一種基于像素差值特征的車(chē)輛檢測(cè)方法

連　捷

(中國(guó)電子科技集團(tuán)公司第三十八研究所,安徽 合肥 230088)

?

一種基于像素差值特征的車(chē)輛檢測(cè)方法

連捷

(中國(guó)電子科技集團(tuán)公司第三十八研究所,安徽 合肥 230088)

摘要：為了快速定位監(jiān)控場(chǎng)景中的車(chē)輛位置，提出了一種基于像素差值特征的車(chē)輛檢測(cè)方法。首先提取圖像的歸一化像素差值特征(NPD)，之后使用深度二次樹(shù)(DQT)學(xué)習(xí)最優(yōu)的特征子集，最后使用AdaBoost算法篩選最具區(qū)分力的特征構(gòu)建強(qiáng)分類(lèi)器。以含有正面、側(cè)面及背面三個(gè)角度超過(guò)3 500個(gè)樣本為測(cè)試集進(jìn)行了快速車(chē)輛檢測(cè)測(cè)試，并與梯度方向直方圖(HOG)和Haar的組合特征進(jìn)行了對(duì)比。對(duì)比實(shí)驗(yàn)表明，基于NPD的車(chē)輛檢測(cè)方法最優(yōu)，其檢測(cè)率和檢測(cè)時(shí)間分別為85.47%和200 ms。

關(guān)鍵詞：車(chē)輛檢測(cè)；NPD特征；深度二次樹(shù)；級(jí)聯(lián)分類(lèi)器

引用格式：連捷. 一種基于像素差值特征的車(chē)輛檢測(cè)方法[J].微型機(jī)與應(yīng)用，2016,35(13)：43-44，50.

0引言

公共安全中的汽車(chē)是一個(gè)關(guān)鍵性元素，如何快速檢測(cè)出車(chē)輛，并進(jìn)行后續(xù)分析具有實(shí)際意義?；谝曨l分析的車(chē)輛檢測(cè)算法主要包括：幀間差分法、光流法、背景差分[1-3]等。這些算法要么過(guò)于簡(jiǎn)單，檢測(cè)效果不好，要么過(guò)于復(fù)雜，計(jì)算量太大，對(duì)于海量視頻分析不太現(xiàn)實(shí)。基于AdaBoost 算法[4]雖然速度快，但是虛警率較高，檢測(cè)效果一般。NEGRI P等人[5]綜合了HOG特征和Haar特征，將兩種特征的融合特征作為AdaBoost訓(xùn)練的輸入，該方法對(duì)單一角度的車(chē)輛檢測(cè)結(jié)果較好，但對(duì)多角度的車(chē)輛檢測(cè)擴(kuò)展性能不好。本文對(duì)傳統(tǒng)AdaBoost 算法進(jìn)行改進(jìn)，結(jié)合歸一化像素差值特征(NPD)和深度二次方樹(shù)(DQT)[6]，使用多角度車(chē)輛樣本來(lái)訓(xùn)練AdaBoost，實(shí)驗(yàn)結(jié)果表明本文方法與參考文獻(xiàn)[5]中的檢測(cè)算法相比較，檢測(cè)速度更快，檢測(cè)率更高。

1基于NPD及DQT的車(chē)輛檢測(cè)方法

1.1歸一化像素差值特征空間

一幅圖像中的兩個(gè)像素的歸一化像素差值(NPD)特征可以定義如下：

(1)

其中,x≥0,y≥0是兩個(gè)像素的灰度值，當(dāng)x=y=0 時(shí)，定義f(0,0)為0。

NPD特征度量?jī)蓚€(gè)像素值的相對(duì)差異性。f(x,y)的符號(hào)表示像素x和y的序數(shù)關(guān)系，幅值表示兩個(gè)像素的相對(duì)差值。NPD對(duì)于灰度值的線性變化具有不變性。

1.2深度二次樹(shù)

