视频监控多视角车辆检测方法和装置制造方法
【专利摘要】本发明公开了一种视频监控多视角车辆检测方法和装置，所述方法包括：基于图像样本的梯度通道特征和LUV通道特征，通过Adaboost训练算法进行训练，得到多个检测尺度对应的树状级联Adaboost分类器，所述树状级联Adaboost分类器包括多个级联分类器分支，每一级联分类器分支用于检测图像中预设视角范围内的车辆目标；输入待检测的视频图像；根据待检测的视频图像的梯度通道特征和LUV通道特征，用所述多个检测尺度对应的树状级联Adaboost分类器对输入的所述视频图像进行识别，得到每个检测尺度对应的视频图像中的车辆目标检测结果；合并多个检测尺度对应的树状级联Adaboost分类器的车辆目标检测结果。应用本发明技术方案，能够提高目标检测的准确性以及提高处理效率。
【专利说明】视频监控多视角车辆检测方法和装置
【技术领域】
[0001]本发明涉及视频监控【技术领域】，特别是涉及一种视频监控多视角车辆检测方法和
>J-U ρ?α装直。
【背景技术】
[0002]在交通视频监控中，多视角车辆检测是一项重要的任务，其目标是检测出所有视角所有类型的车辆，例如识别出和车正面、背面相差一定角度的车辆。
[0003]目前，单视角车辆检测已经比较成熟，而多视角车辆检测，由于车型不同视角的外观差别较大，检测的准确率比较低，同时在传统的检测技术中，需要对图像进行多次缩放，因此处理的效率不高。
【发明内容】
[0004]基于此，有必要提供一种视频监控多视角车辆检测方法和装置，能够提高多视角车辆检测的准确率，提高处理的效率。
[0005]一种视频监控多视角车辆检测方法，所述方法包括: [0006]基于图像样本的梯度通道特征和LUV通道特征，通过Adaboost训练算法进行训练，得到多个检测尺度对应的树状级联Adaboost分类器，所述树状级联Adaboost分类器包括多个级联分类器分支，每一级联分类器分支用于检测图像中预设视角范围内的车辆目标；
[0007]输入待检测的视频图像；
[0008]根据待检测的视频图像的梯度通道特征和LUV通道特征，用所述多个检测尺度对应的树状级联Adaboost分类器对输入的所述视频图像进行识别，得到每个检测尺度对应的视频图像中的车辆目标检测结果；
[0009]合并多个检测尺度对应的树状级联Adaboost分类器的车辆目标检测结果。
[0010]在其中一个实施例中，所述基于图像样本的梯度通道特征和LUV通道特征，通过Adaboost训练算法进行训练的步骤包括:
[0011]输入包含预设视角范围内的车辆目标的图像样本；
[0012]提取所述图像样本的梯度通道特征和LUV通道特征；
[0013]基于所述梯度通道特征和所述LUV通道特征，采用Adaboost训练算法进行训练，得到对应于所述预设视角范围的级联分类器分支。
[0014]在其中一个实施例中，所述提取图像样本的梯度通道特征和提取图像样本的LUV通道特征的步骤包括分别在图像的RGB空间以及LUV空间执行下列步骤:
[0015]对图像进行平滑；
[0016]计算图像中像素点(x，y)的图像值在图像宽度方向的导数dx，以及图像中像素点(x，y)的图像值在图像高度方向的导数dy，其中X为像素点在图像宽度方向坐标，y为像素点图像高度方向坐标；[0017]以公式
【权利要求】
1.一种视频监控多视角车辆检测方法，所述方法包括: 基于图像样本的梯度通道特征和LUV通道特征，通过Adaboost训练算法进行训练，得到多个检测尺度对应的树状级联Adaboost分类器，所述树状级联Adaboost分类器包括多个级联分类器分支，每一级联分类器分支用于检测图像中预设视角范围内的车辆目标； 输入待检测的视频图像； 根据待检测的视频图像的梯度通道特征和LUV通道特征，用所述多个检测尺度对应的树状级联Adaboost分类器对输入的所述视频图像进行识别，得到每个检测尺度对应的视频图像中的车辆目标检测结果； 合并多个检测尺度对应的树状级联Adaboost分类器的车辆目标检测结果。
2.根据权利要求1所述的方法，其特征在于，所述基于图像样本的梯度通道特征和LUV通道特征，通过Adaboost训练算法进行训练的步骤包括: 输入包含预设视角范围内的车辆目标的图像样本； 提取所述图像样本的梯度通道特征和LUV通道特征； 基于所述梯度通道特征和所述LUV通道特征，采用Adaboost训练算法进行训练，得到对应于所述预设视角范围的级联分类器分支。
