面向車輛防撞的車底陰影檢測方法

任 薇，任明武

（南京理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，江蘇 南京210094）

0 引 言

陰影檢測技術(shù)［1－5］主要分為基于模型的方法和基于特征的方法［7］?；谀Ｐ偷姆椒ㄐ枰袊?yán)格的假設(shè)，不能很好適應(yīng)各種環(huán)境的變化，但當(dāng)感興趣目標(biāo)很容易建模、投影具有不同的取向時(shí)可以達(dá)到很好的效果?；谔卣鞯姆椒梢宰羁焖俚脤?shí)現(xiàn)和運(yùn)行，但對噪聲敏感，低飽和度下，檢測率不高［6］。文獻(xiàn) ［3］中的方法使用了陰影的灰度和顏色特征，首先使用陰影的灰度值比較低的特性進(jìn)行檢測，在驗(yàn)證階段利用了運(yùn)動視頻或靜止圖像中陰影顏色不變性和幾何特性；在文獻(xiàn) ［4］中，作者提出了一種假設(shè)，顏色空間中亮度和飽和度降低的同時(shí)保持了色度的屬性；Schreer［5］通過采用YUV 顏色空間避免了顏色轉(zhuǎn)換時(shí)間的計(jì)算；文獻(xiàn) ［8，10］使用改進(jìn)的OTSU 方法對圖像進(jìn)行分割提取車輛陰影區(qū)域，該方法易受光線和路面環(huán)境的影響，檢測效果不理想；當(dāng)路面上有污點(diǎn)，路旁含有高大的建筑物或者樹的投影時(shí)，文獻(xiàn) ［9］的方法不能排除這些干擾；文獻(xiàn) ［11］在路面干擾不嚴(yán)重時(shí)，利用均值和方差的差值計(jì)算閾值可以得到很好的分割效果；文獻(xiàn) ［12］的車輛候選位置的確定結(jié)合了陰影的閾值和陰影的幾何結(jié)構(gòu)特征；文獻(xiàn) ［13］對文獻(xiàn) ［12］提取的陰影圖像又使用了一次閾值分割，增強(qiáng)了算法的魯棒性，在各種復(fù)雜環(huán)境中可以取得很好的效果。

為了解決復(fù)雜環(huán)境下車底陰影檢測問題，本文提出了一種計(jì)算自適應(yīng)閾值的方法，首先使用改進(jìn)的高斯混合模型對圖像灰度值統(tǒng)計(jì)聚類，由聚類收斂后的參數(shù)計(jì)算陰影閾值獲得陰影分割圖像，根據(jù)車尾的幾何特性對得到的陰影進(jìn)一步驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該方法能夠很好地實(shí)現(xiàn)車輛下方陰影的檢測，可以有效排除建筑物、樹和光照帶來的干擾，對白天多種環(huán)境各種時(shí)段下均能夠滿足我們的檢測要求。

1 車底陰影檢測流程

面向車輛主動避撞的車底陰影檢測［16，17］，其關(guān)鍵問題是自適應(yīng)閾值的選取。本文首先對采集到的原始灰度圖像提取感興趣區(qū)域，采用聚類分析的方法獲得車底陰影閾值，進(jìn)而得到陰影分割圖像，然后由陰影分割后的圖像提取陰影與路面的交線，最后利用提取的交線位置有效生成車輛候選區(qū)域。算法如圖1 所示。本文將在接下來的二、三、四章節(jié)中對虛線框出的內(nèi)容做詳細(xì)介紹。

圖1 算法

2 基于改進(jìn)高斯混合模型聚類算法

通常情況下，道路上的目標(biāo)主要包括路面、車道線、車輛和陰影。通過對道路圖像的觀察發(fā)現(xiàn)圖像中每一類目標(biāo)如車輛，陰影等的灰度值具有一致性和均勻性，而目標(biāo)之間具有很大的差異性，每一類目標(biāo)的灰度特性符合某個函數(shù)的分布。本文提取道路圖像中ROI并假設(shè)其內(nèi)只含有四類目標(biāo)：路面、車道線、車輛和車底的陰影。使用高斯混合模型對每一成分 （即圖像目標(biāo)）進(jìn)行聚類，利用改進(jìn)的EM 算法求解最大似然值，由陰影模型的參數(shù)確定陰影閾值。

