一种基于LBP空间直方图特征和级联多分类器，适合不同场景、不同光照，并且达到实时性的车辆检测方法。

本发明为解决公知技术中存在的技术问题所采取的技术方案是:

本发明的车辆检测方法，利用LBP算子表征像素级特征，LBP直方图表征像素块特征，用具有空间信息的LBP空间直方图表征车辆的空间结构信息；用LBP直方图特征训练线性SVM分类器，并用boost方法训练第二层HIK SVM分类器，并根据最终的分类器结果检测车辆；具体步骤如下：首先得到车辆的正样本和负样本，即车辆样本和非车辆样本，使用LBP空间直方图的特征提取方法提取上述样本的样本特征，并利用得到的特征向量训练第一层线性SVM分类器，然后通过boost训练方法利用第一层分类器的正误识false positive训练第二层HIK SVM分类器，直至得到要求的检测率与虚警率，分别保存上述两层分类器的模型，至此完成对级联分类器的训练；在车辆检测阶段中，对于输入的图像，滑动检测窗口，分别提取每个窗口的LBP空间直方图特征，并同时利用上述两层分类器进行判别，如果两层分类器都判别为有车，则输出结果为有车，如果其中任一层分类器判别为无车，则输出结果为为无车。

本发明的车辆检测方法中，还可以采用以下技术方案：

上述LBP算子的使用方法如下：将样本图像中每个作为中心点的像素与该像素周围的8个联通域内的各像素分别进行比较；在每次比较中，如果位于中心点的像素大于或等于联通域内的像素，则将该联通域的对应位的编码记为1，否则记为0，将上述8个对应位的编码顺序连接即得到一个八位的二进制数，再将此二进制数转换为十进制，所得十进制数值即为该中心点像素的LBP值。

上述LBP空间直方图的特征提取方法如下：把车辆样本分为多个像素块cell，每4个相邻的像素块构成2x2见方的一个区块block，在每个区块block所对应的图像中统计LBP直方图，且提取过程中此区块在水平方向或竖直方向上移动的步长都分别为一个像素块cell，区块每移动一次则统计一次该区块所对应图像的LBP直方图，直到该区块遍历整个样本图像，将移动过程中对应于每个区块位置的LBP直方图串联起来即得到整个样本的LBP空间直方图特征。

对应不同的车辆类型分别训练不同的分类器进行检测。

对应车辆的不同大小分别训练不同尺度的分类器进行检测。

本发明具有的优点和积极效果是:

本发明的车辆检测方法中，包括级联多分类器的训练和运用该分类器进行车辆检测两部分，应用基于空间信息的LBP直方图特征表征车辆信息，可以快速的表征车辆的轮廓，对类内（车与车）特征的多变性具有一定的容忍性，对类外（车与非车）的多变性具有较强的区分性。应用线性SVM分类器，可以达到快速训练，快速检测的目的，使该方法具有实时性。运用boost训练方法训练第二层HIK SVM分类器。极大提高了车辆的检测率，降低了车辆的误检率（虚警率）。使用不同的分类器分别训练和检测不同类型和大小的车辆，实现了不同大小车辆的检测。本发明的车辆检测方法可以用于同时检测小型汽车，公交车和大型货车，具有适合不同场景，不同光照的鲁棒性，并且可以在标清的图像上达到实时性。

附图说明

图1是本发明的车辆检测方法的过程示意图；

图2是本发明的车辆检测方法中LBP算子使用方法的示例图；

图3是本发明的车辆检测方法中LBP空间直方图的特征提取方法的示意图；

图4是采用多种分类器相结合的车辆检测方法示意图。