基于貝葉斯估計(jì)的環(huán)境車(chē)輛感知

郝鑫

基于貝葉斯估計(jì)的環(huán)境車(chē)輛感知

郝鑫

（安徽理工大學(xué) 機(jī)械工程學(xué)院，安徽 淮南 232000）

為了改善傳統(tǒng)背景差分法受場(chǎng)景變化影響較大的缺點(diǎn)，文章提出了一種使用貝葉斯估計(jì)對(duì)差分后的圖像像素點(diǎn)進(jìn)行是否為車(chē)輛的概率估計(jì)方法的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表示，抑制場(chǎng)景無(wú)用的像素點(diǎn)變化達(dá)到12.5%?；谪惾~斯估計(jì)的環(huán)境車(chē)輛感知能夠明顯提高車(chē)輛的檢測(cè)準(zhǔn)確度，降低誤檢率。

貝葉斯估計(jì)；背景差分法；車(chē)輛檢測(cè)

前言

隨著國(guó)家信息化，智能化的不斷發(fā)展，人們對(duì)科技的依賴(lài)達(dá)到了前所未有的高度。人們的日常出行離不開(kāi)交通工具，在國(guó)家不斷穩(wěn)步向好的發(fā)展趨勢(shì)中，汽車(chē)逐漸成為了重要的交通工具。智能汽車(chē)的發(fā)展趨勢(shì)是無(wú)人駕駛，同時(shí)車(chē)輛能夠保證行駛安全。環(huán)境感知技術(shù)是無(wú)人駕駛的重要基礎(chǔ)技術(shù)。車(chē)輛檢測(cè)作為環(huán)境感知技術(shù)的重要組成部分，引起了科研人員的重視。

1 相關(guān)工作

針對(duì)車(chē)輛檢測(cè)的特性，傳統(tǒng)的解決方法是通過(guò)機(jī)器視覺(jué)生成一個(gè)背景，再使用實(shí)時(shí)檢測(cè)的圖像與背景作差生成前景圖像，最后對(duì)前景圖像進(jìn)行一系列的處理得到車(chē)輛信息的方法。70年代末Jain等人提出了使用幀間差分的方法提取運(yùn)動(dòng)目標(biāo)[1]。1999年Stauffer等人提出了混合高斯背景建模法[2]，這種方法通過(guò)自身改變背景模型來(lái)適應(yīng)各種復(fù)雜情景。2005年Wang等人提出了基于樣本一致性（SACON）的背景建模方法[3]。該方法測(cè)量新像素點(diǎn)與背景像素點(diǎn)的距離，計(jì)算相近值的數(shù)目，從而判斷是否為前景。2008年Maddalena等人提出了一種基于自組織神經(jīng)網(wǎng)絡(luò)的空間一致性背景減除法（SOBS）[4]。這種方法通過(guò)自組織生成神經(jīng)網(wǎng)絡(luò)來(lái)建立背景模型，利用空間一致性來(lái)更新背景階段，最后使用前景像素點(diǎn)與背景像素點(diǎn)的距離提取目標(biāo)。2010年廖博士提出了一種核密度估計(jì)法進(jìn)行前景與背景的分割算法[5]。這種方法利用主成分分析（PCA）對(duì)被測(cè)視頻連續(xù)進(jìn)行特征分解，從而檢測(cè)出前景目標(biāo)。

本文提出了一種基于貝葉斯估計(jì)的環(huán)境車(chē)輛檢測(cè)，此系統(tǒng)用于車(chē)輛在駐車(chē)時(shí)通過(guò)攝像頭感知周?chē)h(huán)境的車(chē)輛分布情況，以實(shí)現(xiàn)監(jiān)控，安保等功能。此系統(tǒng)基于統(tǒng)計(jì)學(xué)原理的車(chē)輛檢測(cè)的思路，利用背景差分法對(duì)視頻中出現(xiàn)的車(chē)輛與背景的像素點(diǎn)進(jìn)行分類(lèi),再使用貝葉斯估計(jì)對(duì)差分圖像像素點(diǎn)是否為被測(cè)車(chē)輛進(jìn)行概率估計(jì)，從而確定被測(cè)車(chē)輛的模型，對(duì)其進(jìn)行識(shí)別。

2 圖像預(yù)處理

2.1 幾何變換

由于視頻硬件自身的問(wèn)題，使用平移、轉(zhuǎn)置、縮放等幾何變換的手段對(duì)圖像進(jìn)行改正。

2.2 OTSU算法

此方法依靠灰度特性將圖片的構(gòu)成分為目標(biāo)和背景，兩者的類(lèi)間方差決定錯(cuò)分概率。OTSU算法需要尋找一個(gè)閾值，使得同一類(lèi)加權(quán)方差最小。需要滿(mǎn)足以下關(guān)系式：

