陳戈珩， 潘曉旭， 楊 林， 胡明輝

(長春工業(yè)大學(xué) 計算機(jī)科學(xué)與工程學(xué)院， 吉林 長春 130012)

?

基于改進(jìn)灰色模型的前車檢測與跟蹤算法

陳戈珩， 潘曉旭*， 楊 林， 胡明輝

(長春工業(yè)大學(xué) 計算機(jī)科學(xué)與工程學(xué)院， 吉林 長春 130012)

基于改進(jìn)GM(1，1)模型, 依據(jù)車底陰影特征自適應(yīng)確定目標(biāo)假設(shè)區(qū)域，利用邊緣對稱性和紋理特征兩層約束驗證車輛區(qū)域，排除虛假目標(biāo)。應(yīng)用改進(jìn)的GM(1，1)預(yù)測下一幀目標(biāo)位置, 結(jié)果表明,可以實現(xiàn)前方車輛的檢測與跟蹤。

前車檢測； 前車跟蹤； GM(1，1)

0 引 言

自上世紀(jì)50年代，基于視覺的道路環(huán)境理解已經(jīng)成為安全輔助駕駛系統(tǒng)研究領(lǐng)域的熱門話題，準(zhǔn)確地定位路面上的主要障礙物車輛是非常必要的?；谲囕d攝像頭定位前方車輛的技術(shù)難點是：不僅圖像中的目標(biāo)車輛在運動，而且攝像機(jī)、目標(biāo)和背景環(huán)境之間存在著相對運動。常用的基于視覺的前車檢測與跟蹤方法存在特征點匹配難度大、硬件成本較高和計算復(fù)雜的不足，Kalman濾波存在著可能發(fā)散以及噪聲參數(shù)和初值選取困難等問題，而且其通常假設(shè)運動目標(biāo)做勻加速或勻速直線運動，與實際運動情況不符，跟蹤準(zhǔn)確度不高[1-2]。灰色系統(tǒng)理論具有小樣本、可檢驗、運算簡單等優(yōu)點[3-5]，無需假設(shè)目標(biāo)運動規(guī)律和隨機(jī)噪聲參數(shù)即能估計預(yù)測目標(biāo)。文中給出一種基于GM(1,1)模型的前方車輛檢測和跟蹤方法，而且針對灰色系統(tǒng)理論長期預(yù)測精度低的不足，給出了改進(jìn)的GM(1，1)算法。

1 預(yù)處理

由于復(fù)雜的外界環(huán)境，車載圖像中蘊含著許多無用信息和噪聲?；叶然紙D像后對其高斯濾波去噪，天空與路面相比具有較高灰度值，且在路面和天空相接處有一個較大的亮度差異變化，選擇水平均值分布曲線上部起第一個最小值所在的行作為天空和路面區(qū)域的分界線；靠近攝像機(jī)的路面區(qū)域通常最暗且無車輛，選擇水平均值曲線上部起第二個最小值所在的行作為感興趣區(qū)域的下邊緣，水平均值分布曲線和感興趣區(qū)域(ROI)分別如圖1和圖2所示。

圖1 水平均值分布曲線

圖2 感興趣區(qū)域(ROI)

2 前方車輛檢測

車輛的灰度和邊緣對稱性、紋理、輪廓、運動以及車底陰影等特征均可用于檢測前車，然而受復(fù)雜路況和光照影響，可能存在誤檢，必須進(jìn)行驗證，故檢測算法分車輛區(qū)域假設(shè)生成和假設(shè)驗證兩步[6-8]。

無論光照明暗，目標(biāo)車輛大小、運動狀態(tài)如何，車輛底部陰影總是存在，統(tǒng)計路面分界線以下的路面像素，計算其均值μ和標(biāo)準(zhǔn)方差σ，以μ-3σ為閾值二值化ROI，并對其進(jìn)行形態(tài)學(xué)濾波消除噪聲，得到車底陰影。將y方向上下行相差低于10個像素的陰影線合并，刪除過長或過短的陰影線，為提高后續(xù)分析的精度，將陰影線的左右端各擴(kuò)展10%個像素，采用寬高比為0.9的矩形框粗定位假設(shè)區(qū)域;利用Sobel算子對粗定位的檢測區(qū)域進(jìn)行水平和垂直邊緣檢測，獲得垂直和水平積分投影圖像，垂直投影圖的局部峰值作為車輛的左右邊緣，水平積分投影圖中第一條達(dá)到最大值一半的行為水平上邊緣，從而精定位車輛假設(shè)區(qū)域。檢測結(jié)果如圖3所示。

