[发明专利]基于Haar-Adaboost算法和直方图对比的出租车检测方法

权利要求书

1.基于Haar-Adaboost算法和直方图对比的出租车检测方法，其特征在于：

首先采集车窗区域的正负样本，提取正负样本的Haar特征；然后，基于Adaboost算法的级联分类器训练对正负样本进行处理，将待测图像和视频与基于Adaboost算法的级联分类器训练后的样本输入至级联分类器中，显示出租车检测结果，检测到的区域定位车顶灯区域，车顶灯区域颜色空间转换，最后进行直方图对比；

建立用于出租车检测的标准数据集，所采用的数据样本集为通过摄像头采集的出租车图片，数据样本集中包含不同角度和不同亮度条件下的出租车图片样本；

考虑到实际环境中极易发生出租车相互遮挡的情况，因此选取出租车不易被遮挡的车窗区域为Haar特征提取区域；同时，为了增加训练样本的多样性，对原有的样本图像进行镜像处理，使得正样本数量为原有的样本图像两倍；

接着，考虑到非现场执法过程中需要对复杂环境下的出租车实现实时检测，所以选取Haar-Adaboost算法对出租车的车窗特定区域进行训练，实现对出租车的初步检测；

利用Haar-Adaboost算法对视频进行检测，除却检测距离较远的出租车，存在出租车误检的情况；出现误检的原因则是该车窗特定区域Haar特征和提取的出租车车窗区域Haar特征较为相似，在此基础上，根据经验值定位出出租车特有的车顶灯区域，利用HSV模型下的直方图对比的方法实现将定位的车顶灯区域图像和事先准备好的车顶灯样本图进行的直方图对比；通过该方法对出租车进行二次检测，进一步减小出租车的误检率；

利用Haar特征模板对车窗区域样本集进行特征提取，在得到出租车车窗区域样本的Haar特征后，通过利用Adaboost 算法对大量的正负样本进行学习；Adaboost算法根据得到的Haar特征利用弱分类器将样本进行分类，在每次迭代的过程中把分类错误率最小的弱分类器作为此次迭代的最优分类器，并为最优弱分类器赋以权重；并根据上一次的分类结果更新每个样本的权值，同时提高分类错误的训练样本的权重和降低分类正确的样本权重；把经过多次迭代之后得到的一系列弱分类器级联生成决策分类器；利用训练得到的分类器对采集的出租车图像进行检测，具体过程如下：在待检测出租车图像上利用不同大小的矩形框进行多尺度扫描，利用级联分类器对扫描的每个矩形区域进行判断；如果图像中某矩形区域通过了所有的级联分类器，该区域为出租车车窗区域，并得到当前图像中车辆所在的位置；否则，说明该区域不是出租车车窗区域；

得到车窗检测区域后，设Haar-Adaboost算法检测出的车窗位置最小外接矩的左上角定点坐标为P₀(x₀,y₀) ，最小外接矩的长和宽分别为L和H；车顶灯直方图对比的流程如下：

Step1：定义图像左上角为坐标原点，以坐标原点为中心建立图像坐标系，以图像坐标系为基准，选取车顶灯中心坐标为P₁(x₁,y₁)，由于车顶灯居中于车顶，所以无论出租车角度如何变化，车顶灯的中心横坐标x₁等于车窗中心坐标，而车顶灯宽度和提取的车窗区域的宽度的比例根据大量图像计算为1：6，则：

x₁=x₀+0.5L (1)

y₁=y₀+H/12 (2)

Step2：以P₁为中心做最小外接矩，该最小外接矩为定位的车顶灯区域；为了尽可能保证矩形区域内包含车顶灯信息，选取的矩形区域小于车顶灯大小，设该矩形区域的长和宽分别为L₀和H₀，则初步选取：

L₀=L/4 (3)

H₀=H/8 (4)

Step3：读入定位的车顶灯检测区域和车顶灯样本图，并将其由RGB空间转换到HSV空间；

Step4：计算HSV空间下车顶检测区域和车顶灯样本图的颜色直方图，并归一化以便对比；其中，定位的车顶灯区域图像的直方图为H₁，车顶灯样本图的直方图为H₂；

Step5：采用相关系数法将车顶灯区域直方图和车顶灯样本图的直方图进行对比。