技术领域
[0001] 本
发明属于
图像识别和
机器学习技术领域，具体涉及一种基于分类器的智能车自动引导系统。
背景技术
[0002] 智能车的自动导引方法是工业物流自动化过程中一个关键技术，有着很大应用市场。相比于传统使用电磁装置或激光反射板的方法，采用
计算机视觉的自动导引方法具有成本低、智能化
水平高、导航柔性大等特点，是智能车自动导引方法的主要研究方向。
[0003] 梯度方向直方图(Histogram of Oriented Gradient，缩写为HOG)最早由Dalal于2005年提出，最初被用于行人检测之中，取得了不错的效果。它的原理是依据一幅图像的形状、外观等特征能够被梯度或边缘的方向
密度分布很好地描述，并能够适应光照变化和目标旋转。HOG不从图像的整体上考察特征，而是将图像细分为多个细胞单元cell，然后计算所有细胞单元中个
像素点的梯度或边缘方向直方图。为提升准确率，局部直方图可以通过计算图像中一个由若干个细胞单元组成的区间block的光强作为参考，从而具有光照不变性的特点。
[0004]
支持向量机(Support Vector Machine，缩写为SVM)是一种基于结构
风险最小化原则的模式分类方法，通过将输入向量映射到一个高维的特征空间，并在该空间中构造最优分类面，实现两类或多类的分类问题，它在解决小样本、非线性及高维数方面有着明显的优势。
[0005] 目前，对于SVM分类器的样本训练方法主要有两种，分别是使用人工预先标定好的正负样本作为样本集进行训练和直接使用大规模的样本集进行训练。使用预先标定好的样本集的方法过分依赖人工，需要消耗巨大的人
力成本。而使用大规模的样本集直接训练会导致分类器所占用的空间明显增加，由于样本中会存在一定的噪声样本，这对分类器的识别效率也会受到明显的影响。
发明内容
[0006] 鉴于上述，本发明目的是在预设导引路径的情况下提供一种成本较低、识别率较高、实时性好基于分类器的智能车自动引导系统。
[0007] 一种基于分类器的智能车自动引导系统，包括：
[0008] 样本采集单元，其安装于车辆顶部，用于采集车前方的视频图像；
[0009] 样本分类单元，其将样本采集单元采集到的所有用于训练的视频图像进行划分，得到正样本集合和负样本集合，并统一正负样本的尺寸大小；
[0010] 特征提取单元，用于提取所有样本的梯度方向直方图作为特征；
[0011] 训练分类单元，将所有样本的特征作为输入进行训练，以得到用于检测标识物的分类器；
[0012] 分类测试单元，用于对所述的分类器进行测试，评估分类器的检测性能是否达到期望要求；
[0013] 智能引导单元，其对于样本采集单元所采集到的实时的视频图像，利用分类器检测出图像中的标识物，进而根据标识物坐标绘制路径轨迹，进而基于所述路径轨迹对车辆行进方向进行控制。
[0014] 所述的样本采集单元采用摄像头，从摄像头拍摄的
视频流中按固定周期截取出视频图像作为样本集，样本集中的视频图像要求标识物足够清晰，轮廓明显。
[0015] 所述的样本分类单元根据标识物的
颜色、大小、形状进行
定位，截取视频图像中的标识物部分保存作为正样本，对视频图像中剩余的背景区域进行随机切分并保存作为负样本。
[0016] 所述的训练分类单元采用支持向量机的
监督学习算法进行训练，以得到用于检测标识物的分类器。
[0017] 所述的分类测试单元对分类器进行测试，根据实际测试结果进行调整，即当实测图像中存在标识物但却未能检测出标识物的情况，则将该实测图像加入正样本集合中；当实测图像被误判为标识物的情况，则将该实测图像加入负样本集合中，然后由训练分类单元重新训练分类器，直至分类器的检测性能达到期望要求。
[0018] 所述的智能引导单元包括：
[0019] 图像输入模
块，其接收样本采集单元所采集到的实时的视频图像；
[0020] 候选区域模块，其根据标识物的分布以及实际应用场景对图像输入模块接收到的视频图像进行框定，得到候选
检测区域；
