于莉媛，郭云雷，牛萍娟，劉大利，劉 雷，羅德智

（1.天津工業(yè)大學(xué) 電氣工程與自動(dòng)化學(xué)院，天津 300387；2.天津工業(yè)大學(xué) 電子與信息工程學(xué)院，天津 300387）

隨著汽車保有量的逐年增加，道路交通安全問題越來越嚴(yán)峻。通過給車輛配置高級(jí)駕駛輔助系統(tǒng)（ADAS）或無人駕駛系統(tǒng)來減少交通事故的發(fā)生，已經(jīng)成為未來車輛技術(shù)發(fā)展的必然趨勢(shì)。而基于車載傳感器對(duì)于前方車輛的檢測(cè)和跟蹤是上述系統(tǒng)必不可少的技術(shù)[1]。

對(duì)前方車輛檢測(cè)使用的傳感器有激光雷達(dá)、毫米波雷達(dá)和視覺傳感器等。激光雷達(dá)檢測(cè)精度高但價(jià)格昂貴，易受天氣因素影響且數(shù)據(jù)計(jì)算量大；毫米波雷達(dá)具有較遠(yuǎn)的檢測(cè)距離，但是其分辨率較低。與激光雷達(dá)、毫米波雷達(dá)傳感器相比，攝像頭具有感知物體顏色信息、可視范圍大、價(jià)格低廉等特點(diǎn)，更加適合大規(guī)模地應(yīng)用[2]?；谲囕d攝像頭對(duì)前方車輛進(jìn)行檢測(cè)，由于單目視覺成本低、計(jì)算量較小，所以大多采用單目視覺方案[3]。

基于車載攝像頭對(duì)前方車輛進(jìn)行檢測(cè)與跟蹤需要考慮不同的光照環(huán)境，光照條件不足成為夜間車輛檢測(cè)研究的一個(gè)難點(diǎn)[4]。在夜間視頻圖像中車輛較為明顯的為車燈部位，由于車輛前照燈亮度較高，容易造成圖像過曝，且在實(shí)際場(chǎng)景中左右車道間往往有隔離護(hù)欄，造成車輛前燈提取較為困難。研究人員主要提取圖像中車輛尾燈以實(shí)現(xiàn)前方車輛的檢測(cè)與跟蹤。

例如文獻(xiàn)[5]利用顏色信息在圖像中檢測(cè)出來尾燈并跟蹤，由于設(shè)定固定顏色閾值，所以環(huán)境適應(yīng)性差；文獻(xiàn)[6]利用亮度與顏色四閾值提取尾燈目標(biāo)，但可能將路燈等非尾燈目標(biāo)誤檢為車燈；文獻(xiàn)[7]默認(rèn)車燈為圓形，但容易漏檢尾燈為非圓形的車輛；文獻(xiàn)[8]將RGB顏色空間轉(zhuǎn)換到HSV顏色空間并檢測(cè)車輛尾燈，增加了計(jì)算成本；文獻(xiàn)[9]基于團(tuán)塊幾何和位置特征檢測(cè)車輛尾燈，由于只利用尾燈亮度信息，易受其他光源干擾。

對(duì)上述傳統(tǒng)算法進(jìn)行分析得出結(jié)論，基于尾燈的車輛檢測(cè)算法還有以下幾個(gè)方面不完善：①尾燈提取閾值對(duì)環(huán)境的適應(yīng)性較差；②轉(zhuǎn)換顏色空間增加計(jì)算成本；③尾燈提取易受其他光源的干擾；④在車輛互相遮擋情況下車輛檢測(cè)率下降嚴(yán)重。針對(duì)以上問題，本文提出一種基于尾燈光暈特征和亮度特征的夜間前方車輛檢測(cè)方法，并利用基于特征融合的粒子濾波算法對(duì)尾燈進(jìn)行跟蹤，實(shí)現(xiàn)對(duì)車輛的跟蹤。在RGB顏色空間直接提取夜間圖像的（2R-G-B）和（G+B）/2特征圖，采用改進(jìn)的Otsu方法對(duì)兩顏色特征圖閾值分割二值化，根據(jù)基于尾燈提取算法提取疑似尾燈目標(biāo)，利用先驗(yàn)知識(shí)對(duì)已提取尾燈進(jìn)行配對(duì)，再根據(jù)尾燈對(duì)估計(jì)車輛在圖像中位置，從而完成對(duì)夜間車輛的檢測(cè)?；诹Ｗ訛V波算法提出改進(jìn)的多特征融合的粒子濾波尾燈跟蹤算法，根據(jù)車輛檢測(cè)算法和尾燈跟蹤算法設(shè)計(jì)車輛檢測(cè)與跟蹤系統(tǒng)，實(shí)現(xiàn)對(duì)連續(xù)幀車輛的持續(xù)檢測(cè)與跟蹤，并提高車輛重疊時(shí)的車輛檢測(cè)率。

