基于可能性分布合成的車輛提取方法

張 燕

(山西傳媒學院，山西 晉中 030619)

基于可能性分布合成的車輛提取方法

張 燕

(山西傳媒學院，山西 晉中 030619)

為了綜合機載激光掃描與測距系統(tǒng)(LIDAR)異源數(shù)據(jù)所能提供的車輛高度、強度及輪廓等信息，減少目標與特征對應關(guān)系不明確對車輛識別的影響，以取得更好的車輛識別效果，提出了基于可能性分布合成的 LIDAR數(shù)據(jù)車輛提取方法。首先，定義了差值融合規(guī)則對LIDAR首次回波與末次回波圖像進行融合，并依據(jù)高度特征和面積特征分離地物點并去除大面積聯(lián)通區(qū)域，提取出車輛預識別區(qū)域；其次，提取二值圖像中的區(qū)域長寬比特征，并結(jié)合強度圖像與可見光圖像構(gòu)建區(qū)域強度比特征；最后，對兩種特征分別構(gòu)造可能性分布，并進行分布的合成，以實現(xiàn)異源數(shù)據(jù)的協(xié)同決策。實驗證實該方法有效。

機載激光掃描與測距系統(tǒng)數(shù)據(jù)；車輛提??；可能性分布合成；決策

監(jiān)測和識別車輛能夠為交通規(guī)劃、高峰期車流量估計和車輛統(tǒng)計等應用提供數(shù)據(jù)依據(jù)[1]。學者們早期應用遙感航空影像數(shù)據(jù)進行車輛的識別和提取。但由于數(shù)據(jù)分辨率過低，并且大部分遙感影像中都會摻雜大量的噪聲，導致車輛識別難以進行。特別是在城市中，由于高大建筑物和樹木的遮擋，車輛常停在陰影處，使得車輛的識別更加困難。Eikvil等[2]對利用衛(wèi)星圖像進行車輛識別的方法進行了總結(jié)，并歸納出導致衛(wèi)星圖像識別車輛準確率低的 2個原因：①車輛受到陰影的遮擋，使的識別難以進行；②由于車輛停的位置一般在馬路兩側(cè)，因此很容易與人行道周邊的低矮樹木混淆，導致識別錯誤。

近年來，用于車輛識別的數(shù)據(jù)從單一的光譜圖像轉(zhuǎn)變?yōu)榕c機載激光掃描與測距系統(tǒng)(light detection and ranging data，LIDAR)數(shù)據(jù)相結(jié)合。LIDAR系統(tǒng)能夠獲取地物不同的信息，如高程和強度。孫美玲等[3]提出了一種基于像素和面向?qū)ο蠓诸惖钠囂崛》椒?，?gòu)造了多種特征進行汽車判別，但由于對多特征的決策是“與”的關(guān)系，導致實驗結(jié)果漏檢率較高。Yao等[4]通過分析地物類別間關(guān)系進行點云濾波，將汽車分類為地面點，然后采用提取感興趣區(qū)域(region of interest，ROI)和標記控制分割的方法提取汽車，由于在提取過程中未考慮區(qū)域特征，導致識別率較低，而且實驗區(qū)域地物類別較單一，無法證實方法的魯棒性。Zhang等[5]融合LIDAR數(shù)據(jù)和光譜圖像中的數(shù)據(jù)進行車輛檢測，首先利用光譜圖像中的區(qū)域特征生成潛在區(qū)域，再根據(jù)LIDAR數(shù)據(jù)中提供的信息進行相關(guān)車輛的識別，該方法相比基于視覺的方法效果有所提升。另外，許多監(jiān)督分類方法如支持向量機和馬爾科夫隨機場等，需要訓練大量的樣本，消耗時間。

