国产毛片a精品毛-国产毛片黄片-国产毛片久久国产-国产毛片久久精品-青娱乐极品在线-青娱乐精品

解開(kāi)車輛檢測(cè)算法之謎

發(fā)布時(shí)間:2020-10-20 09:57    發(fā)布者:eechina
關(guān)鍵詞: 車輛檢測(cè) , 算法
車輛檢測(cè)技術(shù)看似神秘,本質(zhì)上是通過(guò)數(shù)學(xué)公式,計(jì)算出圖片上指定區(qū)域內(nèi)的像素特征,進(jìn)而根據(jù)特征判斷物體所屬類別。物體檢測(cè)方法可以總結(jié)為特征提取與類別判定兩步,常用方法為支持向量機(jī), Support Vector Machine(SVM)與方向梯度直方圖, Histograms of Oriented Gradients(HOG)相互配合。

本文將從以下幾個(gè)方面介紹這種常用的車輛檢測(cè)算法,揭開(kāi)其神秘面紗,也讓讀者通過(guò)閱讀對(duì)機(jī)器學(xué)習(xí)過(guò)程有清晰的了解。

應(yīng)用場(chǎng)景簡(jiǎn)介

詳述HOG特征的計(jì)算方法
簡(jiǎn)述SVM的工作過(guò)程
對(duì)比及總結(jié)
應(yīng)用場(chǎng)景簡(jiǎn)介

現(xiàn)實(shí)生活中車輛檢測(cè)技術(shù)應(yīng)用廣泛,下面舉例說(shuō)明車內(nèi)裝置的應(yīng)用。我們平時(shí)開(kāi)的私家車?yán)镉袝r(shí)會(huì)有后置車載攝像頭,后方一定距離內(nèi)有車將要超過(guò)該車時(shí),此系統(tǒng)便會(huì)啟動(dòng),檢測(cè)出后方車輛以后發(fā)出警報(bào),提示駕駛員減速駕駛(圖1)。另一個(gè)例子便是在自動(dòng)駕駛領(lǐng)域的應(yīng)用,通過(guò)對(duì)周邊車的定位,分析他車車速、距離等干擾因素,從而改變?cè)撥嚨男旭傑壍馈?br />

圖1:后視車載攝像頭檢測(cè)出車輛在圖像上用矩形框定位

車輛檢測(cè)系統(tǒng)還廣泛用于交通管制和路況監(jiān)控(圖2),例如在隧道口安置此系統(tǒng),則會(huì)統(tǒng)計(jì)每天各個(gè)時(shí)段的車流量,適當(dāng)實(shí)施限行政策,減少交通事故的發(fā)生,并且提醒駕駛員,哪里是擁擠路段,哪里交通較為順暢,進(jìn)而方便駕駛員選擇出行線路,起到疏散交通的目的。此外車流量的統(tǒng)計(jì)也會(huì)應(yīng)用在機(jī)場(chǎng)或火車站的停車場(chǎng),經(jīng)過(guò)大數(shù)據(jù)分析出車位緊張的時(shí)段,以便工作人員合理調(diào)度資源。

附帶車輛檢測(cè)系統(tǒng)的信號(hào)燈可以通過(guò)與其他技術(shù)相結(jié)合,探測(cè)信號(hào)燈周圍車流量,工作人員通過(guò)大數(shù)據(jù)人工智能進(jìn)行統(tǒng)計(jì),通過(guò)計(jì)算設(shè)定紅綠燈交替變換的合理時(shí)間間隔。


圖2:車輛檢測(cè)系統(tǒng)在路況監(jiān)控場(chǎng)景下的應(yīng)用

HOG 與 SVM相結(jié)合的算法

( 40 −16 )/ 8 +1 =4

利用HOG與SVM相結(jié)合的行人檢測(cè)方法最初是由法國(guó)研究人員Dalal于2005年在CVPR上提出的,如今演變成以HOG+SVM為主要思路對(duì)各類物體進(jìn)行檢測(cè),包括車輛以及車道的定位。

步驟如下(圖3)所示:


