何俊龍

摘 要：文章通過建立車輛正、負(fù)樣本庫(kù)，完成對(duì)車輛識(shí)別分類器的訓(xùn)練，并通過MeanShift跟蹤算法完成對(duì)前方已識(shí)別車輛的穩(wěn)定跟蹤。試驗(yàn)結(jié)果表明，該算法能夠準(zhǔn)確、穩(wěn)定地對(duì)前方車輛進(jìn)行跟蹤，且實(shí)時(shí)性較高，可以為汽車主動(dòng)安全系統(tǒng)提供可靠支持。

關(guān)鍵詞：汽車安全 MeanShift算法 車輛識(shí)別與跟蹤

1 引言

在汽車智能化發(fā)展過程中，移動(dòng)車輛的識(shí)別與跟蹤一直以來都是最熱門的研究?jī)?nèi)容之一。金立生等人運(yùn)用Adaboost算法對(duì)日間前方車輛的完成了準(zhǔn)確且快速地檢測(cè)[1]。趙奇慧等人就深度學(xué)習(xí)運(yùn)用于車輛跟蹤的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了詳細(xì)的闡述，并對(duì)目前車輛檢測(cè)中待解決的問題、未來待改進(jìn)的方向進(jìn)行了分析和討論[2]。本文所采用的MeanShift算法自Fukunage學(xué)者在1975年提出后，至今仍是業(yè)界內(nèi)非常著名的跟蹤算法，該方法在低速場(chǎng)景下對(duì)移動(dòng)目標(biāo)的跟蹤具有非常良好的準(zhǔn)確性及實(shí)時(shí)性。

2 前方車輛識(shí)別

車輛識(shí)別分類器的訓(xùn)練過程主要通過調(diào)整參數(shù)對(duì)樣本進(jìn)行特征提取并計(jì)算，包括采集樣本、創(chuàng)建Haar特征、設(shè)置及調(diào)整參數(shù)、計(jì)算虛警率（誤差率）等。檢測(cè)流程最重要的步驟是對(duì)圖像劃定ROI并對(duì)其進(jìn)行搜索，從而得到識(shí)別結(jié)果。

2.1 正、負(fù)樣本

正樣本集為試驗(yàn)臺(tái)中前方車輛尾部的圖像，共1000張，負(fù)樣本集為不含車輛的其他圖像，共3000張。

2.2 Haar-like特征與積分圖

Haar-like特征是圖像中的矩形特征，本文通過對(duì)車輛的尾部輪廓特征進(jìn)行研究，從而實(shí)現(xiàn)對(duì)前方車輛的識(shí)別與跟蹤。

積分圖是一種加速特征計(jì)算的數(shù)學(xué)方法。積分圖中ii（x，y）的大小等于點(diǎn)（x，y）左上方區(qū)域所有像素值之和。

式中為點(diǎn)的像素值，為點(diǎn)的積分值。

2.3 分類器與級(jí)聯(lián)分類器

為降低分類器的誤警率，在進(jìn)行訓(xùn)練時(shí)，必須設(shè)置一個(gè)合理的特征閥值處理正、負(fù)樣本并使每個(gè)弱分類器對(duì)應(yīng)一個(gè)Haar-like特征。

通過Adaboost算法將訓(xùn)練所得的弱分類器組合成一個(gè)強(qiáng)分類器。并將其按照由易到難的方式進(jìn)行逐級(jí)串聯(lián)，得到級(jí)聯(lián)分類器。在級(jí)聯(lián)分類器結(jié)構(gòu)中，每個(gè)子窗口會(huì)通過所有的分類器，如果子窗口中不存在待檢測(cè)圖像會(huì)立即被排除，只有被所有強(qiáng)分類器檢測(cè)到有效目標(biāo)后，才能輸出檢測(cè)結(jié)果。因此該分類器不僅提升了目標(biāo)檢測(cè)的準(zhǔn)確性，還提高了算法的檢測(cè)效率。

3 跟蹤算法

3.1 MeanShift跟蹤算法

本文采用MeanShift跟蹤算法對(duì)分類器所識(shí)別出的結(jié)果進(jìn)行跟蹤，并確定跟蹤目標(biāo)的運(yùn)動(dòng)軌跡。該算法先通過計(jì)算出當(dāng)前特征點(diǎn)的偏移均值，并將特征點(diǎn)移動(dòng)到此，然后以其為新的起點(diǎn)繼續(xù)移動(dòng)，直到滿足最終條件為止。MeanShift跟蹤算法的核心是其目標(biāo)模型、目標(biāo)候選模型、相似性函數(shù)三者的確定。

