特征級(jí)聯(lián)在車(chē)輛檢測(cè)中的應(yīng)用與研究

郭克友，王藝偉，郭曉麗

(北京工商大學(xué) 材料與機(jī)械工程學(xué)院，北京 100048)

?

特征級(jí)聯(lián)在車(chē)輛檢測(cè)中的應(yīng)用與研究

郭克友，王藝偉，郭曉麗

(北京工商大學(xué) 材料與機(jī)械工程學(xué)院，北京 100048)

對(duì)現(xiàn)有的采用機(jī)器學(xué)習(xí)算法檢測(cè)車(chē)輛進(jìn)行研究,分析其存在的不足；表現(xiàn)在特征或者算法單一，對(duì)光照等條件變化魯棒性不夠；針對(duì)這些問(wèn)題，提出一種融合LBP特征與HOG特征，并結(jié)合Adaboost與SVM的車(chē)輛檢測(cè)算法；借鑒級(jí)聯(lián)的思想，首先采用AdaBoost對(duì)訓(xùn)練樣本提取LBP特征進(jìn)行訓(xùn)練，得到的分類(lèi)器用于初步篩選并將其分類(lèi)結(jié)果作為下一層分類(lèi)器的輸入；然后采用SVM算法對(duì)訓(xùn)練樣本提取HOG特征進(jìn)行訓(xùn)練，得到的分類(lèi)器用于二次篩選上一層分類(lèi)器的分類(lèi)結(jié)果；實(shí)驗(yàn)結(jié)果證明Adaboost-SVM相結(jié)合的辦法檢測(cè)結(jié)果精度高，準(zhǔn)確率和召回率均達(dá)到95%以上，F(xiàn)PPW與FPPI的值均在5%左右；同時(shí)由于算法采用的特征對(duì)光照條件具有較強(qiáng)的魯棒性，因此光照條件的變化對(duì)算法的識(shí)別結(jié)果影響較低；實(shí)時(shí)性方面，每幀圖像的處理時(shí)間為75 ms，滿(mǎn)足實(shí)時(shí)性要求。

LBP；HOG；AdaBoost；SVM；級(jí)聯(lián)

0 引言

車(chē)輛檢測(cè)作為安全駕駛的一個(gè)重要方面，在智能交通中扮演著重要的角色。能夠準(zhǔn)確的實(shí)時(shí)的對(duì)視頻序列中的車(chē)輛進(jìn)行穩(wěn)定的檢測(cè)，同時(shí)也是車(chē)輛防碰撞系統(tǒng)的基礎(chǔ)部分。

車(chē)輛檢測(cè)按照背景可以劃分為靜態(tài)背景下的車(chē)輛檢測(cè)和動(dòng)態(tài)背景下的車(chē)輛檢測(cè)。其中這兩種類(lèi)型下如何能夠在復(fù)雜的背景中分割出車(chē)輛部分成為了檢測(cè)過(guò)程中最核心的部分。從靜態(tài)背景中分割出運(yùn)動(dòng)的物體常用的方法有背景差分[1]，通過(guò)將每一幀圖像減去背景，可以很好的分割出運(yùn)動(dòng)的車(chē)輛，但是由于光照或者天氣的變化，背景并不是一成不變的，因此背景也需要根據(jù)這些條件進(jìn)行更新。對(duì)于從動(dòng)態(tài)場(chǎng)景中分割出車(chē)輛，常用的辦法有幀間差分和光流法。幀間差分[2]對(duì)背景的變換有很好的適應(yīng)性，但是差分后的結(jié)果中不僅有車(chē)輛信息，同時(shí)還會(huì)存在一些其他的噪聲，而且如果兩幀圖像之間的差別不是很大的話(huà)，差分時(shí)車(chē)輛的信息也會(huì)有一定的損失。光流法[3]能夠在攝像機(jī)運(yùn)動(dòng)的前提下檢測(cè)出運(yùn)動(dòng)場(chǎng)景中的車(chē)輛，但是光流法計(jì)算量大，同時(shí)如果視頻序列中同樣有其他運(yùn)動(dòng)的物體，會(huì)對(duì)車(chē)輛的分割造成干擾。

