车辆检测方法及装置制造方法
【专利摘要】本发明涉及车辆检测方法和装置，其中方法包括：对输入的待检测图像，利用FAST特征提取特征点；将提取出的特征点作为初始中心点，根据聚类算法确定出最终的一个或多个聚类中心点；根据预定区域范围，以每个聚类中心点为中心得到相应的区域，该区域对应检测出的车辆的区域。由于FAST特征点检测是公认的比较快速的特征点检测方法，从而可降低检测所消耗的时间，使得能够快速确定出可能存在车辆的区域。此外，在快速确定出可能存在车辆的区域的前提下，再区分车辆朝向方向、并检测每个角度下的图像数据是否存在车辆，由此进行精确的车辆检测，从而实现了对多角度车辆检测的快速而准确的检测。
【专利说明】车辆检测方法及装置
【技术领域】
[0001] 本发明涉及视频监控技术和智能交通【技术领域】，具体涉及一种车辆检测方法与装 置。
【背景技术】
[0002] 车辆检测是智能交通视频监控的一个重要研究方向。目前关于车辆检测的研究 中，所检测的车辆多数为前面或者后面的视角，这种单视角车辆检测已经比较成熟。然而车 辆的本身表现以及车辆在不同角度的表现有很大的不同，例如，车辆斜对着摄像头的特征 点相对于车辆正对摄像头的特征点通常会发生变化，导致使用单视角车辆检测的方法不适 用于多视角车辆检测，使得检测的准确率比较低。此外，快速而准确地检测出目标是许多应 用的基础，其中最关键的第一步是特征点检测，然而，目前的检测算法中在特征点检测中比 较耗时，降低了检测效率。
【发明内容】
[0003] 本发明提供一种快速的适用于多视角车辆检测的方法和装置。
[0004] 根据本发明的第一方面，本发明提供一种车辆检测方法，包括：对输入的待检测图 像，利用基于加速分割检测特征FAST提取特征点；将提取出的特征点作为初始中心点，根 据聚类算法确定出最终的一个或多个聚类中心点；根据预定区域范围，以每个所述聚类中 心点为中心得到相应的区域，该区域对应检测出的车辆的区域。此外，基于该方法，本发明 还提供了一种车辆检测装置。
[0005] 根据该第一方面，本发明通过基于FAST进行特征点检测，并利用聚类算法确定出 可能存在车辆的区域，由于FAST特征点检测是公认的比较快速的特征点检测方法，从而可 降低检测所消耗的时间，使得能够快速确定出可能存在车辆的区域。
[0006] 根据本发明的第二方面，本发明提供一种车辆检测方法，包括：粗检测步骤：对于 输入的待检测图像，利用基于加速分割检测特征FAST提取特征点，将提取出的特征点作为 初始中心点，根据聚类算法确定出最终的一个或多个聚类中心点，以每个所述聚类中心点 为中心并根据预定区域范围得到相应的区域，该区域为可能存在车辆的区域；角度分类步 骤：利用预先训练的多个角度分类器对所有所述可能存在车辆的区域进行车辆朝向的判 断，得到所述可能存在车辆的区域的车辆朝向角度信息；级联检测步骤：对每个含有车辆 朝向角度信息的可能存在车辆的区域，根据其角度信息选择对应的预先训练的级联分类器 进行检测以确定是否包含车辆。此外，基于该方法，本发明还提供了一种车辆检测装置。
[0007] 根据该第二方面，本发明通过先进行粗检测以快速确定出可能存在车辆的区域， 提高了检测速度，然后再区分车辆朝向方向、并检测每个角度下的图像数据是否存在车辆， 由此进行精确的车辆检测，从而实现了对多角度车辆检测的快速而准确的检测。
【专利附图】
【附图说明】
[0008] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，其中相同参考标号表示相同部分。
[0009] 图1为本发明一种实施例的车辆检测方法的流程示意图； 图2为本发明一种实施例的车辆检测方法中采用聚类算法后得到的示意图； 图3为本发明另一种实施例的车辆检测方法的流程示意图； 图4为一种举例中特征点及其邻域的示意图。
【具体实施方式】
[0010] 下面通过【具体实施方式】结合附图对本发明作进一步详细说明。
[0011] [实施例1] 如图1所示，本实施例提供了一种车辆检测方法，包括如下步骤S101~S105。
[0012] 步骤 S101 :对输入的待检测图像，利用 FAST (Features From Accelerated Segment Test，基于加速分割检测特征）提取特征点。
[0013] 在该步骤中，输入的待检测图像可以来自监控视频中每一帧视频图像，该视频图 像可以经过例如转化后为灰度图像。其中监控视频为利用安装在道路上方或路侧的静态摄 像机产生。
