一種基于類Haar特征和AdaBoost算法的前車檢測方法

余小角，郭 景，徐 凱，王 娜

(中國科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，安徽 合肥 230026)

?

一種基于類Haar特征和AdaBoost算法的前車檢測方法

余小角，郭 景，徐 凱，王 娜

(中國科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，安徽 合肥 230026)

針對智能車輛和安全駕駛輔助系統(tǒng)中車輛檢測問題，提出一種基于類Haar特征和AdaBoost分類器并結(jié)合車輛灰度對稱性驗證的前車檢測方法。使用積分圖方法計算圖像類Haar特征，并對提取的海量類Haar特征應(yīng)用AdaBoost算法進(jìn)行特征選擇及分類器訓(xùn)練，最后使用所選擇的特征及分類器進(jìn)行測試。實驗結(jié)果表明，該方法在陰天和晴天情況下檢測率分別為90.86%、91.15%，可以快速、有效地進(jìn)行前車檢測。

前車檢測；類Haar特征；積分圖；AdaBoost算法

0 引言

車輛安全是現(xiàn)代社會關(guān)注的焦點，在所有交通事故中，車輛追尾事故占很大比例[1]。對前方車輛有效檢測是碰撞預(yù)防的前提，成為車輛安全系統(tǒng)研究的重點。為采集道路信息，系統(tǒng)傳感器有毫米波雷達(dá)、激光雷達(dá)、紅外線和視覺傳感器[1]等。視覺傳感器因價格低廉、不干擾環(huán)境、獲取信息豐富且可供取證分析等優(yōu)勢，成為目前車輛安全系統(tǒng)研究的熱點。

基于視覺的車輛檢測方法有基于特征、運動、模型和機(jī)器學(xué)習(xí)等幾類[1]。特征法利用車輛對稱性、車底陰影、邊緣等特征，因單一特征不穩(wěn)定，通常融合多特征以提高檢測率；基于運動有幀差、背景相減、光流法等。幀差[2]和背景相減法適用于視頻監(jiān)控系統(tǒng)，在道路動態(tài)環(huán)境下應(yīng)用受限；光流法[1]對噪聲敏感且計算量大；模型法需建立模板與檢測圖像匹配，模板依賴性強(qiáng)；機(jī)器學(xué)習(xí)方法從數(shù)據(jù)中提取規(guī)則或模式，魯棒性強(qiáng)。文獻(xiàn)[3-4]利用PCA進(jìn)行特征提取并用SVM、神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行車輛檢測，運算量大，對車載硬件要求高。

鑒于此，受Paul Viola等人[6]在快速人臉檢測領(lǐng)域工作啟發(fā)，本文提出一種基于類Haar特征和AdaBoost分類器進(jìn)行車輛檢測并結(jié)合車輛對稱性驗證的前車檢測算法，實現(xiàn)了結(jié)構(gòu)化道路對前方車輛的快速、有效檢測。

1 算法結(jié)構(gòu)

前車檢測算法包括訓(xùn)練過程和檢測驗證過程。訓(xùn)練過程從海量類Haar特征中選取關(guān)鍵特征，構(gòu)造用于兩類分類問題的AdaBoost強(qiáng)分類器。檢測部分首先對測試樣本提取關(guān)鍵類Haar特征，將特征值輸入AdaBoost進(jìn)行車輛存在性檢測，接著對檢測到的車輛進(jìn)行驗證。算法結(jié)構(gòu)如圖1所示，以下分別對其進(jìn)行介紹。

圖1 前車檢測算法流程

2 相關(guān)工作

2.1 圖像采集和預(yù)處理

訓(xùn)練樣本采集于不同時間和場景下的車輛、非車輛照片，包括高速公路、城市道路、校園環(huán)境等。正樣本選擇不同車型、角度和距離的車輛頭尾部圖片，負(fù)樣本選擇駕駛環(huán)境下的非車輛圖片。共收集15 000張訓(xùn)練樣本，其中5 000張車輛樣本，10 000張非車輛樣本。對所有樣本進(jìn)行圖像灰度化處理，尺寸歸一化為24×24，部分樣本如圖2所示。

圖2 訓(xùn)練樣本示例

2.2 類Haar特征與積分圖計算

類Haar特征[2,5-7]由Papageorgiou等首先提出，Viola等人[6]將其應(yīng)用于人臉檢測，它描述相鄰矩形區(qū)域間的灰度差，是一種簡單有效的特征。車輛的頭尾部存在明顯的矩形特征，如圖2(a)中所示，車牌、尾燈、車后玻璃呈矩形塊狀，灰度值與周圍有明顯差異。本文采用5種特征模板，如圖3所示，特征值用白色區(qū)域與灰色區(qū)域像素和之差計算。

圖3 類Haar特征模板

算法選用的24×24灰度圖包含不同位置、大小特征數(shù)遠(yuǎn)超其像素點數(shù)，若每次計算特征值都重新計算各矩形區(qū)域像素和，將包含大量冗余計算，降低訓(xùn)練和檢測速度，不能滿足檢測系統(tǒng)高實時性要求。為快速有效地計算類Haar特征，算法采用圖像的一種中間表示形式——積分圖像。積分圖是一種二維數(shù)組結(jié)構(gòu)，可實現(xiàn)子區(qū)域的快速求和。利用積分圖可在常數(shù)時間內(nèi)計算圖像上任意矩形區(qū)域像素和，從而快速求得特征值，如圖4所示。

圖4 積分圖計算

點(x,y)處像素值記為i(x,y)，積分圖像值為該點左上角區(qū)域像素和，記為ii(x,y)。對圖像遍歷一次即可快速求出積分圖。

(1)

借助積分圖，可快速計算出類Haar特征值，如圖4所示。圖中點1處值表示區(qū)域A的灰度值，記為ii1，點2處值表示區(qū)域A和B的灰度和，記為ii2，同理，點3、點4處的積分圖值分別為ii3、ii4，矩形區(qū)域D灰度值為(ii4+ii1)-(ii2+ii3)。

2.3 AdaBoost分類器訓(xùn)練

AdaBoost算法是Freund和Schapire[1,6]提出的一種自適應(yīng)boosting算法框架[8]，在訓(xùn)練過程中動態(tài)地調(diào)整樣本權(quán)值，對難分類樣本給予更多重視。初始化時，對同類訓(xùn)練樣本賦予相同權(quán)重，然后對訓(xùn)練樣本集進(jìn)行T輪訓(xùn)練。每輪結(jié)束后，降低正確分類樣本權(quán)重，提高錯誤分類樣本權(quán)重，使下輪訓(xùn)練過程對錯分樣本加以重視，最終達(dá)到所要求的分類性能。T輪訓(xùn)練后獲得T個最佳弱分類器，將其加權(quán)組合成強(qiáng)分類器，分類效果較好的弱分類器的權(quán)重較大。

給定樣本集S，算法如下：

(1)初始化訓(xùn)練數(shù)據(jù)的權(quán)值分布，每一個訓(xùn)練樣本被賦予權(quán)重1/N。

D1=(w11,w12,w13,…w1i…,w1N),w1i=1/N,i=1,2,3,…,N

(2)

(2)進(jìn)行多輪迭代，m=1,2,3,…,M表示輪次

①使用具有權(quán)值分布Dm的訓(xùn)練數(shù)據(jù)集學(xué)習(xí)，得到基本分類器：

Gm(x):x→{-1,+1}

(3)

②計算Gm(x)在訓(xùn)練數(shù)據(jù)集上的分類誤差率:

(4)

Gm(x)在訓(xùn)練數(shù)據(jù)集上的誤差率em計算為被Gm(x)誤分類樣本權(quán)值和。

③計算Gm(x)的系數(shù)，αm表示Gm(x)在最終分類器中的權(quán)重:

(5)

由上式可知，em≤1/2時，αm≥0，且αm隨em減小而增大，分類誤差率越小的基本分類器在最終分類器中的作用越大。

④更新訓(xùn)練數(shù)據(jù)集權(quán)值分布，得到新的樣本權(quán)值分布，用于下一輪迭代

Dm+1=(wm+1,1,wm+1,2,…wm+1,i…,wm+1,N)

(6)

(7)

被基本分類器Gm(x)誤分類樣本的權(quán)值增大，被正確分類樣本的權(quán)值減小。通過這種方式，算法能聚焦于那些難分樣本。Zm是規(guī)范化因子，如下式：

悠悠揚揚：曾經(jīng)很長的時間，我覺得如果沒有一個愛自己的人，真的很悲慘。所有生活的樂趣都沒有了。覺得很害怕，很孤獨。一個人太凄慘了。每當(dāng)這個時候，就覺得世界很黑暗。甚至生活沒有了任何意義。自己會陷入一種非常難受的情緒里。

(8)

(3)組合各弱分類器

(9)

得到最終強(qiáng)分類器，如下：

(10)

2.4 車輛檢測與驗證

車輛檢測過程包括圖像預(yù)處理、類Haar特征提取、積分圖計算及應(yīng)用AdaBoost進(jìn)行分類識別等。使用訓(xùn)練過程選擇的類Haar特征來計算相應(yīng)特征值，構(gòu)成特征向量。

表2 實驗結(jié)果數(shù)據(jù)統(tǒng)計

AdaBoost分類器利用所得到的特征向量檢測車輛是否存在，并確定車輛在圖像中的位置。車輛尾部、頭部存在對稱特征，如灰度對稱性、輪廓對稱性，而非車輛區(qū)域通常不具有這種對稱性。對檢測出車輛的位置進(jìn)行局部輪廓檢測，兩側(cè)輪廓間距W，找出垂直對稱軸，在對稱軸兩側(cè)0.3 W像素范圍內(nèi)進(jìn)行灰度對稱性檢測。驗證時，為了提高實時性，對圖像進(jìn)行抽樣檢測。圖5(a)、(c)中實線為抽樣行，灰度值如圖5(b)、(d)所示。

圖5 車輛頭尾部灰度對稱性

3 實驗及結(jié)果分析

實驗在PC上完成(CPU Intel i7-3770, 3.40 GHz, 內(nèi)存8 GB )，軟件平臺為Windows7 64位系統(tǒng)、VS2010和OpenCV2.4.9搭建的C++開發(fā)環(huán)境，結(jié)合VS2010與OpenCV訓(xùn)練了AdaBoost分類器。采用車載攝像機(jī)拍攝的道路行車視頻，分別在晴天、陰天條件下進(jìn)行前車檢測測試。評價指標(biāo)如表1所示，有檢測率(Detection Rate, DR)、假正率(False Positive Rate, FPR)和平均處理時間。其中，TP、FP、TN、FN分別表示正確檢測車輛數(shù)、將非車輛檢測為車輛數(shù)、正確檢測的非車輛數(shù)和將車輛誤檢為非車輛的數(shù)目。由于前車是檢測目標(biāo)且TN量難以計數(shù)，實驗僅對TP、FP和FN加以統(tǒng)計，數(shù)據(jù)如表2所示，檢測實驗結(jié)果如圖6、圖7所示。結(jié)果表明，本文提出的前車檢測算法檢測率較好、假正率低，平均檢測時間分別為13.36 ms/幀和28.50 ms/幀，滿足高速駕駛實時性要求，不同環(huán)境下的測試結(jié)果也顯示該算法具有良好的魯棒性。

表1 實驗評價指標(biāo)

(11)

(12)

4 結(jié)論

本文提出一種基于Haar特征和AdaBoost分類器并結(jié)合車輛頭尾部灰度對稱性的前車檢測方法。提取類Haar特征時積分圖的使用有效提高了訓(xùn)練和檢測速度，加入車輛灰度對稱性驗證顯著降低了假正率。實驗結(jié)果顯示該方法可以快速、有效地進(jìn)行前車檢測。后續(xù)工作包括算法調(diào)試和實驗測試，并將其集成到實驗室開發(fā)的車輛主動安全軟件項目中去。

[1] 金立生, 王巖, 劉景華, 等. 基于 Adaboost 算法的日間前方車輛檢測[J]. 吉林大學(xué)學(xué)報(工學(xué)版), 2014,44(6): 1604-1608.

[2] 劉洋, 王海暉, 向云露, 等. 基于改進(jìn)的 Adaboost 算法和幀差法的車輛檢測方法[J]. 華中科技大學(xué)學(xué)報 (自然科學(xué)版), 2013,41(S1):379-382.

[3] SIDLA O, PALETTA L, LYPETSKYY Y, et al. Vehicle recognition for highway lane survey[C]. Intelligent Transportation Systems. Proceedings of the 7th International IEEE Conference on. IEEE, 2004: 531-536.

[4] MATTHEWS N D, AN P E, CHARNLEY D, et al. Vehicle detection and recognition in greyscale imagery[J]. Control Engineering Practice, 1996, 4(4): 473-479.

[5] 文學(xué)志,方巍,鄭鈺輝.一種基于類Haar特征和改進(jìn)AdaBoost分類器的車輛識別算法[J].電子學(xué)報,2011,39(5):1121-1126.

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

[7] 李云翀, 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(自然科學(xué)版), 2007, 47(10): 1713-1716.

[8] 李航. 統(tǒng)計學(xué)習(xí)方法[M]. 北京：清華大學(xué)出版社, 2012.

An approach of front vehicle detection based on Haar-like features and AdaBoost algorithm

Yu Xiaojiao, Guo Jing, Xu Kai, Wang Na

(School of Information Science and Technology, University of Science and Technology of China, Hefei 230026, China)

For the problem of vehicle detection in intelligent vehicles and safety driving assist systems, an approach of front vehicle detection based on Haar-like features and AdaBoost classifier combined with vehicle verification using symmetrical gray values is proposed in this paper. Haar-like features of the image is calculated using the integral image method, then a small number of critical features are selected from a very large set of Haar-like features while training AdaBoost classifier. Both the selected features and the classifier are used in front vehicle detection tests. Experimental results show that the proposed approach performed quickly and effectively under cloudy and sunny weather conditions with detection rates of 90.86% and 91.15% respectively.

front vehicle detection; Haar-like feature; integral image; AdaBoost algorithm

TP311

A

10.19358/j.issn.1674- 7720.2017.13.008

余小角，郭景，徐凱，等.一種基于類Haar特征和AdaBoost算法的前車檢測方法[J].微型機(jī)與應(yīng)用，2017,36(13)：22-25.

2017-02-13)

余小角(1990-)，通信作者，男，碩士研究生，主要研究方向：智能信息處理。E-mail: xjyu@mail.ustc.edu.cn。

郭景(1992-)，男，碩士研究生，主要研究方向：智能信息處理。

徐凱(1991-)，女，碩士研究生，主要研究方向：圖像處理。