一種基于多特征融合級聯(lián)分類器的車輛檢測算法

周行，陳淑榮

（上海海事大學(xué)信息工程學(xué)院，上海 201306）

0 引言

當前，基于計算機視覺的智能交通系統(tǒng)（ITS）在道路交通監(jiān)管中越發(fā)重要，而基于視頻圖像的車輛檢測技術(shù)是其中的關(guān)鍵環(huán)節(jié)。常用的視頻車輛檢測方法有模板匹配法、光流法、統(tǒng)計學(xué)習法等，其中模板匹配法因計算量大往往效率較低，光流法計算復(fù)雜且抗噪性較差，而基于特征提取和分類器的統(tǒng)計學(xué)習法識別率較高因而使用較多。車輛檢測中常用的特征主要有方向梯度直方圖（HOG）、局部二值模式（LBP）、邊緣方向直方圖（EOH）、Haar-like、Gabor等。文獻[1]基于 HOG特征和支持向量機（SVM）實現(xiàn)了車輛檢測，計算量小，但特征過于單一易受外界環(huán)境干擾；文獻[2]利用形狀和紋理的融合特征和SVM進行車輛檢測，通過選取最佳降維區(qū)間，降低了誤檢率；文獻[3]將HOG特征與Haar-like特征融合，結(jié)合AdaBoost分類器進行車輛檢測，提高了識別率，但泛化性能不夠好；文獻[4]用Haarlike特征和AdaBoost分類器檢測后再用HOG特征和SVM分類器對車輛檢測結(jié)果再確認，排除誤檢區(qū)域，提高了準確率，但實時性不夠好。上述文獻的車輛檢測算法通常能適用于較多場景，但在過強或過弱光照環(huán)境中，監(jiān)控視頻圖像因亮度、對比度過強或過弱易使車輛輪廓特征丟失，從而導(dǎo)致較高的車輛漏檢誤檢率。

單一特征易受環(huán)境因素干擾導(dǎo)致車輛誤檢，為了平衡強、弱光照環(huán)境下車輛檢測的準確率、誤識率和實時性，本文根據(jù)HOG、LBP特征對光照變化的良好適應(yīng)性，結(jié)合顏色特征魯棒性好且計算量小的特點，融合HOG、LBP和顏色特征形成新特征；采用主成分分析（PCA）方法進行降維；利用Gentle AdaBoost[5]與SVM[6]組成的級聯(lián)分類器對視頻中的車輛進行檢測，能有效檢測正常光照、強光照和弱光照環(huán)境中的車輛。

1 算法理論

首先輸入一段視頻并將其分成幀圖像，用高斯濾波器平滑去噪，接著采用多尺度縮放加滑動窗口掃描的方式對幀圖像進行遍歷搜索并提取窗口特征，特征融合后進行PCA降維，通過訓(xùn)練好的級聯(lián)分類器進行分類，最后輸出車輛檢測結(jié)果。算法流程圖如圖1所示。

1.1 提取車輛HOG特征

HOG特征能較好地描述車輛的輪廓形狀，克服強、弱光照場景中車輛亮度的變化，對光照不敏感。車輛HOG特征提取首先計算圖像中所有像素點在水平方向和垂直方向的梯度，如式（1）和（2）：

圖1 算法流程圖

式中Gx(x,y)、Gy(x,y)和H(x,y)分別表示像素點(x,y)的水平方向梯度、垂直方向梯度和像素值，梯度大小G(x,y)和方向α(x,y)如式（3）和（4）：

將圖像分割成多個8×8像素的細胞單元（cell）并為每個cell構(gòu)建方向梯度直方圖，采用9個bin的直方圖對梯度信息進行統(tǒng)計，cell里每個像素的梯度方向在直方圖中進行投影且梯度大小為投影的權(quán)值；再將每2×2個cell共36維特征向量組成大的塊（block）并求其方向梯度直方圖向量，對每個block進行L2-norm歸一化從而得到塊描述符；最后將所有塊的特征向量組合在一起，生成15×11×36=5940維的HOG特征向量。圖 2（a）為原始圖像，圖 2（b）、2（c）分別為 HOG 特征及其逆變換的恢復(fù)圖像。從圖2（c）可看出，HOG特征對光照不敏感，但車輛輪廓特征出現(xiàn)了明顯丟失，易造成車輛的漏檢誤檢。因此，利用單一HOG特征進行車輛檢測會導(dǎo)致較高漏檢誤檢率。

圖2 原始圖像、HOG特征及其逆變換圖像

1.2 提取車輛LBP特征

LBP運算符能較好描述車輛的局部紋理特征，對光照變化具有較強魯棒性。將各個像素灰度值gc分別與其鄰域像素灰度值 g1、g2、g3、g4、g5、g6、g7、g8進行比較，如果鄰域像素灰度值大于中心像素灰度值，則該鄰域像素位置的灰度值記為1，否則記為0，紋理T定義如式（5）：

