一种基于多尺度模型的车辆检测方法
【专利摘要】本发明涉及到车辆检测【技术领域】，特别涉及到一种基于多尺度模型的车辆检测方法。本发明包括多尺度模型建模、多尺度模型学习和车辆检测三个步骤；所述多尺度模型建模是利用两个以上不同的混合图像模板构建；所述的多尺度模型学习是从实际交通图像中汲取车辆图像作为训练图形，学习所述混合图像模板的边缘块、纹理块、颜色块、平整度块和图像似然概率；所述车辆检测是利用所述混合图像模板对交通图像进行模板匹配，从而检测出车辆对象。本发明具有适应多种天气条件、一定程度的车辆变形等优点，特别是能准确检测与摄像机不同距离的车辆；可以应用于视频中车辆的检测。
【专利说明】一种基于多尺度模型的车辆检测方法【技术领域】
[0001]本发明涉及到车辆检测【技术领域】，特别涉及到一种基于多尺度模型的车辆检测方法。
【背景技术】
[0002]基于视频的车辆检测技术是智能交通系统重要的一部分，为许多应用提供车辆信息，如交通视频监控系统、驾驶辅助系统、智能车等。在交通场景中可能存在不同尺度的车辆，这是车辆检测方法的一个挑战性的问题。很多方法利用缩放车辆模型或缩放输入图像来检测不同尺度的车辆。但是在一幅交通图像中随着车辆与摄像机距离(车辆-摄像机距离)的不同，不仅车辆的尺度发生变化，车辆分辨率也发生了变化(不同分辨率下车辆特征不同)，而且更严重的是车辆外形也发生了变化(车辆某些部件随着车辆远离摄像机而逐渐不可见，如车顶等)，此时若通过缩放同一个车辆模型或缩放输入图像的方法检测车辆，将不能获取准确的检测结果。因此，针对不同的车辆-摄像机距离，研究鲁棒的车辆检测方法仍然是个挑战性的问题。本发明建立了一种基于多尺度模型的车辆检测方法，可以解决不同车辆-摄像机距离下的车辆检测问题。
【发明内容】
[0003]本发明解决的技术问题在于提供一种基于多尺度模型的车辆检测方法，可以解决不同车辆-摄像机距离下的车辆检测问题。
[0004]本发明解决上述技术问题的技术方案是:
[0005]包括多尺度模型建模、多尺度模型学习和车辆检测三个步骤；所述多尺度模型建模是利用两个以上不同的混合图像模板构建；所述的多尺度模型学习是从实际交通图像中汲取车辆图像作为训练图形，学习所述混合图像模板的边缘块、纹理块、颜色块、平整度块和图像似然概率；所述车辆检测是利用所述混合图像模板对交通图像进行模板匹配，从而检测出车辆对象。
[0006]所述的步骤SI多尺度模型建模是利用不少于两个的不同的混合图像模板ITi, i=1，2，...，N，N≥2}组成多尺度模型，T1, T2，…，Tn分别表示在不同车辆-摄像机距离下的车辆对象，T1, T2,..., Tn具有不同尺度和不同特征；
[0007]T1表示的车辆对象离摄像机的距离最近，T1包含一个或多个边缘块、纹理块、颜色块和平整度块等类型的图像块；
[0008]随i的增大，Ti表示的车辆对象离摄像机越远且车辆对象逐渐被模糊成平整区域，Ti中其他类型的图像块逐渐变为平整度块。
[0009]表示的车辆对象离摄像机最远，Tn仅包含一个或多个边缘块和平整度块。
[0010]所述的步骤S2多尺度模型学习，包括以下步骤:
[0011]步骤S2-1，从实际交通图像中截取车辆图像作为训练图像，训练图像的数量不少于I幅；[0012]步骤S2-2，利用消息映射法从所述所有训练图像中学习T1, T2，...,Tn中的所有边缘块、纹理块、颜色块、平整度块及T1, T2，...，Tn的图像似然概率。
[0013]所述的步骤S3车辆检测，包括:
[0014]利用T1, T2, , Tn对测试交通图像进行模板匹配，检测出一个或多个车辆候选者；
[0015]计算这些车辆候选者的车辆检测得分；
[0016]将这些车辆候选者的车辆检测得分与车辆检测阈值进行比较，若车辆检测得分大于等于车辆检测阈值，则相应的车辆候选者为被检测的车辆对象。
[0017]所述边缘块由特定方向的Gabor小波基元表示；所述纹理块由训练图像的局部矩形区域内的梯度直方图表示；所述颜色块由训练图像的局部矩形区域内的颜色直方图表示；所述平整度块由训练图像的局部矩形区域内一个或多个方向的Gabor滤波器的叠加响应值表示。