2.3 圖像平滑

高斯模糊：低通濾波的一種，也就是濾波函數(shù)是低通高斯函數(shù)。一般實(shí)現(xiàn)方法有離散化窗口滑窗卷積和使用傅里葉變換。

高斯模糊是將灰度圖像與高斯核卷積：

其中，*為卷積，G是標(biāo)準(zhǔn)差為的二位高斯核，定義為：

2.4 形態(tài)學(xué)轉(zhuǎn)換

開(kāi)閉運(yùn)算：開(kāi)運(yùn)算操作首先進(jìn)行腐蝕處理再進(jìn)行膨脹處理。其功能是消除突兀的像素點(diǎn)、平滑較大物體的邊界，同時(shí)其面積不會(huì)受到明顯的改變。閉運(yùn)算操作首先進(jìn)行膨脹處理再進(jìn)行腐蝕處理。其功能是填補(bǔ)缺失的像素點(diǎn)、使距離相近且像素值相似的點(diǎn)連接并平滑其邊界。

2.5 形態(tài)學(xué)梯度

由于視頻硬件自身的問(wèn)題，使用平移、轉(zhuǎn)置、縮放等幾何變換的手段對(duì)圖像進(jìn)行改正。sobel算子：利用圖像邊緣像素的亮暗程度來(lái)檢測(cè)邊緣的離散微分算子。

dx為水平方向，dy表示垂直方向，其算法公式為：

laplacian算子：利用圖像中心像素值與四周像素值的差異，對(duì)鄰域中心像素向四周求梯度，使得圖像銳化。分為四鄰域和八鄰域：

3 背景差分法

選取干凈且不帶被測(cè)目標(biāo)的背景圖像，將檢測(cè)視頻與背景圖像做差分來(lái)識(shí)別車(chē)輛，如下圖1所示。

圖1 算法原理

3.1 差分圖像

其主要原理是利用實(shí)時(shí)幀圖像跟背景幀圖像相減成差來(lái)提取運(yùn)動(dòng)目標(biāo)。Wang等人提出了基于樣本一致性（SACON）的背景建模方法[3-4]。首先選擇一幀圖像作為背景圖像，記為fn，背景圖像跟實(shí)時(shí)圖像中的像素的灰度值分別記為B（x，y）和fn（x，y），將二者相減做差，對(duì)差值取絕對(duì)值，記為差分圖像Dn：

再設(shè)定閾值進(jìn)行二值化處理，得到二值化圖像Rn’。

最后對(duì)二值化圖像Rn’進(jìn)行連通性分析，得到檢測(cè)后的圖像Rn。

3.2 貝葉斯估計(jì)

Li等人使用貝葉斯方法處理面對(duì)不同的外觀模型對(duì)圖像中的物體進(jìn)行分類(lèi)[6]。場(chǎng)景中存在樹(shù)木的葉子會(huì)隨風(fēng)晃動(dòng)，陽(yáng)光照射導(dǎo)致陰影的變化等情況，這些情況會(huì)導(dǎo)致檢測(cè)出現(xiàn)錯(cuò)誤，在保證背景圖像實(shí)時(shí)更新的前提下，采用貝葉斯理論對(duì)每個(gè)像素變化的是被測(cè)車(chē)輛正確識(shí)別，從而提高車(chē)輛檢測(cè)的正確性。

根據(jù)貝葉斯理論，將差分后的圖像Rn，已判定為車(chē)輛的像素點(diǎn)Ic，Ic領(lǐng)域的像素點(diǎn)Ib定義為服從概率分布的變量。

被測(cè)點(diǎn)的后驗(yàn)分布：

p（x | Rn,Ic,Ib）=∫p（x,ξ | Rn,Ic,Ib）dξ （7）

后驗(yàn)分布化為似然性、先驗(yàn)分布和超先驗(yàn)分布三個(gè)部分的乘積：

p（x│Rn,Ic,Ib)=

∫p（Rn|x,ξ,Ic,Ib）p（x|ξ,Ic,Ib）p（ξ|Ic,Ib）dξ （8）

已判定為車(chē)輛的像素點(diǎn)Ic只影響似然性，Ic鄰域的像素點(diǎn)Ib只影響先驗(yàn)分布，可表示為：

p（x│Rn,Ic,Ib）=p（Rn|x,Ic）p（x|Ib） （9）

根據(jù)公式得出的被測(cè)點(diǎn)范圍大小，將其設(shè)定閾值來(lái)約束檢測(cè)的是否為識(shí)別的車(chē)輛的像素點(diǎn)，公式為：

設(shè)置閾值的高低影響場(chǎng)景中樹(shù)葉晃動(dòng)和陰影的被錯(cuò)誤檢測(cè)的概率，閾值低時(shí)大范圍的樹(shù)葉晃動(dòng)和陰影會(huì)被誤認(rèn)為是車(chē)輛，閾值高時(shí)遠(yuǎn)處的車(chē)輛會(huì)識(shí)別失敗。

