一種基于部分模型的車輛檢測方法
【專利摘要】本發(fā)明涉及車輛檢測【技術(shù)領(lǐng)域】，特別是一種基于部分模型的車輛檢測方法。該方法包括以下步驟：根據(jù)易遮擋的程度從車輛對象上提取兩個部分，用于組成車輛模型；利用融合多種特征的混合圖像模板分別建模這兩個部分；利用訓(xùn)練圖像學(xué)習兩個部分對應(yīng)的混合圖像模板及這些模板的圖像似然概率，同時學(xué)習兩個部分之間的位置和尺度關(guān)系的概率分布；從測試交通圖像中檢測兩個部分的候選者，利用部分之間的位置和尺度關(guān)系組合車輛候選者，實現(xiàn)車輛檢測。本發(fā)明具有適應(yīng)適度車輛變形、多種天氣條件等優(yōu)點，可以應(yīng)用于處理復(fù)雜交通場景中的車輛遮擋。
【專利說明】一種基于部分模型的車輛檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及車輛檢測【技術(shù)領(lǐng)域】，特別是一種基于部分模型的車輛檢測方法。
【背景技術(shù)】
[0002]基于視頻的車輛檢測技術(shù)是智能交通系統(tǒng)中重要的一部分，為許多應(yīng)用提供車輛信息；如駕駛輔助系統(tǒng)、交通視頻監(jiān)控系統(tǒng)等。目前常用的車輛檢測方法是利用車輛的運動信息檢測車輛，如吳炳飛等人于2012年發(fā)表在《IEEE Transactions on IntelligentTransportation Systems (IEEE 智能交通匯刊)》上的論文 “Adaptive Vehicle DetectorApproach for Complex Environments”(復(fù)雜場景下自適應(yīng)車輛檢測器)，就是利用運動信息檢測車輛。但是此方法不適于處理車輛之間有遮擋的情形，很難準確地分開相鄰的相互遮擋的車輛。并且由于慢速交通中車輛缺少運動信息也不適用。另外，基于圖像特征的車輛檢測方法常利用車輛邊緣、紋理等信息檢測車輛，如吳英年等人于2010年在((International Journal of Computer Vision(計算機視覺國際期刊)》發(fā)表的論文“Learning Active Basis Model for Object Detection and Recognition，，(學(xué)習活動基模型用于目標檢測和識別)，其利用邊緣信息檢測車輛。但許多基于圖像特征的方法沒有考慮車輛遮擋，不適于處理帶有遮擋的交通場景。

【發(fā)明內(nèi)容】

[0003]本發(fā)明解決的技術(shù)問題在于提供一種基于部分模型的車輛檢測方法，實現(xiàn)帶有遮擋的復(fù)雜交通場景的車輛檢測。
[0004]本發(fā)明解決上述技術(shù)問題的技術(shù)方案是:
[0005]主要包括部分選擇、部分建模、模型學(xué)習和車輛檢測；
[0006]所述的部分選擇，根據(jù)易遮擋的程度從車輛對象上提取部分(a)和部分(b)兩個部分，用于組成車輛模型；部分(a)是在車窗附近不易被遮擋的區(qū)域，部分(b)是在車牌周圍容易被遮擋的區(qū)域；
[0007]所述的部分建模，利用融合多種特征的混合圖像模板建模所述兩個部分；
[0008]所述的模型學(xué)習，利用訓(xùn)練圖像學(xué)習所述兩個部分的混合圖像模板及兩部分之間的位置和尺度關(guān)系；
[0009]所述的車輛檢測，利用迭代過程檢測測試交通圖像中的一個或多個車輛，在每個迭代步驟中首先利用模板匹配檢測出兩部分的候選者，然后利用兩部分之間的位置和尺度關(guān)系組合部分候選者，實現(xiàn)車輛檢測。
[0010]所述的模型學(xué)習，包括以下步驟:
