專利名稱：一種車輛檢測方法及其設(shè)備的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種車輛檢測方法及其設(shè)備。
背景技術(shù)：
近年來，車輛檢測技術(shù)廣泛應(yīng)用于交通監(jiān)控、汽車輔助駕駛系統(tǒng)和自 動導(dǎo)航系統(tǒng)中，已經(jīng)成為智能交通監(jiān)控中的一個重要組成部分。現(xiàn)有的車 輛檢測技術(shù)主要是利用鋪設(shè)在路面下的各種感應(yīng)線圈檢測車輛。
環(huán)形線圈檢測器是傳統(tǒng)的交通檢測器，是目前世界上用量最大的 一種 檢測設(shè)備。車輛通過埋設(shè)在路面下的環(huán)形線圈，引起線圈磁場的變化，檢 測器據(jù)此計(jì)算出車輛的流量、速度、時(shí)間占有率和長度等交通參數(shù)，并上 傳給中央控制系統(tǒng)，以滿足交通控制系統(tǒng)的需要。
這種系統(tǒng)有以下缺點(diǎn)線圈在安裝或維護(hù)時(shí)必須直接埋入車道，這樣 交通會暫時(shí)受到阻礙；埋置線圈的切縫軟化了路面，容易使路面受損，尤 其是在有信號控制的十字^^口 ，車輛啟動或者制動時(shí)損壞可能會更加嚴(yán)重； 感應(yīng)線圈易受冰凍、路基下沉、鹽堿等自然環(huán)境的影響；感應(yīng)線圈由于自 身的測量原理所限制，當(dāng)車流擁堵，車間距小于3m的時(shí)候，其檢測精度大 幅度降低，甚至無法檢測。
而且，在這種系統(tǒng)中的感應(yīng)線圈容易受到電磁干擾，而且系統(tǒng)龐大， 成本極高，難以在各種復(fù)雜情況下廣泛應(yīng)用。

發(fā)明內(nèi)容
為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種車輛檢測方法及其設(shè)備。 在第一方面，本發(fā)明提供了一種車輛檢測方法，包括采集路面圖像/ 視頻；提取所述路面圖像/視頻內(nèi)的尺度不變特征變換(SIFT)特征；對尺 度不變特征變換(SIFT)特征進(jìn)行有序化處理，并通過網(wǎng)絡(luò)傳送到分類器， 其中，所述分類器通過事先訓(xùn)練得出；以及所述分類器根據(jù)經(jīng)過有序化處 理的尺度不變特征變換(SIFT)特征對路面圖像進(jìn)行車輛檢測。在第二方面，本發(fā)明提供了一種車輛檢測設(shè)備，包括視頻采集模塊，
用于采集路面圖像/視頻；尺度不變特征變換(SIFT )特征提取模塊，用-于 提取所述路面圖像/視頻內(nèi)的尺度不變特征變換(SIFT)特征；以及尺度不 變特征變換(SIFT)特征有序化模塊，用于對提取的尺度不變特征變換 (SIFT )特征進(jìn)行有序化處理，以待進(jìn)行車輛檢測。
在第三方面，本發(fā)明提供了一種車輛檢測系統(tǒng)，包括分類器以及在本 發(fā)明第二方面提出的設(shè)備，所述分類器與所述設(shè)備通過網(wǎng)絡(luò)相互連接。
在本發(fā)明的一個實(shí)施例中，本發(fā)明第一方面中的有序化處理包括聚類 分析，包括判斷所述路面圖像上所有尺度不變特征變換(SIFT)特征的 特征向量與各聚類的相似性，并且將所述特征表示為聚類的集合。
在本發(fā)明的另 一個實(shí)施例中，本發(fā)明第 一方面中的相似性判斷包括比 較特征向量和聚類中心值的相似性；其中，所述聚類中心值通過事先對車 輛圖像樣本進(jìn)行聚類處理而得到。
