馬龍 劉勝

摘 要： 為了提高前方車(chē)輛檢測(cè)的準(zhǔn)確率和效率，提出了一種改進(jìn)的多分辨率下的多特征提取的方向梯度直方圖（HOG）特征融合算法。首先將樣本擴(kuò)縮為分辨率不同的圖像，后轉(zhuǎn)為YUV色彩空間，其次加權(quán)融合Y，U，V多通道方向梯度直方圖（HOG）形成訓(xùn)練特征，最后采用支持向量機(jī)（SVM）對(duì)融合后的訓(xùn)練特征車(chē)輛分類(lèi)器訓(xùn)練和檢測(cè)。實(shí)驗(yàn)表明，該算法比傳統(tǒng)HOG提取特征算法車(chē)輛檢測(cè)率更高，效率高達(dá)98.92%，并且在不同天氣狀況下均有良好的檢測(cè)效果和魯棒性。

關(guān)鍵詞： 方向梯度直方圖； YUV色彩空間； 支持向量機(jī)； 車(chē)輛檢測(cè)； 多特征融合

中圖分類(lèi)號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2018）10-42-03

Abstract： To improve the accuracy and efficiency of vehicle detection， a multi-feature extractive histogram of oriented gradient （HOG） fusion algorithm is proposed. Firstly， the sample pattern is expanded and narrowed to images with different resolutions and converted to YUV color space， followed by weighted fusion Y， U， V multi-channel histogram of oriented gradient （HOG） training features， Finally， support vector machine （SVM） is used to train and detect the trained features. The experiment shows that this algorithm has a higher detection rate than the traditional HOG extraction feature algorithm， and the efficiency is as high as 98.92%，and have good detection effect and robustness under different weather conditions.

Key words： HOG； YUV color space； support vector machine； vehicle detection； multi-feature fusion

0 引言

快速且精準(zhǔn)的車(chē)輛檢測(cè)系統(tǒng)能在交通出行中避免潛在的危險(xiǎn)，可以有效減少其帶來(lái)的交通隱患，其中基于視覺(jué)的車(chē)輛檢測(cè)也一直是圖像處理、計(jì)算機(jī)視覺(jué)的重要研究課題[1-2]。目前基于視覺(jué)的車(chē)輛檢測(cè)可以分為兩個(gè)階段：在特征提取階段，系統(tǒng)提取車(chē)輛的陰影[3]，顏色[4]，紋理等外觀特征，從而得到可能存在車(chē)輛的候選區(qū)域，以提高感興趣區(qū)域內(nèi)的檢測(cè)效率。檢測(cè)驗(yàn)證階段主要有基于模板[5]和基于學(xué)習(xí)[6]兩種方法?；谀０錥7]的方法魯棒性好，但實(shí)時(shí)性較差，檢測(cè)效果不穩(wěn)定；基于學(xué)習(xí)的方法是目前車(chē)輛檢測(cè)領(lǐng)域研究的重點(diǎn)，且檢測(cè)效果較好。本文在特征提取階段選用的是方向梯度直方圖（HOG）， HOG具有注重輪廓不過(guò)多考慮輪廓內(nèi)部的形態(tài)特點(diǎn)和較強(qiáng)的描述物體輪廓能力。而在檢測(cè)驗(yàn)證階段，考慮到車(chē)輛檢測(cè)本質(zhì)就是二分類(lèi)的問(wèn)題，支持向量機(jī)（SVM）本身具有較強(qiáng)的分類(lèi)的能力，故選為本文車(chē)輛檢測(cè)的分類(lèi)器。

1 車(chē)輛檢測(cè)方法概述

在傳統(tǒng)的HOG特征提取中，由于忽略了樣本圖像的色彩信息，當(dāng)車(chē)輛的灰度空間和地面很接近時(shí)，灰度域的局部梯度就不明顯，從而導(dǎo)致車(chē)輛檢測(cè)率降低和誤檢率增高，本文針對(duì)上述問(wèn)題，提出了一種改進(jìn)的多分辨率下的YUV色彩空間相融合的方向梯度直方圖（HOG）和支持向量機(jī)（SVM）的前向車(chē)輛檢測(cè)算法，具體步驟為：①將樣本分辨率擴(kuò)縮為72×72，32×32之后，由RGB色彩空間轉(zhuǎn)為YUV色彩空間，分別提取圖像的Y、U、V三通道數(shù)據(jù)模板，保存為二維矩陣MU，MU，MV；②在對(duì)應(yīng)的二維矩陣中，分別提取和計(jì)算出多通道特征HY、HU、HV；③把得到HOG多通道特征進(jìn)行加權(quán)融合成最終訓(xùn)練特征H_HOG；④融合后的H_HOG特征用支持向量機(jī)（SVM）進(jìn)行訓(xùn)練，生成訓(xùn)練模型。

