基于單傳感器的智能車輛前車識(shí)別方法研究

張博森，陳學(xué)文

（遼寧工業(yè)大學(xué) 汽車與交通工程學(xué)院，遼寧 錦州 121001）

前言

隨著傳感技術(shù)和計(jì)算機(jī)技術(shù)的快速發(fā)展，作為前沿的主動(dòng)安全駕駛技術(shù)——高級(jí)駕駛輔助系統(tǒng)（Advanced Driver Assistance Systems, ADAS）有效減少了交通事故率。在2018年和2019年國(guó)內(nèi)汽車市場(chǎng)連續(xù)兩年下滑[1]的背景下，中國(guó)工程院院士、中國(guó)汽車工程協(xié)會(huì)理事長(zhǎng)李駿在首屆中國(guó)智能汽車創(chuàng)新發(fā)展戰(zhàn)略高峰論壇上表達(dá)了對(duì)智能車輛的肯定，強(qiáng)調(diào)了發(fā)展相關(guān)技術(shù)的必要性和緊迫性。而前車的有效識(shí)別是ADAS走向成熟的關(guān)鍵一步，目前相關(guān)技術(shù)存在許多問題[2]，走在智能駕駛前沿的Tesla等品牌汽車多次發(fā)生追尾、沖撞護(hù)欄的事故，故有效的前車識(shí)別仍然是世界科研院所和車企的研究熱點(diǎn)。本文針對(duì)視覺和雷達(dá)傳感器的前車識(shí)別方法進(jìn)行了綜述，并給出改進(jìn)意見。

1 基于視覺的前車識(shí)別研究概況

隨著圖像傳感技術(shù)、CPU等硬件和圖像處理技術(shù)的發(fā)展，基于視覺的目標(biāo)識(shí)別完成了從“手動(dòng)提取目標(biāo)特征并人工識(shí)別”、“手動(dòng)標(biāo)記目標(biāo)特征然后機(jī)器識(shí)別”到“機(jī)器自動(dòng)提取目標(biāo)特征并識(shí)別”的轉(zhuǎn)變，檢測(cè)實(shí)時(shí)性和識(shí)別精度都有了質(zhì)的飛躍。

1.1 基于傳統(tǒng)圖像處理技術(shù)的前車識(shí)別

基于傳統(tǒng)圖像處理方法的前車識(shí)別需要手動(dòng)提取并處理目標(biāo)車輛的顯著特征。此方法不需要大量的數(shù)據(jù)集，但是識(shí)別精度較低，漏檢率和誤檢率較高。鑒于車輛底部陰影與周遭道路環(huán)境有更高的對(duì)比度，Nur Shazwani A.[3]等人利用斑點(diǎn)分析手段檢測(cè)車底陰影特征，結(jié)合水平Scharr-Sobel增強(qiáng)算子，提出了一種基于車輛底部陰影的車輛檢測(cè)算法。針對(duì)夜間等陰暗環(huán)境，Jun-jie Zhang[4]等人通過labview視覺工具獲取只顯示尾燈紅色信息的圖像，利用NI視覺工具去除噪聲并根據(jù)幾何關(guān)系進(jìn)一步獲取車輛位置，但此方法在室外環(huán)境下容易造成誤判。

除上述方法以外，Bertozzi等人構(gòu)建拐角特征的車輛模板用于車輛識(shí)別；Ratan等人提出通過檢測(cè)車輪特征進(jìn)而推斷車輛位置的方法；Bensrhari等人通過立體視覺方法和三維車輛模型來檢測(cè)識(shí)別前車。為排除單目視覺易受環(huán)境變化的影響，Wang Hui[5]等人基于雙目相機(jī)檢測(cè)的方法獲得準(zhǔn)確的深度信息，再通過處理車輛輪廓信息識(shí)別檢測(cè)前車，此方法具有較高的魯棒性。

