[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN103530640B - 基于AdaBoost与SVM的无牌车辆检测方法 - Google Patents

基于AdaBoost与SVM的无牌车辆检测方法 Download PDF

Info

Publication number
CN103530640B
CN103530640B CN201310547801.5A CN201310547801A CN103530640B CN 103530640 B CN103530640 B CN 103530640B CN 201310547801 A CN201310547801 A CN 201310547801A CN 103530640 B CN103530640 B CN 103530640B
Authority
CN
China
Prior art keywords
image
gray level
adaboost
rgb
unlicensed vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201310547801.5A
Other languages
English (en)
Other versions
CN103530640A (zh
Inventor
陆振波
董铁军
付存伟
于维双
赵全邦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHENYANG JUDE VIDEO TECHNOLOGY Co Ltd
Original Assignee
SHENYANG JUDE VIDEO TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHENYANG JUDE VIDEO TECHNOLOGY Co Ltd filed Critical SHENYANG JUDE VIDEO TECHNOLOGY Co Ltd
Priority to CN201310547801.5A priority Critical patent/CN103530640B/zh
Publication of CN103530640A publication Critical patent/CN103530640A/zh
Application granted granted Critical
Publication of CN103530640B publication Critical patent/CN103530640B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于AdaBoost与SVM的无牌车辆检测方法，包括以下步骤：1）以DSP平台上，对原始视频序列图像行列方向上进行高倍数的下采样，得到RGB三通道彩色图像；2）针对上述RGB三通道彩色图像，综合考虑RGB三通道彩色图像的边缘信息与色彩信息，合成灰度图像；3）针对上述合成灰度图像采用AdaBoost检测器实现视频序列中的无牌车辆检测；4）对于检测出的目标与背景建立一个非线性二类SVM分类器，进一步降低虚警概率。本发明能够在大量的候选检测窗口中，对非目标样本进行快速判决，成功地应用于视频序列中的目标检测，检测时间缩短约1/3。

