一种基于HOG和SVM分类器的道路交叉口车辆检测方法与流程

本发明涉及图像识别以及目标检测领域，更具体的，涉及一种基于hog(梯度直方图)和svm(支持向量机)分类器的道路交叉口检测方法。

背景技术：

随着经济和社会的快速发展，我国汽车保有量显著上升，道路交通流量日益增大，交通拥堵已经成为城市管理工作中有待解决的重要问题之一。其中，绝大多数道路产生堵塞的现象源于车辆之间的冲突点，除了交通事故造成路段上的交通堵塞外，道路交叉口是车辆产生冲突点的主要出处，所以交通拥堵的根本原因在于道路交叉口，实为路口交通功能存在的交通障碍所致，而交通流量的调查正是道路交通规划与管理的重要基础之一。因此，交叉口交通流量的调查对路网的规划设计和建设管理具有重要的意义。

交通流量的调查是交通规划、建设、管理的关键环节之一，通过对道路上交通流量的调查，可以准确获得路网上交通流量，车辆构成等基本信息，为交通状况的预测和管理提供重要依据。现阶段，道路交通流量的调查主要有人工计数、地感线圈车辆检测法、雷达检测法、视频检测法等。

随着机器视觉的发展，传统的车辆检测方法逐渐被具有安装维护方便、成本低廉及灵活性高的基于计算机视觉的车辆检测方法所代替。在车辆检测领域，常用的方法主要包括：帧间差分法、背景差分法、梯度直方图法(hog)等。帧间差分法是通过比较相邻两帧或者多帧图像的差异实现对目标的检测，场景适应性较强，但对环境噪声比较敏感，依赖于连续帧的时间间隔以及车辆速度等信息；背景差分法是通过将当前帧与背景模型进行差分处理，利用差分结果将图像分为前景点和背景点，模型的好坏取决于所建模出来的背景的鲁棒性，因此对外界条件的背景区域变化较敏感；基于方向梯度图(hog)的方法是通过计算和统计图像局部区域的梯度方向直方图来构成特征描述器。

以上方法适用的交通场景有限，一般只能应用于道路某单一方向的车辆检测，或对单目标以及少数目标进行检测，并不能适用于对道路交叉口多方向车辆的检测，同时也没有考虑路口周围环境影响，包括路口渠化设施、建筑物、绿化等影响因素。

技术实现要素：

为了解决现有技术不能适用于对道路交叉口多方向车辆的车辆检测的不足，本发明提供了一种基于hog和svm分类器的道路交叉口车辆检测方法。

为实现以上发明目的，采用的技术方案是：

一种基于hog和svm分类器的道路交叉口车辆检测方法，包括以下步骤：

步骤s1.对已有的正样本及负样本图像提取hog特征,对提取后的hog特征进行svm训练，得到svm分类器；

步骤s2.获取待检测的交通场景视频，在待检测的交通场景视频中获取某帧图像，并对图像进行稳态处理；

步骤s3.对经过稳态处理后的图像标定出图像中的目标区域，并将图像分成多个图像块进行hog特征提取；

步骤s4.通过图像提取出的hog特征，利用步骤s1中的svm分类器对图像进行检测分类；

步骤s5.将图像中的目标区域以一定的角度旋转，规定最大旋转次数为m，旋转次数为m，m的初始值为1，每旋转一次，令m＝m+1，并对图像的目标区域进行hog特征提取，使用svm分类器进行分类检测；

步骤s6.判断m是否大于m；

(3)若m>m，判断识别率是否达到期望，若没有达到，将识别出的难例作为负样本输出，重新放入到svm训练器进行训练；若识别率达到期望，将获得的目标区域进行旋转逆处理得到原中心坐标，输出中心坐标及图像，并判断是否有大于车辆像素点的异常矩形框，若有，则将异常矩形框排除；

(4)若m≤m，则返回到步骤s4。

优选的，所述步骤s3中将图像分割为8×8像素的图像块。

优选的，所述步骤s3中对图像块进行hog特征提取的步骤包括计算图像梯度以及直方图，对图像梯度做归一化处理。

优选的，步骤s3中计算图像梯度以及直方图的具体步骤如下：

标准化γ空间:i(x,y)＝i(x,y)^γ，γ取为0.5，用水平边缘算子[-1,0,1]对原图像做卷积运算，得到x方向即水平方向为正方向的梯度分量gx；用垂直边缘算子[-1,0,1]^t对原图像做卷积运算，得到y方向即垂直方向为正方向的梯度分量gy；

利用以下公式，计算出像素点(x,y)处的梯度：

gx(x,y)＝h(x+1,y)-h(x-1,y)

gy(x,y)＝h(x,y+1)-h(x,y-1)

式中的gx(x,y)，gy(x,y)，h(x,y)分别表示输入图像像素点(x,y)处水平方向梯度，垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和梯度方向分别为：

对分割为8×8像素的图像块的每个单元格构建梯度直方图，即可得到局部图像区域的特征描述向量。

优选的，步骤s3中对图像梯度做归一化的具体步骤如下：

将多个邻近的cell单元格图像块组合成一个block块，然后求出其梯度方向直方图向量，采用l2-normwithhysteresisthreshold方式进行归一化处理，即将直方图向量中bin值的最大值限制为0.2以下，再重新归一化。

优选的，步骤s5中的最大旋转次数m的值为5。

与现有技术相比，本发明的有益效果是：

本发明提供的基于hog和svm分类器的道路交叉口检测方法，能够解决道路交叉口多方向车辆的目标检测，且有效处理车辆重叠、路口渠化设施、建筑物、绿化等影响因素的干扰，提高检测效率。

