基于多目标跟踪与级联分类器融合的车辆检测的制作方法
【技术领域】
[0001] 本发明涉及图像处理和计算机视觉领域，具体说来，涉及一种基于多目标跟踪与 级联分类器融合的车辆检测方法。
【背景技术】
[0002] 近年来随着我国交通运输事业的蓬勃发展，智能交通系统（ITS)的研究和应用越 来越得到重视。准确、实时、完整的交通信息采集是ITS的基础，而车辆检测器则是对动态 交通信息进行实时采集的基础设施。随着软硬件技术的飞速发展，各种类型的车辆检测器 迅速崛起。主要有感应线圈检测器、磁力检测器、微波检测器、超声波检测器、红外线检测器 和视频检测器等，目前我国道路监控系统中，使用最多的是感应线圈车辆检测器、视频车辆 检测器和微波车辆检测器3种。
[0003] 感应线圈检测器是地埋型检测器，可直接提供车辆出现、车辆通过、车辆计数及车 道占有率等交通流信息。一般道路均可设置，主要应用在收费站、互通式立交前后、隧道区 段、城市道路、停车场等场合。感应线圈检测器前期投入较少、可靠性高，但维护、重新安装 困难，需封闭车道、破坏路面，从长期来看运营成本较高，这也是制约其继续快速发展的一 个致命因素。
[0004] 微波检测器是一种工作在微波频段的雷达探测器，能检测车流量、速度、车道占有 率和车型等交通流基本信息的非地埋式检测器，中心频率为10. 525GHz，工作方式为主动 型。在恶劣气候下性能出色，可全天候工作；可以侧向方式检测多车道；可检测静止的车 辆；直接检测速度。但是当道路具有铁质的分隔带时，或路侧有障碍物时检测精度下降；检 测器安装条件要求较高，侧向安装时需要后置距离；测速精度低。
[0005] 视频车辆检测技术是将视频图像处理和计算机图形识别技术相结合的新型数据 采集技术，近年来发展迅速，代表了未来交通流信息检测领域的发展方向。它是用视频摄像 机作为传感器，在视频范围内设置虚拟线圈，即检测区，车辆进入检测区时使背景灰度值发 生变化，而产生检测信号，通过软件的分析和处理，得到交通量、平均车速、占有率、排队长 度等交通参数。还可以利用计算机视觉技术对车辆进行定位、识别和追踪，并对检测对象 的交通行为进行分析和判断，最终完成各种交通流数据的采集。视频车辆检测器广泛应用 于高速公路和城市道路，目前主要应用在道路条件复杂的地段，如高速公路立交、匝道、隧 道，城市道路的交叉路口等。随着视频图像处理和计算机图形识别技术的不断提高、应用领 域的扩大以及硬件成本的降低，视频车辆检测器的总体造价随之下降，加之后期运营成本 较低，其应用范围将不断扩大。但是目前的视频检测技术中大多是单独使用前景检测技术， 使得检测的准确度受环境复杂度的影响很大，而分类器的使用在很大程度上解决了这个问 题。
【发明内容】
[0006] 本发明提供了一种基于多目标跟踪与级联分类器融合的视频车辆检测方法，本方 法可以实现准确的车辆检测。
[0007] 为了解决车辆检测准确度的问题，本发明的具体实施步骤为：
[0008] (1)分类器训练，经过CART决策树筛选的多种Haar-like特征进行训练；
[0009] (2)基于多尺度滤波的新目标检测；
[0010] 进一步，步骤（1)中选取合适比例的正负样本进行分类器训练是指：将恰当数量 的正样本和负样本从样本库中随机选取出来，然后提取正负样本的15种Haar-like特征， 通过CART决策树筛选出鲁棒的特征进行分类器训练，得到一个20级的级联分类器。
[0011] 进一步，步骤（2)中基于多尺度滤波的新目标检测是指：将视频当前帧中运动目 标检测出，然后通过对目标团块进行多尺度滤波，将过滤后的新目标添加到跟踪器。
[0012] 本发明的优点在于采用基于多目标跟踪与级联分类器融合的车辆检测方法，该方 法在跟踪到当前帧中所有目标后增加了分类器判定，从而在提高了检测的精确度。另外本 方法的算法复杂度比较低，能更好的适应目前计算机视觉系统的应用。
【附图说明】
[0013] 图1为本发明实施例的实施流程示意图；
[0014] 图2为正样本实例图；
[0015] 图3为负样本实例图；
[0016] 图4为需要提取的特征模式图；
[0017] 图5为计算特征示例图；
[0018] 图6为RAST(X，y)的定义图
[0019]图7为旋转45°的矩形正负权值划分示例图
[0020] 图8为训练分类器第一级示例图；
[0021] 图9为检测结果示例图；
【具体实施方式】
[0022] 为了更好的说明本发明，以下参照附图和实施例对本发明的具体实施做进一步详 细的描述。
