基于陰影假設(shè)和分層hog對稱特征驗證的前車檢測方法
【專利摘要】本發(fā)明公開了一種基于陰影假設(shè)和分層HOG對稱特征驗證的前車檢測方法，通過人工選取由車載相機拍攝的圖像，歸一化計算圖像庫的分層HOG對稱特征，并經(jīng)過極限學(xué)習(xí)機（ELM）的訓(xùn)練得到分類器；然后對由車載相機采集的視頻圖像進行陰影化處理，得到假設(shè)的車輛子圖；最后把得到的假設(shè)子圖通過分類器進行判斷得到檢驗結(jié)果。該發(fā)明方法能夠準(zhǔn)確、實時的檢測出前方車輛，并且對光照強度變化有很強的魯棒性。
【專利說明】基于陰影假設(shè)和分層HOG對稱特征驗證的前車檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于機器視覺領(lǐng)域，涉及汽車主動安全領(lǐng)域，特別涉及一種基于陰影假設(shè)和分層H0G對稱特征驗證的前車檢測方法。
【背景技術(shù)】
[0002]隨著全球經(jīng)濟的發(fā)展，社會對交通運輸?shù)男枨蟪掷m(xù)增長，交通基礎(chǔ)設(shè)施的增加依然不能滿足交通運輸量的增加，尤其是經(jīng)濟活動比較集中的世界各大城市，交通擁堵已成為普遍現(xiàn)象，嚴(yán)重影響了經(jīng)濟的發(fā)展，制約了社會活動的進行。而交通事故造成的損失更令人觸目驚心。如何避免交通事故，成為汽車領(lǐng)域的一個重要課題，而前方車輛檢測成為研究的一大熱點。
[0003]現(xiàn)有的車輛檢測主要是基于特征的方法。基于特征的車輛檢測是通過計算圖像的局部和整體特征來表征車輛的，車輛圖像的特征與非車輛圖像的特征存在著差異。H0G特征由于其對圖像幾何的和光學(xué)的形變都能保持很好的不變性以及對光照強度的有很好的魯棒性，在戶外檢測中使用廣泛。但是在檢測過程中，如果采用的H0G特征維數(shù)少了，檢測精度難以達(dá)到，如果特征維數(shù)增加，檢測速度又難以達(dá)到要求。這使得精度和速度之間很難得達(dá)到很好的解決方案。
[0004]現(xiàn)有的基于特征的車輛檢測方法在檢測一幀圖像中所有的車輛時，一般都采用多尺度變換，對檢測圖像或者檢測窗口經(jīng)過設(shè)定的η倍縮放得到新的檢測圖像或檢測窗口，再對新的圖像或窗口重新進行檢測。這樣檢測的數(shù)據(jù)量是非常大的，因而檢測速度非常慢，難以達(dá)到檢測過程中的快速性要求。
[0005]因而需要研究一種能夠準(zhǔn)確的，實時的前車檢測方法來保障車輛的行駛安全。

【發(fā)明內(nèi)容】

[0006]為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于陰影假設(shè)和分層H0G對稱特征驗證的前車檢測方法，通過提取圖像的分層H0G對稱特征，準(zhǔn)確、實時的檢測出前方車輛，并且對光照強度變化有很強的魯棒性。
[0007]為實現(xiàn)上述目的，達(dá)到上述技術(shù)要求，本發(fā)明采用一下的技術(shù)方案:
[0008]一種基于陰影假設(shè)和分層H0G對稱特征驗證的前車檢測方法，包括以下幾個步驟:
[0009]步驟1:構(gòu)建用于訓(xùn)練的樣本庫，并對樣本庫進行歸一化處理；
[0010]所述用于訓(xùn)練的樣本庫是指從裝載在車輛上方的攝像頭拍攝的前方道路視頻中提取的圖像組成的圖像庫；所述的圖像庫包括兩類，第一類為圖像中含有車輛信息的圖像，第二類為圖像中不包含車輛信息的圖像，每幅圖像歸一化處理為64*64像素大??；
[0011]步驟2:分別計算歸一化處理后的樣本庫中每幅圖像的分層H0G對稱特征向量；
[0012]步驟3:用極限學(xué)習(xí)機(ELM)來訓(xùn)練步驟得到所有圖像的分層HOG對稱特征向量，獲得兩類圖像的分類模型；[0013]步驟4:從車載相機所獲得的視頻圖像中，依次提取每幀圖像的車底水平陰影圖像，獲得車輛假設(shè)子圖；[0014]步驟5:對步驟4獲得的車輛假設(shè)子圖歸一化處理為64*64像素大小，并計算歸一化處理后的圖像的分層H0G對稱特征向量，將分層H0G對稱特征輸入到步驟3所得到的分類模型中檢驗，以分類模型的輸出結(jié)果判斷車輛前方是否為存在車輛，完成前方車輛檢測；
