顏色特征模型在靜態(tài)車(chē)輛檢測(cè)中的應(yīng)用

張力，鄧亞航，饒小李

昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南 昆明 650500

顏色特征模型在靜態(tài)車(chē)輛檢測(cè)中的應(yīng)用

張力，鄧亞航，饒小李

昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南 昆明 650500

為了解決智能交通中的靜態(tài)車(chē)輛檢測(cè)準(zhǔn)確率不高的問(wèn)題，提出一種基于顏色特征的車(chē)輛目標(biāo)檢測(cè)方法.該方法首先根據(jù)Hough變換分割出路面感興趣區(qū)域，利用顏色特征空間降維建立理想的顏色特征模型；其次，根據(jù)貝葉斯分類(lèi)器進(jìn)行路面與車(chē)輛的像素分類(lèi)；最后，由最小割／最大流算法進(jìn)行車(chē)輛目標(biāo)分離.在實(shí)景采集交通視頻圖像后對(duì)文中提出方法和現(xiàn)存方法進(jìn)行了對(duì)比評(píng)估.基于顏色特征的車(chē)輛目標(biāo)檢測(cè)方法對(duì)于靜態(tài)車(chē)輛目標(biāo)的檢測(cè)準(zhǔn)確率達(dá)到了63.05%，誤檢率降低至21.27%，漏檢率降低至24.01%.與傳統(tǒng)方法相比，該方法能更快、更準(zhǔn)確地檢測(cè)到目標(biāo).

靜態(tài)車(chē)輛檢測(cè)；顏色特征；車(chē)輛目標(biāo)分離

0 引言

隨著智能交通的發(fā)展,車(chē)輛檢測(cè)技術(shù)在智能交通系統(tǒng)中的作用日益突出.因此,如何簡(jiǎn)單、有效地從道路中檢測(cè)出車(chē)輛目標(biāo),是一個(gè)亟需解決的問(wèn)題.隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，基于視頻的車(chē)輛檢測(cè)方法由于其信息采集量較大、檢測(cè)區(qū)域廣、不妨礙交通等優(yōu)點(diǎn),因此正成為目前的研究重點(diǎn).

針對(duì)基于視頻的車(chē)輛檢測(cè)方法, Z.Zivkovic［1］提出了基于運(yùn)動(dòng)信息的背景建模，通過(guò)建立場(chǎng)景背景模型,通過(guò)對(duì)背景模型做背景差分提出車(chē)輛目標(biāo)；C.Luo［2］提出了基于路面先驗(yàn)知識(shí)建模,利用紅綠藍(lán)（Red-Green-Blue,以下簡(jiǎn)稱(chēng)：RGB）顏色、輪廓等特征建模對(duì)車(chē)輛進(jìn)行識(shí)別；X.Wang［3］提出了基于小波變換的車(chē)輛檢測(cè)方法；還有經(jīng)典的時(shí)間平均法［4］（Time-Average Method，以下簡(jiǎn)稱(chēng)：TAM）和高斯混合模型法［5］（Gaussian Mixture Model，以下簡(jiǎn)稱(chēng)：GMM），然而這些方法大多數(shù)都只能處理路面背景中的動(dòng)態(tài)車(chē)輛,當(dāng)檢測(cè)靜態(tài)車(chē)輛目標(biāo)時(shí),容易將靜態(tài)車(chē)輛目標(biāo)混入到圖像背景中.

筆者提出一種基于顏色特征的車(chē)輛目標(biāo)檢測(cè)方法,該方法能有效檢測(cè)攜帶靜態(tài)車(chē)輛的動(dòng)態(tài)場(chǎng)景中的車(chē)輛目標(biāo).該方法通過(guò)建立理想的路面顏色特征模型,利用貝葉斯分類(lèi)器分類(lèi)車(chē)輛和路面像素,從而在路面背景中分割出車(chē)輛目標(biāo).通過(guò)實(shí)驗(yàn)表明,該方法與其他方法相比，能夠更有效的檢測(cè)出靜態(tài)車(chē)輛目標(biāo).

