基于車底陰影的車前障礙物檢測

隨著車輛交通與汽車工業(yè)的快速發(fā)展，全世界高速公路里程數(shù)及汽車保有量均在迅速增長，道路交通事故發(fā)生率急劇上升，由此造成了重大人員傷亡和經(jīng)濟(jì)損失，以上問題的存在引發(fā)了新的研究與應(yīng)用熱點(diǎn)。

近年來，隨著智能車輛進(jìn)入了深入、系統(tǒng)、大規(guī)模研究階段［1］。汽車智能輔助駕駛系統(tǒng)是智能交通系統(tǒng)的重要組成部分，對于激光、雷達(dá)和超聲波等傳感器，視覺信號具有探測范圍寬，目標(biāo)信息完整、價格相對便宜，且更符合人的認(rèn)知習(xí)慣等優(yōu)勢，特別在對道路前方車輛的檢測方面，視覺信號具有無法替代的優(yōu)勢［2］。前方運(yùn)動車輛檢測是智能交通系統(tǒng)領(lǐng)域中的一個重要研究方向，利用基于計算機(jī)視覺獲知前方車輛信息是智能車輛安全駕駛及交通系統(tǒng)研究領(lǐng)域的熱點(diǎn)，系統(tǒng)有利于減少傷亡、節(jié)約時間和降低污染［3］。由于光強(qiáng)及周邊環(huán)境會對車輛特征產(chǎn)生較大干擾，但車輛下方的陰影區(qū)域在整個圖像中較暗，是一種較為魯棒的特征，陰影檢測已成為運(yùn)動目標(biāo)檢測的研究熱點(diǎn)之一，已有不少文獻(xiàn)對陰影檢測提出了算法［4］。

通過陰影特征和Haar小波來檢測車輛不能有效的排除非車輛的陰影，且實(shí)時性差;利用車底陰影確定邊緣線，但由天橋?qū)β访娴耐队皡s無法較好排除;用陰影和邊緣特征檢測車輛，若圖像過亮或過暗，陰影區(qū)域均無法被檢測到。

基于上述分析，依據(jù)國內(nèi)外文獻(xiàn)主要利用車底陰影及邊緣等特征提取車輛，本文利用基于特征的方法，針對結(jié)構(gòu)化道路，在檢測出車道線的基礎(chǔ)上，利用車輛底部陰影實(shí)現(xiàn)車輛檢測。文中算法能較準(zhǔn)確地檢測出前方運(yùn)動車輛，并具有一定的魯棒性，基本滿足車輛安全行駛的要求。

1 車道線及車輛檢測原理

對車道線和車輛進(jìn)行檢測，最重要的是進(jìn)行閾值分割，先通過Ostu閾值分割提取出車道線，由于Ostu算法采用最大類間方差，能較好地排除外界光照及樹陰的影響。然后在提取出的車道線區(qū)域內(nèi)，進(jìn)行兩次閾值分割，第一次閾值分割能排除亮光對車輛陰影提取的影響，第二次閾值分割是在第一次閾值分割的基礎(chǔ)上，只對低于第一次閾值的像素點(diǎn)進(jìn)行分割，從而能較好地檢測出車底陰影。

1.1 Otsu算法

Otsu閾值方法是Otsu提出的最大類間方差法，是在判決分析最小二乘法原理的基礎(chǔ)上，推導(dǎo)得出的求最佳閾值方法［5］。Otsu算法始終被認(rèn)為是閾值自動選取的最優(yōu)方法，該方法計算簡單，不易受圖像對比度與亮度變化的影響。

假設(shè)原始圖像灰度級為L，灰度為I的像素個數(shù)為ni，圖像的總像素為N，則可得到各灰度出現(xiàn)的概率Pi=ni/N，在圖像分割中，按照灰度用閾值t將灰度劃分為2 類:C0=(0，1，2，…，t)和 C1=(t+1，t+2，…，L－1)。因此，C0和C1出現(xiàn)的概率w0和w1為

