一种基于像素差值特征的车辆检测方法

连　捷

(中国电子科技集团公司第三十八研究所,安徽 合肥 230088)



一种基于像素差值特征的车辆检测方法

连捷

(中国电子科技集团公司第三十八研究所,安徽 合肥 230088)

摘要：为了快速定位监控场景中的车辆位置，提出了一种基于像素差值特征的车辆检测方法。首先提取图像的归一化像素差值特征(NPD)，之后使用深度二次树(DQT)学习最优的特征子集，最后使用AdaBoost算法筛选最具区分力的特征构建强分类器。以含有正面、侧面及背面三个角度超过3 500个样本为测试集进行了快速车辆检测测试，并与梯度方向直方图(HOG)和Haar的组合特征进行了对比。对比实验表明，基于NPD的车辆检测方法最优，其检测率和检测时间分别为85.47%和200 ms。

关键词：车辆检测；NPD特征；深度二次树；级联分类器

引用格式：连捷. 一种基于像素差值特征的车辆检测方法[J].微型机与应用，2016,35(13)：43-44，50.

0引言

公共安全中的汽车是一个关键性元素，如何快速检测出车辆，并进行后续分析具有实际意义。基于视频分析的车辆检测算法主要包括：帧间差分法、光流法、背景差分[1-3]等。这些算法要么过于简单，检测效果不好，要么过于复杂，计算量太大，对于海量视频分析不太现实。基于AdaBoost 算法[4]虽然速度快，但是虚警率较高，检测效果一般。NEGRI P等人[5]综合了HOG特征和Haar特征，将两种特征的融合特征作为AdaBoost训练的输入，该方法对单一角度的车辆检测结果较好，但对多角度的车辆检测扩展性能不好。本文对传统AdaBoost 算法进行改进，结合归一化像素差值特征(NPD)和深度二次方树(DQT)[6]，使用多角度车辆样本来训练AdaBoost，实验结果表明本文方法与参考文献[5]中的检测算法相比较，检测速度更快，检测率更高。……