將得到的二進制字符串轉(zhuǎn)換為十進制，各中心像素的LBP值如式（7）：

LBP等價模式占全部模式很小比例卻能表示9成以上的紋理特征，車輛等價模式的LBP特征提取需先將圖像劃分成多個16×16的cell并計算其中每個像素點的LBP值；其次計算每個cell的統(tǒng)計直方圖，其維度由原來的256維減少為59維，將統(tǒng)計直方圖進行歸一化處理；依次連接起來形成了8×6×59=2832維的LBP特征向量。

圖3 原始圖像及LBP特征

圖 3（a）、3（b）分別為原始圖像及其 LBP 特征。從圖3（b）可看出，LBP特征對弱光照具有良好的適應(yīng)性，能較好地描述車輛的局部紋理，可減少車輛局部輪廓特征的丟失。因此，融合HOG和LBP特征將有效提高非正常光照環(huán)境下車輛檢測的識別率。

1.3 提取車輛顏色特征

車輛局部輪廓特征丟失，可借助顏色這一全局特征輔助檢測，其對視角、方向和尺寸的依賴度小，進一步降低漏檢誤檢率。顏色矩[7]能簡單有效地表示車輛的顏色特征，由于低階矩包含了圖像大部分顏色信息，用一階矩（均值）、二階矩（方差）和三階矩（偏斜度）可以表達圖像的顏色分布。為了降低光照變化對車身顏色的影響，在HSV顏色空間下提取車輛低階顏色矩特征。將RGB圖像轉(zhuǎn)換到HSV顏色空間并分別計算H、S、V 三通道的一階矩μi、二階矩σi和三階矩si，如式（8）～式（10）：

其中pi,j表示圖像第i個顏色通道分量中第j個像素出現(xiàn)的概率，N表示圖像像素個數(shù)；將其組合構(gòu)成16×12×3×3=1728 維的顏色特征。

1.4 多特征融合

為減少非正常光照環(huán)境下車輛局部輪廓特征的丟失，降低漏檢誤檢率，將上述提取的HOG特征、等價模式的LBP特征和低三階顏色矩特征進行串行融合，得到一個區(qū)分性更強的綜合特征。

1.5 PCA降維

式中m為樣本數(shù)量，n為特征維數(shù)，xi為第i維特征；利用奇異值分解計算協(xié)方差矩陣的特征值和特征向量并將特征值按從大到小的順序進行排列如式（12）：

式中U為協(xié)方差矩陣的所有特征向量，V是U的

多特征融合使特征向量大幅升高至10500維，為了消除大量冗余信息、加快運算速度，采用PCA對融合特征進行降維。PCA通過某種線性投影將高維數(shù)據(jù)映射到低維空間中，用盡量少的數(shù)據(jù)維度最大限度表示原數(shù)據(jù)的特性。首先計算出融合特征的均值μ并歸一化；其次計算融合特征的協(xié)方差矩陣Cov如式（11）：酉矩陣，S對角線上的元素為奇異值；保留U的前k列特征向量如式（13）：

最后依據(jù)降維結(jié)果重構(gòu)原數(shù)據(jù)，還原初始數(shù)據(jù)xa如式（14）：

其中z為降維后的樣本。

1.6 Gentle AdaBoost與SVM構(gòu)成的級聯(lián)分類器

AdaBoost[8]算法核心是弱分類器的加權(quán)組合和樣本權(quán)重的更新，其中Gentle AdaBoost的權(quán)重更新方式更加平滑，在速度和性能上能取得更好的效果[5]，實驗采用Gentle AdaBoost訓(xùn)練強分類器。但當車輛被錯分時因增加權(quán)重，使算法在后續(xù)過程過于關(guān)注被錯分的樣本，易導(dǎo)致過擬合現(xiàn)象且增加時間消耗。因此在Gentle AdaBoost級聯(lián)結(jié)構(gòu)的最后三層增加了泛化能力和魯棒性較強的SVM，有效降低了誤識率，提升了級聯(lián)分類器的整體性能。級聯(lián)分類器結(jié)構(gòu)如圖4所示。

圖4 級聯(lián)分類器結(jié)構(gòu)圖

2 算法步驟

（1）輸入交通監(jiān)控視頻，分成幀圖像，用高斯濾波器平滑去噪；

（2）采用多尺度滑動窗口法，遍歷幀圖像；

（3）提取車輛HOG特征、等價模式的LBP特征和低三階顏色矩特征；

（4）將提取的3種車輛特征串行融合；

（5）依次計算融合特征的均值、協(xié)方差矩陣的特征值和特征向量，取前k個主成分后得到降維數(shù)據(jù)；

（6）使用Gentle AdaBoost強分類器和SVM強分類器組成的級聯(lián)分類器進行特征分類；

（7）輸出車輛檢測結(jié)果。

3 實驗結(jié)果與分析

為了驗證本文算法的性能，在MATLAB R2015a的環(huán)境下進行實驗，PC配置為Intel酷睿i5-6200U，2.4 GHz CPU和8G內(nèi)存。實驗使用的正樣本來自UIUC車輛庫和MIT-CBCL數(shù)據(jù)庫，共計1200張，尺寸統(tǒng)一歸一化至128×96；負樣本選取的是包含行人、建筑、道路等在內(nèi)的非車輛圖片，共計2500張，尺寸不小于正樣本。檢測過程選取強光照、正常光照和弱光照3種不同光照強度的視頻作為測試樣本，提取出600幅幀圖像作為最終的測試樣本集。

