基于MeanShift算法的車輛檢測與跟蹤研究

何俊龍

摘 要：文章通過建立車輛正、負(fù)樣本庫，完成對車輛識別分類器的訓(xùn)練，并通過MeanShift跟蹤算法完成對前方已識別車輛的穩(wěn)定跟蹤。試驗結(jié)果表明，該算法能夠準(zhǔn)確、穩(wěn)定地對前方車輛進行跟蹤，且實時性較高，可以為汽車主動安全系統(tǒng)提供可靠支持。

關(guān)鍵詞：汽車安全 MeanShift算法 車輛識別與跟蹤

1 引言

在汽車智能化發(fā)展過程中，移動車輛的識別與跟蹤一直以來都是最熱門的研究內(nèi)容之一。金立生等人運用Adaboost算法對日間前方車輛的完成了準(zhǔn)確且快速地檢測[1]。趙奇慧等人就深度學(xué)習(xí)運用于車輛跟蹤的神經(jīng)網(wǎng)絡(luò)模型進行了詳細(xì)的闡述，并對目前車輛檢測中待解決的問題、未來待改進的方向進行了分析和討論[2]。本文所采用的MeanShift算法自Fukunage學(xué)者在1975年提出后，至今仍是業(yè)界內(nèi)非常著名的跟蹤算法，該方法在低速場景下對移動目標(biāo)的跟蹤具有非常良好的準(zhǔn)確性及實時性。

2 前方車輛識別

車輛識別分類器的訓(xùn)練過程主要通過調(diào)整參數(shù)對樣本進行特征提取并計算，包括采集樣本、創(chuàng)建Haar特征、設(shè)置及調(diào)整參數(shù)、計算虛警率（誤差率）等。檢測流程最重要的步驟是對圖像劃定ROI并對其進行搜索，從而得到識別結(jié)果。

2.1 正、負(fù)樣本

正樣本集為試驗臺中前方車輛尾部的圖像，共1000張，負(fù)樣本集為不含車輛的其他圖像，共3000張。

2.2 Haar-like特征與積分圖

Haar-like特征是圖像中的矩形特征，本文通過對車輛的尾部輪廓特征進行研究，從而實現(xiàn)對前方車輛的識別與跟蹤。

積分圖是一種加速特征計算的數(shù)學(xué)方法。積分圖中ii（x，y）的大小等于點（x，y）左上方區(qū)域所有像素值之和。

式中為點的像素值，為點的積分值。

2.3 分類器與級聯(lián)分類器

為降低分類器的誤警率，在進行訓(xùn)練時，必須設(shè)置一個合理的特征閥值處理正、負(fù)樣本并使每個弱分類器對應(yīng)一個Haar-like特征。

通過Adaboost算法將訓(xùn)練所得的弱分類器組合成一個強分類器。并將其按照由易到難的方式進行逐級串聯(lián)，得到級聯(lián)分類器。在級聯(lián)分類器結(jié)構(gòu)中，每個子窗口會通過所有的分類器，如果子窗口中不存在待檢測圖像會立即被排除，只有被所有強分類器檢測到有效目標(biāo)后，才能輸出檢測結(jié)果。因此該分類器不僅提升了目標(biāo)檢測的準(zhǔn)確性，還提高了算法的檢測效率。

3 跟蹤算法

3.1 MeanShift跟蹤算法

本文采用MeanShift跟蹤算法對分類器所識別出的結(jié)果進行跟蹤，并確定跟蹤目標(biāo)的運動軌跡。該算法先通過計算出當(dāng)前特征點的偏移均值，并將特征點移動到此，然后以其為新的起點繼續(xù)移動，直到滿足最終條件為止。MeanShift跟蹤算法的核心是其目標(biāo)模型、目標(biāo)候選模型、相似性函數(shù)三者的確定。