1 車輛成像特點(diǎn)與尾燈特征

1.1 車輛成像特點(diǎn)分析

研究基于視覺的車輛檢測(cè)算法，需要考慮光照條件的影響，不同光照條件下的車輛視覺成像如圖1所示。

圖1 白天與夜間車輛成像圖Fig.1 Day and night vehicle imaging

圖1（a）為白天環(huán)境下的車輛成像圖。在白天環(huán)境下光照比較充足，通過圖像處理算法可以獲取車輛的陰影、邊緣、對(duì)稱性、輪廓等特征，基于以上特征可以實(shí)現(xiàn)對(duì)白天環(huán)境下前方車輛的檢測(cè)和跟蹤[10-11]。圖1（b）為夜間環(huán)境下的車輛成像圖。由于夜間光照條件不足，難以獲取白天環(huán)境下的車輛陰影等特征，車輛最明顯的特征為高亮尾燈，故本文根據(jù)車輛尾燈實(shí)現(xiàn)對(duì)車輛的檢測(cè)。

1.2 尾燈特征選擇

在檢測(cè)與跟蹤系統(tǒng)中，選取合適的特征起著關(guān)鍵性作用，好的特征可以容易地區(qū)分前景和背景[12]。選取車輛尾燈提取特征需要考慮路牌、反光帶等其他高亮目標(biāo)的干擾[13]。

通過對(duì)夜間前方車輛尾燈圖像進(jìn)行觀察得出結(jié)論，由于相機(jī)自動(dòng)曝光的原因，尾燈夜間成像特點(diǎn)為尾燈中心呈亮白色，周圍呈現(xiàn)紅色光暈。因此本文采用尾燈的光暈特征和亮度特征作為尾燈提取特征。

在統(tǒng)計(jì)大量尾燈顏色直方圖的前提下，最終根據(jù)圖像的（2R-G-B）和（G+B）/2特征圖實(shí)現(xiàn)對(duì)尾燈光暈特征和亮度特征的提取。提取一幀夜間車輛圖像并計(jì)算其（2R-G-B）和（G+B）/2特征圖，結(jié)果如圖2所示。

圖2 尾燈光暈和亮度特征提取Fig.2 Extraction of taillight halo and luminance characters

圖2（a）為圖像的（2R-G-B）特征圖，可見尾燈光暈區(qū)域與非光暈區(qū)域亮度等級(jí)有明顯區(qū)別，特征圖有效保留了車輛尾燈的光暈信息。圖2（b）為圖像的（G+B）/2特征圖，可見特征圖保留了尾燈及其他高亮區(qū)域。

2 尾燈提取與車輛檢測(cè)

2.1 基于改進(jìn)Otsu方法的圖像分割

根據(jù)（2R-G-B）和（G+B）/2特征圖的直方圖進(jìn)行閾值分割，可以將偏紅尾燈光暈和尾燈等高亮光斑從背景中快速提取出來。圖3為圖像（2R-G-B）和（G+B）/2特征圖的直方圖，通過直方圖可以觀察到大量的像素集中在低灰度值區(qū)間。

為了對(duì)特征圖進(jìn)行有效分割，本文采用改進(jìn)的Otsu方法[14]對(duì)（2R-G-B）和（G+B）/2顏色特征灰度圖進(jìn)行閾值分割。首先使用低閾值對(duì)兩特征圖進(jìn)行初次閾值分割，去除大量黑色背景，然后再在較亮區(qū)域使用Otsu法進(jìn)行二次閾值分割。

圖3 （2R-G-B）和（G+B）/2的直方圖Fig.3 Histograms of（2R-G-B）and（G+B）/2

首先統(tǒng)計(jì)（2R-G-B）和（G+B）/2特征圖的直方圖，假設(shè) Graymin1和 Graymin2分別為（2R-G-B）和（G+B）/2直方圖中像素?cái)?shù)最多的灰度值，Graymax1和Graymax2為直方圖中的最大灰度值。則改進(jìn)的Otsu方法具體算法為：

