[发明专利]一种基于kmeans的高效车辆检测方法

说明书

本发明公开了一种基于kmeans的高效车辆检测方法，包括离线学习和实时检测的步骤，先利用离线学习过程得到的样本预处理的白化矩阵，用于在实时检测时样本的白化操作，避免不同分量的权重不一致带来的影响，然后利用训练样本训练K棵决策树，用于实时检测，得到检测目标；在实时检测中，利用简单特征挑选有可能是车辆的候选框，再进行kmeans特征提取，利用K棵决策树进行预测分类，得到检测目标。与现有技术相比，本发明具有提高了检测的精度，增强了实时性，降低误检，漏检的概率等优点。

技术领域

本发明涉及车辆检测技术，特别涉及一种基于kmeans的高效车辆检测方法，该检测方法是一种车辆候选物再验证的车辆检测方法。

背景技术

近年来，车辆增长的速度也已远远高于道路和其他交通设施的增长速度，交通事故频繁、人员伤亡与日俱增、财产损失巨大这都要求车辆不仅要具有良好的安全性而且要具备一定的智能性，随之智能车辆(Intelligent Vehicle)的概念应运而生。车辆检测是智能车辆研究领域中的重要组成部分,对于智能车辆的安全驾驶极为关键。目前国内外诞生的车辆检测器产品的种类很多，技术原理和实现方式各不相同，如有线圈检测、视频检测、微波检测、激光检测、声波检测、超声波检测、磁力检测、红外线检测等。其中的视频检测方法无需破坏路面，安装和维护比较方便，是目前车辆检测研究方向的热点。

视频检测技术是一种计算机视觉和图像处理技术，通过视频摄像机和计算机模仿人眼的功能，为实际应用提供实时交通信息的先进技术。在基于视频图像的检测技术中，机器学习方法由于识别性能高、鲁棒性好以及操作便捷而受到越来越多的关注。机器学习方法主要用于进行两类的分类识别：目标物或非目标物。将机器学习应用在车辆检测上一般采用的检测框架是滑动窗口法，即检验滑动窗口的位置是否是车辆。这样的方法耗时比较长，很难实现车辆的实时监测。因此，利用简单的特征先挑选出有可能是车辆的候选框，然后再进行深层次的特征提取再判断的检测框架被更多地运用在实时检测车辆的应用中。

在挑选车辆候选框的时候选用的特征都比较简单，因为简单的特征不需要太多的计算资源，因此能够从海量的位置中快速挑选出有可能是车辆的候选框。得到了一个包含很多车辆候选框的集合后，利用更加鲁棒和更加稠密的特征表示样本，再进行训练分类，就能够兼容实时性和精度两方面的要求。

特征提取是车辆检测中一个非常重要的环节，目的是为了降低车辆图像的维数，通过提取的特征在图像中检测车辆。特征提取的方法主要有：Haar小波特征提取、Haar-like特征提取、Gabor特征提取等等。一个鲁棒的图像特征能够很好的提升分类器的分类预测结果，然而传统的图像领域的车辆特征的设计需要图像专家丰富的经验，更新换代慢。因此利用无监督学习kmeans聚类的方法得到特征映射，能够从海量的无标签数据中得到鲁棒的特征提取方法。

发明内容

为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于kmeans的高效车辆检测方法，该检测方法提高了检测的速度，降低误检，漏检的概率。

本发明的目的通过以下技术方案实现：

一种车辆候选物再验证的车辆检测方法，包括以下步骤：

S1、离线学习，具体包括以下步骤：

S1.1、从标记了车辆的自然图像中采集正负训练样本，并进行正负训练样本预处理，构成正样本集合P和负样本集合N；

S1.2、计算并记录正样本集合P中每个正样本的信息熵，形成正样本集合的信息熵分布；

S1.3、计算并记录负样本集合N中每个负样本的信息熵，形成负样本集合的信息熵分布；

S1.4、根据步骤S1.2和步骤S1.3得到的两个信息熵分布，确定信息熵阈值T；