圖3:SVM與HOG結(jié)合做車輛檢測(cè)的流程圖。

HOG特征計(jì)算

HOG是一個(gè)局部提取特征的算法,如果是包含復(fù)雜背景的大圖,就算提取再多的特征也不會(huì)達(dá)到檢測(cè)物體的目的。我們需要將圖片剪裁得到目標(biāo),經(jīng)實(shí)驗(yàn)證明,車輛作為目標(biāo)物體占圖片比重必須大于80%才會(huì)得到好的效果。在剪裁好的局部圖像上將圖像分區(qū)(block),每個(gè)區(qū)域以細(xì)胞(cell)為單位提取特征。(圖像中的多個(gè)像素為一個(gè)細(xì)胞cell,多個(gè)cell組成區(qū)域塊block。)  我們以下(圖4)為例,解釋HOG特征的計(jì)算過(guò)程。 首先剪裁得到一張40*40的圖片(以像素為單位),之后我們要定義如下幾個(gè)變量:


圖4:block在剪裁圖片上的移動(dòng)過(guò)程,由圖可知4個(gè)cell組成一個(gè)邊長(zhǎng)為16個(gè)像素值block,圖片經(jīng)剪裁得到長(zhǎng)寬均為40個(gè)像素值。步長(zhǎng)為1, 即每次移動(dòng)一個(gè)像素值。

定義移動(dòng)步長(zhǎng)s, 例如:s=1。
定義cell大小,以像素為單位,例如:8*8。
定義block大小,例如:由2*2=4個(gè)cell組成。
定義bin的數(shù)量取值,根據(jù)需要設(shè)定數(shù)量,例如bin=9,每個(gè)bin用來(lái)存放計(jì)算出的直方圖的梯度方向累加值,其原理下文將具體講解。

對(duì)輸入的圖像及顏色進(jìn)行標(biāo)準(zhǔn)化處理,減少光照或陰影對(duì)圖像中物體檢測(cè)準(zhǔn)確性的干擾,具體做法是進(jìn)行g(shù)emma顏色矯正后改為灰度圖(Gemma顏色矯正原理在此不做介紹)。
梯度大小的計(jì)算。以一個(gè)細(xì)胞部分區(qū)域?yàn)槔鲇?jì)算方法講解(圖5),下文為計(jì)算像素值為25的中間點(diǎn)的公式。


圖5:一個(gè)細(xì)胞的部分區(qū)域大小及像素值

采用一個(gè)合理的卷積核方式的定義,實(shí)驗(yàn)表明[-1,0,1]效果最好。卷積核 [-1,0,1] 可以理解為一個(gè)矩陣,用于計(jì)算每個(gè)像素點(diǎn)的梯度幅值方向,因此我們可以橫向(x軸正方向,向右)采用[-1,0,1] 的卷積核,縱向(y軸正方向,向上)采用〖[-1,0,1]〗^T,對(duì)于圖像區(qū)域中的每一個(gè)像素點(diǎn)做橫向,縱向的梯度分量計(jì)算,二者平方和開(kāi)根號(hào)得到該點(diǎn)的梯度方向,因此計(jì)算公式如下:



所以像素為25的點(diǎn)水平方向的計(jì)算方法如下(圖6)所示:


圖6:像素值為25的中間點(diǎn)水平方向的像素值的計(jì)算過(guò)程

計(jì)算公式:


所以像素為25的點(diǎn)垂直方向計(jì)算方法如下(圖7)所示:


圖7:像素值為25的中間點(diǎn)水平方向的像素值的計(jì)算過(guò)程

計(jì)算公式:           


梯度方向的計(jì)算采用以下公式:


對(duì)每個(gè)細(xì)胞(cell)中的所有像素點(diǎn)重復(fù)3-4的計(jì)算過(guò)程,再將數(shù)值相加,我們就得到了一個(gè)細(xì)胞(cell)內(nèi)9個(gè)梯度方向上的梯度積分圖(圖8)。
求解圖像分區(qū)(block)的HOG特征,即:將所包含的細(xì)胞(cell)特征串聯(lián)到一起。
求解整個(gè)圖片的HOG特征,即:將所包含的圖像分區(qū)(block)特征串聯(lián)到一起。

特征維度的計(jì)算方法:
以上例子中block塊沿著x,y軸分別移動(dòng)4步:

(40-16)/8+1=4

每個(gè)block中包含4個(gè)cell:

2*2=4

特征維度的計(jì)算公式:



因此該圖例中通過(guò)計(jì)算得到特征維度是576。

將求得的梯度向量正則化。正則化的重要目的是為了防止過(guò)擬合,過(guò)擬合會(huì)造成在對(duì)訓(xùn)練集的分類效果過(guò)于理想,但是測(cè)試集檢測(cè)率極其偏低,這顯然是我們不能接受的。跟一般的機(jī)器學(xué)習(xí)特征正則化的道理相同,例如得到的特征值在(0, 200)之間分布,我們要求防止200以內(nèi)的數(shù)字對(duì)特征整體分布造成影響(模型在訓(xùn)練中會(huì)為了迎合200而偏離整體趨勢(shì),造成過(guò)擬合),因此要將特征分布規(guī)范化到一定區(qū)間,Dalal在論文中提到采用L2-norm得到的效果非常理想。(這里0,200指特征值所在的范圍)
將特征與標(biāo)簽一起送往SVM中對(duì)分類器進(jìn)行訓(xùn)練。
直方圖的梯度方向及bin的取值

Dalal在論文中提到,“這一步驟的目的是為局部圖像區(qū)域提供一個(gè)指示函數(shù)量化梯度方向的同時(shí),能夠保持對(duì)圖像中檢測(cè)對(duì)象外觀的弱敏感性”。 梯度大小要根據(jù)梯度方向插入到對(duì)應(yīng)的bin中,方向分為兩種。 第一種無(wú)方向的方法(unsighed)適用于車輛或其他目標(biāo)檢測(cè),第二種有方向的方法(sighed)經(jīng)實(shí)驗(yàn)證明,不適用于車輛或其他目標(biāo)檢測(cè),這種方法在圖片放大、縮小、或經(jīng)過(guò)旋轉(zhuǎn)后,像素點(diǎn)要恢復(fù)到原位置時(shí)會(huì)有應(yīng)用,可以點(diǎn)擊參考文獻(xiàn)的第5個(gè)鏈接進(jìn)行深入了解。

無(wú)方向。 (0 , π)
下面我們?cè)敿?xì)了解無(wú)方向插值法.

本文將使用三張表格去做講解,每張表格中第一行為計(jì)算出的幅值,第二行為規(guī)定好的bin的方向取值,由180度除以定義的bin個(gè)數(shù)得來(lái)。第三行為bin的序號(hào),從0開(kāi)始.

根據(jù)實(shí)際需要分成若干個(gè)bin, 例如分成9個(gè),即每個(gè)細(xì)胞內(nèi)統(tǒng)計(jì)9個(gè)方向的梯度直方圖,每個(gè)bin的覆蓋方向?yàn)?0度。將幅值(上文中計(jì)算的 G(x, y) )插入到bin中,最終bin中幅值的累加和即為直方圖的縱軸,橫軸則是bin的取值范圍,該例中取(0, 8) 的數(shù)字。

插入值的方法:

若某個(gè)像素點(diǎn)的幅值為80,方向?yàn)?0度,則插入到(表格1)藍(lán)色區(qū)域的位置:


(表格1)

若幅值為80,方向?yàn)?0度,則分別插入到(表格2)藍(lán)色填充的兩個(gè)位置:


  (表格2)

若幅值為60,方向?yàn)?65度,則分別插入到表格3藍(lán)色的兩個(gè)位置:

(180度和0度在方向上等價(jià),所以幅值按1:3分別插入兩個(gè)bin)


   (表格3)

上述(表格1)介紹的方向值恰好為bin對(duì)應(yīng)值的插入方法,表格2介紹了方向值介于兩個(gè)bin值之間的插入方法,表格3介紹了方向值大于最大bin值的插入方法。根據(jù)三種方法的原理,以cell為單位計(jì)算,一個(gè)cell中所有像素點(diǎn)遍歷后的幅值累加,例如上面我們?cè)?號(hào)bin的位置得到了兩個(gè)幅度值分別為40和15,因此我們到目前為止0號(hào)bin的直方圖累加到55。以此類推,計(jì)算每個(gè)cell 的1-8號(hào)bin幅度分別累加。最終我們會(huì)得到類似于下面(圖8)的直方圖,橫坐標(biāo)X為梯度方向,縱坐標(biāo)Y為梯度幅值:


圖8:梯度直方圖實(shí)例。橫軸為bin序號(hào),縱軸為計(jì)算出的幅值。本圖縱軸對(duì)應(yīng)的數(shù)字僅為舉例說(shuō)明,例如,上圖三張表格中的bin1幅值加和得到80+40+0=120作為最終結(jié)果,則直方圖縱坐標(biāo)得到120,繼續(xù)做計(jì)算,bin1 的值會(huì)繼續(xù)累加。

實(shí)驗(yàn)證明目標(biāo)檢測(cè)時(shí)用9個(gè)bin,單向插入會(huì)得到最佳效果。

有方向。(0, 2π)
方向前加了正負(fù)號(hào),若也定義9個(gè)bin, 則每一個(gè)bin所分配到的角度范圍是(0, π/9 °) 例如,第二個(gè)bin,其正值插入到范圍在20-40(藍(lán)色的扇形區(qū)域),負(fù)值應(yīng)插入到200-220的bin中(藍(lán)色的扇形區(qū)域)。(圖9)


圖9:有方向的插值方法,每一個(gè)扇形區(qū)域代表一個(gè)bin覆蓋角度范圍值。紅色為一號(hào)bin,覆蓋0-20度。順時(shí)針?lè)较蛞来螛?biāo)號(hào),綠色為終點(diǎn),340-360度。藍(lán)色區(qū)域?yàn)橄鄬?duì)應(yīng)的兩個(gè)方向的bin.

簡(jiǎn)述SVM的工作過(guò)程

SVM (Support Vector Machine) 全稱為支持向量機(jī) ,在空間中將兩個(gè)類別通過(guò)一個(gè)超平面分開(kāi),二維空間可簡(jiǎn)單理解成為了找到 y 而 y 滿足



y的值決定了樣本是正類還是負(fù)類。但是如何確定最優(yōu)超平面,這里就引入了支持向量和最大 間隔。我們的目標(biāo)是引入超平面,使得距離超平面最近的點(diǎn)之間有最大間隔(圖10)。


圖10:紅色的線為超平面,落 在兩側(cè)的虛線上的點(diǎn)為支持向量,計(jì)算得到的𝑦值即1(正類)或-1(負(fù)類),藍(lán)色的點(diǎn)為正 樣本,綠色的點(diǎn)為負(fù)樣本,目的是找到虛線之間的距離最大的𝑤值,因?yàn)榫嚯x越大表示二分類 模型效果越好。 (來(lái)源: https://en.wikipedia.org/wiki/Support-vector_machine)

由于現(xiàn)實(shí)情況中的數(shù)據(jù)復(fù)雜度高,有時(shí)會(huì)根據(jù)需要引入核函數(shù),作用是將低維度映射到高維度 中,通過(guò)找到㇐個(gè)最優(yōu)超平面使線性不可分(圖11)的數(shù)據(jù)變得線性可分。


圖11:紅色圈內(nèi)的點(diǎn)與藍(lán)色的點(diǎn)二維空間中線性不可分,因此需要通過(guò)核函數(shù)將各個(gè)點(diǎn)映射 到高維度的空間坐標(biāo)系中

SVM的計(jì)算量大,訓(xùn)練耗時(shí),因?yàn)閷?duì)于每個(gè)點(diǎn)都要計(jì)算㇐遍與其他每㇐個(gè)點(diǎn)的相似度。因此S VM適用于數(shù)據(jù)量較小的二分類模型訓(xùn)練,若為多個(gè)類別,則通常分別訓(xùn)練多個(gè)模型。此外, 臺(tái)灣大學(xué)教授研發(fā)的兩款開(kāi)源工具當(dāng)下深受科學(xué)家的喜愛(ài),㇐個(gè)是LibSVM,另㇐個(gè)是基于SV M開(kāi)發(fā)、適用于大數(shù)據(jù)量的liblinear。

