本發(fā)明涉及道路安全領(lǐng)域，具體涉及一種基于增長型極限學(xué)習(xí)機的車輛檢測方法。

背景技術(shù)：

科技和經(jīng)濟(jì)的發(fā)展推動著交通工具的革新。汽車的誕生給人類的生活出行帶來極大的便利。然而汽車也給人類的生活帶來紛繁的問題，如交通安全、交通擁擠和環(huán)境污染等。特別是在交通安全方面，交通事故給人們的生命和財產(chǎn)造成巨大損失。例如，2015年，光在我國就發(fā)生了10597358起交通事故，死亡人數(shù)大約68432人，所占總死亡人數(shù)的百分比為1.5％。如何減少交通事故發(fā)生概率，提高道路安全成為了大家關(guān)注的問題。

計算機性能的飛速提高，為基于視覺的車輛檢測技術(shù)的發(fā)展帶了蓬勃的生機。雖然目前有不少基于視覺的車輛檢測方法被提出，但是現(xiàn)有的方法大部分仍存在著許多問題。如車輛檢測的準(zhǔn)確率低，系統(tǒng)運行速度慢，無法做到實時，需要大量時間進(jìn)行分類器的訓(xùn)練，抗干擾能力不強等問題。這些問題的存在顯然是不利于基于視覺的車輛檢測技術(shù)運用到實際路況當(dāng)中。

技術(shù)實現(xiàn)要素：

為了克服現(xiàn)有技術(shù)中車輛檢測的準(zhǔn)確率不同，存在重大的誤判情況且檢測實時性差的不足，本發(fā)明提供一種基于增長型極限學(xué)習(xí)機的車輛檢測方法。

本發(fā)明采用如下技術(shù)方案：

一種基于增長型極限學(xué)習(xí)機的車輛檢測方法，包括如下步驟：

s1訓(xùn)練增長型極限學(xué)習(xí)機；

s2采用已訓(xùn)練增長型極限學(xué)習(xí)機對車輛進(jìn)行檢測識別。

所述s1訓(xùn)練增長型極限學(xué)習(xí)機具體包括如下步驟：

s1.1運用選擇搜索的方法處理車輛樣本圖像，得到車輛樣本的候選窗口集；s1.2篩選車輛樣本的候選窗口集，并對候選窗口進(jìn)行標(biāo)記作為樣本的標(biāo)簽，形成新的樣本候選窗口集；

s1.3提取新的樣本候選窗口集的hog特征作為訓(xùn)練增長型極限學(xué)習(xí)機的樣本特征；

s1.4訓(xùn)練增長型極限學(xué)習(xí)機。

所述s2采用已訓(xùn)練增長型極限學(xué)習(xí)機對車輛進(jìn)行檢測設(shè)別，具體步驟為：

s2.1采用攝像頭采集車輛的rgb圖像；

s2.2運用選擇搜索的方法處理rgb圖像，得到候選窗口集；

s2.3提取候選窗口集的hog特征作為增長型極限學(xué)習(xí)機的輸入；

s2.4用已訓(xùn)練的增長型極限學(xué)習(xí)機進(jìn)行車輛識別。

所述s1.1運用選擇搜索的方法處理車輛樣本圖像，得到車輛樣本的候選窗口集，具體為：

s1.1.1使用基于圖的有效分割算法分割每一張車輛樣本圖像的rgb圖像，得到原始分割區(qū)域r＝{r1,…,rn}，其中r為原始分割區(qū)域集，ri為第i個區(qū)域，n為原始分割區(qū)域數(shù)；

s1.1.2初始化相似度集合統(tǒng)計每個區(qū)域每個顏色通道的26個區(qū)間的直方圖，并對直方圖做歸一化操作，使每個區(qū)域具有一個78維的向量計算兩兩相鄰區(qū)域之間的相似度sij，并添加到相似度集合s；