汽車具有特殊的形狀特征和材料特質(zhì)，因此在各LIDAR數(shù)據(jù)源中能表現(xiàn)出較強的區(qū)域一致性，利用區(qū)域特征進行汽車識別能夠得到較好的效果[6]。但由于LIDAR數(shù)據(jù)的多樣性，在結(jié)合不同性質(zhì)的數(shù)據(jù)構(gòu)建特征時，難以利用特征值的大小對該區(qū)域是否為車輛進行判斷，即車輛的特征值范圍是不確定的，并且這種不確定性用傳統(tǒng)概率及經(jīng)典集合無法表征?？赡苄岳碚撌且环N日漸成熟的處理不確定性問題的方法[7]，其通過建立可能性分布來實現(xiàn)對不確定性信息的表征，并且利用適當?shù)姆植己铣梢?guī)則及決策規(guī)則實現(xiàn)對多種不確定信息的統(tǒng)一決策。因此本文利用可能性分布合成理論來進行車輛提取，通過構(gòu)造各特征的可能性分布，并對其進行合成，達到多特征協(xié)同決策的目的，實現(xiàn)車輛的提取與統(tǒng)。

1 特征提取

1.1 方法框架

車輛提取方法的流程(圖1)：①進行地物的粗劃分。利用差值融合方法對首、末次高程回波進行融合，得到包含地物高程信息的融合圖像?；诮y(tǒng)計信息構(gòu)建車輛的高程閾值與面積閾值，并分別對融合圖像進行閾值劃分，得到車輛預識別區(qū)域。②構(gòu)建強度比和區(qū)域長寬比兩種特征，并分別構(gòu)造相應的可能性分布。③利用T-模、S-模等算子構(gòu)造可能性分布合成規(guī)則進行分布的合成，決策得到最終的分類結(jié)果。

圖1 本文方法的框架

1.2 特征空間

(1) 高度特征。車輛的高度處于地面和建筑之間，而且與兩者有著明顯的高度差，因此在高程圖像中的特征較明顯，可根據(jù)統(tǒng)計信息設立閾值將車輛區(qū)域識別出來。從表1中統(tǒng)計的常見車輛尺寸信息可知，車輛高度范圍一般為1.3～2.2 m。

(2) 區(qū)域面積特征。從表1中可看出，常見車輛的長度范圍在3.6～5.5 m，寬度范圍在1.5～2.2 m，因此車輛區(qū)域的面積范圍為

(3) 長寬比特征。其是一個表征車輛輪廓信息的統(tǒng)計特征，由于車輛的俯視圖外形近似于長方形，且其長度和寬度都在一定范圍內(nèi)，因此其長寬比范圍也較固定。確定車輛所在區(qū)域的外接矩形，并根據(jù)表1確定車輛區(qū)域的長寬比的范圍

(4) 區(qū)域強度比特征。該特征的構(gòu)建利用了車輛材質(zhì)不同于其他地物的特點，車頂?shù)牟馁|(zhì)一般為金屬，而激光在金屬上的反射率較大，使得在強度圖像中，車輛區(qū)域有較大的灰度值。另外，將可見光圖像從RGB顏色空間轉(zhuǎn)化為HIS空間，其中，H表示圖像的色調(diào)；I表示亮度或強度，S表示色飽和度。由于光反射原理，車輛在亮度圖I中也有較大的值。根據(jù)以上物理原理，以結(jié)構(gòu)相似度為基礎構(gòu)建區(qū)域強度比特征如下

其中，m為均值；σ為方差；i為HIS空間中的I分量；j為LIDAR強度值。結(jié)構(gòu)相似度是評價圖像相似程度的重要評價指標，因此IIP特征可用來描述車輛區(qū)域的LIDAR強度圖像與HIS空間中的強度值的相似程度，并且兩種特征值越相似，IIP的值越接近1。

表1 常見車型的外型信息(m)

