王傳欽，曹江濤，姬曉飛

(1.遼寧石油化工大學(xué)信息與控制工程學(xué)院，遼寧撫順 113001; 2.沈陽航空航天大學(xué)自動(dòng)化學(xué)院，遼寧沈陽 110136)

基于視頻分析技術(shù)的車距測(cè)量及預(yù)警系統(tǒng)設(shè)計(jì)

王傳欽1，曹江濤1，姬曉飛2

(1.遼寧石油化工大學(xué)信息與控制工程學(xué)院，遼寧撫順 113001; 2.沈陽航空航天大學(xué)自動(dòng)化學(xué)院，遼寧沈陽 110136)

車距測(cè)量及預(yù)警是汽車主動(dòng)安全技術(shù)中的一個(gè)重要組成部分，而基于視覺的車距測(cè)量及預(yù)警系統(tǒng)一直是智能車系統(tǒng)和輔助安全系統(tǒng)中研究的熱點(diǎn)。為了提高車距測(cè)量的精確度和實(shí)時(shí)性，以Visual C++6.0集成開發(fā)環(huán)境和OpenCV開源計(jì)算機(jī)視覺庫為實(shí)驗(yàn)平臺(tái)，設(shè)計(jì)并實(shí)現(xiàn)了一種基于視頻分析技術(shù)的車距測(cè)量及預(yù)警系統(tǒng)。該系統(tǒng)具有車輛檢測(cè)、車輛跟蹤、距離測(cè)量及預(yù)警等功能。以Haar-like特征作為圖像描述，結(jié)合Adaboost算法訓(xùn)練分類器實(shí)現(xiàn)道路中車輛的檢測(cè);采用CamShift和Kalman相結(jié)合的方法實(shí)現(xiàn)目標(biāo)車輛的跟蹤及預(yù)測(cè);提出一種基于RBF神經(jīng)網(wǎng)絡(luò)的車距測(cè)量及預(yù)測(cè)方法。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能較準(zhǔn)確地實(shí)現(xiàn)1～15 m范圍內(nèi)的車輛檢測(cè)及車距測(cè)量，且具有良好的實(shí)時(shí)性。

車輛檢測(cè);Haar-like特征;Adaboost算法;跟蹤;RBF神經(jīng)網(wǎng)絡(luò)

0 引言

絕大多數(shù)的交通事故都是因?yàn)轳{駛員注意力不集中，在危險(xiǎn)來臨時(shí)不能及時(shí)采取相應(yīng)的措施，從而導(dǎo)致慘劇的發(fā)生。如果駕駛員能夠?qū)崟r(shí)地得到與前方車輛的距離，當(dāng)距離小于安全距離時(shí)得到語音提示，這樣就能及時(shí)地提醒駕駛員，從而避免很多交通事故的發(fā)生。因此，車距預(yù)警系統(tǒng)得到了越來越廣泛的應(yīng)用［1-2］。文獻(xiàn)［3］提出的超聲波車距預(yù)警系統(tǒng)，優(yōu)點(diǎn)是原理簡(jiǎn)單、成本低，解決了障礙物的二維定位問題，但可測(cè)量的范圍比較小，對(duì)于高速行駛的車輛很難起到預(yù)警的作用。隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，它在智能交通系統(tǒng)中的作用不斷完善，把計(jì)算機(jī)視覺技術(shù)應(yīng)用在預(yù)警系統(tǒng)和防碰撞系統(tǒng)中，對(duì)智能交通系統(tǒng)性能的提高起到了極其重要的作用［4］。文獻(xiàn)［5］中提出在DM642平臺(tái)上，采用雙目測(cè)距的方法實(shí)現(xiàn)的車距預(yù)警系統(tǒng)，能夠較為準(zhǔn)確地實(shí)現(xiàn)車輛檢測(cè)識(shí)別和測(cè)距功能，但是計(jì)算量大，實(shí)時(shí)性差，需要特殊硬件的支持。