2.1 高斯混合模型的基本形式

設(shè)｛x1，x2，…xn｜xi∈Rd｝為隨機(jī)變量X 的n個隨機(jī)樣本值，則混合高斯模型的概率密度函數(shù)PDF表示為

式中：K——成分?jǐn)?shù)，本文中K ＝4，即道路圖像中所含目標(biāo)總數(shù)，αi＞0，表示高斯混合模型中各成分的比例系數(shù)，并且滿足，σi和μi 分別為第i成分的均值和標(biāo)準(zhǔn)差。

設(shè)Z ＝｛Z1，Z2，…Zn｝，Zi為缺失數(shù)據(jù)，即隨機(jī)樣本值分別為每一成分的概率。因此所有樣本數(shù)據(jù)｛X1，X2，…Xn，Z1，Z2，…Zn｝的聯(lián)合概率密度函數(shù)表示為

式中：zki＝Zi（k）取值為0或1，當(dāng)zki＝1時(shí)，表示樣本xi屬于第k個成分，否則不是。利用最大似然函數(shù)對上述變量進(jìn)行計(jì)算，表達(dá)式如下所示

2.2 改進(jìn)的EM 算法估計(jì)未知參數(shù)

在式 （3）中，似然函數(shù)中有和式計(jì)算，使用求導(dǎo)的方法估計(jì)參數(shù)將會非常復(fù)雜，通常用EM 算法迭代求解。EM算法如下所示：

（1）參數(shù)初始值

（2）E－step計(jì)算隱含變量分別為每一類的期望

（3）M－step根據(jù)式 （5）更新高斯模型的參數(shù)

傳統(tǒng)的EM 算法在數(shù)據(jù)量比較大時(shí)計(jì)算負(fù)載大，收斂速度很慢，無法滿足實(shí)時(shí)性的要求。本文對文獻(xiàn) ［14］的算法進(jìn)行了改進(jìn)，通過對樣本所屬成分的概率施加熵懲罰算子達(dá)到進(jìn)一步加快收斂的目的。改進(jìn)的聚類方法較原先算法在時(shí)間效率上有了進(jìn)一步的改進(jìn)。

式中：λi——調(diào)節(jié)系數(shù)，使用式 （10）對其進(jìn)行更新

改進(jìn)后算法步驟如下所示：

步驟1 設(shè)定初始值K ＝4，樣本所屬成分概率懲罰系數(shù)λ＝1；設(shè)置ε＞0，使用Kmeans（X）計(jì)算｛αk；μk，σk｝；

步驟3 利用式 （6）計(jì)算系數(shù)αk；

步驟4 利用式 （7）計(jì)算均值μk ；

步驟5 利用式 （8）計(jì)算標(biāo)準(zhǔn)差σk；

步驟6 利用式 （10）調(diào)整懲罰系數(shù)λi；

本文同時(shí)使用了單指令多數(shù)據(jù)流式擴(kuò)展 （SSE）指令集［15］進(jìn)一步加速參數(shù)計(jì)算過程。當(dāng)使用128位寄存器時(shí)，SSE能夠一次執(zhí)行多條指令如加法、減法和乘法等。因此，對于一個32位單精度浮點(diǎn)數(shù) （SPFP），該方法可以一次執(zhí)行4個操作。本文在最耗時(shí)的參數(shù)估計(jì)計(jì)算中融入了SSE 指令集，其執(zhí)行效率較原先提高了4倍。

3 陰影的分割

陰影較其周圍比較暗，因此通常使用陰影的這個灰度特性提取閾值對圖像進(jìn)行分割。由于不斷變化的背景和光照，固定的閾值不能滿足要求。采用自適應(yīng)閾值可以在不同光照和背景條件下很好的提取車輛底部的陰影，噪聲能夠有效得到抑制。

使用上述方法對圖像灰度值進(jìn)行聚類，計(jì)算各成分的均值與方差，排序后的均值表示為μ1 ＜μ2 ＜μ3 ＜μ4 。根據(jù)陰影的灰度值較低的特性可知，μ1 就是車底陰影區(qū)域的均值，σ1為其對應(yīng)的標(biāo)準(zhǔn)差。利用式 （11）計(jì)算陰影閾值Sthreshold

即車底陰影閾值為均值最小的那個高斯函數(shù)的均值與方差之和，為了區(qū)別陰影和路面上其它顏色較深的物體如路面積水或污漬等，還要保證其值不大于與其相鄰高斯函數(shù)的均值。根據(jù)獲得的閾值對原圖像I（x，y）使用式 （12）進(jìn)行遍歷，用S（x，y）表示陰影分割圖像

