一種新的興趣區(qū)域車輛定位方法

肖宏濤

(廊坊廣播電視大學(xué)，廊坊 065000)

0 引言

近年來(lái)，我國(guó)機(jī)動(dòng)車數(shù)量快速增長(zhǎng)。據(jù)交管局的數(shù)據(jù)顯示，截至去年年底，全國(guó)范圍的機(jī)動(dòng)車保有量超過(guò)2.4億，駕駛?cè)私咏?億，其中汽車的保有量接近1.2億，汽車駕駛?cè)藬?shù)首次突破2億[1]。盡管涉及人員傷亡的交通事故較2011年略有下降，但是交通形勢(shì)仍然嚴(yán)峻，將面臨著眾多挑戰(zhàn)。為了應(yīng)對(duì)這一嚴(yán)峻形勢(shì)，車輛駕駛員一方面需要進(jìn)行自我約束，嚴(yán)禁酒后駕車和違規(guī)操作等；另一方面，需要從技術(shù)的層面，車輛智能化等方面進(jìn)行完善。

基于視覺(jué)的車輛檢測(cè)技術(shù)相對(duì)于雷達(dá)、激光等，更符合人眼捕捉信息的習(xí)慣，獲取的信息量將更豐富，且成本低，已經(jīng)成為當(dāng)前研究的熱點(diǎn)之一[2]。該技術(shù)主要分為以下三類，1）基于模型的方法；2）基于特征的方法；3）基于光流場(chǎng)的方法。

上述方法中，基于模型[3]的方法是指將待測(cè)車輛的圖像與事先建立好的車輛的二維或者三維模型進(jìn)行匹配操作。該方法需要各種車輛模型信息，因而存儲(chǔ)的信息量巨大，在執(zhí)行匹配算法時(shí)，耗費(fèi)大量時(shí)間，難以進(jìn)行快速實(shí)時(shí)匹配?；谔卣鞯姆椒ㄊ侵羔槍?duì)車輛具有的特征進(jìn)行檢測(cè)的方法。車輛所表現(xiàn)的特征包括車輛形狀、位置(車道線內(nèi))、對(duì)稱性、灰度值等等[4,5]。該方法具有處理簡(jiǎn)單和快速等優(yōu)點(diǎn)，但容易受到周圍環(huán)境變化的影響，一旦周圍環(huán)境變化，車輛特征將變得模糊，甚至不能進(jìn)行檢測(cè)，因此在處理過(guò)程中需要考慮周圍環(huán)境的變化因素，該方法在車輛實(shí)時(shí)檢測(cè)中應(yīng)用廣泛。另一種基于光流場(chǎng)的方法是指目標(biāo)和攝像機(jī)運(yùn)動(dòng)或者都運(yùn)動(dòng)所產(chǎn)生的瞬時(shí)速度場(chǎng)。該方法在不需要先驗(yàn)知識(shí)的條件下能夠?qū)Ρ尘斑\(yùn)動(dòng)情況進(jìn)行很好的處理。該方法的計(jì)算量大，對(duì)于光線等環(huán)境變化比較敏感，并且實(shí)時(shí)檢測(cè)效果不好[6]。

綜上所述，本文提出基于興趣區(qū)域(region of interest ,ROI)的車輛檢測(cè)方法，首先根據(jù)車輛位置具有的特征信息，去除干擾信息來(lái)確定興趣區(qū)域，然后對(duì)興趣區(qū)域使用最大類間方差法將檢測(cè)車輛從背景信息中分離出來(lái)，最后對(duì)提取的圖像信息進(jìn)行灰度值計(jì)算來(lái)確定車輛位置。由于確定的興趣區(qū)域背景簡(jiǎn)單，通常包含道路信息，因而不會(huì)受到光線等環(huán)境因素的影響，能準(zhǔn)確檢測(cè)出車輛。通過(guò)實(shí)驗(yàn)表明該方法是可行的，計(jì)算便捷，檢出率高，具有較好的魯棒性[7]。

