[发明专利]基于视觉显著性和队列修正的停车场和车辆目标检测方法

说明书

基于视觉显著性和队列修正的停车场和车辆目标检测方法，它属于停车场内车辆检测技术领域。本发明解决了现有遥感图像车辆目标检测方法处理速度慢、车辆目标检测效果差的问题。本发明根据停车场区域亮度特征设计一种基于亮度特征的显著图BBSM用于停车场区域粗提取，再利用停车场区域的颜色特征和面特征精确提取停车场轮廓；在每一个精提取的停车场轮廓内，提取可能包含车辆的疑似区域，设计基于边缘统计模型的车辆队列排布方向的计算方法来修正车辆队列排布方向，最后利用滑窗方法切割车辆队列来提取疑似车辆切片，提取切片的HOG特征后，利用SVM分类器进行二分类，将分类为车辆的目标标记回原图，实现车辆检测；本发明应用于停车场内车辆检测技术领域。

技术领域

本发明属于停车场内车辆检测技术领域，具体涉及一种停车场和车辆目标检测方法。

背景技术

遥感图像中车辆目标的检测在城市规划、交通管理等方面都具有重要的应用意义。但现有的车辆检测研究较多集中在道路车辆的检测，对于停放在停车场内的车辆检测研究相对较少，其方法可以大致分成两种：基于模板匹配的目标分类方法；基于特征提取的目标分类方法。

基于模板匹配的方法是目标分类的基本方法之一，通过计算模板图像和待识别目标图像像素点的欧氏距离等度量其相似度，从而判断待识别区域或目标的类别。但其只能与模板库中含有的样本做匹配，导致算法的泛化能力较低，不具有良好的光照不变性、旋转不变性和视角变换不变性，而且逐点运算复杂度高，运算时间长，不能用于实时处理。基于特征的分类方法对遥感区域提取和目标检测识别是比较通用且有效的方法。通过分析目标与虚警在一些特征上的差异，如尺度不变特征变换特征、方向梯度直方图(Histogram ofOriented Gradient，HOG)特征、几何不变矩、长宽比、纹理特征等，然后选择其中有利于分类的特征描述切片，最后利用机器学习等方法对特征分类。

现有的遥感图像的车辆目标检测的主要问题在于区域跨度广，数据量大而且在亚米级分辨率下目标细节特征不明显。这将导致处理系统内存占用大，且处理过程较慢，而且车辆样本切片能提取的特征较少，影响分类器的分类效果，导致车辆目标检测的效果差。

因此，研究一种既能减少无用数据的处理，又能准确检测出车辆目标的方法就显得很有必要。

发明内容

本发明的目的是为解决现有的遥感图像车辆目标检测方法的数据量大导致处理速度慢，以及车辆样本切片能提取的特征少导致车辆目标检测效果差的问题。

本发明为解决上述技术问题采取的技术方案是：基于视觉显著性和队列修正的停车场和车辆目标检测方法，该方法包括以下步骤：

步骤一、输入亚米级高分辨率光学遥感图像，基于停车场的亮度特征和视觉显著性，计算出输入的亚米级高分辨率光学遥感图像的BBSM显著图，并将计算出的BBSM显著图二值化；

步骤二、根据停车场的面特征对二值化后的BBSM显著图进行超像素的分割，得到分割后的全部超像素块，设置筛选条件对分割后的全部超像素块进行筛选，计算筛选出的每个超像素块的质心图CDM_(i′,j′)，利用计算出的每个超像素块的质心图CDM_(i′,j′)更新二值化后的BBSM显著图，得到二值化后的BBSM显著图的质心图CDM；

根据得到的CDM计算二值化后的BBSM显著图的质心密度分布指数CDDI图，并根据CDDI图获取ROI图像，即获得粗提取停车场区域图像；

步骤三、根据粗提取的停车场区域图像及停车场的颜色特征和面特征，获得精提取的停车场区域图像，完成停车场检测；

步骤四、计算精提取的停车场区域图像的SR显著图，并提取SR显著图内的疑似车辆区域；

计算每个疑似车辆区域的队列排布方向的角度，根据求得的角度将所有的疑似车辆区域旋转至水平排布的方向，完成疑似车辆区域的队列修正；