专利名称：一种基于Haar和HoG特征的前车检测方法
技术领域：
本发明属于模式识别领域，涉及汽车主动安全领域，具体的涉及ー种基于Haar和HoG特征的前车检测方法。
背景技术：
伴随着城市化的进展和汽车的普及，交通事故的发生剧增，并造成了大量的人员伤害和经济损失。如何保障好车辆在公路上的安全、快速的行驶，避免追尾等交通事故的发生，成为汽车领域的重要课题。汽车主动安全的概念应运而生，而道路上的前车检测已成为汽车主动安全研究的一个热点。
目前，常用的前车检测方法主要包括基于特征的方法和基于模型的方法两大类。基于特征的方法又称为基于知识的方法，它是运动车辆检测最常用的方法，通过对车辆局部或整体某些特征的确认来检测车辆。前方运动车辆在视觉图像中表现出ー些明显的特征，主要包括形状特征，例如车辆尾部形状大体呈矩形，并且满足一定的长宽比例；边界特征，例如后车厢底部及车底阴影的水平线、车辆尾部左右两侧的竖直边界；対称性特征以及位置特征等。但是直接利用以上列出的一种或几种特征去检测前方运动车辆，很容易受到道路、天空、树木等周围环境因素的影响，容易造成车辆的误检和漏检。基于模型的方法就是为车辆建立ニ维或三维模型，通过在图像中进行模型匹配来实现运动车辆的检测。但由于车型多种多样，车辆的姿态在行驶过程中也会发生改变，从而使车辆表现出各种不同的形状，很难建立统ー的模型来对其进行描述。同时，基于模型的检测方法对车辆模型的依赖性过大，一旦模型匹配失败则无法正确识别出运动车辆，而建立精细的车辆模型虽可以提高匹配的精度，但势必造成匹配过程中计算量的成倍増加，难以满足实时性的要求。因此，研究一种实时性好、鲁棒性高的道路前车检测方法，对保障车辆安全行驶，保护人身和财产的安全有着积极的影响。
发明内容
为克服现有技术中的不足，本发明g在提供一种基于Haar和HoG特征的前车检测方法。该方法对道路前方车辆局部遮挡，光照变化具有很强的鲁棒性。为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现
一种基于Haar和HoG特征的前车检测方法，其包括以下步骤
步骤I)人工选取出大量车辆图片和非车辆图片作为训练集的正、负样本，并将正、负样本规格化到24 X 24像素下；
步骤2)使用Haar特征和HoG特征分别对规格化后的每一幅正、负样本进行表征，形成特征向量；步骤3)针对Haar特征和HoG特征形成的两种特征向量分别构建弱分类器；
步骤4)利用级联的Adaboost算法对弱分类器进行训练，得到级联车辆强分类器；步骤5)针对车载摄像头获得的前方道路视频图像，将其中各种尺寸、各种位置的子图像输入级联车辆强分类器中进行判断，将判断为车辆的子图像所在判断为前方车辆。与现有技术相比，本发明具有以下有益效果
本发明是一种实时性好、鲁棒性高的道路前车检测方法，对保障车辆安全行驶，保护人身和财产的安全有着积极的影响。上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式
由以下实施例及其附图详细给出。
此处所说明的附图用来提供对本发明的进ー步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中
图I是本发明基于Haar和HoG特征的前车检测方法的系统的结构示意图。图2是本发明基于Haar和HoG特征的前车检测方法流程图。
具体实施例方式下面将參考附图并结合实施例，来详细说明本发明。參见图I所示为ー种基于Haar和HoG特征的前车检测系统，将车载摄像机B捕捉到的道路区域C的视频图像送入到嵌入式车辆检测仪A，嵌入式车辆检测仪A利用本发明基于Haar和HoG特征的前车检测方法所训练的级联的车辆强分类器来实时的对车辆进行检測。如果检测到前方道路上有车辆，将在车载显示屏上用ー个正方形白框实时标出。參见图2所示，一种基于Haar和HoG特征的前车检测方法，其包括以下步骤 步骤I)人工选取出大量车辆图片和非车辆图片作为训练集的正、负样本，并将正、负