[0014] FAST特征点检测只利用周围像素比较的信息就可以得到特征点。一般地，其检测 候选特征点周围一圈的像素值，如果候选特征点周围邻域内有足够多的像素点与该候选特 征点的灰度值差别勾搭，则认为该候选特征点为一个特征点，可以用数学表达式表示为： Ν= Σ |l(x)-I(p) |> ε d 其中，I (P)为圆心P的灰度，I (X)为圆周上任一点X的灰度，ε d为灰度值差的阈值， 如果N大于该阈值ed，则认为p为特征点。本实施例中该阈值％为预设的经验值，也可 以通过计算的方式给出，其它实施例中将对采用计算的方式进行描述，这里不作详述。
[0015] 步骤S103 :将提取出的特征点作为初始中心点，根据聚类算法确定出最终的一个 或多个聚类中心点。
[0016] 在该步骤中，采用已知的聚类算法进行聚类找出最优的类中心点。一种具体实现 中，聚类算法为K-Mean聚类算法；另一种具体实现中，可以先进行层次聚类再进行K-Mean 聚类。如图2所示，图示中的矩形小方框框中的点为确定出的聚类中心点。
[0017] 步骤S105 :根据预定区域范围，以每个聚类中心点为中心得到相应的区域，该区 域对应检测出的车辆的区域。
[0018] 在本步骤中，以每个聚类中心点为中心，根据中心点的对称性并按照预定区域范 围，则可以确定出该中心对应的一个范围，例如图2所示的虚线框区域，确定出的区域范围 即为检测出含有车辆的区域。这里预定区域范围可以是预设的经验值，也可以是计算得到 一个范围值，其它实施例中将对此计算给出相应描述，这里不作详述。
[0019] 基于本实施例的车辆检测方法，本发明一种实施例还提供了一种车辆检测装置， 其包括： 特征点提取模块，用于对输入的待检测图像，利用基于加速分割检测特征FAST提取特 征点； 聚类处理模块，用于将提取出的特征点作为初始中心点，根据聚类算法确定出最终的 一个或多个聚类中心点； 区域确定模块，用于根据预定区域范围，以每个聚类中心点为中心得到相应的区域，该 区域对应检测出的车辆的区域。
[0020] 各模块的具体实现可参考本实施例的车辆检测方法中的相应步骤，在此不作重 述。
[0021] 本实施例通过基于FAST进行特征点检测，并利用聚类算法确定出可能存在车辆 的区域，由于FAST特征点检测是公认的比较快速的特征点检测方法，从而可降低检测所消 耗的时间，使得能够快速确定出可能存在车辆的区域。
[0022] [实施例2] 如图3所示，本实施例提供了一种车辆检测方法，其包括如下步骤S22~S26。
[0023] 粗检测步骤S22 :对于输入的待检测图像，利用FAST特征提取特征点，将提取出的 特征点作为初始中心点，根据聚类算法确定出最终的一个或多个聚类中心点，以每个聚类 中心点为中心并根据预定区域范围得到相应的区域，该区域为可能存在车辆的区域。
[0024] 该步骤S22类似实施例1的车辆检测方法的过程，只是最终得到区域在本实施例 中为可能存在车辆的区域，需要经过后续的步骤S24和S26处理后得到精确的车辆检测结 果。
[0025] 角度分类步骤S24 :利用预先训练的多个角度分类器对所有可能存在车辆的区域 进行车辆朝向的判断，得到每个可能存在车辆的区域的车辆朝向角度信息。
[0026] 容易理解的是，步骤S22输出的是至少一个可能存在车辆的区域。在本步骤S24 中，对每个可能存在车辆的区域进行梯度特征提取，然后将提取出的提取特征代入预先训 练的多个角度分类器进行方向判断，确定出该区域中车辆朝向的角度信息。
[0027] 在梯度特征提取时，对于每个可能存在车辆的区域中的每个特征点，计算其梯 度，并在每个特征点的预设邻域内统计该特征点的梯度方向，统计结果即为该特征点的 方向描述符，从而得到每个可能存在车辆的区域的梯度方向特征。梯度的计算可参考现 有数字图像处理中相关的技术实现，这里不作详述。在一种具体实现中，在对在每个特 征点的预设邻域内进行梯度方向统计时考虑了结合权重来确定梯度方向，权重是根据预 设邻域内各点距离对应的特征点的距离而定。例如以3*3邻域为例进行说明，如图4所 示，其中〇表示的是特征点，邻域点1、5、3、7的权重设为1，邻域点4、6、8、2的权重为1/
【权利要求】
1. 一种车辆检测方法，其特征在于，包括： 对输入的待检测图像，利用基于加速分割检测特征FAST提取特征点； 将提取出的特征点作为初始中心点，根据聚类算法确定出最终的一个或多个聚类中心 占 . 根据预定区域范围，以每个所述聚类中心点为中心得到相应的区域，该区域对应检测 出的车辆的区域。