（1）首先用低閾值ThresholdL1和ThresholdL2分別對(duì)（2R-G-B）和（G+B）/2特征圖進(jìn)行初步閾值分割，濾除大量黑色背景。

（2）在（2R-G-B）灰度值區(qū)間 ThresholdL1～Graymax1和（G+B）/2的灰度值區(qū)間 ThresholdL2～Graymax2中，分別采用Otsu方法進(jìn)行閾值分割，得到分割閾值Thresholdh1、Thresholdh2。

（3）分別用閾值Thresholdh1和Thresholdh2對(duì)（2RG-B）和（G+B）/2特征圖進(jìn)行二值化。

其中，ThresholdL1和ThresholdL2的計(jì)算方法由式（1）和式（2）確定：

使用傳統(tǒng)Otsu算法和本文所提改進(jìn)算法對(duì)（2RG-B）和（G+B）/2進(jìn)行閾值分割，結(jié)果如圖4所示。由圖4可知，傳統(tǒng)Otsu算法對(duì)圖像閾值分割不足，本文所提改進(jìn)算法可有效對(duì)（2R-G-B）和（G+B）/2特征圖進(jìn)行閾值分割，且優(yōu)于傳統(tǒng)Otsu算法的分割效果。

2.2 疑似尾燈提取

圖4 閾值分割圖像Fig.4 Threshold segmentation images

夜間汽車紅色尾燈中間高亮且四周發(fā)出紅色光暈，而車身反光、車牌、路牌和其他非紅色光源無光暈特征。本文根據(jù)上述（2R-G-B）和（G+B）/2的閾值分割圖提出了基于尾燈光暈特征和亮度特征的疑似尾燈提取方法，具體如下：

（1）將（G+B）/2二值化圖像命名為P1，將（2R-GB）二值化圖像命名為P2。

（2）提取P1連通域，刪除面積過小的噪聲，對(duì)剩余連通域進(jìn)行標(biāo)記，得到圖像P3。

（3）P3連通域輪廓并向外擴(kuò)展2個(gè)像素點(diǎn)的大小得到圖像P4，并記錄輪廓的坐標(biāo)位置。

（4）刪除P2中面積過小噪聲后，將其與P4疊加得到圖像P5，對(duì)應(yīng)位置像素值疊加規(guī)則為0+0=0，0+1=1，1+0=1，1+1=1。

（5）提取P5的連通域，計(jì)算P4中每個(gè)輪廓像素點(diǎn)數(shù)量與P5中與其對(duì)應(yīng)的連通域像素點(diǎn)數(shù)量的比值R。

（6）當(dāng)比值R小于閾值TR時(shí)，認(rèn)定此連通域是疑似尾燈的紅色光暈區(qū)域，如果比值R大于TR，則認(rèn)定連通域疊加前為非尾燈亮塊的輪廓，則刪除P4輪廓對(duì)應(yīng)的P1連通域，得到圖像P6。

經(jīng)過反復(fù)大量實(shí)驗(yàn)最終確定TR的經(jīng)驗(yàn)值為0.2，使用上述方法對(duì)二值化圖像進(jìn)行尾燈提取，結(jié)果如圖5所示，圖像中只保留了車輛紅色尾燈的白色亮塊，刪除了車身反光、車牌、路牌干擾亮塊。實(shí)驗(yàn)表明，本文所提尾燈提取方法可有效提取疑似尾燈目標(biāo)。

圖5 疑似尾燈提取圖Fig.5 Extraction image of suspected taillights

2.3 尾燈配對(duì)與車輛檢測(cè)

已經(jīng)提取的疑似尾燈目標(biāo)可能保留了例如紅燈和偏紅路燈等非尾燈紅色光源。在疑似尾燈目標(biāo)中，只有汽車尾燈成對(duì)出現(xiàn)，可以根據(jù)此特點(diǎn)從疑似尾燈目標(biāo)提取出真正的尾燈目標(biāo)[15]。

根據(jù)尾燈的幾何特征和位置特征對(duì)疑似尾燈中的目標(biāo)進(jìn)行兩兩配對(duì)，具體規(guī)則為：①尾燈面積大小一致；②尾燈形狀對(duì)稱；③尾燈對(duì)的兩尾燈在同一水平位置。

