葛如海張雪峰張美娟

（1.江蘇大學(xué)，鎮(zhèn)江 212013；2.無(wú)錫職業(yè)技術(shù)學(xué)院，無(wú)錫 214121）

基于PreScan的側(cè)后方車輛識(shí)別與跟蹤算法的研究

葛如海1張雪峰1張美娟2

（1.江蘇大學(xué)，鎮(zhèn)江 212013；2.無(wú)錫職業(yè)技術(shù)學(xué)院，無(wú)錫 214121）

為降低車輛換道時(shí)碰撞事故發(fā)生的概率，分析和研究了側(cè)后方車輛識(shí)別和跟蹤算法。首先利用積分圖的方法加速Haar-like特征計(jì)算，結(jié)合級(jí)聯(lián)分類器實(shí)現(xiàn)后方車輛的檢測(cè)?；贛eanShift理論，提出紋理特征和傳統(tǒng)顏色特征相結(jié)合的方式進(jìn)行車輛跟蹤。利用智能交通仿真軟件PreScan構(gòu)建仿真模型，驗(yàn)證算法的有效性。結(jié)果表明，該算法具有較高的識(shí)別率，能達(dá)到實(shí)時(shí)性的要求，并且跟蹤效果良好。

1 前言

據(jù)不完全統(tǒng)計(jì)，2012～2015年間，我國(guó)發(fā)生了80余萬(wàn)起汽車交通事故，變換車道引發(fā)的事故占7%，其中75%是駕駛員的主觀因素造成的[1]。GB 15084—2013《機(jī)動(dòng)車輛 間接視野裝置性能和安裝要求》規(guī)定，間接視野裝置（如攝像機(jī)）應(yīng)作為換道時(shí)減少視覺(jué)盲區(qū)的重要裝置。國(guó)內(nèi)外學(xué)者進(jìn)行了相關(guān)研究：Leanne等[2]提出使用全景式視覺(jué)傳感器監(jiān)測(cè)后方車輛；Michael等[3]使用激光傳感器探測(cè)車輛尾部盲區(qū)；李軍等[4]利用基于超聲波傳感器的“蠅眼”網(wǎng)絡(luò)實(shí)現(xiàn)測(cè)距；李守曉等[5]采用毫米波雷達(dá)計(jì)算出換道時(shí)目標(biāo)車輛信息。

目前，相關(guān)研究需要大量的實(shí)車試驗(yàn)，這大大增加了輔助駕駛系統(tǒng)的開(kāi)發(fā)周期和研究成本。因此，本文在PreScan仿真平臺(tái)上開(kāi)發(fā)和驗(yàn)證了側(cè)后方車輛識(shí)別和跟蹤算法。

2 側(cè)后方車輛識(shí)別

車輛識(shí)別流程如圖1所示，它包括：樣本訓(xùn)練模塊，即提取正、負(fù)樣本的特征，離線訓(xùn)練出車輛識(shí)別的分類器；多尺度識(shí)別模塊，利用分類器對(duì)待識(shí)別圖像進(jìn)行處理，得到識(shí)別結(jié)果并標(biāo)記。

圖1 識(shí)別流程

2.1 正、負(fù)樣本

正樣本集應(yīng)為包含側(cè)后方車輛的圖像，共1 000張，圖片經(jīng)過(guò)預(yù)處理，示例如圖2所示。負(fù)樣本集為不包含正樣本中的圖像，共3 300張，示例如圖3所示。

圖2 正樣本示例

圖3 負(fù)樣本示例

2.2 積分圖

積分圖是對(duì)子區(qū)域進(jìn)行加速求和的數(shù)學(xué)方法，通過(guò)計(jì)算任意矩形區(qū)域內(nèi)的像素和，加速特征的計(jì)算。如圖4所示，積分圖中點(diǎn)(x,y)的大小等于其左上方區(qū)域內(nèi)所有像素值總和：

