[发明专利]一种基于机器视觉和机器学习的运动车辆检测算法

说明书

技术领域

本发明涉及车辆检测技术领域，更具体地说，涉及一种基于机器视觉和机器学习的运动车辆检测算法。

背景技术

车辆检测是汽车辅助驾驶系统中的一个研究重点。目前基于视觉传感器的车辆检测方法主要分为以下三种方法：基于先验知识的方法、基于运动信息的方法以及基于机器学习算法的方法。

基于先验知识的车辆检测方法主要是指使用车底阴影、车尾灯、车体水平(竖边缘、车体角点信息)及车体对称性等简单的车辆图像特征对车辆感兴趣区域进行确定。这种方法虽然时间花费少但检测精度低，误检、漏检率较高。基于运动信息典型的方法就是光流场法。光流法是通过摄像头移动形成的光流和车辆运动造成的光流场的差异来确定车辆信息。光流法由于其计算量很大，导致实时性较差，并且远距离光流场较弱，容易造成漏检和误检。基于机器学习的车辆检测方法主要是将车辆特征用相应的描述子进行表示，然后使用机器学习方法对样本的特征集进行训练，最后用训练得到的分类器进行车辆检测。基于机器学习的方法检测精度较高，对环境适应性好，但对硬件要求较高，对整幅图象用不同大小窗口进行遍历计算量较大。

由于车辆自身的复杂变化，包括车辆快速运动、车辆尺度变化、车辆旋转、姿态变化和车辆受相似物干扰、车辆部分甚至全部遮挡等，以及复杂的外部环境，如摄像头移动、抖动、光线变化和恶劣的雨雪天气等，使得车辆目标的准确检测仍然存在诸多难点。针对上述情况，设计一种同时满足精确性和实时性的车辆检测算法显得十分必要。

发明内容

本发明要解决的技术问题在于，提供一种基于机器视觉和机器学习的运动车辆检测算法。

本发明解决其技术问题所采用的技术方案是：构造一种基于机器视觉和机器学习的运动车辆检测算法，包括以下步骤：

步骤S010，通过安装在车辆内后视镜下的摄像头采集道路前方场景视频流，从视频流中获取当前帧的数据；

步骤S020，提取车辆假设区域；

步骤S030，验证车辆假设区域。

优选地，在上述步骤S020中，包括以下步骤：

步骤S021，对摄像头读入的每一帧图像进行感兴趣区域的划分，将图像垂直方向从下到上1/3图像大小的区域剔除；

步骤S022，采用加权平均法对步骤S021处理后的彩色图像进行灰度处理；

步骤S023，对灰度图像进行图像去噪；

步骤S024，对去噪后的图像进行图像阈值分割；

步骤S025，对二值化图像进行形态学处理；

步骤S026，选用面积和矩形度两种特征描述子来剔除形态学处理后的图像中非目标区域；

步骤S027，提取并合并阴影线。

优选地，在上述步骤S030中，包括以下步骤：

步骤S031，图像预处理；

步骤S032，提取特征；

步骤S033，离线训练分类器；

步骤S034，测试分类器；

步骤S035，应用经步骤S033训练和步骤S034测试的分类器对步骤S020提取到的车辆假设区域进行验证；

步骤S036，输出带框车辆的图像序列。

进一步地，在上述步骤S023中，采用中值滤波来进行图像去噪，对邻域内的采样数据进行排序后取中值来替代中心像素灰度值。

进一步地，在上述步骤S024中，先将灰度图像使用Canny算子进行边缘检测来提取图像边缘特征，沿垂直方向从图像底部进行扫描，把灰度值突变前的区域作为路面区域，然后计算出路面区域的均值和标准差，最后选取阈值为均值减去3倍的标准差来进行二值化。