[发明专利]一种基于增长型极限学习机的车辆检测方法

权利要求书

1.一种基于增长型极限学习机的车辆检测方法，其特征在于，包括如下步骤：

S1训练增长型极限学习机；

S2采用已训练增长型极限学习机对车辆进行检测识别。

2.根据权利要求1所述的车辆检测方法，其特征在于，所述S1训练增长型极限学习机具体包括如下步骤：

S1.1运用选择搜索的方法处理车辆样本图像，得到车辆样本的候选窗口集；

S1.2筛选车辆样本的候选窗口集，并对候选窗口进行标记作为样本的标签，形成新的样本候选窗口集；

S1.3提取新的样本候选窗口集的HOG特征作为训练增长型极限学习机的样本特征；

S1.4训练增长型极限学习机。

3.根据权利要求1所述的车辆检测方法，其特征在于，所述S2采用已训练增长型极限学习机对车辆进行检测设别，具体步骤为：

S2.1采用摄像头采集车辆的RGB图像；

S2.2运用选择搜索的方法处理RGB图像，得到候选窗口集；

S2.3提取候选窗口集的HOG特征作为增长型极限学习机的输入；

S2.4用已训练的增长型极限学习机进行车辆识别。

4.根据权利要求2所述的车辆检测方法，其特征在于，所述S1.1运用选择搜索的方法处理车辆样本图像，得到车辆样本的候选窗口集，具体为：

S1.1.1使用基于图的有效分割算法分割每一张车辆样本图像的RGB图像，得到原始分割区域R＝{r₁,…,r_n}，其中R为原始分割区域集，r_i为第i个区域，n为原始分割区域数；

S1.1.2初始化相似度集合统计每个区域每个颜色通道的26个区间的直方图，并对直方图做归一化操作，使每个区域具有一个78维的向量计算两两相邻区域之间的相似度s_ij，并添加到相似度集合S；

S1.1.3从相似度集合S中找出最大的s_ij，将区域r_i和区域r_j合并成区域r_t，从相似度集合S中除去原先与r_i和r_j相邻区域之间计算的相似度，计算r_t与其相邻区域的相似度，将其结果添加的到相似度集合S中，同时将新区域r_t添加到区域集合R中；

S1.1.4重复S1.1.3步骤，直到相似度集合S为空集，从区域集合R中得到候选窗口集合L。

5.根据权利要求2所述的车辆检测方法，其特征在于，所述S1.2筛选车辆样本的候选窗口集，并对候选窗口进行标记作为样本的标签，形成新的样本候选窗口集，具体步骤如下：

S1.2.1为每个目标从候选窗口集合中选择一个恰好包含目标的候选窗口标记为正样本；

S1.2.2从候选窗口集中选择与正样本窗口重叠20％到50％面积的候选窗口标记为负样本；

S1.2.3从候选窗口集中剔除彼此重叠75％或以上面积的负样本以及剔除没有被标记的候选窗口，形成新的候选窗口集。

6.根据权利要求2所述的车辆检测方法，其特征在于，所述S1.3提取新的样本候选窗口集的HOG特征作为训练增长型极限学习机的样本特征，具体步骤如下：

S1.3.1将样本候选窗口集合的RGB图转换成灰度图；

S1.3.2对灰度进行灰度变换；

S1.3.3将灰度图分别与[-1,0,1]和[-1,0,1]^T两个梯度算子卷积，得到图像G_x和G_y，然后计算梯度大小和方向；

S1.3.4将候选窗口分成16个子窗口。将360度等分成18份，采用以梯度大小为权值的加权投影方式，分别得到16个子窗口的梯度方向直方图；

S1.3.5将16个梯度方向直方图分别进行归一化并串联起来，得到288维的候选窗口HOG特征。

7.根据权利要求3所述的车辆检测方法，其特征在于，所述S2.4用已训练的增长型极限学习机进行车辆识别，具体为：

S2.4.1计算候选窗口HOG特征的隐含层输出，具体公式如下：

H′=G(a1·x1+b1)...G(aL·x1+bL).........G(a1·xm+b1)...G(aL·xm+bL)]]>

其中H′为候选窗口HOG特征的隐含层输出矩阵，x_j是第j个候选窗口的HOG特征，G(x)为隐含层节点的激励函数，本发明采用径向基函数，a_j为第j个隐含层节点的输入权重，b_j为j个隐含层节点的输入偏置，L为隐藏层节点数，m为候选窗口总数；

S2.4.2计算并输出分类结果，具体公式如下：

y＝H′*β

其中y是基于已训练的增长型极限学习机的车辆检测结果，β是隐含层输出权重，H′为隐藏层输出矩阵。