許 慶，高 峰，徐國艷

(北京航空航天大學(xué)交通科學(xué)與工程學(xué)院，北京 100191)

前言

道路上的實時前車識別與跟蹤是智能交通系統(tǒng)領(lǐng)域中的重要研究任務(wù)之一[1]。隨著近年計算機處理能力的提高和視頻技術(shù)的發(fā)展，基于視覺的實時車輛識別技術(shù)嶄露頭角。與其他方法相比，機器視覺具有信息來源廣，信息量大，屬于非接觸測量等優(yōu)點。其缺點是復(fù)雜環(huán)境下的識別算法有待提高，運算量大、實時性差[2]，相關(guān)設(shè)備價格昂貴等。

目前，在智能交通中常見的單目視覺檢測方法有差分法、光流法和特征檢測法等。其中，差分法實現(xiàn)簡單，運算速度快，幀間差分法對于動態(tài)環(huán)境自適應(yīng)性很強，對光線的變化不十分敏感。但其缺點是，對于幀間差分來說，灰度均勻的對象難以準確識別，甚至會在圖像內(nèi)部形成空洞[3]。

光流法對光照強度的變化非常敏感，無須預(yù)先知道場景信息。但由于前車與攝像頭相對運動的方向、速度和背景與攝像頭相對運動的速度都是不定的，故難以在前車識別中應(yīng)用。文獻[4]中提出可用光流法識別對面車輛。

特征檢測法在智能交通中的應(yīng)用常見于靜止的監(jiān)控攝像頭，近年來國內(nèi)外相關(guān)論文又多利用車輛底部陰影特征實時識別前車。但陰影特征對于環(huán)境光照要求較高，且難以分辨車輛與其他物體，故相對局限性較大。本文中重點研究了基于Haar特征的車輛識別算法。該方法最早在文獻[5]中提出并用于人臉識別。在前車識別中，由于一般來說兩車的相對運動不大，具有清晰的特征，故引入此方法依據(jù)車尾特征識別前方車輛。

1 車尾分類器原理

1.1 Haar特征

Haar特征是基于灰度圖像的弱特征。該特征用于表述圖像某一位置附近矩形區(qū)域的圖像強度，并計算其強度差別。圖1中所示矩形塊表示了3類Haar特征。這些方塊特征的大小不固定，但灰色與白色方塊的形狀和大小總是相同的。其中，雙矩形特征(又名邊緣特征)用來計算水平(或垂直)兩個矩形塊之間的強度差，3矩形特征(又名線性特征)用來計算兩側(cè)與中心的強度差，4矩形特征(又名對角線特征)用來計算兩對角線對的強度差[6]。若檢測出其差值大于閾值，則判定為特征。相對其他特征檢測算法，計算速度是使用積分圖像的Haar特征檢測算法的顯著優(yōu)點。

1.2 積分圖像

文獻[5]中提到，即便是24×24的圖像，其特征的總量也相當大(過完備的特征共有45 396個)。故須使用積分圖像以提高運算速度，如圖2所示。對區(qū)域的強度求和，即

式中:I為強度，S為對應(yīng)點在積分圖像中的值。

由此可計算圖像的特征，并提高檢測速度。例如，對于圖2所示的區(qū)域D而言，其強度為

1.3 AdaBoost算法

Boosting是一個將弱學(xué)習算法融合為強學(xué)習算法的方法[7]。AdaBoost(Adaptive Boosting)為 Boosting算法中的一種。AdaBoost算法根據(jù)每次訓(xùn)練中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權(quán)值。而后，將每次訓(xùn)練得到的分類器融合起來，作為最后的決策分類器。只要滿足一個特征的錯誤率比猜測的錯誤率低(e＜0.5)，該特征即可被用作一個弱分類器。AdaBoost訓(xùn)練分類器的方法見文獻[7]。

1.4 級聯(lián)分類器

級聯(lián)分類器的構(gòu)造如圖3所示。樣本的特征被分為數(shù)個分類器。分類器串聯(lián)時，將由重要特征構(gòu)成的結(jié)構(gòu)相對簡單的分類器放在前面，可快速排除大量樣本。依此劃分下去，最后一個分類器留下來的就是檢測到的目標[5，8－9]。

2 車尾分類器的訓(xùn)練與初步測試

2.1 分類器的訓(xùn)練

本文中提取訓(xùn)練樣本的Haar特征，得到基于車輛尾部特征的弱分類器。并由AdaBoost訓(xùn)練，加權(quán)將弱分類器構(gòu)造為強分類器，級聯(lián)得到40×40的汽車尾部分類器。

用于訓(xùn)練樣本的車輛尾部圖片共有1 152張。其中，選用CALTECH的cars1999中的圖片126張，cars2001中的圖片526張，本文中拍攝圖片500張。另選取道路、建筑等圖片932張，作為背景樣本。

2.2 分類器的初步測試

使用MIT CBCL CAR DATBASE中的汽車尾部圖片共172張(復(fù)雜背景)，測試訓(xùn)練出的汽車尾部分類器。測試結(jié)果表明，分類器可較有效地捕捉車輛尾部特征，對于車輛的正確識別、漏檢和誤檢的概率分別為81.4%、18.6%和8.14%。

利用訓(xùn)練出的車尾分類器，分別測試了在停車場與實際道路上的實時前車識別(圖4)。同時，使用OpenCV中提供的David Bradley人體分類器識別行人(圖5)，作為對比驗證。初步對比試驗表明，訓(xùn)練得到的車尾分類器已基本達到研究要求，能夠較好地識別車輛。但試驗也暴露出實際使用中的一些問題，如位于遠處的車輛或行人，都因圖像分辨率低而無法被識別、存在誤檢等。針對這些問題和實際道路的特殊條件，本文中提出算法的改進方案。