1.2 基于機(jī)器學(xué)習(xí)的前車識(shí)別

基于機(jī)器學(xué)習(xí)的前車檢測(cè)方法是先人工標(biāo)記樣本中車輛的顯著特征，設(shè)計(jì)出可以識(shí)別此類特征的樣本分類器，然后通過具有自動(dòng)判斷能力的分類器來魯棒的實(shí)現(xiàn)前車的識(shí)別。P.M. Daigavane[6]等人利用圖像預(yù)處理、圖像分割和斑點(diǎn)分析等方法通過使用背景減法算法來分析前景區(qū)域以檢測(cè)車輛。采用帶sigmoid傳遞函數(shù)的三層多層膜濾波器，提出采用反向傳播神經(jīng)網(wǎng)絡(luò)（BNN）算法的車輛識(shí)別分類技術(shù)。Kumar Satzoda[7]等人提出了一套全新的車輛檢測(cè)系統(tǒng)——VeDAS系統(tǒng)，其使用改進(jìn)的主動(dòng)學(xué)習(xí)框架訓(xùn)練Haar–Adaboost級(jí)聯(lián)分類器，可完成車輛的大部分檢測(cè)，結(jié)合基于對(duì)稱性的迭代分析，提高了部分可見和完全可見車輛的檢測(cè)準(zhǔn)確率。Mahdi Rezaei[8]等人通過車輛線和角的特征獲得感興趣區(qū)域，提出一種自適應(yīng)全局Haar分類器，結(jié)合基于虛擬對(duì)稱方法檢測(cè)尾燈配對(duì)的特征，進(jìn)而減少車輛漏檢，最后用Dempster–Shafer證據(jù)理論實(shí)現(xiàn)數(shù)據(jù)融合。經(jīng)試驗(yàn)驗(yàn)證，運(yùn)用該方法在近距離、全天候、霧天、雨夜、雪天等情境下都有可觀的檢測(cè)率。

1.3 基于深度學(xué)習(xí)的前車識(shí)別

基于深度學(xué)習(xí)的車輛識(shí)別不需要人工設(shè)計(jì)車輛特征且無需對(duì)輸入圖像進(jìn)行一系列的預(yù)處理可直接將原始彩色圖像作為輸入，是一種基于機(jī)器學(xué)習(xí)的高級(jí)方法。其中局部連接和權(quán)值共享的思想大大減少了計(jì)算機(jī)的參數(shù)計(jì)算量，加快了訓(xùn)練速度。

Rajkumar Theagarajan[9]等人使用支持向量機(jī)（Support Vector Machine，SVM）融合利用圖像處理技術(shù)、數(shù)學(xué)理論識(shí)別的牌照與后保險(xiǎn)杠距離等視覺物理特征和利用VGG16卷積神經(jīng)網(wǎng)絡(luò)提取的“視覺”特征完成了車輛的識(shí)別分類，利用該SVM模型的平均分類精度達(dá)到96.61%。Ali Tourani[10]等人對(duì)輸入圖像進(jìn)行去噪、對(duì)比度增強(qiáng)、銳化和直方圖均衡化等處理，運(yùn)用改進(jìn)的ResNet-50網(wǎng)絡(luò)提取圖像特征，在Faster R-CNN框架下實(shí)現(xiàn)了車輛的識(shí)別，實(shí)驗(yàn)證明該方法具有準(zhǔn)實(shí)時(shí)性和較高的準(zhǔn)確性。Mohammad Wahyudi Nafi[11]等人基于Mask R-CNN框架，利用Library TensorFlow Object Detection API，通過融合車輛和車標(biāo)兩個(gè)訓(xùn)練集，實(shí)現(xiàn)了幾種車型相同不同品牌的精準(zhǔn)分類，但此方法的實(shí)時(shí)性不佳。Kwang-Ju Kim[12]等人在改進(jìn)傳統(tǒng)的Yolo-v3算法的基礎(chǔ)上，提出了一種基于空間金字塔融合的多尺度車輛檢測(cè)方法，對(duì)車輛尺度變化和遮擋的目標(biāo)具有很好的魯棒性而且具有更佳的檢測(cè)率。

為提升YOLO 系列算法定位精度問題，Wei Liu[13]等人提出SSD算法，融合了YOLO回歸思想和基于區(qū)域建議anchor的Faster R-CNN精確定位的優(yōu)點(diǎn)，并在多尺度的特征圖上進(jìn)行目標(biāo)檢測(cè)。實(shí)驗(yàn)證明，其檢測(cè)速度是Faster R-CNN的8倍，而且檢測(cè)精度達(dá)到75.6%。Qiaoqian Chen[14]等人基于VGG16網(wǎng)絡(luò)為基礎(chǔ)的SSD模型，在開源數(shù)據(jù)集KITTI（世界上最大的自動(dòng)駕駛計(jì)算機(jī)視覺算法評(píng)估數(shù)據(jù)集）和實(shí)際拍攝的圖像中收集了5 000個(gè)訓(xùn)練樣本作為訓(xùn)練數(shù)據(jù)集。手動(dòng)標(biāo)注圖像，選擇合適的正負(fù)樣本，完成了網(wǎng)絡(luò)訓(xùn)練，最終實(shí)現(xiàn)了車輛的檢測(cè)識(shí)別。

2 基于雷達(dá)的前車識(shí)別研究概況

雷達(dá)可以獨(dú)立于光線條件工作，并直接返回本車與前車的距離等信息。自投入到民用市場(chǎng)以來，對(duì)于利用車載雷達(dá)進(jìn)行前車識(shí)別的研究從未間斷。