在本發(fā)明的又一個實(shí)施例中，本發(fā)明第一方面中的訓(xùn)練步驟包括收 集若干包含車輛的圖像樣本和若千不包含車輛的圖像樣本；提取所有圖像 樣本內(nèi)的尺度不變特征變換(SIFT)特征；對提取的尺度不變特征變換 (SIFT)特征進(jìn)行有序化處理；以及利用經(jīng)過有序化處理后的尺度不變特 征變換(SIFT)特征來訓(xùn)練分類器。
在本發(fā)明的再一個實(shí)施例中，本發(fā)明第一方面中的有序化處理包括 過對車輛圖像樣本進(jìn)行聚類處理而得到聚類中心值；通過計(jì)算圖像樣本上 所有尺度不變特征變換(SIFT)特征向量與對應(yīng)的每個聚類中心值的相似 性，將圖像特征表示為一個C維向量d,其中，,為取值O或者l的二
值變量，如果一個圖像包含一個屬于第i個聚類的特征向量則乂=1,否則 ,=G;其中，C為事先確定的聚類數(shù)量。
本發(fā)明用SIFT算子來描述車輛特征，并將檢測設(shè)備嵌入常用的監(jiān)控?cái)z 像頭/攝像機(jī)，實(shí)現(xiàn)了一種低成本、易實(shí)現(xiàn)、并行之有效的車輛檢測系統(tǒng)。


下面將參照附圖對本發(fā)明的具體實(shí)施方案進(jìn)行更詳細(xì)的說明，在附圖
中圖1是根據(jù)本發(fā)明的一個實(shí)施例的車輛檢測系統(tǒng)的框圖。
具體實(shí);^方式
圖1是根據(jù)本發(fā)明的一個實(shí)施例的車輛檢測系統(tǒng)的框圖。
如圖1所示，該系統(tǒng)包括視頻采集模塊、初始化模塊、SIFT特征提取
模塊、SIFT特征有序化模塊、分類器。
視頻采集模塊用于對道路情況進(jìn)行拍攝并獲取視頻流圖像。 初始化模塊用于對視頻流圖像進(jìn)行初始化處理，以得到高質(zhì)量的待檢圖像。
SIFT特征提取模塊用于從待檢圖像中提取車輛的SIFT特征。 SIFT特征有序化模塊用于對車輛的SIFT特征進(jìn)行有序化處理。 分類器用于對有序化后的SIFT特征進(jìn)行分類，以檢測圖像中是否有車 輛的存在。
應(yīng)當(dāng)指出，SIFT算子是一種基于尺度空間的，對于圖像的縮放、旋轉(zhuǎn) 甚至仿射變換都保持不變的圖像局部特征描述算子(全稱為Scale Invariant Feature Transformation,即尺度不變特4正變4灸)。
還應(yīng)當(dāng)指出，本發(fā)明提出的系統(tǒng)架構(gòu)使用架設(shè)在路邊的監(jiān)控?cái)z像頭或 者攝像機(jī)采集視頻圖像，即可以將視頻采集模塊、初始化才莫塊、SIFT特征 提取模塊、SIFT特征有序化模塊統(tǒng)稱為嵌入式處理設(shè)備，并且可以在實(shí)際 應(yīng)用時(shí)將該嵌入式處理設(shè)備集成在監(jiān)控?cái)z像頭或者攝像機(jī)中。這樣，就可 以通過前端的攝像頭或者攝像機(jī)獨(dú)立完成特征提取和有序化等工作，再通 過網(wǎng)絡(luò)將經(jīng)過處理的特征傳送到控制中心進(jìn)行后續(xù)處理。
本發(fā)明的車輛檢測系統(tǒng)的實(shí)現(xiàn)過程包括訓(xùn)練階段和檢測階段，訓(xùn)練階 段的目的是訓(xùn)練上面所述的分類器，而檢測階段的目的是提取SIFT特征并 對其進(jìn)行有序化，最后通過網(wǎng)絡(luò)傳送到所述分類器以便進(jìn)行車輛檢測。下 面，分別對這兩個階4更進(jìn)行詳細(xì)闡迷。
