基于類(lèi)Haar特征和最近鄰分類(lèi)器的車(chē)輛檢測(cè)

周瑩+曉艷

摘 要

針對(duì)傳統(tǒng)車(chē)輛檢測(cè)方法計(jì)算復(fù)雜和誤檢率高的問(wèn)題，提出了一種基于類(lèi)Haar圖像特征描述的車(chē)輛檢測(cè)方法。首先，建立特征向量庫(kù)，利用類(lèi)Haar特征對(duì)訓(xùn)練樣本進(jìn)行特征提取。然后，提取待檢測(cè)圖像的子圖像特征信息。最后，最近鄰分類(lèi)器利用特征向量庫(kù)對(duì)待識(shí)別的子圖像進(jìn)行車(chē)輛存在性檢測(cè)。利用積分圖像的概念對(duì)圖像進(jìn)行描述，大幅度提高了特征提取速度。此外，分析了不同數(shù)量的類(lèi)Haar特征對(duì)檢測(cè)效果的影響。實(shí)驗(yàn)結(jié)果表明，該方法能大幅降低誤檢率，獲得較高的查準(zhǔn)率，對(duì)日間自然光條件下的車(chē)輛有較好的檢測(cè)效果。

【關(guān)鍵詞】Haar-like 積分圖像 最近鄰 車(chē)輛檢測(cè)

1 引言

車(chē)輛檢測(cè)在智能交通系統(tǒng)中至關(guān)重要，旨在預(yù)測(cè)車(chē)輛的潛在危險(xiǎn)，以便及時(shí)地警告司機(jī)。當(dāng)前的車(chē)輛檢測(cè)方法主要分成三種：基于感應(yīng)線(xiàn)圈的檢測(cè)，基于波頻檢測(cè)和基于圖像視頻的檢測(cè)?；诟袘?yīng)線(xiàn)圈的檢測(cè)方法是通過(guò)感應(yīng)線(xiàn)圈的電磁感應(yīng)現(xiàn)象，當(dāng)車(chē)輛經(jīng)過(guò)時(shí)有電流變化，從而實(shí)現(xiàn)檢測(cè)。但線(xiàn)圈隨著年限的增加會(huì)出現(xiàn)老化損耗等，導(dǎo)致檢測(cè)失效?；诓l的檢測(cè)方法主要依賴(lài)微波、紅外線(xiàn)、超聲波或者雷達(dá)等有源傳感器檢測(cè)車(chē)輛。盡管該方法適用于不同的工作環(huán)境 ，但是其卻無(wú)法區(qū)分障礙物的種類(lèi)（汽車(chē)、行人和自行車(chē)等）。與前兩種方法不同， 圖像視頻檢測(cè)方法利用與人類(lèi)視覺(jué)相似的相機(jī)系統(tǒng)，能夠向模式識(shí)別系統(tǒng)提供豐富信息，所以其更適用于車(chē)輛檢測(cè)。

目前，基于視覺(jué)的常用車(chē)輛檢測(cè)方法主要包括基于模板匹配的檢測(cè)方法 、基于學(xué)習(xí)的檢測(cè)方法和基于特征的檢測(cè)方法 。其中，基于學(xué)習(xí)的檢測(cè)方法主要是利用大量的車(chē)輛圖片來(lái)訓(xùn)練分類(lèi)器.常用的分類(lèi)器主要包括SVM、AdaBoost、神經(jīng)網(wǎng)絡(luò)等。文獻(xiàn)[18、19]介紹了一種基于類(lèi)Haar 和AdaBoost 分類(lèi)器的車(chē)輛識(shí)別算法。該算法雖然檢測(cè)速度快，檢測(cè)率高，且誤檢率低，但訓(xùn)練樣本規(guī)模非常大時(shí)，訓(xùn)練分類(lèi)器耗時(shí)較長(zhǎng)。文獻(xiàn)[20]HOG 特征和SVM的車(chē)輛檢測(cè)算法， 此算法適應(yīng)性強(qiáng)， 但其計(jì)算復(fù)雜度高。

鑒于此，本文提出了一種計(jì)算簡(jiǎn)單且能大幅度降低誤檢率的車(chē)輛檢測(cè)方法，即類(lèi)Haar特征結(jié)合KNN算法。KNN算法簡(jiǎn)單，易于實(shí)現(xiàn)，并且利用積分圖像的概念對(duì)圖像進(jìn)行描述，可以顯著提高特征提取速度。該方法由兩部分組成：特征提取階段和檢測(cè)階段。特征提取階段，使用類(lèi)Haar特征對(duì)訓(xùn)練集圖像進(jìn)行特征提取，獲取特征信息，組建特征數(shù)據(jù)庫(kù)；檢測(cè)階段，統(tǒng)一測(cè)試圖像尺寸，用滑動(dòng)窗口對(duì)其進(jìn)行分割，并對(duì)子圖像進(jìn)行特征提取。利用最近鄰分類(lèi)器將每幅子圖像的特征信息與特征信息庫(kù)進(jìn)行對(duì)比，從而檢測(cè)是否有車(chē)輛存在，并確定車(chē)輛位置。

2 算法結(jié)構(gòu)

本文算法可以分為兩個(gè)主要階段：特征庫(kù)建立和車(chē)輛檢測(cè)。特征庫(kù)建立階段，首先選取對(duì)分類(lèi)識(shí)別起關(guān)鍵作用的類(lèi)Haar 特征， 并利用其對(duì)訓(xùn)練樣本進(jìn)行特征提取，然后建立特征向量庫(kù)。車(chē)輛檢測(cè)階段，首先提取待檢測(cè)圖像的類(lèi)Haar 特征， 然后將特征輸入到KNN分類(lèi)器中進(jìn)行車(chē)輛存在性檢測(cè). 算法結(jié)構(gòu)如圖1 所示， 文章后續(xù)部分將對(duì)這兩個(gè)主要階段進(jìn)行詳述。

3 特征庫(kù)建立階段

特征庫(kù)建立階段主要包括圖像預(yù)處理、計(jì)算積分圖、提取類(lèi)Haar 特征三部分。這個(gè)階段建立的特征向量庫(kù)將為檢測(cè)階段提供類(lèi)Haar特征信息。

3.1 圖像預(yù)處理及積分圖計(jì)算

將訓(xùn)練集中所有圖像的尺寸統(tǒng)一設(shè)置為24x24的RGB圖像，如圖2所示，訓(xùn)練集樣本包含積極樣本和消極樣本。然后根據(jù)文獻(xiàn)[22] 介紹的方法計(jì)算每個(gè)圖像的積分圖， 為后續(xù)階段快速計(jì)算類(lèi)Haar 特征做準(zhǔn)備。

當(dāng)計(jì)算類(lèi)Haar特征時(shí)，僅以Viola等人提出的四個(gè)基本矩形特征為例，在一個(gè)24×24窗口圖像 中任意排列至少可以產(chǎn)生數(shù)以十萬(wàn)計(jì)的特征，求解這些特征值的計(jì)算量很大。為提高類(lèi)Haar特征計(jì)算速度，在特征提取階段引入積分圖的概念，從而可以大幅度提高檢測(cè)速度。

積分圖的主要思想是將圖像從起點(diǎn)開(kāi)始到各個(gè)點(diǎn)所形成的矩形區(qū)域像素之和作為一個(gè)數(shù)組的元素保存在內(nèi)存中，當(dāng)要計(jì)算某個(gè)區(qū)域的像素和時(shí)可以直接索引數(shù)組的元素，不用重新計(jì)算這個(gè)區(qū)域的像素和，即只遍歷一次圖像就可以求出圖像中所有區(qū)域像素和的快速算法，從而提高了圖像特征值計(jì)算的效率。

圖3（a）點(diǎn)（x，y）處的積分值為該點(diǎn)左上方的像素和，圖3（b）矩形區(qū)域D內(nèi)的像素總和由四個(gè)參量得到。

圖4類(lèi)Haar特征。（a）、（b）邊界特征；（c）、（d）線(xiàn)性特征；（e）對(duì)角特征；（f）中心特征。

積分圖是一種能夠描述全局信息的矩陣表示方法。積分圖ii（x，y）表示位置（x，y）處左上方像素值的總和 （如圖3（a）所示），見(jiàn)公式（1）。

其中，i（x，y）是原始圖像，i（x'，y'）為位置（x，y）左上方的像素點(diǎn)。通過(guò)以下兩個(gè)方程的循環(huán)計(jì)算即可得到積分圖像：

其中，s（x，y）表示行方向的累加和，s（x，-1）=ii（-1，y）=0。當(dāng)掃描到圖像右下角像素時(shí)，積分圖像ii就構(gòu)造好了。

積分圖構(gòu)造好后，圖像中任何矩陣區(qū)域的像素累加和都可以通過(guò)簡(jiǎn)單運(yùn)算得到（如圖3（b）所示）。設(shè)D的四個(gè)頂點(diǎn)分別為1、2、3、4，則D的像素和可以表示為公式3所示，即用四個(gè)參量即可得到。

相似地，不同的兩個(gè)矩形區(qū)域的像素和可以由八個(gè)參量得到。由于定義的特征矩形都是相鄰的，所以用六個(gè)參量表示即可。同理，三個(gè)矩形區(qū)域的特征由八個(gè)參量即可得出，四個(gè)矩形區(qū)域的特征由九個(gè)參量即可得出。

3.2 類(lèi)Haar特征提取

類(lèi)Haar 特征是由Viola 等人[22、23] 在其人臉檢測(cè)系統(tǒng)中引入的一種簡(jiǎn)單矩形特征， 因類(lèi)似于Haar 小波（Haar wavelet）而得名，。類(lèi)Haar特征又稱(chēng)為矩形濾波器， 每個(gè)類(lèi)Haar特性描述模板由黑白兩種矩形組成，其提供了一幅圖像中兩個(gè)相鄰區(qū)域的灰度級(jí)信息，即該模板的特征值為白色矩形像素和減去黑色矩形像素和。 如圖4所示，其中圖（a）和（b）為邊界特征，（c）和（d）為線(xiàn)性特征，（e）為對(duì)角特征，（f）為中心特征。endprint

圖5為用于描述車(chē)輛特征的類(lèi)Haar 特征示例?；?.1中的積分圖，計(jì)算每個(gè)樣本圖像的6種類(lèi)Haar 特征， 每個(gè)樣本總共可得到1909個(gè)類(lèi)Haar 特征。

4 檢測(cè)階段

檢測(cè)階段用于對(duì)待識(shí)別的子圖像進(jìn)行車(chē)輛的存在性檢測(cè)，主要包括：

（1）圖像預(yù)處理；

（2）計(jì)算積分圖；

（3）提取類(lèi)Haar特征；

（4）應(yīng)用KNN分類(lèi)器進(jìn)行分類(lèi)識(shí)別四個(gè)部分。

首先將測(cè)試圖像的尺寸統(tǒng)一設(shè)置為320x240。然后利用滑動(dòng)窗口對(duì)圖像進(jìn)行分割，得到一系列的子圖像，并對(duì)其進(jìn)行特征提取，獲得特征向量。3.2節(jié)提取的類(lèi)Haar特征庫(kù)用于本階段的特征提取和檢測(cè)。最后，利用最近鄰分類(lèi)器結(jié)合特征向量庫(kù)對(duì)待識(shí)別的子圖像進(jìn)行車(chē)輛存在性檢測(cè)， 輸出最終的分類(lèi)識(shí)別結(jié)果。

最近鄰（KNN，K-Nearest Neighbor）分類(lèi)算法，也叫鄰近算法，是數(shù)據(jù)挖掘分類(lèi)技術(shù)中最簡(jiǎn)單的方法之一。所謂K最近鄰，就是K個(gè)最近的鄰居的意思，即每個(gè)樣本都可以用它最接近的K個(gè)鄰居來(lái)代表。KNN算法的核心思想是如果一個(gè)樣本在特征空間中的K個(gè)最相鄰的樣本中的大多數(shù)屬于某一個(gè)類(lèi)別，則該樣本也屬于這個(gè)類(lèi)別，并具有這個(gè)類(lèi)別上樣本的特性。本文最近鄰算法的K值取1。

5 實(shí)驗(yàn)結(jié)果和討論

實(shí)驗(yàn)結(jié)果主要包含兩部分：

（1）分別選取不同數(shù)量的類(lèi)Haar特征進(jìn)行測(cè)試，觀(guān)察不同特征參數(shù)對(duì)檢測(cè)結(jié)果的影響。

（2）為驗(yàn)證本文提出的車(chē)輛檢測(cè)算法性能，將本文所提出的算法與SVM算法進(jìn)行對(duì)比，并對(duì)實(shí)驗(yàn)結(jié)果比較分析。

所有試驗(yàn)均利用Matlab R2014b完成，實(shí)驗(yàn)平臺(tái)的硬件環(huán)境是因特爾i3處理器，2.20GHz，2GB內(nèi)存，Win7操作系統(tǒng)。用于訓(xùn)練本文檢測(cè)系統(tǒng)性能的數(shù)據(jù)集組成如下：

（1）積極樣本集：包含2775個(gè)示例圖像。這些圖像由不同種類(lèi)汽車(chē)的正視或后視圖組成（如圖2（a））；

（2）消極樣本集：包含4498個(gè)示例圖像（如圖2（b）），這些圖像不包含任何車(chē)輛信息。在特征提取階段，將消極圖像和積極圖像尺寸統(tǒng)一設(shè)置為24x24。

首先，由150幅積極圖像及275幅消極圖像組成的測(cè)試圖集對(duì)系統(tǒng)進(jìn)行測(cè)試。類(lèi)Haar特征分別選取如圖4所示的前兩種、前四種和六種矩形特征。測(cè)試結(jié)果如表1所示。

由表1可以看出特征數(shù)量越多檢測(cè)率越高。其中采用六種類(lèi)Haar特征時(shí)的檢測(cè)率達(dá)到98.00%，明顯高于采用二特征和四特征的檢測(cè)率。采用四種和六種類(lèi)Haar特征的誤檢率相同均為1.09%，遠(yuǎn)低于二特征的誤檢率。檢測(cè)結(jié)果表明，選取不同數(shù)量的類(lèi)Haar特征對(duì)檢測(cè)結(jié)果有較大影響，這是因?yàn)檫x取的特征數(shù)量越多，所包含的信息量越大，檢測(cè)率就越高，同理，誤檢率越低。本文最終選擇具有六個(gè)矩形特征的類(lèi)Haar特征描述。

為了客觀(guān)地評(píng)價(jià)該車(chē)輛分類(lèi)器的性能，本文采用了三個(gè)道路數(shù)據(jù)集的圖像作為測(cè)試集進(jìn)行測(cè)試。測(cè)試圖像主要來(lái)自Daimler Benchmark Dataset和Caltech數(shù)據(jù)庫(kù)、KITTI數(shù)據(jù)庫(kù)。測(cè)試圖像尺寸統(tǒng)一設(shè)置為320x240，部分檢測(cè)結(jié)果如圖6所示，白色框?yàn)楸疚臋z測(cè)結(jié)果。

其次，采用文獻(xiàn)[29]中Recall查全率、Precision查準(zhǔn)率、F-score值等指標(biāo)對(duì)本文方法進(jìn)行評(píng)價(jià)。公式4中，TP代表真陽(yáng)性，即正確檢測(cè)出車(chē)輛；FP代表假陽(yáng)性，即將非車(chē)輛誤認(rèn)為車(chē)輛；FN代表假陰性，即將車(chē)輛誤認(rèn)為非車(chē)輛。

為了評(píng)估本文算法的性能，進(jìn)行了比較測(cè)試。本文從常見(jiàn)路面數(shù)據(jù)集Daimler Benchmark Dataset、Caltech數(shù)據(jù)庫(kù)和KITTI數(shù)據(jù)庫(kù)中抽取300張車(chē)輛圖像及300張不包含車(chē)輛信息的圖像作為測(cè)試集，并將尺寸統(tǒng)一設(shè)置為24x24。表2為SVM算法與本文算法的車(chē)輛檢測(cè)實(shí)驗(yàn)結(jié)果。

通過(guò)表2可以看出，本文算法與SVM算法相比檢測(cè)率略低，但大幅降低了誤檢率，誤檢率僅為1.33%，而SVM算法的誤檢率高達(dá)95%。比較得出本文算法在省去了大量訓(xùn)練時(shí)間的同時(shí)降低了誤檢率，獲得了較高的查準(zhǔn)率和F值。實(shí)驗(yàn)結(jié)果表明，本文提出的結(jié)合類(lèi)Haar特征和KNN算法的車(chē)輛識(shí)別方法有效地降低了靜態(tài)圖像的車(chē)輛誤檢率，具有較高的魯棒性。

然而，本文算法也存在一定的誤檢現(xiàn)象，如圖7所示，由紅色框標(biāo)出，圖a中較遠(yuǎn)處的車(chē)輛，由于車(chē)輛的類(lèi)Haar特征與路面特征相近，所以未識(shí)別出來(lái)。圖b中的卡車(chē)由于被建筑物遮擋住部分車(chē)體等原因并未被識(shí)別出。

6 結(jié)束語(yǔ)

車(chē)輛識(shí)別是智能交通系統(tǒng)中的關(guān)鍵技術(shù)。本文提出且實(shí)施了一種基于類(lèi)Haar特征的車(chē)輛檢測(cè)方法，實(shí)現(xiàn)了降低誤檢率的同時(shí)能準(zhǔn)確地從圖像中識(shí)別出目標(biāo)車(chē)輛。本文提出的結(jié)合類(lèi)Haar特征和最近鄰分類(lèi)器的算法復(fù)雜度低，且有效地降低了靜態(tài)圖像車(chē)輛誤檢率。

然而，本文算法仍有很多需要改進(jìn)的地方，如：這類(lèi)方法容易受環(huán)境和光照等因素的影響，如何提高對(duì)夜間道路車(chē)輛的檢測(cè)效果；如何將此算法應(yīng)用到視頻車(chē)輛檢測(cè)中，實(shí)現(xiàn)實(shí)時(shí)車(chē)輛檢測(cè)；以及如何提高在道路安全實(shí)際應(yīng)用中的可靠性、檢測(cè)速度等。這些改進(jìn)將是未來(lái)工作的目標(biāo)。

參考文獻(xiàn)

[1]Negri P，Clady X，Prevost L. Benchmarking haar and histograms of oriented gradients features applied to vehicle detection[J]. ICINCO 2007；Proceedings of the Fourth International Conference on Informatics in Control， Automation and Robotics， Robotics and Automation 1；May 9-12，2007；Angers，F(xiàn)rance. 2007：359-364.endprint

[2]郭新華，陳鍛生.基于機(jī)器學(xué)習(xí)的快速車(chē)輛檢測(cè)方法[D].泉州市，華僑大學(xué)，2016.

[3]Autoscope-Video Detection Solutions.http：//autoscope.com

[4]Iteris-Innovation for better mobility. http：//www.iteris.com

[5]N.Chintalacheruvu and V.Muthukumar， Video Based Vehicle Detection and its Appli-cation in Intelligent Transportation Systems[J].Journal of Transportation Technologies，Vol.2 No.4，2012，pp.305-314.

[6]黨宏社，趙廣社.汽車(chē)巡航控制用傳感器進(jìn)展[J].傳感器技術(shù)，2002，21（01）：1-3.

[7]Ge J，Luo Y，Tei G.Real-time pedestrian detection and tracking at nighttime for driver-assistance systems[J]. Intelligent Transportation Systems， IEEE Transactions on；2009；10（02），283-298.

[8]李鄉(xiāng)儒，吳福朝，胡占義.均值漂移算法的收斂性[J].軟件學(xué)報(bào)，2005，16（03）：365-374.

[9]N.Dalal.Finding people in images and videos [D].Ph D Thesis，INRIA，2006.

[10]M.Oren，C.Papageorgiou，P.Sinha， et al.Pedestrian detection using wavelet templates[A].In Proc.of IEEE CVPR [C]，1997.

[11]B.Günyel， R.Benenson，R.Timofte，and L.Van Gool.Stixels motion estimation without optical flow computation.In ECCV，2012.

[12]Wang H，Zhang H.A Hybrid Method of Vehicle Detection based on Computer Vision for Intelligent Transportation System[J].International Journal of Multimedia & Ubiquitous Engineering， 2014.

[13]代科學(xué)，李國(guó)輝，涂丹等.監(jiān)控視頻運(yùn)動(dòng)目標(biāo)檢測(cè)減背景技術(shù)的研究現(xiàn)狀和展望[J].中國(guó)圖象圖形學(xué)報(bào)，2006，11（07）：919-927.

[14]U.Franke，and I.Kutzbach.Fast stereo based object detection for stop and go traffic[A].In Proc.of IEEE Intelligent Vehicles Symposium [C].1996，339-344.

[15]U.Franke，D.Gavrila，S.Gorzig，etal.Autonomousdrivinggoesdowntown [J].IEEE Intelligent Systems， 1999，13（06）：40-48.

[16]D.Gavrila，J.Giebel，and S.Munder. Vision-based pedestrian detection： the protector system[A].In Proc. IEEE Intelligent Vehicles Symposium [C].2004，13-18.

[17]R.Benenson，R.Timofte，andL.VanGool.Stixelsestimationwithoutdepthmap computation. In ICCV，CVVT workshop，2011.

[18]文學(xué)志，方巍，鄭鈺輝.一種基于類(lèi)Haar 特征和改進(jìn)AdaBoost 分類(lèi)器的車(chē)輛識(shí)別算法[J].電子學(xué)報(bào)，2011，39（05）：1121-1126.

[19]Wen-Chung Chang；Chih-Wei Cho.Online boosting for vehicle detection[J]. IEEE Transa-ctions on Systems，Man， and Cybernetics，Part B：Cybernetics.Published by Institute of Electrical- and Electronics Engineers，Inc.，2010，40（03）：892-902.

[20]李修志，吳鍵，催志明，陳建明.復(fù)雜交通場(chǎng)景中采用稀疏表示的車(chē)輛識(shí)別算法[J].中國(guó)圖象圖形學(xué)報(bào)，2012，17（03）：387-392.

[21]Ertugrul，OF，Tagluk，ME，Anovel version of k nearest neighbor：Dependent nearest neigh-bor[J].APPLIED SOFT COPUTING，2017（55）：480-490.

[22]Lienhart R，Maydt J.An extended set of Haar-like features for rapid object detection[C].The IEEE International Conference on Image Processing.New York，USA，2002，1：900-903.endprint

[23]Viola P，Jones M.Robust real-time face detection[J].International Journal of Computer Vision，Published by Springer，2004，57（02）：137-154.

[24]Oualla M，Sadiq A，Mbarki S.A survey of Haar-Like feature representation[J].Multimedia Computing and Systems （ICMCS）.2014 April； International Conference on；2014（01）1101-1106.

[25]Christianini，N.，and J.C.Shawe-Taylor.An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. Cambridge[M].UK：Cambridge University Press，2000-03-28.

[26]佚名.Benchmark Dataset http：// www.gavrila.Net/Datasets/Daimler_Pedestrian_Benchmark_D/Daimler_Mono_Ped__Detection_Be/Daimler_mono_ped __detection_be.

[27]佚名.Caltech數(shù)據(jù)庫(kù)http：//www.vision.caltech.edu/html-files/archive.html.

[28]佚名.KITTI數(shù)據(jù)庫(kù)http：//www.cvlibs.net/datasets/kitti/eva l_object.php.

[29]D Konstantinidis，T Stathaki，V Argyriou，N Grammalidis，Building Detection Using Enhanced HOG–LBP Features and Region Refinement Processes[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2016，PP（99）：1-18.

作者簡(jiǎn)介

周瑩（1993-），女，黑龍江省哈爾濱市人。碩士學(xué)位?，F(xiàn)為哈爾濱師范大學(xué)碩士三年級(jí)在讀，學(xué)生。主要研究方向?yàn)閳D像處理、智能交通系統(tǒng)。

于曉艷（1975-），女，黑龍江省哈爾濱市人。碩士研究生導(dǎo)師，教授。主要研究領(lǐng)域?yàn)閳D像處理與機(jī)器視覺(jué)。

作者單位

哈爾濱師范大學(xué)物理與電子工程學(xué)院 黑龍江省哈爾濱市 150025endprint