关晓斌 李战明

（兰州理工大学电气工程与信息工程学院 兰州 730050）

1 引言

静态技术下的车辆检测算法相对成熟，但是考虑到实用性，视频技术下对车辆检测［1］的正确性和快速性能够更加广泛应用到实际领域，在科研方面也具有更加重要的意义。近年来，视频技术下车辆检测得到广泛研究，研究方法主要分为特征提取和特征分类两部分［2］。文献［3］中使用HOG作为特征提取，结合SVM来检测车辆，训练样本检测效率很高，但实际使用中仍会受到误差影响。为了解决特征的单一性，随后的研究人员多提取不同特征来满足复杂的实际应用。如文献［4］中使用HOG+Haar-like作为特征提取，结合AdaBoost来检测车辆。文献［5］使用HOG+LBP作为特征提取，结合SVM来检测车辆。

本文选择HOG特征和SIFT特征相结合的方法做特征提取［6］。HOG特征主要提取物体轮廓信息，应用到车辆检测上效果良好，缺点是对光照遮挡等容忍性较差。而SIFT特征主要提取关键点的局部信息，对光线、噪声等容忍度较强，二者结合可以产生更加良好的检测效果。在检测验证阶段，考虑到是二分类问题，而SVM处理二分类问题相当出色，所以使用SVM作为本文的车辆检测分类器。

2 特征提取

2.1 图片预处理

首先需对训练集样本图片预处理，因为颜色信息在HOG特征提取［7］中用处不大，所以将训练样本灰度化处理。具体转化公式为

然后利用Gamma校正的方法提升图片的整体亮度，以此来降低图片阴影或光照变化产生的误差。具体使用了像素值平方根的方法，公式为