根據(jù)以上配對(duì)規(guī)則對(duì)圖5中尾燈進(jìn)行配對(duì)，結(jié)果如圖6所示。圖6中車輛的主尾燈和副尾燈都配對(duì)成功，說明根據(jù)上述配對(duì)規(guī)則可對(duì)尾燈進(jìn)行有效配對(duì)。

圖6 尾燈配對(duì)Fig.6 Taillight pairing

根據(jù)先驗(yàn)知識(shí)可知，尾燈對(duì)與車輛后方輪廓有一定的位置關(guān)系，可以根據(jù)尾燈對(duì)估計(jì)車輛位置并實(shí)現(xiàn)對(duì)車輛的檢測(cè)。結(jié)合圖6，在估計(jì)車輛位置時(shí)要考慮一個(gè)車輛具有多對(duì)尾燈的情況。

對(duì)已配對(duì)的尾燈對(duì)畫外接矩形，根據(jù)尾燈對(duì)外接矩形位置判定哪些尾燈對(duì)屬于同一車輛。假設(shè)尾燈對(duì)集合為 T={T1，T2，…，Tn}，尾燈對(duì)的外接矩形左邊界和右邊界的橫坐標(biāo)分別為W1（Ti）和W2（Ti），寬度D（Ti）滿足式（3）：

對(duì)集合中尾燈對(duì)進(jìn)行兩兩判定，如果滿足條件：W1（Ti）≥W1（Tj）且W2（Ti）≤W2（Tj），則說明Ti和Tj屬于同一車輛。

假設(shè)有k個(gè)尾燈對(duì)屬于同一車輛，外接矩形中心坐標(biāo)為O（xi，yi），根據(jù)公式（4）和公式（5）確定O（x，y）的位置。

假設(shè)k個(gè)尾燈對(duì)中外界矩形寬度最大為d，以O(shè)（x，y）為中心，邊長(zhǎng)為d畫正方形邊框，正方形邊框范圍就是車輛在圖像中的估計(jì)位置。

根據(jù)上述尾燈配對(duì)規(guī)則和車輛位置估計(jì)方法對(duì)圖5進(jìn)行處理，得到正方形邊框位置并在原夜間圖像圖1（b）上顯示，結(jié)果如圖7所示。由圖7可見，利用本節(jié)方法成功檢測(cè)到圖中3個(gè)車輛目標(biāo)。

圖7 車輛檢測(cè)Fig.7 Vehicle detection

3 車輛跟蹤

3.1 基于改進(jìn)粒子濾波算法的尾燈跟蹤

在城市路況下車輛重疊情況比較多，根據(jù)上述車輛檢測(cè)方法只靠單尾燈無法完成對(duì)車輛的檢測(cè)，造成車輛檢測(cè)率下降嚴(yán)重，且在實(shí)際應(yīng)用場(chǎng)景中對(duì)已檢車輛在連續(xù)幀進(jìn)行持續(xù)跟蹤更具實(shí)用價(jià)值。

為了提高車輛重疊情況下的車輛檢測(cè)率并對(duì)車輛進(jìn)行持續(xù)跟蹤，本文對(duì)已檢車輛的單個(gè)尾燈進(jìn)行跟蹤來實(shí)現(xiàn)對(duì)車輛的跟蹤，并根據(jù)單個(gè)尾燈估計(jì)車輛的位置，實(shí)現(xiàn)在車輛遮擋場(chǎng)景下的車輛檢測(cè)。

把目標(biāo)跟蹤的方法一般分為基于運(yùn)動(dòng)檢測(cè)的方法、基于核方法和基于濾波理論的方法[16]。粒子濾波[17]是一種通過蒙特卡羅方法來實(shí)現(xiàn)遞歸貝葉斯濾波的算法，被廣泛應(yīng)用于雷達(dá)目標(biāo)、視頻中行人和車輛[18]等目標(biāo)跟蹤領(lǐng)域，具有魯棒性好的優(yōu)點(diǎn)。傳統(tǒng)粒子濾波視頻目標(biāo)跟蹤算法采用單一直方圖特征，在夜間光照條件復(fù)雜情況下，直接應(yīng)用于尾燈跟蹤效果較差。目標(biāo)的顏色特征對(duì)目標(biāo)形變的較強(qiáng)的魯棒性，目標(biāo)的邊緣特征對(duì)光照變化的有較強(qiáng)的魯棒性[19]。因此本文提出一種基于顏色特征和邊緣特征融合的改進(jìn)粒子濾波算法，對(duì)尾燈進(jìn)行跟蹤，具體流程如下：