2 識別方法

2.1 預識別區(qū)域提取

2.1.1 高程閾值分類

在以往的地物分類過程中，由于LIDAR數(shù)據(jù)首次回波DSMFE與DSMLE末次回波兩種特征在大部分地物中都表現(xiàn)出較強的一致性，常將二者相減構(gòu)建HD(height difference)特征，以突顯建筑邊緣及樹木頂端等差異特征。文中DSMFE與DSMLE在汽車區(qū)域的特征相近，但DSMFE受到樹木遮擋的影響，使得部分汽車無法識別。因此本文提出了一種針對高程圖像中車輛提取的差值融合方法，公式如下

其中，Max為取大操作，選取 DSMFE和 DSMLE中高程值較高的點；Imdilate為形態(tài)學膨脹操作，可擴大HD特征中的邊緣信息。融合圖像可包含較好的車輛高程信息，且去除了首末次回波中的差異信息。同時，由于HD中建筑邊緣特征明顯，將其減去可將位置與建筑極為相近的車輛分開，避免利用面積閾值進行劃分時，將建筑與車輛化為同一區(qū)域。DSMFE、DSMLE和融合結(jié)果分別如圖2(a)～(c)所示。根據(jù)表1中數(shù)據(jù)統(tǒng)計可知，車輛高度下限為1.3 m左右，以此為閾值將低于1 m的地物像素賦值為0，得到二值化圖像，如圖2(d)所示。

2.1.2 面積閾值分類

根據(jù)1.2節(jié)中描述的面積特征，提取滿足車輛面積范圍的區(qū)域，作為車輛預識別區(qū)域，并進行形態(tài)學的腐蝕膨脹處理，以修正區(qū)域的邊緣，突顯特征。文中使用的LIDAR數(shù)據(jù)分辨率為0.5 m，因此每個像素所代表的區(qū)域面積為0.25 m2(圖3)。

圖2 高程閾值分類

圖3 汽車預識別區(qū)域

2.2 可能性分布合成理論

可能性理論由 Zadeh通過將可能性的概念與模糊集合緊密聯(lián)系起來于1978年首次提出，并對可能性分布的概念進行了定義[8]。在隨后的幾年里，蘇志遠等[9-11]通過深入研究進一步將可能性理論發(fā)展并豐富。可能性分布是可能性理論中的一項重要內(nèi)容，能夠?qū)κ挛镒兓目赡苄赃M行預測，并且適用于少量數(shù)據(jù)的表征與度量；能夠有效描述幾何間多變的映射，計算復雜度低，在系統(tǒng)可靠性分析、故障診斷及風險評估等領(lǐng)域具有廣泛的應用價值。本文使用的兩種區(qū)域特征，均可通過統(tǒng)計得到其概率分布，且由于區(qū)域數(shù)量較多，因此使用適用于大量樣本的概率分布——可能性分布的轉(zhuǎn)化方法進行可能性分布的構(gòu)造[12]。

2.2.1 概率分布到可能性分布的轉(zhuǎn)換

如果一個支集為[a,b]的連續(xù)概率分布p，p在[a,u0]上為單調(diào)遞增函數(shù)，在[u0,b]上為單調(diào)遞減函數(shù)，u0為單峰值點，即

通過p得到具有最大確定性的最優(yōu)轉(zhuǎn)換

在工程應用中，由于信息匱乏或測量信息精度有限，可采用截性三角形轉(zhuǎn)換來近似最優(yōu)轉(zhuǎn)換。轉(zhuǎn)換形式為

其中，um、un、uε1和uε2滿足 p( um) =p( un)、p( uε1) = p( uε2)。截性三角形近似轉(zhuǎn)換參數(shù)如表2所示，其中σ為概率分布的方差；u0為均值。

表2 正態(tài)分布的截性三角形近似轉(zhuǎn)換參數(shù)

2.2.2 特征可能性分布的構(gòu)造

經(jīng)濟的發(fā)展，影響了各級政府的財務資源，使其都大大增加。除了滿意表演者的基本需求外，還有一些才能來樹立或支撐某些項目。如何正確辦理資金以及如何正確反映這些項目的融資和使用，財務辦理也提出了更高的要求，但行政體系行政體系采用的會計制度難以反映上述情況。

