[发明专利]一种基于kmeans的高效车辆检测方法

摘要

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。

主权项

一种基于kmeans的高效车辆检测方法，其特征在于，包括以下步骤：S1、离线学习；S2、在线检测；所述步骤S1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；S1.5、假设正样本集合P的大小为MP，采取有放回的抽样方法从正样本集合P中抽取K个子集合P1,P2,...,PK，每个子集合的元素个数为MP；S1.6、假设负样本集合N的大小为MN，采取有放回的抽样本法从负样本集合N中抽取K个子集合N1,N2,...,NK，每个子集合的元素个数为MN；S1.7、将步骤S1.5和步骤S1.6得到正样本集合P1,P2,...,PK和负样本N1,N2,...NK中每个样本进行kmeans特征提取，得到新的正样本集合P1’,P2’,...,PK’和新的负样本集合N1’,N2’,...,NK’，新的正样本集合和新的负样本集合形成K个包含正负训练样本的集合U＝{U1,U2,...,UK}，其中Ui＝{Pi’,Ni’}；S1.8、利用步骤S1.7得到的集合U中的每个训练集Ui构建一棵决策树，并记录其准确率，最终得到K棵决策树F＝{f1,f2,...,fK}以及相应的准确率A＝{a1,a2,...,aK}；所述步骤S2包括以下步骤：S2.1、假设候选物集合为S，将S初始化为空集；S2.2、初始化滑动窗口的起点为图像左上顶点，滑动窗口的宽w为图像的宽的1/10，滑动窗口的高h为图像的高的1/10；S2.3、计算滑动窗口对应的图像区域的信息熵H；S2.4、将步骤S2.3得到信息熵H与步骤S1.4得到的信息熵阈值T做比较，若H>T，则记此滑动窗口为候选物，记为s＝(x,y,w,h)，其中x,y为滑动窗口的左上顶点的坐标，w,h分别为滑动窗口的宽和高，将候选物s＝(x,y,w,h)加入候选物集合S中；S2.5、移动滑动窗口一个步长，重复步骤S2.3～S2.4直到滑动窗口完成遍历图像；S2.6、调整滑动窗口的宽和高，重复步骤S2.2～S2.5直到完成遍历所有预设定的宽和高，预设定的宽为图像宽的9/10，预设定的高为图像高的9/10；S2.7、经过步骤S2.1～S2.6后得到候选物集合S，利用步骤S1.8得到的K棵决策树F对候选物集合S中每一个候选物进行预测分类，若预测分类分类结果为车辆，则将此候选物s＝(x,y,w,h)在图像中进行画框标记；在步骤S1.1中，所述从标记了车辆的自然图像中采集正负训练样本的方法具体为：自然图像I中标记了所有车辆的位置，每辆车辆记为vi＝(xi,yi,wi,hi)，其中，xi,yi为车辆位置框的左上顶点，wi,hi为车辆位置框的宽和高，利用滑动窗口W＝(xj,yj,wj,hj)扫描自然图像I，如果滑动窗口与车辆位置框vi＝(xi,yi,wi,hi)重叠超过70％，则该滑动窗口对应的图像区域为正样本，否则为负样本。