[0011]步驟S3-1，從實際交通圖像中截取車輛圖像作為訓(xùn)練圖像，訓(xùn)練圖像數(shù)量不少于I幅；
[0012]步驟S3-2，利用消息映射法從所述訓(xùn)練圖像中學(xué)習部分(a)和部分(b)對應(yīng)的混合圖像模板中的所有圖像塊及部分(a)和部分(b)對應(yīng)的混合圖像模板的圖像似然概率；[0013]步驟S3-3，利用所述訓(xùn)練圖像學(xué)習部分(a)和部分(b)之間的位置和尺度關(guān)系的概率分布。
[0014]所述的車輛檢測，利用一個迭代過程從測試交通圖像中檢測出一個或多個車輛，包括以下步驟: [0015]步驟S4-1，利用所述部分(a)和部分(b)的混合圖像模板對測試交通圖像進行模板匹配，提取所述部分(a)和部分(b)的候選者；
[0016]步驟S4-2，利用所述部分(a)和部分(b)的位置和尺度關(guān)系將部分(a)和部分(b)的候選者組合出一個或多個車輛候選者，并計算這些車輛候選者對應(yīng)的車輛檢測概率；
[0017]步驟S4-3，提取帶有最大車輛檢測概率的車輛候選者；
[0018]步驟S4-4，將所述步驟S4-3中的最大車輛檢測概率與車輛檢測閾值進行比較，若此車輛檢測概率大于等于車輛檢測閾值，則相應(yīng)的車輛候選者為一個被檢測車輛對象；然后利用抹去此被檢測車輛對象的測試交通圖像進行下一個迭代步驟，重復(fù)步驟S4-1，S4-2，S4-3，S4-4 ;若此車輛檢測概率小于車輛檢測閾值，則整個迭代過程停止，車輛檢測過程結(jié)束。
[0019]所述混合圖像模板由一個或多個圖像塊組成，圖像塊分為邊緣塊、紋理塊、顏色塊和平整度塊等類型，所述混合圖像模板包含的圖像塊可以是這些類型中的一種或多種；
[0020]所述邊緣塊是由特定方向的Gabor小波基元來表示；所述紋理塊是由圖像區(qū)域的梯度直方圖表示；所述顏色塊由圖像區(qū)域的顏色直方圖表示；所述平整度塊由疊加圖像區(qū)域內(nèi)一個或多個方向的Gabor濾波器的響應(yīng)值得到的值表示。
[0021]所述部分(a)或部分(b)的混合圖像模板的圖像似然概率為:
(J I N/TX Y1N1(Mij)I
[0022]P^Ai \pi) = q(I) Uj=1-
[0023]其中P1和p2分別為所述部分(a)和部分(b)的混合圖像模板，Ni是Pi中圖像塊的數(shù)量，Q(I)是一個參考分布，λ u是仏中第j個圖像塊的系數(shù)，/(/八0)是&中第j個圖
像塊和圖像/Ali之間的距離，Zij是歸一化常數(shù)。
[0024]所述車輛檢測概率為:
[0025]P(II{PI；P2}) = PilA1-, /λ2)Π?=ι Pi1AlIPt)
[0026]其中I是一幅測試交通圖像，JAjPiA2分別為在車輛檢測過程中被檢測出的所述
部分(a)和部分(b)的候選者所在的圖像區(qū)域，P(iA,,/A2丨表示了一對部分(a)和部分(b)
的候選者之間的位置和尺度關(guān)系的概率。
[0027]所述車輛檢測閾值的計算步驟包括:
[0028]首先，利用步驟S4-1，S4-2，S4_3從所有所述訓(xùn)練圖像中檢測車輛，并計算相應(yīng)的車輛檢測概率；
[0029]然后，利用所有所述訓(xùn)練圖像的車輛檢測概率估計車輛檢測閾值。
[0030]本發(fā)明的車輛檢測方法具有以下優(yōu)點:
[0031](I)在部分選擇中，根據(jù)易遮擋的程度從車輛對象上選擇了兩個部分(a)和部分
(b)組成車輛模型，部分(a)是不易被遮擋的車窗周圍的區(qū)域，部分(b)是易被遮擋的車牌周圍的區(qū)域。此部分選擇減少了遮擋情況對部分(a)的影響。
[0032](2)在部分建模中，利用混合圖像模板建模部分(a)和部分(b)，所述混合圖像模板集合了多種車輛特征，包括邊緣、紋理、顏色和平整度等，提高了部分(a)和部分(b)的檢測正確率，實現(xiàn)了對車輛輪廓等信息的詳細描述，同時使得本發(fā)明適應(yīng)多種天氣條件。
