[发明专利]基于增量学习的行车视频中交通标志的检测和识别方法

摘要

本发明公开了一种基于增量学习的行车视频中交通标志的检测和识别方法，用于解决现有交通标志的检测和识别方法鲁棒性差的技术问题。技术方案是采用聚合通道特征训练Adaboost分类器，并对检测器进行改进，然后将该检测器的检测结果作为卡尔曼滤波器的观测值进行基于运动模型的跟踪，在跟踪过程中，在线训练新的增量SVM检测器，当原Adaboost检测器由于标志的表观变化导致检测失败时，由该在线增量检测器进行检测，并将检测结果作为卡尔曼滤波器的观测值输入，对未能连续检测到的目标进行过滤。最后对同一个物理交通标志的跟踪结果进行基于尺度的高斯权重的加权投票，得到最终的识别结果，提高了检测和识别的鲁棒性。

主权项

1.一种基于增量学习的行车视频中交通标志的检测和识别方法，其特征在于包括以下步骤：步骤一、对训练数据集归一化，并采样图像块，计算通道特征池，使用Adaboost算法训练检测器模型，该检测器由4层强检测器级联得到，此4层强检测器分别包括32，128，512，2048个弱分类器；通过全部4层强分类器的检测目标为候选目标，并且最后一层的强分类器模型为：其中，αt为训练得到的每个弱分类器的权重，ht为弱分类器，T为弱分类器的个数；步骤二、使用训练数据对在线增量SVM检测器进行离线训练，完成初始化过程；步骤三、对训练数据的正样本位置进行高斯核的Parzen窗密度估计，得到概率密度函数为：其中，x为向量(x,y)，即交通标志出现的位置坐标；n为训练数据正样本个数，V_n为窗函数的窗口大小，h_n为窗口的边长；函数为高斯函数；即：步骤四、对步骤一中的强分类器模型采用下面公式处理：通过训练集上的交叉验证实验确定参数λ；步骤五、利用步骤二确定的检测器模型对输入视频进行检测，将检测结果位置作为观测值输入卡尔曼滤波器，通过卡尔曼滤波的更新和预测阶段实现对交通标志的跟踪；步骤六、对步骤五的跟踪结果进行正样本可能性测试，测试函数如下：Lpositive(fk)＝symm(fk)·pph(fkmean,fk)·ppos(fk‑1,fk)        (5)正样本可能性高的作为跟踪结果输出，并以该结果更新卡尔曼滤波的参数以及增量更新在线检测器；其中Lpositive(fk)为第k帧成为正样本可能性大小的倒数，即对称性越高，其值越小；symm(fk)为第k帧的目标的对称性大小幅值，pph(fkmean,fk)为第k帧目标的感知哈希与前k帧的平均值的欧氏距离；ppos(fk‑1,fk)为第k帧目标与k‑1帧目标的坐标的欧氏距离；对于正样本可能性低的视频帧则利用在线检测器在该位置邻域进行在线检测，将结果作为输出结果，同时用于更新卡尔曼滤波参数。