[发明专利]车辆检测方法及装置

权利要求书

1.一种车辆检测方法，其特征在于，包括：

粗检测训练步骤：接收标注在输入的含有车辆的图像上的目标点的信息，所述目标点位于车辆上，对所述目标点进行FAST训练以得到灰度值差的阈值，并根据所述目标点确定出预定区域范围；

粗检测步骤：对输入的待检测图像，根据如下公式提取特征点：

N＝∑|I(x)-I(p)|>ε_d

其中，I(p)为圆心p的灰度，I(x)为圆周上任一点x的灰度，ε_d为灰度值差的阈值，如果N大于该阈值ε_d，则认为p为特征点；将提取出的特征点作为初始中心点，根据聚类算法确定出最终的一个或多个聚类中心点；根据预定区域范围，以每个所述聚类中心点为中心得到相应的区域，该区域为可能存在车辆的区域；

角度分类步骤：利用预先训练的多个角度分类器对所有所述可能存在车辆的区域进行车辆朝向的判断，得到所述可能存在车辆的区域的车辆朝向角度信息；

其中，角度分类步骤包括：

梯度提取子步骤：对于每个所述可能存在车辆的区域中的每个特征点，计算其梯度，并在每个特征点的预设邻域内统计该特征点的梯度方向，统计结果即为该特征点的方向描述符，从而得到每个所述可能存在车辆的区域的梯度方向特征；

角度分类子步骤：将每个所述可能存在车辆的区域的梯度方向特征分别输入所述预先训练的多个角度分类器进行方向判断，确定出所述可能存在车辆的区域中车辆朝向的角度信息，从而得到含有车辆朝向角度信息的图像数据，每个所述角度分类器为支持向量机分类器；

级联检测步骤：对每个含有车辆朝向角度信息的可能存在车辆的区域，根据其角度信息选择对应的预先训练的级联分类器进行检测以确定是否包含车辆。

2.如权利要求1所述的车辆检测方法，其特征在于，所述聚类算法包括K均值聚类算法，或者所述聚类算法包括先进行层次聚类算法再进行K均值聚类算法。

3.如权利要求1所述的车辆检测方法，其特征在于，所述梯度提取子步骤中，所述在每个特征点的预设邻域内统计该特征点的梯度方向包括：结合权重来统计所述梯度方向，所述权重根据所述预设邻域内各点距离对应的特征点的距离而定。

4.如权利要求1所述的车辆检测方法，其特征在于，所述级联检测步骤包括：

特征提取子步骤：对每个含有车辆朝向角度信息的可能存在车辆的区域，提取其方向梯度直方图特征；

精确检测子步骤：根据所含的角度信息选择相应的预先训练的级联分类器，并将所述方向梯度直方图输入该预先训练的级联分类器进行检测以确定对应的可能存在车辆的区域中是否包含车辆，所述级联分类器为基于方向梯度直方图特征并通过Adaboost训练算法进行训练得到。

5.一种车辆检测装置，其特征在于，包括：

粗检测训练模块，用于接收标注在输入的含有车辆的图像上的目标点的信息，所述目标点位于车辆上，对所述目标点进行FAST训练以得到灰度值差的阈值，并根据所述目标点确定出预定区域范围；

粗检测模块，用于对输入的待检测图像，根据如下公式提取特征点：

N＝∑|I(x)-I(p)|>ε_d

其中，I(p)为圆心p的灰度，I(x)为圆周上任一点x的灰度，ε_d为灰度值差的阈值，如果N大于该阈值ε_d，则认为p为特征点，将提取出的特征点作为初始中心点，根据聚类算法确定出最终的一个或多个聚类中心点，以每个所述聚类中心点为中心并根据预定区域范围得到相应的区域，该区域为可能存在车辆的区域；

角度分类模块，用于利用预先训练的多个角度分类器对所述可能存在车辆的区域进行车辆朝向的判断，得到所述可能存在车辆的区域的车辆朝向角度信息；具体用于对于每个所述可能存在车辆的区域中的每个特征点，计算其梯度，并在每个特征点的预设邻域内统计该特征点的梯度方向，统计结果即为该特征点的方向描述符，从而得到每个所述可能存在车辆的区域的梯度方向特征；将每个所述可能存在车辆的区域的梯度方向特征分别输入所述预先训练的多个角度分类器进行方向判断，确定出所述可能存在车辆的区域中车辆朝向的角度信息，从而得到含有车辆朝向角度信息的图像数据，每个所述角度分类器为支持向量机分类器；

级联检测模块，用于对每个含有车辆朝向角度信息的可能存在车辆的区域，根据其角度信息选择对应的预先训练的级联分类器进行检测以确定是否包含车辆。