[0023] 如图1所示，本发明的具体实施步骤为：
[0024] (1)基于经过CART决策树筛选的多种Haar-like特征进行训练。
[0025] 首先建立正负样本库（如图1，2所示）的描述文件，Postive.vec和Negtive.dat。 文件中每一行存储一张图片的检索信息，依次为图像块名称，图像块在原始图像的起始位 置坐标（left-top)，图像块的高和宽。
[0026] 描述文件建立完成后，进行的是图像块haar特征提取，特征模式如图4所示，一共 包含15种。其中黑色区域的权值为负，白色区域的权值为正。为了提高计算效率，我们使 用积分图像来计算图像块的特征值。下面分别介绍计算竖直矩阵型和旋转45°的矩形特征 值的计算过程。
[0027] 竖直特征值的计算过程：图5为图像的积分图像，则A区域的像素值（记为PixA)， B区域的像素值（记为PixB)。
[0028]
[0029] 旋转45°的矩形特征值的计算过程：图6为RSAT(x，y)的定义图，图7为旋转45° 的矩形正负权值划分示例图。
[0030]
[0031] 将提取出加了标签的特征输入到分类器中进行训练，训练过程参数设置mstage =20,npos= 1000,nneg= 3000,w= 40,h= 40，其他参数均适用默认值。最终训练出 准确率为95. 4%的20级分类器，图8为第一级训练过程。
[0032] (2)基于多尺度滤波的新目标检测。
[0033] 前景检测主要是通过背景建模的方法实现的，这里我们使用的是GMM背景建模。 团块检测核心部分是新团块检测：首先从前景图像中检测出所有团块，然后将较小的团块 (可能是由噪声引起的）和与已经被跟踪团块有重叠的团块丢弃，并对剩余的团块按照大 小顺序排列，只保留其中几个比较大的团块（默认为10)。最后利用多尺度滤波规则筛选， 只有在筛选中有返回RECT结果的目标团块才是符合标准的团块，将真正的新团块保存到 团块列表中。此时完成新目标检测的任务，将新目标添加到跟踪器，进行后续处理，最终的 检测结果如图9所示。
[0034] 本实施例是在配置为3. 60GHzIntel(R)Xeon(R)E5-1620CPU和8G内存的计算机 中采用C++编程实现的，每秒处理21帧640*480的图像并且检测准确率达到92. 6%。
【主权项】
1. 一种基于多目标跟踪与级联分类器融合的车辆检测方法，其特征在于该方法的具体 步骤为： 步骤（1)，分类器训练，经过CART决策树筛选的多种化ar-like特征进行训练； 步骤（2)，基于多尺度滤波的新目标检测。2. 根据权利1所述的基于多目标跟踪与级联分类器融合的车辆检测方法，其特征在于 步骤（1)中分类器训练，基于多种经过CART决策树筛选的化ar-like特征进行训练，具体 步骤如下： S2. 1 :建立正负样本描述文件。 52. 2 :根据公式（1) (2)提取样本的15种haar-like特征，并进行分类器训练。公式中PiXA和Pixe分别为区域A和区域B的像素值，iim表示积分图像块顶点的值，feaUire是特征值。RSAT(x，y)为点（x，y)左上角45°区域和左下角45°区域的像素和，计算旋转45° 的矩形特征值就是计算位于十字行矩形RSAT(X，y)之差。3. 根据权利1所述的基于多目标跟踪与级联分类器融合的车辆检测方法，其特征在于 步骤（3)中基于多尺度滤波的新目标检测，具体步骤如下： 53. 1 :建立背景模型进行前景检测。 S3. 2 :根据检测出的前景进行新团块检测。 S3. 3 :根据S3. 1和S3. 2中的前景图像，将前景团块进行多尺度窗口滤波，窗口最小尺 度为团块宽高的1/2,最大为团块大小，窗口的尺度变换为1. 1。 S3. 4 :将通过过滤的团块标定位新目标添加到跟踪器。
【专利摘要】本发明公开了一种基于多目标跟踪与级联分类器融合的车辆检测方法，其具体实施步骤如下：提取样本的15种Haar-like特征并进行筛选，设置分类器训练参数进行分类器训练；进行基于多尺度滤波的新目标检测并进行目标跟踪；本发明提供的车辆检测方法具有检测精确度高，处理速度快的优点。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105205500
【申请号】CN201510633007
【发明人】黄治同, 张雪, 纪越峰
【申请人】北京邮电大学
【公开日】2015年12月30日
【申请日】2015年9月29日