[发明专利]一种基于机器视觉和机器学习的运动车辆检测算法

权利要求书

1.一种基于机器视觉和机器学习的运动车辆检测算法，特征在于，包括以下步骤：

步骤S010，通过安装在车辆内后视镜下的摄像头采集道路前方场景视频流，从视频流中获取当前帧的数据；

步骤S020，提取车辆假设区域；

步骤S030，验证车辆假设区域。

2.根据权利要求1所述的一种基于机器视觉和机器学习的运动车辆检测算法，其特征在于，在步骤S020中，包括以下步骤：

步骤S021，对摄像头读入的每一帧图像进行感兴趣区域的划分，将图像垂直方向从下到上1/3图像大小的区域剔除；

步骤S022，采用加权平均法对步骤S021处理后的彩色图像进行灰度处理；

步骤S023，对灰度图像进行图像去噪；

步骤S024，对去噪后的图像进行图像阈值分割；

步骤S025，对二值化图像进行形态学处理；

步骤S026，选用面积和矩形度两种特征描述子来剔除形态学处理后的图像中非目标区域；

步骤S027，提取并合并阴影线。

3.根据权利要求2所述的一种基于机器视觉和机器学习的运动车辆检测算法，其特征在于，在步骤S030中，包括以下步骤：

步骤S031，图像预处理；

步骤S032，提取特征；

步骤S033，离线训练分类器；

步骤S034，测试分类器；

步骤S035，应用经步骤S033训练和步骤S034测试的分类器对步骤S020提取到的车辆假设区域进行验证；

步骤S036，输出带框车辆的图像序列。

4.根据权利要求2所述的一种基于机器视觉和机器学习的运动车辆检测算法，其特征在于，步骤S023中，采用中值滤波来进行图像去噪，对邻域内的采样数据进行排序后取中值来替代中心像素灰度值。

5.根据权利要求2所述的一种基于机器视觉和机器学习的运动车辆检测算法，其特征在于，步骤S024中，先将灰度图像使用Canny算子进行边缘检测来提取图像边缘特征，沿垂直方向从图像底部进行扫描，把灰度值突变前的区域作为路面区域，然后计算出路面区域的均值和标准差，最后选取阈值为均值减去3倍的标准差来进行二值化。

6.根据权利要求2所述的一种基于机器视觉和机器学习的运动车辆检测算法，其特征在于，步骤S027中，将二值图像从上到下、从左到右依次扫描，对于每一行像素，若像素点满足f(x-1,y)-f(x,y)＝＝1&&f(x,y)-f(x+1,y)＝＝0，则将其标记为l_start，若像素点满足f(x,y)-f(x-1,y)＝＝0&&f(x+1,y)-f(x,y)＝＝1，则将其标记为l_end；然后设定阴影线长度为length＝l_end-l_start，图像和实际车辆的关系为其中，w_p为车辆实际宽度，H为摄像头与地面间的高度，y为阴影线在Y轴上的所在行，w为目标在图像上的长度，若length满足0.8w＜length＜1.2w，则判定为可能的阴影线，否则剔除掉；当任意两条阴影线段满足在垂直方向上两条线段所在行相差小于5个像素并且两条线段在水平方向的绝对距离值小于7个像素，则对这两条阴影线进行合并。

7.根据权利要求3所述的一种基于机器视觉和机器学习的运动车辆检测算法，其特征在于，在步骤S031中，按对图像进行预处理，其中表示归一化之后的图像，i(x,y)表示原始的图像，μ表示图像的均值，σ表示图像的标准差。

8.根据权利要求3所述的一种基于机器视觉和机器学习的运动车辆检测算法，其特征在于，在步骤S032中，选用水平和垂直的Haar-like边缘特征以及水平和垂直的Haar-like线性特征来作为分类器的特征向量。