式中，i(x′,y′)為點(diǎn)(x′,y′)的像素值；ii(x,y)為點(diǎn)(x,y)的積分值。

圖4 積分圖

2.3 Haar-like特征

Haar-like特征[6]即為類Haar特征，是指圖像中的矩形特征。對(duì)于側(cè)后方車輛，主要考慮其正面輪廓特征，如圖5所示。

圖5 Haar-like特征

2.4 分類器

為了獲得側(cè)后方車輛識(shí)別的分類器，首先提取樣本Haar-like特征，通過(guò)訓(xùn)練得到弱分類器，利用權(quán)值系數(shù)的線性組合來(lái)構(gòu)造強(qiáng)分類器，最后級(jí)聯(lián)各強(qiáng)分類器。

2.4.1 弱分類器

每個(gè)弱分類器對(duì)應(yīng)一個(gè)Haar-like特征，以一個(gè)合理的特征值為閾值，能降低弱分類器在對(duì)樣本進(jìn)行分類時(shí)的錯(cuò)誤率。

2.4.2 強(qiáng)分類器

利用Adaboost算法構(gòu)建強(qiáng)分類器，通過(guò)迭代的方法獲取樣本分布，強(qiáng)分類器包含弱分類器。其原理為：輸入圖像，弱分類器進(jìn)行1或0（即有無(wú)車輛）投票，基于投票結(jié)果得到錯(cuò)誤率，加權(quán)求和后得到分類結(jié)果。

2.4.3 級(jí)聯(lián)分類器

從簡(jiǎn)單到復(fù)雜對(duì)強(qiáng)分類器進(jìn)行逐級(jí)串聯(lián)，得到級(jí)聯(lián)分類器。含有車輛的圖像子窗口需要通過(guò)層層強(qiáng)分類器，才能被最終識(shí)別，如圖6所示。

圖6 分類器識(shí)別過(guò)程

3 跟蹤算法

在獲得識(shí)別結(jié)果后，需對(duì)側(cè)后方車輛進(jìn)行跟蹤，本算法可實(shí)現(xiàn)車輛跟蹤，并且確定其行駛軌跡。

3.1 MeanShift算法

MeanShift又稱漂移的均值變量。確定跟蹤算法時(shí)需要建立目標(biāo)模型、目標(biāo)候選模型和相似性函數(shù)。

3.1.1 目標(biāo)模型

若目標(biāo)窗口中心為xc，第i點(diǎn)為{xi}i=1,2,…,n，n表示窗口中點(diǎn)的個(gè)數(shù)，則目標(biāo)模型概率密度為：

式中，u=1,2,…,m；m為特征值個(gè)數(shù)；b(xi)為xi對(duì)應(yīng)目標(biāo)的特征函數(shù)值；δ為克羅內(nèi)克脈沖函數(shù)；C為定常系數(shù)；kh(x)為核函數(shù)。

3.1.2 目標(biāo)候選模型

若目標(biāo)候選窗口中心為yc，第i點(diǎn)為{xi}i=1,2,…,n，l表示窗口中點(diǎn)個(gè)數(shù)，則目標(biāo)候選模型概率密度為：

式中，h為核函數(shù)窗口大小，決定著權(quán)重分布；Ck為歸一化系數(shù)。

3.1.3 相似性函數(shù)

qu與pu(yc)為離散密度分布，因此，利用Bhattacharyya系數(shù)進(jìn)行兩者相似度的估計(jì)：

同時(shí)，可計(jì)算離散分布間距離：

由式（6）可知，目標(biāo)模型與候選模型距離越小，ρyc越接近1，即越相似，反之則相似程度越小。

3.1.4 目標(biāo)跟蹤

目標(biāo)跟蹤本質(zhì)上是確定與目標(biāo)窗口最近距離的目標(biāo)候選窗口。以兩窗口中點(diǎn)間的距離為標(biāo)準(zhǔn)，衡量是否成功跟蹤。由前文分析可知，當(dāng)qu與Pu(yc)的距離最小時(shí)，兩者的相似度最大。所以，跟蹤問(wèn)題可以看成是求取最大相似度值，與之相對(duì)應(yīng)的yc值便是目標(biāo)候選位置：