1 確定興趣區(qū)域

車輛位置的檢測(cè)過(guò)程中，檢測(cè)準(zhǔn)確率會(huì)受到周圍環(huán)境的影響，通常車輛位置都處在一定的環(huán)境下，例如道路旁邊的建筑群、樹(shù)木、行人、天空及云朵等，都會(huì)對(duì)車輛位置的檢測(cè)產(chǎn)生一定的影響。為了減少車輛環(huán)境因素對(duì)檢出率的影響，需要對(duì)車輛所處位置的興趣區(qū)域進(jìn)行確定后在進(jìn)行檢測(cè)。本文通過(guò)哈夫變換來(lái)檢測(cè)車輛道路邊緣線，該算法魯棒性和容錯(cuò)性非常好。

1.1 哈夫變換原理

哈夫變換[8]是一種檢測(cè)直線的算法，在數(shù)字圖像處理中應(yīng)用較多，是一種參數(shù)估計(jì)技術(shù)。主要思想是利用坐標(biāo)系中的點(diǎn)-線對(duì)偶性，將圖像檢測(cè)轉(zhuǎn)換成參數(shù)空間，進(jìn)而進(jìn)行累加統(tǒng)計(jì)操作，最后直線的檢測(cè)是利用尋找累加器峰值進(jìn)行的。其實(shí)質(zhì)是先將圖像空間進(jìn)行聚類，在尋找空間參數(shù)累加對(duì)應(yīng)點(diǎn)，亦即進(jìn)行峰值檢測(cè)。由于在車輛檢測(cè)中，車輛所處的位置部分為車道線，大多情況下位直線，少許曲線，本文的檢測(cè)視頻中為了減少曲線帶來(lái)的復(fù)雜度，故只對(duì)直線進(jìn)行檢測(cè)。直線表達(dá)式見(jiàn)公式(1)。

直角坐標(biāo)系中點(diǎn)(X,Y)映射到極坐標(biāo)系(λθ)上，如圖1所示。

圖1 XY坐標(biāo)系、極坐標(biāo)系對(duì)應(yīng)圖

圖1中原空間點(diǎn)A,B,C對(duì)應(yīng)于參數(shù)空間的正弦曲線A,B,C。圖1左圖中A,B,C共線，對(duì)應(yīng)于極坐標(biāo)系中三曲線的交點(diǎn)。

1.2 使用哈夫變換法檢測(cè)直線

檢測(cè)的圖像進(jìn)行哈夫變換后，將會(huì)出現(xiàn)包括車道線和干擾線在內(nèi)的多條直線。需要對(duì)道路車道線進(jìn)行判斷，判斷的條件主要有以下四點(diǎn)：

1）線段累計(jì)長(zhǎng)度超過(guò)一閾值A(chǔ)；

2）所以線段中，最小線段的長(zhǎng)度要超過(guò)閾值B；

3）直線斜率要在一定的范圍內(nèi)，具體如下：車道線(位于左側(cè))需要滿足，車道線(位于右側(cè))需要滿足；

4）對(duì)于一條直線而言，其上的碎線段最大間隔應(yīng)小于閾值C。

通過(guò)哈夫變換的圖像區(qū)域多條直線經(jīng)過(guò)上述條件判斷后，將一些干擾線去除，車道線一般都在圖像的下方，圖片中保留的是ROI區(qū)域的車道線以及建筑物、天空等背景信息，將直線區(qū)域之外的賦值為0，確定ROI，以便進(jìn)行ROI區(qū)域車輛的檢測(cè)。

2 車輛與道路的分割

ROI效果確定之后，需對(duì)圖片進(jìn)行otsu[9]法閾值分割。雖然otsu方法是常用的圖像分割方法，但其并不是對(duì)感興趣區(qū)域進(jìn)行閾值分割，而是對(duì)整幅圖片，效果通常不是很理想。為了盡量去除路旁景物的干擾，本文在確定了圖片的ROI后，再進(jìn)行閾值分割，因此能夠清晰地分割出車輛與背景部分。

2.1 最大類間方差法原理[9,10]

Otsu是一種能夠較好的自動(dòng)分割出前景與背景的閾值分割方法。若圖片中前景與背景的分割閾值記為t，前景點(diǎn)數(shù)比例和背景點(diǎn)數(shù)比例分別為w0、w1，它們平均灰度分別為u0、u1。則整幅圖像總平均灰度為：