圖3 檢測結(jié)果

圖3中黑色矩形框為租定位假設(shè)區(qū)域，白色矩形框為精定位假設(shè)區(qū)域。

利用紋理特征和邊緣對稱性特征兩層約束驗證車輛區(qū)域，排除信息熵小于2.4或邊緣對稱性小于0.7的假設(shè)區(qū)域，使誤檢率降到最低。

3 前方車輛跟蹤

當(dāng)視頻圖像樣本間隔較短時，鄰幀之間的目標(biāo)車輛位置有很大的相關(guān)性，前一幀的位置信息可以用來預(yù)測下一幀的目標(biāo)位置，跟蹤處理是檢測的補充，而且能改善檢測效果。

針對卡爾曼濾波器選取噪聲參數(shù)困難以及需要假設(shè)目標(biāo)運動規(guī)律的缺點，文中給出了以GM(1,1)模型為基礎(chǔ)的改進(jìn)跟蹤算法。

3.1 灰色預(yù)測模型GM(1,1)

灰色模型是基于關(guān)聯(lián)空間、光滑離散函數(shù)等概念利用離散數(shù)據(jù)列建立的微分方程形式的動態(tài)模型，GM(1,1)表示單變量一階方程的灰色模型，其灰微分方程為：

則對x(0)(k)+az(1)(k)=b應(yīng)用最小二乘法得到參數(shù)估計序列滿足

得到參數(shù)估計序列后，便可用式(6)預(yù)測將來的數(shù)據(jù)：

其中

由灰微分方程和參數(shù)估計序列可知，只要已知3個數(shù)據(jù)就能進(jìn)行預(yù)測，隨時間增長，獲得的數(shù)據(jù)越來越多，而最開始的數(shù)據(jù)已不再能反映系統(tǒng)當(dāng)前特征，有必要對GM(1,1)進(jìn)行實時更新，其跟蹤原理如圖4所示。

檢測到連續(xù)三幀車輛位置數(shù)據(jù)后，構(gòu)建GM(1,1)模型，對車輛下一幀位置進(jìn)行預(yù)測，在第4幀圖像的跟蹤窗口判斷搜尋車輛的實際位置，加入實際的位置數(shù)據(jù)更新模型，預(yù)測第5幀中車輛的位置，獲得第5幀實際位置后，舍棄第1幀數(shù)據(jù)更新模型預(yù)測下一幀，如此循環(huán)實現(xiàn)車輛預(yù)測跟蹤。其中，位置數(shù)據(jù)為車輛檢測區(qū)域的重心坐標(biāo)，包括X坐標(biāo)和Y坐標(biāo)，故需要分別建立X、Y坐標(biāo)的GM(1，1)完成跟蹤。用前4個數(shù)據(jù)預(yù)測下一數(shù)據(jù)的GM(1,1)模型計算過程如下：

因此預(yù)測值為:

為改善GM(1,1)長期預(yù)測精度低的不足，需要對GM(1,1)模型進(jìn)行改進(jìn)，假設(shè)最新一幀實際位置數(shù)據(jù)為x1(4)，預(yù)測位置數(shù)據(jù)為x0(4)，實際值與預(yù)測值殘差為：

用上一幀的預(yù)測偏差修正模型的預(yù)測結(jié)果作為本幀的預(yù)測結(jié)果如下:

3.2 計算似然函數(shù)

為驗證跟蹤的區(qū)域是否為目標(biāo)車輛，文中提出一種新型的匹配函數(shù)l，其值由模板(上一幀預(yù)測位置的真實值)和預(yù)測窗口熵之差、平均灰度差、灰色對稱性和邊緣對稱性決定，其定義式如下：

式中： EdgeVSym，GreyHSym----分別是矩形預(yù)測窗口的邊緣對稱性和水平灰度對稱性；

EntropyDiff,GreyDiff----分別是模板和預(yù)測窗口之間的熵和灰度差值;

f----評價函數(shù)。

l在 [0,1]內(nèi)取值。其值越大,越可能是目標(biāo)車輛，判別閾值為0.5，如果l大于該閾值,判別為車輛，更新參考模板,繼續(xù)跟蹤下一幀，否則重新檢測目標(biāo)車輛。