[0018]所述的ITi, i = 1，2，...，N，N≥2}的图像似然概率是:
[0019]
【权利要求】
1.一种基于多尺度模型的车辆检测方法，其特征在于:包括多尺度模型建模、多尺度模型学习和车辆检测三个步骤；所述多尺度模型建模是利用两个以上不同的混合图像模板构建；所述的多尺度模型学习是从实际交通图像中汲取车辆图像作为训练图形，学习所述混合图像模板的边缘块、纹理块、颜色块、平整度块和图像似然概率；所述车辆检测是利用所述混合图像模板对交通图像进行模板匹配，从而检测出车辆对象。
2.根据权利要求1所述的车辆检测方法，其特征在于: 所述的步骤SI多尺度模型建模是利用不少于两个的不同的混合图像模板ITi, i = 1，2，...，N，N≥2}组成多尺度模型，T1, T2,...,Tn分别表示在不同车辆-摄像机距离下的车辆对象，T1, T2,..., Tn具有不同尺度和不同特征； T1表示的车辆对象离摄像机的距离最近，T1包含一个或多个边缘块、纹理块、颜色块和平整度块等类型的图像块； 随i的增大，Ti表示的车辆对象离摄像机越远且车辆对象逐渐被模糊成平整区域，Ti中其他类型的图像块逐渐变为平整度块。 表示的车辆对象离摄像机最远，Tn仅包含一个或多个边缘块和平整度块。 所述的步骤S2多尺度模型学习，包括以下步骤: 步骤S2-1，从实际交通图像中截取车辆图像作为训练图像，训练图像的数量不少于I幅; 步骤S2-2，利用消息映射法从所述所有训练图像中学习T1, T2,..., Tn中的所有边缘块、纹理块、颜色块、平整度块及T1, T2，...，Tn的图像似然概率。 所述的步骤S3车辆检测，包括: 利用T1, T2, , Tn对测试交通图像进行模板匹配，检测出一个或多个车辆候选者； 计算这些车辆候选者的车辆检测得分； 将这些车辆候选者的车辆检测得分与车辆检测阈值进行比较，若车辆检测得分大于等于车辆检测阈值，则相应的车辆候选者为被检测的车辆对象。
3.根据权利要求1所述的车辆检测方法，其特征在于:所述的边缘块由特定方向的Gabor小波基元表示；所述纹理块由训练图像的局部矩形区域内的梯度直方图表示；所述颜色块由训练图像的局部矩形区域内的颜色直方图表示；所述平整度块由训练图像的局部矩形区域内一个或多个方向的Gabor滤波器的叠加响应值表示。
4.根据权利要求2所述的车辆检测方法，其特征在于:所述的边缘块由特定方向的Gabor小波基元表示；所述纹理块由训练图像的局部矩形区域内的梯度直方图表示；所述颜色块由训练图像的局部矩形区域内的颜色直方图表示；所述平整度块由训练图像的局部矩形区域内一个或多个方向的Gabor滤波器的叠加响应值表示。
5.根据权利要求1至4任一项所述的车辆检测方法，其特征在于:所述的ITi,i = 1，2，...，N，N≥2}的图像似然概率是:
6.根据权利要求1至4任一项所述的车辆检测方法，其特征在于:所述车辆检测得分为:
7.根据权利要求5所述的车辆检测方法，其特征在于:所述车辆检测得分为:
8.根据权利要求1至4任一项所述的车辆检测方法，其特征在于:所述车辆检测阈值的计算步骤是: 首先，利用T1, T2, , Tn对所有所述训练图像进行模板匹配，检测出车辆，并计算相应的车辆检测得分； 然后，利用所有所述训练图像的车辆检测得分估计车辆检测阈值。
9.根据权利要求5所述的车辆检测方法，其特征在于:所述车辆检测阈值的计算步骤是: 首先，利用T1, T2, , Tn对所有所述训练图像进行模板匹配，检测出车辆，并计算相应的车辆检测得分； 然后，利用所有所述训练图像的车辆检测得分估计车辆检测阈值。
10.根据权利要求6所述的车辆检测方法，其特征在于:所述车辆检测阈值的计算步骤是: 首先，利用T1, T2, , Tn对所有所述训练图像进行模板匹配，检测出车辆，并计算相应的车辆检测得分； 然后，利用所有所述训练图像的车辆检测得分估计车辆检测阈值。
【文档编号】G06K9/64GK103473566SQ201310379385
【公开日】2013年12月25日 申请日期:2013年8月27日 优先权日:2013年8月27日
【发明者】王飞跃, 李叶 申请人:东莞中国科学院云计算产业技术创新与育成中心, 中国科学院自动化研究所