基于視頻分析技術(shù)的車距測(cè)量系統(tǒng)的核心為車輛檢測(cè)算法。目前常用的方法大致可歸結(jié)為三類:基于運(yùn)動(dòng)的方法、基于知識(shí)的方法和基于外形的方法。文獻(xiàn)［6］提出的光流法，優(yōu)點(diǎn)是光流場(chǎng)攜帶了有關(guān)物體運(yùn)動(dòng)和景物三維結(jié)構(gòu)的豐富信息，但該方法處理速度較慢，不能滿足實(shí)時(shí)處理的要求，且抗噪性能差;文獻(xiàn)［7］提出的幀差法是以背景固定不變?yōu)榍疤岬?，而文獻(xiàn)［8］提出的背景消減法對(duì)光照的變化和陰影的干擾非常敏感，對(duì)于不斷變換的復(fù)雜背景情況，這兩種方法就不適用了;文獻(xiàn)［9］提出的基于知識(shí)的方法，在障礙物數(shù)量較少的情況下檢測(cè)效率較高，但復(fù)雜環(huán)境下的錯(cuò)誤識(shí)別率有所增加。

從應(yīng)用的角度來講，預(yù)警系統(tǒng)要具有良好的實(shí)時(shí)性，測(cè)量的距離要足夠遠(yuǎn)，要滿足安全距離的要求。文中采用一種基于Haar特征和Adaboost分類器的車輛檢測(cè)算法［10］，并利用CamShift和Kalman相結(jié)合的方法實(shí)現(xiàn)目標(biāo)車輛的跟蹤，具有識(shí)別性能好、誤識(shí)率低、實(shí)時(shí)性好等優(yōu)點(diǎn)，能夠滿足系統(tǒng)的設(shè)計(jì)需求。同時(shí)，文中提出了基于RBF神經(jīng)網(wǎng)絡(luò)算法的車距測(cè)量及預(yù)測(cè)方法，當(dāng)車距小于設(shè)定值時(shí)進(jìn)行警報(bào)，應(yīng)用前景較好。

1 系統(tǒng)概述

該系統(tǒng)選用索尼HDR-XR550E攝像機(jī)拍攝實(shí)際道路上車輛，以Visual C++6.0和OpenCV為實(shí)驗(yàn)平臺(tái)進(jìn)行實(shí)驗(yàn)驗(yàn)證。系統(tǒng)主要包括車輛檢測(cè)、車輛跟蹤和車距測(cè)量及預(yù)警3個(gè)基本部分。采用基于Haar-like特征［11-13］的 Adaboost分類器進(jìn)行車輛檢測(cè);利用CamShift和Kalman相結(jié)合的方法實(shí)現(xiàn)目標(biāo)車輛跟蹤;采用RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車距測(cè)量和預(yù)測(cè)，并設(shè)定報(bào)警最小閾值，當(dāng)測(cè)量距離小于設(shè)定值時(shí)進(jìn)行報(bào)警提示以實(shí)現(xiàn)預(yù)警功能。系統(tǒng)結(jié)構(gòu)框圖如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)框圖

2 系統(tǒng)的功能模塊設(shè)計(jì)及實(shí)現(xiàn)

2.1 車輛檢測(cè)模塊

圖2所示的車輛檢測(cè)流程包括三個(gè)部分:通過攝像機(jī)采集視頻圖像，并對(duì)圖像進(jìn)行灰度化、濾波等預(yù)處理，以降低光照環(huán)境變化對(duì)特征提取帶來的不利影響;根據(jù)多尺度掃描機(jī)制掃描圖像獲取子窗口;把子窗口作為分類器的輸入進(jìn)行檢測(cè)，若檢測(cè)結(jié)果為車輛，則保留，否則舍棄，直至遍歷完整張待識(shí)別圖像，并將檢測(cè)區(qū)域進(jìn)行合并處理，最終得到目標(biāo)車輛區(qū)域。這里使用的分類器為基于Haar-like特征的Adaboost分類器，該分類器以含有邊緣特征、線特征、中心特征和對(duì)角特征四大類15種特征的Haar-like特征為圖像描述，根據(jù)Adaboost算法針對(duì)同一訓(xùn)練集訓(xùn)練不同的弱分類器，然后把這些弱分類器集合起來而構(gòu)成。檢測(cè)結(jié)果表明，基于分類器的車輛檢測(cè)算法能夠很好地檢測(cè)出不同路況、不同環(huán)境下的多種類型車輛，且具有良好的實(shí)時(shí)性和較高的準(zhǔn)確度。