Description

基于AdaBoost与SVM的无牌车辆检测方法
技术领域
本发明涉及一种智能交通检测技术，具体的说是一种基于AdaBoost与SVM的无牌车辆检测方法。
背景技术
智能交通系统（Intelligent Transportation System，ITS）起步于20世纪60～70年代的交通管理计算机化，是一项以信息、通信等技术将人、车、路三者紧密协调而形成的一种大范围、全方位发挥作用的综合运输管理系统。
视频序列中的车辆检测，是运动目标检测在智能交通领域中的应用。目前常用的基于相邻帧图像信息的车辆检测算法有：
（1）帧间差分法：该算法是将前后两帧图像对应像素点的灰度值相减，如果灰度差值很小，可以认为该点无车经过；反之灰度变化很大，则认为有车经过。
（2）背景差分法：该算法首先选取视频场中的几幅图像采用一定的算法求得背景图像，然后把以后的序列图像当前帧和背景图像相减，进行背景消去。若所得到的像素数大于某一阈值，则判定被监视场景中有运动物体，从而得到运动车辆。
（3）光流法：该算法是把检测区域的图像变为速度的矢量场，每一个向量表示了景物中一个点在图像中位置的瞬时变化。因此，光流场携带了有关物体运动和景物三维结构的丰富信息，通过对速度场（光流场）的分析可以判断在检测区域内车辆的有无。
由于算法本身的效率以及DSP帧率的限制，上述三种算法在实际应用中存在一定的局限，如帧间差分法、光流法不适用于帧率较低的场合，当视频背景变化过快时背景差分法误检测率显著增加。
此外，目前基于单帧图像信息的车辆检测算法过度地依赖车牌信息，以及车牌之间的模板匹配，基本无法实现无牌车辆的检测。
发明内容
针对现有技术中无牌车辆检测常用的方法由于算法本身的效率以及DSP帧率的限制，在实际应用中存在一定的局限等不足之处，本发明要解决的技术问题是提供一种基于AdaBoost与SVM的无牌车辆检测方法，在视频序列图像中对非目标样本进行快速判决。
为解决上述技术问题，本发明的技术方案是：
本发明基于AdaBoost与SVM的无牌车辆检测方法包括以下步骤：
1）以DSP平台上，对原始视频序列图像行列方向上进行高倍数的下采样，得到RGB三通道彩色图像；
2）针对上述RGB三通道彩色图像，综合考虑RGB三通道彩色图像的边缘信息与色彩信息，合成灰度图像；
3）针对上述合成灰度图像实现视频序列中的无牌车辆检测；
4）对于检测出的目标与背景建立一个非线性二类SVM分类器，进一步降低虚警概率。
RGB三通道彩色图像到合成灰度图像包括以下步骤：
21）按下式实现RGB到YUV色彩空间的转换，YUV空间的Y分量即是灰度图像：
Y=0.299*R+0.587*G+0.114*B
U=-0.169*R-0.331*G+0.5*B+128
V=0.5*R-0.418*G+0.082*B-128
其中，Y、U、V分别为YUV空间三个颜色分量，R、G、B分别为RGB空间的三个颜色分量；
22）对YUV空间的Y分量按下式求边缘：
E(i,j)=max((Y(i,j)-Y(i-1,j)),(Y(i,j)-Y(i,j-1)))
其中，E(i,j)为边缘图像第i行第j列的像素值，Y(i,j)为灰度图像第i行第j列的像素值；
23）新灰度图像的合成按下式进行：
其中，E边缘图像，U、V分别为YUV空间的U、V颜色分量，YNew为新合成的灰度图像。
对合成的灰度图像实现无牌车辆检测包括以下步骤：
31）无牌车辆样本、背景样本的生成
在视频序列中人工截取各型有车牌车辆1～2万张，再用图像处理软件将有牌车辆修改成1～2万张无牌车辆，有牌和无牌车辆截图构成目标正样本；
在视频序列中随机截取10～15万张非车辆截图，这些图片构成背景反样本；
目标正样本与背景反样本的宽高比为1:1；
32）Haar矩形特征的计算
将目标正样本与背景反样本做行列16倍下采样，再合成灰度图像YNew，最后再将图片缩放到8×8大小，得到灰度图像YNew8×8，即检测窗口的分辨率为8×8；
对每一个YNew8×8，借助积分图像，计算Haar特征；
33）Haar特征的归一化处理
对每一个Haar特征除以YNew8×8所有像素值的和来进行归一化处理；
34）对Haar特征建立经典的检测器
建立经典的AdaBoost检测器，实现视频序列中的无车牌车辆检测。
步骤4）中，对判别为目标的窗口图片，再做一次人工分拣，把其中的虚警即将其它区域判别为无牌车辆图片与目标图片分离开来，建立一个非线性二类SVM分类器，进一步降低虚警概率。
所述对原始图像行列方向上进行高倍数的下采样为对原始图像行和列两个方向上进行16倍下采样。
本发明具有以下有益效果及优点:
1.本发明采用视频序列中AdaBoos检测人脸的基本原理和框架，提出了视频序列中基于AdaBoost与支持向量机（Support Vector Machine，SVM）的无牌车辆检测方法，AdaBoost检测器本质上是检测窗口图像的二类分类，利用积分图像快速计算Haar特征，然后做级联式二叉树分类，能够在大量的候选检测窗口中，对非目标样本进行快速判决，成功地应用于视频序列中的目标检测。
2.本发明方法在DSP平台上，对原始图像行列方向上进行高倍数的下采样处理，用AdaBoost方法检测视频序列中的无牌车辆，综合考虑RGB三通道彩色图像的边缘信息与色彩信息组成一幅新的灰度图像用于AdaBoost检测器的训练与测试，全新Haar特征归一化方法，检测时间缩短约1/3。
3.本发明方法针对AdaBoost检测器输出的目标（无牌车辆）与虚警（将其它区域判别为无牌车辆），利用非线性SVM较高的泛化性能，再建立一个SVM二类分类器，进一步降低了虚警概率。