SVM對(duì)參數(shù)也極其敏感。libSVM或LibLinear訓(xùn)練過(guò)程中要注意懲罰項(xiàng)C,和權(quán)重系數(shù)w. C 即懲罰項(xiàng),越大,代表訓(xùn)練過(guò)程分類效果越好,但是C過(guò)大會(huì)造成過(guò)擬合,即訓(xùn)練樣本分類 正確率極其高但是測(cè)試準(zhǔn)確率極其底。因?yàn)閿?shù)據(jù)中不可避免的出現(xiàn)㇐些遠(yuǎn)離集中群體的點(diǎn),C 的大小表明了你是否愿意放棄這些離群點(diǎn)。越大表示不愿意放棄,因此模型會(huì)特別好的擬合訓(xùn) 練集但非測(cè)試集, W即權(quán)重代表正負(fù)樣本的系數(shù),如果想讓更多的目標(biāo)被檢測(cè)出來(lái),就將正樣本權(quán)重加大,但 是這樣誤檢率(FP)會(huì)特別高。反之,負(fù)樣本權(quán)重加大,會(huì)控制誤檢率(FP),當(dāng)然目標(biāo)檢測(cè)率 (TP)就會(huì)降低。

經(jīng)過(guò)筆者親自實(shí)驗(yàn)發(fā)現(xiàn),㇐百萬(wàn)個(gè)數(shù)據(jù),1152維特征,在2個(gè)CPU,60G內(nèi)存的 Windows10 操作系統(tǒng)下,開(kāi)18個(gè)線程程訓(xùn)練耗時(shí)20分鐘。因此作者建議大家使用liblinear庫(kù)訓(xùn)練超大文 本,或增加計(jì)算機(jī)內(nèi)存。

對(duì)比及總結(jié)

本文重點(diǎn)解析了車輛檢測(cè)的特征計(jì)算部分,以及簡(jiǎn)要介紹SVM的分類策略。建議HOG特征用 于車輛檢測(cè)時(shí),采用大于1000維度特征,9個(gè)bin的無(wú)方向插值法,特征分布不均勻務(wù)必采用 正則化處理;SVM可根據(jù)需要選擇核函數(shù),必要時(shí)可以選用LibSVM庫(kù)訓(xùn)練基于超大數(shù)據(jù)量的 模型。 SVM 的內(nèi)核函數(shù)機(jī)制將低維度空間映射到高維度空間有效解決了線性不可分的難題,SVM的 計(jì)算復(fù)雜度由支持向量的個(gè)數(shù)決定,而幸運(yùn)的是,最終決策函數(shù)由少量支持向量決定。SVM 同樣有其局限性,如果不使用LiBSVM/Liblinear開(kāi)源庫(kù),單純的SVM對(duì)大型數(shù)據(jù)的處理非常 困難,因?yàn)镾VM在計(jì)算過(guò)程中涉及矩陣計(jì)算,其行數(shù)列數(shù)由樣本數(shù)量決定,大型樣本在計(jì)算 過(guò)程中消耗大量時(shí)間和空間。同理,實(shí)踐過(guò)程中,對(duì)于是否選擇HOG也要雙向考慮優(yōu)缺點(diǎn)優(yōu) 點(diǎn)。這里對(duì)其優(yōu)缺點(diǎn)做總結(jié)以便讀者做參考:

優(yōu)點(diǎn):HOG是在局部的單元上做檢測(cè),能較好地捕捉局部形狀信息,而忽略光照,色 彩等因素,例如車輛檢測(cè)中可以忽略車的色彩因素,從而降低所需要的特征維度,而 且因?yàn)閷?duì)光照的若敏感度,即使車輛存在遮擋的部分也可以檢測(cè)出。

缺點(diǎn):HOG不擅長(zhǎng)處理遮擋問(wèn)題,車輛方向改變也不易檢測(cè);因?yàn)樘荻鹊男再|(zhì),HOG 對(duì)噪點(diǎn)相當(dāng)敏感,因此在實(shí)際應(yīng)用中,在 block 和 cell分割成局部區(qū)域單元之后,通常 有必要做㇐次高斯平滑去除噪點(diǎn)。對(duì)特征維度的確定(細(xì)胞,塊,步長(zhǎng)的確定)要求 高,實(shí)際工作中需反復(fù)設(shè)計(jì)方案實(shí)驗(yàn)得出最優(yōu)解。