样本规格化到24 X 24像素下；
步骤2)使用Haar特征和HoG特征分别对规格化后的每一幅正、负样本进行表征，形成特征向量；
步骤3)针对Haar特征和HoG特征形成的两种特征向量分别构建弱分类器；
步骤4)利用级联的Adaboost算法对弱分类器进行训练，得到级联车辆强分类器；步骤5)针对车载摄像头获得的前方道路视频图像，将其中各种尺寸、各种位置的子图像输入级联车辆强分类器中进行判断，将判断为车辆的子图像所在判断为前方车辆。具体的包括以下实施步骤
O车辆和非车辆正负样本选取
使用车载摄像头拍摄并储存大量道路视频。拍摄条件包括各个时段和天气条件，如中午、傍晚、睛天、雾天以及雨天等。在这些视频中，人工截取出其中位于前方的车辆。截取出的车辆图片为正方形作为正样本，其中车辆中心位于图片正中车辆左右外边缘位于图片左右两侧。负样本的选取和正样本相类似，在道路视频中，人工截取出其中不是车辆的部分，如道路、天空、建筑物、行人以及交通标志等。截取出的非车辆图片仍然为正方形作为负样本。正负样本图片都被统ー规格化到24X24像素。本实施例中，共选取正样本3014个，负样本8319个。2)使用Haar特征对图像进行表征
Haar特征是一种在模式识别中使用的数字图像特征。它因为和Haar小波的形式相似性而被命名Haar特征。Haar特征最早由Papageorgiou在文章〃 A general framework forobject detection〃提出。ー个最基本的矩形Haar特征定义为ー个矩形区域内两类子区域的像素和之差，这两类子区域分别是矩形的左右部分，大小为矩形的一半。某个Haar特征计算公式为
=(I)
PMPfiB
公式(I)中,分别表示两类子区域,巧表示矩形区域内某个点,/(XjO表示图像中坐标为(X1J)点.Pi的灰度值。Viola和Jones对基本特征的基础上进行了扩展，提出了由3个和4个相邻矩形组成的Haar特征。在此基础上，Lienhart和Maydt提出了可旋转Haar特征，将原有特征扩展到45度方向。利用公式(I)直接对一幅图像所有Haar特征进行计算，计算量大。对此，Viola和Jones还提出了ー个快速计算方法。对应任意一幅需要计算的图像，他们建立了ー个和该图像尺寸一致的积分图像。该积分图像的任意ー个元素值等于原始图像位于该元素相同位置左上部分所有像素点灰度值之和。通过积分图，原始图像任意矩形区域内的像素点灰度值之和就可以表示为积分图中4个元素之间的代数关系。可以用下式表示(2)
公式(2)中，sum表示某个矩形区域的像素点灰度值之和，表示该矩形区域四个角点在积分图上对应相同坐标的元素点的值。这样，ー个基本的由两个矩形构成的Haar特征只需要使用6个点，而ー个三矩形Haar特征只需要使用8个点，大大节省了计算量。任ー个形式、尺度和位置确定的Haar特征在样本图像上的数学表现形式就是ー个数值，而一幅样本图像可提取多种形式、尺度和位置的Haar特征。本实施例中，每ー个24X24像素的样本都有形成ー个87941维的Haar特征向量。3)使用HoG特征对图像进行表征
方向梯度直方图(HoG :Histogram of oriented gradient)描述子是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，由Navneet Dalal和Bill Triggs提出。此方法使用了图像的本身的梯度方向特征。此方法类似于边缘方向直方图方法，SIFT描述子，但其特征在于其在在一个网格密集的大小统ー的方格単元上计算，而且为了提高精确度使用了重叠的局部对比度归ー化的方法。方向梯度直方图描述子的核心思想是一幅图像中的物体的表象和形状可以被梯度或边缘的方向密度分布很好地描述。其实现方法是先将图像分成小的称为方格单元的连通区域；然后采集方格単元中各像素点的梯度方向或边缘方向直方图；最后把这些直方图组合起来就可以构成特征描述子。为了提高精确度，还可以把这些局部直方图在图像的更大的区块(block)中进行对比度归ー化，此方法通过先计算各直方图在这个区块中的密度，然后根据这个密度值对区块中的各个方格单元(cell)做归ー化。通过这个归ー化后，能对光照变化和阴影获得更好的稳定性。