[0033](3)在車輛檢測中，部分(a)和部分(b)的檢測過程是獨立的，通過組合部分(a)和部分(b)的候選者實現(xiàn)車輛檢測，使得所述車輛模型適應(yīng)實際車輛的適度變形，同時減小了遮擋對車輛檢測的影響。
【專利附圖】

【附圖說明】
[0034]下面結(jié)合附圖對本發(fā)明進一步說明:
[0035]圖1為本發(fā)明實施例中帶有車輛遮擋的復(fù)雜交通場景；
[0036]圖2為本發(fā)明實施例中部分(a)和(b)對應(yīng)的圖像區(qū)域；
[0037]圖3為本發(fā)明實施例中一部分的訓(xùn)練圖像的示意圖；
[0038]圖4為本發(fā)明實施例中部分(a)和部分(b)對應(yīng)的混合圖像模板；
[0039]圖5為本發(fā)明實施例中測試交通圖像上的車輛檢測結(jié)果。
【具體實施方式】
[0040]如圖1-5所示，本發(fā)明的實現(xiàn)方案分為四個主要步驟:部分選擇，部分建模，模型學(xué)習和車輛檢測。以下詳細介紹這四個步驟:
[0041]步驟S1:在部分選擇中，考慮到復(fù)雜交通場景中車輛遮擋(如圖1)，根據(jù)易遮擋的程度從車輛對象上選擇兩個部分，用于組成車輛模型，這兩個部分分別為部分(a)和部分
(b)，其中部分(a)是在車窗附近不易被遮擋的區(qū)域；部分(b)是在車牌周圍容易被遮擋的區(qū)域。在本發(fā)明實施例中部分(a)包括整個車窗、靠近車窗的一部分車頂和靠近車窗的一部分發(fā)動機罩等部件所在圖像區(qū)域以及這些部件周圍的圖像區(qū)域；部分(b)包括了車燈、車牌和靠近車燈的一部分發(fā)動機罩等部件以及這些部件周圍的圖像區(qū)域。
[0042]步驟S2:在部分建模中，本發(fā)明利用混合圖像模板建模所述部分(a)和部分(b)。一個混合圖像模板包含一個或多個圖像塊，圖像塊分為:邊緣塊，紋理塊，顏色塊和平整度塊等類型，混合圖像模板中的圖像塊可以是這些類型中的一種或多種。
[0043]所述邊緣塊是由特定方向的Gabor小波基元來表示。本發(fā)明的實施例使用16個方向的Gabor小波基元為例表示不同的邊緣塊，當然此處只要選擇不少于I個方向的Gabor小波基元即可，不限于16個方向。
[0044]所述紋理塊由圖像區(qū)域的梯度直方圖表示。在本發(fā)明的實施例中所述梯度直方圖通過統(tǒng)計圖像區(qū)域的16個方向的Gabor濾波響應(yīng)值得到，當然此處只要統(tǒng)計不少于I個方向的Gabor濾波響應(yīng)值即可,不限于16個方向。
[0045]所述顏色塊由圖像區(qū)域的顏色直方圖表示。在本發(fā)明的實施例中所述顏色直方圖通過統(tǒng)計圖像區(qū)域的HSV顏色空間中三個顏色通道的像素值得到，當然此處不限于HSV顏色空間，并且不限于三個顏色通道，只要不少于I個顏色通道即可。
[0046]所述平整度塊由疊加圖像區(qū)域內(nèi)一個或多個方向的Gabor濾波器的響應(yīng)值得到的值表示。本發(fā)明的實施例通過疊加圖像區(qū)域內(nèi)16個方向的Gabor濾波響應(yīng)值得到的值表示所述平整度塊，當然此處只要疊加不少于I個方向的Gabor濾波響應(yīng)值即可，不限于16個方向。
[0047]步驟S3:模型學(xué)習包括以下三個步驟:
[0048]步驟S3-1，從實際交通圖像中截取車輛圖像作為訓(xùn)練圖像，本發(fā)明實施例使用了20幅訓(xùn)練圖像，當然此處只要使用不少于I幅訓(xùn)練圖像都可以，不限于20幅訓(xùn)練圖像，而且越多越好。圖3展示了一部分訓(xùn)練圖像示意圖。