(1) 長寬比的可能性分布構(gòu)造。圖3中89個車輛預選區(qū)域的上、下、左、右 4個方向的邊界點，構(gòu)建外接矩形，如圖 4所示。利用式(2)計算各矩形的長寬比，并統(tǒng)計數(shù)據(jù)的概率分布，由于樣本數(shù)據(jù)量較大，所以可利用正態(tài)分布直接構(gòu)造其可能性分布，通過計算可得各參數(shù)：σ=0.16、u0=0.76、um=0.36、un=1.17、uε1=0.52和uε2=1，直接代入式(8)，則長寬比的可能性分布函數(shù)如式(9)所示。數(shù)據(jù)的概率分布曲線和長寬比的可能性分布如圖5所示。

圖4 區(qū)域長寬比

圖5 長寬比特征的可能性分布

(2) 區(qū)域強度比的可能性分布構(gòu)造。利用正態(tài)分布構(gòu)造區(qū)域強度比特征的可能性分布，通過計算可得各參數(shù)為：u0=0.5、σ=0.299、um=0.27、un=0.73、uε1=0.36和 uε2=0.64，代入式(9)，則區(qū)域強度比的可能性分布函數(shù)如式(10)所示。數(shù)據(jù)的概率分布曲線和區(qū)域強度比的可能性分布如圖6所示。

圖6 區(qū)域強度比的可能性分布

2.3 可能性分布的合成與決策

可能性分布合成是指通過將同一目標或事件不同信息源的多個可能性分布按照一定的規(guī)則或方法進行綜合，獲得比單一可能性分布關(guān)于事件更精確、更可靠的描述與估計。

最基礎的分布合成方法是利用一些算子對多個分布進行運算，這些算子包括T-模算子、S-模算子、平均算子等。在現(xiàn)有模糊算子的基礎上，本文對可能性分布運算進行改進，已知測量數(shù)據(jù)的兩個可能性分布π1和π2，構(gòu)造如下的可能性分布合成規(guī)則

其中，T、S與M分別為T-模算子，S-模算子和平均算子；[b,c]和[c,d]為一致區(qū)間；[a,b]和[d,e]為非一致區(qū)間；N1和N2分別為兩個分布的權(quán)值系數(shù)；supmin(π1(ui), π2(ui))為兩個可能性分布提供信息的一致度，即兩個分布交集的高度(C點高度)。根據(jù)兩分布的物理意義可知：區(qū)域長寬比由車輛形狀決定，而區(qū)域強度比由車輛材質(zhì)決定，兩分布π1和π2不相關(guān)。此時，T (π1,π2)=π1·π2，S （π1,π2）= 1 -T（1-π1,1-π2）= π1+ π2- π1·π2。同時，本文根據(jù)線性可能性分布的斜率k確定分布的權(quán)值系數(shù)為

如圖7(a)所示，各參數(shù)值為：a=0.36、m=0.5、b=0.52、c=(0.595 7，0.384 2)、d=0.64、n=0.76、則式(11)可寫為

另外，依據(jù)式(11)可得可能性分布的合成結(jié)果如圖7(b)所示。

圖7 可能性分布的合成

3 實驗

圖8為實驗所用到的LIDAR數(shù)據(jù)，圖像大小為300×300。數(shù)據(jù)由TopoSys GmbH系統(tǒng)獲取得到，根據(jù)特征的構(gòu)造原理，在該車輛提取過程中，使用了5種LIDAR數(shù)據(jù)，分別為首次回波高程圖像、末次回波高程圖像、高程差圖像、強度圖像和RGB圖像[13]。