2 特征提取

2.1 RGB色彩空間轉(zhuǎn)為YUV色彩空間

YUV是一種基于人眼感知的色彩空間，其中“Y”表示明亮度，也就是灰階值；而“U”和“V”表示的則是色度，其作用是描述圖像的色彩和飽和度。采用YUV色彩空間是因?yàn)樗牧炼刃盘?hào)Y和色度信號(hào)U、V是分離的，其中RGB色彩空間轉(zhuǎn)為YUV色彩空間公式為：

2.2 HOG特征提取與融合

方向梯度直方圖（histogram of oriented gradient， HOG）特征是用于計(jì)算機(jī)視覺(jué)和圖像處理中的對(duì)象檢測(cè)的特征描述器，已經(jīng)廣泛應(yīng)用于在行人檢測(cè)[8]和交通標(biāo)志檢測(cè)[9]中。以下是HOG特征提取具體的實(shí)現(xiàn)方法：

第一步：計(jì)算圖像像素點(diǎn)的梯度幅值與梯度方向：求出像素點(diǎn)橫坐標(biāo)和縱坐標(biāo)方向的梯度，據(jù)此計(jì)算每個(gè)像素（x，y）位置的梯度幅值和梯度方向。

第二步：將梯度方向均勻量化成9個(gè)方向（如圖1所示），每個(gè)像素采用梯度幅值加權(quán)的方式進(jìn)行投票，計(jì)算出計(jì)算各方向梯度積分圖。

第三步：首先將圖像分成小的連通區(qū)域，稱(chēng)之為細(xì)胞單元，然后獲取單元中每個(gè)像素的梯度或邊緣方向直方圖。最后組合這些直方圖形成特征描述器。為了提高性能，我們還可以把這些局部直方圖在圖像更大的范圍內(nèi)（我們把它稱(chēng)為塊）進(jìn)行對(duì)比度歸一化，圖2為本文的檢測(cè)窗口。

2.3 融合多通道HOG特征

通過(guò)上述（2.2）得到多通道特征HY，HU，HV，采用加權(quán)的方式進(jìn)行特征融合，從而得到色彩圖像的HOG融合特征H_HOG，即為：

式⑶中，WY，WU，WV分別為HY，HU，HV的權(quán)重系數(shù)，其值為，權(quán)重系數(shù)和為1，H_HOG為色彩圖像的HOG融合特征。按照上述方法提取正、負(fù)訓(xùn)練樣本的HOG特征后，采用支持向量機(jī)（SVM）進(jìn)行分類(lèi)器訓(xùn)練與分類(lèi)。

3 SVM多特征融合訓(xùn)練分類(lèi)法

3.1 車(chē)輛分類(lèi)器訓(xùn)練

支持向量機(jī)（SVM）是通過(guò)將輸入向量映射到一個(gè)高維的特征空間，在該空間中構(gòu)造最優(yōu)分類(lèi)面，從而實(shí)現(xiàn)二類(lèi)或多類(lèi)的分類(lèi)。為了滿(mǎn)足HOG特征和檢測(cè)速度的需求，本文選用線(xiàn)性SVM二分類(lèi)，進(jìn)行HOG特征的訓(xùn)練分類(lèi)。對(duì)于線(xiàn)性二分類(lèi)，為了使得所有的訓(xùn)練樣本都能被正確地分類(lèi)，轉(zhuǎn)化為一個(gè)二次型優(yōu)化問(wèn)題：，則約束條件為：

3.2 支持向量機(jī)（SVM）參數(shù)優(yōu)選

選取合適的參數(shù)可以得SVM具有較強(qiáng)的分類(lèi)能力和泛化能力，當(dāng)參數(shù)C越小時(shí)，分類(lèi)器對(duì)樣本數(shù)據(jù)中誤判的樣本懲罰程度就越小，訓(xùn)練誤差則變大；當(dāng)參數(shù)C越大時(shí)，表示對(duì)錯(cuò)誤例懲罰程度越大，可能會(huì)導(dǎo)致模型過(guò)擬合的情況。而核參數(shù)σ主要影響樣本數(shù)據(jù)在高維特征空間中分布的復(fù)雜程度。本文采用的是文獻(xiàn)[10]中在 LibSVM工具箱中，通過(guò)網(wǎng)格搜索和交叉驗(yàn)證的方法得到的最優(yōu)參數(shù)，其驗(yàn)證精度為95.89%。

