基于集成学习与位置信息约束的前方车辆检测

计算机工程与科学

基于集成学习与位置信息约束的前方车辆检测

耿磊1,2，彭晓帅1,2，肖志涛1,2，李秀艳1,2，甘鹏1,2

（1.天津市光电检测技术与系统重点实验室,天津 300387;2.天津工业大学电子与信息工程学院,天津 300387）

收稿日期:2017-07-16 修回日期:2017-11-09 出版日期:2018-10-25 发布日期:2018-10-25
基金资助:
国家自然科学基金（61601325,61771340）；天津市自然科学基金（17JCQNJC01400）

Preceding vehicles detection based on integrated

learning and constraint of positions information

GENG Lei1,2，PENG Xiaoshuai1,2，XIAO Zhitao1,2，LI Xiuyan1,2，GAN Peng1,2

(1.Tianjin Key Laboratory of Optoelectronic Detection Technology and Systems,Tianjin 300387;

2.School of Electronics and Information Engineering,Tianjin Polytechnic University,Tianjin 300387,China)

Received:2017-07-16 Revised:2017-11-09 Online:2018-10-25 Published:2018-10-25

摘要/Abstract

摘要：

针对传统前方车辆检测方法难以同时满足准确性与实时性问题，提出一种结合AdaBoost集成学习与位置信息约束的车辆检测方法。首先，利用Edge Boxes算法根据车辆边缘序列信息计算推荐窗口。然后，通过帧存坐标系中车辆位置信息对非目标推荐窗口进行排除。最后，将过滤后窗口聚类处理并择优选取作为AdaBoost分类器输入，进行检测评判，并对最终检测结果进行边框回归处理，以提升检测精准度。实验结果表明，该方法对于不同检测场景有较强鲁棒性，能够同时满足车辆检测的准确性与实时性要求。

关键词: 前方车辆检测, 集成学习, 位置信息, 边框回归

Abstract:

Since the traditional preceding vehicle detection strategies cannot meet the accuracy and real-time requirements simultaneously, we propose an approach which combines AdaBoost, an integrated learning method, with the constraint of positions information. Firstly, regions proposal (RP) are obtained by edge boxes method according to the sequence information of vehicle edges. Secondly, the position information of vehicles in the frame coordinate system is used to filter out nontarget RPs. Finally, the obtained windows are clustered and fed into the AdaBoost classifiers for vehicles detection, and at the same time borders regression is utilized to improve the accuracy of detection results. Experimental results demonstrate that the proposed method has robustness to different detection scenarios and that it can meet the accuracy and real-time requirements of vehicle detection.

Key words: preceding vehicles detection, integrated learning, position information, borders regression

耿磊1,2，彭晓帅1,2，肖志涛1,2，李秀艳1,2，甘鹏1,2. 基于集成学习与位置信息约束的前方车辆检测[J]. 计算机工程与科学.

GENG Lei1,2，PENG Xiaoshuai1,2，XIAO Zhitao1,2，LI Xiuyan1,2，GAN Peng1,2.

Preceding vehicles detection based on integrated

learning and constraint of positions information

[J]. Computer Engineering & Science.

[1]	董燕灵, 张淑芬, 徐精诚, 王豪石, . 面向Stacking算法的差分隐私保护研究[J]. 计算机工程与科学, 2024, 46(02): 244-252.
[2]	庞诺言, 关东海, 袁伟伟. 基于早期时间序列分类的可解释实时机动识别算法[J]. 计算机工程与科学, 2024, 46(02): 353-362.
[3]	陈俊彦, 卢贤涛, 黄雪锋, 卢小烨, 廖岑卉珊. 基于Double-Bagging特征降维异质集成入侵检测[J]. 计算机工程与科学, 2023, 45(06): 1011-1019.
[4]	苏赋, 罗海波. 改进Stacking集成学习的指纹识别算法[J]. 计算机工程与科学, 2022, 44(12): 2153-2161.
[5]	陈丽芳, 代琪, 赵佳亮. 不平衡数据多粒度集成分类算法研究[J]. 计算机工程与科学, 2021, 43(05): 917-925.
[6]	李勇, 陈思萱, 贾海 , 王霞. 基于C-AdaBoost模型的乳腺癌预测研究[J]. 计算机工程与科学, 2020, 42(08): 1414-1422.
[7]	赵俊生，候圣，王鑫宇，尹玉洁. 基于集成学习的图像垃圾邮件过滤方法[J]. 计算机工程与科学, 2020, 42(06): 1049-1059.
[8]	贺小娟1，潘文捷1，程宏2. 基于集成学习方法的点击率预估模型研究[J]. 计算机工程与科学, 2019, 41(12): 2278-2284.
[9]	叶成，郑红，程云辉. 基于多模型融合的流失用户预测方法[J]. 计算机工程与科学, 2019, 41(11): 2027-2032.
[10]	周钢,郭福亮. 基于信息熵的集成学习过程多样性度量研究[J]. 计算机工程与科学, 2019, 41(09): 1700-1707.
[11]	张晨1，唐湘滟1,2，程杰仁1,2,3，董哲1，李俊麒1. 基于多核学习的自适应DDoS攻击检测方法[J]. 计算机工程与科学, 2019, 41(08): 1381-1389.
[12]	袁泉1,2,郭江帆1,赵学华1. 一种基于集成的不均衡数据流分类算法[J]. 计算机工程与科学, 2019, 41(08): 1519-1524.
[13]	张忠林，吴挡平. 基于概率阈值Bagging算法的不平衡数据分类方法[J]. 计算机工程与科学, 2019, 41(06): 1086-1094.
[14]	张守宾，朱习军. 集成学习算法在中医证型分类预测中的应用[J]. 计算机工程与科学, 2019, 41(02): 328-334.
[15]	宋伟1，张帆2,叶阳东1，韩鹏3，范明1. 基于SAX方法的时间序列分类问题的多阶段改进研究[J]. J4, 2016, 38(05): 988-996.