除了上述提出的方法，采用機(jī)器學(xué)習(xí)的手段對(duì)目標(biāo)物體進(jìn)行識(shí)別同樣成為了研究熱點(diǎn)。機(jī)器學(xué)習(xí)對(duì)目標(biāo)物體進(jìn)行識(shí)別，通常需要對(duì)目標(biāo)物體提取有效的特征，進(jìn)行恰當(dāng)?shù)挠?xùn)練得到合適的分類(lèi)器對(duì)未知樣本中的目標(biāo)物體進(jìn)行準(zhǔn)確的識(shí)別。其中，文獻(xiàn)《基于最小二乘支持向量機(jī)的車(chē)型識(shí)別算法的研究》中提取了曲線(xiàn)寬度、最大值、波峰數(shù)量、最小波谷值和波谷比組成車(chē)型識(shí)別模型的特征輸入向量，采用最小二乘支持向量機(jī)訓(xùn)練分類(lèi)器進(jìn)行車(chē)輛的檢測(cè)。《一種改進(jìn)的基于視頻的車(chē)輛檢測(cè)與識(shí)別方法中》以及《融合多特征的路面車(chē)輛檢測(cè)方法》通過(guò)對(duì)車(chē)輛的陰影區(qū)域、邊緣分析以及對(duì)稱(chēng)性進(jìn)行分析，但是這些特征極易受到光照的影響，因此檢測(cè)結(jié)果無(wú)疑對(duì)光照的魯棒性不高。

上述方法中，或者是采用了單一的特征[4]，或者是采用了單一的訓(xùn)練手段[5]，采用多特征多種訓(xùn)練手段[6-7]時(shí)，又會(huì)因?yàn)樘卣鞯倪x擇不恰當(dāng)，使得檢測(cè)結(jié)果準(zhǔn)確度不高。本文提出一種基于多特征多訓(xùn)練手段組合的方法進(jìn)行車(chē)輛檢測(cè)的方法。借鑒級(jí)聯(lián)的思想，首先提取車(chē)輛的LBP特征，采用Adaboost算法對(duì)視頻序列中的車(chē)輛進(jìn)行前期檢測(cè)，得到初步的檢測(cè)結(jié)果。然后將LBP分類(lèi)器得到的初步的結(jié)果作為HOG分類(lèi)器的輸入，進(jìn)行二級(jí)檢測(cè)。HOG分類(lèi)器的訓(xùn)練采用支持向量機(jī)。實(shí)驗(yàn)結(jié)果表明，本文提出的方法檢測(cè)結(jié)果相對(duì)于提取單一特征或者采用單一訓(xùn)練方法均有很大的提升，并且對(duì)光照條件有較強(qiáng)的魯棒性。

1 LBP特征和HOG特征

1.1 LBP特征

LBP特征主要是將每個(gè)中心像素的灰度值于其鄰域像素的灰度值進(jìn)行比較，如果鄰域像素的灰度值小于中心像素的灰度值，那么將其位置標(biāo)記為1，反之標(biāo)記為0。經(jīng)過(guò)這樣的處理之后，每個(gè)中心像素都會(huì)在其鄰域內(nèi)對(duì)應(yīng)一個(gè)二進(jìn)制的編碼。該二進(jìn)制編碼即為L(zhǎng)BP特征，LBP特征在提出之后進(jìn)行了很多的改進(jìn)，本文采用的是LBP等價(jià)模式。等價(jià)模式的提出，在不影響識(shí)別精度的前提下大大降低了LBP特征的維數(shù)，同時(shí)也減少了高頻噪聲帶來(lái)的影響。

1.2 HOG特征

HOG特征的提出主要是用于行人檢測(cè)。HOG特征通過(guò)將圖像細(xì)分為block，cell，bin單元，統(tǒng)計(jì)單元內(nèi)的梯度直方圖，然后逆向整合這些直方圖組成整幅圖像的直方圖作為該圖像的特征。HOG特征由于在圖像局部進(jìn)行處理，因此相對(duì)于全局處理的特征，HOG特征對(duì)于圖像在幾何或者光學(xué)上的變化都有很好的不變形。但是由于HOG特征的維數(shù)較大，因此HOG特征分類(lèi)器用于篩選LBP分類(lèi)器篩選之后結(jié)果。

