陳攀

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都 610065）

0 引言

隨著汽車保有量的增加及無人駕駛技術(shù)的發(fā)展，前車檢測(cè)及測(cè)距技術(shù)的研究，并廣泛應(yīng)用于汽車防撞系統(tǒng)中。當(dāng)今常用的車間測(cè)速方法有毫米波雷達(dá)測(cè)距、超聲波測(cè)距、激光雷達(dá)測(cè)距、紅外線測(cè)距及計(jì)算機(jī)視覺等。其中，超聲波測(cè)距實(shí)現(xiàn)簡(jiǎn)單、成本較低，所以應(yīng)用較廣，但由于多普勒效應(yīng)，這種方法無法測(cè)量正在高速行駛車輛下的車距，且測(cè)距范圍很低，所以其一般應(yīng)用在汽車的倒車防撞系統(tǒng)上；毫米波雷達(dá)測(cè)距系統(tǒng)測(cè)量精度高、范圍長(zhǎng)，不易受外界條件干擾，但其也易受其他通信設(shè)施的電磁干擾，而且毫米波雷達(dá)測(cè)距系統(tǒng)成本較高，對(duì)于一般的駕駛輔助系統(tǒng)來說很難被廣泛使用；激光雷達(dá)測(cè)距系統(tǒng)可以快速、精確地獲得目標(biāo)位置和距離信息，但是易受環(huán)境干擾且實(shí)現(xiàn)成本高，很難用在車載駕駛輔助系統(tǒng)上。相較于以上各種方法，利用計(jì)算機(jī)視覺原理實(shí)現(xiàn)的測(cè)距系統(tǒng)能夠獲得圖像信息，可以對(duì)目標(biāo)進(jìn)行檢測(cè)和識(shí)別，還可以根據(jù)不同的場(chǎng)景實(shí)現(xiàn)各種不同的功能，如交通標(biāo)志牌檢測(cè)、車道線檢測(cè)等。這種方法也有其局限性，易受環(huán)境干擾，在雨雪、大霧等天氣下魯棒性較差，其精度和性能也取決于實(shí)現(xiàn)的算法，但因其上述及成本低廉等優(yōu)點(diǎn)，可以廣泛應(yīng)用于車載輔助系統(tǒng)上。一般，利用計(jì)算機(jī)視覺原理測(cè)距系統(tǒng)分為單目視覺測(cè)距系統(tǒng)和雙目視覺測(cè)距系統(tǒng)（立體視覺測(cè)距系統(tǒng)）。目前國內(nèi)外都開展了基于視覺探測(cè)的汽車主動(dòng)防護(hù)系統(tǒng)的相關(guān)研究工作，豐田汽車發(fā)布了雷克薩斯“LS460”配備的安全技術(shù)，采用立體攝像頭及米波雷達(dá)檢測(cè)障礙物，實(shí)現(xiàn)車輛和行人的檢測(cè)[1]。

1 算法總體設(shè)計(jì)

系統(tǒng)的攝像元件主要用兩塊水平放置的攝像頭組成，可以同時(shí)采集左右兩幅立體圖像。系統(tǒng)的總體流程如圖1所示。先將相機(jī)采集到的圖像進(jìn)行灰度化處理；根據(jù)車載相機(jī)的角度截取感興趣區(qū)域（ROI），通過截取ROI來消除天空及路邊等非相關(guān)物體的干擾；車輛檢測(cè)通過訓(xùn)練好的AdaBoost分類器，用矩形方框標(biāo)記檢測(cè)到的車輛；提出一種基于雙目系統(tǒng)的交叉檢測(cè)的方法，通過左圖的檢測(cè)結(jié)果去檢測(cè)和匹配右圖來保證兩幅圖像上檢測(cè)結(jié)果的準(zhǔn)確性和一致性；一旦檢測(cè)到有效車輛，利用雙目視覺原理對(duì)車輛進(jìn)行測(cè)距，獲得前方車輛的距離信息。

圖1 系統(tǒng)流程圖

2 車輛檢測(cè)

2.1 分類器訓(xùn)練

車輛分類器使用Haar-like[2]（類Haar）特征和Ada?Boost分類器，簡(jiǎn)稱Haar分類器。類Haar特征值均以矩形框?yàn)閱挝?，通過形框內(nèi)所有黑色區(qū)域的和減去矩形框內(nèi)所有白色區(qū)域的和即可計(jì)算得到，目前常用的矩形特征有15種[3]，主要由以下四類：邊緣特征、線性特征、中心-環(huán)繞特征及特定方向特征。

