基于类Haar特征和最近邻分类器车辆检测.docVIP

基于类Haar特征和最近邻分类器车辆检测 　　摘 要 　　针对传统车辆检测方法计算复杂和误检率高的问题，提出了一种基于类Haar图像特征描述的车辆检测方法。首先，建立特征向量库，利用类Haar特征对训练样本进行特征提取。然后，提取待检测图像的子图像特征信息。最后，最近邻分类器利用特征向量库对待识别的子图像进行车辆存在性检测。利用积分图像的概念对图像进行描述，大幅度提高了特征提取速度。此外，分析了不同数量的类Haar特征对检测效果的影响。实验结果表明，该方法能大幅降低误检率，获得较高的查准率，对日间自然光条件下的车辆有较好的检测效果。 　　【关键词】Haar-like 积分图像 最近邻 车辆检测 　　1 引言 　　车辆检测在智能交通系统中至关重要，旨在预测车辆的潜在危险，以便及时地警告司机。当前的车辆检测方法主要分成三种：基于感应线圈的检测，基于波频检测和基于图像视频的检测。基于感应线圈的检测方法是通过感应线圈的电磁感应现象，当车辆经过时有电流变化，从而实现检测。但线圈随着年限的增加会出现老化损耗等，导致检测失效。基于波频的检测方法主要依赖微波、红外线、超声波或者雷达等有源传感器检测车辆。尽管该方法适用于不同的工作环境 ，但是其却无法区分障碍物的种类（汽车、行人和自行车等）。与前两种方法不同， 图像视频检测方法利用与人类视觉相似的相机系统，能够向模式识别系统提供丰富信息，所以其更适用于车辆检测。 　　目前，基于视觉的常用车辆检测方法主要包括基于模板匹配的检测方法 、基于学习的检测方法和基于特征的检测方法 。其中，基于学习的检测方法主要是利用大量的车辆图片来训练分类器.常用的分类器主要包括SVM、AdaBoost、神经网络等。文献[18、19]介绍了一种基于类Haar 和AdaBoost 分类器的车辆识别算法。该算法虽然检测速度快，检测率高，且误检率低，但训练样本规模非常大时，训练分类器耗时较长。文献[20]HOG 特征和SVM的车辆检测算法， 此算法适应性强， 但其计算复杂度高。 　　鉴于此，本文提出了一种计算简单且能大幅度降低误检率的车辆检测方法，即类Haar特征结合KNN算法。KNN算法简单，易于实现，并且利用积分图像的概念对图像进行描述，可以?@著提高特征提取速度。该方法由两部分组成：特征提取阶段和检测阶段。特征提取阶段，使用类Haar特征对训练集图像进行特征提取，获取特征信息，组建特征数据库；检测阶段，统一测试图像尺寸，用滑动窗口对其进行分割，并对子图像进行特征提取。利用最近邻分类器将每幅子图像的特征信息与特征信息库进行对比，从而检测是否有车辆存在，并确定车辆位置。 　　2 算法结构 　　本文算法可以分为两个主要阶段：特征库建立和车辆检测。特征库建立阶段，首先选取对分类识别起关键作用的类Haar 特征， 并利用其对训练样本进行特征提取，然后建立特征向量库。车辆检测阶段，首先提取待检测图像的类Haar 特征， 然后将特征输入到KNN分类器中进行车辆存在性检测. 算法结构如图1 所示， 文章后续部分将对这两个主要阶段进行详述。 　　3 特征库建立阶段 　　特征库建立阶段主要包括图像预处理、计算积分图、提取类Haar 特征三部分。这个阶段建立的特征向量库将为检测阶段提供类Haar特征信息。 　　3.1 图像预处理及积分图计算 　　将训练集中所有图像的尺寸统一设置为24x24的RGB图像，如图2所示，训练集样本包含积极样本和消极样本。然后根据文献[22] 介绍的方法计算每个图像的积分图， 为后续阶段快速计算类Haar 特征做准备。 　　当计算类Haar特征时，仅以Viola等人提出的四个基本矩形特征为例，在一个24×24窗口图像 中任意排列至少可以产生数以十万计的特征，求解这些特征值的计算量很大。为提高类Haar特征计算速度，在特征提取阶段引入积分图的概念，从而可以大幅度提高检测速度。 　　积分图的主要思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重新计算这个区域的像素和，即只遍历一次图像就可以求出图像中所有区域像素和的快速算法，从而提高了图像特征值计算的效率。 　　图3（a）点（x，y）处的积分值为该点左上方的像素和，图3（b）矩形区域D内的像素总和由四个参量得到。 　　图4类Haar特征。（a）、（b）边界特征；（c）、（d）线性特征；（e）对角特征；（f）中心特征。 　　积分图是一种能够描述全局信息的矩阵表示方法。积分图ii（x，y）表示位置（x，y）处左上方像素值的总和 （如图3（a）所示），见公式（1）。 　　其中，i（x，y）是原始图像，i（x，y）为位置（x，y）左上方的像素点。通过