2 Adaboost算法和SVM算法

本文首先采用由Adaboost算法訓(xùn)練的LBP特征分類(lèi)器進(jìn)行初步的篩選。Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的弱分類(lèi)器(弱分類(lèi)器是指分類(lèi)準(zhǔn)確度在50%以上的分類(lèi)器)，同時(shí)計(jì)算每一個(gè)弱分類(lèi)器的權(quán)重。最終的強(qiáng)分類(lèi)器即為這些弱分類(lèi)器的加權(quán)和[8]。Adaboost算法的原理決定了其不用進(jìn)行特征篩選，無(wú)過(guò)擬合的現(xiàn)象，同時(shí)一定情況下，訓(xùn)練樣本數(shù)量越多，其得到的分類(lèi)器效果越好，因此本文將由Adaboost算法訓(xùn)練得到的LBP分類(lèi)器[9]作為第一層篩選機(jī)制。

SVM解決非線(xiàn)性可分問(wèn)題的方法是將低維輸入特征向量非線(xiàn)性映射到一個(gè)高維特征向量空間中，從而將低維線(xiàn)性不可分問(wèn)題轉(zhuǎn)化成高維線(xiàn)性可分問(wèn)題。SVM 是一種有效解決了小樣本識(shí)別問(wèn)題的分類(lèi)器，在較少樣本情況下仍能獲得較高精度、較強(qiáng)的泛化能力，特別適合解決過(guò)程異常模式識(shí)別問(wèn)題。因此本文將SVM訓(xùn)練的HOG分類(lèi)器[10-11]，并將其作為第二層篩選機(jī)制，用于識(shí)別LBP分類(lèi)器篩選后的結(jié)果。

3 訓(xùn)練參數(shù)分析

分類(lèi)器訓(xùn)練過(guò)程中正負(fù)樣本的比例合適與否直接決定了分類(lèi)器最終的檢測(cè)結(jié)果，因此合適的正負(fù)樣本比例是本文研究的首要因素。相對(duì)于A(yíng)daboost算法，SVM算法能夠更有效的解決小樣本識(shí)別問(wèn)題。因?yàn)楸疚牟捎?0 000張左右的正負(fù)樣本訓(xùn)練LBP分類(lèi)器，6 000張左右正負(fù)樣本訓(xùn)練HOG特征分類(lèi)器。

3.1 LBP分類(lèi)器訓(xùn)練參數(shù)分析

訓(xùn)練LBP分類(lèi)器時(shí)，正負(fù)樣本的比例及具體數(shù)目如表1所示。

表1 正負(fù)樣本比例及數(shù)量

通過(guò)對(duì)不同比例的樣本進(jìn)行訓(xùn)練，檢測(cè)結(jié)果顯示，對(duì)于由adaboost訓(xùn)練的LBP分類(lèi)器，在一定的范圍內(nèi)，當(dāng)負(fù)樣本的數(shù)量增多時(shí)，每幀圖像的檢測(cè)時(shí)間呈下降趨勢(shì)，同時(shí)檢測(cè)結(jié)果中誤檢的數(shù)量隨著負(fù)樣本數(shù)量的增多在逐步減少，但是當(dāng)負(fù)樣本于正樣本比例大于1時(shí)，會(huì)出現(xiàn)一定的漏檢情況。圖1是本文研究的5種比例的時(shí)間消耗情況，處理的圖像為480×240。

圖1 樣本比例與處理時(shí)間關(guān)系圖

研究過(guò)程中樣本數(shù)量相對(duì)較大，同時(shí)城市道路交通中車(chē)尾變化情況相對(duì)簡(jiǎn)單，主要集中于家用轎車(chē)、公交等車(chē)型，因此5種比例下檢測(cè)結(jié)果的TPR(檢測(cè)精度)值基本為1。

(1)

其中：TP表示被模型預(yù)測(cè)為正的正樣本，F(xiàn)N值為被模型預(yù)測(cè)為負(fù)的正樣本。TRP值為1的原因?yàn)閷?duì)于每種比例的分類(lèi)器FN值基本為0，即所有分類(lèi)器都能夠正確的檢測(cè)到正樣本。