圖2為在不同光照路面上提取的車底陰影圖像。圖2（a）中，光照偏弱，圖像變暗，陰影和路面的對比度降低。圖2 （c）為強(qiáng)光照下采集的道路圖像，光照充足，圖像明亮，陰影和路面的對比度增強(qiáng)?？梢钥闯?，本文提出的算法在這兩種光照條件下都可以很好的提取車底陰影，圖2（b）由于圖像中一些灰度值很低的物體如樹而產(chǎn)生了一些虛假陰影，圖2 （d）中左邊車輛的灰度值和陰影很接近，車尾部分也被誤檢為了陰影。這些虛假陰影會在陰影與路面交線的提取過程中根據(jù)車輛的長寬比和陰影的幾何特征進(jìn)行去除。

圖2 不同光照下的陰影分割圖像

4 陰影線的提取

由圖2 （b）、（d）可知，閾值分割后的圖像在車底周圍出現(xiàn)了虛假陰影。和文獻(xiàn) ［13］不同，本文首先使用形態(tài)學(xué)濾波中的腐蝕運(yùn)算去除分割圖像中的微小噪聲點(diǎn)，在提取車底陰影與路面交線過程中，根據(jù)陰影的長度和車輛的長寬比特征對陰影線進(jìn)行兩次合并。實(shí)驗(yàn)結(jié)果表明，本文提出的方法不僅能夠準(zhǔn)確的提取陰影與路面的交線，而且可以有效的去除虛假陰影。

車底陰影和路面的交線可以確定車輛位置。對陰影分割圖像按從上到下，從左到右的規(guī)則尋找陰影線起始位置begin、結(jié)束位置end［13］，當(dāng)滿足式 （13）時(shí)，標(biāo)記為起始點(diǎn)，繼續(xù)掃描連續(xù)的白點(diǎn)，當(dāng)滿足式 （14）時(shí)，作為結(jié)束點(diǎn)。提取后的線段如圖3 （b）所示

車輛下方的陰影呈條形塊狀，單個車輛陰影會出現(xiàn)多條陰影邊緣，為了確定車輛下方的陰影與路面的交線位置，對陰影線提取圖像采用從上到下，從左到右的方向合并符合條件的陰影線，如式 （15）所示。當(dāng)水平方向上

對水平方向的陰影線進(jìn)行合并，新線段的起始點(diǎn)變成最左側(cè)的點(diǎn)，結(jié)束點(diǎn)變成最右側(cè)的點(diǎn)。然后在y方向上對滿足式 （16）的線段進(jìn)行合并

并且上下兩條線的重疊區(qū)域不等于零時(shí)，進(jìn)行合并。實(shí)驗(yàn)結(jié)果表明，在y方向上相差兩個像素可以得到很好的結(jié)果。為方便直觀觀察本文算法的檢測準(zhǔn)確性，將最終確定的陰影線使用白色線條標(biāo)記在原始圖像之上，實(shí)驗(yàn)結(jié)果如圖3 （c）所示。從圖3中可發(fā)現(xiàn)，第一次合并之后，圖3（c）左側(cè)和右側(cè)車底陰影線的上方仍然存在著虛假陰影。由于陰影只存在于車尾底部，而且在其上方一定范圍內(nèi)只可能存在一條陰影線。因此本文對提取的陰影線進(jìn)行第二次合并，當(dāng)上下兩條陰影線的高度差小于下面陰影線寬度的兩倍且重合比例大于0.4時(shí)，將上面那條陰影線進(jìn)行剔除而只保留下方的陰影。最后根據(jù)陰影的幾何結(jié)構(gòu)對陰影線進(jìn)行第二次合并，結(jié)果如圖3 （d）所示。當(dāng)路面其它物體的投影和車底陰影灰度差異很小時(shí)，這部分區(qū)域有可能產(chǎn)生誤檢，圖3 （d）由于第一車道和第三車道旁綠化帶陰影的干擾而分別產(chǎn)生了一條和兩條虛假陰影線，這些區(qū)域可在后續(xù)的車輛驗(yàn)證階段根據(jù)車輛的先驗(yàn)知識進(jìn)行有效的去除。

