基于边缘梯度势能的车辆类型检测方法与流程

技术特征：

1.一种基于边缘梯度势能的车辆类型检测方法，具体包括：

步骤S010：首先对车辆图像信息进行正样本训练，对其进行尺度归一化后得到车辆模板库，在RGB色彩空间上对图像进行色彩伽马归一化；

步骤S011：为去除光照对图像的影响，在RGB色彩空间上对图像进行色彩伽马归一化；利用Gamma压缩公式(1)标准化整幅图像像素的Gamma空间,

I(x,y)＝I(x,y)^gamma (1)

Gamma变量是调节参数，目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；

步骤S012：计算正样本图像的边缘梯度势能，计算负样本图像的边缘梯度势能，首先计算图像边缘信息：使用1维的离散微分掩码模板[‐1 0 1]，同时在水平和垂直两个方向上对图像进行卷积计算，获取图像一阶梯度信息；其中表示x方向的图像梯度信息，x方向是水平方向，表示y方向的梯度信息，y方向是垂直方向；图像中像素点(x,y)的梯度如公式(2)，其梯度方向如公式(3)所示：

$\∂I_x=I(x+1,y)-I(x-1,y)---\left(2\right)$

$\∂I_y=I(x,y+1)-I(x,y-1)---\left(3\right)$

步骤S013，对于所述正样本训练图像，建立多尺度的边缘梯度势能置信图其中i为层次序号，W为第i层的像素宽度个数，H为第i层的像素高度个数；置信图的计算如公式(4)所示：

$C_M^i=({\left(\∂I_x\right)}^2+{\left(\∂I_y\right)}^2)/2(W_i\×H_i)---\left(4\right)$

步骤S014，利用边缘梯度势能从训练图像中学习车辆目标梯度势能活动域:

稠密上界:

稀疏下界:

该参数用于判断车辆边缘特征的分布的边缘梯度势能活动域边界，其中N为正样本数量，0≤θ≤1为调节因子，当θ＝0时系统只考虑边缘梯度势能的下界，当θ＝1时系统仅考虑边缘梯度势能的上界；

步骤S015，计算正样本图像的HOG特征，计算负样本图像的HOG特征，根据计算的水平方向和垂直方向梯度为每个细胞单元构建梯度方向直方图，将图像分成若干个矩形“子单元格cell”，计算像素点(x,y)处的梯度幅度和梯度方向分别如公式(7)和(8)所示：

$G(x,y)=\sqrt{\∂{I_x}^2+\∂{I_y}^2}---\left(7\right)$

$\mathrm{\θ}(x,y)=atan\left(\frac{\∂I_y(x,y)}{\∂I_x(x,y)}\right)---\left(8\right)$

步骤S016，把子单元组合成大的块block，由于一个检查窗口被块内归一化梯度直方图；由于局部光照的变化以及前景‐背景对比度的变化，使得梯度强度的变化范围非常大，需要对梯度强度做归一化参数P_i为第i个区间bins的梯度强度。最后收集HOG特征；最后利用SVM进行训练，生成车辆边缘梯度势能的分类器M1；

步骤S020：利用分类器M1对图像进行粗检测，对边缘梯度势能大于T_H或小于T_L，的检测窗口，提取其HOG特征，进行车辆精细位置检测，后得到三类车辆模板库；提取其梯度势能特征，分别采集各类车辆的前脸，车后尾和车侧身三种类车型的样本图片，对其进行尺度归一化后得到三类车辆模板库；提取其梯度势能特征，利用SVM进行训练，生成车辆梯度势能的分类器M1和HOG的分类器M2；

步骤S030：将输入的视频图像，采用尺度缩放因子很滑动窗口检测的方法对图像中检测窗口进行预处理，计算边缘梯度势能，找出边缘梯度势能小于T_H且大于T_L的检测窗口作为粗过滤窗口集W；

步骤S040，利用边缘梯度信息计算窗口的多尺度边缘梯度势能特征C'_M和面向梯度的直方图特征HOG和联机支持向量机Online‐SVM进行训练，对粗过滤窗口集W，利用车辆梯度势能的分类器M1和HOG的分类器M2提取车辆精细位置信息；获取待检测图像进行车辆检测信息，该步骤包含如下子步骤：

步骤S041：对待处理图像首先计算图像的边缘梯度信息；

步骤S042：进行粗窗口过滤检测，如果窗口的边缘梯度势能大于T_H或小于T_L，则切换当前窗口到的精细检测模式，否则跳过该窗口检测；

步骤S043：进行精细窗口过滤检测，利用待检测窗口的HOG特征及边缘梯度势能特征，使采用检测窗口分类器模型进行检测。