[发明专利]一种基于多子区域图像特征自动学习的车辆检测器训练方法

说明书

本发明公开了一种基于多子区域图像特征自动学习的车辆检测器训练方法，涉及计算机视觉技术领域。本发明以RealBoost算法选择那些对于车辆检测应用具有较好性能的特征，每一种特征对应一个弱分类器，将多个弱分类器组合成一个强分类器；以级联的形式将多个强分类器构建成车辆检测器。这种表示方法的优点在于不仅可提取图像的外观特征，而且隐含地建模了产生这些外观特征的子区域的几何关系。

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种基于多子区域图像特征自动学习的车辆检测器训练方法。

背景技术

随着传感器技术和电子技术的飞速发展，高级驾驶辅助系统(ADAS)已成为汽车工业的一个重要发展方向。前车检测在基于视觉的ADAS系统中扮演了至关重要的角色，是基于视觉的测距和前车防撞等应用的基础。

以学习的方式训练用于对象检测的分类器，通常提取整个区域的外观特征作为分类的依据。若区域的尺寸较大，则难免其中会包含一些背景图像中的干扰内容；若采用较小的区域，则随着分辨率的下降容易导致区域的可分性下降。

在包含车辆的图像区域中，有些部分包含较多的区分车辆与其它目标的外观信息，而另一些区域几乎不包含任何有价值的外观内容。基于上述观察，本发明将图像区域划分成子区域，以若干个子区域的集合表示图像区域；提取各子区域的特征经过连接和降维处理作为区域的特征；在上述表示方法中，不同子区域组合的数目决定了可提取特征的种类，本发明以RealBoost算法选择那些对于车辆检测应用具有较好性能的特征，每一种特征对应一个弱分类器，将多个弱分类器组合成一个强分类器；以级联的形式将多个强分类器构建成车辆检测器。这种表示方法的优点在于不仅可提取图像的外观特征，而且隐含地建模了产生这些外观特征的子区域的几何关系。

发明内容

本发明的目的在于解决现有技术中存在的问题，并提供一种基于多子区域图像特征自动学习的车辆检测器训练方法，训练所得的检测器以车载摄像机采集的图像为输入，检测图像中的车辆对象。

对于上述技术问题，本发明通过以下技术方案得以解决：

基于多子区域图像特征自动学习的车辆检测器训练方法，该方法包括：

S1:将用于训练的样本图像划分成子区域，取其中若干个子区域的集合表示图像区域，记作：R＝(r(x₁,y₁),r(x₂,y₂),...,r(x_m,y_m)；w,h)，其中R代表图像区域，r(x_k,y_k)代表所述图像区域中的第k个子区域，(x_k,y_k)为第k个子区域左上角点的X和Y方向坐标，m为图像区域中子区域的数目，同一个集合中的所有子区域具有相同的宽和高，分别为w和h；

S2:计算图像区域中每个子区域的方向梯度直方图(HOG)特征，将子区域按其左上角点位置进行排序，按排序后的次序将各个子区域的HOG连接成一个向量，对连接所得的向量作规范化和降维处理后作为图像区域的特征；

S3:设图像区域共包含M个子区域，取其中的m个子区域构成子区域集合，共有种不同的组合方式，每一种组合方式对应一个弱分类器，以RealBoost算法挑选对于车辆检测具有性能满足预设标准的弱分类器组合成一个强分类器；

S4:多个强分类器以级联的形式构成车辆检测器，其中的每一级对应一个强分类器。

基于上述技术方案，各步骤可以采用如下优选方式实现。

S2中所述计算图像区域中每个子区域的HOG特征，包括：