一种车辆目标检测方法及装置的制造方法
【技术领域】
[0001] 本申请设及图像处理技术，尤其设及一种车辆目标检测方法及装置。
【背景技术】
[0002] 基于视频的车辆目标检测技术是智能交通系统中重要组成部分，为许多应用提供 车辆位置、大小等重要信息，如违章车辆捕获、交通视频监控系统、车辆目标提取等。最原始 的车辆目标检测主要由人工方式通过现场或视频监控获取，该方法太耗费人力物力，后续 业界提出通过前背景检测提取运动目标，再结合车灯检测和车牌检测来确定车辆目标，该 方法缺点是前背景提取运动目标信息量较大，检测准确率指标依赖于图像质量的好坏，对 过小过模糊的车准确率较低。在实际交通场景中存在强顺光、强逆光、阴影等各种复杂交通 场景。在复杂场景下的提升车辆目标检测指标和性能的方法是一个具有挑战性技术问题。
【发明内容】
[0003] 有鉴于此，本申请提供一种车辆目标检测装置，应用于图像处理设备上，该装置包 括：
[0004] 第一训练单元，用于使用预设的多个正样本图像化及多个负样本图像训练生成第 一分类器；其中第一分类器为类化ar分类器，且在训练过程中使用包括T形类化ar特征在 内的多个类化ar特征；
[0005] 第二训练单元，用于使用多个正样本图像W及多个负样本图像训练生成与第一分 类器不同类型的第二分类器；
[0006] 图像转换单元，用于将待检测的图像转化为灰度图像；
[0007] 分类检测单元，用于使用第一分类器及第二分类器对该灰度图像进行车辆目标检 测并输出检测结果。
[000引本申请还提供一种车辆目标检测方法，应用于图像处理设备上，该方法包括：
[0009] 使用预设的多个正样本图像W及多个负样本图像训练生成第一分类器；其中第一 分类器为类化ar分类器，且在训练过程中使用包括T形类化ar特征在内的多个类化ar特 征；
[0010] 使用多个正样本图像W及多个负样本图像训练生成与第一分类器不同类型的第 二分类器；
[0011] 将待检测的图像转化为灰度图像；
[0012] 使用第一分类器及第二分类器对该灰度图像进行车辆目标检测并输出检测结果。
[0013] 相较于现有技术而言，本申请使用新更加符合车辆特点的特征来完成分类器的训 练，使得分类器训练过程更为快速，训练得到的分类器误检率的降低更加令人满意。
【附图说明】
[0014] 图1A是本申请一个例子中图像处理设备的结构图。
[0015] 图IB是本申请一个例子中车辆目标检测装置的结构图。
[0016] 图2是本申请一个例子中车辆目标检测方法的流程图。
[0017] 图3A是本申请一个例子中各种类化ar特征的示意图。
[0018] 图3B是本申请一个例子中第一 T形类化ar特征的示意图。
[0019] 图3C是本申请一个例子中第二T行类化ar特征的示意图。
[0020] 图4A是一个例子中使用传统技术对特定图像的检测结果示意图。
[0021] 图4B是本申请一个例子中对同一特定图像的检测结果示意图。
【具体实施方式】
[0022] 本申请提供一种车辆目标检测解决方案，该方案可W基于计算机软件实现，当然 也可W采用硬件或逻辑器件等其他方式来实现。请参考图1A，W计算机软件实现为例，本申 请提供一种车辆目标检测装置，该装置运行于计算机（比如服务器）上。所述计算机可W 包括处理器、内存、非易失性存储器（比如硬盘）W及内部总线。所述处理器可W将车辆目 标检测装置所对应的计算机程序指令从非易失性存储器读入内存中然后运行，在逻辑意义 上形成该车辆目标检测装置。请查考图1B和图2,在逻辑层面，该车辆目标检测装置包括： 第一训练单元、第二训练单元、图像转换单元W及分类检测单元。该装置在图像处理设备上 运行的过程中，执行如下处理方法。
[0023] 步骤201，第一训练单元，用于使用预设的多个正样本图像W及多个负样本图像 训练生成第一分类器；其中第一分类器为类化ar分类器，且在训练过程中使用包括T形类 化ar特征在内的多个类化ar特征；
[0024] 步骤202,第二训练单元，用于使用多个正样本图像W及多个负样本图像训练生成 与第一分类器不同类型的第二分类器；
[0025] 步骤203,图像转换单元，用于将待检测的图像转化为灰度图像；
[0026] 步骤204,分类检测单元，用于使用第一分类器及第二分类器对该灰度图像进行车 辆目标检测并输出检测结果。
[0027] 样本图像是分类器训练过程必须的数据。在本申请一个例子中同样需要准备较大 数量的样本图像。样本图像包括正样本图像（W下简称"正样本"）W及负样本图像（W下 简称"负样本"）。所谓正样本是指包括车辆目标的图像，也就是说图像中拍摄到了车辆；而 负样本则是没有车辆目标的图像，比如行人等其他目标，当然也可W包括有缺乏实际意义 的车辆少部分目标的图像，比如说只包括一个车口的图像。因此正样本和负样本本质上是 一种自定义。对于使用者而言，可W自行准备该些样本数据，也可W使用开发者随产品附带 的样本数据。在一个例子中，本申请使用的原始样本数量为10万张，其中5万张为原始正 样本，而5万张为原始负样本。
[002引在一个例子中，所述车辆目标检测装置还包括预处理单元，用于在训练开始之 前原始正样本W及原始负样本进行预处理，对于原始正样本统一缩放至同一尺寸（比如 24X24)的灰度图，对于原始负样本则对其进行灰度化处理，使其变为灰度图；在优选的例 子中，原始负样本的灰度图的尺寸保持不变。
[0029] 在本申请中，所述第一分类器为类化ar分类器。类化ar分类器的训练过程中可W 使用多种用来检测车辆的类化ar特征，请参考图3A所示的5中类化ar特征，该些特征可 W在本申请中使用。本申请为了提高车辆目标检测的准确性化及效率，引入了 T形类化ar 特征。请参考图3B W及图3C，本申请提供两个T形类化ar特征，分别为第一 T形类化ar 特征（如图3B) W及第二T形类化ar特征（图3C)，引入两个尺寸上有差异的T形类化ar 特征可W加快训练过程的收敛速度，本领域普通技术人员可W根据需要引入更多的T形类 化ar特征来实施，当然同时也需要考虑计算资源的合理安排。具体来说，在一个例子中，其 中第一 T形类化ar特征的高宽比化12/W1)大于第二形类化ar特征的高宽比化21/W2)， 该里所说的高宽比中的高是指沿着T形正着