一种前车窗右上角点检测方法
【专利摘要】本发明涉及智能交通系统，旨在提供一种前车窗右上角点检测方法。该种前车窗右上角点检测方法包括步骤：选取样本组，人工标定车牌中心点和前车窗右上角点；寻找车牌中心点与前车窗右上角点的关系；建立样本库；训练adaboost；定位车牌中心点；定位前车窗右上角点；确定检索区域；采集候选区域；提取特征：传入训练好adaboost进行分类。本发明对前车窗右上角进行定位，从而为其他检测部位提供位置参考；本算法通过提取车窗特征，放入adaboost训练器进行训练，可提高车窗检测率，其中样本集及特征选取的好坏对结果影响较大，在选取良好样本的情况下，前车窗右上角点检测的方法可以达到很好的正确率。
【专利说明】一种前车窗右上角点检测方法
【技术领域】
[0001]本发明是关于智能交通系统，特别涉及一种前车窗右上角点检测方法。
【背景技术】
[0002]随着现代经济的发展，交通拥堵日益成为世界许多国家面临的难题。道路建设成本高，用改建、扩建的方式提高通行能力的难度也越来越大。智能交通系统是解决目前经济发展所带来交通问题的理想方案，其中如何有效地预防和确认交通违章行为，如闯红灯、违章变道、违章停车等，并及时阻止进一步发生是摆在我们面前迫在眉睫的任务。
[0003]现在，车牌识别已相当成熟地应用于智能交通领域，但仅靠车牌识别车辆，信息量太少。如果能进一步确认车标、车型、车身颜色、驾驶员状态等信息，对判定车辆违章、驾驶员违章等提供有效的参考依据。研究出一种能为其他检测部位，比如车型、方向盘、安全带、雨刮器、后视镜等，提供位置参考的方法，进而可提取车辆的局部信息，市场前景广阔。
[0004]针对前车窗的定位算法，目前现有技术将深色车窗与浅色车窗分开处理，且一般是直接提取车窗特征，通过车窗特征达到定位效果，提取位置的准确性无法满足需求。
【发明内容】
[0005]本发明的主要目的在于克服现有技术中的不足，提供一种更精确地找出车辆上局部信息的位置的方法。为解决上述技术问题，本发明的解决方案是:
[0006]提供一种前车窗右上角点检测方法，包括建立样本库，训练adaboost分类器，以及应用训练好的adaboost,定位前车窗右上角点,所述建立样本库,训练adaboost分类器，包括以下步骤:
[0007](I)选取样本组，人工标定车牌中心点和前车窗右上角点；
[0008](2)寻找车牌中心点与前车窗右上角点的关系；
[0009](3)建立样本库；
[0010](4)训练 adaboost ；
[0011]所述应用训练好的adaboost,定位前车窗右上角点,包括以下步骤:
[0012](5)定位车牌中心点；
[0013](6)定位前车窗右上角点；
[0014](7)确定检索区域；
[0015](8)采集候选区域；
[0016](9)提取特征；
[0017](10)传入训练好adaboost进行分类；
[0018]所述步骤(I)的具体过程:通过卡口系统拍摄汽车在行驶中的车牌图片，然后在拍摄的车牌图片中，选取样本组，样本组包括各种车型的图片，样本组的样本量是1000张，在样本组中的车牌图片上，人工标定车牌中心点和如车窗右上角点；
[0019]所述步骤⑵的具体过程:将步骤⑴中标定的车牌中心点记为(Xp，Yp)，前车窗右上角点记为(X。，Y。)，用最小二乘拟合法确定两者的线性位置关系；
[0020]所述步骤(3)的具体过程，按如下步骤处理:
[0021]步骤A:将样本组中的车牌图片，由RGB图转化为GRAY图；
[0022]步骤B:在步骤A处理后的车牌图片上，选取以(X。，Y。)为中心的20像素X 20像素的区域；
[0023]步骤C:以步骤B中选取的区域内的所有点为中心点，截取120像素X120像素的区块；
[0024]步骤D:将步骤C中得到的区块，分别按顺时针、逆时针方向旋转10度；
[0025]步骤E:将未经旋转和旋转后的区块同时作为正样本；
[0026]步骤F:在步骤A处理后的车牌图片上，选取以(X。，Y。)为中心的200像素X200像素的区域，再去除中心50像素X 50像素的区域，形成新的区域；
[0027]步骤G:以步骤F的新形成的区域内的所有点为中心点，截取120像素X 120像素的区块作为负样本；
[0028]所述步骤(4)的具体过程:将步骤(3)采集到的正样本和负样本下，采样至24像素X 24像素,提取haar特征,传入adaboost分类器,训练adaboost分类器,在分类器能正确区分正负样本时停止训练；
[0029]所述步骤(5)的具体过程:通过卡口系统拍摄汽车在行驶中的车牌图片，然后对拍摄的车牌图片，确定车牌中心点的像素位置；
[0030]所述步骤(6)的具体过程:根据步骤(2)中确定的关系，由步骤(5)中确定的车牌中心点，定位前车窗右上角点的位置；
