[发明专利]一种基于增长型极限学习机的车辆检测方法

说明书

技术领域

本发明涉及道路安全领域，具体涉及一种基于增长型极限学习机的车辆检测方法。

背景技术

科技和经济的发展推动着交通工具的革新。汽车的诞生给人类的生活出行带来极大的便利。然而汽车也给人类的生活带来纷繁的问题，如交通安全、交通拥挤和环境污染等。特别是在交通安全方面，交通事故给人们的生命和财产造成巨大损失。例如，2015年，光在我国就发生了10597358起交通事故，死亡人数大约68432人，所占总死亡人数的百分比为1.5％。如何减少交通事故发生概率，提高道路安全成为了大家关注的问题。

计算机性能的飞速提高，为基于视觉的车辆检测技术的发展带了蓬勃的生机。虽然目前有不少基于视觉的车辆检测方法被提出，但是现有的方法大部分仍存在着许多问题。如车辆检测的准确率低，系统运行速度慢，无法做到实时，需要大量时间进行分类器的训练，抗干扰能力不强等问题。这些问题的存在显然是不利于基于视觉的车辆检测技术运用到实际路况当中。

发明内容

为了克服现有技术中车辆检测的准确率不同，存在重大的误判情况且检测实时性差的不足，本发明提供一种基于增长型极限学习机的车辆检测方法。

本发明采用如下技术方案：

一种基于增长型极限学习机的车辆检测方法，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。

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。

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。

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。

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。

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；