灰度值按照從小到大開(kāi)始遍歷t,使得公式（3）中g(shù)達(dá)到最大，則t即為最佳閾值。

2.2 對(duì)興趣區(qū)域閾值分割

對(duì)原始圖像進(jìn)行otsu閾值分割后結(jié)果如圖2(b)所示，仍沒(méi)有區(qū)分開(kāi)車輛與路邊建筑、樹(shù)木等背景部分。將圖片進(jìn)行哈夫變化，確定ROI效果后如圖2(c)所示。再在其基礎(chǔ)上進(jìn)行otsu閾值分割，效果如圖2(d)所示。由圖2(d)可見(jiàn)，去除了外界干擾，車輛與道路能夠較清晰的區(qū)分開(kāi)。

3 車輛定位

在不存在噪聲的理想情況下，若ROI區(qū)域內(nèi)無(wú)車輛，閾值分割后，圖像ROI區(qū)域內(nèi)每行/列平均灰度值為255；反之，ROI內(nèi)車輛存在位置的行/列平均灰度值小于255。因此，計(jì)算出ROI內(nèi)每行/列的像素個(gè)數(shù)，就可以確定車輛位置。因此，根據(jù)該方法就可以判斷像素點(diǎn)是否屬于ROI。

本文將非ROI區(qū)域像素點(diǎn)所在的行記為i, 所在列記為j，像素值為(i*j)%256。掃面全圖，將像素值不等于(i*j)%256的像素點(diǎn)計(jì)入ROI區(qū)域。在非ROI區(qū)域中，像素值與其所處位置息息相關(guān)，這將大大減少了非ROI區(qū)域像素值與ROI區(qū)域像素值重復(fù)概率。本文實(shí)驗(yàn)測(cè)試50幀，其中每幀測(cè)試60行，檢測(cè)結(jié)果中ROI區(qū)域像素準(zhǔn)確行數(shù)為2930，剩下的60行中，錯(cuò)誤像素點(diǎn)個(gè)數(shù)也10個(gè)之內(nèi)，達(dá)到了99 %以上準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，本文所方法簡(jiǎn)單、精確，能夠很好應(yīng)用于圖像ROI區(qū)域行/列像素值的檢測(cè)。

確定ROI區(qū)域后，求出該區(qū)域內(nèi)每行/列像素平均值。若圖像中存在車輛，如圖2(d)所示，ROI區(qū)域像素值為零，其每行/列像素平均值也將小于255，因此在考慮噪聲干擾的情況，本文閾值取250。不難看出，圖中ROI區(qū)域存在不少椒鹽噪聲，這將影響平均灰度值的準(zhǔn)確度。去除椒鹽噪聲的方法很簡(jiǎn)單，只需判斷值為0的像素點(diǎn)周圍像素值是否為255，若是，則取該像素值為255。將圖2(d)除去椒鹽噪聲后的效果圖如圖3所示。

圖2 原圖圖像的分割過(guò)程

圖3 濾除噪聲后圖像

圖4 車輛位置的確定

噪聲去除后，需計(jì)算ROI區(qū)域內(nèi)行列的平均灰度值，當(dāng)平均灰度值小于閾值時(shí)，記下該點(diǎn)行列數(shù)，依此陸續(xù)得到最小、大行和列。在圖像ROI區(qū)域確定過(guò)程中，將損失車輛部分信息，影響車輛高度確定的精確度。因此，可以假設(shè)車輛高度等于車輛寬度，如圖4。該假設(shè)不會(huì)對(duì)距離的測(cè)量及車輛位置的確定有任何影響。

4 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)視頻選?。?/p>

http://trace.eas.asu.edu/yuv/index.htm l。視頻特點(diǎn)：?jiǎn)我卉囕v，高速公路，陰天。格式：YUV；長(zhǎng)度：3000幀；分辨率：352*288。本文對(duì)整個(gè)視頻進(jìn)行處理，檢測(cè)結(jié)果如表1所示。