同時(shí)針對(duì)5種比例分別統(tǒng)計(jì)了每種比例1000幀圖像中漏檢數(shù)量和誤檢數(shù)量。

從圖2中可得，當(dāng)比例為1/1時(shí)漏檢數(shù)量與誤檢數(shù)量均較低，因此本文選擇比例為1/1的LBP分類(lèi)器作為第一篩選機(jī)制。

圖2 漏檢誤檢數(shù)量圖

3.2 HOG分類(lèi)器訓(xùn)練參數(shù)介紹

HOG分類(lèi)器的訓(xùn)練采用的是SVM算法，由于SVM算法是針對(duì)小樣本進(jìn)行訓(xùn)練，在實(shí)驗(yàn)室已有研究基礎(chǔ)上，本文選擇正負(fù)樣本總數(shù)為6 000張左右同時(shí)比例為1:1進(jìn)行HOG分類(lèi)器的訓(xùn)練。

4 實(shí)驗(yàn)結(jié)果分析

4.1 實(shí)驗(yàn)視頻

本文分別選用了晴天，雨天，過(guò)橋洞，陰天4種不同的天氣狀況進(jìn)行檢測(cè)。實(shí)驗(yàn)結(jié)果證明，本文提出的方法對(duì)這幾種光照條件有很好的魯棒性。圖3為檢測(cè)結(jié)果。

圖3 檢測(cè)結(jié)果示意圖

4.2 樣本檢測(cè)精度分析

對(duì)于正樣本的識(shí)別結(jié)果，采用F1-measure進(jìn)行結(jié)果分析，其中F1值[12]的計(jì)算如公式(1)所示。

(2)

(3)

(4)

其中：TP值是指被模型預(yù)測(cè)為正的正樣本的數(shù)量；FP是指被模型預(yù)測(cè)為為正的負(fù)樣本；TN是指被模型預(yù)測(cè)為負(fù)的負(fù)樣本數(shù)量，F(xiàn)N是指被模型預(yù)測(cè)為負(fù)的正樣本[13]。在本文選用的3 208幀圖像作為預(yù)測(cè)結(jié)果分析，具體數(shù)量如表2所示。

表2 樣本檢測(cè)結(jié)果

由公式(1)(2)(3)可得，各個(gè)指標(biāo)的值如表3所示。

表3 正樣本準(zhǔn)確度

同時(shí)，對(duì)于誤檢結(jié)果，采用FPPW與FPPI兩個(gè)指標(biāo)進(jìn)行分析。FPPW (False Positive per Window)是指給定一定數(shù)目N的負(fù)樣本圖像，分類(lèi)器將負(fù)樣本判定為“正”的次數(shù)FP，其比率FP/N即為FPPW。由表(3)可得FPPW的值為5.3%。

(5)

FPPI (False Positive per Image) 的計(jì)算方法為在每張圖像上運(yùn)行分類(lèi)器，檢測(cè)目標(biāo)并得到位置p。然后，檢查每張圖像內(nèi)的檢測(cè)結(jié)果是否“擊中”標(biāo)定的目標(biāo)：

1)若圖像內(nèi)無(wú)目標(biāo)，而分類(lèi)器給出了n個(gè)“目標(biāo)”檢測(cè)結(jié)果，那么False Positive 次數(shù) +n；

2)若圖像內(nèi)有目標(biāo)，則判斷p是否擊中L，若判斷未擊中，

則False Positive 次數(shù) +1。

最后:

(6)

表4 正樣本準(zhǔn)確度

5 結(jié)論

本文采用兩種特征，針對(duì)兩種特征分別選用兩種不同的訓(xùn)練手段訓(xùn)練分類(lèi)器。處理的每幀圖像大小為480×240大小，計(jì)算機(jī)硬件為內(nèi)存3 G，主頻為2.83 GHz，每幀圖像處理時(shí)間為7 5 ms左右。實(shí)驗(yàn)結(jié)果顯示，本文提出的方法對(duì)光照有較強(qiáng)的魯棒性，同時(shí)檢測(cè)結(jié)果的精確度和召回率均達(dá)到95%。但由于硬件條件的限制，當(dāng)前方車(chē)輛相距較遠(yuǎn)時(shí)，車(chē)尾特征不清晰，因此無(wú)法正確檢測(cè)出遠(yuǎn)距離的車(chē)輛，有待進(jìn)一步研究。

[1] 盧章平,孔德飛,李小蕾,等. 背景差分與三幀差分結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 計(jì)算機(jī)測(cè)量與控制,2013(12):3315-3318.