1 Hough變換與路面感興趣區(qū)域分割

1.1 路面感興趣區(qū)域分割

在本文的研究場(chǎng)景中,筆者所關(guān)注的感興趣區(qū)域（Region Of Interest，以下簡(jiǎn)稱(chēng)：ROI）是車(chē)輛行駛的路面區(qū)域.通過(guò)劃分路面ROI,不僅能使后續(xù)車(chē)輛檢測(cè)的計(jì)算負(fù)荷和復(fù)雜度降低,同時(shí)也提高了計(jì)算精確度.在分割完成的路面ROI中，僅存在車(chē)輛和路面這兩種對(duì)象標(biāo)識(shí).假設(shè)路面無(wú)其他雜物污染時(shí),車(chē)輛與路面的像素集合是對(duì)立且互補(bǔ)的.

1.2 路面ROI分割步驟

路面ROI分割分三步進(jìn)行：第一步,采用Canny算子生成邊緣圖像,以此作為Hough變換的二值圖像；第二步，利用Hough變換提取場(chǎng)景中可能存在的車(chē)道線或圍欄等ROI路面邊緣直線；第三步,調(diào)節(jié)閥值k過(guò)濾掉非ROI路面邊緣直線,從場(chǎng)景中分割出ROI路面.

大量直線被Hough變換在Canny處理的邊緣輪廓圖像中檢測(cè)出來(lái),然而這些直線中存在大量非邊緣直線.設(shè)一條直線的斜率為閥值k,通過(guò)控制閥值k,例如設(shè)定1/2

2 顏色特征與車(chē)輛目標(biāo)檢測(cè)和分割

2.1 顏色特征空間建模

筆者搜集了N幅來(lái)自城市交通場(chǎng)景的路面和車(chē)輛圖像.通過(guò)統(tǒng)計(jì)分析，可以從這N副圖像中得到R，G，B顏色分布的協(xié)方差矩陣∑.利用Karhunen－Loève變換［2，6］，求得協(xié)方差矩陣∑的特征向量ei與特征值λi，其中i=1，2，3.因此，RGB顏色空間可轉(zhuǎn)換為顏色特征空間Ci：

顏色特征C2和C3正交于C1,將其分別表示為：

將其投影到（R，G，B）平面，可分別用向量（1／3，1／3，1／3），（1／2，0，－1／2）和（－1／4，1／2，－1／4）表示這些顏色特征.獲得了顏色分布的特征向量之后，將顏色分布投影到一個(gè)新的特征空間中，使之形成一個(gè)較小的簇.

基于以上分析，能使RGB顏色特征空間轉(zhuǎn)換到二維顏色特征空間上.在這個(gè)特征空間里，路面與車(chē)輛顏色在該二維顏色特征空間的分布區(qū)域的交集更小，路面與車(chē)輛像素能更好地分類(lèi).

筆者對(duì)收集的N幅圖像進(jìn)行Karhunen－Loève變換,發(fā)現(xiàn)訓(xùn)練數(shù)據(jù)集的最大特征向量接近（1／3，1／3，1／3），即此軸線被路面顏色當(dāng)做中心,少量路面顏色散布在其周?chē)?，呈中性?如圖1所示.

從圖1可以看出，在方向向量（1／3,1／3，1／3）為軸心的周?chē)?，路面顏色被聚集，呈半徑較小的圓柱體狀.據(jù)此，筆者提出RGB顏色特征空間由正交于軸線（1／3，1／3，1／3）的顏色平面（r，m）（Radius，Middle－range）來(lái)建模.那么在RM顏色空間中像素點(diǎn)Xi可通過(guò)式（4）變換：

經(jīng)式（4）的顏色特征變換后，所有路面像素顏色值集中在一個(gè)較小的區(qū)域,這樣既提高了建模的準(zhǔn)確度，也降低了計(jì)算的復(fù)雜度.

圖1 RGB空間的道路與車(chē)輛顏色分布Fig.1The pavement and vehicle color distribution of RGB space

2.2 貝葉斯分類(lèi)器與車(chē)輛檢測(cè)

通過(guò)顏色特征空間建模已經(jīng)分割出了車(chē)輛行駛路面,分割之后只剩車(chē)輛像素和路面像素存在于圖像中.在十字路口，靜止與運(yùn)行的車(chē)輛通常交替行駛，這種復(fù)雜的檢測(cè)環(huán)境，基于背景統(tǒng)計(jì)建模的方法很難應(yīng)對(duì).因此，利用路面與車(chē)輛像素顏色的先驗(yàn)統(tǒng)計(jì)信息,根據(jù)貝葉斯分類(lèi)器對(duì)車(chē)輛與道路進(jìn)行像素類(lèi)別分類(lèi)［8-9］,最后得到一個(gè)表示車(chē)輛檢測(cè)結(jié)果的二值標(biāo)注圖像.