表1 高速公路視頻檢測(cè)結(jié)果

表1中，正確檢測(cè)是指有車輛時(shí)，能夠準(zhǔn)確標(biāo)志出車輛位置，無(wú)車輛時(shí)，不會(huì)虛報(bào)；誤檢是指錯(cuò)誤的檢測(cè)出存在車輛；漏檢是指未能準(zhǔn)確地檢測(cè)出前方存在車輛。其他是指算法由于某種原因沒(méi)有檢測(cè)出來(lái)的部分，但不會(huì)對(duì)駕車構(gòu)成威脅。因此，正確檢測(cè)和其他均可算為準(zhǔn)確計(jì)算，準(zhǔn)確度達(dá)到98%以上，漏檢概率為1.73%。導(dǎo)致漏檢的原因是前方車輛距離越遠(yuǎn)，圖像中像素個(gè)數(shù)就越少，若前方車輛距離本車超過(guò)80米，ROI區(qū)域中車輛在進(jìn)行二值化后與像素個(gè)數(shù)比值低于設(shè)定的閾值。若距離不斷加大，對(duì)本車輛沒(méi)有危險(xiǎn)；若距離減小，將及時(shí)做出警報(bào)，所以，漏檢對(duì)本車駕駛不會(huì)構(gòu)成任何威脅。誤檢概率為0，原因很簡(jiǎn)單，因?yàn)榇_定了ROI后，ROI區(qū)域內(nèi)就只包括道路背景和目標(biāo)車輛，再使用Otsu進(jìn)行最佳分割，大大提高了檢測(cè)精度。

由此，準(zhǔn)確確定ROI區(qū)域是正確檢測(cè)的關(guān)鍵。對(duì)該視頻車道線的檢測(cè)結(jié)果如表2所示。

表2 車道線檢測(cè)結(jié)果

表2中，成功檢測(cè)車道是指準(zhǔn)確檢測(cè)到道路兩側(cè)車道；檢測(cè)車道失敗是指沒(méi)有成功檢測(cè)出兩側(cè)車道；其他是指檢測(cè)到一邊路邊護(hù)欄，但這不會(huì)對(duì)ROI確定造成影響。但車道檢驗(yàn)失敗是造成誤檢的重要因素，會(huì)使更多路旁的干擾物進(jìn)入，導(dǎo)致ROI過(guò)大。本實(shí)驗(yàn)視頻中，道路簡(jiǎn)單，干擾少，不會(huì)導(dǎo)致誤檢，正確檢測(cè)道路概率達(dá)到了98%以上，效果十分好。但應(yīng)用于別的道路，有可能增加誤檢概率。

5 結(jié)束語(yǔ)

本文研究車輛定位檢測(cè)算法，首先確定興趣區(qū)域ROI圖像,接著對(duì)其進(jìn)行最大類間方差法分割圖像，去除背景信息，最后計(jì)算ROI內(nèi)灰度值來(lái)確定車輛位置信息。實(shí)驗(yàn)結(jié)果表明文中使用的方法便捷，能有效進(jìn)行車輛檢測(cè)，具有一定應(yīng)用價(jià)值。

[1] 車曉.我國(guó)汽車駕駛?cè)诉^(guò)2億 交通安全任重道遠(yuǎn)[J].道路交通管理.2013,3,9.

[2] Lin,T.-T.,Tsai,A-C.,et al.A real-time stereo vision system for obstacle detection and ecognition.American Society of Agricultural and Biological Engineers Annual International Meeting 2012 6,pp.4943-4959 .

[3] Takeo Kato, Yoshiki Ninom iya, Ichiro Masaki.Preceding vehicle recognition based on learning from samp le images[J].IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS.2002,3(4):252-260.

[4] Y ing C K, Neng S P,Yen F L. V ision-based vehicle detection for a driver assistance system [J].Computers &Mathematics w ith Applications, 2011, 61(8),2096-2100.

[5] 遲健男,張朝暉,周楠楠等.基于特征的車輛目標(biāo)復(fù)合探測(cè)方法研究[J].儀器儀表學(xué)報(bào),2008,29(12):2553-2558.

[6] 高德芝,段建民,于宏嘯.基于激光雷達(dá)和攝像機(jī)的前方車輛檢測(cè)[J].北京工業(yè)大學(xué)學(xué)報(bào).2012,38(9):1337-1342.

[7] 曾慶躍, 丁友東.舊電影中基于Hough變換直線劃痕的檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì),2010,31(4):843-846.

[8] 滕今朝,邱杰.利用Hough變換實(shí)現(xiàn)直線的快速精確檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào),2008,13(2):234-237.

[9] 范九倫,趙鳳.灰度圖像的二維Otsu曲線閾值分割法[J]電子學(xué)報(bào).2007,35(4):751-755

[10] 劉健莊,粟文青.灰度圖像的二維Otsu自動(dòng)閾值分割法[J].自動(dòng)化學(xué)報(bào),1993,19(1):101-105.