骁龙820A系列汽车级处理器针对汽车生态系统而设计，并具有众多显著特性：
•可扩展的模块化平台提供了管脚、封装和软件兼容性，并有可选配的集成LTE功能，可随无线网络技术演进而进行软硬件升级。
•通过提供覆盖从高端到标准性能配置的骁龙820A系列，支持垂直分层选项。
•综合性软件可支持QNX、Linux和Android，以及大量平台级的高价值子系统集成，以应对更新周期的加速，并同时管理成本。
•连接、多媒体和图形功能可支持诸多基于云的实时特性，包括串流多媒体、企业协作、实时地图与定位服务、远程诊断和一键式车载信息处理，为汽车OEM带来性能、连接和多媒体创新上的巨大潜力
我们本篇将来聊聊关于自动驾驶车辆检测。
车辆检测在车辆感知模块中是非常重要的功能，本节我们的目标如下：
1.在标记的图像训练集上进行面向梯度的直方图（HOG）特征提取并训练分类器线性SVM分类器
2.应用颜色转换，并将分箱的颜色特征以及颜色的直方图添加到HOG特征矢量中
3.对于上面两个步骤，不要忘记标准化您的功能，并随机选择一个用于训练和测试的选项
4.实施滑动窗口技术，并使用您训练的分类器搜索图像中的车辆
5.在视频流上运行流水线（从test_video.mp4开始，稍后在完整的project_video.mp4中6实现），并逐帧创建循环检测的热图，以拒绝异常值并跟踪检测到的车辆
6.估算检测到的车辆的边界框
定向梯度直方图（HOG）
定向梯度直方图（HOG）是计算机视觉和图像处理中用于目标检测的特征描述符。该技术计算图像的局部部分中梯度定向的发生。这种方法类似于边缘方向直方图，尺度不变特征变换描述符和形状上下文，但不同之处在于它是在均匀间隔的单元的密集网格上计算的，并使用重叠的局部对比度归一化来提高准确性。
从训练图像中提取HOG特征
此步骤的代码包含在方法“get_hog_features”中的文件vehicle_detection.py中
Define a function to return HOG features and visualizationdef get_hog_features(self, img, orient, pix_per_cell, cell_per_block, vis=False, feature_vec=True):# Call with two outputs if vis==Trueif 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=True, visualise=vis, feature_vector=feature_vec) return features, hog_image# Otherwise call with one outputelse: 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=True,
开始阅读所有的车辆和非车辆图像。这里是每一个中的一个的一个例子vehicle和non-vehicle类：然后探索不同的色彩空间和不同的skimage.hog()参数（orientations，pixels_per_cell，和cells_per_block）。我从两个类的每一个中抓取随机图像，并显示它们，以感受skimage.hog()输出的样子。使用后的图像以不同的对比度和光度多次试验，它的工作最好使用YCrCb相结合的色彩空间与HOG提取的特征orientations=9，pixels_per_cell=(8, 8)和cells_per_block=(2, 2)。这是一个使用YCrCb色彩空间和HOG参数的例子orientations=9，pixels_per_cell=(8, 8)并且cells_per_block=(2, 2)
提取颜色特征的空间分级
为了使算法在识别汽车时更加稳健，HOG特征还增加了一种新的特征。除非你确切地知道你的目标对象是什么样子，否则模板匹配不是一个特别可靠的寻找车辆的方法。但是，原始像素值在搜索汽车中包含在您的特征向量中仍然非常有用。
虽然包含全分辨率图像的三个颜色通道可能很麻烦，但是我们可以对图像执行空间分级，并且仍然保留足够的信息来帮助查找车辆。
正如你在下面的例子中看到的那样，即使一路下降到32×32像素分辨率，汽车本身仍然可以被眼睛清楚地识别，这意味着相关特征仍然保留在这个分辨率下。OpenCV的cv2.resize（）是一个方便的缩小图像分辨率的函数。
# Define a function to compute binned color features def bin_spatial(self, img, size=(32, 32)): # Use cv2.resize().ravel() to create the feature vector #features = cv2.resize(img, size).ravel() # Return the feature vector #return features color1 = cv2.resize(img[:,:,0], size).ravel() color2 = cv2.resize(img[:,:,1], size).ravel()
提取颜色特征的直方图
在这个项目中使用的另一个技术，使更多的功能是颜色强度的直方图，如下图所示。
# Define a function to compute color histogram features # NEED TO CHANGE bins_range if reading .png files with mpimg! def color_hist(self, img, nbins=32, bins_range=(0, 256)): # Compute the histogram of the color channels separately channel1_hist = np.histogram(img[:,:,0], bins=nbins, range=bins_range) channel2_hist = np.histogram(img[:,:,1], bins=nbins, range=bins_range) channel3_hist = np.histogram(img[:,:,2], bins=nbins, range=bins_range) # Concatenate the histograms into a single feature vector hist_features = np.concatenate((channel1_hist[0], channel2_hist[0], channel3_hist[0])) # Return the individual histograms, bin_centers and feature vector return hist_features
现在我们的工具箱中已经有了几个特征提取方法，我们几乎已经准备好对分类器进行训练了，但是首先，就像在任何机器学习应用程序中一样，我们需要规范化数据。Python的sklearn包为您提供了StandardScaler（）方法来完成这个任务。将单个图像的所有不同特征组合为一组特征。
以上为自动驾驶车辆检测部分涉及的基础知识，我们会在接下来的博客中再详细讨论。
*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。
发布文章
