Vehicle detection and recognition for intelligent traffic survelliance system 论文

Vehicle detection and recognition for intelligent traffic survelliance system

一、过程梳理

• a)Vehicle detection（车辆检测）
  
  • 1、Haar-like feature
  • 2、AdaBoost algorithm
• b)Vehicle recognition（车辆识别）
  
  • 1、Garbor wavelets transform
  • 2、Local gabor binary pattern and histogram sequence （LGBPHS）
• 3、feature dimension reduction(using PCA)

二、Haar分类器

A)介绍

Haar分类器 = Haar-like特征 + 积分图方法 + AdaBoost +级联；

B)Haar分类器算法的要点如下：

• ①　使用Haar-like特征做检测。
• ②　使用积分图（Integral Image）对Haar-like特征求值进行加速。
• ③　使用AdaBoost算法训练区分人脸和非人脸的强分类器。
• ④　使用筛选式级联把强分类器级联到一起，提高准确率。

三、Haar特征（Haar-like feature）

Haar特征起源于人脸识别
资料站：http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html



假设在人脸检测时我们需要有这么一个子窗口在待检测的图片窗口中不断的移位滑动，子窗口每到一个位置，就会计算出该区域的特征，然后用我们训练好的级联分类器对该特征进行筛选，一旦该特征通过了所有强分类器的筛选，则判定该区域为人脸。
Haar特征判别法利用每个特征的特征值判断是否属于人脸区域。将上面的任意一个矩形放到人脸区域上，然后，将白色区域的像素和减去黑色区域的像素和，得到的值我们暂且称之为人脸特征值，如果你把这个矩形放到一个非人脸区域，那么计算出的特征值应该和人脸特征值是不一样的，而且越不一样越好，所以这些方块的目的就是把人脸特征量化，以区分人脸和非人脸。
Haar特征值=SUM（白色像素）-SUM（黑色像素）

四、积分图法

积分图法是一种快速计算Haar特征值的方法

A)定义

公式（1）

其中:

F(x,y)表示积分图

p(x’,y’)表示任意一点的颜色值或灰度值(0-255)

在上图中，A(x,y)表示点(x,y)的积分图；s(x,y)表示点(x,y)的y方向的所有原始图像之和。则积分图可以表示为：

B)积分图的优势
现有如下图：

一个区域的像素值可以由端点的积分图来计算

F(1)表示A区域的像素值

F(2)表示A+B区域的像素值

F(3)表示A+C区域的像素值

F(4)表示A+B+C+D区域的像素值

那么D区域的像素值=F(4)+F(1)-F(3)-F(2)

因为只是简单的加减，所以积分图法可以快速得出一个区域的特征值。

C)计算特征值

如图，这是一个Haar特征图，表示一个边缘特征

计算这个边缘特征的特征值如下:

A区域像素值和=F(1)

B区域像素值和=F(2)-F(1)

C区域像素值和=F(3)-F(1)

D区域像素值和=F(4)+F(1)-F(3)-F(2)

Haar=B区域像素值和+D区域像素值和-(A区域像素值和+C区域像素值和)
=F(2)-F(1)+F(4)+F(1)-F(3)-F(2)-(F(1)+F(3)-F(1))
=F(4)-F(3)-F(3)

所以矩形特征的特征值只于端点的积分图有关，只要计算出端点的积分图再进行简单的加减操作就可以得到特征值。

五、AdaBoost算法

A)Boosting算法的提出

对于一个选择是否正确有是和否两个选项，任意选择的正确率为50%，而只要通过某种手段使正确率提高一点，这个过程则称为弱学习算法；而通过某种手段使得正确率显著提高，这个过程则称为强学习算法。现研究已证明，多个弱学习算法可以集成为一个强学习算法，而这之中使用的算法就是Boosting算法。

B)AdaBoost算法的提出

AdaBoost算法是对Boosting算法的改进，全称为Adaptive Boosting，即自适应的Boosting算法。AdaBoost是一种基于级联分类模型的分类器，级联分类模型如下图所示。
首先，Adaboost是一种基于级联分类模型的分类器。级联分类模型可以用下图表示：

C)AdaBoost结构

这就是Adaboost的结构，最后的分类器YM是由数个弱分类器（weak classifier）组合而成的,相当于最后m个弱分类器来投票决定分类，而且每个弱分类器的“话语权”α不一样。

六、级联分类器

A)级联分类器介绍

级联分类器就是将多个强分类器连接在一起进行操作。每一个强分类器都由若干个弱分类器加权组成。