類Haar特征可以描述該矩形圖像區(qū)域內(nèi)的灰度變化情況。在目標(biāo)檢測(cè)時(shí)我們需要有一個(gè)子窗口在待檢測(cè)的圖片窗口中不斷的移位滑動(dòng)，子窗口每到一個(gè)位置，就會(huì)計(jì)算出該區(qū)域的類Haar特征，然后用我們訓(xùn)練好的級(jí)聯(lián)分類器對(duì)該特征進(jìn)行篩選，一旦該特征通過了所有強(qiáng)分類器的篩選，則判定該區(qū)域?yàn)槟繕?biāo)。類Haar特征最初由Papageorgiou提出，后來被Paul Vi?ola和Michael Jones改進(jìn)，用來實(shí)現(xiàn)人臉檢測(cè)。類Haar特征適合于用來檢測(cè)“基本剛性的”物體，例如人臉、車輛等，此類物體表面包含了豐富的矩形特征。類Haar特征如圖2所示，本文中使用了垂直特征。

圖2 類Haar特征

本文使用AdaBoost進(jìn)行訓(xùn)練，一共使用了8873張汽車的圖片作為正樣本，使用了16676張負(fù)樣本圖片，示例如圖3、圖4。

圖3 正樣本示例

圖4 負(fù)樣本示例

在類Haar特征值的計(jì)算中，需要進(jìn)行大量的區(qū)域像素值的累加，所以使用積分圖[4]進(jìn)行加速。圖像積分圖中每個(gè)點(diǎn)的值是原圖像中該點(diǎn)左上角的所有像素值之和。也就是說，積分圖是一個(gè)和圖像尺寸大小相同的矩陣，其每個(gè)點(diǎn)的值代表的是圖像中該點(diǎn)左上角像素點(diǎn)值之和。文獻(xiàn)[5]提出了一種利用遞推關(guān)系來計(jì)算積分圖的算法：

其中，c（x，y）為圖像在列方向上求和，初始時(shí) c（x，-1）=ii（-1，y）=0。

使用積分圖可以加速圖像矩形區(qū)域內(nèi)像素值累加操作，原理如下：圖像中矩形區(qū)域[x0，x1] × [y0，y1] 內(nèi)像素和可以通過積分圖中II4+II1-II2-II3的計(jì)算得來，如圖5所示。

圖5 積分圖

2.2 交叉檢測(cè)方法

由于我們使用的Haar特征+AdaBoost分類器會(huì)有一定的誤檢率，效果如圖6、圖7所示?？梢钥闯?，檢測(cè)結(jié)果中出現(xiàn)了相當(dāng)高的誤檢率。

圖6 左圖檢測(cè)結(jié)果

圖7 右圖檢測(cè)結(jié)果

由此導(dǎo)致最嚴(yán)重的問題就是左右圖像檢測(cè)結(jié)果的一致性問題。系統(tǒng)或者成功地檢測(cè)出兩幅圖像中的同一目標(biāo)車輛，或者同時(shí)漏檢同一目標(biāo)車輛。除此之外，則會(huì)導(dǎo)致距離測(cè)量的結(jié)果出現(xiàn)嚴(yán)重偏差。因此，提出了一種基于雙目系統(tǒng)的交叉檢測(cè)的策略以保證系統(tǒng)檢測(cè)結(jié)果的一致性。策略如下：

（1）對(duì)于在左圖中檢測(cè)到每個(gè)目標(biāo)車輛，根據(jù)左圖中目標(biāo)車輛的大小和位置在右圖中創(chuàng)建感興趣區(qū)域（ROI）。

（2）當(dāng)右側(cè)圖像的ROI建立后，在圖像中搜索確定此ROI中是否存在假定的車輛。

（3）如果上述ROI中只有一輛車輛，則認(rèn)為它是左側(cè)圖像中檢測(cè)到的車輛。然后從搜索候選者中移除該車輛。如果不止一個(gè)候選車輛符合上述條件，我們會(huì)根據(jù)假定的車輛的大小和坐標(biāo)選擇最佳匹配。