2.2 車輛跟蹤模塊

近年來，CamShift跟蹤算法因其良好的實(shí)時(shí)性和魯棒性得到了廣泛應(yīng)用。該算法在簡(jiǎn)單背景下具有較好的跟蹤效果，然而，當(dāng)背景中含有大面積相似顏色干擾時(shí)，CamShift算法的跟蹤效果將不再準(zhǔn)確，而且有可能丟失跟蹤目標(biāo)，導(dǎo)致跟蹤失敗。為了克服這一問題，文中采用了 CamShift和 Kalman相結(jié)合的跟蹤方法［14-16］，算法的整體流程圖見圖3。

由于視頻中連續(xù)兩幀圖像的間隔時(shí)間比較短，所要跟蹤的目標(biāo)車輛的運(yùn)動(dòng)狀態(tài)不會(huì)發(fā)生太大的變化，

可以近似認(rèn)為目標(biāo)車輛在連續(xù)兩幀圖像時(shí)間間隔內(nèi)做勻速運(yùn)動(dòng)。定義狀態(tài)量Xk=(xk，yk，vx，vy)T，觀測(cè)量kkZk=(xk，yk)T，預(yù)測(cè)狀態(tài)量T。其中，xk，yk分別表示目標(biāo)車輛在X軸和Y軸上的位置; vxk，vyk分別表示目標(biāo)車輛在X軸和Y軸上的運(yùn)動(dòng)速度;分別表示Kalman濾波器預(yù)測(cè)的目標(biāo)車輛在X軸和Y軸上的位置;，分別表示Kalman濾波器預(yù)測(cè)的目標(biāo)車輛在X軸和Y軸上的運(yùn)動(dòng)速度，并將狀態(tài)轉(zhuǎn)移矩陣A設(shè)定為:

式中，T表示連續(xù)兩幀之間運(yùn)動(dòng)的間隔時(shí)間。

觀測(cè)矩陣H設(shè)定為:

動(dòng)態(tài)噪聲方差矩陣Q設(shè)定為:

測(cè)量噪聲方差矩陣R為:

初始誤差方差矩陣P0為:

算法的基本思想是，首先利用已提取出的運(yùn)動(dòng)車輛的位置信息來初始化CamShift跟蹤算法中的初始搜索窗口和Kalman濾波器，然后使用Kalman濾波器預(yù)測(cè)出搜索窗口的新位置，同時(shí)使用CamShift算法計(jì)算目標(biāo)在該幀圖像中的最優(yōu)位置和大小。當(dāng)視頻中的某一幀或某幾幀圖像目標(biāo)檢測(cè)失敗時(shí)，使用Kalman濾波器的預(yù)測(cè)值代替CamShift算法計(jì)算出的目標(biāo)位置。圖4為21幀至26幀圖像的跟蹤效果圖。

2.3 車距測(cè)量與識(shí)別模塊

徑向基(RBF)神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)的很多缺點(diǎn)，具有很好的通用性。Hartman［17］等已經(jīng)證明，只要有足夠多的隱藏層神經(jīng)元，RBF神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任何連續(xù)函數(shù)，而且結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練速度快。文中提出了基于RBF神經(jīng)網(wǎng)絡(luò)算法的車距測(cè)量及預(yù)測(cè)的方法。與文獻(xiàn)［18］提到的攝像機(jī)測(cè)距模型相比，該方法不需要對(duì)攝像機(jī)內(nèi)部參數(shù)進(jìn)行標(biāo)定，也不用單獨(dú)考慮成像系統(tǒng)誤差、成像模型、透鏡畸變等帶來的影響，而是在訓(xùn)練神經(jīng)網(wǎng)時(shí)絡(luò)隱含地解決。

文中設(shè)計(jì)的RBF神經(jīng)網(wǎng)絡(luò)不僅僅可以根據(jù)目標(biāo)車輛底部在圖像中的位置y計(jì)算出相應(yīng)的距離信息D，還具有根據(jù)當(dāng)前時(shí)刻的位置信息及之前兩幀圖像的位置信息預(yù)測(cè)未來車輛距離的預(yù)測(cè)作用，同時(shí)，若這些測(cè)量的距離信息小于設(shè)定值則進(jìn)行警報(bào)。該神經(jīng)網(wǎng)絡(luò)由三層網(wǎng)絡(luò)結(jié)構(gòu)組成:輸入層、隱含層及輸出層。各單元數(shù)分別取為3，50，3。其中，第一層為輸入層，對(duì)應(yīng)輸入為當(dāng)前幀位置坐標(biāo)yi及前兩幀位置坐標(biāo)yi－1、yi－2;第二層為隱層，選取高斯函數(shù)為徑向基函數(shù)，在這一層中可以根據(jù)輸入向量確定聚類中心以及隱層至輸出層的連接權(quán)值;第三層為輸出層，分別輸出當(dāng)前幀圖像對(duì)應(yīng)的實(shí)際距離Di和之后未來兩幀圖像中可能的車輛預(yù)測(cè)距離Di+1、Di+2。

