彭勝

（1.四川大學(xué)視覺(jué)合成圖形圖像技術(shù)國(guó)防重點(diǎn)學(xué)科實(shí)驗(yàn)室，成都 610065；2.四川川大智勝軟件股份有限公司，成都 610065）

PENG Sheng1，2

（1.State Key Laboratory of Fundamental Science on Synthetic Vision，Sichuan University,Chengdu 610065；2.Wisesoft，Chengdu 610065）

一種基于改進(jìn)ViBe和級(jí)聯(lián)分類器的車輛檢測(cè)算法

彭勝1，2

（1.四川大學(xué)視覺(jué)合成圖形圖像技術(shù)國(guó)防重點(diǎn)學(xué)科實(shí)驗(yàn)室，成都 610065；2.四川川大智勝軟件股份有限公司，成都 610065）

針對(duì)基于Haar-like和AdaBoost分類器的車輛檢測(cè)檢測(cè)速度慢、虛警率較高等問(wèn)題，提出一種基于改進(jìn)ViBe算法和Haar-HOG特征級(jí)聯(lián)分類器的車輛檢測(cè)算法。首先，幀間差分法不會(huì)產(chǎn)生鬼影，和ViBe算法結(jié)合能夠迅速消除鬼影，結(jié)合形態(tài)學(xué)處理獲得前景；然后，訓(xùn)練基于Haar和HOG特征的Gentle AdaBoost級(jí)聯(lián)分類器；最后，進(jìn)行車輛檢測(cè)實(shí)驗(yàn)表明，改進(jìn)算法識(shí)別性能更好，虛警率更低，耗時(shí)更少，能夠達(dá)到實(shí)時(shí)車輛檢測(cè)的需求。

AdaBoost算法；ViBe；Haar特征；HOG特征；車輛檢測(cè)

0 引言

目前，車輛檢測(cè)技術(shù)是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要課題，在視頻監(jiān)視系統(tǒng)、車輛自助駕駛系統(tǒng)等有著廣泛且重要的應(yīng)用價(jià)值。車輛檢測(cè)技術(shù)的實(shí)質(zhì)是將圖片序列或視頻圖像中出現(xiàn)的車輛檢測(cè)出來(lái)。傳統(tǒng)的車輛檢測(cè)的方法有背景差分法[1]，幀間差分法[2]，光流法[3]。

除了上述方法，基于機(jī)器學(xué)習(xí)的車輛檢測(cè)同樣成為了研究熱點(diǎn)，機(jī)器學(xué)習(xí)識(shí)別算法識(shí)別性能高、魯棒性好?；跈C(jī)器學(xué)習(xí)的車輛檢測(cè)技術(shù)分為外形特征提取和分類學(xué)習(xí)兩個(gè)部分。外形特征包括Haar小波[4]、方向梯度直方圖（HOG）[5]、Gabor濾波器特征[6]、表觀特征[7]和顏色特征[8]等。常用的分類方法有AdaBoost集成學(xué)習(xí)[9]、支持向量機(jī)（SVM）[10]、神經(jīng)網(wǎng)絡(luò)（NN）[11]等。

基于ViBe[12]前景提取與Gentle AdaBoost分類器[13]，結(jié)合運(yùn)動(dòng)目標(biāo)檢測(cè)方法對(duì)監(jiān)控視頻中的車輛進(jìn)行自動(dòng)識(shí)別，本文提出了一種基于改進(jìn)ViBe算法和Haar-HOG級(jí)聯(lián)分類器的車輛檢測(cè)算法。從以下兩個(gè)方面進(jìn)行了改進(jìn)：