其中，加權(quán)系數(shù)為：

另外，因?yàn)楦櫵惴ㄖ羞x取了Epanechnikov核作為核函數(shù)，因此有g(shù)(x)=1，得到最終的MeanShift跟蹤算法的候選窗口中心迭代方程為：

3.2 顏色-紋理特征

在傳統(tǒng)的顏色特征基礎(chǔ)上，結(jié)合紋理特征來(lái)表征車輛特征，可以提高M(jìn)eanShift算法跟蹤目標(biāo)的準(zhǔn)確性。為了構(gòu)造目標(biāo)特征的三維空間，選擇RGB圖像中2個(gè)顏色通道，這里選用R、G通道與FLBP8,1[7]（點(diǎn)樣本紋理估計(jì)方法中的一種）紋理模型組成R×G×T三維空間（取R=8，G=8，T=5），用以表示車輛特征。若{xi,yj}i=1,2,…,n，j=1,2,…,m是目標(biāo)窗口中的點(diǎn)，Histogram（8,8,5）為顏色-紋理特征直方圖的特征空間矩陣，則在窗口中心為(xc,yc)的區(qū)域，計(jì)算每個(gè)點(diǎn)的R、G顏色分量及FLBP8,1值。同時(shí)計(jì)算其權(quán)值，可以得到以xc作為窗口中心的目標(biāo)區(qū)域內(nèi)的顏色-紋理模型直方圖。將8×8×5直方圖矩陣歸一化后，最終可得目標(biāo)模型{qu}u=1,2,…,m。候選目標(biāo)模型的紋理-特征模型的計(jì)算過(guò)程與此相同。

3.3 跟蹤算法過(guò)程

采集側(cè)后方車輛連續(xù)幀的圖像，對(duì)其進(jìn)行圖像識(shí)別后，定義首次出現(xiàn)車輛目標(biāo)并被標(biāo)記的圖像作為初始幀，在初始幀中標(biāo)記的矩形窗口稱為目標(biāo)窗口。利用基于顏色-紋理模型的MeanShift跟蹤算法對(duì)車輛進(jìn)行實(shí)時(shí)跟蹤。對(duì)初始幀和其他連續(xù)幀圖像進(jìn)行處理，標(biāo)記目標(biāo)窗口中心，進(jìn)而確定側(cè)后方車輛的行駛軌跡，算法實(shí)現(xiàn)過(guò)程如圖7所示。圖中，N為算法可達(dá)到的最大迭代次數(shù)，通常根據(jù)試驗(yàn)確定，這里取N=15；ε為最小的目標(biāo)窗口與候選目標(biāo)窗口中心距離的閾值。迭代次數(shù)超過(guò)N或者兩窗口間距離小于ε時(shí)，該跟蹤算法收斂，即對(duì)目標(biāo)車輛成功跟蹤。

圖7 跟蹤算法流程

4 圖像處理模塊

本文獲取圖像時(shí)，選用攝像頭傳感器作為周圍環(huán)境的感知工具。而攝像頭傳感器作為視覺(jué)傳感器，具有其普遍的缺陷：處理速度慢，由于圖像按幀采集并傳輸，且圖像處理針對(duì)每一幀的像素，其信息量大，耗時(shí)長(zhǎng)；魯棒性差，易受環(huán)境等因素的影響，如光線、天氣狀況、路面狀況、周圍的樹(shù)木、房屋、行人、路牌等都會(huì)影響采集的圖像質(zhì)量，增加圖像處理的難度。此外，由于虛擬攝像頭直接采集的圖像為連續(xù)的彩色圖像（RGB），RGB圖像含有3個(gè)顏色通道，往往需要較大存儲(chǔ)空間。若直接用其進(jìn)行側(cè)后方車輛識(shí)別，處理效率低。同時(shí)，采集的RGB圖像受外界環(huán)境的影響較大，如雨雪天氣、光線明暗、行駛過(guò)程中攝像頭的抖動(dòng)等，都可能導(dǎo)致圖像中目標(biāo)車輛的特征不明顯，影響對(duì)側(cè)后方車輛的最終識(shí)別。

