[发明专利]一种前方车辆检测方法

说明书

技术领域

本发明涉及汽车主动安全领域，具体涉及一种可应用于前车碰撞预警的前方车辆检测方法。

背景技术

前方车辆碰撞预警作为汽车主动安全领域重要的研究方向，已成为世界各汽车零部件供应商和汽车主机厂关注的热点，且在奔驰、宝马等豪华车上得到普遍应用，并逐渐向中低端车型普及。目前针对前方碰撞预警，主要有基于雷达的方法，基于视觉方法和基于雷达和视觉融合的方法。由于基于视觉的方法成本低，Mobileye开发的前方碰撞预警系统已成为比较成熟的辅助驾驶系统。而中国在这方面的研究与国外还有很大差距，因此深入该领域研究已成为提高我国关键汽车零部件核心竞争力的一个重要方面。基于视觉的车辆检测方法核心在于车辆检测算法，提高车辆检测算法的识别率和降低车辆检测虚警率成为研究的重中之重工作。

目前车辆检测方法有基于车底阴影的方法、基于机器学习的方法和基于光流的方法。现有技术中存在如下技术问题：基于车底阴影的方法由于受天气影响大，稳定性问题难以克服。基于光流的方法应用前提是目标物需要存在相对运动，对相对运动较小的车辆漏检率高。基于机器学习的方法采用大量数据进行学习训练，车辆检测鲁棒性强，但是虚警率较高。

发明内容

本发明目的在于提供一种有效的提高车辆识别率和降低车辆虚警率的方法。

具体技术方案如下：一种前方车辆检测方法，其特征在于，具体实施步骤如下：

步骤1:建立正负样本库；采集大量有车辆存在和无车辆的视频图片，将图像中的车辆部分提取出来作为车辆训练正样本库，挑选视频图片中没有车辆的图片形成负样本库；

步骤2:训练数学模型，采用机器学习方法进行车辆检测；

步骤3:车辆识别；

步骤4：采用先验信息确认，降低干扰；

步骤5:车辆对称性验证。

进一步地，步骤1中正样本为10000-20000个，负样本为50000-100000个。

进一步地，步骤2中采用机器学习方法具体为基于机器学习的识别方法首先采用特征提取方法得到车辆特征信息，然后采用模式识别方法进行识别。

进一步地，特征提取方法为基于HOG的方法或基于类Haar特征方法。

进一步地，模式识别方法主要有基于支持向量机(SVM)、基于神经网络或基于adaboost的方法。

进一步地，步骤2采用基于类Haar特征+adaboost的方法进行训练，得到数学模型。

进一步地，步骤3中采用级联adaboost进行识别，逐层排除非车辆区域。

进一步地，步骤5中利用汽车边缘信息判断车辆存在性。

进一步地，车辆对称性验证的具体处理步骤如下：

选定车辆，确定候选车辆区域；

车辆区域左右边界向外扩展一定宽度，得到车辆区域的左右边缘分别为Col_left和Col_right；

在车辆候选区域内采用Sobel垂直边缘增强方法进行增强，提取出车辆边缘图像；

将车辆边缘图像向水平方向投影，即将属于同一列的边缘图像进行累加，得到车辆水平投影数据；

将车辆投影数据进行累加，得到累加数值设为T,以Col_left作为起点对车辆投影数据进行逐列累加；

如果累加值超过T/2时，则停止累加；得到对应此时的图像列坐标为Col_median,计算|Col_median-(Col_right+Col_left)/2|的值是否小于设定偏差阈值th；

如果|Col_median-(Col_right+Col_left)/2|<th,可以判定此区域有车辆存在，否则车辆不存在。

进一步地，车辆区域左右边界向外扩展宽度分别为15个像素。

进一步地，偏差阈值th设定为15。

与目前现有技术相比，本发明能够：

1)采用机器学习方法，通过采集大量正负样本，训练学习得到数学模型，采用级联adaboost算法识别车辆。

2)采用先验知识确定车辆检测区域，去除周边干扰信息。

3)采用车辆对称性，确认车辆存在性。

从而有效的提高车辆识别率和降低车辆虚警率。

附图说明

图1为车辆检测流程图

图2为车辆对称性计算流程图

具体实施方式

下面根据附图对本发明进行详细描述，其为本发明多种实施方式中的一种优选实施例。

本发明涉及一种前方车辆检测方法，程序流程图如图1，具体实施步骤如下：