訓(xùn)練階段
收集P個包含車輛的圖像構(gòu)成正樣本集，N個不包含車輛的圖像組成負(fù)樣本集。
對正負(fù)樣本集中的所有樣本進(jìn)行初始化處理，包括尺度歸一化、光照 補(bǔ)償、直方圖均衡等初始化操作，以便于提取特征。應(yīng)當(dāng)指出，這個初始 化處理是可選的。
由于本發(fā)明使用 SIFT算子(全稱為Scale Invariant Feature Transformation,即尺度不變特征變換)來描述車輛特征，所以需要利用SIFT 特征提取模塊來提取所有訓(xùn)練樣本的SIFT特征。
對于第i個圖像訓(xùn)練樣本，使用SIFT算子來檢測該訓(xùn)練樣本中的所有 特征點(diǎn)。假設(shè)這幅圖像訓(xùn)練樣本中總共提取了"個SIFT特征點(diǎn)(這些SIFT 特征點(diǎn)具有尺度變換不變性和旋轉(zhuǎn)不變性，可以很好的描述目標(biāo))，那么
將在每個特征點(diǎn)位置處生成一個128維的特征數(shù)據(jù)。因此，這個圖像訓(xùn)練 樣本的特征就是"個128維的特征向量的集合F(" = W'巧，…，^}。
說明一下，特征點(diǎn)一般指的是圖像中灰度變化的局部極值點(diǎn)，即該點(diǎn) 的像素值比其周圍一定領(lǐng)域內(nèi)的點(diǎn)的像素值都大或者都小。 一般來說，所 述的特征點(diǎn)都會包含顯著的結(jié)構(gòu)性信息，在各種情況下都能體現(xiàn)出來。
采用SIFT算法來檢測特征點(diǎn)的方法是
設(shè)輸入圖像為/,設(shè)置整數(shù)型變量c (取值從0到某一預(yù)設(shè)的整數(shù)，比 如0 20),在每一個像素點(diǎn)/(x,力處計(jì)算如下公式 丄(x, 乂 a) = /(x，力* )'"2
然后計(jì)算
<formula>formula see original document page 8</formula>
其中/c可以根據(jù)實(shí)際需要取值任意非1的正整數(shù)。
這樣，圖像中每個像素點(diǎn)都可以計(jì)算出D(xj,cr),然后根據(jù)該值搜索局 部極值點(diǎn)作為特征點(diǎn)/關(guān)鍵點(diǎn)。
得到關(guān)鍵點(diǎn)之后，取出該關(guān)鍵點(diǎn)周圍的一小塊圖像，進(jìn)行一些處理， 就得到了一個128維的特征向量。
由于上面得出的SIFT特征向量是無序的，因此需要對提取的特征進(jìn)行 有序化處理，具體方法如下。
優(yōu)選地，我們可以對提取的SIFT特征向量進(jìn)行聚類分析來實(shí)現(xiàn)特征的有序化。首先，從P個正樣本中手工選擇出K個(《<尸)有代表性的樣本。
然后，對上述K個樣本使用SIFT特征提取模塊獲得的SIFT特征向量 (W),F。',…,F(^進(jìn)行聚類分析。可以選擇多種聚類方法，如分級聚類、均
值偏移聚類等。通過聚類處理可得到C個聚類，每個聚類i獲得一個標(biāo)簽 /, e {1，2，'，C}，計(jì)算出每個聚類的中心值就可以得到該聚類中所有特征向量
平均值^W，^2)，…，^。。
