本发明的车辆检测系统可分为离线训练模块和在线识别模块两部分。离线训练模块通过对在各种环境下采集到的大量车辆样本和非车辆样本的学习，针对样本的类haar特征，设计了查找型的弱分类器模拟样本特征分布，并利用连续Adaboost算法自动地从弱分类器空间中挑选出若干个弱分类器组合成一个强分类器。本发明是对Adaboost算法做了改进，使其能够处理具有连续致信度输出的分类器，使其收敛得更快。
1.一种基于连续型Adaboost视频车辆检测方法，包括以下步骤：
步骤1：采集大量车辆样本和非车辆样本，经过图像处理后，归一化到统一尺度32*32，分别标定正样本和负样本为1和－1，给定训练集和测试集；
步骤2：挑出矩形特征使得正样本与负样本近似符合高斯分布：针对32*32尺度内所有矩形特征，对每一个矩形特征计算训练集所有样本的特征值，将样本特征值划分成N等分，计算落在各个等分中的正样本权重和负样本权重的差值；判定每一个矩形特征内，N等分区间中最多有连续几个区间的值大于0，并且最大区间个数达到设定的阀值，则预先挑选出该矩形特征；
步骤3：初始化训练样本概率分布，针对预先挑选出来的每一个矩形特征，计算训练集所有样本的特征值，将训练样本特征值按从小到大排列，保存各个训练样本所在的位置；取前面1/50样本总数的特征值为第1个区间，最后面1/50样本总数的特征值为第50个区间，将剩下的训练样本按特征值大小平均划分为48个区间；判断各个样本落在哪个区间，保存落在各个区间的样本数量；
步骤4：归一化训练集各个样本权重，针对预先挑选出来的每一个矩形特征，根据步骤3保存的训练样本排列顺序和各个划分区间的样本数量，可计算出矩形特征中各个划分区间正样本总的权重和负样本总的权重，取正样本权重和负样本权重比值的对数的一半作为该划分的输出值；累加各个划分中正样本权重和负样本权重的积的平方根的两倍，作为连续型Adaboost算法的弱分类器的归一化因子；
步骤5：在预先挑选出来的弱分类器空间中选择一个弱分类器，使得归一化因子最小，根据该归一化因子，调整各个样本权重；
步骤6：将挑选出来的弱分类器嵌套级联成一个强分类器，计算训练集和测试集中所有样本在强分类器的输出值：判断样本在各个弱分类器上属于哪个划分，累加各个弱分类器的输出值；将车辆训练样本、非车辆训练样本和测试样本计算出来的值分别从小到大排列，判断是否能取得一个值使得三者的检测率同时达到学习目标，能则将这个值当做该层强分类器的阀值，该层训练结束，更新强分类器，否则重复步骤4和5，增加弱分类器个数；当挑选出的弱分类器个数超出设定的阀值时，自适应调整车辆训练样本、非车辆训练样本和测试样本的检测率，不更新强分类器，跳到步骤7；
步骤7：用训练好的强分类器判断非车辆训练样本，删除判断正确的非车辆训练样本，增加同等数量的判断出错的非车辆训练样本；将已训练的强分类器当作下一层强分类器的初始弱分类器，跳到步骤3；当强分类器达到设定的层数或者无非车辆样本可继续更新时，训练结束。
2.根据权利要求1所述的视频车辆检测方法，其特征在于：所述步骤2中，N=200。
一种基于连续型Adaboost视频车辆检测方法
技术领域
[0001] 本发明涉及车辆检测，具体涉及一种基于连续型Adaboost视频车辆检测方法。
背景技术
[0002] 近年来，随着电子产业尤其是大规模存储设备和新型传感器的迅猛发展，视频监测技术以其全面性和灵活性越来越受到人们的青睐，它以实时动态信息为核心，综合运用计算机、控制技术等现代高新科技技术，灵活快速的对视频图像进行实时处理，达到实时监控。
[0003] 车辆检测是交通系统中的重要环节，为交通监管、交通控制提供信息，常用的车辆检测方法包括线圈检测、雷达检测、激光检测等。线圈检测的安装和维修工程量大，破坏路面，影响道路的寿命，而激光检测和雷达检测不仅成本高，而且容易对人体造成危害。