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，設(shè)定訓(xùn)練誤差為0.01，最大迭代次數(shù)為500，初始學(xué)習(xí)速率為0.01，結(jié)果表明在1～15 m范圍內(nèi)最大測(cè)量誤差為0.32 m。表1為部分測(cè)試數(shù)據(jù)及誤差。其中，D為神經(jīng)網(wǎng)絡(luò)實(shí)際輸出，E為實(shí)際輸出與理想輸出的誤差。

為驗(yàn)證文中方法的有效性，在白天正常光照條件下行駛道路上進(jìn)行實(shí)驗(yàn)驗(yàn)證，圖5為實(shí)驗(yàn)效果圖。

實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能較準(zhǔn)確地實(shí)現(xiàn)1～15 m范圍內(nèi)的車輛檢測(cè)及車距測(cè)量，同時(shí)采用CamShift和Kalman相結(jié)合的跟蹤方法，有效地減少了圖像中掃描車輛的時(shí)間，實(shí)時(shí)性比較好。

3 結(jié)束語

文中設(shè)計(jì)并實(shí)現(xiàn)了一種基于視頻分析技術(shù)的車距測(cè)量及預(yù)測(cè)系統(tǒng)。該系統(tǒng)采用一種基于特征的車輛檢測(cè)方法，通過提取15種不同類型的Haar-like特征，訓(xùn)練Adaboost分類器識(shí)別檢測(cè)出車輛信息，同時(shí)采用CamShift和Kalman相結(jié)合的跟蹤方法，能夠?qū)崿F(xiàn)實(shí)時(shí)檢測(cè)和跟蹤。另外，文中提出一種基于RBF神經(jīng)網(wǎng)絡(luò)算法的車距測(cè)量及預(yù)測(cè)方法，在攝像機(jī)固定不變的情況下，根據(jù)檢測(cè)出的車輛信息和構(gòu)建好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，能準(zhǔn)確、快速地得出當(dāng)前幀及預(yù)測(cè)未來兩幀圖像中前方車輛的距離，并且當(dāng)這3幀中的任一幀測(cè)量距離小于設(shè)定值時(shí)進(jìn)行警報(bào)。實(shí)驗(yàn)結(jié)果表明，在不同的光照條件和復(fù)雜的背景條件下，系統(tǒng)都具有良好的實(shí)時(shí)性、較高的準(zhǔn)確度，對(duì)外界環(huán)境具有較強(qiáng)的魯棒性和可靠性，能較準(zhǔn)確地實(shí)現(xiàn)1～15 m范圍內(nèi)的車輛檢測(cè)及車距測(cè)量，在實(shí)際應(yīng)用中能起到很好的預(yù)警效果。該系統(tǒng)是在Visual C++6.0開發(fā)環(huán)境下，借助OpenCV視覺庫進(jìn)行的系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)，具有較強(qiáng)的可移植性，可應(yīng)用到車載系統(tǒng)、盲人導(dǎo)航等智能系統(tǒng)中。

［1］ Couthon J，Mezouar Y，Martinet P.Autonomous navigation of vehicles from a visual memory using a generic camera model ［J］.IEEE Transactions on Intelligent Transportation Systems，2009，10(3):392-402.

［2］ 張廣秀.基于視覺的汽車前向防碰撞技術(shù)的研究［D］.天津:河北工業(yè)大學(xué)，2008.

［3］ 沈 燕，高曉蓉，李金龍.超聲車距預(yù)警系統(tǒng)設(shè)計(jì)［J］.現(xiàn)代電子技術(shù)，2012，35(13):191-194.

［4］ 李婷俐.基于多特征級(jí)聯(lián)分類器的道路車輛檢測(cè)方法研究［D］.長(zhǎng)沙:湖南大學(xué)，2012.

［5］ 程 震，夏偉杰.基于DM642的車距預(yù)警系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］.重慶科技學(xué)院學(xué)報(bào):自然科學(xué)版，2011，13(4):152-154.

