[发明专利]一种基于分流级联的多类别交通标示牌的检测方法

摘要

本发明公开了一种基于分流级联的多类别交通标示牌的检测方法，包括以下步骤将待测图像利用缩放算法生成金字塔图像集合；通过计算MN‑LBP和TMN‑LBP特征生成可供boosting相关算法学习和训练使用的弱分类器；建立包含多种标示牌信息的分流级联分类器结构；利用分流级联分类器结构，在金字塔图像集合中以预定大小步进地判定该检测区域内是否存在标示牌；标定交通标示牌的位置，按所在的金字塔图像及缩小比例，换算到与原始图像中，确定所检交通标示牌的位置及大小。本发明有益效果能够快速实时的对多类别标示牌进行检测，能够检测上百种不同标示牌，无论检测速度还是检测种类都超出了目前已有专利和论文描述的方法。

主权项

一种基于分流级联的多类别交通标示牌的检测方法，其特征是，包括以下步骤：(1)将待测图像利用缩放算法生成金字塔图像集合；(2)通过计算MN‑LBP和TMN‑LBP特征生成可供boosting相关算法学习和训练使用的弱分类器；使用上述生成的弱分类器，建立包含多种标示牌信息的分流级联分类器结构；(3)利用分流级联分类器结构，在金字塔图像集合中以预定大小步进地判定该检测区域内是否存在标示牌；(4)标定交通标示牌的位置，按所在的金字塔图像及缩小比例，换算到与原始图像中，确定所检交通标示牌的位置及大小；所述步骤(2)中MN‑LBP和TMN‑LBP特征为：构建一个3×3的矩形框阵列，共九个矩形框，Sumi(i＝1,…，8)分别为周围8个矩形框内的像素值之和；假设：t＝(s(Sum1‑Ave),s(Sum2‑Ave),…,s(Sum8‑Ave))  (1)其中，t是一个八维向量，Ave是常数；s(x)=1,x≥00,x<0---(2)]]>然后，对每一项分析赋予一个权重2i，公式(1)就可以用一个数据来表示：T=Σi=182i-1·s(Sumi-Ave)---(3)]]>其中，T是MN‑LBP特征值或旋转45°的TMN‑LBP特征值，s(Sumi‑Ave)为公式(1)中t的一维向量，计算方法和公式(1)相同；所述步骤(2)中建立包含多种标示牌信息的分流级联分类器结构的方法为：(a)使用boosting算法训练所有的训练样本集，得到对应k个训练样本集的k个特征集：μi={fi,1,fi,2...,fi,j,...fi,Ni},(i=1,...,k;j=1,...,Ni)---(4)]]>其中，i指的是第i个训练样本集，fi,j是boosting训练方法选出的特征，Ni是选出特征的总数；(b)寻找不同训练样本集之间的共有特征，并根据这些共有特征建立由粗到精的SCF‑tree结构；(c)根据不同特征集的相似度将不同的样本分配到SFC‑tree的恰当节点中；(d)对SFC‑tree结构中每个节点的共有特征进行二次训练和特征提取，建立每个节点的结构。