3 算法改進與試驗分析

3.1 前車識別算法的改進

3.1.1 重復(fù)識別的處理

初步試驗中，對同一待識別目標，有時會出現(xiàn)重合的矩形框。對此，通過計算矩形框覆蓋的重合度來合并重復(fù)識別的目標，并給定重合度閾值。試驗中定義的重合度閾值為85%，即如果一個矩形框的85%與另一矩形框重合，則判定它們?yōu)橥荒繕恕?/p>

3.1.2 誤檢噪聲的消除

增加假設(shè)驗證模塊，利用先驗知識(如由于車輛近大遠小，很遠的地方不會存在很大的矩形框等)，消除查找區(qū)域中的誤檢矩形框。利用Hough變換與攝像頭中心位置找到滅點，矩形框位置縱坐標與滅點縱坐標之差限制著矩形框大小。若矩形框與預(yù)估值大小之差的絕對值大于閾值，則判斷為誤檢。

3.1.3 遠距離目標的識別

初步試驗發(fā)現(xiàn)，在320×240分辨率下，上述的方法對于前方2.5～20m的車輛識別效果良好;但對于20m以外的車輛，由于特征不明顯，效果不佳;在640×480的分辨率下，因分辨率的提高，可以增加可識別的距離，但識別速度相對較慢。

假設(shè)當前車輛只對道路前方一定范圍內(nèi)的車輛感興趣，依此建立感興趣區(qū)域，僅查找該區(qū)域中的車輛;并每隔數(shù)幀使用高分辨率視頻(試驗中采用2幀/s)，查找位于視頻中部感興趣區(qū)域中的遠端車輛。此外，建立了簡單道路車輛模型，采用卡爾曼濾波[10]預(yù)估車輛位置。

3.1.4 檢測的判定

采用多幀過濾的方法來判定前方是否有車。令:

在第k幀時，查詢先前的n幀:

式中f為預(yù)設(shè)的判定為有效像素點的概率。如果矩形框內(nèi)P=1的點數(shù)占總點數(shù)的百分比大于目標判定閾值(試驗中定為70%，視漏檢概率而定)，則判定為有車。

3.2 道路試驗與結(jié)果分析

依上述算法改進程序并在真實道路上再次試驗，發(fā)現(xiàn)先前測試中出現(xiàn)的重復(fù)識別和誤檢基本消除，漏檢得到改善。使用針對畫面中心較遠目標建立的感興趣區(qū)域，配合道路車輛模型與基于Cam-Shift的圖像跟蹤后，算法識別的有效距離增加，圖4右圖中未能識別出的車輛在圖6中已被識別。但仍存在被遮擋目標難以識出的問題。雖嘗試采用車道識別等一些方法減弱其影響，但效果均不理想?？煽紤]配合激光測距或GPS定位與車車通信等手段，將各類傳感器信息融合，建立出更完善的實時的道路車輛模型。

4 結(jié)論

在前人對Haar特征的研究基礎(chǔ)上，提取車輛尾部Haar特征，將所得弱分類器由AdaBoost訓(xùn)練，級聯(lián)后得到基于Haar特征的車尾級聯(lián)分類器。在復(fù)雜背景試驗中，分類器的識別率約為81.4%。針對戶外實時測試中暴露的不足改進了算法。定義矩形框重合度閾值消除重復(fù)識別，利用先驗知識減少誤檢噪聲，使用多幀過濾捕捉漏檢目標;隔幀使用高分辨率視頻查找感興趣區(qū)域內(nèi)車輛增加識別距離?；鞠塑囕v的重復(fù)識別和誤檢，漏檢與遠距離目標不易被識別的情況得到改善。

[1]Bensrhair A，Bertozzi M，Broggi A，et al．A Cooperative Approach to Vision-based Vehicle Detection[C]．Proc．IEEE Conf．on Intelligent Transportation System，Oakland，CA，2001:207－212．

[2]高峰，等．基于模糊神經(jīng)網(wǎng)絡(luò)的車輛碰撞預(yù)警算法[J]．江蘇大學(xué)學(xué)報(自然科學(xué)版)，2006(5):211－215．

[3]李平，等．自適應(yīng)背景恢復(fù)差減算法[D]．長春:長春理工大學(xué)，2008．

[4]Baker S，Scharstein D，Lewis J P，et al．A Database and Evaluation Methodology for Optical Flow[C]．Proc．ICCV，2007．

[5]Viola Paul，Jones Michael J．Robust Real-time Object Detection[R]．Cambridge Research Laboratory，2001．

[6]Jaesik Choi．Realtime On-Road Vehicle Detection with Optical Flows and Haar-like Feature Detector[R]．Illinois:UIUC，2007．

[7]劉瑞禎，等．OpenCV教程[M]．北京:北京航空航天大學(xué)出版社，2007:385－386．

[8]林莉鳳．快速行人偵測基于AdaBoost和樣板比對法的駕駛輔助系統(tǒng)[D]．臺灣:國立中央大學(xué)，2007．

[9]Florian Adolf．How-to Build a Cascade of Boosted Classifiers Based on Haar-like Features[R]．America:2003．

[10]黃宇辰．以視覺為基礎(chǔ)的車對車偵測及追蹤系統(tǒng)[D]．臺灣:國立中央大學(xué)，2005．