3.根据权利要求2所述的方法，其 特征在于，所述提取图像样本的梯度通道特征和提取图像样本的LUV通道特征的步骤包括分别在图像的RGB空间以及LUV空间执行下列步骤: 对图像进行平滑； 计算图像中像素点(x，y)的图像值在图像宽度方向的导数dx，以及图像中像素点(x，y)的图像值在图像高度方向的导数dy，其中X为像素点在图像宽度方向坐标，y为像素点图像高度方向坐标； 以公式iki = (dx)2 + (φ)2计算图像中像素点(x，y)对应的梯度模M，由各像素点的梯度模M作为图像值得到梯度模图像M(x，y)； 将-90度至90度范围的梯度方向分为6个方向，每个方向30度，每个方向对应一梯度方向图像P以公式计算图像中像素点(x，y)对应的梯度方向Θ，若Θ位于第j个方向，则第j个方向对应的梯度方向图像(Pj (λ.,>')以公式^ φ} (x,y) = M(Xy)计算图像值，其中j<6，为整数； 计算梯度模图像M (X，y)、梯度方向图像V, (U)对应的通道积分图像Ii (X，y)，通道积分图像Ii (X，y)在(X，y)处的图像值为通道积分图像IiU, y)对应的梯度模图像M(x，y)或梯度方向图像A(U)位于U，y)处左上角所有图像值的累加，其中I≤j≤6，1≤i≤7，为整数； 以公式F (i, X，y, W，h) =a+d-b_c计算通道积分图像Ii (x, y)对应的梯度通道特征F (i, X，y, W，h),其中 a=^ (x, y)，b=^ (x+w, y)，C=Ii (x, y+h)，(I=Ii (x+w, y+h), I ≤ i ≤ 7, w 取值为I至预设的检测宽度，h取值为I至预设的检测高度。
4.根据权利要求1或2所述的方法，其特征在于，所述树状级联Adaboost分类器包括η级分类器，η大于1，为整数； 第一级分类器用于检测与车辆中轴线相差45度视角范围内的车辆目标； 当η≥大于等于2时，所述树状级联Adaboost分类器包括第一级联分类器分支、第二级联分类器分支和第三级联分类器分支，所述第一级联分类器分支用于检测与车辆中轴线相差15度视角范围内的车辆目标，所述第二级联分类器分支用于检测与车辆中轴线相差15至30度视角范围内的车辆目标，所述第三级联分类器分支用于检测与车辆中轴线相差30至45度视角范围内的车辆目标。
5.根据权利要求1所述的方法，其特征在于，在所述合并多个检测尺度对应的树状级联Adaboost分类器的车辆目标检测结果的步骤之后，还包括对所述车辆目标检测结果进行非最大抑制。
6.一种视频监控多视角车辆检测装置，其特征在于，所述装置包括: 输入模块，用于输入图像样本和待检测的视频图像； 训练模块，用于基于图像样本的梯度通道特征和LUV通道特征，通过Adaboost训练算法进行训练，得到多个检测尺度对应的树状级联Adaboost分类器，所述树状级联Adaboost分类器包括多个级联分类器分支，每一级联分类器分支用于检测图像中预设视角范围内的车辆目标； 检测模块，用于根据待检测的视频图像的梯度通道特征和LUV通道特征，用所述多个检测尺度对应的树状级联Adaboost分类器对输入的所述视频图像进行识别，得到每个检测尺度对应的视频图像中的车辆目标检测结果； 结果输出模块，用于合并多个检测尺度对应的树状级联Adaboost分类器的车辆目标检测结果。
7.根据权利要求6所述的装置，其特征在于，所述训练模块用于接收输入的包含预设视角范围内的车辆目标的图像样本；以及提取所述图像样本的梯度通道特征和LUV通道特征；以及基于所述梯度通道特征和所述LUV通道特征，采用Adaboost训练算法进行训练，得到对应于所述预设视角范围的级联分类器分支。
8.根据权利要求7所述的装置，其特征在于，所述训练模块用于分别在图像的RGB空间以及LUV空间，对图像进行平滑；以及计算图像中像素点(x，y)的图像值在图像宽度方向的导数dx，以及图像中像素点(x，y)的图像值在图像高度方向的导数dy，其中X为像素点在图像宽度方向坐标，y为像素点图像高度方向坐标；以及以公式
9.根据权利要求6或7所述的装置，其特征在于，所述树状级联Adaboost分类器包括η级分类器，η大于1，为整数； 第一级分类器用于检测与车辆中轴线相差45度视角范围内的车辆目标； 当η≤大于等于2时，所述树状级联Adaboost分类器包括第一级联分类器分支、第二级联分类器分支和第三级联分类器分支，所述第一级联分类器分支用于检测与车辆中轴线相差15度视角范围内的车辆目标，所述第二级联分类器分支用于检测与车辆中轴线相差15至30度视角范围内的车辆目标，所述第三级联分类器分支用于检测与车辆中轴线相差30至45度视角范围内的车辆目标。
10.根据权利要求6所述的装置，其特征在于，所述结果输出模块用于对所述车辆目标检测结果进行非最大抑制。
【文档编号】G06K9/66GK103514460SQ201310326911
【公开日】2014年1月15日 申请日期:2013年7月30日 优先权日:2013年7月30日
【发明者】雷明 申请人:深圳市智美达科技有限公司