因此，對(duì)于所獲得的圖像信息應(yīng)首先進(jìn)行必要的預(yù)處理，以盡量抑制甚至消除上述不足，在保證后續(xù)正確識(shí)別并追蹤側(cè)后方車輛的同時(shí)，減小圖像處理的工作量，加快處理速度。本文中圖像預(yù)處理算法包括圖像灰度化、圖像的對(duì)比度增強(qiáng)等。

4.1 圖像灰度化

通常，數(shù)字圖像的灰度化處理可采用平均值法、最大值法或加權(quán)平均值法。對(duì)于RGB圖像，平均值法即對(duì)R、G、B 3個(gè)顏色分量值取平均值為灰度值，即I(x,y)=[R(x,y)+G(x,y)+B(x,y)]/3；最大值法即對(duì)R、G、B 3個(gè)顏色分量值取最大值為灰度值，即I(x,y)=max(R(x,y)，G(x,y)，B(x,y))，其中（x,y）為圖像中像素點(diǎn)的坐標(biāo)。

平均值法和最大值法雖具有計(jì)算量小、運(yùn)算速度快的優(yōu)點(diǎn)，但其獲得的灰度圖像不大符合人類的視覺(jué)習(xí)慣。在平均值法基礎(chǔ)上進(jìn)行改進(jìn)可獲得加權(quán)平均值法，即將R、G、B 3個(gè)顏色分量值前的系數(shù)1/3分別替換為a、b、c，且滿足a+b+c=1。前人從理論出發(fā)，即人眼對(duì)顏色的敏感程度[8]為綠色＞紅色＞藍(lán)色，并結(jié)合大量實(shí)驗(yàn)得出結(jié)論，當(dāng)權(quán)重系數(shù) a、b、c分別為 0.298 9、0.587 0、0.114 0時(shí)，獲得的灰度值更易于人眼接受。

4.2 圖像對(duì)比度增強(qiáng)

圖像的對(duì)比度增強(qiáng)有時(shí)間域和空間域兩類方式。由于后者直接作用于像素，故相對(duì)于前者具有運(yùn)算量小、速度快、實(shí)時(shí)性強(qiáng)的優(yōu)點(diǎn)，又結(jié)合本文采集到的圖像的特點(diǎn)，選擇對(duì)增強(qiáng)圖像局部對(duì)比度效果較明顯的直方圖均衡化（Histogram Equalization）方法。直方圖均衡化[9]的中心思想是將由原始圖像中的像素灰度級(jí)獲得的灰度直方圖變換為離散的、均勻分布的灰度直方圖，也就是將特定區(qū)域的灰度級(jí)范圍變寬，通過(guò)增強(qiáng)整個(gè)圖像的對(duì)比度來(lái)消除由于光線過(guò)亮或過(guò)暗導(dǎo)致的局部特征不明顯現(xiàn)象。

直方圖均衡化處理前、后的圖像及其灰度直方圖如圖8、圖9所示。由圖8可直觀地看出，目標(biāo)車輛與路面、天空及周圍建筑的反差變大，圖像中目標(biāo)車輛的輪廓凸顯出來(lái)，雖然路面上加入了一些噪聲，但不影響目標(biāo)車輛的識(shí)別；由圖9可知，直方圖均衡化后，圖像的灰度直方圖灰度級(jí)分布范圍變寬且更均勻，灰度級(jí)分布由原來(lái)的0～180擴(kuò)展至0～255。就感興趣區(qū)域而言，局部區(qū)域?qū)Ρ榷仍鰪?qiáng)，這為下一步準(zhǔn)確識(shí)別目標(biāo)車輛打下了基礎(chǔ)。

圖8 數(shù)字圖像

圖9 灰度直方圖

5 算法的驗(yàn)證

識(shí)別和跟蹤算法在MATLAB/Simulink軟件與PreScan平臺(tái)中開(kāi)發(fā)和實(shí)現(xiàn)。在PreScan軟件中對(duì)換道場(chǎng)景進(jìn)行配置，場(chǎng)景包含多種模型參數(shù)，這些參數(shù)和仿真過(guò)程中采集到的各種參數(shù)都可以發(fā)送到MATLAB/Simulink中。運(yùn)行側(cè)后方車輛識(shí)別和跟蹤算法后，即可以實(shí)現(xiàn)車輛換道場(chǎng)景的實(shí)時(shí)仿真。