傳統(tǒng)的基于AdaBoost 分類(lèi)器的車(chē)輛檢測(cè)算法是將若干弱分類(lèi)器通過(guò)訓(xùn)練組合成一個(gè)強(qiáng)分類(lèi)器。這種弱分類(lèi)器的缺點(diǎn)是解析不同特征空間維數(shù)的相關(guān)性的能力較弱，另外它也忽略了特征中的高階信息。本文提出了一個(gè)更好的弱分類(lèi)器,使用二次元分割策略和一個(gè)更深的樹(shù)形結(jié)構(gòu)。對(duì)于一個(gè)特征x，本文使用如下函數(shù)劃分一個(gè)樹(shù)的節(jié)點(diǎn):

ax2+bx+c

(2)

其中，a、b、c是常值，t是劃分閾值，驗(yàn)證其是否位于兩個(gè)學(xué)習(xí)到的閾值之間。式(2)同時(shí)考慮特征x的一階和二階信息，使其可以更好地解析劃分策略。

1.3車(chē)輛檢測(cè)器

由于 NPD特征含有很多冗余信息，本文使用AdaBoost 算法學(xué)習(xí)最有區(qū)分力的特征，構(gòu)建強(qiáng)分類(lèi)器[8]，并采用Gentle AdaBoost算法[9]來(lái)學(xué)習(xí)基于NPD特征的深度二次元樹(shù)。

參考文獻(xiàn)像[7]一樣，一個(gè)級(jí)聯(lián)分類(lèi)器被進(jìn)一步學(xué)習(xí)用于快速車(chē)輛檢測(cè)。這里只學(xué)習(xí)一個(gè)級(jí)聯(lián)分類(lèi)器來(lái)進(jìn)行車(chē)輛檢測(cè)。此外還采用了軟級(jí)聯(lián)結(jié)構(gòu)[10]來(lái)快速學(xué)習(xí)和排除負(fù)樣本。軟級(jí)聯(lián)看作一個(gè)AdaBoost分類(lèi)器，每個(gè)弱分類(lèi)器有一個(gè)終點(diǎn)。每個(gè)迭代過(guò)程中，一個(gè)深度二次元樹(shù)作為弱分類(lèi)器被學(xué)習(xí)，當(dāng)前AdaBoost分類(lèi)器的閾值也被學(xué)習(xí)。多個(gè)深度二次元樹(shù)被組合成一個(gè)強(qiáng)分類(lèi)器。

2實(shí)驗(yàn)結(jié)果

為對(duì)本文提出的算法進(jìn)行測(cè)試，采用了合肥交通局提供的交通監(jiān)控圖像。實(shí)驗(yàn)圖像由10個(gè)相機(jī)在合肥不同的路口進(jìn)行采集，原始圖像大小覆蓋范圍為1 920×1 080～2 448×2 048。圖1顯示了部分車(chē)輛圖像。

圖1　實(shí)驗(yàn)圖像

用于訓(xùn)練的樣本是1 499張圖像中的4 957個(gè)車(chē)輛，大小歸一化為24×24，負(fù)樣本由不包含車(chē)輛圖像的24 840個(gè)樣本組成。最終的檢測(cè)器包含1 226個(gè)深度二次元樹(shù)，46 401個(gè)NPD特征。NPD特征的計(jì)算可以通過(guò)查表法來(lái)加速計(jì)算。

使用3 568個(gè)車(chē)輛圖像對(duì)算法進(jìn)行測(cè)試，正確檢測(cè)的評(píng)價(jià)標(biāo)準(zhǔn)是檢測(cè)出的目標(biāo)框與標(biāo)記的框交并比大于某一閾值，本文將閾值取為0.5。將車(chē)輛圖像分為較難、中等和較易3個(gè)數(shù)據(jù)集，對(duì)應(yīng)每個(gè)數(shù)據(jù)集的車(chē)輛數(shù)目分別為1 073、960和1 535，每種車(chē)輛數(shù)據(jù)集對(duì)應(yīng)的檢測(cè)結(jié)果如表1所示。由圖2的檢測(cè)結(jié)果可以看出，本文提出的方法對(duì)不同尺度、不同角度的車(chē)輛魯棒性較好。