[0004] 基于视频的车辆检测识别技术可以从视频图像中提取出车辆信息，不仅灵活方便，不破坏路面，而且可以为交通监控提供大量的检测信息，为交通管理提供可视化信息。基于视频的车辆检测识别技术作为新兴的车辆检测方法，日益受到人们的关注。例如申请号为201210078707.5的发明专利，公开了一种基于视频的交通车辆检测识别系统和方法，其包括目标特征数据库模块，运动目标检测模块和交通车辆识别模块，通过所述目标特征数据库模块来建立交通车辆样本目标特征数据库并进行存储。当运动目标检测模块检测出运动目标区域后，由交通车辆识别模块建立搜索窗口并进行车辆识别。但是该系统和方法采用的算法复杂，不易实现。
发明内容
[0005] 因此，针对上述的问题，本发明提出一种算法简单、易于实现的基于连续型Adaboost视频车辆检测方法，该方法完全基于车辆的图像特征，不需要其他辅助方法，其检测精度高，误报率低。
[0006] 为了解决上述技术问题，本发明的车辆检测系统可分为离线训练模块和在线识别模块两部分。离线训练模块通过对在各种环境下采集到的大量车辆样本和非车辆样本的学习，针对样本的类haar特征，设计了查找型的弱分类器模拟样本特征分布，并利用连续Adaboost算法自动地从弱分类器空间中挑选出若干个弱分类器组合成一个强分类器。本发明是对Adaboost算法做了改进，使其能够处理具有连续致信度输出的分类器，使其收敛得更快。
[0007] 具体的，本发明的一种基于连续型Adaboost视频车辆检测方法，包括以下步骤：
[0008] 步骤1：采集大量车辆样本和非车辆样本，经过图像处理后，归一化到统一尺度32*32，分别标定正样本和负样本为1和－1，给定训练集和测试集；其中，统一尺度也可以是其他尺寸，本发明之所以选择32*32，是因为实验证明尺度32*32在现实系统中最合适；
[0009] 步骤2：针对32*32尺度内所有矩形特征，对每一个矩形特征计算训练集所有样本的特征值，将样本特征值划分成N等分，计算落在各个等分中的正样本权重和负样本权重的差值；判定每一个矩形特征内，N等分区间中最多有连续几个区间的值大于0，如果最大连续区间的个数达到设定的阀值，则预先挑选出该矩形特征；这一步骤的主要目的是挑出矩形特征使得正样本与负样本近似符合高斯分布，可删除大部分对分类器没有贡献的矩形特征，加快分类器的训练；优选的，所述N = 200，通过大量模拟和实际实验得到，N = 200可以获得最优效果；
[0010] 步骤3：初始化训练样本概率分布，针对预先挑选出来的每一个矩形特征，计算训练集所有样本的特征值，将训练样本特征值按从小到大排列，保存各个训练样本所在的位置；取前面1/50样本总数的特征值为第1个区间，最后面1/50样本总数的特征值为第50个区间，将剩下的训练样本按特征值大小平均划分为48个区间；判断各个样本落在哪个区间，保存落在各个区间的样本数量。
[0011] 步骤4：归一化训练集各个样本权重，针对预先挑选出来的每一个矩形特征，根据步骤3保存的训练样本排列顺序和各个划分区间的样本数量，可计算出矩形特征中各个划分区间正样本总的权重和负样本总的权重，取正样本权重和负样本权重比值的对数的一半作为该划分的输出值；累加各个划分中正样本权重和负样本权重的积的平方根的两倍，作为该弱分类器的归一化因子；
[0012] 步骤5：在预先挑选出来的弱分类器空间中选择一个弱分类器，使得归一化因子最小，根据该归一化因子，调整各个样本权重；
[0013] 步骤6：将挑选出来的弱分类器嵌套级联成一个强分类器，计算训练集和测试集中所有样本在强分类器的输出值：判断样本在各个弱分类器上属于哪个划分，累加各个弱分类器的输出值；将车辆训练样本、非车辆训练样本和测试样本计算出来的值分别从小到大排列，判断是否能取得一个值使得三者的检测率同时达到学习目标，能则将这个值当做该层强分类器的阀值，该层训练结束，更新强分类器，否则重复步骤4和5，增加弱分类器个数。当挑选出的弱分类器个数超出设定的阀值时，自适应调整车辆训练样本、非车辆训练样本和测试样本的检测率，不更新强分类器，跳到步骤7；
[0014] 步骤7：用训练好的强分类器判断非车辆训练样本，删除判断正确的非车辆训练样本，增加同等数量的判断出错的非车辆训练样本。将已训练的强分类器当作下一层强分类器的初始弱分类器，跳到步骤3。当强分类器达到设定的层数或者无非车辆样本可继续更新时，训练结束。