与其他的特征描述方法相比，HoG描述子有很多优点。首先，由于HoG方法是在图像的局部方格単元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归ー化等条件下，只要车辆大体上能够保持一定的姿势，可以容许车辆有ー些细微的姿态 改变，这些细微的姿态改变可以被忽略而不影响检测效果。本实施例中使用的HoG特征具体计算步骤如下
步骤I :计算梯度值。采用通常用的方法，将ー个一维的离散的梯度模版分别应用在水
平和垂直方向上去。可以使用如下的卷积核进行卷积:或者H O,if。步骤2:建立单元直方图。每个单元内的每个像素对方向直方图进行投票。每个单元的形状可以是矩形或圆形的，方向直方图的方向取值可以是0-180度或者0-360度。实验发现，把方向分为4个通道效果最好。投票的权重可以是梯度的幅度或者是它的函数。在实际测试中，梯度幅度本身通常效果较好。步骤3 :将单元集结成更大、在空间上连结的区块。HOG描述符是归ー化方格直方图的元素的向量，直方图由所有区块的区域构成。这些区块通常会重叠，意味着每个单元不只一次影响了最后的描述符。通常使用两个主要的区块ー种是矩形的R-HoG区块，另ー种是圆形的C-HoG区块。基于车辆多呈现矩形的特点，本发明采用矩形的R-HoG区块。步骤4 :将梯度強度局部的归ー化。令f表示某个区块未归ー化的含有所有直方图信息的向量，归ー化算子为其中，为ー个微小值，解决归ー化算子中分母为零时的问题。本发明采用的直方图统计区域为比例是1X1、2X1、1X2的矩形区域，尺度大小分别是，通道数是4。这样，每个24X 24的样本共产生2873个HoG特征，每个特征的维数是4。例如，图4给出了ー个比例是2X1，尺度是4的HoG特征。4)构建弱分类器
①Haar判别特征弱分类器
式中，是Haar特征/的绝对值, 是阈值。对于任何一个特征/, Adaboost算法将决
定ー个具有最少分类错误的最优的阈值。②HOG生成特征弱分类器
与Haar特征的判别分类器不一样，基于正样本(车辆)的生成分类器将被用于HOG特征。正样本直方图的中位数被认为是车辆模型，其中P是训练集中正样本个数。该生成分类器通过计算待判断图像直方图与车辆模型直方图胃I之间的距离作为判断依据，如下
式中，id觸P是A,,和·Wj的巴氏距离 層,·，氣是j特征的最优阈值。5)使用Adaboost算法训练车辆分类器
Adaboost算法由Yoav Freund和Robert Schapire提出，是一种机器学习的算法。它能够将数个弱分类器构成ー个强分类器。ー个二分类的Adaboost算法可以表述如下
①对于个样本(I1J1),…,(XxJ8),X1 € I€(CU},其中ろ表示样本的特征向量；
②针对，初始化权值Wli= 和ι/a,其中·和I分别是正负样本个数；③迭代
(a)归ー化权重
(b)对于每一个特征，只用该特征训练ー个分类器^^,其分类误差用2*/表示
(C)找出分类误差最小的一个分类器，其误差为 (d)更新权重
其中当被正确分类时，ち=O。反之’ち=O。ル！^。④输出强分类器
其中
6)带约束的级联算法
级联算法被证明是ー个快速、有效的检测算法。最終的分类器是由数个强分类器级联而成，而每ー个强分类器都是由Adaboost训练得到。不同于以往的以最大特征数作为强分类器迭代停止依据，本实施例采用另外两个參数最小允许检测率和最大允许误检率。当每ー级的强分类器的和JFiae都达到训练前的设定值时，该级训练即完成。下ー级的