（1）量化顏色特征。設(shè)定尾燈外接矩形為跟蹤窗尺度，統(tǒng)計(jì)此區(qū)域內(nèi)的RGB空間顏色直方圖，每個(gè)通道量化級(jí)為8，則總的量化級(jí)為83，加入核函數(shù)使得跟蹤窗中心有較高的權(quán)值，設(shè)定核函數(shù)為高斯分布函數(shù)：

則跟蹤窗區(qū)域的歸一化直方圖計(jì)算公式如下：

式中：u=1，…，512；C 為歸一化常數(shù)；x0為目標(biāo)中心點(diǎn)位置；xi為各像素點(diǎn)位置；y0為目標(biāo)輪廓到中心的點(diǎn)的最大距離；δ為Kronecker delta函數(shù)。

（2）量化邊緣特征。根據(jù)RGB圖像提取R、G、B通道，在每個(gè)通道進(jìn)行高斯濾波消除噪聲影響，然后采用Canny算法對(duì)通道圖像進(jìn)行邊緣檢測(cè)，采用卷積算子如下：

對(duì)于圖像任意一點(diǎn)I（x，y），其x和y方向的一階偏導(dǎo)數(shù)矩陣為：

其梯度幅值和梯度方向?yàn)?Z[i，j]和 θ（i，j）：

θ（i，j）的取值范圍為 0°～360°，取量化級(jí)為 10 級(jí)，共3個(gè)通道，總的量化級(jí)數(shù)為103。最后統(tǒng)計(jì)3個(gè)通道每個(gè)像素點(diǎn)的梯度方向，形成梯度方向直方圖。

（3）距離度量。本文采用Bhattacharyya系數(shù)[20]衡量量化特征的相似性，直方圖 p=p{pu}u=1，2，…，m和 q=q{qu}u=1，2，…，m的 Bhattacharyya 距離 d 為

（4）多特征融合粒子濾波跟蹤算法。通過矩形框來確定每一幀圖像尾燈位置，定義狀態(tài)變量X=（x，y，vx，vy，a，b）T，x、y為尾燈的重心坐標(biāo)點(diǎn)，a 和 b 為外接矩形框的長(zhǎng)度和寬度，vx和vy為車輛坐標(biāo)x、y的速度，假定車輛運(yùn)動(dòng)為勻速直線運(yùn)動(dòng)，則系統(tǒng)模型的狀態(tài)方程為：

式中：A為狀態(tài)轉(zhuǎn)移矩陣；W為系統(tǒng)狀態(tài)噪聲并設(shè)定為高斯噪聲。

每個(gè)粒子經(jīng)過傳遞后經(jīng)過上述2個(gè)特征量化，得到2個(gè)Bhattacharyya距離l1和l2，粒子的權(quán)重可以由式（17）確定：

式中：σ1和σ2分別為顏色直方圖和梯度直方圖的噪聲方差；α、β滿足α+β=1，通過改變?chǔ)梁挺碌拇笮】烧{(diào)節(jié)加權(quán)值。

3.2 基于尾燈的車輛檢測(cè)與跟蹤

根據(jù)車輛檢測(cè)算法和尾燈跟蹤算法設(shè)計(jì)基于尾燈的車輛檢測(cè)與跟蹤系統(tǒng)，工作邏輯如圖8所示。

圖8 系統(tǒng)工作邏輯圖Fig.8 Logic diagram of system

車輛檢測(cè)模塊由車輛檢測(cè)算法確定，車輛跟蹤模塊由尾燈跟蹤算法確定。具體工作流程為：①系統(tǒng)接收第一幀夜間車輛圖像，并將此圖像送往車輛檢測(cè)模塊。②車輛檢測(cè)模塊對(duì)圖像進(jìn)行處理得到車輛目標(biāo)Ci，i=1，…，N。將已檢目標(biāo)放入已檢測(cè)目標(biāo)池，目標(biāo)池目標(biāo)數(shù)量為M。當(dāng)M=0標(biāo)記flag=0，M≠0則標(biāo)記flag=1。③若flag=0說明已檢測(cè)目標(biāo)池為空，轉(zhuǎn)到步驟③。若flag=1已檢測(cè)目標(biāo)池為非空，轉(zhuǎn)到步驟⑤。④讀取下一幀圖像，并轉(zhuǎn)到步驟②。⑤讀取下一幀圖像，尾燈跟蹤模塊開始工作，對(duì)已檢測(cè)目標(biāo)池中所有車輛目標(biāo)的左右尾燈進(jìn)行跟蹤。有一個(gè)尾燈成功跟蹤則實(shí)現(xiàn)對(duì)車輛的跟蹤，并根據(jù)跟蹤成功尾燈確定該車輛的位置，將其放入已跟蹤目標(biāo)池。如果車輛跟蹤失敗，則將該目標(biāo)從已檢測(cè)目標(biāo)池中刪除。⑥對(duì)于本幀圖像刪除已跟蹤車輛區(qū)域后，轉(zhuǎn)到步驟②。