附图说明
图1A为无牌车辆图示；
图1B为无牌车辆行列方向16倍下采样图；
图1C为有牌车辆图示；
图1D为有牌车辆行列方向16倍下采样图；
图2A为车辆原始灰度图像；
图2B为边缘与色彩融合的灰度图像；
图3为本发明方法中的Haar特征集合；
图4为本发明方法流程图。
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
本发明采用视频序列中AdaBoos检测人脸的基本原理和框架，提出了视频序列中基于AdaBoost与支持向量机（Support Vector Machine，SVM）的无牌车辆检测方法
AdaBoost检测器本质上是检测窗口图像的二类分类，之所以成功地应用于视频序列中的目标检测，是因为该方法利用积分图像快速计算Haar特征，然后做级联式二叉树分类，能够在大量的候选检测窗口中，对非目样本进行快速判决。
本发明视频序列中基于AdaBoost与SVM的无牌车辆检测方法如图4所示，包括以下步骤：
1）以DSP平台上，对原始视频序列图像行列方向上进行高倍数的下采样，得到RGB三通道彩色图像；
2）针对上述RGB三通道彩色图像，综合考虑RGB三通道彩色图像的边缘信息与色彩信息，合成灰度图像；
3）针对上述合成灰度图像实现视频序列中的无牌车辆检测；
4）对于检测出的目标与背景建立一个非线性二类SVM分类器，进一步降低虚警概率。
步骤1）中，考虑到DSP平台的实时性要求，以及能够同时实现对无牌和有牌车辆的检测，必须对原始图像行和列两个方向上进行高倍数的下采样处理，直到车牌信息不再是车辆的主要特征，这样就可以应用AdaBoost目标检测的方法检测视频序列中的无牌车辆。本发明对实测图像行和列两个方向上进行16倍下采样，在图1A～1D（原图为彩色图像）中，对无牌和有牌车辆均做了行列16倍下采样。
在步骤2）中，本发明方法综合考虑了RGB三通道彩色图像的边缘信息与色彩信息组成一幅新的灰度图像用于AdaBoost检测器的训练与测试，其具体过程如下：
21）按下式实现RGB到YUV色彩空间的转换，YUV空间的Y分量即是灰度图像：
Y=0.299*R+0.587*G+0.114*B
U=-0.169*R-0.331*G+0.5*B+128
V=0.5*R-0.418*G+0.082*B-128
其中，Y、U、V分别为YUV空间三个颜色分量，R、G、B分别为RGB空间的三个颜色分量；
22）对YUV空间的Y分量按下式求边缘：
E(i,j)=max((Y(i,j)-Y(i-1,j)),(Y(i,j)-Y(i,j-1)))
其中，E(i,j)为边缘图像第i行第j列的像素值，Y(i,j)为灰度图像第i行第j列的像素值
23）新灰度图像的合成按下式进行：
YNew=E+abs(U-V)
其中，E边缘图像，U、V分别为YUV空间的U、V颜色分量，YNew为新合成的灰度图像。
经典的AdaBoost目标检测方法是对灰度图像进行直接处理，损失了车辆颜色信息与背景区域的巨大差异。由于本发明是直接面向DSP应用的，现有监控设备的视频流输出都是YUV格式的，因此本发明采用上面的方法实现了图像边缘信息与色彩信息的融合。图2A～2B是原始灰度图像，边缘与色彩融合的灰度图像的对比效果图，可以看到新合成的灰度图像突出了车辆的轮廓和色彩，同时抑制了背景区域的干扰。在此基础上，应用AdaBoost目标检测，可以得到更好的检测效果。
在步骤3）中，对合成的灰度图像实现无牌车辆检测包括以下步骤：
31）无牌车辆样本、背景样本的生成
在视频序列中人工截取各型有车牌车辆1～2万张（本实施例截取1万张），再用图像处理软件将有牌车辆修改成1～2万张无牌车辆（本实施例为1万张），有牌和无牌车辆截图构成目标正样本；
在视频序列中随机截取10～15万张非车辆截图（本实施例截取10万张），这些图片构成背景反样本；
目标正样本与背景反样本的宽高比为1:1；
32）Haar矩形特征的计算
将正反两种训练样本做行列16倍下采样，再按具体实施方法2合成灰度图像YNew，最后再将图片缩放到8×8大小，得到灰度图像YNew8×8，即检测窗口的分辨率为8×8；
对每一个YNew8×8，借助积分图像，计算如图3所示的Haar特征；
33）Haar特征的归一化处理
对每一个Haar特征除以YNew8×8所有像素值的和来进行归一化处理；
经典的AdaBoost检测，需要计算检测窗口内像素值的均值和方差来对Haar特征进行归一化处理，以克服光照和阴影对Haar特征的影响。均值由前面像素积分图像可以快速计算，而方差计算需要借助像素平方的积分图像。像素值的积分运算是逐点累加的，无法进行DSP并行运算，因此耗时较长。
为进一步提高实时检测速度，本发明对每一个Haar特征除以YNew8×8所有像素值的和来进行归一化处理，性能与经典的AdaBoost检测相当，但检测时间缩短约1/3；
34）对Haar特征建立经典的检测器
在完成Haar特征归一化，建立经典的AdaBoost检测器，实现视频序列中的无车牌车辆检测。
在步骤4）中，考虑到实际检测中，仍然会有小部分非目标窗口被AdaBoost检测器判别成目标。因此本发明方法还包括以下步骤：
对判别为目标的窗口图片，再做一次人工分拣，把其中的虚警即将其它区域判别为无牌车辆图片与目标图片分离开来，建立一个非线性二类SVM分类器，进一步降低虚警概率。
文中，AdaBoost检测器采用AdaBoost算法，是通过迭代弱分类器而产生最终的强分类器的算法。