（1）利用Haar-like和HOG混合特征代替單一特征訓(xùn)練級(jí)聯(lián)分類器，用于車輛檢測(cè)。

（2）利用改進(jìn)的ViBe算法提取前景并進(jìn)行形態(tài)學(xué)處理，有效剔除大量干擾檢測(cè)的無(wú)用信息，再通過(guò)級(jí)聯(lián)分類器進(jìn)行車輛檢測(cè)。實(shí)驗(yàn)結(jié)果表明改進(jìn)的算法識(shí)別性能更好，能夠加快檢測(cè)速度、降低誤檢測(cè)率、提高檢測(cè)率。

1 前景檢測(cè)

通常用于前景檢測(cè)的算法有簡(jiǎn)單高斯模型[14]，混合高斯模型（GMM）[15]，ViBe前景檢測(cè)方法等。ViBe是一種像素級(jí)的前景檢測(cè)方法，它通過(guò)為圖像中的每一個(gè)像素建立一個(gè)樣本集，存儲(chǔ)該像素鄰域范圍內(nèi)不同時(shí)刻像素值的采樣。通過(guò)比較當(dāng)前像素值與樣本集的相似程度，就可以判斷該像素屬于前景還是背景。ViBe算法的不足是會(huì)引入鬼影（ghost），本文采用幀間差分法和ViBe相結(jié)合算法進(jìn)行前景檢測(cè)，能夠很快地消除掉鬼影，進(jìn)行形態(tài)學(xué)處理以更好的保留前景。

1.1 ViBe算法概述

ViBe算法主要由樣本集初始化、樣本集匹配和樣本集更新三部分完成。

（1）樣本集初始化

ViBe方法提供了一種單幀初始化技術(shù)，可以從圖像序列的第二幀起分離運(yùn)動(dòng)前景。由于單幀圖像沒(méi)有時(shí)間信息，ViBe方法基于像素鄰域范圍內(nèi)的時(shí)空分布相似性，選擇空間鄰域內(nèi)的像素值初始化樣本集。對(duì)第一幀圖像的每一個(gè)像素p，隨機(jī)選擇其鄰域內(nèi)的像素值組成該像素的樣本集合S。但時(shí)間信息的缺失會(huì)把運(yùn)動(dòng)目標(biāo)當(dāng)作背景抽樣得到錯(cuò)誤的初始化結(jié)果，在樣本集中引入鬼影，需要使用其他更新策略淡化或消除鬼影。

（2）樣本集匹配

對(duì)于新一幀圖像序列的像素，比較其像素值與樣本集的相似性就可以判斷該像素屬于前景或這背景。顯然，當(dāng)相似度較高時(shí)，像素與樣本集匹配，該像素屬于背景。

記p為當(dāng)前幀中某像素值，S為p的樣本集合，S= {p1，p2，…，pn}。SR是以p為中心R為半徑的區(qū)域，如圖1所示。統(tǒng)計(jì)集合S中的值落入SR中的樣本數(shù)N，若N大于Tmin，則認(rèn)為該像素p與樣本集合成功。即：

圖1 ViBe樣本集示意圖

（3）樣本集更新

樣本集需要不斷更新以適應(yīng)視頻場(chǎng)景的變化。ViBe方法采用保守的更新策略，對(duì)于未匹配成功的像素，其像素值將永遠(yuǎn)不會(huì)更新進(jìn)入樣本集。對(duì)于匹配成功的像素，ViBe使用以下策略更新樣本集：①無(wú)記憶更新策略；②空間一致性更新策略；③時(shí)間重采樣；ViBe方法實(shí)現(xiàn)簡(jiǎn)單，硬件內(nèi)存占用較少，并且可以很好地抑制噪聲和光照。

1.2 ViBe算法的改進(jìn)

針對(duì)ViBe算法會(huì)引入了鬼影，而樣本集更新只能緩慢去除鬼影。加入幀間差分法加快鬼影消失速度。第t幀時(shí)對(duì)判定為前景像素的點(diǎn)p進(jìn)行幀間差分處理，并設(shè)置一個(gè)計(jì)數(shù)器top（p）初始化為0，如果該點(diǎn)的像素值Vt（p）與前一幀Vt-1（p）對(duì)應(yīng)的像素值的差分結(jié)果小于閾值Tδ之內(nèi)，則top（p）加1，否則，top（p）清零，即：