（4）如果上述ROI中未發(fā)現(xiàn)車輛，降低分類器的閾值來對(duì)這個(gè)區(qū)域進(jìn)行檢測(cè)。當(dāng)閾值降低，正確識(shí)別率降低，誤檢率升高。如果ROI內(nèi)有車輛，較低的閾值更容易識(shí)別出車輛；如果左邊的結(jié)果是假的（分類器誤將特定視角的某些東西認(rèn)定為車輛），即使是較低閾值的分類器也無法從另一個(gè)角度檢測(cè)到。

●如果檢測(cè)結(jié)果為正，則將右側(cè)和左側(cè)的新結(jié)果將標(biāo)記為同一車輛。如果找到多個(gè)結(jié)果，我們繼續(xù)根據(jù)假定的車輛的大小和坐標(biāo)選擇最佳匹配；

●如果檢測(cè)結(jié)果為陰，我們將左圖像的結(jié)果視為誤報(bào)，并將其從結(jié)果集中刪除。

（5）在左圖中搜索完所有假定的車輛之后，對(duì)于右圖，我們需要從左圖中找到其匹配結(jié)果。由于之前已經(jīng)先前搜索了所有左側(cè)結(jié)果，因此左圖中不存在任何可用的候選車輛，所以以較低閾值繼續(xù)前幾步。

直線方程(7)和(8)構(gòu)成對(duì)參數(shù)xA的線性約束。將點(diǎn)集SFA和SCD內(nèi)點(diǎn)的坐標(biāo)轉(zhuǎn)換成新坐標(biāo)系下的坐標(biāo),為簡(jiǎn)化符號(hào),在不引起歧義的情況下,這里仍用(xP,yP)表示點(diǎn)集內(nèi)的P點(diǎn)在新坐標(biāo)系下的坐標(biāo)。

通過交叉再檢測(cè)過程，進(jìn)一步降低了誤檢率，效果如圖8、圖9所示?？梢钥闯觯`檢率有很明顯的提高。

圖8 左圖交叉再檢測(cè)結(jié)果

圖9 右圖交叉再檢測(cè)結(jié)果

3 車距測(cè)量

3.1 雙目視覺測(cè)距原理

人對(duì)眼前的物體的立體感來源于物體在人雙眼中成像的視差，通過雙目產(chǎn)生的視差，人可以感知實(shí)體的三維信息以及到實(shí)體的距離信息。雙目視覺測(cè)距利用兩臺(tái)攝像機(jī)模擬人眼的成像原理，拍攝兩幅圖像經(jīng)過圖像校正、匹配等步驟可以計(jì)算出圖像像素點(diǎn)的視差信息，從而恢復(fù)出物體的深度信息。圖10顯示了雙目視覺原理。Pl和Pr分別為左右相機(jī)的成像平面，我們可以看到，原始雙目系統(tǒng)的成像平面都不是完全的行對(duì)準(zhǔn)，不能直接計(jì)算視差，要先對(duì)圖像進(jìn)行立體校正，也叫做極線校正。立體校正可以對(duì)左右圖像進(jìn)行重投影，使它們精確地落在同一平面上。

圖10 雙目視覺原理圖

圖11顯示了經(jīng)立體校正后的雙目視覺原理，這時(shí)可以直接計(jì)算得到視差。ol和or分別為左右相機(jī)的光心，ol與or的連線T稱為基線，用來表示左右相機(jī)光心之間的距離，為定值，xl與xr分別表示實(shí)體點(diǎn) p在兩相機(jī)中的成像，視差d=xl-xr，Z表示實(shí)體點(diǎn) p到基線的距離，f為相機(jī)的焦距。由數(shù)學(xué)上三角形的相似關(guān)系可得出視差d與深度Z的數(shù)學(xué)關(guān)系表達(dá)式

圖11 立體校正后的雙目視覺原理圖

3.2 立體匹配

在車輛識(shí)別中，在一對(duì)立體圖像中找到相似部分的能力是至關(guān)重要的問題[6]。圖像立體匹配的目的是：在右圖中找到左圖中同一極線上指定像素點(diǎn)的最佳匹配。立體匹配的基本原理為：計(jì)算匹配代價(jià)函數(shù)，搜索使得匹配代價(jià)函數(shù)值最小化的位置，確定為最佳匹配點(diǎn)。所以，代價(jià)函數(shù)的選取是立體匹配算法中至關(guān)重要的一環(huán)。常見的一些匹配代價(jià)函數(shù)如：SAD（Sum of Absolute Difference，灰度差絕對(duì)值之和）、SSD（Sum of Squared Difference，灰度差平方值之和）、MAD（Mean Absolute Difference，平均灰度差絕對(duì)值）以及ZNCC（Zero-mean Normalized Cross-Correlation，零均值歸一化互相關(guān)）等。