[2] 劉 鑫,劉 輝,強(qiáng)振平,等. 混合高斯模型和幀間差分相融合的自適應(yīng)背景模型[J]. 中國(guó)圖象圖形學(xué)報(bào),2008(4):729-734.

[3] 劉 潔. 基于光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法研究[D].徐州：中國(guó)礦業(yè)大學(xué),2015.

[4] 楊先鳳,楊 燕. 一種基于HOG-LBP的高效車(chē)輛檢測(cè)方法[J]. 計(jì)算機(jī)工程,2014(9):210-214.

[5] 李文勇,陶漢卿. 基于最小二乘支持向量機(jī)的車(chē)型識(shí)別算法研究[J]. 公路交通科技,2010(1):101-105.

[6] 魏 武,龔樹(shù)鋒,龔樹(shù)超. 一種改進(jìn)的基于視頻的車(chē)輛檢測(cè)與識(shí)別方法[J]. 計(jì)算機(jī)測(cè)量與控制,2010,01:20-22.

[7] 沈 峘,李舜酩,柏方超,等. 融合多種特征的路面車(chē)輛檢測(cè)方法[J]. 光電子.激光,2010(1):74-77.

[8] 曹 瑩,苗啟廣,劉家辰,等. AdaBoost算法研究進(jìn)展與展望[J]. 自動(dòng)化學(xué)報(bào),2013(6):745-758.

[9] 葉劍華,劉正光. 基于局部二值模式和級(jí)聯(lián)AdaBoost的多模態(tài)人臉識(shí)別[J]. 計(jì)算機(jī)應(yīng)用,2008(11):2853-2855.

[10] 馬蓓蓓. 基于HOG特征的車(chē)輛檢測(cè)技術(shù)研究[D].廣州：華南理工大學(xué),2015.

[11] 徐 淵,許曉亮,李才年,等. 結(jié)合SVM分類(lèi)器與HOG特征提取的行人檢測(cè)[J]. 計(jì)算機(jī)工程,2016(1):56-60.

[12] 黃 浩,徐海華,王羨慧,等. 自動(dòng)發(fā)音錯(cuò)誤檢測(cè)中基于最大化F1值準(zhǔn)則的區(qū)分性特征補(bǔ)償訓(xùn)練算法[J]. 電子學(xué)報(bào),2015(7):1294-1299.

[13] 袁 文. 基于稀疏表示的行人檢測(cè)方法研究[D].南京：南京理工大學(xué),2015.

Application and Research of Feature-Cascade in Vehicle Detection

Guo Keyou, Wang Yiwei, Guo Xiaoli

(School of Material Science and Mechanical Engineering, Beijing Technology and Business University, Beijing 100048, China)

Do researches on the existing machine learning algorithms of vehicles detecting and analyze the disadvantages, which lie in using single feature or single ML algorithms, or not robust enough of illumination and other condition changes. For these problems, a vehicle detecting algorithm is presented based on fusion of LBP and HOG features and combining the Adaboost and SVM. Referencing cascade thought, the algorithm first extracts LBP features of training samples by AdaBoost and the classifier is used for initial classification. Classification results act as the inputs of next classifier. Then HOG features of training samples are extracted by SVM and the resulting classifier is applied to classify the above results. Experiments show that AdaBoost-SVM method accuracy rate and recall rate both are above 95% and the value FPPW of FPPI are about 5%. At the same time the proposed method is robust to lighting conditions because of the selected features. In the aspects of real-time, each frame processing time is 75ms which meets the real-time requirements.

LBP; HOG; AdaBoost; SVM; cascade

2016-06-14；

2016-07-18。

交通運(yùn)輸部信息化科技項(xiàng)目(No.2012-364-835-110)。

郭克友(1975-), 男, 黑龍江人, 博士后, 副教授, 碩士生導(dǎo)師，主要從事汽車(chē)安全駕駛方向的研究。

1671-4598(2016)09-0080-03

10.16526/j.cnki.11-4762/tp.2016.09.022

TP311.1

A