式（2）中d（p）為幀上對(duì)應(yīng)像素之間的像素值差分。當(dāng)top（p）大于閾值Tδ時(shí)，可以認(rèn)為這個(gè)像素點(diǎn)為背景，從而快速消除鬼影。

對(duì)前景檢測(cè)的結(jié)果進(jìn)行形態(tài)學(xué)后處理，即進(jìn)行形態(tài)學(xué)開(kāi)運(yùn)算和閉運(yùn)算操作。圖2給出了GMM、ViBe和本文算法效果在data2012中highway圖像序列（共1700幀）的檢測(cè)對(duì)比圖。

圖2 前景檢測(cè)實(shí)驗(yàn)效果對(duì)比圖（第一行為第400幀，第二行為800幀，第三行為1200幀，第四行為1600幀）

根據(jù)實(shí)驗(yàn)效果對(duì)比圖可以得出，改進(jìn)的ViBe算法比GMM和原始ViBe效果更理想，鬼影消失更迅速，前景信息更完整。

2 Gentle AdaBoost級(jí)聯(lián)分類器

2.1 特征提取

（1）Haar-like特征

Haar-like特征[16]提供了一副圖像中相鄰區(qū)域內(nèi)灰度分布信息?；贖aar-like的檢測(cè)算法比直接處理像素的算法效果更好，Haar-like特征檢測(cè)的計(jì)算速度遠(yuǎn)遠(yuǎn)大于基于像素的檢測(cè)。Haar-like特征的特征值等于黑色矩域所有像素值的和減去白色矩形所有像素值的和。圖3表示了Viola.P使用的最初的Haar-like特征原型。其中的特征由大小相同的矩形所組成。這些特征原型經(jīng)過(guò)平移和縮放，就形成了一個(gè)特征集。

圖3 haar-like特征類型

（2）積分圖像

為了避免特征提取中大量的重復(fù)計(jì)算，Viola P等人使用了積分圖像（Integral image）來(lái)計(jì)算Haar-like特征。如圖4（a）所示，公式（3）給出了積分圖像像素點(diǎn)值計(jì)算表達(dá)式，其中I（x，y）表示圖像的像素點(diǎn)值:

進(jìn)一步，公式（4）利用遞歸方式來(lái)計(jì)算積分圖像：

積分圖像實(shí)質(zhì)上是圖像的雙重積分。式（5）給出了任何一個(gè)矩形的像素和使用四次數(shù)組引用來(lái)計(jì)算公式，如圖4（b）中所示。

圖4

（3）HOG特征

HOG是一種基于梯度計(jì)算的特征描述子，主要通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向來(lái)構(gòu)成特征向量，通過(guò)對(duì)梯度分量的分布來(lái)描述局部目標(biāo)的表象和形狀特征，HOG特征的本質(zhì)就是對(duì)梯度信息進(jìn)行計(jì)算和統(tǒng)計(jì)。HOG特征的提取過(guò)程大致可以總結(jié)為:①Gamma空間和顏色的標(biāo)準(zhǔn)化；②圖像梯度的計(jì)算；③統(tǒng)計(jì)梯度直方圖；④HOG特征統(tǒng)計(jì)。

2.2 Gentle AdaBoost分類器

Gentle AdaBoost算法是將多個(gè)弱分類器組合而成強(qiáng)分類器，而每個(gè)弱分類器又是由一個(gè)樣本特征訓(xùn)練獲得，基于Harr特征和HOG特征的聯(lián)合特征強(qiáng)分類器，即是用Harr特征和HOG特征構(gòu)造弱分類器，再由構(gòu)造的弱分類器進(jìn)行不斷選擇和訓(xùn)練，采用AdaBoost算法獲取最終的強(qiáng)分類器。Gentle AdaBoost強(qiáng)分類器訓(xùn)練流程如下：

