[发明专利]基于AdaBoost与SVM的无牌车辆检测方法

说明书

技术领域

本发明涉及一种智能交通检测技术，具体的说是一种基于AdaBoost与SVM的无牌车辆检测方法。

背景技术

智能交通系统（Intelligent Transportation System，ITS）起步于20世纪60～70年代的交通管理计算机化，是一项以信息、通信等技术将人、车、路三者紧密协调而形成的一种大范围、全方位发挥作用的综合运输管理系统。

视频序列中的车辆检测，是运动目标检测在智能交通领域中的应用。目前常用的基于相邻帧图像信息的车辆检测算法有：

（1）帧间差分法：该算法是将前后两帧图像对应像素点的灰度值相减，如果灰度差值很小，可以认为该点无车经过；反之灰度变化很大，则认为有车经过。

（2）背景差分法：该算法首先选取视频场中的几幅图像采用一定的算法求得背景图像，然后把以后的序列图像当前帧和背景图像相减，进行背景消去。若所得到的像素数大于某一阈值，则判定被监视场景中有运动物体，从而得到运动车辆。

（3）光流法：该算法是把检测区域的图像变为速度的矢量场，每一个向量表示了景物中一个点在图像中位置的瞬时变化。因此，光流场携带了有关物体运动和景物三维结构的丰富信息，通过对速度场（光流场）的分析可以判断在检测区域内车辆的有无。

由于算法本身的效率以及DSP帧率的限制，上述三种算法在实际应用中存在一定的局限，如帧间差分法、光流法不适用于帧率较低的场合，当视频背景变化过快时背景差分法误检测率显著增加。

此外，目前基于单帧图像信息的车辆检测算法过度地依赖车牌信息，以及车牌之间的模板匹配，基本无法实现无牌车辆的检测。

发明内容

针对现有技术中无牌车辆检测常用的方法由于算法本身的效率以及DSP帧率的限制，在实际应用中存在一定的局限等不足之处，本发明要解决的技术问题是提供一种基于AdaBoost与SVM的无牌车辆检测方法，在视频序列图像中对非目标样本进行快速判决。

为解决上述技术问题，本发明的技术方案是：

本发明基于AdaBoost与SVM的无牌车辆检测方法包括以下步骤：

1）以DSP平台上，对原始视频序列图像行列方向上进行高倍数的下采样，得到RGB三通道彩色图像；

2）针对上述RGB三通道彩色图像，综合考虑RGB三通道彩色图像的边缘信息与色彩信息，合成灰度图像；

3）针对上述合成灰度图像实现视频序列中的无牌车辆检测；

4）对于检测出的目标与背景建立一个非线性二类SVM分类器，进一步降低虚警概率。

RGB三通道彩色图像到合成灰度图像包括以下步骤：

21）按下式实现RGB到YUV色彩空间的转换，YUV空间的Y分量即是灰度图像：

Y=0.299*R+0.587*G+0.114*B

U=-0.169*R-0.331*G+0.5*B+128

V=0.5*R-0.418*G+0.082*B-128

其中，Y、U、V分别为YUV空间三个颜色分量，R、G、B分别为RGB空间的三个颜色分量；

22）对YUV空间的Y分量按下式求边缘：

E(i,j)=max((Y(i,j)-Y(i-1,j)),(Y(i,j)-Y(i,j-1)))

其中，E(i,j)为边缘图像第i行第j列的像素值，Y(i,j)为灰度图像第i行第j列的像素值；

23）新灰度图像的合成按下式进行：

其中，E边缘图像，U、V分别为YUV空间的U、V颜色分量，Y_New为新合成的灰度图像。

对合成的灰度图像实现无牌车辆检测包括以下步骤：

31）无牌车辆样本、背景样本的生成

在视频序列中人工截取各型有车牌车辆1～2万张，再用图像处理软件将有牌车辆修改成1～2万张无牌车辆，有牌和无牌车辆截图构成目标正样本；

在视频序列中随机截取10～15万张非车辆截图，这些图片构成背景反样本；

目标正样本与背景反样本的宽高比为1:1；

32）Haar矩形特征的计算

将目标正样本与背景反样本做行列16倍下采样，再合成灰度图像Y_New，最后再将图片缩放到8×8大小，得到灰度图像Y_New8×8，即检测窗口的分辨率为8×8；

对每一个Y_New8×8，借助积分图像，计算Haar特征；