一种基于连续型Adaboost视频车辆检测方法

摘要

本发明的车辆检测系统可分为离线训练模块和在线识别模块两部分。离线训练模块通过对在各种环境下采集到的大量车辆样本和非车辆样本的学，针对样本的类haar特征，设计了查找型的弱分类器模拟样本特征分布，并利用连续Adaboost算法自动地从弱分类器空间中挑选出若干个弱分类器组合成一个强分类器。本发明是对Adaboost算法做了改进，使其能够处理具有连续致信度输出的分类器，使其收敛得更快。

主权项

一种基于连续型Adaboost视频车辆检测方法，包括以下步骤：步骤1：采集大量车辆样本和非车辆样本，经过图像处理后，归一化到统一尺度32*32，分别标定正样本和负样本为1和－1，给定训练集和测试集；步骤2：挑出矩形特征使得正样本与负样本近似符合高斯分布：针对32*32尺度内所有矩形特征，对每一个矩形特征计算训练集所有样本的特征值，将样本特征值划分成N等分，计算落在各个等分中的正样本权重和负样本权重的差值；判定每一个矩形特征内，N等分区间中最多有连续几个区间的值大于0，并且最大区间个数达到设定的阀值，则预先挑选出该矩形特征； 步骤3：初始化训练样本概率分布，针对预先挑选出来的每一个矩形特征，计算训练集所有样本的特征值，将训练样本特征值按从小到大排列，保存各个训练样本所在的位置；取前面1/50样本总数的特征值为第1个区间，最后面1/50样本总数的特征值为第50个区间，将剩下的训练样本按特征值大小平均划分为48个区间；判断各个样本落在哪个区间，保存落在各个区间的样本数量；步骤4：归一化训练集各个样本权重，针对预先挑选出来的每一个矩形特征，根据步骤3保存的训练样本排列顺序和各个划分区间的样本数量，可计算出矩形特征中各个划分区间正样本总的权重和负样本总的权重，取正样本权重和负样本权重比值的对数的一半作为该划分的输出值；累加各个划分中正样本权重和负样本权重的积的平方根的两倍，作为该弱分类器的归一化因子；步骤5：在预先挑选出来的弱分类器空间中选择一个弱分类器，使得归一化因子最小，根据该归一化因子，调整各个样本权重；步骤6：将挑选出来的弱分类器嵌套级联成一个强分类器，计算训练集和测试集中所有样本在强分类器的输出值：判断样本在各个弱分类器上属于哪个划分，累加各个弱分类器的输出值；将车辆训练样本、非车辆训练样本和测试样本计算出来的值分别从小到大排列，判断是否能取得一个值使得三者的检测率同时达到学习目标，能则将这个值当做该层强分类器的阀值，该层训练结束，更新强分类器，否则重复步骤4和5，增加弱分类器个数；当挑选出的弱分类器个数超出设定的阀值时，自适应调整车辆训练样本、非车辆训练样本和测试样本的检测率，不更新强分类器，跳到步骤7；步骤7：用训练好的强分类器判断非车辆训练样本，删除判断正确的非车辆训练样本，增加同等数量的判断出错的非车辆训练样本；将已训练的强分类器当作下一层强分类器的初始弱分类器，跳到步骤3；当强分类器达到设定的层数或者无非车辆样本可继续更新时，训练结束。