2.3 最小化圖割與車(chē)輛目標(biāo)分割

根據(jù)圖論的思想,二值標(biāo)注圖像可以被映射成加權(quán)圖，根據(jù)權(quán)重設(shè)計(jì)能量函數(shù)，用最小化能量函數(shù)完成對(duì)圖的分割［10］,就是以最小的誤差得到車(chē)輛目標(biāo)分割結(jié)果.那么如何讓該分割的代價(jià)最小,這就是圖的最小割問(wèn)題.

根據(jù)Ford－Fulkerson理論［11］,圖的最小割問(wèn)題等價(jià)于最大流問(wèn)題.為解決該問(wèn)題，我們采用的是Boykov Y等［12］提出的基于動(dòng)態(tài)樹(shù)的增廣路徑方法k該算法建立兩個(gè)搜索樹(shù)S和T,它們是非交疊的.搜索樹(shù)S和T中的節(jié)點(diǎn)又被分為主動(dòng)節(jié)點(diǎn)和被動(dòng)節(jié)點(diǎn),其中主動(dòng)節(jié)點(diǎn)在樹(shù)的外邊沿，被動(dòng)節(jié)點(diǎn)在樹(shù)的內(nèi)部.該算法分生長(zhǎng)、增廣、采納三個(gè)階段迭代執(zhí)行.每當(dāng)采納階段結(jié)束后，算法重新回到生長(zhǎng)階段，如果不存在主動(dòng)節(jié)點(diǎn)，搜索樹(shù)S和T就不生長(zhǎng)，算法結(jié)束，飽和邊將搜索樹(shù)分裂開(kāi),這就是筆者需要的最大流,即最小割的邊.

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

為度量筆者所提方法對(duì)城市交通場(chǎng)景中的車(chē)輛檢測(cè)性能,在昆明一二一大街進(jìn)行了交通視頻圖像的采集.圖2顯示了在不同時(shí)刻路面背景中同一位置像素點(diǎn)的顏色值波動(dòng)情況.

圖2 動(dòng)態(tài)背景示例Fig.2The example of dynamic background

從圖2可以看出，在光照與攝像頭抖動(dòng)的影響下,路面背景中同一位置像素點(diǎn)顏色分布與像素灰度變化顯著.這是對(duì)基于該數(shù)據(jù)集實(shí)驗(yàn)的算法性能的巨大挑戰(zhàn).

3.2 實(shí)驗(yàn)步驟

筆者提出的基于顏色特征的車(chē)輛目標(biāo)檢測(cè)方法，其實(shí)驗(yàn)步驟如下：

a.利用Hough變換對(duì)路面圖像進(jìn)行ROI分割，提取出路面ROI；

b.進(jìn)行顏色特征空間建模，建立理想的RM顏色特征模型；

c.根據(jù)貝葉斯分類(lèi)器對(duì)車(chē)輛與道路像素類(lèi)別分類(lèi)；

d.基于最小化圖割的思想完成對(duì)車(chē)輛目標(biāo)的分割，得到車(chē)輛檢測(cè)結(jié)果.

3.3 定質(zhì)分析

在該場(chǎng)景中,對(duì)TAM算法、GMM算法、RGB顏色特征模型以及筆者所提出的基于顏色特征車(chē)輛檢測(cè)模型進(jìn)行了實(shí)驗(yàn).為分析其性能,選擇第232幀（存在靜止車(chē)輛，并有部分靜止車(chē)輛開(kāi)始運(yùn)行）圖像進(jìn)行對(duì)比分析.該幀圖像中，左側(cè)車(chē)輛是運(yùn)動(dòng)車(chē)輛，而右側(cè)車(chē)輛是靜止車(chē)輛.實(shí)驗(yàn)檢測(cè)結(jié)果如圖3所示.

在圖3中，可以看出TAM算法與GMM算法在檢測(cè)運(yùn)行車(chē)輛時(shí)效果不錯(cuò)，但是檢測(cè)右側(cè)的靜止車(chē)輛卻顯得無(wú)能為力,將其作為背景像素的一部分了.然而無(wú)論運(yùn)動(dòng)或靜止車(chē)輛目標(biāo),筆者提出的基于RM顏色特征的車(chē)輛檢測(cè)方法都能很好地檢測(cè)出來(lái).

