自動(dòng)駕駛汽車車底邊框的優(yōu)化算法*

趙天昊, 白 杰

(同濟(jì)大學(xué)汽車學(xué)院，上海 2000092)

0 引 言

YOLO是自動(dòng)駕駛領(lǐng)域中常用的目標(biāo)檢測(cè)模型，同時(shí)也是自動(dòng)駕駛領(lǐng)域常用的框架之一，運(yùn)行速度其相比于其他駕駛檢測(cè)中常用的模型更快是其最大的特點(diǎn)，因此該模型可以廣泛應(yīng)用于對(duì)于實(shí)時(shí)性要求極高的汽車實(shí)際行駛工況。對(duì)于大范圍的全局信息，該模型通常較準(zhǔn)確，但是其短板在于對(duì)小范圍的不連續(xù)的信息上的表現(xiàn)并不準(zhǔn)確[1,2]。YOLO框架所提取出的汽車識(shí)別底邊框常存在底邊框識(shí)別不準(zhǔn)的問題，而汽車底邊框?qū)τ谙鄼C(jī)測(cè)距以及汽車框取范圍的自動(dòng)標(biāo)定有重要作用。目前主流方法是通過(guò)對(duì)底邊框重新人工標(biāo)定后進(jìn)行二次深度學(xué)習(xí)以校準(zhǔn)，但標(biāo)定成本高且對(duì)樣本需求量增加成為了主要問題[3]。本文通過(guò)改進(jìn)高斯混合模型來(lái)刻畫道路灰度值以及車底陰影值的正態(tài)分布規(guī)律，最后通過(guò)掃描算法確定并校準(zhǔn)汽車底邊框高度。

1 改進(jìn)高斯混合模型

混合高斯模型通常用于在相對(duì)穩(wěn)定背景的情況下對(duì)于前景物體的提取和檢測(cè)。單高斯模型是混合高斯模型的基礎(chǔ)，對(duì)同一個(gè)像素塊進(jìn)行多個(gè)單高斯模型建模即為高斯混合模型，對(duì)于多模態(tài)的背景及運(yùn)動(dòng)前景的準(zhǔn)確提取有一定的魯棒性[4,5]，本文通過(guò)改進(jìn)高斯混合模型使該算法適用于汽車行駛環(huán)境。

該算法的主要步驟是對(duì)目標(biāo)像素的多個(gè)單高斯模型的建立、更新相關(guān)參數(shù)并進(jìn)行突變點(diǎn)前景檢測(cè)以及多個(gè)單高斯模型的排序以及刪減。進(jìn)行高斯混合模型建模的像素塊包括各車底的等于汽車車框?qū)挾葁的w個(gè)像素塊以及鏡頭最下方中間部分的25個(gè)像素塊。例如將對(duì)圖1中黑框區(qū)域進(jìn)行改進(jìn)高斯混合模型算法的建模。

圖1 改進(jìn)高斯模型的建模區(qū)域

1.1 像素模型的定義

對(duì)每個(gè)像素進(jìn)行K個(gè)單高斯模型建模：P(p)={[wi(x,y,t),ui(x,y,t),δi(x,y,t)2]}，i=1,2,3,…,K。K的值通常由像素塊的模態(tài)的復(fù)雜程度決定，通常將其定在2～6之間，意為混合高斯模型中所含有的單高斯模型的個(gè)數(shù)，K取3，參數(shù)wi(x,y,t)表示每個(gè)單高斯模型的權(quán)重，滿足：

(1)

一個(gè)單高斯模型由三個(gè)參數(shù)(平均值、權(quán)重、標(biāo)準(zhǔn)方差)共同確定。

1.2 更新參數(shù)并進(jìn)行前景檢測(cè)

1.2.1 檢測(cè)是否匹配

若在(X,Y)處的像素值對(duì)于i=1,2,3,…,K滿足|Ii(x,y,t)-ui(x,y,t-1)|≤φδi(x,y,t-1)，則該新像素與單高斯模型匹配，則將該點(diǎn)進(jìn)行模型更新的迭代計(jì)算，然后開始權(quán)值修正步驟；如果不存在與新像素匹配的模型，則判斷該點(diǎn)為與之前模型均不匹配路面灰度突變點(diǎn)，此時(shí)將進(jìn)入新增模型步驟。用采集到的數(shù)據(jù)對(duì)匹配到的模型進(jìn)行參數(shù)更新的迭代計(jì)算公式為

ui(x,y,t)=(1-α)ui(x,y,t-1)+α×Ii(x,y,t)

(2)

δi(x,y,t)2=(1-α)×δi(x,y,t-1)2+

α×[Ii(x,y,t)-ui(x,y,t-1)]2

(3)

1.2.2 修正權(quán)值

為刻畫此模型更新后的真實(shí)重要性，應(yīng)修正與該像素完成匹配的單高斯模型的權(quán)值，權(quán)值增量為dw=α×(1-wi(x,y,t-1))，修改后的權(quán)值如下：

wi(x,y,t)=wi(x,y,t-1)+dw=wi(x,y,t-1)+

α×(1-wi(x,y,t-1))