s1.1.3從相似度集合s中找出最大的sij，將區(qū)域ri和區(qū)域rj合并成區(qū)域rt，從相似度集合s中除去原先與ri和rj相鄰區(qū)域之間計算的相似度，計算rt與其相鄰區(qū)域的相似度，將其結(jié)果添加的到相似度集合s中，同時將新區(qū)域rt添加到區(qū)域集合r中；

s1.1.4重復(fù)s1.1.3步驟，直到相似度集合s為空集，從區(qū)域集合r中得到候選窗口集合l。

所述s1.2篩選車輛樣本的候選窗口集，并對候選窗口進(jìn)行標(biāo)記作為樣本的標(biāo)簽，形成新的樣本候選窗口集，具體步驟如下：

s1.2.1為每個目標(biāo)從候選窗口集合中選擇一個恰好包含目標(biāo)的候選窗口標(biāo)記為正樣本；

s1.2.2從候選窗口集中選擇與正樣本窗口重疊20％到50％面積的候選窗口標(biāo)記為負(fù)樣本；

s1.2.3從候選窗口集中剔除彼此重疊75％或以上面積的負(fù)樣本以及剔除沒有被標(biāo)記的候選窗口，形成新的候選窗口集。

所述s1.3提取新的樣本候選窗口集的hog特征作為訓(xùn)練增長型極限學(xué)習(xí)機的樣本特征，具體步驟如下：

s1.3.1將樣本候選窗口集合的rgb圖轉(zhuǎn)換成灰度圖；

s1.3.2對灰度進(jìn)行灰度變換；

s1.3.3將灰度圖分別與[-1,0,1]和[-1,0,1]^t兩個梯度算子卷積，得到圖像gx和gy，然后計算梯度大小和方向；

s1.3.4將候選窗口分成16個子窗口。將360度等分成18份，采用以梯度大小為權(quán)值的加權(quán)投影方式，分別得到16個子窗口的梯度方向直方圖；

s1.3.5將16個梯度方向直方圖分別進(jìn)行歸一化并串聯(lián)起來，得到288維的候選窗口hog特征。

所述s2.4用已訓(xùn)練的增長型極限學(xué)習(xí)機進(jìn)行車輛識別，具體為：

s2.4.1計算候選窗口hog特征的隱含層輸出，具體公式如下：

其中h′為候選窗口hog特征的隱含層輸出矩陣，xj是第j個候選窗口的hog特征，g(x)為隱含層節(jié)點的激勵函數(shù)，本發(fā)明采用徑向基函數(shù)，aj為第j個隱含層節(jié)點的輸入權(quán)重，bj為j個隱含層節(jié)點的輸入偏置，l為隱藏層節(jié)點數(shù)，m為候選窗口總數(shù)；

s2.4.2計算并輸出分類結(jié)果，具體公式如下：

y＝h′*β

其中y是基于已訓(xùn)練的增長型極限學(xué)習(xí)機的車輛檢測結(jié)果，β是隱含層輸出權(quán)重，h′為隱藏層輸出矩陣。

本發(fā)明的有益效果：

(1)本發(fā)明采用選擇搜索的方法快速有效進(jìn)行車輛候選窗口提取；

(2)本發(fā)明采用hog特征作為候選窗口的特征向量，提高車輛檢測的準(zhǔn)確率；

(3)本發(fā)明采用增長型極限學(xué)習(xí)機作為車輛檢測的分類算法，優(yōu)點具有無需人為設(shè)置難以確定的候選隱藏層節(jié)點數(shù)，訓(xùn)練速度快及準(zhǔn)確率高等優(yōu)點。