训练负样本!/|+1将从该级中被错误分类的负样本中产生。在级联分类器的较早的几级强分类器，往往使用较少的特征就能区分较多正负样本，或者说剔除掉较多的“简单”的负样本。随着级数的増加，强分类器将需要的特征数目将会逐级增加。除此之外，每ー级中训练特征的增加数和检测率的增长率并不成线性关系，而是呈指数递减。因此，综合考虑检测率和检测时间，本实施例使用ー个上限函数/(I；)来约束每一級/的使用特征的数目，其中I是级数。当第I级的Adaboost强分类器使用的特征数T5i到达/00吋，即使·和没有达到事先设定的值也停止训练，并进行第￡+I级的训练。然后将Adaboost算法形成的强分类器进行级联，即得到ー个良好的进行车辆和非车辆判别的级联车辆强分类器。7)前方车辆检测
车载摄像头放置于车辆后视镜上，镜头朝向车辆行驶前方方向。使用车载摄像头获得前方道路ー帧图像，其分辨率为720X576。新建ー个搜索窗ロ，窗ロ的大小为24X24的倍，。不同尺寸的搜索窗ロ由图像的左上部分至右下部分依次移动，每移动一次，就将搜索窗ロ内的图像选取并归ー化到24X24像素。将归ー化后的图像用Haar和HoG特征进行表征，并将表征后的特征向量输入到级联车辆分类器。如果级联车辆分类器的输出是1，则表示该搜索窗口内图像为车辆图像，反之则不是。至此，就完成了前车的检測。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
权利要求
1.一种基于Haar和HoG特征的前车检测方法，其特征在于，包括以下步骤 步骤I)人工选取出大量车辆图片和非车辆图片作为训练集的正、负样本，并将正、负样本规格化到24 X 24像素下； 步骤2)使用Haar特征和HoG特征分别对规格化后的每一幅正、负样本进行表征，形成特征向量； 步骤3)针对Haar特征和HoG特征形成的两种特征向量分别构建弱分类器； 步骤4)利用级联的Adaboost算法对弱分类器进行训练，得到级联车辆强分类器；步骤5)针对车载摄像头获得的前方道路视频图像，将其中各种尺寸、各种位置的子图像输入级联车辆强分类器中进行判断，将判断为车辆的子图像所在判断为前方车辆。
2.根据权利要求I所述的基于Haar和HoG特征的前车检测方法，其特征在干，步骤I的具体方法如下使用车载摄像头在各个时段和天气条件下拍摄并储存大量道路视频；在这些视频中，人工截取出位于前方的车辆，截取出的车辆图片为正方形作为正样本，其中车辆中心位于图片正中车辆左右外边缘位于图片左右两侧；人工截取出其中不是车辆的部分，截取出的非车辆图片任然为正方形作为负样本；正、负样本图片都被统ー规格化到24X24像素。
3.根据权利要求I基于Haar和HoG特征的前车检测方法，其特征在干，步骤4的具体方法如下 每ー个弱分类器通过Adaboost算法训练得到ー个强分类器，然后采用最小允许检测率
4.根据权利要求I或2或3所述的基于Haar和HoG特征的前车检测方法，其特征在于，步骤5的具体方法如下车载摄像头放置于车辆后视镜上，镜头朝向车辆行驶前方方向；使用车载摄像头获得前方道路ー帧图像，其分辨率为720X576 ;新建ー个搜索窗ロ，窗ロ的大小为24X24的
全文摘要
本发明公开了一种基于Haar和HoG特征的前车检测方法1)人工选取出大量车辆图片和非车辆图片作为训练集的正、负样本，并将正、负样本规格化到24×24像素下；2)使用Haar特征和HoG特征分别对规格化后的每一幅正、负样本进行表征，形成特征向量；3)针对Haar特征和HoG特征形成的两种特征向量分别构建弱分类器；4)利用级联的Adaboost算法对弱分类器进行训练，得到级联车辆强分类器；5)针对车载摄像头获得的前方道路视频图像，将其中各种尺寸、各种位置的子图像输入级联车辆强分类器中进行判断，将判断为车辆的子图像所在判断为前方车辆。本发明是一种实时性好、鲁棒性高的道路前车检测方法，对保障车辆安全行驶，保护人身和财产的安全有着积极的影响。
文档编号G06K9/00GK102855500SQ20111017516
公开日2013年1月2日 申请日期2011年6月27日 优先权日2011年6月27日
发明者张为公, 蔡英凤, 王海, 林国余, 王东 申请人:东南大学