基于單目視頻流的前方車輛檢測(cè)系統(tǒng)研究

周士杰　徐向華

摘 要： 針對(duì)現(xiàn)有的前方車輛檢測(cè)系統(tǒng)漏檢率較高的問(wèn)題，在檢測(cè)算法的不同階段提出了新的方法以降低漏檢率。在車輛特征提取階段提出了一種基于影線掃描的算法提取車輛陰影特征，找到可能包含車輛的疑似區(qū)域；在疑似區(qū)域驗(yàn)證階段提出了一種多特征投票機(jī)制。通過(guò)這兩種方法，使系統(tǒng)在保證實(shí)時(shí)性的同時(shí)，提高了對(duì)前方車輛的檢測(cè)率。

關(guān)鍵詞： 車輛特征提??； 疑似區(qū)域驗(yàn)； 影線掃描； 投票機(jī)制

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2015）08-12-03

Study on front-view vehicle detection system based on monocular vision

Zhou Shijie， Xu Xianghua

（Hangzhou Dianzi University， Zhejiang Provincial Key Lab of Data Storage and Transmission Technology， Hangzhou， Zhejiang 310037， China）

Abstract： This paper presents a new method for monocular vision real-time vehicle detection system to reduce the detection missing rate. We extract vehicle shadow features and generate a hypothesis with a new algorithm based on shadow line scanning， then a multi-feature voting system is used to verify the hypothesis. By this way， detection system can achieve both real-time performance and high detection rate.

Key words： vehicle features extraction； hypothesis verification； shadow line scanning； voting system

0 引言

基于單目視覺(jué)的前車檢測(cè)系統(tǒng)使用隨車的單一攝像頭作為檢測(cè)系統(tǒng)的輸入設(shè)備拍攝前方場(chǎng)景，通過(guò)機(jī)器視覺(jué)算法對(duì)輸入的視頻流進(jìn)行檢測(cè)，從而獲取前方車輛位置信息?，F(xiàn)有的車輛檢測(cè)算法多遵循Sun Z等人于2006年提出的兩步檢測(cè)框架[1]：在特征提取（Hypothesis Generation，HG）階段，檢測(cè)系統(tǒng)通過(guò)車輛的先驗(yàn)特征從視頻中提取出可能含有車輛的區(qū)域（Region of Interest，ROI），然后在假設(shè)驗(yàn)證（Hypothesis Verification，HV）階段驗(yàn)證這些區(qū)域中是否存在車輛。

HG階段的主要問(wèn)題即為選擇何種先驗(yàn)特征。常有的特征有對(duì)稱性特征，顏色特征，邊緣特征等，這些特征易受環(huán)境影響，導(dǎo)致在HG階段的漏檢。陰影特征是車輛底部的連續(xù)較暗區(qū)域[2]，由于陰影區(qū)域不受直射光的影響，其亮度總是低于其鄰域。較之其他特征，在不同的行車環(huán)境中前方車輛的陰影特征總能保持其特性，因此有著較強(qiáng)的普適性，此外，由于陰影特征總是定位于車輛底部，通過(guò)其可以簡(jiǎn)單地獲取車輛位置。因此現(xiàn)有的前車檢測(cè)系統(tǒng)多采用陰影特征作為特征提取階段使用的車輛先驗(yàn)特征[3]?，F(xiàn)有的車輛陰影特征提取算法采用顏色分割的方法提取圖像中連續(xù)區(qū)域的輪廓，使用Hu不變矩判斷輪廓形狀與矩形的相似度，以此來(lái)提取陰影特征并決定可能包含車輛的ROI[4]。遠(yuǎn)方車輛的陰影區(qū)域較小且易受散射光影響，導(dǎo)致其陰影特征區(qū)域分布較為離散，現(xiàn)有算法極易發(fā)生漏檢；此外，中近距離的車輛在相對(duì)運(yùn)動(dòng)時(shí)易覆蓋前車，導(dǎo)致車輛的底部陰影發(fā)生形變。這些車輛也難以被現(xiàn)有算法檢測(cè)出來(lái)。

