基于改进的几何约束算法与卷积神经网络的车辆检测

作者:周马莉;张重阳; 刊名:计算机与数字工程 上传者:邓武均

【摘要】论文提出了一种基于改进的几何约束算法有效结合卷积神经网络(CNN)的车辆检测方法。首先对几何约束算法进行改进,避免该算法重复的矩阵运算,从而进一步提高该算法效率。根据改进的几何约束算法计算出车辆的感兴趣区域,然后在该区域内提取Haar-like特征,通过Adaboost分类器初步检测得到候选框。之后用训练好的卷积神经网络模型对目标候选框进行分类。实验结果表明,该方法能够有效地减少车辆检测时间,提高车辆检测的精度,并且对多种光照条件,部分遮挡,姿态变化等具有一定的鲁棒性。

全文阅读

1引言互联网移动通讯等技术的迅速发展给汽车工业带来了深刻的影响,最明显的就是智能汽车开始成为潮流。智能汽车从发展的角度看可以将其分为两个阶段,第一个阶段是智能汽车的初级阶段,即辅助驾驶阶段;第二个阶段是高级阶段,即无人驾驶的应用。而车辆检测是二者的重要组成部分。车辆检测主要任务是对自身车辆周围的行车进行检测,从而使车辆能够及时规避障碍,正确行驶。由此可见,车辆检测效果的好坏至关重要。但在实际检测中面临着光照条件,姿态,遮挡等影响,会造成检出率低,误检测数量多的现象。国内外已经有许多研究学者提出了一些有效的车辆检测算法。主要有基于视觉的方法和基于运动的方法以及基于神经网络的方法等。光流法中的HS光流法[1]能在运动背景下检测出完整的运动目标,但由于计算量大,对噪声敏感,并且在纹理平滑区域检测不到光流,使其很难直接应用于实时运动目标检测。在基于视觉的方法中。许多早期的研究主要利用车辆的局部对称性,计算一幅图像块关于图像平面竖直轴的对称性。通常情况下,在计算边缘算子后计算图像块上对称性,以识别车辆的后方的垂直边[2~3]。Mahdi Rezaei等[4]使用水平边缘检测与角点检测;文学志等[5]使用纵横比和车底阴影的方法来产生候选区。这些车辆的外观特征容易受到光照,噪声等干扰,使得这些方法不具有鲁棒性。近年来,出现了从简单的图像特征,如边缘和对称性向一般和强大的车辆检测特征集过渡,比如HOG特征[6]、Haar-like特征[7]、Gabor特征[8]、LBP特征等[9]。Cheon M等[10]在一个给定的图像块中提取对称的HOG特征用于车辆检测。HOG特征最主要的缺陷是计算起来速度太慢。Haar-like特征是对不同的图像块求和的矩形特征。计算起来很高效,Haar-like特征对于竖直的、水平的以及对称结构很敏感,这使它们能够很好地适应车辆以及车辆部件的检测。Zakaria Z和Suandi S A[11]直接将Adaboost分类器与神经网络分类器结合起来进行人脸检测,取得了较高的检测率,但增加了检测时间。支持向量机(SVM)[12]是一种基于统计的机器学习方法,该方法从一定程度上解决了维度灾难,局部极小值点等问题。AdaBoost[13]也被广泛地应用于分类,通过改变样本数据分布不断更新样本权值来实现分类。Adaboost具有可以快速拒绝负样本的特点,具有较高的检测率但也会产生较多的误检测。近年来,深度学习在分类识别领域取得了十分瞩目的成绩,也吸引了大量的研究者。其中卷积神经网络CNN模型[14]广泛应用于目标的检测,分类与跟踪方法的研究中。在目标检测中,CNN能够在样本量足够的情况下,自学习图像固有的本质特征,具有较高的检测准确性,但是耗费时间较长。因此本文通过Adaboost分类器快速拒绝大部分非车辆区域,再用训练好的CNN模型对Adaboost分类器输出的目标矩形框进行分类判别,以减少车辆误检数,同时本文结合改进的几何约束算法有效地提高了车辆检测的速度。在车辆检测过程中,采用积分图来加速特征的计算。算法的流程图如图1所示。图1算法流程图2基于改进几何约束算法的感兴趣区域的产生基于滑动窗口的目标检测方法中利用的是滑动窗口大小与目标大小相等的关系来检测目标。根据相机投影原理可知,同一个目标在图像中会呈现“近大远小”的现象,即距离拍摄点较近的目标较大,距离拍摄点较远的目标较小。对于固定大小的滑动窗口,需要用不同缩放尺度来缩放图像以检测到不同大小的目标。同时,在一个特定的缩放尺度的图像中,由于滑动窗口是个定值,所以只能检测到特定大小的车辆,即只能

参考文献

引证文献

问答

我要提问