摘要：夜间场景光线较暗，车辆整体外观特征不显著，使得夜间视频车辆检测成为一大难点。夜间能使用的最为显著的特征就是车灯。如车灯的亮度、圆形度、面积、车灯之间的间距，距离地面的垂直间距、车灯对之间的纹理、车灯的对称性等，将它们结合自适应增强方法（AdaBoost）用于间车辆检测，能同时获得高检测率和低误检率。

关键词：表观特征；车灯对；AdaBoost；车辆检测

1 特征选取

车头灯对在夜晚可以捕获的表观特征有亮度、纹理、几何形状、面积和对称性等，这些特征分属于高层特征或低层特征。基于检测的精确度来看，利用高层特征分割图像的方法得到的分割实验结果比较粗糙。而基于低层特征（例如颜色、纹理、亮度等特征）的分割算法得到的分割结果效果良好，精度满足要求。但是仅取低层特征在夜晚受到光线的影响无法保证一定精度的车辆检测，所以，本文考虑将低层和高层特征相结合，选用一些在3D空间具有强分辨力的表观特征作为AdaBoost分类器的训练特征。有对称特征、形状特征、几何尺寸和LBP纹理等。具体本文先选择车灯亮度、面积、周长和圆形度这四个简单特征初步完成车灯的检测，然后基于车灯间距和距离地面的高度符合的GMM、对称SURF和LBP特征完成车灯的配对，定位出车辆目标。

2 Adaboost单分类器训练

本文既为保证夜间车辆不被漏检，又要保证目标没被误检，对单特征AdaBoost分类器训练规则做了改进，使得最优阈值T*不仅要满足式（1）定义的目标最小分类误差准则，还需满足式（2）定义的正样本正确分类最大准则。……