附图说明

图1为本发明方法的流程示意图。

图2为本发明实施例中的所选取的交叉口视图像。

图3为本发明实施例中的所截取的目标区域图。

图4(a)、(b)、(c)、(d)、(e)、(f)为旋转检测后的图像。

图5为经过多次旋转处理后的图形。

图6为误检测图像。

图7为误检测处理后的图像。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

以下结合附图和实施例对本发明做进一步的阐述。

实施例1

如图1所示，一种基于hog和svm分类器的道路交叉口车辆检测方法，包括以下步骤：

一种基于hog和svm分类器的道路交叉口车辆检测方法，包括以下步骤：

步骤s1.对已有的正样本及负样本图像提取hog特征,对提取后的hog特征进行svm训练，得到svm分类器；

步骤s2.获取待检测的交通场景视频，在待检测的交通场景视频中获取某帧图像，并对图像进行稳态处理；

步骤s3.对经过稳态处理后的图像标定出图像中的目标区域，并将图像分成多个图像块进行hog特征提取；

步骤s4.通过图像提取出的hog特征，利用步骤s1中的svm分类器对图像进行检测分类；

步骤s5.将图像中的目标区域以一定的角度旋转，规定最大旋转次数为m，旋转次数为m，m的初始值为1，每旋转一次，令m＝m+1，并对图像的目标区域进行hog特征提取，使用svm分类器进行分类检测；

步骤s6.判断m是否大于m；

(5)若m>m，判断识别率是否达到期望，若没有达到，将识别出的难例作为负样本输出，重新放入到svm训练器进行训练；若识别率达到期望，将获得的目标区域进行旋转逆处理得到原中心坐标，输出中心坐标及图像，并判断是否有大于车辆像素点的异常矩形框，若有，则将异常矩形框排除；

(6)若m≤m，则返回到步骤s4。

优选的，所述步骤s3中将图像分割为8×8像素的图像块。

优选的，所述步骤s3中对图像块进行hog特征提取的步骤包括计算图像梯度以及直方图，对图像梯度做归一化处理。

优选的，步骤s3中计算图像梯度以及直方图的具体步骤如下：

标准化γ空间:i(x,y)＝i(x,y)^γ，γ取为0.5，用水平边缘算子[-1,0,1]对原图像做卷积运算，得到x方向即水平方向为正方向的梯度分量gx；用垂直边缘算子[-1,0,1]^t对原图像做卷积运算，得到y方向即垂直方向为正方向的梯度分量gy；

利用以下公式，计算出像素点(x,y)处的梯度：

gx(x,y)＝h(x+1,y)-h(x-1,y)

gy(x,y)＝h(x,y+1)-h(x,y-1)

式中的gx(x,y)，gy(x,y)，h(x,y)分别表示输入图像像素点(x,y)处水平方向梯度，垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和梯度方向分别为：

对分割为8×8像素的图像块的每个单元格构建梯度直方图，即可得到局部图像区域的特征描述向量。

优选的，步骤s3中对图像梯度做归一化的具体步骤如下：

将多个邻近的cell单元格图像块组合成一个block块，然后求出其梯度方向直方图向量，采用l2-normwithhysteresisthreshold方式进行归一化处理，即将直方图向量中bin值的最大值限制为0.2以下，再重新归一化。

优选的，步骤s5中的最大旋转次数m的值为5。

实施例2

步骤s1:对已有的车辆正样本及负样本图像进行提取hog特征，对提取后的hog特征进行svm训练，得到svm分类器。

步骤s2:将无人机悬停在道路交叉口的正上方，对交叉口进行垂直拍摄，获得交叉口视频图像，并进行稳态处理，如图1所示。

步骤s3:在图像中通过路口的位置信息，截取出目标检测区域，本例中指交叉口检测区域。如图2所示。

其中选取包含有待检测目标的图像。

利用选取的图像，对图像分成多个图像块进行hog特征提取，具体包括以下子步骤：

步骤s3.1:标准化γ空间:i(x,y)＝i(x,y)^γ，γ取为0.5。

步骤s3.2:用水平边缘算子[-1,0,1]对原图像做卷积运算，得到x方向即水平方向为正方向的梯度分量gx；用垂直边缘算子[-1,0,1]^t对原图像做卷积运算，得到y方向即垂直方向为正方向的梯度分量gy。像素点(x,y)处的梯度幅值和梯度方向分别为：

步骤s3.3:对整幅图像中的分割为8×8像素的cell单元格，并为每个单元格构建梯度方向直方图，得到局部图像区域的特征描述向量。

步骤s4:在步骤3的基础上，用步骤2中训练后的svm分类器对图像进行检测分类，图4(a)为第一次检测的结果。

步骤s5:将步骤2中选取的图像旋转30°，进行步骤4和步骤5，重复进行6次。图4(b),图4(c),图4(d),图4(e),图4(f)分别为多次旋转检验的结果。(视频图像拍摄的目标区域为十字交叉口，车辆的的行驶角度具有多样性，为了提高正确检测率，本例选取旋转角度为30°)。

步骤s6:判断识别率是否达到对目标检测，若没有达到，将识别出的难例作为负样本输出，重新进行svm训练；若识别率达到目标检测，则将获得的目标数据进行旋转逆处理得到原中心坐标，输出中心坐标及图像，如图5所示。

其中需要说明的是，对步骤6中可能会出现对花丛的误检测，如图6所示，因为车辆像素点大小不会超过20000平方，花丛像素点远大于20000平方，将大于20000平方像素的检测框排除，结果如图7所示。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。