Gentle AdaBoost算法流程

算法流程：

●給定訓(xùn)練樣本（x1，y1），…，（xn，yn），對(duì)于yi=±1，yi=1表示正樣本，yi=-1表示負(fù)樣本。

其中l(wèi)為正樣本數(shù)，m為負(fù)樣本數(shù)。

●對(duì)于每一個(gè)特征j，得到弱分類器fj∈[-1，1]。

●更新F（x）←F（x）+gi（x）。

●ωi=ωiexp（-yigi（xi）），i=1，2，…，N，并重新歸一化。

●強(qiáng)分類器為：

對(duì)于任意一個(gè)Haar-like特征，弱分類器的數(shù)學(xué)形式為：

其中f（x）是特征值，θ為弱分類器的閾值，-1≤α，β≤1，其中正值表示車輛，負(fù)值表示非車輛。

式中α、β、θ意義同Haar-like特征，d（h（x），m（x））表示HOG特征向量到加權(quán)均值的歐氏距離。

2.3 級(jí)聯(lián)分類器設(shè)計(jì)

級(jí)聯(lián)分類器和退化決策樹(shù)非常類似，后幾層中的分類器往往使用那些己經(jīng)通過(guò)前面所有層的樣本來(lái)進(jìn)行訓(xùn)練，用于訓(xùn)練第l級(jí)強(qiáng)分類器的負(fù)樣本僅包括前l(fā)-1層分類錯(cuò)誤的負(fù)樣本。對(duì)于級(jí)聯(lián)分類器的誤檢率，可以描述為：

式（8）中F是級(jí)聯(lián)后的分類器的誤檢率，K是級(jí)聯(lián)分類器的層數(shù)，fi是第i個(gè)強(qiáng)分類器的誤檢率。級(jí)聯(lián)分類器的構(gòu)造流程圖如圖5。

圖5 級(jí)聯(lián)分類器示意圖

3 算法實(shí)現(xiàn)及對(duì)比分析

3.1 算法流程

運(yùn)動(dòng)區(qū)域檢測(cè)是本文算法的重要組成部分，它能夠提供圖片中車輛最可能出現(xiàn)的位置信息，運(yùn)動(dòng)區(qū)域比瀏覽整個(gè)圖片出現(xiàn)車輛的概率更高。因此，本文在利用分類器進(jìn)行車輛檢測(cè)之前，先進(jìn)行前景檢測(cè)剔除背景信息，減少背景造成的干擾。本文的算法系統(tǒng)圖如圖6所示。本文算法主要包括：①前景檢測(cè)，②離線訓(xùn)練分類器進(jìn)行車輛檢測(cè)。

圖6 車輛檢測(cè)算法流程圖

3.2 實(shí)驗(yàn)環(huán)境及實(shí)驗(yàn)數(shù)據(jù)庫(kù)

本文實(shí)驗(yàn)硬件平臺(tái)：Intel Core i5 2.50GHz處理器，4GB內(nèi)存筆記本，Win8.1 64位操作系統(tǒng)。軟件環(huán)境為Microsoft Visual Studio 2012和OpenCV視覺(jué)庫(kù)。

實(shí)驗(yàn)訓(xùn)練正樣本包括1800張車輛圖像，負(fù)樣本包括16000張非車輛圖像，正樣本需要先進(jìn)行剪裁到128×96，且樣本圖像中正好包含不同角度的車身，負(fù)樣本不限大小，但是其中不能包含車輛圖像，正負(fù)樣本圖像示例如圖7（a）和（b）所示。

圖7 訓(xùn)練樣本示例

3.3 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)主要包括車輛特征提取、車輛特征學(xué)習(xí)和車輛檢測(cè)測(cè)試三個(gè)階段。

