基于改進(jìn)灰色模型的前車檢測(cè)與跟蹤算法

陳戈珩， 潘曉旭， 楊 林， 胡明輝

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

?

基于改進(jìn)灰色模型的前車檢測(cè)與跟蹤算法

陳戈珩， 潘曉旭*， 楊 林， 胡明輝

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

基于改進(jìn)GM(1，1)模型, 依據(jù)車底陰影特征自適應(yīng)確定目標(biāo)假設(shè)區(qū)域，利用邊緣對(duì)稱性和紋理特征兩層約束驗(yàn)證車輛區(qū)域，排除虛假目標(biāo)。應(yīng)用改進(jìn)的GM(1，1)預(yù)測(cè)下一幀目標(biāo)位置, 結(jié)果表明,可以實(shí)現(xiàn)前方車輛的檢測(cè)與跟蹤。

前車檢測(cè)； 前車跟蹤； GM(1，1)

0 引 言

自上世紀(jì)50年代，基于視覺的道路環(huán)境理解已經(jīng)成為安全輔助駕駛系統(tǒng)研究領(lǐng)域的熱門話題，準(zhǔn)確地定位路面上的主要障礙物車輛是非常必要的?；谲囕d攝像頭定位前方車輛的技術(shù)難點(diǎn)是：不僅圖像中的目標(biāo)車輛在運(yùn)動(dòng)，而且攝像機(jī)、目標(biāo)和背景環(huán)境之間存在著相對(duì)運(yùn)動(dòng)。常用的基于視覺的前車檢測(cè)與跟蹤方法存在特征點(diǎn)匹配難度大、硬件成本較高和計(jì)算復(fù)雜的不足，Kalman濾波存在著可能發(fā)散以及噪聲參數(shù)和初值選取困難等問題，而且其通常假設(shè)運(yùn)動(dòng)目標(biāo)做勻加速或勻速直線運(yùn)動(dòng)，與實(shí)際運(yùn)動(dòng)情況不符，跟蹤準(zhǔn)確度不高[1-2]?；疑到y(tǒng)理論具有小樣本、可檢驗(yàn)、運(yùn)算簡(jiǎn)單等優(yōu)點(diǎn)[3-5]，無需假設(shè)目標(biāo)運(yùn)動(dòng)規(guī)律和隨機(jī)噪聲參數(shù)即能估計(jì)預(yù)測(cè)目標(biāo)。文中給出一種基于GM(1,1)模型的前方車輛檢測(cè)和跟蹤方法，而且針對(duì)灰色系統(tǒng)理論長(zhǎng)期預(yù)測(cè)精度低的不足，給出了改進(jìn)的GM(1，1)算法。

1 預(yù)處理

由于復(fù)雜的外界環(huán)境，車載圖像中蘊(yùn)含著許多無用信息和噪聲?；叶然紙D像后對(duì)其高斯濾波去噪，天空與路面相比具有較高灰度值，且在路面和天空相接處有一個(gè)較大的亮度差異變化，選擇水平均值分布曲線上部起第一個(gè)最小值所在的行作為天空和路面區(qū)域的分界線；靠近攝像機(jī)的路面區(qū)域通常最暗且無車輛，選擇水平均值曲線上部起第二個(gè)最小值所在的行作為感興趣區(qū)域的下邊緣，水平均值分布曲線和感興趣區(qū)域(ROI)分別如圖1和圖2所示。

圖1 水平均值分布曲線

圖2 感興趣區(qū)域(ROI)

2 前方車輛檢測(cè)

車輛的灰度和邊緣對(duì)稱性、紋理、輪廓、運(yùn)動(dòng)以及車底陰影等特征均可用于檢測(cè)前車，然而受復(fù)雜路況和光照影響，可能存在誤檢，必須進(jìn)行驗(yàn)證，故檢測(cè)算法分車輛區(qū)域假設(shè)生成和假設(shè)驗(yàn)證兩步[6-8]。

無論光照明暗，目標(biāo)車輛大小、運(yùn)動(dòng)狀態(tài)如何，車輛底部陰影總是存在，統(tǒng)計(jì)路面分界線以下的路面像素，計(jì)算其均值μ和標(biāo)準(zhǔn)方差σ，以μ-3σ為閾值二值化ROI，并對(duì)其進(jìn)行形態(tài)學(xué)濾波消除噪聲，得到車底陰影。將y方向上下行相差低于10個(gè)像素的陰影線合并，刪除過長(zhǎng)或過短的陰影線，為提高后續(xù)分析的精度，將陰影線的左右端各擴(kuò)展10%個(gè)像素，采用寬高比為0.9的矩形框粗定位假設(shè)區(qū)域;利用Sobel算子對(duì)粗定位的檢測(cè)區(qū)域進(jìn)行水平和垂直邊緣檢測(cè)，獲得垂直和水平積分投影圖像，垂直投影圖的局部峰值作為車輛的左右邊緣，水平積分投影圖中第一條達(dá)到最大值一半的行為水平上邊緣，從而精定位車輛假設(shè)區(qū)域。檢測(cè)結(jié)果如圖3所示。