附圖說明

圖1是本發(fā)明的訓(xùn)練流程圖；

圖2是本發(fā)明的選擇搜索流程圖；

圖3是本發(fā)明的hog特征提取流程圖；

圖4是本發(fā)明的增長型極限學(xué)習(xí)機訓(xùn)練流程圖。

具體實施方式

下面結(jié)合實施例及附圖，對本發(fā)明作進(jìn)一步地詳細(xì)說明，但本發(fā)明的實施方式不限于此。

實施例

如圖1所示，一種基于增長型極限學(xué)習(xí)機的車輛檢測方法，包括如下步驟：

s1訓(xùn)練增長型極限學(xué)習(xí)機，具體包括如下：

s1.1運用基于顏色相似度以及大小相似度的選擇搜索的方法處理樣本圖像，樣本圖像主要是單目攝像頭對路邊車輛拍的rgb照片就可，如圖2所示，

s1.1.1使用基于圖的有效圖像分割算法分割每一張樣本的rgb圖像，得到原始分割區(qū)域r＝{r1,…,rn}。其中r為原始分割區(qū)域集，ri為第i個區(qū)域，n為原始分割區(qū)域數(shù)。

s1.1.2初始化相似度集合統(tǒng)計每個區(qū)域每個顏色通道的26個區(qū)間的直方圖，并對直方圖做歸一化操作，使每個區(qū)域具有一個78維的向量計算兩兩相鄰區(qū)域之間的相似度sij，并添加到相似度集合s。相似度計算公式如下：

sij＝coij+siij

其中coij為區(qū)域ri和區(qū)域rj的顏色相似度，為區(qū)域ri向量的第k個分量，siij為區(qū)域ri和區(qū)域rj的大小相似度，size(ri)為區(qū)域ri的像素點個數(shù)，size(im)為整幅圖的像素點個數(shù)，sij為區(qū)域ri和區(qū)域rj的相似度。

s1.1.3從相似度集合s中找出最大的sij，將區(qū)域ri和區(qū)域rj合并成區(qū)域rt，從相似度集合s中除去原先與ri和rj相鄰區(qū)域之間計算的相似度，計算rt與其相鄰區(qū)域的相似度，將其結(jié)果添加的到相似度集合s中。同時將新區(qū)域rt添加到區(qū)域集合r中。

s1.1.4重復(fù)步驟s1.1.3，直到相似度集合s為空集，從區(qū)域集合r中得到候選窗口集合l。

s1.2篩選車輛樣本的候選窗口集，并對候選窗口進(jìn)行標(biāo)記作為樣本標(biāo)簽，形成新的樣本候選窗口集，具體步驟如下：

s1.2.1從候選窗口集中選擇一個恰好包含目標(biāo)的候選窗口標(biāo)記為正樣本；

s1.2.2從候選窗口集中提出彼此重疊75％或以上面積的負(fù)樣本以及剔除沒有被標(biāo)記的候選窗口，形成新的候選窗口集。

s1.3提取樣本候選窗口的hog特征作為訓(xùn)練增長型極限學(xué)習(xí)機的樣本特征，如圖3所示，具體步驟如下：

s1.3.1將候選窗口的rgb圖轉(zhuǎn)換成灰度圖；

s1.3.2用以下公式對候選窗口的灰度圖進(jìn)行灰度變換。

f′(x,y)＝f(x,y)^0.5

其中f′(x,y)為灰度壓縮后位于圖像(x,y)的灰度值；f(x,y)為灰度壓縮前位于圖像(x,y)的灰度值。

s1.3.3將灰度圖分別與[-1,0,1]和[-1,0,1]^t兩個梯度算子卷積，得到圖像gx和gy，然后計算梯度大小和方向。公式如下：

其中g(shù)(x,y)、α(x,y)分別為位于圖像(x,y)的梯度大小和梯度方向；gx(x,y)、gy(x,y)分別為圖像gx和gy在(x,y)的值。

s1.3.4將候選窗口分成16個子窗口。將360度等分成18份，采用以梯度大小為權(quán)值的加權(quán)投影方式，分別得到16個子窗口的梯度方向直方圖。

s1.3.5將16個梯度方向直方圖分別進(jìn)行歸一化并串聯(lián)起來，得到288維的候選窗口hog特征。

s1.4訓(xùn)練增長型極限學(xué)習(xí)機，如圖4所示，具體步驟為：

s1.4.1隨機出15個候選隱藏層節(jié)點的輸入權(quán)重和輸入偏置。其中輸入權(quán)重的隨機范圍[-2,2]，輸入偏置的隨機范圍[-1,1]。

s1.4.2分別計算15個候選隱藏層節(jié)點加入到現(xiàn)有網(wǎng)絡(luò)后的網(wǎng)絡(luò)殘差。以第i個候選隱藏層節(jié)點為例，具體公式如下：

e(i)＝e-h(i)·β(i)