在車輛特征提階段，采用積分圖技術(shù)提取HOG特征和Haar特征，對(duì)HOG參數(shù)選取評(píng)估分析，HOG特征計(jì)算過(guò)程中取描述塊大小為32×16，組成單元大小為8×8。描述塊橫縱移動(dòng)間隔為8，梯度投影方向?yàn)?，對(duì)檢測(cè)窗口進(jìn)行HOG特征計(jì)算。

在訓(xùn)練過(guò)程中，用于訓(xùn)練每級(jí)分類器的正樣本數(shù)為1200，負(fù)樣本數(shù)為4000，每級(jí)分類器的最大誤檢率為0.5，最小檢測(cè)率為0.995，將提取的Haar-HOG特征按照上述提升方法訓(xùn)練強(qiáng)分類器，并將這些強(qiáng)分類器按照上述級(jí)聯(lián)方法構(gòu)成最后的級(jí)聯(lián)車輛分類器。

在車輛檢測(cè)測(cè)試階段使用改進(jìn)ViBe先提取前景，再利用上述訓(xùn)練的強(qiáng)分類器進(jìn)行車輛檢測(cè)。將本文所用方法與單一HOG特征和單一Haar特征檢測(cè)方法在相同參數(shù)下做了實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)中同樣采用實(shí)時(shí)交通視頻作為測(cè)試視頻，試驗(yàn)中實(shí)驗(yàn)中采用評(píng)價(jià)指標(biāo)：車輛檢測(cè)率、虛警率，平均耗時(shí)對(duì)三種算法在車輛檢測(cè)中的效果進(jìn)行評(píng)價(jià)。其定義如下：

（9）中NTP，NFP，NTN，NFN分別表示測(cè)試視頻中正確檢測(cè)車輛數(shù)目，非車輛誤識(shí)為車輛數(shù)目，正確識(shí)別的非車輛數(shù)目，非車輛識(shí)為車輛的數(shù)目。車輛檢測(cè)結(jié)果如表1所示。

表1 不同算法的車輛檢測(cè)結(jié)果

上表中測(cè)試結(jié)果表明，基于改進(jìn)ViBe算法和Haar-HOG級(jí)聯(lián)分類器的車輛檢測(cè)算法比單一Haar特征、單一HOG特征訓(xùn)練的級(jí)聯(lián)分類器算法更魯棒，車輛檢測(cè)率更高，虛警率更低，平均耗時(shí)更少。

4 結(jié)語(yǔ)

本文提出了一種基于改進(jìn)ViBe算法和Haar-HOG級(jí)聯(lián)分類器的車輛檢測(cè)算法。首先利用幀間差分法和形態(tài)學(xué)處理對(duì)ViBe進(jìn)行改進(jìn)，提高了鬼影消失速率及極好的保留了前景信息；然后利用Haar和HOG混合特征，訓(xùn)練級(jí)聯(lián)分類器。實(shí)驗(yàn)結(jié)果表明，本文提出的算法中鬼影能夠迅速消失，同時(shí)車輛檢測(cè)率達(dá)到95%以上，誤檢率低于2%，在道路車輛檢測(cè)中，取得了良好的效果。

[1]盧章平，孔德飛，李小蕾，等．背景差分與三幀差分結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]．計(jì)算機(jī)測(cè)量與控制，2013（12）:3315-3318．

[2]劉鑫，劉輝，強(qiáng)振平，等.混合高斯模型和幀間差分相融合的自適應(yīng)背景模型[J]．中國(guó)圖象圖形學(xué)報(bào)，2008（4）:729-734．

[3]劉潔.基于光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法研究[D]．徐州:中國(guó)礦業(yè)大學(xué)，2015．

[4]許慶，高峰，徐國(guó)艷．基于Haar特征的前車識(shí)別算法[J]．汽車工程，2013，35（4）:381-384.