4 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)使用佳能攝像機(jī)采集實(shí)驗(yàn)數(shù)據(jù)，將攝像機(jī)固定在擋風(fēng)玻璃內(nèi)側(cè)中間區(qū)域，使得攝像機(jī)對(duì)準(zhǔn)車輛正前方，調(diào)整其分辨率為800×600，幀率為30 fps。在夜間市區(qū)、夜間郊區(qū)、夜間高速、夜間鄉(xiāng)道這4種不同光照條件下，各采集100 min視頻。在Visiual C++和OpenCV框架下編寫算法程序，共設(shè)計(jì)3個(gè)實(shí)驗(yàn)來分別驗(yàn)證本文所提車輛檢測(cè)算法的性能、尾燈跟蹤性能和車輛檢測(cè)與跟蹤系統(tǒng)工作性能。

4.1 車輛的檢測(cè)率實(shí)驗(yàn)

從上述4段視頻中分別采集200幀圖像，圖像中包含車輛遮擋、光照變化等復(fù)雜情況。人工標(biāo)注每幀圖像中的車輛，統(tǒng)計(jì)總的車輛數(shù)。在Intel i7 CPU處理器、8 G內(nèi)存的系統(tǒng)配置下，分別使用文獻(xiàn)[8]中基于HSV顏色空間提取尾燈的車輛檢測(cè)方法、文獻(xiàn)[21]中基于圓形光斑提取尾燈的車輛檢測(cè)方法和本文車輛檢測(cè)算法，分別檢測(cè)圖像中的車輛目標(biāo)，統(tǒng)計(jì)車輛檢測(cè)數(shù)量DN（detection number）、檢測(cè)率DT（detection rate）和每幀圖像平均處理時(shí)間AT（average time）。提取實(shí)驗(yàn)結(jié)果如表1所示。

表1 車輛檢測(cè)算法性能對(duì)比Tab.1 Performance comparison of vehicle detection algorithms

表1測(cè)試結(jié)果表明，本文車輛檢測(cè)算法對(duì)比文獻(xiàn)[8]和文獻(xiàn)[21]的方法在檢測(cè)率和每幀平均處理時(shí)間上都有更優(yōu)的結(jié)果。對(duì)表1不同夜間情況下系統(tǒng)識(shí)別效果進(jìn)行分析：文獻(xiàn)[8]的方法由于進(jìn)行了色彩空間轉(zhuǎn)換，所以每幀圖片檢測(cè)用時(shí)最多；文獻(xiàn)[8]的方法默認(rèn)尾燈為圓形，容易漏檢尾燈不是圓形的車輛，所以識(shí)別率最低；使用本文的車輛檢測(cè)算法，在夜間市區(qū)光照條件復(fù)雜，識(shí)別率最低；夜間高速車輛少，干擾光源較少，故識(shí)別率最高，總體檢測(cè)率在97%以上。說明本文夜間車輛檢測(cè)算法具有較好的準(zhǔn)確性和實(shí)時(shí)性。

4.2 尾燈跟蹤實(shí)驗(yàn)

初始化設(shè)置粒子跟蹤模塊參數(shù)σ1=0.01，σ2=0.02，α =0.3，β=0.7，設(shè)置粒子數(shù)為 30。從上述采集視頻中截取一段共180幀的含有前方車輛的視頻，分別用基于多特征融合的粒子濾波算法和傳統(tǒng)粒子濾波算法跟蹤其中一個(gè)尾燈目標(biāo)，并輸出圖像標(biāo)記幀號(hào)和粒子估計(jì)目標(biāo)重心位置序列，再批量計(jì)算已跟蹤幀的目標(biāo)重心位置，計(jì)算跟蹤與實(shí)際的重心點(diǎn)歐式距離作為像素誤差。實(shí)驗(yàn)結(jié)果如圖9和圖10所示。