[0021] 标识检测模块，提取候选检测区域的HOG特征并输入至分类器中进行检测，若检测出标识物，则采用保持视频尺寸不变、窗口按固定比例缩小或放大的窗口遍历的方式对候选区域进行扫描，输出标识物坐标；
[0022] 规划路径模块，其根据标识检测模块输出的标识物坐标按图像自底向上的方向进行排序并两两连线，形成路径轨迹；
[0023] 车辆控
制模块，其根据所述路径轨迹对车辆行进方向进行控制。
[0024] 所述的标识检测模块若未检测到标识物的情况，则结合视频流中前若干
帧视频图像进行综合判断；若需要检测多个不同标识物的情况，则标识检测模块分别调用对应的分类器判断视频图像中是否存在各对应标识物。
[0025] 本发明的有益技术效果如下：
[0026] (1)相比于传统循迹线的方式，本发明使用标识物进行自动导引的灵活性更大，因为标识物不单可以指引智能车的前行方向，还可以被赋予新的含义，比如停车、减速、
加速等命令。
[0027] (2)本发明所需
硬件设备简单，在智能车上仅仅只需安装一个足够
分辨率的摄像头即可，其他部分由
软件部分来控制，成本较低。
[0028] (3)本发明根据应用场景先确定检测标识物的候选区域，再使用训练好的分类器对候选区域内的图像检测标识物，减少了误判的同时提升了
图像处理的速度。
附图说明
[0029] 图1为本发明智能车自动引导系统的结构示意图。
[0030] 图2为本发明系统中应用分类器单元的结构示意图。
[0031] 图3为存在多个标识物时的分类器处理过程示意图。
具体实施方式
[0032] 为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
[0033] 本发明主要应用于类似工业AGV的场景之中，在预设导引路径的情况下实现智能车的自动导引。相比于传统使用电磁装置或激光反射板的方法，本发明的自动导引方法具有成本较低、识别率较高、实时性好的特点。
[0034] 如图1所示，本发明智能车自动引导系统包括样本采集单元、样本分类单元、样本特征提取单元、训练分类器单元、评估分类器单元和应用分类器单元；其中：样本采集单元用于收集足够数量的包含正负样本的原始图像，作为样本分类单元的输入；样本分类单元用于对样本采集单元中的原始图像样本划分为正样本类和负样本类，并统一正负样本的尺寸大小；样本特征提取单元用于提取样本分类单元中正负样本的图像特征；训练分类器单元用于对样本特征提取单元中得到的图像特征进行训练，得到所需的分类器；评估分类器单元用于对训练好的分类器进行测试，评估分类器的性能是否达到期望值；应用分类器单元将符合期望的稳定分类器应用于智能车自动导引方法上。
[0035] 本实施方式中样本采集单元以摄像头作为输入设备，从摄像头拍摄的视频流中按固定周期截取出
视频帧图像作为样本集，样本集中的原始图像要求标识物足够清晰，轮廓明显。
[0036] 样本分类单元对正负样本的分类首先以标识物的颜色、形状、大小等特性对标识物定位并截取出标识物部分，保存为正样本；对剩余的图像背景部分进行随机切分，保存为负样本。经人工检验正负样本无误后，将样本的尺寸进行统一。对于多个标识物的情况，则分别训练保存对应的正样本库和负样本库。
[0037] 训练分类器单元将正样本集和负样本集作为分类器的输入，以梯度方向直方图HOG作为特征描述子进行训练，训练后得到的分类器根据实际分类检测的效果进行调整，即出现未能检测出的标识物，则将该标识物加入到对应的正样本集中；出现背景图像被误判为标识物的情况则将误判的背景图像加入到负样本集中，然后重新训练分类器，直至分类器的检测效率达到期望的性能。
[0038] 如图2所示，应用分类器单元包括了图像输入模块、候选区域模块、标识检测模块、规划路径模块和车辆
控制模块；其中：图像输入模块以摄像头作为输入设备；候选区域模块根据标识物的分布、实际应用的场景等对视频图像的候选检测区域进行框定；标识检测模块对候选区域内的标识物采用SVM分类器进行检测，采用保持视频尺寸不变、窗口按固定比例缩小或放大的窗口遍历的方式对候选区域进行扫描，输出标识物坐标；规划路径模块是对标识检测模块中输出的标识物坐标按图像自底向上的方向进行排序并两两连线，形成路径轨迹；车辆控制模块根据规划的路径对车辆行进方向进行控制。