以上是本文的主要內(nèi)容,希望給讀者㇐個(gè)清晰的思路。盡管SVM與HOG的結(jié)合計(jì)算量大,但 是成本較低,模型的訓(xùn)練也基于CPU就可以進(jìn)行,深受中小型產(chǎn)品研發(fā)企業(yè)的青睞,例如車 載攝像頭等小部件的研發(fā)與產(chǎn)出,在保證可用性的前提下價(jià)格方面會(huì)親民許多。


參考文獻(xiàn)

https://blog.csdn.net/u011285477/article/details/50974230
https://www.learnopencv.com/histogram-of-oriented-gradients/
https://www.stat.purdue.edu/~pan ... _HumanDetection.pdf
https://www.csie.ntu.edu.tw/~cjlin/libsvm/
https://blog.csdn.net/u011448029/article/details/11709443


文章來(lái)源:貿(mào)澤電子

作者簡(jiǎn)介:王晶是一名機(jī)器學(xué)習(xí)算法工程師,目前在汽車檢測(cè)領(lǐng)域工作。熱衷于技術(shù)文章的創(chuàng)作。她希望她的文章能引起讀者們對(duì)人工智能的興趣,以激勵(lì)更多的專業(yè)人員致力于這個(gè)領(lǐng)域,將AI與云技術(shù)和大數(shù)據(jù)結(jié)合起來(lái),以使人們的生活更加安全便捷。
本文地址:http://m.qingdxww.cn/thread-606083-1-1.html     【打印本頁(yè)】

本站部分文章為轉(zhuǎn)載或網(wǎng)友發(fā)布,目的在于傳遞和分享信息,并不代表本網(wǎng)贊同其觀點(diǎn)和對(duì)其真實(shí)性負(fù)責(zé);文章版權(quán)歸原作者及原出處所有,如涉及作品內(nèi)容、版權(quán)和其它問(wèn)題,我們將根據(jù)著作權(quán)人的要求,第一時(shí)間更正或刪除。
您需要登錄后才可以發(fā)表評(píng)論 登錄 | 立即注冊(cè)

廠商推薦

  • Microchip視頻專區(qū)
  • 無(wú)線充電基礎(chǔ)知識(shí)及應(yīng)用培訓(xùn)教程
  • Chiptorials ——使用ATECC608 TrustFLEX實(shí)現(xiàn)基本非對(duì)稱身份驗(yàn)證
  • FPGA設(shè)計(jì)流程培訓(xùn)教程
  • Chiptorials ——如何將CryptoAuthLib庫(kù)用于Microchip安全身份驗(yàn)證IC
  • 貿(mào)澤電子(Mouser)專區(qū)

相關(guān)視頻

關(guān)于我們  -  服務(wù)條款  -  使用指南  -  站點(diǎn)地圖  -  友情鏈接  -  聯(lián)系我們
電子工程網(wǎng) © 版權(quán)所有   京ICP備16069177號(hào) | 京公網(wǎng)安備11010502021702
快速回復(fù) 返回頂部 返回列表
主站蜘蛛池模板: 久久久久国产精品 | 色视频免费观看高清完整 | 久久九九久精品国产 | 台湾福利视频 | 在线视频亚洲 | 欧美日韩精品一区二区三区 | 欧美黄色片免费 | 天堂网. www在线资源 | 麻豆你懂的 | 看黄网址在线观看 | 天天曰天天 | 午夜美女福利视频 | 在线私拍国产福利精品 | 亚洲欧美人成综合导航 | 欧美日韩国产一区三区 | 久久免费香蕉视频 | 玖玖在线精品 | 日本a一级 | 欧美国产中文字幕 | 国产精品va欧美精品 | 日韩视频免费 | 国产成人综合91精品 | 四虎1515hh永久久免费 | 4438a| 欧美日韩精品国产一区二区 | 中文字幕第一页在线 | 国产成人亚洲精品91专区手机 | 日韩一区视频在线 | 99视频精品全部国产盗摄视频 | 黄片毛片免费观看 | 久久精品视频9 | 国产婷婷综合在线视频 | 国产黄色小视频 | 伊人网欧美 | 香蕉久久久久 | 国产成人精品一区二区视频 | 好男人官网在线观看 | 欧美日韩高清不卡一区二区三区 | 久久优| 91最新地址 | 伊人网99 |