C0和C1出現(xiàn)的平均灰度u0和u1為

定義類內(nèi)方差

定義類間方差

定義總體方差

最大類間方差法就是使式(5)取得最大值時的t即為所求，方差反應(yīng)的是一個變量對應(yīng)一組數(shù)值均衡性的大小，方差越小說明其均衡性越低;反之，均衡性就越高。對于一幅圖像而言，可分為背景和目標(biāo)兩部分，在目標(biāo)和背景的臨界點(diǎn)上，灰度的變化最大，此時的灰度值為最佳閾值［6］。

1.2 兩次自適應(yīng)閾值分割

采用圖像均值和方差作為分割閾值，能較好的過濾路面噪聲干擾不明顯的非感興趣目標(biāo)，實(shí)際圖像可能會受到光強(qiáng)及大面積陰影干擾，采用一次閾值分割不能有效抑制干擾，且增加了后續(xù)驗證車輛的計算量。故本文提出兩次自適應(yīng)閾值提取車底陰影，其魯棒性較好［3］。

根據(jù)均值方差公式計算灰度圖像的均值與方差

式中，f(x，y)為灰度圖像在(x，y)點(diǎn)處的亮度值，M，N分別為圖像的寬和高，u、σ分別為灰度圖像均值和方差。第一次自適應(yīng)閾值為

第一次閾值排除圖像中高亮點(diǎn)的干擾，再對整幅灰度圖像中統(tǒng)計低于Theshold1的像素點(diǎn)，并對低于Theshold1的像素點(diǎn)利用均值方差公式計算均值u2和σ2

為適應(yīng)復(fù)雜多變環(huán)境，a、b參數(shù)取

Theshold2能較好地分割灰度圖像，提取車底陰影，且最大限度地抑制噪聲干擾。

1.3 車底與路面交線邊緣的提取

車底與路面交線邊緣能表明車輛位置。對陰影分割后的圖像搜索陰影起始位置xstart、重點(diǎn)位置xend。按從上往下、從左往右的順序，當(dāng)符合式(13)時，記為起點(diǎn)，繼續(xù)掃描連續(xù)黑點(diǎn)，當(dāng)符合式(14)時，記為終點(diǎn)

車輛在圖像中不同行對應(yīng)的車寬也不同，陰影線長度length=xend－xstart表明目標(biāo)寬度，記錄滿足式(15)的陰影線起點(diǎn)，終點(diǎn)及行位置，反之剔除陰影線

本文采用的陰影長度為給定值。

車底陰影范圍是塊區(qū)域，同目標(biāo)會生成多條陰影線，為提取車底與路面的交線邊緣，文中對檢測出的陰影線進(jìn)行提取，并采用最大長度的陰影線作為最終車底與路面的交線邊緣。

1.4 算法實(shí)現(xiàn)步驟

圖1 算法基本流程

圖1為算法基本流程圖，已知視頻圖像的一幀RGB圖像f:(1)對RGB圖像灰度化，得到灰度圖像fg。(2)對灰度圖像進(jìn)行人為限定區(qū)域，由于該算法用于檢測前方運(yùn)動車輛，故可限定一個梯形區(qū)域，劃出AOI區(qū)域，從而減少圖像處理難度跟計算量。(3)對劃出的AOI區(qū)域進(jìn)行Otsu閾值分割，分割出車道線。(4)根據(jù)分割出的車道線，進(jìn)一步確定前方車輛所在的區(qū)域，較精確地判定AOI區(qū)域。(5)對(4)中確定出的區(qū)域進(jìn)行兩次自定義閾值分割。(6)根據(jù)式(13)～式(15)判斷并尋找陰影線的起點(diǎn)、終點(diǎn)及所在行位置。(7)選擇最長的陰影線作為車底與路面的交線，并在原圖像上標(biāo)注出車輛位置。

2 實(shí)驗結(jié)果與分析

實(shí)驗中所處理的圖像大小為320×240，本文在結(jié)構(gòu)化道路上進(jìn)行前方車輛檢測，所用到的算法已在Matlab上實(shí)現(xiàn)［7］。前方車輛檢測結(jié)果如圖2所示。

