尹 力，馬浩越Y(jié)in Li，Ma Haoyue

基于Haar特征與后驗(yàn)算法的前方車輛識(shí)別方法

尹 力1，馬浩越2
Yin Li1，Ma Haoyue2

（1.內(nèi)蒙古交通職業(yè)技術(shù)學(xué)院 汽車工程系，內(nèi)蒙古 赤峰 024005；2. 長(zhǎng)安大學(xué) 汽車學(xué)院，陜西 西安 710064）

針對(duì)前方車輛易受到行車環(huán)境干擾而導(dǎo)致車輛識(shí)別正確率低的問(wèn)題，設(shè)計(jì)了一種基于Haar特征與后驗(yàn)算法的前方車輛識(shí)別方法。首先，利用基于AdaBoost和Haar的車輛識(shí)別算法對(duì)前方車輛識(shí)別感興趣區(qū)域，進(jìn)行車輛識(shí)別；然后根據(jù)車輛尾部在Canny算子邊緣檢測(cè)結(jié)果圖中的結(jié)構(gòu)特點(diǎn)進(jìn)行車輛存在性檢驗(yàn)，去除車輛誤識(shí)別結(jié)果。試驗(yàn)結(jié)果表明，設(shè)計(jì)的車輛識(shí)別方法具有良好的實(shí)時(shí)性和魯棒性，能夠滿足實(shí)時(shí)車輛識(shí)別的要求。

Haar特征；AdaBoost級(jí)聯(lián)分類器；車輛識(shí)別；車輛存在性驗(yàn)證

0 引 言

前方車輛識(shí)別是汽車主動(dòng)安全領(lǐng)域的關(guān)鍵技術(shù)之一，主要應(yīng)用于汽車駕駛輔助系統(tǒng)和自動(dòng)駕駛研究。車輛識(shí)別的方法通常由兩部分組成，車輛特征提取和分類學(xué)習(xí)。其中，車輛特征一般有Haar特征[1]、方向梯度直方圖（Histogram of Oriented Gradient，HOG）[2]、Gabor濾波器特征[3]等；分類學(xué)習(xí)方法有AdaBoost算法[4]、支持向量機(jī)（Support Vector Machine，SVM）[5]、神經(jīng)網(wǎng)絡(luò)（Neural Networks）[6]等。

在高速公路上行駛，車輛識(shí)別正確率會(huì)受行車環(huán)境中天空、道路標(biāo)線、交通標(biāo)志牌等因素的干擾。為此，設(shè)計(jì)了一種基于Haar特征與后驗(yàn)算法的前方車輛識(shí)別方法，首先使用基于AdaBoost和Haar的車輛識(shí)別算法對(duì)車輛識(shí)別區(qū)域進(jìn)行掃描；然后根據(jù)先驗(yàn)知識(shí)對(duì)識(shí)別結(jié)果進(jìn)行車輛存在性驗(yàn)證，從而提高車輛識(shí)別的準(zhǔn)確率。

1 前方車輛識(shí)別區(qū)域

1.1 圖像預(yù)處理

車載相機(jī)在采集車輛行駛前方圖像的過(guò)程中，會(huì)受行車周圍環(huán)境的影響，使采集到的前方圖像中存在各種各樣的噪聲干擾，因此需要對(duì)采集到車輛行駛前方圖像進(jìn)行預(yù)處理。首先，對(duì)圖像進(jìn)行灰度化處理，如圖1所示；然后對(duì)灰度化的圖像進(jìn)行Gauss濾波，以去除圖像中的噪聲，平滑圖像，如圖2所示。

圖1 灰度處理結(jié)果

圖2 Gauss濾波結(jié)果

1.2 前方車輛識(shí)別區(qū)域確定

為了提高前方車輛識(shí)別的運(yùn)算速度，縮小車輛識(shí)別過(guò)程中圖像處理范圍，根據(jù)相機(jī)安裝位置等先驗(yàn)知識(shí)[7]設(shè)置前方車輛識(shí)別感興趣區(qū)域（Region of Interest, ROI），如圖3所示，矩形框?yàn)镽OI。同時(shí)，假設(shè)在前方車輛識(shí)別過(guò)程中，本車與前車始終處于同一行駛車道，除了行駛車輛之外，不存在其他障礙物。