4 應(yīng)用實(shí)驗(yàn)

4.1 差分圖像及直方圖對(duì)比

傳統(tǒng)背景差分法如下圖2、3所示：

圖2 差分圖像

圖3 差分圖像的分布直方圖

使用貝葉斯估計(jì)后如下圖4、5所示：

圖4 使用后的差分圖像

改進(jìn)后對(duì)差分圖像的右上部分場(chǎng)景干擾因素有明顯抑制，樹(shù)葉和陰影區(qū)域的變化減少；從直方圖分布顯示，黑色像素點(diǎn)增多，白色像素點(diǎn)減小，證明被檢測(cè)的范圍顯著減小。抑制場(chǎng)景無(wú)用的像素點(diǎn)變化達(dá)到12.5 %。

圖5 使用后的分布直方圖

4.2 視頻測(cè)試

使用針對(duì)車(chē)輛檢測(cè)的程序?qū)β窙r視頻進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)測(cè)試如圖所示：

圖6 檢查點(diǎn)1

圖7 檢查點(diǎn)2

圖8 檢查點(diǎn)3

圖9 檢查點(diǎn)4

以無(wú)車(chē)輛的圖片為背景，對(duì)實(shí)驗(yàn)視頻進(jìn)行四組抽幀檢測(cè)。圖1中實(shí)際出現(xiàn)車(chē)輛4輛，識(shí)別檢測(cè)車(chē)輛3輛。圖2中實(shí)際出現(xiàn)車(chē)輛5輛，識(shí)別檢測(cè)車(chē)輛4輛。圖3中實(shí)際出現(xiàn)車(chē)輛4輛，識(shí)別檢測(cè)車(chē)輛2輛。圖4中實(shí)際出現(xiàn)車(chē)輛4輛，識(shí)別檢測(cè)車(chē)輛2輛。程序算法表現(xiàn)結(jié)果為近距離的車(chē)輛能夠準(zhǔn)確顯示，且沒(méi)有檢測(cè)錯(cuò)誤的區(qū)域出現(xiàn)。

5 結(jié)論

正文基于貝葉斯估計(jì)的背景差分法的環(huán)境車(chē)輛檢測(cè)方法，能有效檢測(cè)較近距離車(chē)輛，對(duì)較遠(yuǎn)距離車(chē)輛有誤差，但可以抑制和過(guò)濾場(chǎng)景中樹(shù)木的枝葉晃動(dòng)和光線(xiàn)的變換等干擾的無(wú)用的像素點(diǎn)變化達(dá)到12.5 %。

[1] Jain R, Nagel H H. On the analysis of accumulative difference pictures from image sequences of real world scenes.[J].IEEE Tran- sactions on Pattern Analysis & Machine Intelligence,1979,1(2):206- 214.

[2] Stauffer, Chris, Grimson, W.E.L. Adaptive Background Mixture Models for Real-Time Tracking[J].Proc Cvpr,1999 (2):2246.

[3] Wang H, Suter D.Background Subtraction Based on a Robust Con- sensus Method[C]//Pattern Recognition, International Conference on.IEEE Computer Society,2006:223-226.

[4] Maddalena L,Petrosino A.The SOBS algorithm:What are the limits [C]//Computer Vision and Pattern Recognition Workshops,2012 IEEE Computer Society Conference on IEEE,2012:21-26.

[5] Liao S,Zhao G,Kellokumpu V. Modeling pixel process with scale invariant local patterns for background subtraction in complex scenes[C]//Computer Vision and Pattern Recognition,2010 IEEE Conference on.IEEE,2010:1301-1306.

[6] Li,Fei-Fei,Fergus,R.,and Perona,P.A Bayesian approach to unsuper- vised one-shot learning of object categories[C]//In Proceedings of the International Conference on Computer Vision,2003.

Environmental Vehicle Perception Based on Bayesian Estimation

HAO Xin

( College of Mechanical Engineering, Anhui University of science and technology, Anhui Huainan 232000 )

In order to improve the traditional background subtraction method which is greatly affected by scene changes, this paper proposes a Bayesian estimation method to estimate whether the pixels in the difference image are vehicles. The experimental results show that the useless pixels in the scene can be suppressed by 12.5 % from the distribution histogram. Environmental vehicle perception based on Bayesian estimation can significantly improve the accuracy of vehicle detection and reduce the false detection rate.

Bayesian estimation;Background difference method;Vehicle identification

U467

B

1671-7988(2021)20-31-04

U467

B

1671-7988(2021)20-31-04

10.16638/j.cnki.1671-7988.2021.020.008

郝鑫，碩士研究生，安徽理工大學(xué)機(jī)械工程學(xué)院，研究方向?yàn)闄C(jī)器視覺(jué)檢測(cè)。