圖2(b)是在認(rèn)為限定AOI區(qū)域的基礎(chǔ)上，進(jìn)行的Otsu閾值分割。從圖2(b)中可看出，對于Otsu閾值分割能有效提取出車道線，將前方車輛的有效區(qū)域縮小，有利于下一步對車輛陰影進(jìn)行檢測;由圖2(c)可看出，采用兩次自適應(yīng)閾值分割可有效且準(zhǔn)確地提取出車底陰影，從而定位前方車輛位置。

試驗中，兩次自適應(yīng)閾值的選取均是自適應(yīng)的，其根據(jù)式(9)和式(10)，對圖像的像素點(diǎn)進(jìn)行計算得到的閾值，所以具有較好的自適應(yīng)性。然后根據(jù)車輛實(shí)際大小跟攝像機(jī)投影原理，一般車底陰影的直線長度不會過長，根據(jù)實(shí)驗用圖，文中選取length的范圍如式(15)所示。

由于先提取出車道線，然后限定了AOI區(qū)域，將車底陰影的檢測區(qū)域縮小到兩條車道線之間，可減少約60%的計算量，因此在提取車道線的基礎(chǔ)上提取車底陰影可以獲得更好的實(shí)時性。

圖2 前方車輛檢測結(jié)果

對兩組環(huán)境不同道路上的前方運(yùn)動車輛進(jìn)行檢測對比，對比結(jié)果如圖3所示。

圖3 兩組車輛檢測對比

從圖3可看出，在兩組不同環(huán)境下的道路上使用本方法均可較為準(zhǔn)確地檢測出前方運(yùn)動車輛，且算法具有較好的魯棒性。

3 結(jié)束語

提出了一種基于車底陰影的車前障礙物檢測算法，該方法能有效解決周邊環(huán)境的干擾，并實(shí)時準(zhǔn)確地檢測出前方障礙物。首先設(shè)定感興趣區(qū)域，采用Otsu提取出車道線，縮小前方車輛的檢測區(qū)域，然后在AOI區(qū)域中采用兩次自適應(yīng)閾值算法，提取車底和路面的交線。最終選取最長的交線作為最終的陰影線，從而檢測出前方車輛。整個算法中，在提取車道線的基礎(chǔ)上提取車底陰影線，可減少運(yùn)算量，提高系統(tǒng)的效率。下一步工作將結(jié)合跟蹤提高實(shí)時性，并將系統(tǒng)在DSP+FPGA架構(gòu)上進(jìn)行實(shí)時準(zhǔn)確地檢測與跟蹤前方車輛。

［1］王榮本，游峰，崔高健，等.基于計算機(jī)視覺高速智能車輛的道路識別［J］.計算機(jī)工程與應(yīng)用，2004(26):18－21.

［2］周欣，黃席樾，黎昱.基于單目視覺的高速公路車道保持與距離測量［J］.中國圖象圖形學(xué)報:A輯，2003(5):590－595.

［3］齊美彬，潘燕，張銀霞.基于車底陰影的前方運(yùn)動車輛檢測［J］.電子測量與儀器學(xué)報，2012，26(1):54 －59.

［4］郝燦，朱信忠，趙建民，等.基于改進(jìn)型LBP特征的運(yùn)動陰影去除方法［J］.計算機(jī)系統(tǒng)應(yīng)用，2010，19(5):80－83.

［5］趙海坤，周偉燦.改進(jìn)的OTSU算法在圖像分割中的應(yīng)用［J］.重慶工學(xué)院學(xué)報，2007，21(4):92 －94.

［6］曾業(yè)戰(zhàn)，王潤民.基于自適應(yīng)粒子群優(yōu)化的三維OTSU圖像分割算法［J］.電子設(shè)計工程，2011，17(13):173－175，179.

［7］吳昆明，徐貴力.一種基于透視變換的車輛位置和方向提取方法［J］.電子科技，2010，23(10):101 －103，109.