車輛檢測算法性能的評價指標通常有檢測率、誤識率和時間消耗等，檢測率TPR和誤識率FPR分別如式（16）和（17）：

其中TP表示檢測正確的車輛數(shù)量；FN表示漏檢的車輛數(shù)量；FP表示誤識的非車數(shù)量；TN表示檢測正確的非車數(shù)量。

3.1 Gentle AdaBoost-SVM級聯(lián)層數(shù)選取

訓(xùn)練過程中每個強分類器的目標檢測率設(shè)定為99%，虛警率設(shè)定為50%，得到一個共15層的Gentle AdaBoost強分類器。為了提升分類器的泛化性能和減少時間消耗，在級聯(lián)結(jié)構(gòu)的末尾使用SVM強分類器，SVM級聯(lián)層數(shù)影響著級聯(lián)分類器的判別能力，表1為不同的SVM級聯(lián)層數(shù)在車輛誤識率方面的比較結(jié)果。

表1 不同的SVM級聯(lián)層數(shù)誤識率比較

SVM級聯(lián)層數(shù)的增多會增加時間消耗，實驗在級聯(lián)結(jié)構(gòu)的最后三層使用SVM分類器，降低了誤識率。

3.2 3種分類器性能比較

表2為 Gentle AdaBoost、SVM 和 Gentle AdaBoost-SVM分類器的性能比較結(jié)果。

表2 3種分類器性能比較

可見，Gentle AdaBoost-SVM的性能優(yōu)于另兩種分類器，因此選其作為實驗最終的分類器。

3.3 4種車輛檢測算法實驗結(jié)果與分析

實驗將本文算法分別與基于HOG特征的SVM算法、基于HOG-LBP特征的SVM算法和基于HOG-類Haar特征的AdaBoost算法進行比較，強光照、正常光照和弱光照環(huán)境下的車輛檢測結(jié)果分別如圖5、圖6和圖7所示。

圖5 強光照環(huán)境4種算法的車輛檢測結(jié)果

圖6 正常光照環(huán)境4種算法的車輛檢測結(jié)果

圖7 弱光照環(huán)境4種算法的車輛檢測結(jié)果

其中（a）為 HOG+SVM 算法，（b）為 HOG-LBP+SVM 算法，（c）為 HOG-類 Haar+AdaBoost算法，（d）為本文算法，實驗結(jié)果表明本文算法在不同光照強度環(huán)境下均能有效降低車輛漏檢誤檢率。

為了驗證本文算法在不同光照強度環(huán)境中的有效性，將本文算法分別與HOG+SVM算法、HOG-LBP+SVM算法和HOG-類Haar+AdaBoost算法的性能指標進行比較。表3是4種算法檢測率和誤識率的比較結(jié)果。

表3 4種車輛檢測算法檢測率、誤識率比較（%）

可見，強光照、正常光照和弱光照3種不同光照強度環(huán)境中本文算法較其他三種算法在檢測率和誤識率方面性能都有明顯提升。

時間消耗評價指標對比結(jié)果如表4所示。

相比之下，本文算法的訓(xùn)練耗時雖略長于基于HOG特征的SVM算法，但由于分類器是離線訓(xùn)練的，不影響檢測耗時。由于本文算法采用Gentle AdaBoost與SVM構(gòu)成的級聯(lián)分類器，以及多尺度滑動窗口法遍歷幀圖像，本文算法平均檢測耗時要略多于基于HOG-類Haar特征的AdaBoost算法，但本文算法漏檢率和誤識率更低。

表4 4種車輛檢測算法的耗時比較

4 結(jié)語

針對強、弱光照環(huán)境中監(jiān)控視頻因亮度、對比度過強或過弱使車輛輪廓特征丟失而出現(xiàn)的車輛漏檢誤檢情況，建立了一種基于多特征融合級聯(lián)分類器的抗光照車輛檢測算法。融合HOG特征、等價模式的LBP特征和低三階顏色矩特征表征車輛特征，減少了車輛局部輪廓特征的丟失；通過PCA降維，減少了冗余信息，提高了檢測效率；利用由Gentle AdaBoost與SVM構(gòu)成的級聯(lián)分類器，降低了車輛誤識率，提升了泛化能力，且滿足實時性的要求。