圖3 車輛檢測(cè)ROI設(shè)置

2 前方車輛識(shí)別方法

前方車輛識(shí)別包括訓(xùn)練和車輛識(shí)別驗(yàn)證。訓(xùn)練是指從建立的車輛訓(xùn)練樣本集中獲取大量的Haar特征，進(jìn)而從中選取關(guān)鍵特征，構(gòu)造用于車輛識(shí)別的AdaBoost級(jí)聯(lián)分類器；車輛識(shí)別驗(yàn)證是指對(duì)采集到的車輛圖像進(jìn)行基于AdaBoost和Haar的車輛識(shí)別[8]，然后對(duì)識(shí)別到的結(jié)果進(jìn)行車輛存在性驗(yàn)證。前方車輛識(shí)別方法的流程如圖4所示。

圖4 前方車輛識(shí)別流程圖

2.1 車輛訓(xùn)練樣本集建立及車輛Haar特征提取

在不同環(huán)境下采集3 067張不同車型尾部照片作為正樣本訓(xùn)練集，9 244張非車輛照片作為負(fù)樣本訓(xùn)練集。其中，將正樣本訓(xùn)練集的圖像統(tǒng)一為24×24像素，負(fù)樣本訓(xùn)練集的圖像尺寸大小隨機(jī)，但均不小于正樣本的尺寸。

正常光照條件下，圖像中的目標(biāo)車輛相對(duì)于其行駛環(huán)境會(huì)有比較明顯的陰影特征和灰度差異，從而組成車輛的矩形特征，如圖5所示。Haar特征可用于描述相鄰兩類矩形區(qū)域間的灰度差；因此可以將該類特征應(yīng)用于檢測(cè)識(shí)別道路環(huán)境中行駛的車輛。

圖5 車輛矩形特征

2.2 AdaBoost分類器訓(xùn)練

使用AdaBoost算法對(duì)樣本集進(jìn)行輪訓(xùn)練，獲得個(gè)弱分類器，通過(guò)加權(quán)組合成一個(gè)強(qiáng)分類器，為Cascade級(jí)聯(lián)分類器檢測(cè)做準(zhǔn)備。其中，強(qiáng)分類器通過(guò)3個(gè)步驟訓(xùn)練獲得。

步驟1：初始化所有樣本的權(quán)重1,i(=1)。

步驟2：對(duì)于整個(gè)(=1, 2, 3, …,)進(jìn)行循環(huán)處理。

（2）對(duì)于特征，按給定樣本權(quán)重訓(xùn)練弱分類器h,j，并計(jì)算其相對(duì)于當(dāng)前權(quán)重的誤差,j。

，（3）

（3）選擇具有最小誤差的弱分類器h，并將其加入到強(qiáng)分類器中。

（4）更新樣本權(quán)值。

步驟3：生成強(qiáng)分類器。

2.3 Cascade級(jí)聯(lián)分類器檢測(cè)

把訓(xùn)練得到的各級(jí)強(qiáng)分類器級(jí)聯(lián)為一個(gè)用于最終的決策分類器，即Cascade級(jí)聯(lián)分類器。該分類器由若干強(qiáng)分類器級(jí)聯(lián)組成，每級(jí)強(qiáng)分類器由若干弱分類器組成。在車輛檢測(cè)時(shí)，目標(biāo)候選區(qū)域進(jìn)入AdaBoost級(jí)聯(lián)分類器的強(qiáng)分類器，強(qiáng)分類器中每個(gè)弱分類器對(duì)該目標(biāo)區(qū)域進(jìn)行加權(quán)判斷，決定其是否可以進(jìn)入下一級(jí)強(qiáng)分類匹配檢測(cè)。通過(guò)級(jí)聯(lián)分類器的方式，能夠以極少的運(yùn)算過(guò)濾掉大量非目標(biāo)的背景區(qū)域，加快車輛識(shí)別的速度。AdaBoost級(jí)聯(lián)分類識(shí)別車輛流程如圖6所示。

圖6 AdaBoost級(jí)聯(lián)分類器車輛識(shí)別

2.4 基于先驗(yàn)知識(shí)的車輛存在性檢驗(yàn)

為了降低AdaBoost級(jí)聯(lián)分類器對(duì)車輛的誤識(shí)別，利用先驗(yàn)知識(shí)對(duì)基于AdaBoost和Haar的車輛識(shí)別結(jié)果進(jìn)行車輛存在性驗(yàn)證。對(duì)車輛圖像進(jìn)行Canny算子邊緣檢測(cè)處理后發(fā)現(xiàn)，圖像中水平邊緣主要集中在車輛尾部區(qū)域，而圖像中的天空、道路兩旁的山以及路面的水平邊緣無(wú)規(guī)律分布，如圖7所示。

當(dāng)獲得基于AdaBoost和Haar的識(shí)別結(jié)果后，根據(jù)識(shí)別結(jié)果標(biāo)識(shí)框的坐標(biāo)，在邊緣檢測(cè)結(jié)果圖的相應(yīng)區(qū)域進(jìn)行處理，驗(yàn)證該識(shí)別結(jié)果中是否有目標(biāo)車輛存在?；谙闰?yàn)知識(shí)的車輛存在性驗(yàn)證具體流程如圖8所示。