Claims (4)

1.一种基于AdaBoost与SVM的无牌车辆检测方法，其特征在于包括以下步骤：
1)以DSP平台上，对原始视频序列图像行列方向上进行高倍数的下采样，得到RGB三通道彩色图像；
2)针对上述RGB三通道彩色图像，综合考虑RGB三通道彩色图像的边缘信息与色彩信息，合成灰度图像；
3)针对上述合成灰度图像实现视频序列中的无牌车辆检测；
4)对于检测出的目标与背景建立一个非线性二类SVM分类器，进一步降低虚警概率；
RGB三通道彩色图像到合成灰度图像包括以下步骤：
21)按下式实现RGB到YUV色彩空间的转换，YUV空间的Y分量即是灰度图像：
Y＝0.299*R+0.587*G+0.114*B
U＝-0.169*R-0.331*G+0.5*B+128
V＝0.5*R-0.418*G+0.082*B-128
其中，Y、U、V分别为YUV空间三个颜色分量，R、G、B分别为RGB空间的三个颜色分量；
22)对YUV空间的Y分量按下式求边缘信息：
E(i,j)＝max((Y(i,j)-Y(i-1,j)),(Y(i,j)-Y(i,j-1)))
其中，E(i,j)为边缘图像第i行第j列的像素值的边缘信息，Y(i,j)为灰度图像第i行第j列的像素值；
23)新灰度图像的合成按下式进行：
YNew＝E+abs(U-V)
其中，E边缘图像，U、V分别为YUV空间的U、V颜色分量，YNew为新合成的灰度图像，U-V为U、V颜色分量的差值。
2.按权利要求1所述的基于AdaBoost与SVM的无牌车辆检测方法，其特征在于：对合成的灰度图像实现无牌车辆检测包括以下步骤：
31)无牌车辆样本、背景样本的生成
在视频序列中人工截取各型有车牌车辆1～2万张，再用图像处理软件将有牌车辆修改成1～2万张无牌车辆，有牌和无牌车辆截图构成目标正样本；
在视频序列中随机截取10～15万张非车辆截图，这些图片构成背景反样本；
目标正样本与背景反样本的宽高比为1:1；
32)Haar矩形特征的计算
将目标正样本与背景反样本做行列16倍下采样，再合成灰度图像YNew，最后再将图片缩放到8×8大小，得到灰度图像YNew8×8，即检测窗口的分辨率为8×8；
对每一个YNew8×8，借助积分图像，计算Haar特征；
33)Haar特征的归一化处理
对每一个Haar特征除以YNew8×8所有像素值的和来进行归一化处理；
34)对Haar特征建立经典的检测器
建立经典的AdaBoost检测器，实现视频序列中的无车牌车辆检测。
3.按权利要求1所述的基于AdaBoost与SVM的无牌车辆检测方法，其特征在于：对于检测出的目标与背景建立一个非线性二类SVM分类器为：对判别为目标的窗口图片，再做一次人工分拣，把其中的虚警即将其它区域判别为无牌车辆图片与目标图片分离开来，建立一个非线性二类SVM分类器。
4.按权利要求1所述的基于AdaBoost与SVM的无牌车辆检测方法，其特征在于：所述对原始图像行列方向上进行高倍数的下采样为对原始图像行和列两个方向上进行16倍下采样。
CN201310547801.5A 2013-11-07 2013-11-07 基于AdaBoost与SVM的无牌车辆检测方法 Active CN103530640B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310547801.5A CN103530640B (zh) 2013-11-07 2013-11-07 基于AdaBoost与SVM的无牌车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310547801.5A CN103530640B (zh) 2013-11-07 2013-11-07 基于AdaBoost与SVM的无牌车辆检测方法