3.2 實驗結(jié)果評估

圖9(a)是通過結(jié)合可見光圖像與高程圖像，由人工標注的用于評價分類結(jié)果的標準圖；圖 9(b)為本文算法的分類結(jié)果；圖9(c)為用于評價分類方法有效性的評價圖，其中藍色是被正確識別的車輛，紅色是非車輛區(qū)域被誤識別為車輛的區(qū)域，黃色本應為車輛卻未被識別出的區(qū)域。

(1) 主觀評價。由圖9(c)可看出，大部分的車輛被正確識別出，圖10為幾個漏識別和錯識別區(qū)域的局部放大圖，誤識別區(qū)域主要有3種類型：

①與低矮樹木混淆。如圖10第1行所示，本文方法均將樹木誤識別為車輛，這主要由于這兩棵樹木相對比較低矮，與車輛的高度相近，因此在高程圖像中無法將其進行區(qū)分；另外由于這兩棵樹木是孤立的，且其頂冠較茂密導致在圖像中呈現(xiàn)出類矩形，導致在識別時產(chǎn)生錯誤。

②與垃圾桶或工具房等人造物品混淆。如圖10第2行所示，在兩建筑中間有一塊區(qū)域，其材質(zhì)和高度都與車輛相近，由其位置推斷為垃圾桶或工具房等人造物品被誤識別為車輛。

圖8 LIDAR數(shù)據(jù)源

對于漏識別車輛，如圖10(d)的上圖中黃色區(qū)域，主要原因是兩輛車的間隔太小，或與其他地物相鄰太近，導致利用面積閾值進行判別時被去除。另外，即使是正確識別出的車輛區(qū)域，其區(qū)域內(nèi)也會出現(xiàn)一些錯誤。如圖10(c)的下圖中右下角的區(qū)域，雖被正確識別為車輛區(qū)域，但由于與低矮樹木間距離太近，使得樹木與車輛被劃在同一個區(qū)域內(nèi)。

(2) 客觀評價。本文利用準確率、漏檢率與錯檢率 3種評價指標對該方法的有效性進行評價：錯檢率

其中，D為本文方法所識別出的車輛個數(shù)；K為錯檢數(shù)，即D中實際不是車輛區(qū)域的個數(shù)；B為漏檢數(shù)，即未被準確識別出的車輛區(qū)域的個數(shù)。

圖9 分類結(jié)果

圖10 局部放大圖

統(tǒng)計得到該區(qū)域?qū)嶋H車輛數(shù)為 38，本文算法識別出車輛數(shù)為43，其中錯檢數(shù)為9，漏檢數(shù)為4。利用文獻[3]和[4]中所提出的算法對該區(qū)域進行車輛提取，則各指標值如表3所示。

表3 提取結(jié)果評價指標(%)

從評價指標可以看出，文獻[3]算法有較好的準確率，但由于該算法中的特征間“與”的組合關(guān)系，其漏檢率遠高于本文算法；文獻[4]中方法適用于大面積區(qū)域，但由于過分割的問題，其對于文獻[4]中試驗區(qū)域和本文數(shù)據(jù)的識別準確率均較低，無法滿足實用需求。本文算法能綜合各種LIDAR數(shù)據(jù)的優(yōu)勢，將可見光圖像中難以識別的車輛準確識別出，準確率能夠達到89.4%，同時錯檢率和漏檢率均在可接受范圍內(nèi)，能夠滿足多數(shù)應用的需求。

4 結(jié) 論

本文提出了一種基于可能性分布合成的LIDAR數(shù)據(jù)車輛提取方法，通過構(gòu)建4種車輛特征，并對特征進行可能性分布的構(gòu)建及合成，實現(xiàn)了 LIDAR數(shù)據(jù)中的車輛識別。綜合了LIDAR系統(tǒng)中多源數(shù)據(jù)的特點，減少了目標與特征對應關(guān)系不明確對車輛識別的影響，取得了較好的車輛識別效果，為車輛識別提供了一種新方法。

[1] 張 勇, 牛成磊, 谷正氣, 等. 結(jié)合SURF與SVM的高分遙感影像車輛提取技術(shù)[J]. 湖南工業(yè)大學學報, 2014, 28(2): 67-71.

