基于hog—gentleboost的車輛檢測方法

1、基于 基于 HOG—GentleBoost 的車輛檢測方法 的車輛檢測方法 ? 現(xiàn)代城市交通快速發(fā)展，道路及停車場上的汽車數(shù)量大幅增長。隨著計算機技術(shù)的進步， 車輛的智能檢測識別成為交通安全領(lǐng)域的一大研究熱點[1]。目前實際應(yīng)用中對車輛檢測的方法主要是在路口鋪設(shè)感應(yīng)線圈的方式檢測，視頻圖像車輛檢測技術(shù)應(yīng)用尚處于起步階段。 視頻車輛檢測由監(jiān)控視頻序列中提取出關(guān)鍵幀， 通過圖像處理與模式識別的方法， 檢測幀圖像內(nèi)的車輛， 而這一方法可

2、歸結(jié)為單幅靜態(tài)圖像的車輛檢測。 對于圖像內(nèi)的車輛檢測， 目前主要利用車輛的形狀特征進行檢測。如利用方向梯度直方圖（HOG）和局部二進制模式進行車輛檢測[2]，采用 AdaBoost 方法對圖像中車輛目標進行檢測也取得較好效果[3]。 ? Boosting 算法[4]是一種通用的學(xué)習(xí)算法，可以提高任一給定弱分類算法的分類性能，達到強分類器的效果，對圖像中人物、車輛等目標具有很好的分類效果。HOG 算子[5]以圖像中局部區(qū)域的方向梯度直

3、方圖來構(gòu)成特征， 對行人、 車輛等目標物體的形狀具有很好的表述效果。本文采用 HOG 算子對目標車輛進行特征描述，利用改進的Boosting 算法即 GentleBoost 算法對圖像中車輛檢測。 實驗結(jié)果表明，該方法能對道路、 地下停車場等不同光照環(huán)境下進行車輛檢測， 檢測精度較高且算法檢測收斂速度較快。 ? 1 HOG 特征描述 ? 方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征?

4、 假設(shè) X∈Rn 為樣本集， Rn 為樣本空間， Y 為車輛是非類別標識，對于物體檢測而言是一個二值分類問題，Y={1，-1}。對于 N 個樣本序列{（x1，y1） ，…， （xN，yN）}，其中 xi∈Rn， yi∈Y={1，-1}，為 N 個已標注的樣本。利用 GentleBoost 算法分類步驟如下。 ? ⑴ 首先，初始化權(quán)值 w=1，從而簡化計算。 ? ⑵ 確定迭代次數(shù) T：t=1，2，3，…，T。 ? ⑶ 構(gòu)建

5、弱分類器， 定義弱分類函數(shù) fm （x） = （a+b） [xk?θ]+b[xkθ]，即線性回歸末端，如圖 1 所示。 ? 其中， 函數(shù) xk 表示濾波器絕對響應(yīng)， 對于正確分類的響應(yīng)[xk?θ]和錯誤分類響應(yīng)[xkθ]賦以權(quán)值 a，b，同時加大正確分類的權(quán)重值，保證分類器的分類效果略優(yōu)于 50%分類正確率。 ? ⑷ 迭代計算強化弱分類器性能。選擇 fm 以最小化[F+fm]的值，即誤差函數(shù)，GentleBoost 通過最小化誤

6、差函數(shù)的泰勒估計，其中為加權(quán)預(yù)測誤差（error） 。由圖 2，橫坐標 yF（x） ，表示分類得分，錯誤分類為負值而正確分類為正值， 損失函數(shù)有單調(diào)性。 平方誤差曲線當 yF（x）大于 1 時變?yōu)檫f增，此為對分類過于正確的懲罰機制。每次迭代只需解決平方誤差曲線最小值問題。 ? ⑸ 更新分類器權(quán)值，未對權(quán)值標準化處理，擴大權(quán)值更新的范圍， 以提高對復(fù)雜環(huán)境車輛檢測的正確率， 通過多次迭代收斂至強分類器。 ? 3 基于 Gentle