5.1 仿真平臺(tái)

仿真平臺(tái)主要包括以下模塊：人機(jī)交互界面（Graphical User Interface，GUI）、視頻顯示器（Viewer）以及MATLAB中的Simulink操作界面。

5.1.1 GUI

在GUI中，可快速設(shè)置車輛參數(shù)和換道所需要的道路交通模型，同時(shí)根據(jù)仿真需求確定行駛軌跡。以某車型為自車，車輛相關(guān)參數(shù)的設(shè)置如圖10所示。

為了采集相鄰車道與自車車道的圖像信息，需要加入攝像機(jī)模型。按照GB 15084—2013的要求對(duì)攝像頭位置參數(shù)進(jìn)行設(shè)置，將虛擬攝像機(jī)安裝在自車外后視鏡下方，如圖11所示，攝像機(jī)性能參數(shù)如表1所示。

圖10 車輛參數(shù)

圖11 位置參數(shù)

表1 攝像機(jī)性能參數(shù)

5.1.2 視頻顯示器

視頻顯示器即可視模塊，可以通過(guò)加載或者編輯各種現(xiàn)存模塊，例如車輛、道路和建筑等，以3D和動(dòng)畫(huà)的形式將2D模型顯示出來(lái)，如圖12所示。另外，可以通過(guò)改變動(dòng)畫(huà)視角來(lái)全方位查看仿真過(guò)程，這在實(shí)車試驗(yàn)中是很難做到的。

圖12 不同視角的3D場(chǎng)景

5.2 側(cè)后方車輛識(shí)別與跟蹤驗(yàn)證

為了驗(yàn)證本文提出的側(cè)后方車輛識(shí)別與跟蹤算法，在本文建立的虛擬仿真平臺(tái)下，建立單向雙車道虛擬交通環(huán)境并設(shè)置相應(yīng)的運(yùn)行軌跡、速度等信息。

5.2.1 車輛識(shí)別

為了驗(yàn)證側(cè)后方車輛識(shí)別算法的有效性，分別對(duì)側(cè)后方車輛接近自車、自車進(jìn)行換道操作兩種工況下的系列幀圖像進(jìn)行采集，結(jié)果分別如圖13、圖14所示。

由圖13可知，當(dāng)側(cè)后方車輛與自車距離大于60 m時(shí)，由于后方車輛過(guò)小，并沒(méi)有識(shí)別到；距離小于60 m時(shí)，車距逐漸減小，側(cè)后方車輛在圖像中所占比例逐漸增大，車輛識(shí)別效果較好，即該算法的有效識(shí)別距離可以達(dá)到60 m。

由圖14可知，自車在換道過(guò)程中，雖然側(cè)后方車輛相對(duì)于自車角度發(fā)生變化，但都能被準(zhǔn)確識(shí)別。Haarlike能準(zhǔn)確地提取車輛的前輪廓線特征和邊緣特征，通過(guò)大量樣本的訓(xùn)練得到了性能優(yōu)良的分類器，所以，即使是不同角度的車輛也能被很好地識(shí)別。

另外，在所測(cè)試的320幀圖像（兩種工況各160幀）中，識(shí)別率可達(dá)95%，識(shí)別效果良好，單幅圖片平均處理時(shí)間為25 ms，算法具有較好實(shí)時(shí)性。

圖13 接近工況

圖14 換道工況

5.2.2 車輛跟蹤

以初始幀圖像中側(cè)后方車輛識(shí)別標(biāo)記的矩形窗口為車輛跟蹤算法的初始化窗口，同時(shí)標(biāo)記出每個(gè)矩形窗口的中點(diǎn)。通過(guò)車輛接近自車、車輛落后自車兩種工況進(jìn)行跟蹤算法的驗(yàn)證，采集系列幀圖像，處理效果如圖15所示。