[2] Eikvil L, Aurdal L, Koren H. Classification- based vehicle detection in high-resolution satellite images [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64: 65-72.

[3] 孫美玲, 李永樹, 陳 強, 等. 基于機載LiDAR點云高程和強度數(shù)據(jù)的城區(qū)汽車目標自動提取[J]. 遙感信息, 2014, 29(5): 73-77.

[4] Yao W, Hinz S, Stilla U. Automatic vehicle extraction from airborne LIDAR data of urban areas aided by geodesic morphology [J]. Pattern Recognition Letters, 2010, (31): 1100-1108.

[5] Zhang F H, Clarke D, Knoll A. Vehicle detection based on LIDAR and camera fusion [C]//2014 IEEE 17th International Conference on Intelligent Transportation Systems (ITSC). New York: IEEE Press, 2014: 1620-1625.

[6] Yang B, Sharma P, Nevatia R. Vehicle detection from low quality aerial LIDAR Data [C]//In IEEE Computer Society’s Workshop on Applications of Computer Vision (WACV), 2011. New York: IEEE Press, 2011: 541-548.

[7] Ji L N, Yang F B, Wang X X, et al. An uncertain information fusion method based on possibility theory in multisource detection systems [J]. Optik, 2014, (125): 4583-4587.

[8] Dubois D, Prade H. The legacy of 50 years of fuzzy sets: a discussion [J]. Fuzzy Sets and Systems, 2015, (281): 21-31.

[9] 蘇志遠, 劉 慧, 李秋萍. 基于模糊C均值圖像抗噪分割方法的研究[J]. 圖學學報, 2015, 36(3): 477-484.

[10] 吉琳娜. 可能性分布合成理論及其工程應用研究[D].太原: 中北大學, 2015.

[11] 周新宇. 基于多源信息不確定性的可能性融合方法研究[D]. 太原: 中北大學, 2012.

[12] 吉琳娜, 楊風暴, 王肖霞, 等. 基于庫水位的壩體安全等級的可能性分析方法[J]. 計算機工程與應用, 2013, 49(11): 224-227.

[13] 馮裴裴, 楊風暴, 衛(wèi) 紅, 等. 基于正態(tài)DS證據(jù)理論的機載LIDAR數(shù)據(jù)地物分類方法[J]. 圖學學報, 2015, 36(6): 926-930.

A Vehicle Detection Method Based on Fusion Theory of Possibility Distribution in LIDAR Data

Zhang Yan
(Communication University of Shanxi, Jinzhong Shanxi 030619, China)

In order to obtain a better vehicle recognition result, this paper proposed a method based on the synthesis of probability distribution of light detection and ranging (LIDAR) data to extract vehicle. By fusing the characteristics of the multi-sources of LIDAR data, and reducing effect caused by the corresponding unclear relationship between objectives and features. Firstly, a difference fusion rule of LIDAR first and last echo image was defined. The height and area feature were obtained and large area Unicom areas were removed, the pre-recognition areas of the vehicle were extracted. Secondly, the value of ratio of length and width of pre-recognition areaswere extracted, and the regional strength characteristics were constructed by combing the intensity image and visible images. Finally, the possibility distributions of these two features were constructed. After fusion and making collaborative decisions, results were obtained. Heterogeneous data proved that this method is effective.

light detection and ranging data; vehicle detection; fusion of possibility distribution; decision making

TP 751.1

10.11996/JG.j.2095-302X.2016060791

A

2095-302X(2016)06-0791-08

2016-04-14；定稿日期：2016-05-21

張 燕(1981?)，女，山西運城人，講師，碩士。主要研究方向為信號與信息處理。E-mail：zhangyan_05@126.com