圖9 多特征融合粒子濾波跟蹤Fig.9 Multi-feature fusion target tracking based on particle filter algorithm

圖10 傳統(tǒng)粒子濾波跟蹤Fig.10 Target tracking based on conventional particle filter algorithm

由圖9和圖10可知，基于顏色特征的傳統(tǒng)粒子濾波跟蹤算法在光照變化劇烈情況下最終丟失跟蹤目標(biāo)，說明傳統(tǒng)粒子濾波算法直接用于夜間尾燈目標(biāo)跟蹤效果較差，多特征融合粒子濾波算法可以持續(xù)對(duì)尾燈目標(biāo)進(jìn)行跟蹤。圖11對(duì)比顯示了本文改進(jìn)算法和傳統(tǒng)粒子濾波算法目標(biāo)跟蹤的像素誤差，由圖11可以看出，本文所提算法誤差一直在較小范圍內(nèi)。綜合上述實(shí)驗(yàn)得出結(jié)論，本文所提的基于多特征融合的粒子濾波算法，應(yīng)用于夜間尾燈目標(biāo)跟蹤效果良好。

圖11 誤差比較圖Fig.11 Diagram of error comparison

4.3 重疊情況下車輛檢測(cè)與跟蹤實(shí)驗(yàn)

繼續(xù)采用上一個(gè)實(shí)驗(yàn)的粒子濾波初始化參數(shù)，從采集的夜間市區(qū)視頻圖像中采集一段連續(xù)300幀的含有車輛遮擋情況的視頻，驗(yàn)證車輛檢測(cè)與跟蹤系統(tǒng)在車輛重疊時(shí)的車輛檢測(cè)與跟蹤性能，結(jié)果如圖12和表2所示。

圖12 重疊車輛的檢測(cè)與跟蹤Fig.12 Vehicle tracking in case of target overlap

表2 檢測(cè)性能對(duì)比Tab.2 Comparison diagram of vehicle detection performance

在圖12（a）中，系統(tǒng)成功檢測(cè)并跟蹤到車輛A、車輛B、車輛C。在圖12（b）中，車輛C由于車輛A的遮擋丟失一個(gè)尾燈，系統(tǒng)根據(jù)上一幀圖像實(shí)現(xiàn)對(duì)車輛右側(cè)尾燈的跟蹤，并對(duì)車輛C位置進(jìn)行了估計(jì)。表2為利用本文車輛檢測(cè)算法和檢測(cè)和跟蹤系統(tǒng)對(duì)這段視頻進(jìn)行處理所得車輛檢測(cè)率對(duì)比，由于夜間市區(qū)車輛遮擋情況較多，車輛檢測(cè)與跟蹤系統(tǒng)相較于車輛檢測(cè)算法提升了車輛檢測(cè)率，但由于運(yùn)算量的增加，故每幀平均處理時(shí)間也有所增加。本實(shí)驗(yàn)結(jié)果說明結(jié)合尾燈跟蹤算法可提高車輛互相遮擋時(shí)的車輛檢測(cè)率。

5 結(jié)論

本文提出了一種基于尾燈的夜間前方車輛檢測(cè)與跟蹤方法。根據(jù)車輛的尾燈實(shí)現(xiàn)了對(duì)夜間前方車輛的檢測(cè)；提出了一種基于多特征融合的粒子濾波尾燈跟蹤算法，可對(duì)已檢車輛進(jìn)行持續(xù)跟蹤；基于車輛檢測(cè)算法和尾燈跟蹤算法設(shè)計(jì)了車輛檢測(cè)與跟蹤系統(tǒng)。對(duì)采集的視頻圖像進(jìn)行實(shí)驗(yàn)，結(jié)果表明本文所提車輛檢測(cè)算法對(duì)夜間車輛的平均檢測(cè)率可達(dá)96%；所提車輛跟蹤方法可對(duì)夜間車輛進(jìn)行持續(xù)跟蹤；車輛檢測(cè)和跟蹤系統(tǒng)解決了車輛重疊情況下的車輛檢測(cè)問題，并可提升車輛檢測(cè)率至98%。本文研究有較高的實(shí)用性價(jià)值，因此將本算法移植到車載嵌入式系統(tǒng)是下一步需要完成的工作。