圖3 檢測(cè)結(jié)果

圖3中黑色矩形框?yàn)樽舛ㄎ患僭O(shè)區(qū)域，白色矩形框?yàn)榫ㄎ患僭O(shè)區(qū)域。

利用紋理特征和邊緣對(duì)稱性特征兩層約束驗(yàn)證車輛區(qū)域，排除信息熵小于2.4或邊緣對(duì)稱性小于0.7的假設(shè)區(qū)域，使誤檢率降到最低。

3 前方車輛跟蹤

當(dāng)視頻圖像樣本間隔較短時(shí)，鄰幀之間的目標(biāo)車輛位置有很大的相關(guān)性，前一幀的位置信息可以用來預(yù)測(cè)下一幀的目標(biāo)位置，跟蹤處理是檢測(cè)的補(bǔ)充，而且能改善檢測(cè)效果。

針對(duì)卡爾曼濾波器選取噪聲參數(shù)困難以及需要假設(shè)目標(biāo)運(yùn)動(dòng)規(guī)律的缺點(diǎn)，文中給出了以GM(1,1)模型為基礎(chǔ)的改進(jìn)跟蹤算法。

3.1 灰色預(yù)測(cè)模型GM(1,1)

灰色模型是基于關(guān)聯(lián)空間、光滑離散函數(shù)等概念利用離散數(shù)據(jù)列建立的微分方程形式的動(dòng)態(tài)模型，GM(1,1)表示單變量一階方程的灰色模型，其灰微分方程為：

則對(duì)x(0)(k)+az(1)(k)=b應(yīng)用最小二乘法得到參數(shù)估計(jì)序列滿足

得到參數(shù)估計(jì)序列后，便可用式(6)預(yù)測(cè)將來的數(shù)據(jù)：

其中

由灰微分方程和參數(shù)估計(jì)序列可知，只要已知3個(gè)數(shù)據(jù)就能進(jìn)行預(yù)測(cè)，隨時(shí)間增長(zhǎng)，獲得的數(shù)據(jù)越來越多，而最開始的數(shù)據(jù)已不再能反映系統(tǒng)當(dāng)前特征，有必要對(duì)GM(1,1)進(jìn)行實(shí)時(shí)更新，其跟蹤原理如圖4所示。

檢測(cè)到連續(xù)三幀車輛位置數(shù)據(jù)后，構(gòu)建GM(1,1)模型，對(duì)車輛下一幀位置進(jìn)行預(yù)測(cè)，在第4幀圖像的跟蹤窗口判斷搜尋車輛的實(shí)際位置，加入實(shí)際的位置數(shù)據(jù)更新模型，預(yù)測(cè)第5幀中車輛的位置，獲得第5幀實(shí)際位置后，舍棄第1幀數(shù)據(jù)更新模型預(yù)測(cè)下一幀，如此循環(huán)實(shí)現(xiàn)車輛預(yù)測(cè)跟蹤。其中，位置數(shù)據(jù)為車輛檢測(cè)區(qū)域的重心坐標(biāo)，包括X坐標(biāo)和Y坐標(biāo)，故需要分別建立X、Y坐標(biāo)的GM(1，1)完成跟蹤。用前4個(gè)數(shù)據(jù)預(yù)測(cè)下一數(shù)據(jù)的GM(1,1)模型計(jì)算過程如下：

因此預(yù)測(cè)值為:

為改善GM(1,1)長(zhǎng)期預(yù)測(cè)精度低的不足，需要對(duì)GM(1,1)模型進(jìn)行改進(jìn)，假設(shè)最新一幀實(shí)際位置數(shù)據(jù)為x1(4)，預(yù)測(cè)位置數(shù)據(jù)為x0(4)，實(shí)際值與預(yù)測(cè)值殘差為：

用上一幀的預(yù)測(cè)偏差修正模型的預(yù)測(cè)結(jié)果作為本幀的預(yù)測(cè)結(jié)果如下:

3.2 計(jì)算似然函數(shù)

為驗(yàn)證跟蹤的區(qū)域是否為目標(biāo)車輛，文中提出一種新型的匹配函數(shù)l，其值由模板(上一幀預(yù)測(cè)位置的真實(shí)值)和預(yù)測(cè)窗口熵之差、平均灰度差、灰色對(duì)稱性和邊緣對(duì)稱性決定，其定義式如下：

式中： EdgeVSym，GreyHSym----分別是矩形預(yù)測(cè)窗口的邊緣對(duì)稱性和水平灰度對(duì)稱性；

EntropyDiff,GreyDiff----分別是模板和預(yù)測(cè)窗口之間的熵和灰度差值;

f----評(píng)價(jià)函數(shù)。

l在 [0,1]內(nèi)取值。其值越大,越可能是目標(biāo)車輛，判別閾值為0.5，如果l大于該閾值,判別為車輛，更新參考模板,繼續(xù)跟蹤下一幀，否則重新檢測(cè)目標(biāo)車輛。

4 實(shí)驗(yàn)結(jié)果分析

選取PETS2001的視頻圖像序列驗(yàn)證基于改進(jìn)GM(1,1)的前車檢測(cè)和跟蹤算法的魯棒性和實(shí)時(shí)性，部分幀的跟蹤結(jié)果如圖5所示。

圖5 第288幀到388幀部分圖像的跟蹤結(jié)果

該算法可以在較短的時(shí)間內(nèi)準(zhǔn)確檢測(cè)跟蹤到目標(biāo)車輛。將前15 s的視頻圖像(共376幀)每隔15幀提取一幅關(guān)鍵幀圖像，共26幀，對(duì)其進(jìn)行檢測(cè),跟蹤結(jié)果如圖6所示。

(a) 水平方向預(yù)測(cè)結(jié)果

(b) 垂直方向預(yù)測(cè)結(jié)果

圖6中，橫、縱坐標(biāo)模型的預(yù)測(cè)跟蹤平均誤差分別為0.031 3、0.007 3，能夠滿足跟蹤對(duì)準(zhǔn)確率的高要求。

5 結(jié) 語

給出的改進(jìn)灰色預(yù)測(cè)模型可以彌補(bǔ)GM(1，1)長(zhǎng)期預(yù)測(cè)精度不高的缺點(diǎn)，大大減少了預(yù)測(cè)誤差，縮小了搜索范圍，提高了實(shí)時(shí)性。以上算法目前僅考慮日間車輛的檢測(cè)跟蹤，后續(xù)工作將進(jìn)一步研究各種光照條件和夜間前車的檢測(cè)跟蹤。

[1] 王海,陳軍.基于局部Gabor特征匹配和Kalman濾波的車輛跟蹤算法[J].現(xiàn)代交通技術(shù), 2015,12(1):36-40.

[2] 張江山,朱光喜.一種基于Kalman濾波的視頻對(duì)象跟蹤方法[J].中國(guó)圖象圖形學(xué)報(bào):A 輯,2002,7(6):606-609.

[3] 王江榮.基于灰色 GM(1,1)和小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型及應(yīng)用[J].自動(dòng)化與儀器儀表,2011(6):88-90.

[4] 袁基煒,史忠科.一種基于灰色預(yù)測(cè)模型GM(1,1)的運(yùn)動(dòng)車輛跟蹤方法[J].控制與決策,2006,21(3):300-304.

[5] 何俊,劉會(huì)茹,張彥群.基于GM(1, 1)的可變季節(jié)指數(shù)預(yù)測(cè)模型[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2012,33(1):16-20.

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

[7] 譚學(xué)治,韓藝.動(dòng)態(tài)背景下運(yùn)動(dòng)車輛的檢測(cè)與跟蹤研究[J].移動(dòng)通信,2015(11):80-85.

[8] Weina L, Shuyao T, Lihong Z, et al. Preceding vehicle detecting and tracking for intelligent vehicles[C]// Industrial and Information Systems (IIS),2010 2nd International Conference on. IEEE,2010:306-309.

Preceding vehicle detection and tracking algorithm based on modified grey model

CHEN Geheng, PAN Xiaoxu*, YANG Lin, HU Minghui

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

Based on improved GM(1,1) model, the hypothesis vehicle region is self-adjustably defined according to the feature of the shadow underneath a vehicle, and then the region is verified with edge symmetry and texture feature constraints to eliminate the false target. With the modified GM(1,1) algorithm is used to predict the next frame of the target position, and the results show that it is feasible for front vehicle detection and tracking.

front vehicle detection; tracking; GM(1,1).

10.15923/j.cnki.cn22-1382/t.2017.1.07

2016-07-17

教育部“春暉計(jì)劃”基金資助項(xiàng)目(403-004077003)

陳戈珩(1961-)，女，漢族，吉林長(zhǎng)春人，長(zhǎng)春工業(yè)大學(xué)教授，主要從事數(shù)字信號(hào)處理及應(yīng)用方向研究,E-mail:chengeheng@ccut.edu.cn. *通訊作者：潘曉旭(1989-)，女，蒙古族，遼寧凌源人，長(zhǎng)春工業(yè)大學(xué)碩士研究生，主要從事數(shù)字信號(hào)處理及應(yīng)用方向研究,E-mail:568308233@qq.com.

TP 391

A

1674-1374(2017)01-0038-05