表1　檢測(cè)結(jié)果比較

圖2　車(chē)輛檢測(cè)結(jié)果

另外，為了與之前的方法進(jìn)行對(duì)比，使用NEGRI P[7]提出的HOG和Haar組合特征在相同的訓(xùn)練集上訓(xùn)練AdaBoost分類(lèi)器，負(fù)樣本從362張不含車(chē)輛的圖片隨機(jī)裁切，使用訓(xùn)練好的分類(lèi)器對(duì)3個(gè)難度不同的測(cè)試集進(jìn)行測(cè)試，結(jié)果如表1所示。實(shí)驗(yàn)結(jié)果表明本文所使用的NPD特征在檢測(cè)性能上超越了HOG和Haar特征，對(duì)于降采樣后平均尺寸為640×480的圖像，檢測(cè)一張圖像NPD約需200 ms，而HOG-Haar組合特征約需1 s。

3結(jié)論

針對(duì)海量視頻中的快速有效車(chē)輛檢測(cè)問(wèn)題，本文提出了一種改進(jìn)的AdaBoost算法，結(jié)合歸一化像素差值特征(NPD)和深度二次方樹(shù)(DQT)來(lái)提高模型的表示能力，通過(guò)各種角度的車(chē)輛樣本訓(xùn)練得到改進(jìn)的AdaBoost車(chē)輛檢測(cè)器。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)AdaBoost算法相比較，本文算法能夠快速有效地檢測(cè)前后面、側(cè)面的車(chē)輛，具有一定實(shí)用性。

[1] SEKI M, FUJIWARA H, SUMI K. A robust background subtraction method for changing background[C].Applications of Computer Vision, 2000, Fifth IEEE Workshop on. IEEE, 2000: 207-213.

[2] 李喜來(lái), 李艾華, 白向峰. 智能交通系統(tǒng)運(yùn)動(dòng)車(chē)輛的光流法檢測(cè)[J]. 光電技術(shù)應(yīng)用, 2010, 25(2):75-78.

[3] STAUFFER C, GRIMSON W E L. Adaptive background mixture models for real-time tracking[C].Computer Vision and Pattern Recognition, 1999. IEEE Computer Society Conference on. IEEE, 1999, 2:252.

[4] 金立生, 王巖, 劉景華, 等. 基于 Adaboost 算法的日間前方車(chē)輛檢測(cè)[J]. 吉林大學(xué)學(xué)報(bào): 工學(xué)版, 2014, 3(6): 1604-1608.

[5] NEGRI P, CLADY X, HANIF S， et al. A cascade of boosted generative and discriminative classifiers for vehicle detecti-on [J]. EURASIP Journal on Advances in Signal Processing, 2008(1):1-12.

[6] LIAO S, JAIN A, LI S. A fast and accurate unconstrained face detector [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2014, 38(2):211-223.

[7] SINHA P. Qualitative representations for recognition[C]. Biologically motivated computer vision. Springer Berlin Heidelberg, 2002: 249-262.

[8] VIOLA P, JONES M. Rapid object detection using a boosted cascade of simple features [C].Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on. IEEE, 2001.

[9] FREDMAN J, HASTIE T, TIBSHIRANI R. Additive logistic regression: a statistical view of boosting (with discussion and a rejoinder by the authors)[J]. The annals of statistics, 2000, 28(2): 337-407.

[10] BOURDEV L, BRANDT J. Robust object detection via soft cascade[C].Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on. IEEE, 2005: 236-243.

中圖分類(lèi)號(hào)：TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

DOI：10.19358/j.issn.1674- 7720.2016.13.014

(收稿日期：2016-04-05)

作者簡(jiǎn)介：

連捷(1988-)，男，碩士，助理工程師，主要研究方向：智能交通圖像處理和模式識(shí)別。

An efficient vehicle detection method based on pixel difference features

Lian Jie

(China Electronics Technology Group Corporation No.38 Research Institute, Hefei 230088, China)

Abstract:An efficient vehicle detection algorithm is proposed for traffic surveillance images, which is based on a new image feature called Normalized Pixel Difference (NPD).A deep quadratic tree is constructed to learn the optimal subset of NPD features and their combinations. And AdaBoost algorithm is used to select discriminative features and form a strong classifier. A dataset with three viewpoints, which consists of more than 3 500 images is used to test the proposed method. The experimental results indicate that compared with the HOG and Haar combination feature, the proposed NPD based method is the best with a detection accuracy of 85.47% and an elapsed time of 200 ms.

Key words:vehicle detection; NPD feature; deep quadratic tree; cascade classifier