[5]吳鑫，王桂英，叢楊．基于顏色和深度信息融合的目標(biāo)識(shí)別方法[J]．農(nóng)業(yè)工程學(xué)報(bào)，2013，29（z1）:96-100．

[6]Wang H，Zhang W G，Cai Y F.Design of a Road Vehicle Detection System Based on Monocular Vision[J].Journal of Southeast University（English Edition），2011，27（2）:169-173．

[7]郭立君，劉曦，趙杰煜，等．結(jié)合運(yùn)動(dòng)信息與表觀特征的行人檢測(cè)方法[J]．軟件學(xué)報(bào)，2012，23（2）:299-309．

[8]Sun Z，Bebis G，Miller R．On-Road Vehicle Detection:A Review[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28:694-711．

[9]李云翀，何克忠，賈培發(fā)．基于陰影特征和AdaBoost的前向車輛檢測(cè)系統(tǒng)[J]．清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，47（10）:1713-1716．

[10]周辰雨，張亞岐，李健.基于SVM的車輛識(shí)別技術(shù)[J]．科技導(dǎo)報(bào)，2012，30（30）:53-57.

[11]Wu C F，Lin C J，Lee C Y．Applying a Functional Neuro Fuzzy Network to Real-Time Lane Detection and Front-Vehicle Distance Measurement[J]．IEEE Transactions on Systems，Man and Cybernetics，Part C，2012，42（4）:577-589．

[12]Droogenbroeck，M.V，ViBe B.O.:A Powerful Random Technique to Estimate the Background in Video Sequences.IEEE Int.Conf.on Acoustics，Speech&Signal Processing，2009：945-948.

[13]R Lienhart，A Kuranov，V Pisarevsky．Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection．In: Proceedings of the DAGMsymposium．Magdeburg，Germa:IEEE Press，2003，297-304.

[14]T.Bouwmans，F(xiàn).El Baf，B.Vachon．Statistical Background Modeling for Foreground Detection:A Survey.In Handbook of Pattern Recognition and Computer Vision（volume 4），chapter 3，pages 181-199．World Scientific Publishing，January 2010.

[15]H.-H.Li，J.-H.Chuang，T.-L.Liu．Regularized Background Adaptation:A Novel Learning Rate Control Scheme for Gaussian Mixture Modeling.IEEE Transactions on Image Processing，3（20）:822-836，March 2011.

[16]C Papageorgio，T Poggio．A Trainable System for Object Detection．International Journal of Computer Vision，2000，38（1）:15-33.

作者簡(jiǎn)介：

彭勝（1992-），男，貴州仁懷人，碩士研究生，研究方向?yàn)閳D像處理與合成

A Vehicle Detection Algorithm Based on Improved ViBe and Cascade Classifier

Vehicle detection algorithm based on Haar-like features and AdaBoost classifier has two disadvantages:slow detection speed and high false alarm rate.Therefore,proposes a vehicle detection algorithm based on improved ViBe algorithm and Gentle AdaBoost classifier with Haar-HOG mixed features.Firstly,ViBe algorithm can quickly eliminate ghosts by combined with the inter-frame differential method because of not produce ghosts,accompanied by morphological processing,to obtain foregrounds.Then,trains a cascade classifier based on Gentle AdaBoost classifier using Haar and HOG features.Vehicle detection experiments show this algorithm has better recognition performance,lower false alarm rate,less time consuming,and can reach the real-time requirement for vehicles detection.

AdaBoost Algorithm;Vibe;Haar Features;HOG Features;Vehicle Detection

1007-1423（2017）08-0060-06

10.3969/j.issn.1007-1423.2017.08.013

2016-12-22

2017-02-25

PENG Sheng1，2

（1.State Key Laboratory of Fundamental Science on Synthetic Vision，Sichuan University,Chengdu 610065；2.Wisesoft，Chengdu 610065）

科技部重大儀器專項(xiàng)（No.2013YQ49087904）、民航科技項(xiàng)目(No.MHRD20150228)