采用了一種由粗到精的匹配策略：先采用跳躍式步長(zhǎng)利用較大的窗口對(duì)圖像進(jìn)行抽樣式匹配計(jì)算出粗略的視差值，隨后，將上一步匹配得到視差值作為先驗(yàn)知識(shí)，在對(duì)像素點(diǎn)逐個(gè)匹配時(shí)可以降低匹配的搜索范圍，在精度和時(shí)間性能上都有所提升。主要步驟如下：

粗匹配階段：此階段在計(jì)算代價(jià)函數(shù)時(shí)使用大窗口以減少錯(cuò)誤匹配。在左相機(jī)采集到的圖像上設(shè)置跳躍步長(zhǎng)，從起始像素點(diǎn)在右圖對(duì)應(yīng)行上尋找匹配點(diǎn)，得到由原圖抽樣匹配后的粗匹配視差圖，再采用左右一致性檢查（LRC）[7]提高匹配精度。左右一致性檢查即：在完成從左到右的匹配后，再進(jìn)行從右到左的匹配，檢查兩者匹配結(jié)果的一致性；若匹配結(jié)果一致則接受，反之，該點(diǎn)視差值則為空值。對(duì)于空值，采用雙線性插值填充。

我們感興趣的是前方車輛車距，因此在計(jì)算視差時(shí)只關(guān)心被交叉檢測(cè)到的車輛區(qū)域，只針對(duì)這一區(qū)域進(jìn)行立體匹配。

在得到圖像感興趣視差圖后，可根據(jù)前述視差和深度的計(jì)算公式得到深度圖，我們還需要一部分工作來推導(dǎo)出前車的距離信息。我們使用直方圖來表示深度圖，直方圖橫軸由相應(yīng)點(diǎn)的深度組成，縱軸由對(duì)應(yīng)深度的像素點(diǎn)個(gè)數(shù)組成。取直方圖峰值前三做加權(quán)平均，即，其中n代表為直方圖中峰值為前n，dn代表峰值前n的深度值，distance則為前方車輛的車距信息。

4 實(shí)驗(yàn)結(jié)果

4.1 實(shí)驗(yàn)設(shè)備及平臺(tái)

本文所使用的攝像機(jī)為3D雙目攝像機(jī)，由兩只攝像頭組成，集成于同一塊電路板上，如圖12所示。它可以同時(shí)采集左右兩幅圖像，圖像的分辨率為640×480。本文實(shí)驗(yàn)平臺(tái)的硬件設(shè)置為Intel Core i5-6400 2.70GHz，內(nèi)存為8.00GB，軟件配置為Windows 10操作系統(tǒng)、Visual Studio 2015以及OpenCV 3.2.4，編程語言采用C++。

圖12 3D雙目攝像機(jī)

4.2 實(shí)驗(yàn)結(jié)果及分析

由于在真實(shí)場(chǎng)景下我們無法獲得準(zhǔn)確的前車車距，所以我們?cè)谠O(shè)置場(chǎng)景下進(jìn)行實(shí)驗(yàn)。選取10-100m的10個(gè)間距進(jìn)行試驗(yàn)，對(duì)圖所示車輛在不同距離進(jìn)行了實(shí)驗(yàn)測(cè)量。在進(jìn)行立體匹配時(shí)，粗匹配階段的匹配窗口大小設(shè)置為20×20，精匹配階段的匹配窗口大小設(shè)置為5×5。實(shí)驗(yàn)結(jié)果如表1所示。

表1 車距測(cè)量結(jié)果

本文基于雙目視覺原理，利用機(jī)器學(xué)習(xí)進(jìn)行車輛檢測(cè)，通過雙目系統(tǒng)進(jìn)行交叉再檢測(cè)，并采用一種由粗到精的匹配策略，在消除車輛誤檢、提高視差精度兩方面有了很大的提升。實(shí)驗(yàn)結(jié)果表明，本文提出的方法具有較高的測(cè)距精度。當(dāng)然，該方法依然有所不足，現(xiàn)有方法車距越遠(yuǎn)，測(cè)距誤差越大，這也是今后繼續(xù)努力提升的方向。