應(yīng)當(dāng)指出，在訓(xùn)練階段得出的聚類中心值將被保存起來，以便在后邊 的檢測階段中供有序化處理之用。
對于每一個圖像樣本，分別計(jì)算出該幅圖像上的所有特征點(diǎn)所對應(yīng)的
SIFT特征向量與上述每個聚類中心值的相似性。相似性處理可以使用多種 相似性度量方法，比如最小均方誤差(MSE)、最小平均絕對差值(MAD)、 最大匹配像素統(tǒng)計(jì)(MPC)等等。通過相似性計(jì)算，可以獲得該圖像樣本
上所有的特征點(diǎn)所對應(yīng)的聚類標(biāo)簽。這樣，每個圖像樣本的特征就可以表 示為一個C維向量(/)^,其中,為取值0或者1的二值變量。如果一個圖
像樣本包含一個屬于第i個聚類的特征向量則乂-1，否則,=()。 下面，對有序化處理給出一個詳細(xì)的解釋。
一般來說，對于不同的圖像，使用SIFT特征提取模塊處理后所得到的 特征點(diǎn)是不同的。但是，如果輸入的圖像屬于同一類物體，比如上述用于 訓(xùn)練的正樣本圖像，那么提取得出的特征點(diǎn)會具有一定的規(guī)律性。簡言之， 就是在這一類物體的某些局部會檢測到特征點(diǎn)。舉一個簡單的例子，對作 為正樣本的車輛圖像進(jìn)行檢測，其中的大部分樣本都會在車輛的車輪、車 窗等位置檢測到特征點(diǎn)。因此，我們可以對檢測到的這些特征點(diǎn)進(jìn)行聚類 分析(這里假設(shè)就只有兩類車輪、車窗)。通過聚類分析，可以得到這 兩類的均值以此作為這兩類的特征。應(yīng)當(dāng)注意，在實(shí)際處理時(shí)不知道有多 少個類別是具有公共性，所以必須大致估計(jì)一個類別數(shù)C，以便進(jìn)行聚類分 析。
完成聚類分析之后，對于每個輸入的樣本，我們將該圖像的特征點(diǎn)與 聚類中心值進(jìn)行比較，就可以知道該圖像上包含了多少個存在共性的局部 (比如上面所舉的例子的車輪、車窗)。舉一個簡單的例子，令0=2,即只考慮車輪、車窗兩個局部。因此，對于表示該圖像樣本特征的C維向量 "^'來說，(O,l)表示輸入樣本上包含車輪，不包含車窗，而(1,0)表示輸入
樣本上包含車窗，不包含車輪。這樣，就對本來無序的SIFT特征完成了有 序化處理。應(yīng)當(dāng)明白，類別數(shù)C可以取2以外的其他整數(shù)值，即可以為圖 像特征劃分其他更多的類別。
收集到每個訓(xùn)練樣本中經(jīng)過有序化處理后的特征向量后，可以選擇各 種分類器設(shè)計(jì)方法來設(shè)計(jì)分類器，比如支持向量機(jī)、最近鄰分類器、人工 神經(jīng)網(wǎng)絡(luò)等等。本發(fā)明給出一種較好的實(shí)現(xiàn)方式，即利用支持向量機(jī)來訓(xùn) 練車輛分類器。
設(shè)給定分別屬于兩類的1個樣本C^'W，(^'，^，…，W，乂)，其中盧表 示第l個樣本的特征，乃表示第l個樣本的類別，"取值-l或者+l。
支持向量機(jī)尋找一個最優(yōu)分類面，這個最優(yōu)分類面不但能將所述兩類
無錯誤地分開，而且要使兩類的分類間隔最大。通過求解約束最優(yōu)化問題， 可以得到 一個如下的最優(yōu)分類面
(1)
其中，"'，')是核函數(shù)，"'可以通過求解二次規(guī)劃(QP)問題得到。函數(shù)返 回值的符號表明輸入樣本F的分類。
在上述設(shè)計(jì)之后，將完成的分類器傳入控制中心，控制中心與所述嵌 入式處理設(shè)備通過網(wǎng)絡(luò)連接，以便在隨后的檢測階段中對實(shí)際待檢圖像進(jìn) 行分類。