3.1.1 目標(biāo)模型

3.2 Mean Shift跟蹤算法過程

MeanShift跟蹤算法的具體流程為：

a、當(dāng)同1個目標(biāo)被連續(xù)檢測到n（本文取n=3）次時，即判定其為待跟蹤目標(biāo)，調(diào)用算法對其進行跟蹤;

b、當(dāng)被連續(xù)檢測到的目標(biāo)在某幀丟失時，算法判定該目標(biāo)臨時失效，利用跟蹤結(jié)果將其位置在圖中標(biāo)記出來;

c、當(dāng)被連續(xù)跟蹤的目標(biāo)消失m幀（本文取m=5）時，判定目標(biāo)已經(jīng)離開檢測范圍，不再對其進行跟蹤，直到新目標(biāo)出現(xiàn)并滿足第一個條件;

d、當(dāng)被跟蹤目標(biāo)在m幀內(nèi)被重新檢測出來時，使用該目標(biāo)對算法進行更新，繼續(xù)對目標(biāo)進行跟蹤。

4 試驗驗證

4.1 前方車輛識別

為驗證算法的有效性，分別對車輛在直線道路和彎曲道路行駛工況下進行識別，結(jié)果分別如圖1所示。

由圖1（a）可知，識別算法能夠準(zhǔn)確識別出車道正前方的小車，對左側(cè)車道上較近的小車也有較好的識別效果。當(dāng)出現(xiàn)外界環(huán)境干擾，即前車尾燈點亮?xí)r，該算法仍能夠?qū)η胺杰囕v進行準(zhǔn)確識別并有效標(biāo)記。

由圖1（b）可知，當(dāng)前車行駛在彎道上時，雖然其航向角相對于本車發(fā)生了變化，也能被準(zhǔn)確識別。這得益于Haar-like對前車尾部輪廓特征和邊緣特征的準(zhǔn)確提取，并對其進行訓(xùn)練后所得的性能優(yōu)良分類器。

另外，對試驗過程中采集到的600幀圖像（兩種工況各300幀）進行識別，識別率高達97%，并且每幀圖片的平均處理時間為30ms，試驗表明該識別算法具有較好的實時性。

4.2 前方車輛跟蹤

由于單目視覺不能直接獲取前方車輛的深度信息，本文在進行跟蹤試驗時，采用毫米波雷達對前方車輛的深度信息進行采集，再與圖像信息進行融合，效果如圖2（a）所示。同時對連續(xù)檢測成功且未丟失的目標(biāo)位置進行跟蹤并對其中心位置進行持續(xù)標(biāo)記，跟蹤效果如圖2（b）所示。

在試驗過程中分別對直道和彎道2種工況進行數(shù)據(jù)記錄，2種工況各截取了300幀連續(xù)試驗數(shù)據(jù)，如表1所示。

由圖2（a）可知，毫米波雷達測得左前車的速度為1.25m/s，與本車的間距為0.9m，通過坐標(biāo)系的統(tǒng)一，將測量結(jié)果顯示在已被標(biāo)記的車輛上方。從圖2（b）中可以看出，目標(biāo)位置的中心變化軌跡，即實驗過程中前車的運行軌跡近似為一條直線，與該試驗項目中預(yù)先設(shè)置的前車運行軌跡相符合。從表1中的數(shù)據(jù)可以看出，2種工況下跟蹤算法的跟蹤率均高于90%，直道工況下跟蹤率甚至高達97.3%，且跟蹤延時均不超過20ms，試驗結(jié)果表明該算法具有良好的跟蹤效果。

5 結(jié)語

本文借助輔助駕駛模擬試驗臺的環(huán)境，驗證車輛識別與跟蹤算法的實時性與準(zhǔn)確性。試驗結(jié)果表明，識別算法具有良好的實時性。利用毫米波雷達采集到的深度信息與MeanShift算法聯(lián)合對車輛進行跟蹤，有效降低了該算法對目標(biāo)顏色的依賴，極大提高了車輛識別的準(zhǔn)確性與跟蹤過程的穩(wěn)定性。

參考文獻：

[1]金立生，王巖，劉景華，王亞麗，鄭義.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（06）：1604-1608.

[2]趙奇慧，劉艷洋.基于深度學(xué)習(xí)的車輛跟蹤算法綜述[J].電子技術(shù)與軟件工程，2020（03）：142-145.