(4)

完成修正權(quán)值步驟可跳過(guò)新增模型步驟，直接轉(zhuǎn)入權(quán)重歸一化步驟。

1.2.3 新增模型

如果新像素此時(shí)的數(shù)據(jù)是路面灰度突變點(diǎn)，即不與此時(shí)的任何一個(gè)已有的單高斯模型匹配，則：

1)如果當(dāng)前此像素點(diǎn)所擁有的單高斯模型數(shù)已經(jīng)達(dá)到數(shù)值K，則先去掉當(dāng)前像素所擁有的單高斯模型中重要性最小的單高斯模型，

2)增加一個(gè)新的單高斯模型，

3)文中取權(quán)重為0.1,均值為新像素值，取方差為20。

1.2.4 權(quán)重歸一化

(5)

1.3 多個(gè)單高斯模型的排序及刪減

為了提高新增模型時(shí)的算法效率以及如何選擇增刪某像素的單高斯模型，定義重要性參數(shù)，依據(jù)參數(shù)對(duì)固定像素所建立的單高斯模型按照從大到小進(jìn)行重要性排序，以完成模型的增刪操作。

假設(shè)道路灰度值模型通常具有以下特點(diǎn)：(1)權(quán)重大：實(shí)際道路正常灰度值出現(xiàn)的頻率高；(2)方差?。簩?shí)際道路像素值在連續(xù)時(shí)間內(nèi)變化通常不大。據(jù)此，定義

(6)

排序及刪減過(guò)程如下：

(1) 更新計(jì)算每個(gè)單模型的最新重要性值。

(2) 將各個(gè)單模型按照重要性從大到小進(jìn)行排列。

圖2 汽車初始化建模算法流程圖

圖3 掃描算法流程

圖4 某時(shí)刻兩種方式得到的汽車框高度對(duì)比

2 掃描算法

2.1 初始化檢測(cè)到的汽車模型

初始化算法只在該汽車被檢測(cè)的第一幀使用，起到初始化高斯混合模型數(shù)據(jù)的作用，具體的算法步驟見圖2

2.2 確定汽車框高度

通過(guò)初始化算法得到每一輛檢測(cè)到的車的車底及路面灰度值，然后對(duì)輸入的汽車高度h值乘以一個(gè)系數(shù)k(0

h=k*h

(7)

由于路面的整體灰度值符合正態(tài)分布[6]，并且在相鄰連續(xù)時(shí)間內(nèi)，路面灰度值的變化量可認(rèn)為近似于0，相同橫坐標(biāo)車與路面交界處點(diǎn)的灰度值在區(qū)間[u1(x,y,t)-2δ1(x,y,t),u1(x,y,t)+2δ1(x,y,t)]的概率大于99%，當(dāng)自上而下逐行掃描車框范圍內(nèi)所在行點(diǎn)的灰度值處于[u1(x,y,t)-2δ1(x,y,t),u1(x,y,t)+2δ1(x,y,t)]的概率大于一定值后可認(rèn)為已經(jīng)掃描到了路面，可取為0.8。

每次橫向掃描車框范圍內(nèi)與寬度值w相等個(gè)數(shù)的像素值，當(dāng)所在行滿足條件的像素點(diǎn)個(gè)數(shù)>=0.8*車框?qū)挾葧r(shí)退出循環(huán)，輸出此時(shí)對(duì)應(yīng)的汽車框的高度值h，并開始進(jìn)行高斯混合模型的迭代運(yùn)算。

3 實(shí)驗(yàn)結(jié)果

具體實(shí)驗(yàn)場(chǎng)地為上海市嘉定區(qū)曹安公路路段，測(cè)試車輛車速15km/h，目標(biāo)車輛車速為20km/h，圖4為無(wú)優(yōu)化的和優(yōu)化后得到的汽車車框高度值隨幀增加的變化情況

可以看出經(jīng)過(guò)優(yōu)化后的算法處理后的圖像明顯穩(wěn)定，呈現(xiàn)單調(diào)不增的趨勢(shì)，幀與幀之間無(wú)跳變，無(wú)波峰逆增長(zhǎng)現(xiàn)象。

實(shí)驗(yàn)的總幀數(shù)為100620幀，具體校準(zhǔn)情況見表1

表1 兩種方式得到的汽車框高度對(duì)比

通過(guò)實(shí)驗(yàn)數(shù)據(jù)可知，改進(jìn)高斯混合模型算法及原始方法在與手工標(biāo)定的高度進(jìn)行比較后，相差2像素以內(nèi)高度的比率提高了18.8%。

4 結(jié) 語(yǔ)

通過(guò)對(duì)于道路上的對(duì)所有YOLO框架檢測(cè)到的汽車底部的像素塊建立高斯混合模型來(lái)刻畫汽車底部的道路灰度值以及車底陰影灰度值的正態(tài)分布規(guī)律，然后通過(guò)對(duì)每輛檢測(cè)到的汽車進(jìn)行自上而下的掃描算法以確定汽車邊框的實(shí)際高度，最后通過(guò)實(shí)驗(yàn)證明了方法的可行性。