［6］ 吳新根，羅立民.一種改進(jìn)的光流場(chǎng)計(jì)算方法［J］.電子學(xué)報(bào)，2000，28(1):130-131.

［7］ 嚴(yán)曉明.一種基于改進(jìn)幀差法的運(yùn)動(dòng)目標(biāo)檢測(cè)［J］.莆田學(xué)院學(xué)報(bào)，2011，18(5):69-72.

［8］ 張志付.基于背景減法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究［D］.上海:上海交通大學(xué)，2008.

［9］ 姜 睿.基于知識(shí)的人臉檢測(cè)與人臉識(shí)別系統(tǒng)研究［D］.西安:西北工業(yè)大學(xué)，2004.

［10］文學(xué)志，方 巍，鄭鈺輝.一種基于類Haar特征和改進(jìn)AdaBoost分類器的車輛識(shí)別算法［J］.電子學(xué)報(bào)，2011，39 (5):1121-1126.

［11］Viola P，Jones M.Robust real-time face detection［J］.International Journal of Computer Vision，2004，57(2):137-154.

［12］Viola P，Jones M.Rapid object detection using a boosted cascade of simple features［C］//Proceeding of international conference on computer vision an pattern recognition.［s.l.］:［s. n.］，2001:511-518.

［13］Lienhart R，Maydt J.An extended set of Haar-like features for rapid object detection［C］//Proc of IEEE international conference on image processing.［s.l.］:IEEE，2002:900-903.

［14］梁 娟，項(xiàng) 俊，侯建華.基于Camshift和Kalman濾波的自動(dòng)跟蹤算法［J］.微型機(jī)與應(yīng)用，2011，30(24):28-31.

［15］李小樂.基于連續(xù)視頻幀的多特征融合道路車輛檢測(cè)方法研究［D］.長(zhǎng)沙:湖南大學(xué)，2012.

［16］錢永青，謝勤嵐.結(jié)合Camshift和Kalman預(yù)測(cè)的運(yùn)動(dòng)目標(biāo)跟蹤［J］.計(jì)算機(jī)工程與科學(xué)，2010，32(8):81-83.

［17］Hartman E J，Keeler J D.Layered neural networks with Gaussian hidden units as universal approximations［J］.Neural Computation，1990，2(2):210-215.

［18］余厚云，張為公.基于單目視覺傳感器的車距測(cè)量與誤差分析［J］.傳感器與微系統(tǒng)，2012，31(9):10-13.

Design of a Vehicle Distance Measurement and Early Warning System Based on Video Analysis Techniques

WANG Chuan-qin1，CAO Jiang-tao1，JI Xiao-fei2
(1.School of Information and Control Engineering，Liaoning Shihua University，F(xiàn)ushun 113001，China; 2.College of Automation，Shenyang Aerospace University，Shenyang 110136，China)

Vehicle distance measuring and early warning is an important component in vehicle active safety technology.And the visionbased vehicle distance measuring and early warning system has been a research hotspot of the intelligent vehicle system and secondary safety system.In order to improve the accuracy and processing speed of vehicle distance measurement，vehicle distance and early warning system is designed and implemented based on video analysis techniques in Visual C++6.0 and OpenCV software environment，which has functions like vehicle detection，vehicle tracking，distance measurement and early warning and so on.Haar-like features is chosen as image descriptions，and Adaboost algorithm is combined to train classifiers to achieve vehicles detection.A combination method of CamShift and Kalman is used to track the target vehicle，and the measurement and prediction of distance is achieved by using RBF neural network.Experiments show that the system can accurately realize the range of 1～15 m for vehicle detection and distance measurement，and it has good real-time performance.

vehicle detection;Haar-like feature;Adaboost algorithm;tracking;RBF neural network

TP302

A

1673-629X(2016)09-0087-04

10.3969/j.issn.1673-629X.2016.09.020

2015-05-13

2015-09-16< class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間:

時(shí)間:2016-08-23

國(guó)家自然科學(xué)基金資助項(xiàng)目(61103123，61203021)

王傳欽(1987-)，男，碩士研究生，研究方向?yàn)閳D像處理與識(shí)別;曹江濤，博士，教授，研究方向?yàn)橹悄芊椒捌湓诠I(yè)控制和視頻信息處理上的應(yīng)用;姬曉飛，博士，副教授，研究方向?yàn)橐曨l處理及模式識(shí)別理論。

http://www.cnki.net/kcms/detail/61.1450.tp.20160823.1112.004.html