圖15 跟蹤效果

由圖15可知，兩種工況下，矩形窗口的中心位置變化即為仿真過(guò)程中車輛的運(yùn)行軌跡。因?yàn)樗杉盗袔瑘D像中的標(biāo)記矩形窗口中點(diǎn)近似為一條直線，與預(yù)先設(shè)置的側(cè)后方車輛運(yùn)行軌跡路線和可視模塊中的顯示效果相符合，所以該算法的有良好的跟蹤效果。

6 結(jié)束語(yǔ)

本文通過(guò)積分圖的方法加速了Haar-like特征的計(jì)算，減少了圖像處理的時(shí)間，算法具有較好的實(shí)時(shí)性。利用Haar-like特征和級(jí)聯(lián)分類器結(jié)合的方式對(duì)車輛進(jìn)行識(shí)別，有較高的識(shí)別率?；陬伾?紋理模型的MeanShift跟蹤算法能解決過(guò)分依賴目標(biāo)的顏色信息而導(dǎo)致的跟蹤失敗問(wèn)題，本文算法跟蹤效果良好。本文只研究了車輛的識(shí)別和跟蹤，未涉及距離測(cè)量和碰撞預(yù)警，可在進(jìn)一步研究中探討。

1 金立生.高速公路汽車輔助安全換道模型.吉林大學(xué)學(xué)報(bào)：工學(xué)版，2009，39（3）：582～586.

2 Wei H,Meyer E,Lee J,et al.Characterizing and Modeling Observed Lane-Changing Behavior:Lane-Vehicle-Based Microscopic Simulation on Urban Street Network.Transportation Research Record Journal of the Transportation Research Board，2000，1710（1）：104～113.

3 Mar J,Lin H T.The car-following and lane-changing colli?sion prevention system based on the cascaded fuzzy infer?ence system.IEEE，2005，54（3）：910～924.

4 李軍，魏民祥.基于“蠅眼”傳感網(wǎng)絡(luò)的大型車輛防撞系統(tǒng)研究.農(nóng)業(yè)裝備與車輛工程，2012（3）：3～6.

5 李守曉，畢欣.毫米波雷達(dá)汽車盲點(diǎn)檢測(cè)系統(tǒng)研究與設(shè)計(jì).機(jī)械設(shè)計(jì)與制造，2013（9）：25～31.

6 Papageorgiou C,Poggio T.A Trainable System for Object Detection.International Journal of Computer Vision，2000，38（1）：15～33.

7 Ojala T,Pietikianen M,Macnpaa T.Multiresolution Garyscale and Rotation Invariant Texture Classification with Local Binary Parrerns.IEEE Trans on Pattern Analysis and Machine Intelligence，2002，24（7）：971～987.

8 沈潔.基于圖像的前方車輛檢測(cè)：[學(xué)位論文].南京：南京理工大學(xué)，2011.

9 岡薩雷斯.數(shù)字圖像處理的Matlab實(shí)現(xiàn).第2版.北京：清華大學(xué)出版社，2013.

（責(zé)任編輯 斛 畔）

修改稿收到日期為2016年10月18日。

Research on Algorithms of Identifying and Tracking Rear Side Vehicle Based on PreScan

Ge Ruhai1,Zhang Xuefeng1,Zhang Meijuan2
（1.Jiangsu University,Zhenjiang 212013;2.Wuxi Institute of Technology,Wuxi 214121）

In order to reduce the probability of collision when changing lanes,the identification and tracking algorithms of the rear side vehicle were analyzed and studied.Firstly,Haar-like feature calculation was accelerated by the method of integral image to detect the rear side vehicle combined with cascade classifier.Based on MeanShift theory,vehicle tracking was achieved with the combination of texture features and traditional color characteristics.The intelligent traffic simulation software PreScan was applied to build simulation models,and verify the validity of the algorithm.The results show that,the algorithm has higher recognition rate,can achieve real-time requirements and has good tracking effect.

Vehicle identification and tracking,Integral image,Simulation analysis

車輛識(shí)別與跟蹤 積分圖 仿真分析

U461.91；TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1000-3703（2017）08-0032-06