[0015] 本发明通过上述步骤，对Adaboost算法做了改进，使其能够处理具有连续致信度输出的分类器，使其收敛得更快，同时，其易于实现，且检测精度高，误报率低。
附图说明
[0016] 图1为本发明的算法流程图；
[0017] 图2为本发明的车辆检测系统示意图。
具体实施方式
[0018] 现结合附图和具体实施方式对本发明进一步说明。
[0019] 本发明是根据视觉传感器信息量丰富，成本低的特点，对视觉传感器获得的车辆前方图像中的车辆进行检测，为车辆的通行记录和违法抓拍等提供技术支持。通过对采集的车辆图像进行处理，利用车辆的类haar特征进行分类器训练，构造基于haar特征的查找表型弱分类器，并利用连续Adaboost算法训练基于视图的嵌套级联车辆检测分类器。
[0020] 参照图1和图2，本发明的一种基于连续型Adaboost视频车辆检测方法，包括以下步骤：
[0021] 步骤1：采集大量车辆样本和非车辆样本，经过图像处理后，归一化到统一尺度32*32，分别标定正样本和负样本为1和－1，给定训练集和测试集；具体的，其包括离线训练和在线监测，离线训练是对车辆样本和非车辆样本进行预处理后，训练基于视图的瀑布型检测器；在线监测中，对测试图片进行扫描所有窗口，使用多个检测器进行检测，然后合并窗口，最后输出结果；
[0022] 步骤2：针对32*32尺度内所有矩形特征，对每一个矩形特征计算训练集所有样本的特征值，将样本特征值划分成200等分，计算落在各个等分中的正样本权重和负样本权重的差值；判定每一个矩形特征内，200等分区间中最多有连续几个区间的值大于0，并且最大区间个数达到设定的阀值，则预先挑选出该矩形特征；这一步骤的主要目的是挑出矩形特征使得正样本与负样本近似符合高斯分布，可删除大部分对分类器没有贡献的矩形特征，加快分类器的训练；
[0023] 步骤3：初始化训练样本概率分布，针对预先挑选出来的每一个矩形特征，计算训练集所有样本的特征值，将训练样本特征值按从小到大排列，保存各个训练样本所在的位置；取前面1/50样本总数的特征值为第1个区间，最后面1/50样本总数的特征值为第50个区间，将剩下的训练样本按特征值大小平均划分为48个区间；判断各个样本落在哪个区间，保存落在各个区间的样本数量。
[0024] 步骤4：归一化训练集各个样本权重，针对预先挑选出来的每一个矩形特征，根据步骤3保存的训练样本排列顺序和各个划分区间的样本数量，可计算出矩形特征中各个划分区间正样本总的权重和负样本总的权重，取正样本权重和负样本权重比值的对数的一半作为该划分的输出值；累加各个划分中正样本权重和负样本权重的积的平方根的两倍，作为该弱分类器的归一化因子；
[0025] 步骤5：在预先挑选出来的弱分类器空间中选择一个弱分类器，使得归一化因子最小，根据该归一化因子，调整各个样本权重；
[0026] 步骤6：将挑选出来的弱分类器嵌套级联成一个强分类器，计算训练集和测试集中所有样本在强分类器的输出值：判断样本在各个弱分类器上属于哪个划分，累加各个弱分类器的输出值；将车辆训练样本、非车辆训练样本和测试样本计算出来的值分别从小到大排列，判断是否能取得一个值使得三者的检测率同时达到学习目标，能则将这个值当做该层强分类器的阀值，该层训练结束，更新强分类器，否则重复步骤4和5，增加弱分类器个数。当挑选出的弱分类器个数超出设定的阀值时，自适应调整车辆训练样本、非车辆训练样本和测试样本的检测率，不更新强分类器，跳到步骤7；
[0027] 步骤7：用训练好的强分类器判断非车辆训练样本，删除判断正确的非车辆训练样本，增加同等数量的判断出错的非车辆训练样本。将已训练的强分类器当作下一层强分类器的初始弱分类器，跳到步骤3。当强分类器达到设定的层数或者无非车辆样本可继续更新时，训练结束。
[0028] 尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