HV階段多采用基于機(jī)器學(xué)習(xí)的驗(yàn)證算法。基于機(jī)器學(xué)習(xí)的方法利用特征向量對(duì)樣本進(jìn)行學(xué)習(xí)，獲取分類車輛所需的決策向量[5]。由于車輛尾部近似矩形，基于Haar-like特征與Adaboost算法[6]的驗(yàn)證算法得到了較多的應(yīng)用。然而其實(shí)時(shí)性較差，難以滿足實(shí)際需求，此外，HG階段所提取的ROI往往部分覆蓋車輛，現(xiàn)有驗(yàn)證算法難以對(duì)其進(jìn)行分類，進(jìn)一步提高了系統(tǒng)漏檢率。

本文采用以下兩種方法提高系統(tǒng)的檢測(cè)率。在提取階段，提出了一種基于影線掃描的陰影特征提取算法，通過(guò)同一陰影區(qū)域的影線相互融合來(lái)模擬基于區(qū)域的陰影特征提取算法；在驗(yàn)證階段，添加一個(gè)由多種耗時(shí)較少的算法所組成的對(duì)ROI進(jìn)行權(quán)值投票的機(jī)制，根據(jù)投票權(quán)值對(duì)對(duì)ROI進(jìn)行分類。經(jīng)實(shí)驗(yàn)驗(yàn)證，系統(tǒng)的檢測(cè)率與實(shí)時(shí)性有著明顯的提升。

1 基于影線掃描的陰影特征提取算法

針對(duì)現(xiàn)有算法漏檢率較高的問(wèn)題，本文提出了基于影線掃描的陰影特征提取算法。使用閾值掃描圖像，提取車輛底部陰影直線，通過(guò)多條在同一陰影區(qū)域的影線的融合模擬基于區(qū)域的陰影提取。算法的中心思想是利用在同一區(qū)域的多條影線之間幾何關(guān)系進(jìn)行融合，擴(kuò)展區(qū)域底部影線的左右邊界，使之等同于陰影區(qū)域的寬度，模擬陰影區(qū)域特征。本算法對(duì)閾值要求較低，有實(shí)時(shí)性較高，漏檢率極低的優(yōu)點(diǎn)。其具體步驟如下。

⑴ 對(duì)輸入圖像進(jìn)行預(yù)處理，提取算法使用的陰影閾值。

⑵ 使用陰影閾值掃描圖像，提取陰影直線集合。

⑶ 對(duì)檢測(cè)得到的集合進(jìn)行融合，從而提取陰影特征，獲取可能含有車輛的ROI集合。

基于影線掃描的陰影特征提取算法如圖1所示。

[查詢圖像][閾值計(jì)算][影線提取][影線分類][影線融合] [按行掃描] [檢測(cè)結(jié)果]

圖1 提取算法流程圖

1.1 陰影灰度閾值計(jì)算

目標(biāo)陰影區(qū)域總是定位于路面上，因此合適的陰影閾值需將陰影與路面分開(kāi)。圖像中的路面區(qū)域的灰度分布滿足如下正態(tài)分布：

其中m為平均灰度值，σ為標(biāo)準(zhǔn)差。當(dāng)陰影閾值設(shè)為m-3σ時(shí)，可以保證該閾值對(duì)路面區(qū)域與陰影區(qū)域有著良好的區(qū)分度。因此，如能得到m與σ，即可計(jì)算出算法所需的閾值。而該值可以通過(guò)對(duì)路面灰度圖進(jìn)行高斯卷積求出。因此，只要得到路面灰度圖，即可得到陰影閾值。本文采用路面掃描的方法提取路面。通過(guò)水平邊緣值限定路面的邊界，自底向上掃描路面區(qū)域，得到路面圖像。通過(guò)對(duì)該圖進(jìn)行高斯卷積，獲取下一步所需要的陰影閾值。