[0015]若輸出結(jié)果屬于第一類圖像，則說明前方存在車輛，反之，則說明前方不存在車輛。
[0016]所述圖像的分層H0G對稱特征向量由圖像分層H0G特征向量和對稱特征向量串接獲得；
[0017]1)圖像分層H0G特征向量計算
[0018]圖像分層H0G特征向量包括第一層H0G特征向量和第二層H0G特征向量:
[0019]a)第一層H0G特征向量的計算步驟如下:
[0020]步驟1:計算圖像的梯度；
[0021]圖像中像素點(x，y)的梯度為
[0022]Gx(x，y)=H(x+l，y)-H(x_l，y)
[0023]Gy(x, y) =H(x, y+l)-H(x, y-1)
[0024]式中，Gx (x, y)、Gy(x, y)和H(x，y)分別表示輸入圖像中像素點(x，y)處的水平方向梯度、垂直方向梯度和像素值；
[0025]像素點(X，y)處的梯度幅值和梯度方向分別為:
[0026]
【權(quán)利要求】
1.一種基于陰影假設(shè)和分層HOG對稱特征驗證的前車檢測方法，其特征在于，包括以下幾個步驟:步驟1:構(gòu)建用于訓(xùn)練的樣本庫，并對樣本庫進行歸一化處理；所述用于訓(xùn)練的樣本庫是指從裝載在車輛上方的攝像頭拍攝的前方道路視頻中提取的圖像組成的圖像庫；所述的圖像庫包括兩類，第一類為圖像中含有車輛信息的圖像，第二類為圖像中不包含車輛信息的圖像，每幅圖像歸一化處理為64*64像素大??；步驟2:分別計算歸一化處理后的樣本庫中每幅圖像的分層HOG對稱特征向量；步驟3:用極限學(xué)習(xí)機(ELM)來訓(xùn)練步驟得到所有圖像的分層HOG對稱特征向量，獲得兩類圖像的分類模型；步驟4:從車載相機所獲得的視頻圖像中，依次提取每幀圖像的車底水平陰影圖像，獲得車輛假設(shè)子圖；步驟5:對步驟4獲得的車輛假設(shè)子圖歸一化處理為64*64像素大小，并計算歸一化處理后的圖像的分層HOG對稱特征向量，將分層HOG對稱特征輸入到步驟3所得到的分類模型中檢驗，以分類模型的輸出結(jié)果判斷車輛前方是否為存在車輛，完成前方車輛檢測；若輸出結(jié)果屬于第一類圖像，則說明前方存在車輛，反之，則說明前方不存在車輛。
2.根據(jù)權(quán)利要求1所述的基于陰影假設(shè)和分層HOG對稱特征驗證的前車檢測方法，其特征在于，所述圖像的分層HOG對稱特征向量由圖像分層HOG特征向量和對稱特征向量串接獲得；1)圖像分層HOG特征向量計算圖像分層HOG特征向量包括第一層HOG特征向量和第二層HOG特征向量:a)第一層HOG特征向量的計算步驟如下:步驟1:計算圖像的梯度；圖像中像素點(X，y)的梯度為Gx(x, y) =H(x+l, y) -H(x_l, y)Gy (x, y) =H (x, y+1) _H (x, y-1)式中，Gx(x, y)、Gy (x, y)和H(x，y)分別表示輸入圖像中像素點(x, y)處的水平方向梯度、垂直方向梯度和像素值；像素點(X，y)處的梯度幅值和梯度方向分別為:
3.根據(jù)權(quán)利要求2所述的基于陰影假設(shè)和分層HOG對稱特征驗證的前車檢測方法，其特征在于，所述車底水平陰影圖像的提取是指水平信息圖與車底陰影圖求“與”操作得到水平陰影圖；所述水平?目息圖是米用3*3的水平掩膜[-1，-1，-1，0，0，0，1, 1, 1]與原圖像卷積，以0TSU閾值計算法將卷積后的圖像進行二值化處理得到；所述車底陰影圖是通過對原圖像進行二值化處理獲得，車底陰影圖二值化處理的閾值為m-3 σ，閾值每隔5秒更新一次，m和σ通過以下方法獲得:采用路面提取法，利用Lo G法獲取原圖像的邊緣信息圖，采用向上區(qū)域生長法分割邊緣信息圖獲得駕駛路面圖像，統(tǒng)計駕駛路面圖像的像素的平均值m和標(biāo)準(zhǔn)方差σ。
【文檔編號】G06K9/62GK103679205SQ201310717305
【公開日】2014年3月26日 申請日期:2013年12月23日 優(yōu)先權(quán)日:2013年12月23日
【發(fā)明者】王耀南, 張楚金, 盧笑, 王珂娜, 劉理, 吳成中 申請人:湖南大學(xué)