檢測階段
首先，通過所述嵌入式設(shè)備中的視頻采集模塊對道路情況進(jìn)行拍攝， 獲得視頻流圖像。
優(yōu)選地，對輸入圖像進(jìn)行初始化處理(尺度歸一化、光照補(bǔ)償、直方 圖均衡等)，以獲得高質(zhì)量的待檢圖像。
對于任意一幅待檢測圖像/ ,用 一個大小為w"的矩形搜索窗口在圖像
區(qū)域中從上到下，從左到右，分別以Aw和AA的步長進(jìn)行依次移動，即進(jìn)行 窗口搜索。所述的窗口搜索過程中包括兩個處理，即提取SIFT特征以及對
10SIFT特征進(jìn)行有序化的處理。
應(yīng)當(dāng)指出，由于訓(xùn)練階段中的訓(xùn)練圖像樣本相對檢測階段中的待檢圖 像來說都要小很多(比如，正樣本只有車輛圖像)，所以在訓(xùn)練階段的時(shí) 候一般不采用上述的搜索窗口進(jìn)行掃描，而是直接針對整幅圖像進(jìn)行特征 提取和特征有序化處理。
在矩形搜索窗口的移動過程中，SIFT特征提取模塊使用SIFT算子來檢 測矩形搜索窗口內(nèi)的所有特征點(diǎn)。假設(shè)在整幅圖像中共提取了 "'個SIFT特 征點(diǎn)(這些SIFT特征點(diǎn)具有尺度變換不變性和旋轉(zhuǎn)不變性，可以很好的描 述目標(biāo))，那么將在每個特征點(diǎn)的位置處生成一個128維的特征數(shù)據(jù)。因 此，這個圖像樣本7,的特征就是"'個128維的特征向量的集合
同訓(xùn)練階段一樣，由于上面得出的SIFT特征向量是無序的，因此需要 對提取得特征進(jìn)行有序化處理。
為了更好地進(jìn)行對SIFT特征進(jìn)行有序化處理，優(yōu)選地，需要對提取的 SIFT特征向量進(jìn)行聚類分析。在這里，可以直接利用在訓(xùn)練階段所保存的 聚類中心值。
對于每一個圖像樣本，分別計(jì)算出該幅圖像上的所有特征點(diǎn)所對應(yīng)的 SIFT特征向量與上述每個聚類中心值的相似性。相似性處理可以使用多種 相似性度量方法，比如最小均方誤差(MSE)、最小平均絕對差值(MAD)、 最大匹配像素統(tǒng)計(jì)(MPC)等等，以獲得該圖像樣本上所有的特征點(diǎn)所對 應(yīng)的聚類標(biāo)簽。這樣，每個圖像樣本的特征就可以表示為一個C維向量 Ut,其中/為取值0或者1的二值變量。如果一個圖像樣本包含一個屬 于第i個聚類的特征向量則乂H,否則,=()。這樣，也得出了每個圖像樣 本的有序化特征。
最后，將得到的特征向量通過網(wǎng)絡(luò)，優(yōu)選地是互聯(lián)網(wǎng)協(xié)議(IP網(wǎng)絡(luò))， 傳送到控制中心(在訓(xùn)練階段得到)的分類器。車輛分類器通過傳入的特 征向量對圖像進(jìn)行分類，判斷出該圖像中是否存在車輛，然后將判斷結(jié)果 通過網(wǎng)絡(luò)傳回給嵌入式處理設(shè)備(攝像頭、攝像機(jī))，從而完成了本發(fā)明 的車輛檢測。顯而易見，在不偏離本發(fā)明的真實(shí)精神和范圍的前提下，在此描述的 本發(fā)明可以有許多變化。因此，所有對于本領(lǐng)域技術(shù)人員來說顯而易見的 改變，都應(yīng)包括在本權(quán)利要求書所涵蓋的范圍之內(nèi)。本發(fā)明所要求保護(hù)的 范圍僅由所述的權(quán)利要求書進(jìn)行限定。
