[发明专利]基于神经网络实现人车分类的方法和系统

说明书

技术领域

本发明涉及汽车分类技术领域，特别涉及基于神经网络实现人车分类的方法和系统。

背景技术

交通事故是导致行人死亡的一个主要因素之一，由于自行车骑车人和行人在交通事故中常常处于弱势地位，一旦与机动车发生交通事故，很容易受到伤害。因此，行人检测技术成为近年来智能分析领域研究中备受关注的研究方向，尤其对于智能交通视频分析领域，对目标的分类和检测，对道路的管理和交通安全有至关重要的作用。

目前，目标分类的主要方法有基于形状模型匹配的方法、基于分类器的方法和利用梯度方向直方图的方法。

其中，基于背景提取和形状模型匹配的方法，该方法主要是通过对当前图像与参考背景的像素进行逐个做差来得到运动目标，通过运动目标与相应已知目标的形状模型进行匹配来进行判别。这种方法的缺陷在于：行人具有的多态性和人和车辆的多样性决定了通过模型匹配不能达到较理想的结果。

应用Harr型特征的方法，该方法通过从大量训练样本中提取Haar型特征，对这些特征进行训练得到强分类器，最后通过强分类器来进行目标的识别和分类。Harr型特征检测方法成功的应用在人脸检测，速度很快，精度较高，已经广泛应用，但是行人检测不同于人脸检测，Harr特征主要是基于灰度分布的区域特征，人脸在这方面非常稳定，所以有很高的检测精度，但应用于户外公路行人和人和车辆时，由于色彩多样，光线、天气变化等因素影响，行人和人和车辆图像在灰度分布的区域上并没有明显的特征，因此利用Harr特征进行分类也不能达到很好的效果。

利用梯度方向直方图特征的方法，它提取了图像中局部区域的梯度方向直方图特征，通过对样本中该特征进行训练，然后用模式识别中的方法形成分类器，从而实现目标检测和分类。利用梯度直方图的方法，它提取了图像中局部区域的梯度方向直方图特征，通过对样本中该特征进行训练，然后用模式识别中的方法形成分类器，从而实现行人检测。它的独特之处在于，HOG特征描述了图像局部区域的梯度强度和梯度方向的分布情况，该分布情况能对局部对象外观和形状进行很好的表征，事实证明能够很好的应用在行人检测中，已经成为目前主流的方法。但在实际应用中，根据不同的场景，不同的相机架设的高度、角度，往往需要训练相应的训练器；在实际监控中需要实时对视频序列进行处理，并且需要对目标进行跟踪，利用分类器并不能很好的满足实时的要求，并且不同视频场景不同，无法确定统一的检测区域，在使用上带来不便。

人车分类的目的就是在输入的图像中把将人和汽车进行分类，

在对人车检测性能进行评价的时候，引入四个指标：检测正确率(correct.rate)，错误报警率(false.alarm-rate)，检测速度(detectingspeed)以及鲁棒性(robustness)。

检测正确率，也即精度，就是被正确检测到的人和车辆数目除以原图像中包含的人和车辆数目。检测正确率越高，说明检测系统对人和车辆的接受能力越强。

检测速度，大部分应用领域需要在线实时地检测人和车辆，如人和车辆跟踪、可编程视频监控等。在检测率和误检率达到满意的前提下，检测速度越快越好。目前，人车分类技术还不十分成熟，影响人车分类结果的不确定因素很多，比如说姿态的交化以及背景情况等等。虽然这些因素对于人类的视觉系统并不构成太大的障碍，但是对现有的人车分类系统就提出了一定的挑战，因为对于人车分类系统来说，它只能在一定的限制条件下才能取得较好的检测效果，而且在检测速度方面还有待于提高。

在实际应用中，由于大多数都是面向实时性处理，这要求人车分类算法便于实现，精度要高，而且具有较快的检测速度。目前的人车分类算法还不能较好地处理任意环境、光照和遮挡等变化条件，而且在检测精度，检测速度方面存在不足。

神经网络方法进行人车分类的优点是可以简便的构造出神经网络系统作为分类器，使用不同人和车辆样本对该系统进行训练，让系统自动学习样本复杂的类条件密度，这样就避免了人为假设类条件密度函数所带来的问题。

国内对人车分类问题的研究很多，多个大学、研究机构的人员已经投入到人车分类这一领域的研究当中，并且也取得了一定的研究成果。