其中h(i)為候選隱藏層節(jié)點的輸出矩陣，a(i)為輸入權(quán)重，b(i)為輸入偏置，xj為第j個候選窗口的樣本特征，n為樣本總數(shù)，g(a,b,x)為隱藏層節(jié)點激活函數(shù)，β(i)為輸出權(quán)重，e為上一次迭代后的網(wǎng)絡(luò)殘差，e(i)為第i個候選隱藏層節(jié)點對應(yīng)的網(wǎng)絡(luò)殘差。在第一次迭代前，網(wǎng)絡(luò)殘差e初始化為樣本標(biāo)簽t，激活函數(shù)g(a,b,x)在本發(fā)明中取徑向基函數(shù)。

s1.4.3選擇最優(yōu)的候選隱藏層節(jié)點加入到現(xiàn)有網(wǎng)絡(luò)中，并更新各參數(shù)。更新公式如下：

i^*＝{i|min||e(i)||,i＝1,…,v}

其中i^*為最優(yōu)候選隱藏層節(jié)點序號，e(i)為第i個候選隱藏層節(jié)點對應(yīng)的網(wǎng)絡(luò)殘差，e為上一次迭代后的網(wǎng)絡(luò)殘差，β為網(wǎng)絡(luò)輸出權(quán)重，al+1、bl+1、βl+1、hl+1分別為網(wǎng)絡(luò)中第l+1個隱藏層節(jié)點的輸入權(quán)重、輸入偏置、輸出權(quán)重、輸出矩陣，分別為最優(yōu)候選隱藏層節(jié)點的輸入權(quán)重、輸入偏置、輸出矩陣、網(wǎng)絡(luò)殘差，l為網(wǎng)絡(luò)現(xiàn)有隱藏層節(jié)點總數(shù)。

s1.4.4如果達(dá)到訓(xùn)練流程停止條件則結(jié)束訓(xùn)練流程，否則進(jìn)入下一次迭代。其中停止條件為：網(wǎng)絡(luò)隱藏層節(jié)點達(dá)到600或者分類的準(zhǔn)確率大于98％。

s2采用已訓(xùn)練增長型極限學(xué)習(xí)機對車輛進(jìn)行檢測識別。

s2.1采用攝像頭采集車輛的rgb圖像；

s2.2采用與s1.1相同的搜索方法處理rgb圖像，得到候選窗口集；

s2.3與s2.3的步驟相同，提取新的樣本候選窗口集的hog特征作為訓(xùn)練增長型極限學(xué)習(xí)機的輸入；

s2.4用已訓(xùn)練的增長型極限學(xué)習(xí)機進(jìn)行車輛識別，具體為：

a)計算候選窗口hog特征的隱含層輸出。具體公式如下：

其中h′為候選窗口hog特征的隱含層輸出矩陣，xj是第j個候選窗口的hog特征，g(x)為隱含層節(jié)點的激勵函數(shù)，本發(fā)明采用徑向基函數(shù)，aj為第j個隱含層節(jié)點的輸入權(quán)重，bj為j個隱含層節(jié)點的輸入偏置，l為隱藏層節(jié)點數(shù)，m為候選窗口總數(shù)。

b)計算并輸出分類結(jié)果。具體公式如下：

y＝h′*β其中y是基于已訓(xùn)練的增長型極限學(xué)習(xí)機的車輛檢測結(jié)果，β是隱含層輸出權(quán)重，h′為隱藏層輸出矩陣。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受所述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。