4 實驗結(jié)果分析

選取PETS2001的視頻圖像序列驗證基于改進(jìn)GM(1,1)的前車檢測和跟蹤算法的魯棒性和實時性，部分幀的跟蹤結(jié)果如圖5所示。

圖5 第288幀到388幀部分圖像的跟蹤結(jié)果

該算法可以在較短的時間內(nèi)準(zhǔn)確檢測跟蹤到目標(biāo)車輛。將前15 s的視頻圖像(共376幀)每隔15幀提取一幅關(guān)鍵幀圖像，共26幀，對其進(jìn)行檢測,跟蹤結(jié)果如圖6所示。

(a) 水平方向預(yù)測結(jié)果

(b) 垂直方向預(yù)測結(jié)果

圖6中，橫、縱坐標(biāo)模型的預(yù)測跟蹤平均誤差分別為0.031 3、0.007 3，能夠滿足跟蹤對準(zhǔn)確率的高要求。

5 結(jié) 語

給出的改進(jìn)灰色預(yù)測模型可以彌補GM(1，1)長期預(yù)測精度不高的缺點，大大減少了預(yù)測誤差，縮小了搜索范圍，提高了實時性。以上算法目前僅考慮日間車輛的檢測跟蹤，后續(xù)工作將進(jìn)一步研究各種光照條件和夜間前車的檢測跟蹤。

[1] 王海,陳軍.基于局部Gabor特征匹配和Kalman濾波的車輛跟蹤算法[J].現(xiàn)代交通技術(shù), 2015,12(1):36-40.

[2] 張江山,朱光喜.一種基于Kalman濾波的視頻對象跟蹤方法[J].中國圖象圖形學(xué)報:A 輯,2002,7(6):606-609.

[3] 王江榮.基于灰色 GM(1,1)和小波神經(jīng)網(wǎng)絡(luò)的預(yù)測模型及應(yīng)用[J].自動化與儀器儀表,2011(6):88-90.

[4] 袁基煒,史忠科.一種基于灰色預(yù)測模型GM(1,1)的運動車輛跟蹤方法[J].控制與決策,2006,21(3):300-304.

[5] 何俊,劉會茹,張彥群.基于GM(1, 1)的可變季節(jié)指數(shù)預(yù)測模型[J].長春工業(yè)大學(xué)學(xué)報:自然科學(xué)版,2012,33(1):16-20.

[6] 齊美彬,潘燕,張銀霞.基于車底陰影的前方運動車輛檢測[J].電子測量與儀器學(xué)報,2012,26(1):54-59.

[7] 譚學(xué)治,韓藝.動態(tài)背景下運動車輛的檢測與跟蹤研究[J].移動通信,2015(11):80-85.

[8] Weina L, Shuyao T, Lihong Z, et al. Preceding vehicle detecting and tracking for intelligent vehicles[C]// Industrial and Information Systems (IIS),2010 2nd International Conference on. IEEE,2010:306-309.

Preceding vehicle detection and tracking algorithm based on modified grey model

CHEN Geheng, PAN Xiaoxu*, YANG Lin, HU Minghui

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

Based on improved GM(1,1) model, the hypothesis vehicle region is self-adjustably defined according to the feature of the shadow underneath a vehicle, and then the region is verified with edge symmetry and texture feature constraints to eliminate the false target. With the modified GM(1,1) algorithm is used to predict the next frame of the target position, and the results show that it is feasible for front vehicle detection and tracking.

front vehicle detection; tracking; GM(1,1).

10.15923/j.cnki.cn22-1382/t.2017.1.07

2016-07-17

教育部“春暉計劃”基金資助項目(403-004077003)

陳戈珩(1961-)，女，漢族，吉林長春人，長春工業(yè)大學(xué)教授，主要從事數(shù)字信號處理及應(yīng)用方向研究,E-mail:chengeheng@ccut.edu.cn. *通訊作者：潘曉旭(1989-)，女，蒙古族，遼寧凌源人，長春工業(yè)大學(xué)碩士研究生，主要從事數(shù)字信號處理及應(yīng)用方向研究,E-mail:568308233@qq.com.

TP 391

A

1674-1374(2017)01-0038-05