圖3 各方法檢測(cè)效果Fig.3Comparison of four algorithms

3.4 定量分析

實(shí)際上，對(duì)圖像像素進(jìn)行二值標(biāo)注就是車(chē)輛檢測(cè)的本質(zhì)，然后掃描圖像標(biāo)注集的類(lèi)別標(biāo)識(shí)，最后車(chē)輛目標(biāo)被分割出來(lái)，這也就是圖像目標(biāo)分割.因此度量基于顏色特征的車(chē)輛檢測(cè)算法與TAM和GMM算法的車(chē)輛檢測(cè)性能時(shí)，筆者采用圖像分割的性能評(píng)價(jià)標(biāo)準(zhǔn)，其簡(jiǎn)要示意圖如圖4所示.

圖4 圖像分割的性能評(píng)價(jià)標(biāo)準(zhǔn)示意圖Fig.4The performance evaluation standard schematic diagram of image segmentation

在圖4中，圖像分割的目標(biāo)區(qū)域（Object Region，以下簡(jiǎn)稱(chēng)：OR）與圖像分割算法分割區(qū)域（Segmented Region，以下簡(jiǎn)稱(chēng)：SR）重疊區(qū)域即為圖像分割算法分割的真實(shí)目標(biāo)區(qū)域（Segmented Object Region，以下簡(jiǎn)稱(chēng)：SOR）.據(jù)此，采用準(zhǔn)確率（Ppre）、誤檢率（Pfalse）、漏檢率（Pmiss）來(lái)評(píng)價(jià)圖像分割算法的性能.根據(jù)圖，可以得到如下計(jì)算公式：

根據(jù)式（5）、（6）和（7）度量了各算法在第232幀含靜止車(chē)輛目標(biāo)場(chǎng)景的車(chē)輛檢測(cè)性能，各算法性能指標(biāo)如表1所示.

表1 各方法性能比較Table 1Performance comparison of each algorithm

通過(guò)表1的實(shí)驗(yàn)結(jié)果可以看出,筆者提出的RM顏色模型無(wú)論是在準(zhǔn)確率上,還是在誤檢率和漏檢率上都是優(yōu)于其他顏色模型和算法.這說(shuō)明顏色特征模型是影響基于顏色特征的車(chē)輛檢測(cè)算法性能的重要因素之一.

4 結(jié)語(yǔ)

筆者利用顏色特征空間降維建立理想的顏色特征模型,對(duì)路面車(chē)輛進(jìn)行檢測(cè).在現(xiàn)實(shí)場(chǎng)景采集數(shù)據(jù)圖像后，通過(guò)實(shí)驗(yàn)對(duì)該方法與時(shí)間平均法，高斯混合模型和RGB顏色模型等方法進(jìn)行定質(zhì)和定量分析.相比之下,筆者提出的檢測(cè)方法對(duì)于場(chǎng)景中的運(yùn)動(dòng)和靜止車(chē)輛都能達(dá)到很好的效果，并且準(zhǔn)確率更高.

致謝

國(guó)家自然科學(xué)基金委員會(huì)為本研究提供了資金資助,在此表示衷心的感謝！

［1］ZIVKOVIC Z.Improved adaptive Gaussian mixture model for background subtraction［C］//Proceedings of the 17th International Conference on Pattern Recognition，23－26 August 2004.Piscataway,N.J.:IEEE,2004.28－31.

［2］TSAI L W，HSIEH J W，F(xiàn)AN K C.Vehicle detection using normalized color and edge map［J］.IEEE Transactions on Image Processing，2007,16（3）：850－864.

［3］WANG X Y，ZHANG J L.A traffic incident detection method based on wavelet Mallat algorithm［C］//Proceedings of the 2005 IEEE Mid－Summer Workshop on Soft Computing in Industrial Applications，28－30 June 2005Piscataway,N.J.:IEEE,2005.166－172.

［4］樊曉亮，楊晉吉.基于幀間差分的背景提取與更新算法［J］.計(jì)算機(jī)工程，2011，37（22）：159－161.

