基于hog—gentleboost的車(chē)輛檢測(cè)方法

1、基于 基于 HOG—GentleBoost 的車(chē)輛檢測(cè)方法 的車(chē)輛檢測(cè)方法 ? 現(xiàn)代城市交通快速發(fā)展，道路及停車(chē)場(chǎng)上的汽車(chē)數(shù)量大幅增長(zhǎng)。隨著計(jì)算機(jī)技術(shù)的進(jìn)步， 車(chē)輛的智能檢測(cè)識(shí)別成為交通安全領(lǐng)域的一大研究熱點(diǎn)[1]。目前實(shí)際應(yīng)用中對(duì)車(chē)輛檢測(cè)的方法主要是在路口鋪設(shè)感應(yīng)線圈的方式檢測(cè)，視頻圖像車(chē)輛檢測(cè)技術(shù)應(yīng)用尚處于起步階段。 視頻車(chē)輛檢測(cè)由監(jiān)控視頻序列中提取出關(guān)鍵幀， 通過(guò)圖像處理與模式識(shí)別的方法， 檢測(cè)幀圖像內(nèi)的車(chē)輛， 而這一方法可

2、歸結(jié)為單幅靜態(tài)圖像的車(chē)輛檢測(cè)。 對(duì)于圖像內(nèi)的車(chē)輛檢測(cè)， 目前主要利用車(chē)輛的形狀特征進(jìn)行檢測(cè)。如利用方向梯度直方圖（HOG）和局部二進(jìn)制模式進(jìn)行車(chē)輛檢測(cè)[2]，采用 AdaBoost 方法對(duì)圖像中車(chē)輛目標(biāo)進(jìn)行檢測(cè)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(lèi)算法的分類(lèi)性能，達(dá)到強(qiáng)分類(lèi)器的效果，對(duì)圖像中人物、車(chē)輛等目標(biāo)具有很好的分類(lèi)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(lái)構(gòu)成特征， 對(duì)行人、 車(chē)輛等目標(biāo)物體的形狀具有很好的表述效果。本文采用 HOG 算子對(duì)目標(biāo)車(chē)輛進(jìn)行特征描述，利用改進(jìn)的Boosting 算法即 GentleBoost 算法對(duì)圖像中車(chē)輛檢測(cè)。 實(shí)驗(yàn)結(jié)果表明，該方法能對(duì)道路、 地下停車(chē)場(chǎng)等不同光照環(huán)境下進(jìn)行車(chē)輛檢測(cè)， 檢測(cè)精度較高且算法檢測(cè)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(chē)輛是非類(lèi)別標(biāo)識(shí)，對(duì)于物體檢測(cè)而言是一個(gè)二值分類(lèi)問(wèn)題，Y={1，-1}。對(duì)于 N 個(gè)樣本序列{（x1，y1） ，…， （xN，yN）}，其中 xi∈Rn， yi∈Y={1，-1}，為 N 個(gè)已標(biāo)注的樣本。利用 GentleBoost 算法分類(lèi)步驟如下。 ? ⑴ 首先，初始化權(quán)值 w=1，從而簡(jiǎn)化計(jì)算。 ? ⑵ 確定迭代次數(shù) T：t=1，2，3，…，T。 ? ⑶ 構(gòu)建

5、弱分類(lèi)器， 定義弱分類(lèi)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(duì)響應(yīng)， 對(duì)于正確分類(lèi)的響應(yīng)[xk?θ]和錯(cuò)誤分類(lèi)響應(yīng)[xkθ]賦以權(quán)值 a，b，同時(shí)加大正確分類(lèi)的權(quán)重值，保證分類(lèi)器的分類(lèi)效果略?xún)?yōu)于 50%分類(lèi)正確率。 ? ⑷ 迭代計(jì)算強(qiáng)化弱分類(lèi)器性能。選擇 fm 以最小化[F+fm]的值，即誤差函數(shù)，GentleBoost 通過(guò)最小化誤

6、差函數(shù)的泰勒估計(jì)，其中為加權(quán)預(yù)測(cè)誤差（error） 。由圖 2，橫坐標(biāo) yF（x） ，表示分類(lèi)得分，錯(cuò)誤分類(lèi)為負(fù)值而正確分類(lèi)為正值， 損失函數(shù)有單調(diào)性。 平方誤差曲線當(dāng) yF（x）大于 1 時(shí)變?yōu)檫f增，此為對(duì)分類(lèi)過(guò)于正確的懲罰機(jī)制。每次迭代只需解決平方誤差曲線最小值問(wèn)題。 ? ⑸ 更新分類(lèi)器權(quán)值，未對(duì)權(quán)值標(biāo)準(zhǔn)化處理，擴(kuò)大權(quán)值更新的范圍， 以提高對(duì)復(fù)雜環(huán)境車(chē)輛檢測(cè)的正確率， 通過(guò)多次迭代收斂至強(qiáng)分類(lèi)器。 ? 3 基于 Gentle