圖8 基于先驗(yàn)知識(shí)的車輛存在性檢驗(yàn)流程圖

3 試驗(yàn)及結(jié)果分析

為驗(yàn)證前方車輛識(shí)別方法的有效性，在白天光照良好條件下采集一段高速公路行車視頻，從中選取200幀圖像，在主頻為2. 13 GHz Core i3 處理器和內(nèi)存為2G的計(jì)算機(jī)上進(jìn)行離線車輛識(shí)別試驗(yàn)，部分離線車輛識(shí)別結(jié)果如圖9所示。

圖9 離線車輛識(shí)別試驗(yàn)結(jié)果圖

在試驗(yàn)過(guò)程中，分別記錄基于AdaBoost和Haar的車輛識(shí)別與基于先驗(yàn)知識(shí)的車輛存在性檢驗(yàn)的圖像處理用時(shí)并對(duì)其進(jìn)行分析，見表1。

表1 前方車輛檢測(cè)方法試驗(yàn)結(jié)果統(tǒng)計(jì)

由表1分析可得，基于AdaBoost和Haar的車輛識(shí)別算法可以識(shí)別到行車過(guò)程中大部分的目標(biāo)車輛，但仍存在誤識(shí)別，其車輛識(shí)別率為87.38%，誤識(shí)別率為12.62%，平均處理時(shí)間為22.37 ms。通過(guò)車輛存在性驗(yàn)證后，減少了部分誤識(shí)別，車輛整體識(shí)別率為95.33%，誤識(shí)別率為4.67%，平均處理時(shí)間為1.31ms，相比直接利用基于AdaBoost和Haar的車輛識(shí)別算法，車輛的正確識(shí)別率可以提高7.95%，圖像處理平均用時(shí)只增加1.31 ms。試驗(yàn)結(jié)果表明，基于Haar特征與后驗(yàn)算法的前方車輛識(shí)別方法，車輛識(shí)別率為95.33%，誤識(shí)別率為4.67%，平均處理時(shí)間為23.68 ms，在保證車輛識(shí)別實(shí)時(shí)性的同時(shí)，能夠有效避免行車環(huán)境對(duì)車輛識(shí)別的干擾。

4 結(jié) 論

設(shè)計(jì)了一種基于Haar特征與后驗(yàn)算法的前方車輛識(shí)別方法，首先使用基于AdaBoost和Haar的車輛識(shí)別算法對(duì)行車環(huán)境中的目標(biāo)車輛進(jìn)行識(shí)別，然后根據(jù)車輛尾部在Canny邊緣檢測(cè)結(jié)果圖中的結(jié)構(gòu)特點(diǎn)，進(jìn)行車輛存在性驗(yàn)證，從而降低道路環(huán)境對(duì)車輛識(shí)別結(jié)果的干擾。試驗(yàn)結(jié)果表明，設(shè)計(jì)的車輛識(shí)別方法具有良好的實(shí)時(shí)性和魯棒性，車輛識(shí)別率為95.33%，誤識(shí)別率為4.67%，平均處理時(shí)間為23.68 ms。

[1]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.

[2]張凱，李華文. 一種基于SVM和HOG特征的視頻車輛識(shí)別算法[J].電子世界，2019（7）：74-75.

[3]劉廣威. 基于Gabor特征的稀疏表示車型識(shí)別研究[D]. 西安：西安電子科技大學(xué)，2015.

[4]馬浩越，劉晶郁，楊煒. 車載GigE Vision實(shí)時(shí)前方車輛防撞預(yù)警系統(tǒng)設(shè)計(jì)[J].中國(guó)科技論文，2018，13（10）：1120-1126.

[5]李星，郭曉松，郭君斌. 基于HOG特征和SVM的前向車輛識(shí)別方法[J].計(jì)算機(jī)科學(xué)，2013，40（S2）：329-332.

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

[7]楊煒. 客運(yùn)車輛危險(xiǎn)行駛狀態(tài)機(jī)器視覺(jué)辨識(shí)系統(tǒng)研究[D]. 西安：長(zhǎng)安大學(xué)，2013.

[8]陳擁權(quán)，陳影，陳學(xué)三.基于AdaBoost分類器的車輛檢測(cè)與跟蹤算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2017，27（10）：165-168，176.

2019－05－06

U461.91

A

10.14175/j.issn.1002-4581.2019.04.002

1002-4581（2019）04-0006-04