1.2 基于影線的陰影特征提取

實(shí)際場(chǎng)景中的陰影分布如圖2所示。

圖2 陰影特征的實(shí)際分布

圖2中，位于陰影區(qū)域底部的影線被稱為基準(zhǔn)影線。系統(tǒng)提取陰影區(qū)域的目的是根據(jù)陰影區(qū)域的位置信息定位車輛，因此，如基準(zhǔn)影線與陰影區(qū)域等寬，就可以使用其模擬陰影區(qū)域。由于周圍鄰域散射光的影響，基準(zhǔn)影線較為破碎，難以標(biāo)示陰影區(qū)域的邊界。陰影區(qū)域由不同行上的多條重疊影線組合而成，通過(guò)這些重疊的影線之間的幾何關(guān)系，可以對(duì)基準(zhǔn)影線進(jìn)行補(bǔ)全，從而提取陰影特征。以下是具體方法。

⑴ 影線提取與分類

使用閾值從底向上按行掃描圖像，如行上的像素點(diǎn)P灰度小于閾值，則認(rèn)定P點(diǎn)為陰影點(diǎn)并生成影線，向右側(cè)掃描并計(jì)算當(dāng)前影線的平均灰度值Dgray，直至在點(diǎn)S，Dgray小于閾值。若P，S點(diǎn)之間的距離在長(zhǎng)度閾值之間且P到S點(diǎn)之間的像素均值小于其下方鄰域的均值的一半，則將從P到S的像素點(diǎn)視為一條基準(zhǔn)影線；否則將其視為普通影線SLine。如S點(diǎn)右側(cè)5個(gè)像素點(diǎn)內(nèi)存在陰影點(diǎn)I，則將從S到I點(diǎn)的值設(shè)為陰影閾值，重新開(kāi)始掃描。

⑵ 影線融合

根據(jù)基準(zhǔn)影線BSL與普通影線SL之間的位置關(guān)系，將在同一區(qū)域中的影線融合，以模擬車底陰影特征。根據(jù)BSL與SL的高度差HM與公共部分OverRider的長(zhǎng)度決定是否進(jìn)行融合。當(dāng)len（OverRider）>0且HM<10×len（BSL）/9時(shí)，則認(rèn)為普通影線FSL與基準(zhǔn)影線BSL之間存在匹配關(guān)系。如len（OverRider）

圖6中左側(cè)為SA的提取效果，而右側(cè)為SL的提取效果。當(dāng)車輛距離攝像機(jī)較遠(yuǎn)，或被其他車輛阻擋時(shí)，傳統(tǒng)的陰影特征提取算法漏檢較多。其在漏檢率上的對(duì)比如表2所示。

圖6 提取效果對(duì)比圖

表2 算法漏檢率對(duì)比

[場(chǎng)景＼&總漏檢率＼&遠(yuǎn)距漏檢＼&覆蓋漏檢＼&平均耗時(shí)＼&SA＼&SL＼&SA＼&SL＼&SA＼&SL＼&SA＼&SL＼&a＼&16.5%＼&0.61%＼&59.1%＼&2.11%＼&42.1%＼&3.69%＼&13.5ms＼&4.6ms＼&b＼&15.4%＼&0.79%＼&21.3%＼&2.67%＼&31.0%＼&1.6%＼&12.7ms＼&3.8ms＼&]

從表2可以看出，基于影線融合的陰影特征提取在漏檢率方面有著非常明顯的優(yōu)勢(shì)。特別是在傳統(tǒng)特征提取算法表現(xiàn)較差的區(qū)域，本算法有著較好的檢測(cè)效果。

本文提出的投票機(jī)制（VM）與文獻(xiàn)[6]中使用的Haar-like+adaboost驗(yàn)證算法（HA），其對(duì)比效果圖如圖7所示。