權(quán)利要求
1.一種車輛檢測方法，包括采集路面圖像/視頻；提取所述路面圖像/視頻內(nèi)的尺度不變特征變換(SIFT)特征；對尺度不變特征變換(SIFT)特征進(jìn)行有序化處理，并通過網(wǎng)絡(luò)傳送到分類器，其中，所述分類器通過事先訓(xùn)練得出；以及所述分類器根據(jù)經(jīng)過有序化處理的尺度不變特征變換(SIFT)特征對路面圖像進(jìn)行車輛檢測。
2. 根據(jù)權(quán)利要求1的方法，其中，所述有序化處理包括聚類分析，包 括判斷所述路面圖像上所有尺度不變特征變換(SIFT)特征的特征向量 與各聚類的相似性，并且將所述特征表示為聚類的集合。
3. 根據(jù)權(quán)利要求2的方法，其中，相似性判斷包括比較特征向量和聚 類中心值的相似性；其中，所述聚類中心值通過事先對車輛圖像樣本進(jìn)行 聚類處理而得到。
4. 根據(jù)權(quán)利要求3的方法，其中，所述相似性判斷采用下列相似性度量 方法中的一種或多種最小均方誤差(MSE)、最小平均絕對差值(MAD)、 最大匹配像素統(tǒng)計(jì)(MPC)。
5. 根據(jù)權(quán)利要求2的方法，其中，所述聚類處理包括下列方法中的一種 或多種分級聚類、均值偏移聚類。
6. 根據(jù)權(quán)利要求1的方法，還包括對采集到的路面圖像進(jìn)行下列初始 化處理對圖像進(jìn)行尺度歸一化處理；和/或 對圖像進(jìn)行光照補(bǔ)償處理；和/或 對圖像進(jìn)行直方圖均衡處理。
7. 根據(jù)權(quán)利要求1的方法，其中，所述訓(xùn)練步驟包括 收集若干包含車輛的圖像樣本和若干不包含車輛的圖像樣本； 提取所有圖像樣本內(nèi)的尺度不變特征變換(SIFT)特征； 對提取的尺度不變特征變換(SIFT)特征進(jìn)行有序化處理；以及 利用經(jīng)過有序化處理后的尺度不變特征變換(SIFT)特征來訓(xùn)練分類器。
8. 根據(jù)權(quán)利要求7的方法，其中，所述有序化處理包括 通過對車輛圖像樣本進(jìn)行聚類處理而得到聚類中心值； 通過計(jì)算圖像樣本上所有尺度不變特征變換(SIFT)特征向量與對應(yīng)的每個聚類中心值的相似性，將圖像特征表示為一個C維向量d,其中，《為取值0或者1的二值變量，如果一個圖像包含一個屬于第i 個聚類的特征向量則'7^1，否則,=(); 其中，C為事先確定的聚類數(shù)量。
9. 根據(jù)權(quán)利要求1的方法，其中，所述網(wǎng)絡(luò)是互聯(lián)網(wǎng)協(xié)議(IP)網(wǎng)絡(luò)。
10. —種車輛檢測設(shè)備，包括 視頻采集模塊，用于采集路面圖像/視頻；尺度不變特征變換(SIFT)特征提取模塊，用于提取所述路面圖像/視 頻內(nèi)的尺度不變特征變換(SIFT)特征；以及尺度不變特征變換(SIFT)特征有序化模塊，用于對提取的尺度不變 特征變換(SIFT)特征進(jìn)行有序化處理，以待進(jìn)行車輛斗企測。
11. 根據(jù)權(quán)利要求10的設(shè)備，其中，所述尺度不變特征變換(SIF丁) 特征有序化模塊包括通過計(jì)算所述路面圖像上所有尺度不變特征變換(SIFT)特征向量與對應(yīng)的每個聚類中心值的相似性，將圖像特征表示為一個c維向量a);i,的模塊；其中，.,為取值O或者1的二值變量，如果一個圖像包含一個屬于第i 個聚類的特征向量，則,=1,否則,=(); 其中，C為事先確定的聚類數(shù)量；其中，所述聚類中心值通過事先對圖像樣本進(jìn)行聚類處理而得到。
