python车辆识别硬件_【辅助驾驶】Python OpenCV实现车辆检测

一、功能

对车辆前方的车辆进行检测，效果如图：

二、算法

1、传统检测方法

常规的机器学习方法，包括训练和应用两个过程。

训练：需要构建训练集(包括正负样本)，使用HOG、SIFT等特征描述获取特征，使用SVM(支持向量机)、决策树等对上一步获取的特征和对应的标签(标签指：正样本或者负样本)进行训练(训练指：自动生成SVM或者决策树等的参数，使其可以用来分类)。

应用：提取需要识别的图片的HOG、SIFT等特征，使用训练好的SVM或者决策树对提取的特征进行分类。

2、神经网络

通过神经网络训练正负样本，可以直接识别。

考虑到应用场景为辅助驾驶，神经网络有两个缺陷，第一、神经网络需要大量的并行计算，占用大量的空间，在FPGA、ARM等硬件上运行速度很慢；第二、神经网络本身相当于黑盒，中间数据无法获取、调试起来无从入手，增加了不确定性。所以，这里使用OpenCV进行图像处理。

三、代码

1)提取HOG特征，以下为实现方法：

# Define a function to return HOG features and visualization

def get_hog_features(img, orient, pix_per_cell, cell_per_block, vis=False, feature_vec=True):

if vis == True:

features, hog_image = hog(img, orientations=orient, pixels_per_cell=(pix_per_cell, pix_per_cell),

cells_per_block=(cell_per_block, cell_per_block), transform_sqrt=False,

visualise=True, feature_vector=False)

return features, hog_image

else:

features = hog(img, orientations=orient, pixels_per_cell=(pix_per_cell, pix_per_cell),

cells_per_block=(cell_per_block, cell_per_block), transform_sqrt=False,

visualise=False, feature_vector=feature_vec)

return features

2)训练分类器

这里使用SVM分类器，以下为代码：

t = time.time()