[0049]步驟S3-2,采用消息映射方法(Information Projection Principle)從所述訓(xùn)練圖像中學(xué)習所述部分(a)和部分(b)的混合圖像模板中的圖像塊，同時獲取所述部分(a)或部分(b)的混合圖像模板的概率分布Ip [0050]
【權(quán)利要求】
1.一種基于部分模型的車輛檢測方法，其特征在于:主要包括部分選擇、部分建模、模型學(xué)習和車輛檢測； 所述的部分選擇，根據(jù)易遮擋的程度從車輛對象上提取部分(a)和部分(b)兩個部分，用于組成車輛模型；部分(a)是在車窗附近不易被遮擋的區(qū)域，部分(b)是在車牌周圍容易被遮擋的區(qū)域； 所述的部分建模，利用融合多種特征的混合圖像模板建模所述兩個部分； 所述的模型學(xué)習，利用訓(xùn)練圖像學(xué)習所述兩個部分的混合圖像模板及兩部分之間的位置和尺度關(guān)系； 所述的車輛檢測，利用迭代過程檢測測試交通圖像中的一個或多個車輛，在每個迭代步驟中首先利用模板匹配檢測出兩部分的候選者，然后利用兩部分之間的位置和尺度關(guān)系組合部分候選者，實現(xiàn)車輛檢測。
2.根據(jù)權(quán)利要求1所述的車輛檢測方法，其特征在于:所述的模型學(xué)習，包括以下步驟: 步驟S3-1，從實際交通圖像中截取車輛圖像作為訓(xùn)練圖像，訓(xùn)練圖像數(shù)量不少于I幅；步驟S3-2，利用消息映射法從所述訓(xùn)練圖像中學(xué)習部分(a)和部分(b)對應(yīng)的混合圖像模板中的所有圖像塊及部分 (a)和部分(b)對應(yīng)的混合圖像模板的圖像似然概率； 步驟S3-3，利用所述訓(xùn)練圖像學(xué)習部分(a)和部分(b)之間的位置和尺度關(guān)系的概率分布。
3.根據(jù)權(quán)利要求1所述的車輛檢測方法，其特征在于:所述的車輛檢測，利用一個迭代過程從測試交通圖像中檢測出一個或多個車輛，包括以下步驟: 步驟S4-1，利用所述部分(a)和部分(b)的混合圖像模板對測試交通圖像進行模板匹配，提取所述部分(a)和部分(b)的候選者； 步驟S4-2，利用所述部分(a)和部分(b)的位置和尺度關(guān)系將部分(a)和部分(b)的候選者組合出一個或多個車輛候選者，并計算這些車輛候選者對應(yīng)的車輛檢測概率； 步驟S4-3，提取帶有最大車輛檢測概率的車輛候選者； 步驟S4-4，將所述步驟S4-3中的最大車輛檢測概率與車輛檢測閾值進行比較，若此車輛檢測概率大于等于車輛檢測閾值，則相應(yīng)的車輛候選者為一個被檢測車輛對象；然后利用抹去此被檢測車輛對象的測試交通圖像進行下一個迭代步驟，重復(fù)步驟S4-1，S4-2，S4-3，S4-4 ;若此車輛檢測概率小于車輛檢測閾值，則整個迭代過程停止，車輛檢測過程結(jié)束。
4.根據(jù)權(quán)利要求2所述的車輛檢測方法，其特征在于:所述的車輛檢測，利用一個迭代過程從測試交通圖像中檢測出一個或多個車輛，包括以下步驟: 步驟S4-1，利用所述部分(a)和部分(b)的混合圖像模板對測試交通圖像進行模板匹配，提取所述部分(a)和部分(b)的候選者； 步驟S4-2，利用所述部分(a)和部分(b)的位置和尺度關(guān)系將部分(a)和部分(b)的候選者組合出一個或多個車輛候選者，并計算這些車輛候選者對應(yīng)的車輛檢測概率； 步驟S4-3，提取帶有最大車輛檢測概率的車輛候選者； 步驟S4-4，將所述步驟S4-3中的最大車輛檢測概率與車輛檢測閾值進行比較，若此車輛檢測概率大于等于車輛檢測閾值，則相應(yīng)的車輛候選者為一個被檢測車輛對象；然后利用抹去此被檢測車輛對象的測試交通圖像進行下一個迭代步驟，重復(fù)步驟S4-1，S4-2，S4-3，S4-4 ;若此車輛檢測概率小于車輛檢測閾值，則整個迭代過程停止，車輛檢測過程結(jié)束。
