[发明专利]一种静态图像的多方向车辆粗定位方法

说明书

本发明公开了一种静态图像的多方向车辆粗定位方法，本发明与目前已有的基于静态图像的车辆定位方法相比，优势在于本发明可以实现多方向的车辆粗定位，且车辆的漏检率较低；同时本文方法将复杂场景下的多方向多车辆的定位问题转化为小区域的单车辆精准定位问题，为进一步车辆精准定位提供了保障。

技术领域

本发明涉及智能交通领域，具体是一种静态图像的多方向车辆粗定位方法。

背景技术

车辆检测与定位是车辆多种信息定位、识别、分析的前提，是计算机视觉和智能交通的一个研究热点，目前基于视频的车辆定位方法较为成熟，可以较为精准的定位出车辆位置，但是静态图像的车辆定位方法还很难保证检测率和精准度，特别是对于多方向的车辆定位问题。

目前基于静态图像的车辆定位方法主要通过使用分类器的实现，包括基于像素的分类器的方法，如刘怀愚等(一种用于静态图像车辆检测的颜色变换模型[J].计算机系统应用,2010,19(9):191-194)首先将所有像素颜色由RGB三维颜色空间变换到一个二维颜色空间上，然后训练的二维颜色空间上的车辆像素分类器，但是该分类器的分类准确率不高，不能精准定位车辆位置；张力等(颜色特征模型在静态车辆检测中的应用[J].武汉工程大学学报,2015,37(1):73-78)利用贝叶斯分类器进行路面和车辆的像素分离，最后通过最小割/最大流算法进行车辆目标分离，该方法同样存在定位精准度不高的问题；以及基于车辆图像的分类器方法，该方法对于单一方向的车辆定位问题，可以达到较好的车辆检测率，但定位精准度不够，如李星等(基于HOG特征和SVM的前向车辆识别方法[J].计算机科学,2013,40(s2):329-332)利用HOG+SVM进行前向车辆检测，实验证明在正常光照下检测率可以达到96.52％；陈阳舟(基于Co—training方法的车辆鲁棒检测算法[J].计算机科学,2013,39(3):394-401)提出了基于Co-training半监督学习方法的车辆鲁棒检测算法，该方法同样只能实现单向车辆的检测，同时定位精准度较差。但是多方向车辆的检测问题的解决还是比较困难，如果用一个分类器去检测，一方面将多个方向的车辆样本方法一起训练，容易出现过拟合现象，定位精准度不高，另一方面因为检测框大小比例不确定，需要通过多尺度滑动窗口方法检测，检测效率很慢，即使训练多个方向的分类器还是会存在检测效率差和筛选问题。

综上所述，对于复杂场景下的多车辆多方向车辆定位问题，直接通过分类器方法实现是比较困难，因此本发明提出一种静态图像的多方向车辆粗定位方法，该方法可以找到车辆的大致所在区域，从而将复杂场景下的多车辆多方向的车辆定位问题转化为较小区域的单车辆定位问题，进一步可以通过其他精确定位方法进行车辆定位。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种静态图像的多方向车辆粗定位方法，该方法利用多个分类器实现车辆左下和右下窗角的定位，进而根据计算得到两个窗角角度推算出车辆方向，最后根据窗角位置和车辆方向实现车辆粗定位。

本发明具体包括如下步骤：

步骤1：利用Hog+SVM训练得到4个分类器：车脸判别器、左下窗角判别器、右下窗角判别器、联合窗角区域判别器，其中联合窗角区域是指包含左下窗角和右下窗角的最小矩形区域；

步骤2：获取交通监控相机拍摄的车辆正面监控图像，将其缩放到宽度为width，高度为height的图像，记为图像D；

步骤3：利用多尺度滑动窗口结合车脸判别器检测出图像D中车脸区域c；