Publications (2)

Publication Number Publication Date
CN103530640A CN103530640A (zh) 2014-01-22
CN103530640B true CN103530640B (zh) 2016-11-02

Family

ID=49932637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310547801.5A Active CN103530640B (zh) 2013-11-07 2013-11-07 基于AdaBoost与SVM的无牌车辆检测方法

Country Status (1)

Country Link
CN (1) CN103530640B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182728A (zh) * 2014-07-26 2014-12-03 佳都新太科技股份有限公司 一种基于模式识别的车标自动定位与识别方法
CN104537841B (zh) * 2014-12-23 2017-01-25 上海博康智能信息技术有限公司 无牌车辆违章检测方法及其检测系统
CN105512662A (zh) * 2015-06-12 2016-04-20 北京卓视智通科技有限责任公司 一种无牌车辆检测方法及装置
CN106845341B (zh) * 2016-12-15 2020-04-10 南京积图网络科技有限公司 一种基于虚拟号牌的无牌车辆识别方法
CN108573254B (zh) * 2017-03-13 2021-08-24 北京君正集成电路股份有限公司 车牌字符灰度图的生成方法
CN107463957B (zh) * 2017-08-04 2020-04-03 河海大学 一种有效的遥感图像目标识别方法
CN108388871B (zh) * 2018-02-28 2021-05-18 中国计量大学 一种基于车身回归的车辆检测方法
CN109448147A (zh) * 2018-12-12 2019-03-08 杭州华云科技有限公司 一种无牌车辆停车计费方法及停车计费系统
CN111079744B (zh) * 2019-12-06 2020-09-01 鲁东大学 适用于复杂光照环境的车辆车牌智能识别方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855500A (zh) * 2011-06-27 2013-01-02 东南大学 一种基于Haar和HoG特征的前车检测方法
KR20130015976A (ko) * 2011-08-05 2013-02-14 엘지전자 주식회사 차량을 검출하기 위한 방법 및 장치

Also Published As

Publication number Publication date
CN103530640A (zh) 2014-01-22

Similar Documents

Publication Publication Date Title
CN103530640B (zh) 基于AdaBoost与SVM的无牌车辆检测方法
Wei et al. Enhanced object detection with deep convolutional neural networks for advanced driving assistance
CN101916383B (zh) 基于多摄像机的车辆检测跟踪识别系统
WO2019114036A1 (zh) 人脸检测方法及装置、计算机装置和计算机可读存储介质
CN101211411B (zh) 一种人体检测的方法和装置
CN101470809B (zh) 一种基于扩展混合高斯模型的运动目标检测方法
CN107301378A (zh) 图像中多分类器集成的行人检测方法和系统
CN104298969B (zh) 基于颜色与haar特征融合的人群规模统计方法
CN104361332B (zh) 一种用于疲劳驾驶检测的人脸眼睛区域定位方法
Mao et al. Preceding vehicle detection using histograms of oriented gradients
CN102609724B (zh) 一种基于双摄像头的周围环境信息提示方法
Yonetsu et al. Two-stage YOLOv2 for accurate license-plate detection in complex scenes
CN107491762A (zh) 一种行人检测方法
TWI441096B (zh) 適用複雜場景的移動偵測方法
CN107315990A (zh) 一种基于xcs‑lbp特征以及级联aksvm的行人检测算法
Prasad et al. HOG, LBP and SVM based traffic density estimation at intersection
US10984264B2 (en) Detection and validation of objects from sequential images of a camera
CN102693427A (zh) 形成和使用用于检测图像的检测器的方法和设备
CN113762009A (zh) 一种基于多尺度特征融合及双注意力机制的人群计数方法
Mammeri et al. North-American speed limit sign detection and recognition for smart cars
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
Zhang et al. A pedestrian detection method based on SVM classifier and optimized Histograms of Oriented Gradients feature
CN101610412B (zh) 一种基于多线索融合的视觉跟踪方法
CN103177248A (zh) 一种基于视觉的快速行人检测方法
Pornpanomchai et al. Object detection and counting system

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant