汽車(chē)輔助駕駛系統(tǒng)動(dòng)態(tài)目標(biāo)檢測(cè)方法

, ,, ,

(1.河南科技大學(xué) 車(chē)輛與交通工程學(xué)院,河南 洛陽(yáng) 471003; 2.海軍航空工程學(xué)院 電子信息工程系,山東 煙臺(tái) 264001)

0 概述

基于計(jì)算機(jī)視覺(jué)的動(dòng)態(tài)障礙物檢測(cè)在汽車(chē)輔助駕駛系統(tǒng)中具有重要應(yīng)用價(jià)值,其利用車(chē)載攝像機(jī)獲取車(chē)前一定范圍內(nèi)的視頻圖像檢測(cè)障礙物,從而估計(jì)出潛在的危險(xiǎn)以便采取安全策略避免交通事故。但在行車(chē)過(guò)程中,車(chē)速和天氣的變化以及開(kāi)放的車(chē)行環(huán)境下視頻背景的復(fù)雜多樣性對(duì)障礙物檢測(cè)的魯棒性提出了較高的要求,同時(shí)由于攝像機(jī)隨車(chē)體運(yùn)行,因此運(yùn)動(dòng)背景下動(dòng)態(tài)障礙物的檢測(cè)以及檢測(cè)的實(shí)時(shí)性要求進(jìn)一步增加了算法的設(shè)計(jì)難度。

與背景差分法對(duì)背景模型的依賴和光流法的計(jì)算高復(fù)雜度相比,相鄰幀間差分法用連續(xù)的2幀或者3幀圖像逐像素差分消除背景的影響,對(duì)光線等環(huán)境因素有較強(qiáng)的適應(yīng)性,對(duì)動(dòng)態(tài)變化的場(chǎng)景非常有效。該方法包括背景全局運(yùn)動(dòng)補(bǔ)償和目標(biāo)檢測(cè)2個(gè)主要步驟。文獻(xiàn)[1]從理論上分析了全局背景補(bǔ)償?shù)膬?yōu)勢(shì),發(fā)現(xiàn)參數(shù)估計(jì)值直接決定幀間背景的配準(zhǔn)精度,進(jìn)而影響目標(biāo)檢測(cè)效果。

文獻(xiàn)[2]方法采用圖像灰度編碼實(shí)現(xiàn)快速匹配,但對(duì)非線性變化的局部光照匹配容易發(fā)生錯(cuò)誤。文獻(xiàn)[3]方法基于塊匹配減少計(jì)算量,但當(dāng)攝像機(jī)有明顯的非線性運(yùn)動(dòng)時(shí),準(zhǔn)確性受到影響。文獻(xiàn)[4]采用固定閾值去除外點(diǎn)以提高參數(shù)估計(jì)的精度,但固定閾值在實(shí)際應(yīng)用中受限。文獻(xiàn)[5]提取殘差均值代替固定閾值對(duì)文獻(xiàn)[4]方法進(jìn)行改進(jìn),但該方法不能準(zhǔn)確地估計(jì)全局運(yùn)動(dòng)參數(shù)。文獻(xiàn)[6]將Sobel邊緣檢測(cè)與小波變換結(jié)合,提出遞推多模板匹配方法,雖然加快了速度,但該方法對(duì)圖像的角度偏差不適應(yīng)。文獻(xiàn)[7]利用主成分分析法對(duì)SIFT算法改進(jìn),但需要先驗(yàn)知識(shí),否則會(huì)增加計(jì)算量,且投影矩陣輸入圖像有限制。文獻(xiàn)[8]提出的GLOH算子增加了SIFT算子的魯棒性和獨(dú)特性,但同樣需要大量的先驗(yàn)樣本。文獻(xiàn)[9]方法利用全局信息來(lái)減少誤匹配,對(duì)局部相似造成的錯(cuò)誤配準(zhǔn)效果明顯,但計(jì)算較復(fù)雜,且丟失了SIFT算子的尺度不變性。文獻(xiàn)[10]使用Gabor濾波器對(duì)SIFT描述符進(jìn)行改進(jìn),但增加了算法的計(jì)算復(fù)雜度。

相比于塊配準(zhǔn)參數(shù)估計(jì),基于特征點(diǎn)的全局補(bǔ)償參數(shù)估計(jì)能夠突破圖像旋轉(zhuǎn)、縮放及仿射變換等攝像機(jī)非平移運(yùn)動(dòng)的限制,更適合汽車(chē)輔助駕駛系統(tǒng)車(chē)前動(dòng)態(tài)障礙物檢測(cè)。為此,本文提出基于SIFT算子背景補(bǔ)償和假設(shè)檢驗(yàn)的目標(biāo)檢測(cè)方法,通過(guò)小波和動(dòng)態(tài)幀間特征點(diǎn)位置估計(jì)改進(jìn)SIFT算法,以增強(qiáng)參數(shù)估計(jì)的實(shí)時(shí)性,并利用改進(jìn)假設(shè)檢驗(yàn)方法提高動(dòng)態(tài)目標(biāo)的檢測(cè)準(zhǔn)確性。

1 基于改進(jìn)SIFT特征配準(zhǔn)的全局運(yùn)動(dòng)補(bǔ)償

SIFT[11-12]特征點(diǎn)對(duì)圖像的旋轉(zhuǎn)、尺度縮放以及光照變化具有較好的穩(wěn)定性,對(duì)目標(biāo)的運(yùn)動(dòng)、遮擋、噪聲等因素也有很好的魯棒性[13],但其128維描述符和特征點(diǎn)一一比較的配準(zhǔn)策略速度較慢。雖然研究者已提出了SURF[14]、PCASIFT、CSIFT[15]、ASIFT[16]、BIRSK[17]和FREAK[18]等很多改進(jìn)算法,但針對(duì)本文的應(yīng)用背景,改進(jìn)算法的實(shí)時(shí)性和穩(wěn)定性不滿足要求。

為此,本節(jié)首先采用小波多分辨率分析和圖像分塊方法,使得算法可以根據(jù)行車(chē)環(huán)境的復(fù)雜性選擇合適的分辨率,以減少特征點(diǎn)數(shù)并保持點(diǎn)數(shù)穩(wěn)定;然后采用相鄰幀特征點(diǎn)位置估計(jì)配準(zhǔn)策略對(duì)算法進(jìn)行改進(jìn),在保持算子對(duì)不同行車(chē)背景適應(yīng)性的同時(shí),提高算法的配準(zhǔn)精度,使其滿足實(shí)時(shí)性要求。

1.1 特征點(diǎn)數(shù)均衡

圖像中的高頻成分較多為噪聲和邊緣,利用小波變換多分辨率分析去除高頻成分后,可以減少邊緣點(diǎn)對(duì)計(jì)算SIFT算子的影響。Haar小波維度小、運(yùn)算速度快且占用內(nèi)存小,是典型的規(guī)范正交基。因此,本文使用Harr小波,如式(1)所示。

(1)

對(duì)圖像進(jìn)行兩層小波分解,并對(duì)第2層分解圖像進(jìn)行分塊,提取每個(gè)塊的SIFT特征點(diǎn)。如果一個(gè)塊中的特征維數(shù)達(dá)到預(yù)設(shè)閾值,則對(duì)當(dāng)前塊不再提取特征點(diǎn),但如果塊中特征點(diǎn)較少,則將第1層分解圖像也用于特征點(diǎn)提取和配準(zhǔn)。此種處理方法的優(yōu)勢(shì)在于:

1)當(dāng)行車(chē)背景處于鬧市區(qū)等復(fù)雜背景時(shí),兩層分解減少了每次參與匹配的像素點(diǎn),而行車(chē)于高速路等簡(jiǎn)單背景時(shí),上層分解可保證足夠特征點(diǎn),從而保持特征點(diǎn)數(shù)量的基本穩(wěn)定。

2)利用圖像分塊進(jìn)行特征點(diǎn)提取和配準(zhǔn),可避免特征點(diǎn)密集部分對(duì)全局背景補(bǔ)償影響偏大的問(wèn)題。

3)可避免DoG算子的邊緣敏感性對(duì)匹配點(diǎn)的影響。

1.2 特征點(diǎn)描述符降維

本文根據(jù)文獻(xiàn)[19]方法,采用如圖1所示的鄰域窗口來(lái)計(jì)算特征點(diǎn)描述符。以中央黑色點(diǎn)表示的特征點(diǎn)為中心,每?jī)蓚€(gè)像素的寬度范圍為一層,建立4層鄰域,該鄰域范圍可以增強(qiáng)距離近的像素點(diǎn)對(duì)特征描述符的貢獻(xiàn),一定程度上也避免了因分塊且對(duì)特征點(diǎn)數(shù)限制帶來(lái)的精度損失。

圖1 特征描述符計(jì)算鄰域

以45°為間隔均分空間,累加每層鄰域內(nèi)8個(gè)方向范圍內(nèi)的梯度值,則每個(gè)特征點(diǎn)描述向量為4×8=32維,并按區(qū)域位置對(duì)向量排序。在每個(gè)子區(qū)域內(nèi)累加像素的梯度值并做歸一化處理,以減少光照的影響:

(2)

最終計(jì)算得到的32維描述符向量為:

Fn=(fn1,fn2,…,fn32)

(3)

其中,n為特征點(diǎn)數(shù)。Fn兼顧向量降維和反映鄰域像素的距離貢獻(xiàn)特性,因而對(duì)特征點(diǎn)的描述更準(zhǔn)確。

1.3 快速特征點(diǎn)配準(zhǔn)

由于在特征點(diǎn)配準(zhǔn)時(shí),SIFT算子采用所有特征點(diǎn)比較的策略,運(yùn)算量較大?？紤]到車(chē)載攝像機(jī)視頻圖像的相鄰幀間時(shí)間間隔較短,在幀率為25 frame/s時(shí),兩幀間時(shí)間間隔為40 ms,在該時(shí)間段內(nèi),車(chē)輛的行進(jìn)、顛簸、轉(zhuǎn)彎及外界環(huán)境的變化不會(huì)帶來(lái)相鄰幀間行車(chē)背景的大幅變化,即前一幀圖像實(shí)際上包含了當(dāng)前幀大量特征點(diǎn)的位置信息。因此,可以利用前一幀的全局背景補(bǔ)償參數(shù)并通過(guò)前一幀圖像特征點(diǎn)位置信息對(duì)當(dāng)前幀圖像中待配準(zhǔn)特征點(diǎn)位置進(jìn)行估計(jì),并在估計(jì)位置的鄰域內(nèi)搜索當(dāng)前幀的待配準(zhǔn)特征點(diǎn),從而縮小當(dāng)前幀特征點(diǎn)的搜索范圍,減少特征點(diǎn)配準(zhǔn)時(shí)間。

1.3.1 基于仿射變換的全局運(yùn)動(dòng)參數(shù)估計(jì)

攝像機(jī)隨車(chē)運(yùn)動(dòng),相鄰幀間主要為圖像縮放,但考慮到行車(chē)顛簸和轉(zhuǎn)彎等過(guò)程影響,全局背景運(yùn)動(dòng)補(bǔ)償?shù)膮?shù)估計(jì)需要針對(duì)攝像機(jī)平移、旋轉(zhuǎn)和縮放等進(jìn)行。本文采用仿射參數(shù)模型計(jì)算補(bǔ)償參數(shù),其計(jì)算相對(duì)簡(jiǎn)單,對(duì)攝像機(jī)運(yùn)動(dòng)相對(duì)較小情況較適合。特征點(diǎn)(x′,y′)變換到下一幀特征點(diǎn)(x,y)的仿射變換關(guān)系如式(4)所示。

(4)

1.3.2 基于位置估計(jì)的特征點(diǎn)配準(zhǔn)

車(chē)載攝像機(jī)視頻圖像的相鄰幀間時(shí)間間隔較短,其攝像機(jī)運(yùn)動(dòng)參數(shù)變化不大。因此,可以利用這一特點(diǎn),將前一幀的運(yùn)動(dòng)參數(shù)作為當(dāng)前幀與下一幀的運(yùn)動(dòng)參數(shù)對(duì)特征點(diǎn)進(jìn)行位置估計(jì),然后在估計(jì)位置的一定鄰域范圍內(nèi)對(duì)特征點(diǎn)進(jìn)行配準(zhǔn),從而實(shí)現(xiàn)特征點(diǎn)的快速配準(zhǔn)。具體過(guò)程如下:

步驟1根據(jù)1.1節(jié)和1.2節(jié)方法計(jì)算相鄰兩幀圖像SIFT特征點(diǎn)及其描述符。由于行車(chē)環(huán)境復(fù)雜多變,因此相鄰兩幀圖像中某些區(qū)域特征豐富,使得SIFT特征點(diǎn)較密集而其他部分特征點(diǎn)較少。為減小特征點(diǎn)分布不均對(duì)全局參數(shù)估計(jì)的影響,將當(dāng)前幀圖像分為矩形小塊,塊間不重疊,僅對(duì)每個(gè)塊內(nèi)的一定數(shù)量特征點(diǎn)進(jìn)行配準(zhǔn)。

步驟2對(duì)當(dāng)前幀中每個(gè)塊內(nèi)的特征點(diǎn)(x′,y′),利用上一幀圖像的全局運(yùn)動(dòng)參數(shù),并根據(jù)式(4)計(jì)算其在下一幀圖像中的對(duì)應(yīng)像素位置(x″,y″),然后以(x″,y″)為中心,搜索半徑為R像素的圓形鄰域范圍內(nèi),滿足式(5)的特征點(diǎn)(x,y)為(x′,y′)配準(zhǔn)點(diǎn),同時(shí)對(duì)塊內(nèi)特征點(diǎn)對(duì)數(shù)設(shè)定閾值,當(dāng)點(diǎn)對(duì)數(shù)達(dá)到該閾值后,該塊內(nèi)不再進(jìn)行特征點(diǎn)配準(zhǔn)。

(5)

其中:Emin為與(x′,y′)歐式距離最小的像素位置;Emax為與(x′,y′)歐式距離最大的像素位置。

步驟3當(dāng)由于估計(jì)位置的鄰域交疊等原因,使得配準(zhǔn)過(guò)程中出現(xiàn)多對(duì)一的情況時(shí),首先判斷特征點(diǎn)與其鄰域特征點(diǎn)的位置關(guān)系是否與下一幀的對(duì)應(yīng)配準(zhǔn)點(diǎn)之間的位置關(guān)系一致,然后采用式(6)所示的互相關(guān)系數(shù)進(jìn)行重新配準(zhǔn),取相關(guān)系數(shù)最大的特征點(diǎn)進(jìn)行配準(zhǔn)。

(6)

其中,x(n)、y(n)為待配準(zhǔn)描述符。采用分塊和位置估計(jì)的配準(zhǔn)過(guò)程,其優(yōu)勢(shì)一方面是通過(guò)位置估計(jì)縮小了特征點(diǎn)配準(zhǔn)的搜索范圍,提高了配準(zhǔn)速度,另一方面是通過(guò)位置鄰域約束,避免了2個(gè)位置相差較大的特征點(diǎn)因特征描述符相似而誤配準(zhǔn),同時(shí)使得配準(zhǔn)的特征點(diǎn)對(duì)在圖像中分布較均勻。實(shí)驗(yàn)證明,當(dāng)特征點(diǎn)在圖像中均勻分布時(shí),利用全局參數(shù)的準(zhǔn)確計(jì)算,可使運(yùn)動(dòng)補(bǔ)償效果最佳。

1.3.3 誤配準(zhǔn)特征點(diǎn)對(duì)剔除

由于背景與前景目標(biāo)同時(shí)運(yùn)動(dòng),在剔除錯(cuò)誤配準(zhǔn)點(diǎn)后,還必須去除前景目標(biāo)之間的配準(zhǔn)點(diǎn)。首先在配準(zhǔn)的N對(duì)點(diǎn)對(duì)中隨機(jī)選取5對(duì),利用式(4)構(gòu)建超定方程估計(jì)補(bǔ)償參數(shù),然后將參數(shù)代入式(7)計(jì)算估計(jì)殘差。

(7)

迭代M次隨機(jī)選取,得到E=(E1,E2,…,EM),取E的前L項(xiàng)殘差對(duì)應(yīng)的配準(zhǔn)點(diǎn)對(duì),用于最終補(bǔ)償參數(shù)的估計(jì)。M與無(wú)錯(cuò)誤點(diǎn)對(duì)的可能性p之間滿足式(8)關(guān)系

p(ε,q,M)=1-(1-(1-ε)q)3)M

(8)

其中:ε(ε<0.5)表示誤配準(zhǔn)的點(diǎn)對(duì)比例;q為隨機(jī)選取準(zhǔn)確特征點(diǎn)的可能性。實(shí)驗(yàn)結(jié)果證明,當(dāng)ε=0.2,q=0.75時(shí),M=25,即得到p=0.975。

最后采用Levenberg-Marquardt算法進(jìn)一步優(yōu)化估計(jì)全局運(yùn)動(dòng)參量,并采用雙線性插值方法計(jì)算補(bǔ)償幀。

2 目標(biāo)檢測(cè)

本文利用三幀間差分法消除補(bǔ)償后的背景區(qū)域,然后采用改進(jìn)的假設(shè)檢驗(yàn)方法檢測(cè)目標(biāo)。

2.1 三幀差分法

設(shè)ft-1,ft,ft+1為連續(xù)的3幀圖像,利用幀差分法計(jì)算差分圖像d1和d2后進(jìn)行“與”運(yùn)算,即:

d1=|ft(x,y)-ft-1(x,y)|

(9)

d2=|ft+1(x,y)-ft(x,y)|

(10)

d=d1?d2

(11)

三幀差分法能突出目標(biāo)的位置和輪廓信息,但仍存在噪聲像素干擾。為此,本文對(duì)差分圖像進(jìn)行自適應(yīng)閾值分割和形態(tài)學(xué)處理,并采用改進(jìn)的假設(shè)檢測(cè)方法對(duì)目標(biāo)進(jìn)行精確檢測(cè)。

2.2 基于改進(jìn)假設(shè)檢驗(yàn)方法的目標(biāo)檢測(cè)

(12)

其中,n1和n2為樣本數(shù)。設(shè)定置信度為α,則若式(13)成立則拒絕假設(shè)H0,否則接受H0。

(13)

(14)

文獻(xiàn)[20]采用假設(shè)檢測(cè)方法取得了較好的目標(biāo)檢測(cè)效果,但由于其針對(duì)監(jiān)控圖像目標(biāo)檢測(cè),目標(biāo)主要集中在圖像中間區(qū)域,因此通過(guò)取選定距上下邊界10像素寬的區(qū)域作為背景區(qū)域可以取得較好的檢測(cè)效果。但在行車(chē)視頻圖像中,動(dòng)態(tài)目標(biāo)可以出現(xiàn)在圖像中的任何區(qū)域,且目標(biāo)在圖像邊界位置和在中心等其他位置出現(xiàn)的概率相同,采用邊界像素計(jì)算背景方差并不準(zhǔn)確。為此,本文采用配準(zhǔn)特征點(diǎn)對(duì)作為種子點(diǎn)計(jì)算背景方差,以提高準(zhǔn)確率。具體步驟如下:

1)根據(jù)三幀差分法計(jì)算配準(zhǔn)后的連續(xù)3幀圖像的幀差圖像,并取其絕對(duì)值。

3)以每個(gè)像素點(diǎn)為中心,計(jì)算判斷窗口內(nèi)像素的方差σx,根據(jù)式(14)檢測(cè)目標(biāo)像素點(diǎn),并通過(guò)形態(tài)學(xué)運(yùn)算和連通性檢測(cè)方法檢測(cè)最終的動(dòng)態(tài)障礙物目標(biāo)。

3 實(shí)驗(yàn)與結(jié)果分析

為驗(yàn)證本文算法的有效性,在Intel Core i5-6500M CPU,3.2 GHz,16 GB RAM環(huán)境下利用OPenCV 2.4庫(kù)和C++進(jìn)行仿真實(shí)驗(yàn),應(yīng)用于大量包含不同背景和多目標(biāo)圖像數(shù)據(jù),對(duì)比算法改進(jìn)前后的效果。實(shí)驗(yàn)分2個(gè)部分,一部分驗(yàn)證算法目標(biāo)檢測(cè)效果,另一部分檢測(cè)算法的效率。實(shí)驗(yàn)中,特征點(diǎn)配準(zhǔn)圖像分塊大小為45像素,假設(shè)檢驗(yàn)方法取置信度為10-2,窗口寬度為5像素。實(shí)驗(yàn)引用4種方法進(jìn)行對(duì)比實(shí)驗(yàn):傳統(tǒng)SIFT方法+未改進(jìn)假設(shè)檢驗(yàn)方法,記為SIFT-HT;改進(jìn)SIFT方法+未改進(jìn)假設(shè)檢驗(yàn)方法,記為ISIFT-HT;本文方法,記為ISIFT-IHT;基于質(zhì)點(diǎn)過(guò)濾的SIFT算子目標(biāo)檢測(cè)方法,記為PF-SIFT[21]。

3.1 檢測(cè)性能對(duì)比

圖2為采用SIFT-HT方法和本文方法對(duì)2種不同背景下目標(biāo)檢測(cè)的結(jié)果,其中,圖2(a)為在原始圖像中2種方法對(duì)目標(biāo)的檢測(cè)結(jié)果(實(shí)線框?yàn)楸疚乃惴z測(cè)的目標(biāo)區(qū)域,虛線框?yàn)镾IFT-HT方法檢測(cè)的目標(biāo)區(qū)域),圖2(b)和圖2(c)為幀間全局背景補(bǔ)償后的檢測(cè)結(jié)果。可以看出,本文方法在正確檢測(cè)動(dòng)態(tài)目標(biāo)的同時(shí),盡可能地消除背景干擾的影響,這主要是因?yàn)槠洳捎脠D像分塊的方法,使得配準(zhǔn)的特征點(diǎn)較均勻地分布在整幀圖像中,避免了特征點(diǎn)集中區(qū)域?qū)?shù)結(jié)果造成一定的偏移。當(dāng)背景中相似區(qū)域較多時(shí),傳統(tǒng)SIFT算法容易在相似區(qū)域出現(xiàn)較多的誤配準(zhǔn)特征點(diǎn)。從圖2(b)檢測(cè)結(jié)果可以看出,當(dāng)圖像中目標(biāo)分布在邊界部分時(shí),傳統(tǒng)原始假設(shè)檢驗(yàn)方法會(huì)出現(xiàn)漏檢,而本文方法通過(guò)改進(jìn)背景方差計(jì)算方法,能較好地檢測(cè)出圖像中的動(dòng)態(tài)目標(biāo)?？梢钥闯?在不同背景和不同目標(biāo)分布情況下,本文方法都取得了較好的動(dòng)態(tài)目標(biāo)檢測(cè)結(jié)果。

圖2 不同背景和目標(biāo)分布下的目標(biāo)檢測(cè)結(jié)果對(duì)比

3.2 運(yùn)行效率對(duì)比

為測(cè)試各方法的運(yùn)行效率,取圖2所示的背景相對(duì)簡(jiǎn)單(左圖)和復(fù)雜(右圖)的2組視頻圖像(1 024×776分辨率),實(shí)驗(yàn)中每幀圖像進(jìn)行50次運(yùn)算并取平均值,計(jì)算每組實(shí)驗(yàn)?zāi)繕?biāo)檢測(cè)的提取特征點(diǎn)對(duì)數(shù)、準(zhǔn)確配準(zhǔn)點(diǎn)對(duì)數(shù)、平均總耗時(shí),表1為3種方法實(shí)驗(yàn)結(jié)果對(duì)比。

表1 3種方法的目標(biāo)檢測(cè)結(jié)果對(duì)比

從表1中提取的特征點(diǎn)對(duì)數(shù)可以看出,相比于傳統(tǒng)SIFT算法,本文方法通過(guò)小波多分辨率控制和圖像分塊配準(zhǔn)特征點(diǎn)對(duì)數(shù)約束,在不同背景下取得了穩(wěn)定的特征點(diǎn)對(duì)數(shù),從而確保配準(zhǔn)準(zhǔn)確和穩(wěn)定運(yùn)行。從算法運(yùn)行效率可以看出,本文方法通過(guò)特征點(diǎn)對(duì)數(shù)約束和相鄰幀特征點(diǎn)位置估計(jì),大幅減少了運(yùn)行時(shí)間,從實(shí)驗(yàn)結(jié)果看,在汽車(chē)輔助駕駛系統(tǒng)圖像采集幀率為25 frame/s的情況下,本文方法滿足行車(chē)狀態(tài)時(shí)動(dòng)態(tài)目標(biāo)的實(shí)時(shí)檢測(cè)要求。

在實(shí)驗(yàn)過(guò)程中,隨著視頻幀檢測(cè)數(shù)的增加,即運(yùn)動(dòng)目標(biāo)總量的增加,累加每幀中漏檢和誤檢的目標(biāo)數(shù),并用檢測(cè)錯(cuò)誤率表示。圖3所示為本文方法與PF-SIFT和ISIFT-HT方法的對(duì)比結(jié)果。

圖3 目標(biāo)檢測(cè)錯(cuò)誤率隨目標(biāo)數(shù)的變化曲線

可以看出,環(huán)境的復(fù)雜變化以及視頻中目標(biāo)數(shù)的增加對(duì)PF-SIFT方法的檢測(cè)結(jié)果影響較大。分析實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),PF-SIFT方法在環(huán)境簡(jiǎn)單且每幀目標(biāo)數(shù)較少時(shí)錯(cuò)誤檢測(cè)率較低,當(dāng)環(huán)境復(fù)雜且目標(biāo)較多時(shí)錯(cuò)誤率較高。而本文檢測(cè)方法在背景復(fù)雜和背景簡(jiǎn)單時(shí)都取得了較好的檢測(cè)結(jié)果,雖然當(dāng)每幀圖像中目標(biāo)較多時(shí),對(duì)于較遠(yuǎn)處的低分辨率目標(biāo)會(huì)出現(xiàn)漏檢情況,而當(dāng)背景復(fù)雜且車(chē)出現(xiàn)顛簸時(shí),部分背景小目標(biāo)會(huì)被錯(cuò)誤檢測(cè)為動(dòng)態(tài)目標(biāo),但從整體實(shí)驗(yàn)結(jié)果看,本文方法錯(cuò)誤率較小且比較穩(wěn)定,其對(duì)行車(chē)環(huán)境具有較好的適應(yīng)性。

4 結(jié)束語(yǔ)

針對(duì)汽車(chē)輔助駕駛系統(tǒng)動(dòng)態(tài)目標(biāo)檢測(cè)面臨的復(fù)雜背景和系統(tǒng)對(duì)檢測(cè)的實(shí)時(shí)性要求,本文提出一種基于改進(jìn)SIFT算子和改進(jìn)假設(shè)檢驗(yàn)的動(dòng)態(tài)目標(biāo)檢測(cè)方法,在保持SIFT算子優(yōu)點(diǎn)的同時(shí),通過(guò)特征點(diǎn)對(duì)約束和相鄰幀位置估計(jì)加快全局背景補(bǔ)償參數(shù)的估計(jì)速度,并利用改進(jìn)背景區(qū)域方差計(jì)算方法提高假設(shè)檢驗(yàn)方法在行車(chē)環(huán)境下對(duì)背景方差的估計(jì)準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明,本文方法在保證與傳統(tǒng)方法相近性能的情況下,可實(shí)現(xiàn)快速解算,同時(shí)滿足系統(tǒng)對(duì)算法實(shí)時(shí)性的要求。

由于本文僅對(duì)車(chē)前動(dòng)態(tài)目標(biāo)進(jìn)行檢測(cè),因此下一步將針對(duì)短時(shí)靜態(tài)目標(biāo)或者目標(biāo)運(yùn)動(dòng)相對(duì)緩慢,以及在障礙物遮擋下目標(biāo)短暫消失的情況進(jìn)行研究,從而完善對(duì)車(chē)前目標(biāo)的檢測(cè),滿足汽車(chē)輔助駕駛系統(tǒng)更多的實(shí)際應(yīng)用需求。

[1] 游安清,程義民.基于背景運(yùn)動(dòng)補(bǔ)償?shù)募t外運(yùn)動(dòng)分析[J].強(qiáng)激光與粒子束,2003,15(5):431-434.

[2] 李 強(qiáng),張 鈸.一種基于圖像灰度的快速匹配算法[J].軟件學(xué)報(bào),2006,17(2):216-222.

[3] 施家棟,王建中.動(dòng)態(tài)場(chǎng)景中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[J].北京理工大學(xué)學(xué)報(bào),2009,29(10):858-891.

[4] RAATH G B,MAKUR A.Iterative Least Squares and Compression Based Estimations for a Four-parameter Linear Global Motion Model and Global Motion Com-pensation[J].IEEE Transactions on Circuits and Systems for Video Technology,2005,9(7):1075-1099.

[5] ALBU F,FLOREA C,ZAMFIR A,et al.Low Complexity Global Motion Estimation Techniques for Image Stabilization[C]//Proceedings of International Conference on Consumer Electronics.Washington D.C.,USA:IEEE Press,2008:1-2.

[6] 吳 強(qiáng),侯樹(shù)艷,李旭雯.融合圖像灰度信息與邊緣特征的快速匹配算法[J].信號(hào)處理,2013,29(2):268-273.

[7] YE K,SUKTANKAR R.PCA-SIFT:A More Distinctive Representation for Local Image Descriptors[C]//Proceedings of Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Press,2004:506-513.

[8] MIKOLAJCZYK K,SCHMID C.A Performance Evaluation of Local Descriptors[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(10):1615-1630.

[9] MORTENSEN E N,DENG H,SHAPIRO L.A SIFT Descriptor with Global Context[C]//Proceedings of CVPR’05.Washington D.C.,USA:IEEE Press,2005:184-190.

[10] MORENO P,BERNARDINO A,VICTOR S J.Improving the SIFT Descriptor with Smooth Derivative Filters[J].Pattern Recognition Letters,2009,30(1):18-26.

[11] LOWE D G.Object Recognition from Local Scale-invariant Features[C]//Proceedings of International Conference on Computer Vision.Washington D.C.,USA:IEEE Press,1999:1150-1157.

[12] LOWE D G.Distinctive Image Features from Scale-invariant Key Points[J].International Journal of Computer Vision,2004,60(2):91-110.

[13] 何孝瑩,岳建偉,張栩然.基于SIFT算法的無(wú)人機(jī)影像快速匹配[J].計(jì)算機(jī)工程,2011,37(7):216-218,230.

[14] BAY H,TUYTELAARS T,VAN G L.SURF:Speeded up Robust Features[C]//Proceedings of the 9th European Conference on Computer Vision.New York,USA:ACM Press,2006:404-417.

[15] ALAA E,FARAG A A.CSIFT:A SIFT Descriptor with Color Invariant Characteristics[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Press,2006:1978-1983.

[16] MOREL J M,YU Guoshen.ASIFT:A New Framework for Full Affine Invariant Image Comparison[J].SIAM Journal on Imaging Sciences,2009,2(2):438-469.

[17] LEUTENEGGER S,CHLI M,SIEGWART R Y.BRISK:Binary Robust Invariant Scalable Key Points[C]//Proceedings of IEEE International Conference on Computer Vision.Washington D.C.,USA:IEEE Press,2011:2548-2555.

[18] ALAHI A,ORTIZ R.FREAK:Fast Retina Keypoint[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Press,2012:510-517.

[19] 李 星,郭曉松,郭君斌.基于多特征融合的前向車(chē)輛檢測(cè)方法[J].計(jì)算機(jī)工程,2014,40(2):203-207.

[20] 賴作鎂,王敬儒,張啟衡.背景運(yùn)動(dòng)補(bǔ)償和假設(shè)檢驗(yàn)的目標(biāo)檢測(cè)算法[J].光學(xué) 精密工程,2007,15(1):112-116.

[21] 吳 駿,李文杰,耿 磊,等.基于單目視覺(jué)的前方車(chē)輛檢測(cè)與測(cè)距[J].計(jì)算機(jī)工程,2017,43(2):26-32.