圖3 提取陰影與路面的交線

5 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證算法的有效性和魯棒性，本文使用攝像機(jī)采集了600張不同工況下的道路圖像進(jìn)行實(shí)驗(yàn)，主要分為：不同光照強(qiáng)弱的道路；彎路；橋底路面；道路上有建筑物和樹的投影。實(shí)驗(yàn)中使用的是灰度圖像，其分辨率為320×240。程序在內(nèi)存為2G 的PC上在VS2010環(huán)境下運(yùn)行，部分實(shí)驗(yàn)結(jié)果如圖4～圖7所示。

從實(shí)驗(yàn)結(jié)果來看，本文提出的方法可在各種環(huán)境下準(zhǔn)確檢測車底陰影，文獻(xiàn) ［12］表明當(dāng)路面含有建筑物或樹的投影，或光照不均勻時(shí)，車輛漏檢比較嚴(yán)重。文獻(xiàn)［13］表明當(dāng)車輛距本車稍遠(yuǎn)時(shí)會出現(xiàn)漏檢現(xiàn)象如圖5 （c）所示。圖5 （d）右側(cè)車道最前方的黑色轎車由于其距離本車較遠(yuǎn)，陰影與路面產(chǎn)生粘連，提取的陰影過長，圖7（d）道路處在橋底，光線從右側(cè)照射過來，車底陰影向左側(cè)拉伸，提取的陰影線大于車輛實(shí)際寬度，以上兩種情況可以利用車輛的垂直邊緣投影在車輛確認(rèn)步驟準(zhǔn)確定位車輛的邊界。

圖4 強(qiáng)光照下實(shí)驗(yàn)結(jié)果對比圖像

圖5 彎路下實(shí)驗(yàn)結(jié)果對比圖像

圖6 道路上含有其它物體投影的實(shí)驗(yàn)結(jié)果對比圖像

圖7 橋底下方道路實(shí)驗(yàn)結(jié)果對比圖像

本文統(tǒng)計(jì)了文獻(xiàn) ［12］、文獻(xiàn) ［13］和本文算法的車輛識別率和漏檢率，實(shí)驗(yàn)結(jié)果見表1。文獻(xiàn) ［12］在路面沒有建筑物或樹的投影且道路上車輛不多時(shí)，可以很好地檢測出車底陰影與路面的交線；而當(dāng)路面上車輛變多時(shí)會產(chǎn)生很多虛假的檢測線；或有大面積非車輛陰影時(shí)會出現(xiàn)車輛區(qū)域被放大的情況。文獻(xiàn) ［13］在陰影線的提取過程中只進(jìn)行了一次合并，沒有考慮同車輛產(chǎn)生的多條陰影。實(shí)驗(yàn)結(jié)果表明，本文算法不僅能有效的定位出車底陰影與路面的交線，且適應(yīng)白天不同時(shí)段及光強(qiáng)變化；對于復(fù)雜投影的干擾，也能進(jìn)行很好的排除。

表1 車輛檢測結(jié)果對比

6 結(jié)束語

本文提出了一種基于聚類分析的運(yùn)動車輛車底陰影檢測算法，即假設(shè)前方道路圖像含有四類目標(biāo)且每類目標(biāo)灰度符合高斯分布，對圖像中的每類目標(biāo)進(jìn)行高斯聚類，獲取陰影閾值進(jìn)行車底陰影分割，根據(jù)得到的車底陰影與路面的交線，進(jìn)而準(zhǔn)確定位車輛位置。使用改進(jìn)的EM 算法并在計(jì)算中開啟SSE 指令集有效減少了迭代次數(shù)，加快運(yùn)行時(shí)間，該方法能夠有效地排除白天不同時(shí)段及周邊不同環(huán)境陰影的干擾，實(shí)時(shí)準(zhǔn)確的檢測出車底陰影，定位出車輛的位置。下一步的工作還需要對算法進(jìn)一步優(yōu)化，加快運(yùn)行時(shí)間，更好的滿足實(shí)時(shí)性的要求，對根據(jù)陰影得到的車輛候選區(qū)域使用其它特征進(jìn)行下一步驗(yàn)證。

需要說明的是，本文假設(shè)在結(jié)構(gòu)化道路上含有四類目標(biāo)如車輛、車道線等，然后使用上述算法進(jìn)行車底陰影檢測。在有些道路場景中會出現(xiàn)車道線的污損或被其它物體遮擋、道路中沒有車輛的情況，已知道路圖像的多目標(biāo)特性對應(yīng)著圖像灰度直方圖的多個波峰，因此可以首先根據(jù)圖像的灰度直方圖的波峰確定道路圖像的目標(biāo)數(shù)，即上述算法中的成分?jǐn)?shù)，由計(jì)算出的成分?jǐn)?shù)對道路中所含目標(biāo)進(jìn)行判斷分析，進(jìn)行相應(yīng)處理，從而實(shí)現(xiàn)各種環(huán)境下的車底陰影魯棒性檢測。

［1］Wang W，Zhang W，Guo H，et al.A safety－based approaching behavioural model with various driving characteristics［J］.Transportation Research Part C：Emerging Technologies，2011，19 （6）：1202－1214.