[0031]所述步骤(7)的具体过程:以步骤(6)中定位的前车窗右上角点位置为中心，确定一个200像素X 200像素的搜索区域；
[0032]所述步骤(8)的具体过程:以步骤(7)中确定的搜索区域内的所有点为中心点，截取120像素X 120像素区块作为候选区域；
[0033]所述步骤(9)的具体过程:将步骤(8)中确定的候选区域下，采样至24像素X 24像素，提取haar特征；
[0034]所述步骤(10)的具体过程:将步骤(9)中提取的haar特征，放入步骤(4)中训练好的adaboost,将adaboost输出响应值最高的区块作为最佳结果,将此区块中心作为右上角点位置。
[0035]本发明的原理:通过车牌中心，确定检索区域；通过对检索区域内的信息建立样本库，训练分类器，确定车窗右上角点位置。在交通图片中，车牌信息属于明显信息，故定位车牌中心相对稳定可靠；结合机器学习思想，通过样本库特征来对候选区域作筛选，相对于直接提取车窗右上角点特征信息，更能体现样本库的数据优势。
[0036]本发明的有益效果是:
[0037]本发明对前车窗右上角进行定位，从而为具他检测部位，比如车型、方向盘、安全带、雨刮器、后视镜等，提供位置参考。本算法通过提取车窗特征，放入adaboost训练器进行训练，可提高车窗检测率，其中样本集及特征选取的好坏对结果影响较大，在选取良好样本的情况下，前车窗右上角点检测的方法可以达到很好的正确率。【专利附图】
【附图说明】
[0038]图1为本发明的流程图。
【具体实施方式】
[0039]下面结合附图与【具体实施方式】对本发明作进一步详细描述:
[0040]如图1所示流程图，一种前车窗右上角点检测方法，包括建立样本库，训练adaboost分类器，以及应用训练好的adaboost,定位前车窗右上角点，所述建立样本库,训练adaboost分类器,包括以下步骤:
[0041](I)选取样本组，人工标定车牌中心点和前车窗右上角点；
[0042](2)寻找车牌中心点与前车窗右上角点的关系；
[0043](3)建立样本库；
[0044](4)训练 adaboost ；
[0045]所述应用训练好的adaboost,定位前车窗右上角点,包括以下步骤:
[0046](5)定位车牌中心点；
[0047](6)定位前车窗右上角点；
[0048](7)确定检索区域；
[0049](8)采集候选区域；
[0050](9)提取特征；
[0051](10)传入训练好adaboost进行分类。
[0052]所述步骤(I)的具体过程:通过卡口系统拍摄汽车在行驶中的车牌图片，然后在拍摄的车牌图片中，选取样本组，样本组包括各种车型的图片，样本量控制在1000张，在样本组中的车牌图片上，人工标定车牌中心点和前车窗右上角点。
[0053]所述步骤⑵的具体过程:将步骤⑴中标定的车牌中心点记为(Xp，Yp)，前车窗右上角点记为(X。，Y。)，用最小二乘拟合可得到两者的线性位置关系。线性关系公式为:Xc=AxXXJBpYc=AyXYJBy，用最小二乘法得到参数Ax，Ay，Bx，By，即可确定出前车窗右上角点与车牌中心的位置关系；其中，Ax，Ay, Bx, By均为双精度型的参数。
[0054]所述步骤(3)的具体过程，按如下步骤处理:
[0055]步骤A:将样本组中的车牌图片，由RGB图转化为GRAY图；
[0056]步骤B:在步骤A处理后的车牌图片上，选取以(X。，Y。)为中心的20像素X20像素的区域；
[0057]步骤C:以步骤B中选取的区域内的所有点为中心点，截取120像素X120像素的区块；
[0058]步骤D:将步骤C中得到的区块，分别按顺时针、逆时针方向旋转10度，由于摄像头安装高于车窗，且车辆行驶方向与摄像头有夹角，车辆在图片上有小角度的旋转，一般在±10度以内，故对上一步中取样到的区块，分别按顺时针、逆时针方向旋转10度；
[0059]步骤E:将未经旋转和旋转后的区块同时作为正样本；
[0060]步骤F:选取以(X。，Y。)为中心的200像素X200像素的区域，再去除中心50像素X 50像索的区域，形成新的区域；
[0061]步骤G:以步骤F的新形成的区域内的所有点为中心点，截取120像素X120像素的区块作为负样本。选取正负样本时，可根据实际情况，控制正负样本数量，以提高训练效率。
[0062]所述步骤(4)的具体过程:将步骤(3)采集到的正样本和负样本下，采样至24像素X 24像索,提取haar特征,训练adaboost。
[0063]至此，adaboost训练完毕,得到的adaboost是具有分类能力的分类器。
[0064]所述步骤(5)的具体过程:通过卡口系统拍摄汽车在行驶中的车牌图片，然后对拍摄的车牌图片，确定车牌中心点的像素位置，此中心点主要作用为提供一个位置参考，故并不是很标准的中心点位置。
