基于hog特征和改进iksvm的车辆检测算法 a vehicle detection algorithm based on hog features and improved iksvm.pdfVIP

第31卷第5期 安徽工程大学学报 V01．31．No．5 2016年10月 ofAnhui 0ct．，2016 Journal Polytechnic University 文章编号：1672—2477(2016)05—0028—05 基于HOG特征和改进IKSVM 的车辆检测算法 黄 飞 (宿州学院机械与电子工程学院，安徽宿州 摘要：为了准确地对视频图像中的车辆目标进行检测，提出一种基于方向梯度直方图(HOG)特征和交叉核函 数支持向量机(IKSVM)的车辆检测算法，并通过对交叉核函数计算方法的改进，提高了算法的检测效率．以 IKSVM算法对图像中的车辆目标进行了较准确的分类检测，且在检测速度方面较传统的SVM车辆检测算 法有明显的提高． 关键词：车辆检测；HOG特征；交叉核；SVM分类器 中图分类号：TP391．4 文献标识码：A 智能化视频监控的目的是将图像与事件建立一种映射关系，借助计算机强大的数据处理能力对监控 视频的内容进行描述、分析和判断[1]，使其具有与人类相似的对图像内容的理解能力．其中，车辆目标的自 动检测是实现智能化视频监控至关重要的一个环节． 目前，基于计算机视觉的车辆检测算法主要有光流法、模板匹配法和基于特征的方法．光流法对于图 像中的光线变化较为敏感，然而计算量过大无法满足实时性要求；而模板匹配法的检测准确度则十分依赖 所选取的车辆模板，受车型、角度和距离的影响较大．相较于上述两种算法，目标特征结合机器学习的车辆 HOG特征和线性SVM实现行人检测．在此算法应用于行人检测 练时间成倍增加．Wang[51利用boosted 检测算法为了保证目标检测的准确度，往往采用高达数千维的支持向量，计算量十分庞大，同时也无法满 足大多数系统实时性的要求． 的前提下，通过提高IKSVM的分类效率来加快车辆的检测速度． 1 HOG特征提取方法 ofOriented 方向梯度直方图(Histogram 法，其核心思想是待检测目标的外观形状可以由目标区域的梯度幅值和梯度方向的分布统计来描述口]．一 般场景下的车辆目标在车标、车灯、车牌和保险杠存在的区域包含了丰富的梯度信息，而车身和背景区域 灰度变化相对较小，因而使用HOG特征检测车辆目标较为合理．由于HOG特征对尺度、方向、光照的良 好适应性，已成为常用的车辆检测算法． 车辆图像的HOG特征示例如图1所示，输人车辆图像如图1a所示，该图像的可视化HOG特征如 图1b所示． HOG特征的计算过程如下： (1)灰度化输入图像并使用Gamma方法对灰度图进行校正和归一化处理． (2)遍历图像计算像素点(z，Y)的梯度幅值和方向． 收稿日期：2016—07—30 基金项目：宿州学院科研平台基金资助项目(2014YKF37；20t4YKFll) 作者简介：黄飞(1986一)，男，安徽宿州人，助教，硕士． 万方数据 第5期 黄飞：基于HOG特征和改进IKSVM的车辆检测算法 [一号，詈]范围内均匀划分成9个直方图通道，cell内的每个像素点对应其梯度方向通道进行加权投票，权 值为该像素点的梯度幅值．最终得到一个描述输 入图像梯度特征的1152维向量． (4)在图像中划分若干个2*2细胞单元大 小的块block，串联block内4个cell的36维特 征向量并对梯度幅值做归一化处理，即得到36 维块向量．归一化后的块向量能有效地减弱图像 局部变化的影响． (5)联合所有的块向量即可得到该输入图 像的HOG特征． 输入乍辆 l，【】f残化HO(：特征 2车辆分类检测算法