一种基于Adaboost算法的车辆检测方法

　　随着汽车保有量的日益增加，道路交通事故这一重大社会危害引起了世界各国的重视，汽车的安全问题已成为全球性的社会问题。

　　各国为了减少交通事故和人员伤亡采取了一系列措施，广泛采用各种电子技术和理论来提高汽车的主动安全性能[1，2]。在汽车主动安全技术方面，通过各种传感器技术实现对车辆周围环境的探测和实时监控，在危急情况下能主动干涉驾驶员的操纵、辅助驾驶者进行各种应急处理，防止汽车碰撞事故的发生，从而有力地保障了车辆和驾驶员的安全。

　　在道路交通事故，尤其是高速公路交通事故中，安全车距不足和驾驶员疲劳等因素是导致事故发生最直接的因素[3]。本文根据视觉传感器信息量丰富，成本低的特点，对视觉传感器获得的车辆前方图像中的车辆进行检测与跟踪，为建立汽车防撞预警系统提供技术支持。采取安装在车内后视镜位置的单目黑白 CCD 采集的图像进行处理，利用车辆样本的类Harr特征进行分类器训练，得到一个级联的车辆检测分类器，研究了基于Adaboost算法的前方车辆检测方法。

　　1 Adaboost 算法的检测原理

　　Adaboost 算法是一种分类器算法，是由 Freund和 Schapire 在 1995 年提出的，由于它具有算法简单、学习精度高等优点，提出后便在机器学习领域得到极大的关注和应用[4]。Adaboost算法的基本思想是利用大量的分类能力一般的简单分类器通过一定的方法叠加起来，构成一个分类能力很强的强分类器，再将若干个强分类器串联成为分级分类器完成图像搜索检测，串联的级数依赖于系统对错误率和识别速度的要求[5]。

　　1.1 特征选取与计算

　　为了判断所图像中各个子窗口是否为车辆区域，需要使用多个特征来对车辆进行建模。采用Adaboost 算法进行行人训练时，需要从车辆样本图像中抽取大量的简单特征。本文选用 Viola 等提出的类 Haar 特征作为行人检测的特征向量。类 Haar特征是一种“矩形”对特征[6]，描述图像模式相邻区域的特征差异，如图 1 所示。

　　类 Haar 的每个特征由 2 或 3 个矩形组成，分别检测边缘和线性特征，其特征值的计算为组成的矩形区域灰度积分之和[7]：

　　1.2 Adaboost 算法训练步骤

　　本文使用级联分类器作为判断窗口类别的二分类器，其由若干个强分类器组成，每个强分类器由若干个弱分类器组成。这种级联式的分类器能快速排除图像中大部分非行人窗口，加快检测速度。其中，强分类器通过以下步骤训练获得：

　　以上训练的物理意义可以表达为，当已经获得的分类器对于某些样本分类正确，那么减小这些样本的权重;当分类错误，增加这些样本的权重。这样，后面训练提取的简单分类器就会更加强化对这些分类错误样本的训练。最终，通过权重组合所有的弱分类器以形成强分类器。