[0065]所述步骤(6)的具体过程:根据步骤(2)中确定的关系，由步骤(5)中确定的车牌中心点，定位前车窗右上角点的位置，此位置作为之后搜索区域的中心，记为(X' s，v s)。
[0066]所述步骤(7)的具体过程:以步骤(6)中定位的前车窗右上角点位置为中心，确定一个搜索区域。根据搜索中心确定搜索区域(X' s±wx，Y' s±wy):其中，wx，wy需根据实际图片中车辆大小、车辆位置，以及车牌中心点偏移情况等因素人为设定的参数，搜索区域需包含前车窗右上角。
[0067]所述步骤(8)的具体过程:以步骤(7)中确定的搜索区域内的所有点为中心点，截取120像素X 120像素区块作为候选区域。
[0068]所述步骤(9)的具体过程:将步骤(8)中确定的候选区域下，采样至24像素X 24像素，提取haar特征。
[0069]所述步骤(10)的具体过程:将步骤(9)中提取的haar特征，放入步骤(4)中训练好的adaboost,将adaboost输出响应值最高的区块作为最佳结果,将此区块中心作为右上角点位置。
[0070]实验表明，样本集及特征选取的好坏对结果影响较大，在选取良好样本的情况下，前车窗右上角点检测的方法可以达到很好的正确率。
[0071]最后，需要注意的是，以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形，均应认为是本发明的保护范围。
【权利要求】
1.一种前车窗右上角点检测方法，包括建立样本库，训练adaboost分类器，以及应用训练好的adaboost,定位前车窗右上角点,其特征在于,所述建立样本库,训练adaboost分类器，包括以下步骤: (1)选取样本组，人工标定车牌中心点和前车窗右上角点； (2)寻找车牌中心点与前车窗右上角点的关系； (3)建立样本库；
(4)训练adaboost ； 所述应用训练好的adaboost,定位前车窗右上角点,包括以下步骤: (5)定位车牌中心点； (6)定位前车窗右上角点； (7)确定检索区域； (8)采集候选区域； (9)提取特征； (10)传入训练好adaboost进行分类； 所述步骤(1)的具体过程:通过卡口系统拍摄汽车在行驶中的车牌图片，然后在拍摄的车牌图片中，选取 样本组，样本组包括各种车型的图片，样本组的样本量是1000张，在样本组中的车牌图片上，人工标定车牌中心点和前车窗右上角点； 所述步骤(2)的具体过程:将步骤(1)中标定的车牌中心点记为(Xp，Yp)，前车窗右上角点记为(X。，Y。)，用最小二乘拟合法确定两者的线性位置关系； 所述步骤(3)的具体过程，按如下步骤处理: 步骤A:将样本组中的车牌图片，由RGB图转化为GRAY图； 步骤B:在步骤A处理后的车牌图片上，选取以(X。，Y。)为中心的20像素X 20像素的区域； 步骤C:以步骤B中选取的区域内的所有点为中心点，截取120像素X 120像素的区块； 步骤D:将步骤C中得到的区块，分别按顺时针、逆时针方向旋转10度； 步骤E:将未经旋转和旋转后的区块同时作为正样本； 步骤F:在步骤A处理后的车牌图片上，选取以(X。，Y。)为中心的200像素X 200像素的区域，再去除中心50像素X 50像素的区域，形成新的区域； 步骤G:以步骤F的新形成的区域内的所有点为中心点，截取120像素X120像素的区块作为负样本； 所述步骤⑷的具体过程:将步骤⑶采集到的正样本和负样本下，采样至24像素X 24像素,提取haar特征,传入adaboost分类器,训练adaboost分类器,在分类器能正确区分正负样本时停止训练； 所述步骤(5)的具体过程:通过卡口系统拍摄汽车在行驶中的车牌图片，然后对拍摄的车牌图片，确定车牌中心点的像素位置； 所述步骤(6)的具体过程:根据步骤(2)中确定的关系，由步骤(5)中确定的车牌中心点，定位前车窗右上角点的位置； 所述步骤(7)的具体过程:以步骤(6)中定位的前车窗右上角点位置为中心，确定一个200像素X 200像素的搜索区域； 所述步骤(8)的具体过程:以步骤(7)中确定的搜索区域内的所有点为中心点，截取120像素X 120像素区块作为候选区域； 所述步骤(9)的具体过程:将步骤(8)中确定的候选区域下，采样至24像素X24像素，提取haar特征； 所述步骤(10)的具体过程:将步骤(9)中提取的haar特征，放入步骤(4)中训练好的adaboost,将adaboost输出响应值最高的区块作为最佳结果,将此区块中心作为右上角点位 置。
【文档编号】G06K9/62GK103854029SQ201410060701
【公开日】2014年6月11日 申请日期:2014年2月21日 优先权日:2014年2月21日
【发明者】孔德兴, 吴法 申请人:杭州奥视图像技术有限公司