FAN Xiao-liang，YANG Jin-ji.Background extraction and update algorithm based on frame-difference［J］.Computer Engineering，2011，37（22）：159－161.（in Chinese）

［5］杜鑒豪，許力.基于區(qū)域光流特征的異常行為檢測(cè)［J］.浙江大學(xué)學(xué)報(bào)：工學(xué)版，2011，45（7）：1161－1166.

DU Jian－h(huán)ao，XU Li.Abnormal behavior detection based on regional optical flow［J］.Journal of Zhejiang University：Engineering Science，2011，45（7）：1161－1166.（in Chinese）

［6］CHENG S C，YANG C K.A fast and novel technique for color quantization using reduction of color space dimensionality［J］.Pattern Recognition Letters，2001，22（8）：845－856.

［7］趙杰文，方明，劉木華，等.基于Ohta和RGB顏色空間牛胴體背長(zhǎng)肌的分割［J］.江蘇大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，27（3）：189－192.

ZHAO Jie－wen，F(xiàn)ANG Ming，LIU Mu－h(huán)ua，et al.Segmentation of longissimus dorsi in beef carcass based on Ohta and RGB color systems［J］.Journal of Jiangsu University：Natural Science Edition，2006，27（3）：189－192.（in Chinese）

［8］韓萍，徐建颯.復(fù)雜場(chǎng)景下的極化SAR圖像機(jī)場(chǎng)跑道檢測(cè)［J］.信號(hào)處理，2013（9）：1220－1226.

HAN Ping，XU Jian－sa.Runways detection in complex scenes of polarimetric synthetic aperture radar image［J］.Journal of Signal Processing，2013（9）：1220－1226.（in Chinese）

［9］孔文杰，張化祥，劉麗.基于圖像復(fù)雜度和貝葉斯的圖像自動(dòng)標(biāo)注［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（6）：2100－2103.

KONG Wen－jie，ZHANG Hua－xiang，LIU Li.Automatic imageannotationbasedonimagecomplexityand Bayesian［J］.Computer Engineering and Design，2014，35（6）：2100－2103.（in Chinese）

［10］劉松濤，殷福亮.基于圖割的圖像分割方法及其新進(jìn)展［J］.自動(dòng)化學(xué)報(bào)，2012，38（6）：911－922.

LIU Song－tao，YIN Fu－liang.The basic principle and its new advances of image segmentation methods based on graph cuts［J］.Acta Automatica Sinica，2012，38（6）：911－922.（in Chinese）

［11］劉楊楊，謝政，陳摯.最大動(dòng)態(tài)流關(guān)鍵弧的改進(jìn)算法［J］.計(jì)算機(jī)應(yīng)用，2014，34（4）：969－972.

LIU Yang－yang，XIE Zheng，CHEN Zhi.Improved al-gorithm for vital arc of maximum dynamic flow［J］.JournalofComputerApplications，2014，34（4）：969－972.（in Chinese）

［12］BOYKOV Y，VEKSLER O，ZABIH R.Fast approximateenergyminimizationviagraphcuts［J］.IEEETransactions on PMAL Pattern Analysis and Machine Intelligence，2001，23（11）：1222－1239.

Color feature model in application of static vehicle detection

ZHANG Li，DENG Ya－h(huán)ang，RAO Xiao－li
Faculty of Information Engineering and Automation，Kunming University of Science and Technology，Kunming 650500，China

To improve the low accuracy in static vehicle detection in intelligent transportation，a vehicle targets detection method based on color features was proposed.Firstly，the pavement area of interest was segmented based on Hough transform，and the ideal color feature model was established by using the color feature space dimension reduction.Then，pixels of pavements and vehicles were classfied by Bayesian classifier，and finally the target vehicle was separated by the minimum cut／maximum flow algorithm.We made a comparative assessment of the proposed method with the existed methods after capturing live-actiontraffic video images.The results show that the detection accuracy is 63.05%，the false rate decreases to 21.27%and the miss rate decreases to 24.01%.Experiments show the proposed method can achieve excellent detection result in static vehicle targets.

static vehicle detection；color feature；ehicle target separation

TN911

A

10.3969/j.issn.1674-2869.2015.01.016

本文編輯：苗變

1674－2869（2015）01－0073－06

2014－12－24

國(guó)家自然科學(xué)基金（61063027）

張力（1963－），男，四川成都人，副教授.研究方向：計(jì)算機(jī)視覺(jué)、多媒術(shù)技術(shù).