［2］Sun Z，Bebis G，Miller R.On－road vehicle detection：A review ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28 （5）：694－711.

［3］Salvador E，Calvallaro A，Ebrahimi T.Cast shadow segmentation using invariant color features［J］.Computer Vision and Image Understanding，2004，95 （2）：238－259.

［4］Schreer，Oliver.Fast and robust shadow detection in videoconference applications［C］//Video/Image Processing and Multimedia Communications 4th EURASIP－IEEE Region 8International Symposium on VIPromCom.IEEE，2002.

［5］Kim J，Baek J，Kim D Y，et al.On－road vehicle detection based on effective hypothesis generation ［C］//RO－MAN，IEEE，2013：252－257.

［6］Sanin A，Sanderson C，Lovell B C.Shadow detection：A survey and comparative evaluation of recent methods［J］.Pattern Recognition，2012，45 （4）：1684－1695.

［7］Zhu Qidan，Jing Liqiu，Bi Rongsheng.Exploration and improvement of OTSU threshold segmentation algorithm ［C］//Intelligent Control and Automation，2010：6183－6188.

［8］SHI Shuming，CHU Jiangwei，LI Bin，et al.Study on detecting method of the proceeding vehicle based on monocular camera［J］.Transactions of the Chinese Society of Agricultural，2004，35 （4）：5－8 （in Chinese）. ［施樹明，儲江偉，李斌，等.基于單目視覺的前方車輛探測方法 ［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35 （4）：5－8.］

［9］LEI Meilin，XIAO Zhitao，CUI Qin.Double－feature based on real time preceding vehicle detection ［J］.Journal of Tianjin Normal University （Natural Science Edition），2010，30 （1）：23－26 （in Chinese）.［雷美琳，肖志濤，崔琴.基于雙特征的前方車輛實(shí)時(shí)檢測 ［J］.天津師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，30 （1）：23－26.］

［10］SHEN Huan，LI Shunming，BO Fangchao，et al.On road vehicles detection approach using multi－cues fues［J］.Journal of Optoelectronics’Laser，2010，21 （1）：74－77 （in Chinese）.［沈峘，李舜酩，柏方超，等.融合多種特征的路面車輛檢測方法 ［J］.光電子·激光，2010，21 （1）：74－77.］

［11］LI Yunchong，HE Kezhong，JIA Peifa.Forward vehicle detection based on shadow features and Adaboost［J］.J Tsinghua Univ （Sci ＆ Tech），2007，47 （10）：1713－1716 （in Chinese）.［李云種，何克忠，賈培發(fā).基于陰影特征和Adaboost的前向車輛檢測系統(tǒng) ［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，47 （10）：1713－1716.］

［12］QI Meibin，PAN Yan，ZHANG Yinxia.Preceding moving vehicle detection based on shadow of chassis ［J］.Journal of Electronic Measurement and Instrument，2012，26 （1）：54－59 （in Chinese）.［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(bào)，2012，26（1）：54－59.］

［13］Yang M S，Lai C Y，Lin C Y.A robust EM clustering algorithm for Gaussian mixture models［J］.Pattern Recognition，2012，45 （11）：3950－3961.

［14］Machlica L，Vanek J，Zajic Z.Fast Estimation of Gaussian Mixture Model Parameters on GPU using CUDA ［C］//12th International Conference on Parallel and Distributed Computing，Applications and Technologies.IEEE，2011：167－172.

［15］Zhou J，Gao D，Zhang D.Moving vehicle detection for automatic traffic monitoring ［J］.IEEE Transactions on Vehicular Technology，2007，56 （1）：51－59.

［16］Wang Y.Real－time moving vehicle detection with cast shadow removal in video based on conditional random field ［J］.IEEE Transactions on Circuits and Systems for Video Technology，2009，19 （3）：437－441.

［17］Sivaraman S，Trivedi M M.Active learning for on－road vehicle detection：A comparative study ［J］.Machine Vision and Applications，2014，25 （3）：599－611.