5.根據(jù)權(quán)利要求1至4任一項所述的車輛檢測方法，其特征在于:所述混合圖像模板由一個或多個圖像塊組成，圖像塊分為邊緣塊、紋理塊、顏色塊和平整度塊等類型，所述混合圖像模板包含的圖像塊可以是這些類型中的一種或多種； 所述邊緣塊是由特定方向的Gabor小波基元來表示；所述紋理塊是由圖像區(qū)域的梯度直方圖表示；所述顏色塊由圖像區(qū)域的顏色直方圖表示；所述平整度塊由疊加圖像區(qū)域內(nèi)一個或多個方向的Gabor濾波器的響應(yīng)值得到的值表示。
6.根據(jù)權(quán)利要求2、3或4所述的車輛檢測方法，其特征在于:所述部分(a)或部分(b)的混合圖像模板的圖像似然概率為:
7.根據(jù)權(quán)利要求5所述的車輛檢測方法，其特征在于:所述部分(a)或部分(b)的混合圖像模板的圖像似然概率為:
8.根據(jù)權(quán)利要求3或4所述的車輛檢測方法，其特征在于:所述車輛檢測概率為:
9.根據(jù)權(quán)利要求5所述的車輛檢測方法，其特征在于:所述車輛檢測概率為:

10.根據(jù)權(quán)利要求6所述的車輛檢測方法，其特征在于:所述車輛檢測概率為:p(j|{p1- Ρ'2?) = Pihl, /λ2) Π?=ι Pd、\ρ-? 其中I是一幅測試交通圖像，/&和42分別為在車輛檢測過程中被檢測出的所述部分(a)和部分(b)的候選者所在的圖像區(qū)域，P(4r A2):表示了一對部分(a)和部分(b)的候選者之間的位置和尺度關(guān)系的概率。
11.根據(jù)權(quán)利要求7所述的車輛檢測方法，其特征在于:所述車輛檢測概率為:
ρ(1\{ρι^ρ.2}) = Pilx1.Lu) UUiPi1A, \Ρι) 其中I是一幅測試交通圖像，/一和/人^分別為在車輛檢測過程中被檢測出的所述部分(a)和部分(b)的候選者所在的圖像區(qū)域，Ρ(4,./λ2)表示了一對部分(a)和部分(b)的候選者之間的位置和尺度關(guān)系的概率。
12.根據(jù)權(quán)利要求3或4所述的車輛檢測方法，其特征在于:所述車輛檢測閾值的計算步驟包括: 首先，利用步驟S4-1，S4-2，S4-3從所有所述訓(xùn)練圖像中檢測車輛，并計算相應(yīng)的車輛檢測概率； 然后，利用所有所述訓(xùn)練圖像的車輛檢測概率估計車輛檢測閾值。
13.根據(jù)權(quán)利要求5所述的車輛檢測方法，其特征在于:所述車輛檢測閾值的計算步驟包括: 首先，利用步驟S4-1，S4-2， S4-3從所有所述訓(xùn)練圖像中檢測車輛，并計算相應(yīng)的車輛檢測概率； 然后，利用所有所述訓(xùn)練圖像的車輛檢測概率估計車輛檢測閾值。
14.根據(jù)權(quán)利要求7所述的車輛檢測方法，其特征在于:所述車輛檢測閾值的計算步驟包括: 首先，利用步驟S4-1，S4-2，S4-3從所有所述訓(xùn)練圖像中檢測車輛，并計算相應(yīng)的車輛檢測概率； 然后，利用所有所述訓(xùn)練圖像的車輛檢測概率估計車輛檢測閾值。
15.根據(jù)權(quán)利要求11所述的車輛檢測方法，其特征在于:所述車輛檢測閾值的計算步驟包括: 首先，利用步驟S4-1，S4-2，S4-3從所有所述訓(xùn)練圖像中檢測車輛，并計算相應(yīng)的車輛檢測概率； 然后，利用所有所述訓(xùn)練圖像的車輛檢測概率估計車輛檢測閾值。
【文檔編號】G06K9/64GK103473567SQ201310379473
【公開日】2013年12月25日 申請日期:2013年8月27日 優(yōu)先權(quán)日:2013年8月27日
【發(fā)明者】王飛躍, 李葉 申請人:東莞中國科學(xué)院云計算產(chǎn)業(yè)技術(shù)創(chuàng)新與育成中心, 中國科學(xué)院自動化研究所