[发明专利]基于Haar-Adaboost算法和直方图对比的出租车检测方法

摘要

本发明公开了基于Haar‑Adaboost算法和直方图对比的出租车检测方法，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加载级联分类器中，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。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。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，选取经典算法中实时性和鲁棒性好的Haar‑Adaboost算法训练出租车的车窗特定区域。通过该方法对出租车进行二次检测，减小出租车误检率。

主权项

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加载级联分类器中，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，本方法中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，所以选取经典算法中实时性和鲁棒性好的Haar‑Adaboost算法训练出租车的车窗特定区域，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。