從零開始的無人駕駛 02:Vehicle Detection
阿新 • • 發佈:2018-11-05
在 CNN (Convolutional Neural Networks 卷積神經網路) 普遍運用之前,車輛檢測是通過使用條件隨機場或者SVM(支援向量機)來實現的。操作上分為兩步,先是從影象上提取特徵,然後基於特徵建立模型,判斷車輛位置。
template matching 模板匹配
對於影象上的每一塊顏色,計算與背景圖的distance
甚至更硬核一點,直接把各種可能的車輛圖片存起來,然後跟相機視角的圖片進行比較
這類解決方案統稱 template matching
Color Histogram
template matching的缺陷也很明顯,對於沒有預存過的模板,自然無從識別。因此出現了 Color Histogram方案
HOG
Histogram of Oriented Gradients (定向梯度直方圖), 相比於之前的特徵,HOG特徵更加健壯,並且無視顏色的影響。
操作的時候,首先捕捉影象的輪廓與紋理資訊
然後將影象劃分為多個cell。對每個cell計算梯度方向 統計每個cell的區域性直方圖 將結果歸一化,得到的主方向將成為區域性特徵梯度方向 彙總每個cell得到的區域性資訊,就可以得到HOG特徵Features Combination
首先是資料預處理,這裡主要是進行特徵組合。
比如HOG特徵是針對梯度資訊的特徵,HSV特徵則是針對顏色資訊的特徵
可以直接將二者拼接,得到 顏色+梯度的組合資訊 這裡面有一些要注意的地方,一般多個特徵擁有不同的模量,所以數字上相差很大 那麼就需要進行正則化,將資料對齊 還可以利用決策樹等方法,捨棄影響不大的變數Sliding Windows
使用滑動視窗進行車輛檢測,在這種場景下有一些機巧
首先還是ROI, 車輛其實只會出現在圖片的下半塊區域
Multiple Detection
最後對於同一車輛的Multiple Detection
建立 heat-map,計算中心位置