2. 如权利要求1所述的车辆检测方法，其特征在于，所述聚类算法包括K均值聚类算 法，或者所述聚类算法包括先进行层次聚类算法再进行K均值聚类算法。
3. -种车辆检测装置，其特征在于，包括： 特征点提取模块，用于对输入的待检测图像，利用基于加速分割检测特征FAST提取特 征点； 聚类处理模块，用于将提取出的特征点作为初始中心点，根据聚类算法确定出最终的 一个或多个聚类中心点； 区域确定模块，用于根据预定区域范围，以每个所述聚类中心点为中心得到相应的区 域，该区域对应检测出的车辆的区域。
4. 一种车辆检测方法，其特征在于，包括： 粗检测步骤：对于输入的待检测图像，利用基于加速分割检测特征FAST提取特征点， 将提取出的特征点作为初始中心点，根据聚类算法确定出最终的一个或多个聚类中心点， 以每个所述聚类中心点为中心并根据预定区域范围得到相应的区域，该区域为可能存在车 辆的区域； 角度分类步骤：利用预先训练的多个角度分类器对所有所述可能存在车辆的区域进行 车辆朝向的判断，得到所述可能存在车辆的区域的车辆朝向角度信息； 级联检测步骤：对每个含有车辆朝向角度信息的可能存在车辆的区域，根据其角度信 息选择对应的预先训练的级联分类器进行检测以确定是否包含车辆。
5. 如权利要求4所述的车辆检测方法，其特征在于，还包括： 粗检测训练步骤：接收标注在输入的含有车辆的图像上的目标点的信息，所述目标点 位于车辆上，对所述目标点进行FAST训练以得到特征点选择规则，并根据所述目标点确定 出所述预定区域范围； 所述粗检测步骤中，对于输入的待检测图像，根据所述特征点选择规则，利用FAST提 取特征点。
6. 如权利要求4所述的车辆检测方法，其特征在于，所述角度分类步骤包括： 梯度提取子步骤：对于每个所述可能存在车辆的区域中的每个特征点，计算其梯度，并 在每个特征点的预设邻域内统计该特征点的梯度方向，统计结果即为该特征点的方向描述 符，从而得到每个所述可能存在车辆的区域的梯度方向特征； 角度分类子步骤：将每个所述可能存在车辆的区域的梯度方向特征分别输入所述预先 训练的多个角度分类器进行方向判断，确定出所述可能存在车辆的区域中车辆朝向的角度 信息，从而得到含有车辆朝向角度信息的图像数据，每个所述角度分类器为支持向量机分 类器。
7. 如权利要求6所述的车辆检测方法，其特征在于，所述梯度提取子步骤中，所述在每 个特征点的预设邻域内统计该特征点的梯度方向包括：结合权重来统计所述梯度方向，所 述权重根据所述预设邻域内各点距离对应的特征点的距离而定。
8. 如权利要求4所述的车辆检测方法，其特征在于，所述级联检测步骤包括： 特征提取子步骤：对每个含有车辆朝向角度信息的可能存在车辆的区域，提取其方向 梯度直方图特征； 精确检测子步骤：根据所含的角度信息选择相应的预先训练的级联分类器，并将所述 方向梯度直方图输入该预先训练的级联分类器进行检测以确定对应的可能存在车辆的区 域中是否包含车辆，所述级联分类器为基于方向梯度直方图特征并通过Adaboost训练算 法进行训练得到。
9. 一种车辆检测装置，其特征在于，包括： 粗检测模块，用于对输入的待检测图像，利用基于加速分割检测特征FAST提取特征 点，将提取出的特征点作为初始中心点，根据聚类算法确定出最终的一个或多个聚类中心 点，以每个所述聚类中心点为中心并根据预定区域范围得到相应的区域，该区域为可能存 在车辆的区域； 角度分类模块，用于利用预先训练的多个角度分类器对所述可能存在车辆的区域进行 车辆朝向的判断，得到所述可能存在车辆的区域的车辆朝向角度信息； 级联检测模块，用于对每个含有车辆朝向角度信息的可能存在车辆的区域，根据其角 度信息选择对应的预先训练的级联分类器进行检测以确定是否包含车辆。
10. 如权利要求9所述的车辆检测装置，其特征在于，还包括： 粗检测训练模块，用于接收标注在输入的含有车辆的图像上的目标点的信息，所述目 标点位于车辆上，对所述目标点进行FAST训练以得到特征点选择规则，并根据所述目标点 确定出所述预定区域范围； 所述粗检测模块中，对于输入的待检测图像，根据所述特征点选择规则，利用FAST提 取特征点。
【文档编号】G06K9/62GK104268573SQ201410495299
【公开日】2015年1月7日 申请日期:2014年9月24日 优先权日:2014年9月24日
【发明者】余倬, 禹世杰, 姚金银 申请人:深圳市华尊科技有限公司