2.1 基于毫米波雷達(dá)的前車識(shí)別

毫米波雷達(dá)[15]通過發(fā)射接收毫米波信號(hào)并分析反射電波頻移來探測(cè)目標(biāo)。其具備全天候、全天時(shí)工作特點(diǎn)，穿透能力較強(qiáng)，具有良好的縱向探測(cè)性能，可以精確地獲取與前車的相對(duì)距離和相對(duì)速度。在自適應(yīng)巡航系統(tǒng)和盲點(diǎn)探測(cè)系統(tǒng)中被廣泛使用。

Adrian Macaveiu[16]等人利用數(shù)據(jù)關(guān)聯(lián)算法和卡爾曼濾波來估計(jì)運(yùn)動(dòng)目標(biāo)的狀態(tài)，提出了一種應(yīng)用于實(shí)際測(cè)量數(shù)據(jù)的汽車?yán)走_(dá)目標(biāo)跟蹤信號(hào)處理方案并用MATLAB軟件和實(shí)際測(cè)試驗(yàn)證了目標(biāo)跟蹤算法的可行性。為提高雷達(dá)對(duì)靜止目標(biāo)的檢測(cè)能力，Xiuzhang Cai[17]等人選用具有波束導(dǎo)向能力的雷達(dá)，通過數(shù)值模擬生成RCS數(shù)據(jù)庫(kù)和統(tǒng)計(jì)模型，采用PO方法生成RCS圖像，利用神經(jīng)網(wǎng)絡(luò)方法，將統(tǒng)計(jì)參數(shù)和RCS圖像用于行人、車輛和多種靜止目標(biāo)的目標(biāo)分類。

2.2 基于激光雷達(dá)的前車識(shí)別

激光雷達(dá)使用不同角度的密集空間紅外激光束來探測(cè)周遭事物。利用預(yù)處理獲得的雷達(dá)點(diǎn)云數(shù)據(jù)可以快速地對(duì)車輛和環(huán)境進(jìn)行三維建模，進(jìn)而提取車輛的準(zhǔn)確位置和幾何形狀信息。經(jīng)過數(shù)據(jù)處理，還可以獲取車輛的速度等信息，因此盡管激光雷達(dá)價(jià)格昂貴，易受外界環(huán)境的干擾，但其有全天時(shí)的工作能力和一定的橫向探測(cè)能力，所以仍然有一定的研究?jī)r(jià)值。

P.Steinemann[18]等人提出了一種使用激光雷達(dá)測(cè)量車輛三維輪廓的穩(wěn)健方法，利用描述車輛幾何屬性的約束來擴(kuò)展車輛曲面的創(chuàng)建并引入表面置信度來確定離散位置處表面的可靠性。使用加權(quán)配準(zhǔn)方法直接計(jì)算連續(xù)3D輪廓的速度，實(shí)現(xiàn)了對(duì)前車的識(shí)別與跟蹤。Beno?t Fortin[19]等人提出了一種基于模型的激光雷達(dá)多車檢測(cè)與跟蹤方法。利用激光掃描儀和建立的跟蹤對(duì)象幾何不變特性模型結(jié)合參數(shù)聚類方法完成了多目標(biāo)識(shí)別跟蹤任務(wù)。此方法具有很好的魯棒性，提高了遮擋目標(biāo)的檢測(cè)成功率。

為提高車輛高速遠(yuǎn)距離的可疑目標(biāo)檢測(cè)與跟蹤，T. Ogawa[20]等人基于動(dòng)態(tài)規(guī)劃、貝葉斯概率方法和激光雷達(dá)數(shù)據(jù)提出了一種檢測(cè)前跟蹤（Track-Before-Detect, TBD）算法，即在檢測(cè)前或檢測(cè)過程中結(jié)合跟蹤的方法來檢測(cè)相鄰時(shí)間內(nèi)的遠(yuǎn)方模糊目標(biāo)。

3 結(jié)論

（1）目前基于視覺的前車檢測(cè)，在檢測(cè)速度和檢測(cè)精度的平衡方法上仍有一定的改進(jìn)空間。為了進(jìn)一步提高視覺檢測(cè)的性能，應(yīng)考慮優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的特征提取方法，提高神經(jīng)網(wǎng)絡(luò)各個(gè)池化層的利用率，改進(jìn)檢測(cè)算法結(jié)構(gòu)，結(jié)合one-stage檢測(cè)算法的回歸思想，提高檢測(cè)系統(tǒng)的識(shí)別速度和精度。

（2）基于雷達(dá)的前車檢測(cè)，應(yīng)充分利用雷達(dá)傳感器距離探測(cè)準(zhǔn)確的特點(diǎn)，對(duì)中距離探測(cè)性能良好的毫米波雷達(dá)和激光雷達(dá)進(jìn)行前車識(shí)別的針對(duì)性研究，進(jìn)一步改善毫米波雷達(dá)對(duì)靜態(tài)車輛目標(biāo)的識(shí)別能力，提高激光雷達(dá)的聚類精度。