12. 根據(jù)權(quán)利要求1Q的設(shè)備，還包括初始化模塊，用于對采集到的車輛圖像進(jìn)行初始化處理。
13. 根據(jù)權(quán)利要求12的設(shè)備，還包括 對圖像進(jìn)行尺度歸一化處理的模塊；和/或 對圖像進(jìn)行光照補(bǔ)償處理的模塊；和/或 對圖像進(jìn)行直方圖均衡處理的模塊。
14. 根據(jù)權(quán)利要求10的設(shè)備，其中，所述設(shè)備是攝像頭。
15. —種車輛檢測系統(tǒng)，包括分類器以及如權(quán)利要求12所述的設(shè)備， 所述分類器與所述設(shè)備通過網(wǎng)絡(luò)相互連接。
16. 根據(jù)權(quán)利要求15的系統(tǒng)，其中，所述分類器包括 支持向量機(jī)、最近鄰分類器、或人工神經(jīng)網(wǎng)絡(luò)。
17. 根據(jù)權(quán)利要求15的系統(tǒng)，還包括訓(xùn)練設(shè)備，所述訓(xùn)練設(shè)備用于訓(xùn) 練所述分類器。
18. 根據(jù)權(quán)利要求17的系統(tǒng)，所述訓(xùn)練設(shè)備包括收集若干包含車輛的圖像樣本和若干不包含車輛的圖像樣本的模塊； 提取所有圖像樣本內(nèi)的尺度不變特征變換(SIFT)特征的模塊； 對提取的尺度不變特征變換(SIFT)特征進(jìn)行有序化處理的模塊；以及利用有序化處理后的尺度不變特征變換(SIFT)特征來訓(xùn)練分類器的 模塊。
19. 根據(jù)權(quán)利要求17的系統(tǒng)，還包括初始化模塊，用于對所述收集到的圖像進(jìn)行初始化處理。
20. 根據(jù)權(quán)利要求18的系統(tǒng)，其中，所述有序化模塊包括 通過對所述包含車輛的圖像樣本進(jìn)行聚類處理而得到聚類中心值的模塊；通過計(jì)算圖像樣本上所有尺度不變特征變換(SIFT)特征向量與對應(yīng) 的每個聚類中心值的相似性，將圖像特征表示為一個c維向量a)L的模塊，其中，,為取值O或者1的二值變量，如果一個圖像包含一個屬于第i 個聚類的特征向量則,=1,否則,=();其中，C為事先確定的聚類數(shù)量。
全文摘要
本發(fā)明涉及一種車輛檢測方法及其設(shè)備，所述方法包括采集路面圖像/視頻；提取所述路面圖像/視頻內(nèi)的尺度不變特征變換(SIFT)特征；對尺度不變特征變換(SIFT)特征進(jìn)行有序化處理，并通過網(wǎng)絡(luò)傳送到分類器，其中，所述分類器通過事先訓(xùn)練得出；以及所述分類器根據(jù)經(jīng)過有序化處理的尺度不變特征變換(SIFT)特征對路面圖像進(jìn)行車輛檢測。本發(fā)明用SIFT算子來描述車輛特征，并將檢測設(shè)備嵌入常用的監(jiān)控?cái)z像頭/攝像機(jī)，實(shí)現(xiàn)了一種低成本、易實(shí)現(xiàn)、并行之有效的車輛檢測系統(tǒng)。
文檔編號G08G1/04GK101320520SQ20081011694
公開日2008年12月10日 申請日期2008年7月21日 優(yōu)先權(quán)日2008年7月21日
發(fā)明者磊 王, 鄧亞峰, 英 黃 申請人:北京中星微電子有限公司