[0039] 标识检测模块若未检测到标识物的情况，则结合视频流中前若干帧视频图像进行综合判断；若需要检测多个不同标识物的情况，则标识检测模块分别调用对应的分类器判断视频图像中是否存在各对应标识物。
[0040] 本发明系统的具体实施步骤如下：
[0041] 步骤1：在智能
车顶部固定一个支持自动对焦、500万像素的USB摄像头。完成摄像头定标之后，智能车先沿着预设路径以较低速率(约2m/s)前行，保存此时摄像头记录下的视频，对这段视频按固定时间周期截取出视频帧作为样本的原始图像。
[0042] 步骤2：通过转换颜色空间、判断标识物大小、形状等方法，初步截取出样本原始图像中标识物的部分保存在正样本集中，对背景图像区域进行随机切分并保存于负样本集中。其中，颜色空间的转换采用将
RGB颜色空间转换为HSV颜色空间，而大小、形状的限制则根据标识物在摄像头中的大小、形状而定。
[0043] 步骤3：在人工检验正负样本集无误后，对正负样本中图像的尺寸进行统一。:因为图像的梯度方向向量数由图像大小、细胞(cell)大小、每个细胞所取梯度维数等因素所决定，其计算方法为：
[0044]
[0045] 其中：cDim表示cell维数，bSize表示block大小，cSize表示cell大小，bStep表示block移动步长，w与h分别为图像宽和高。根据公式1可知，正负样本的大小不宜过大。对于方形标识物，样本大小统一到20*20(单位：像素)即可。
[0046] 步骤4：在训练好SVM分类器后对分类器的性能进行评估，判断是否符合预期性能，具体方法是将训练的分类器实际应用于智能车的自动导引中，分别统计漏检及错检标识物个数和总标识物个数，以如下公式作为分类器性能优劣的判断：
[0047]
[0048] 如果分类器性能为符合预期，则将漏检的标识物加入到正样本集中，错检的背景加入到负样本集中，重新训练分类器再进行评估，如此
迭代，直至达到符合预期的分类器性能指标。如果分类器始终达不到符合预期的性能指标，则需要重新
选定新的正负样本集，再训练新的分类器。
[0049] 步骤5：确定视频图像中的候选区域，根据实际应用场景情况、标识物的分布等因素，设置检测标识物的候选区域，对于非候选区域则不进行标识物的检测。这一方面可以排除掉很多干扰因素，提升检测标识物的准确性；另一方面可以提升分类器检测标识物的速度，缩短响应时间。
[0050] 步骤6：对标识物的检测采用保持视频的尺寸不变，按照固定比例缩小或放大窗口的尺寸来进行遍历，对视频帧扫描的方向为从左向右、自上到下对候选区域进行扫描。对扫描过程中得到的每个窗口图像，应用训练好的SVM分类器进行分类，并记录下分类器检测为正样本的窗口
位置和窗口的缩放比例。对于多个窗口重叠的情况，可以设定相邻窗口的最小
阈值，从而将多个重叠的窗口合并为一个较大的窗口。
[0051] 步骤7：取窗口坐标的中心点作为标识物的中心，对标识物坐标按图像自底向上的方向进行排序并两两连线，形成路径轨迹，传输给车辆控制模块。对于当前视频帧未检测到标识物的情况，则结合当前视频帧的前若干帧(一般取5～10帧)进行综合考虑。如果前若干帧中存在标识物则保持之前的车辆控制策略继续行进，如果前若干帧图像标识物丢失，则智能车关闭动力，停止前行。
[0052] 如果需要检测多个标识物，则针对每一种标识物分别训练单独的分类器。在标识物进行检测的过程中，每一种标识物分类器都对取出来的窗口图像进行检测分类，将窗口坐标分别保存到相应的坐标集中，其过程如图3所示。不同标识物的意义可以在车辆控制模块中再进行详细的定义。
[0053] 上述对
实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种
修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。