4 實(shí)驗(yàn)結(jié)果與分析

本文的實(shí)驗(yàn)程序是在python3.6下實(shí)現(xiàn)的，性能測(cè)試實(shí)驗(yàn)在Inter（R） core i5 CPU、2G內(nèi)存，64位Windows 10操作系統(tǒng)的計(jì)算機(jī)上運(yùn)行。其中訓(xùn)練和測(cè)試的正負(fù)樣本均使用GTI數(shù)據(jù)庫(kù)中的圖片，各800張，大小都是，其中正樣本包括顏色不同的越野車(chē)、轎車(chē)、貨車(chē)等；負(fù)樣本為包含路邊樹(shù)木、道路路面、護(hù)欄等背景圖。

為了證明本文算法的有效性和可行性，實(shí)驗(yàn)從兩個(gè)部分驗(yàn)證：

⑴ 將本文算法與傳統(tǒng)HOG檢測(cè)車(chē)輛算法進(jìn)行對(duì)比實(shí)驗(yàn)，分別統(tǒng)計(jì)得到車(chē)輛檢測(cè)的結(jié)果如表1，從表可知本文算法在檢測(cè)率和誤檢率兩項(xiàng)指標(biāo)均優(yōu)于傳統(tǒng)算法。

⑵ 測(cè)試選自不同天氣情況下的車(chē)輛前置攝像頭的真實(shí)數(shù)據(jù)，結(jié)果如圖3所示（分別為晴天、霧天、雨天），均取得良好的檢測(cè)效果。

5 結(jié)束語(yǔ)

針對(duì)實(shí)際應(yīng)用中對(duì)于車(chē)輛檢測(cè)的檢測(cè)效率和準(zhǔn)確率，本文在提取的梯度輪廓特征的基礎(chǔ)上加以改進(jìn)，在多分辨率下提取融合的YUV色彩空間的HOG特征，比傳統(tǒng)的HOG特征包含更多色彩信息，能有效避免傳統(tǒng)提取算法干擾物對(duì)檢測(cè)效果的影響。經(jīng)過(guò)多次實(shí)驗(yàn)，證明了檢測(cè)的準(zhǔn)確率有明顯提高，能適應(yīng)不同天氣的條件且具有較好的魯棒性，在總體性能上有較大的提升。但本文算法對(duì)前方較多車(chē)輛和重疊嚴(yán)重的情況下檢測(cè)不太理想，這將作為后續(xù)的研究重點(diǎn)，進(jìn)而提高車(chē)輛檢測(cè)系統(tǒng)的性能。

參考文獻(xiàn)（References）：

[1] Li Xing，Guo Xiao song. A HOG feature and SVM based method for forward vehicle detection with single camera [C]//IEEE International Conference on Intelligent Human -Machine Systems and Cybernetics，2013：263-266

[2] 楊強(qiáng)，齊美彬，蔣建國(guó).一種用于車(chē)輛檢測(cè)的選擇性背景更新方法[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2011.34（4）：509-514

[3] Han S， Han Y， Hahn H. vehicle detection Method using Haar like Feature on Real Time System[J].Engineer and Technology，2009.59：455-459

[4] Guo D，F(xiàn)raichard T，Xie M，et al. Color Modeling by Spherical Influence Field in Sensing Driving Environment[C]//Proceedings IEEE Intelligent Vehicle Symposium.2000：249-254

[5] Handmann U，Kalinke T，Tzomakas C，et al. An Image Processing System for Driver Assistance [J]. Image and Vision Computing，2000.18（5）：367-376

[6] Wu Jun-wen，Zhang Xue-gong. A PCA Classifier and Its Application in Vehicle Detection[C]//Proceeding IEEE International Joint Conference on Neural Networks，2001：600-604

[7] Gepperth ART. Co training of context models for real timevehicle detection[C]//2012 IEEE Intelligent Vehicles Symposium，2012：814-820

[8] Zhu Qiang，Yeh Meichen， Cheng K-T. Fast Human Detection Using a Cascade of Histograms of Oriented Gradients[C]//proceedings IEEE International Conference on Computer Vision & Pattern Recognition，2006.2：1491-1498

[9] 陳龍，潘志明，毛慶洲等.利用HOG LBP自適應(yīng)融合特征實(shí)現(xiàn)禁令交通標(biāo)志檢測(cè)[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2013.38（2）：191-194

[10] 李星，郭曉松，郭君斌.基于HOG特征和SVM的前向車(chē)輛識(shí)別方法[J].計(jì)算機(jī)科學(xué)，2013.40（11）：329-332