3.1.1 目標(biāo)模型

3.2 Mean Shift跟蹤算法過程

MeanShift跟蹤算法的具體流程為：

a、當(dāng)同1個(gè)目標(biāo)被連續(xù)檢測(cè)到n（本文取n=3）次時(shí)，即判定其為待跟蹤目標(biāo)，調(diào)用算法對(duì)其進(jìn)行跟蹤;

b、當(dāng)被連續(xù)檢測(cè)到的目標(biāo)在某幀丟失時(shí)，算法判定該目標(biāo)臨時(shí)失效，利用跟蹤結(jié)果將其位置在圖中標(biāo)記出來;

c、當(dāng)被連續(xù)跟蹤的目標(biāo)消失m幀（本文取m=5）時(shí)，判定目標(biāo)已經(jīng)離開檢測(cè)范圍，不再對(duì)其進(jìn)行跟蹤，直到新目標(biāo)出現(xiàn)并滿足第一個(gè)條件;

d、當(dāng)被跟蹤目標(biāo)在m幀內(nèi)被重新檢測(cè)出來時(shí)，使用該目標(biāo)對(duì)算法進(jìn)行更新，繼續(xù)對(duì)目標(biāo)進(jìn)行跟蹤。

4 試驗(yàn)驗(yàn)證

4.1 前方車輛識(shí)別

為驗(yàn)證算法的有效性，分別對(duì)車輛在直線道路和彎曲道路行駛工況下進(jìn)行識(shí)別，結(jié)果分別如圖1所示。

由圖1（a）可知，識(shí)別算法能夠準(zhǔn)確識(shí)別出車道正前方的小車，對(duì)左側(cè)車道上較近的小車也有較好的識(shí)別效果。當(dāng)出現(xiàn)外界環(huán)境干擾，即前車尾燈點(diǎn)亮?xí)r，該算法仍能夠?qū)η胺杰囕v進(jìn)行準(zhǔn)確識(shí)別并有效標(biāo)記。

由圖1（b）可知，當(dāng)前車行駛在彎道上時(shí)，雖然其航向角相對(duì)于本車發(fā)生了變化，也能被準(zhǔn)確識(shí)別。這得益于Haar-like對(duì)前車尾部輪廓特征和邊緣特征的準(zhǔn)確提取，并對(duì)其進(jìn)行訓(xùn)練后所得的性能優(yōu)良分類器。

另外，對(duì)試驗(yàn)過程中采集到的600幀圖像（兩種工況各300幀）進(jìn)行識(shí)別，識(shí)別率高達(dá)97%，并且每幀圖片的平均處理時(shí)間為30ms，試驗(yàn)表明該識(shí)別算法具有較好的實(shí)時(shí)性。

4.2 前方車輛跟蹤

由于單目視覺不能直接獲取前方車輛的深度信息，本文在進(jìn)行跟蹤試驗(yàn)時(shí)，采用毫米波雷達(dá)對(duì)前方車輛的深度信息進(jìn)行采集，再與圖像信息進(jìn)行融合，效果如圖2（a）所示。同時(shí)對(duì)連續(xù)檢測(cè)成功且未丟失的目標(biāo)位置進(jìn)行跟蹤并對(duì)其中心位置進(jìn)行持續(xù)標(biāo)記，跟蹤效果如圖2（b）所示。

在試驗(yàn)過程中分別對(duì)直道和彎道2種工況進(jìn)行數(shù)據(jù)記錄，2種工況各截取了300幀連續(xù)試驗(yàn)數(shù)據(jù)，如表1所示。

由圖2（a）可知，毫米波雷達(dá)測(cè)得左前車的速度為1.25m/s，與本車的間距為0.9m，通過坐標(biāo)系的統(tǒng)一，將測(cè)量結(jié)果顯示在已被標(biāo)記的車輛上方。從圖2（b）中可以看出，目標(biāo)位置的中心變化軌跡，即實(shí)驗(yàn)過程中前車的運(yùn)行軌跡近似為一條直線，與該試驗(yàn)項(xiàng)目中預(yù)先設(shè)置的前車運(yùn)行軌跡相符合。從表1中的數(shù)據(jù)可以看出，2種工況下跟蹤算法的跟蹤率均高于90%，直道工況下跟蹤率甚至高達(dá)97.3%，且跟蹤延時(shí)均不超過20ms，試驗(yàn)結(jié)果表明該算法具有良好的跟蹤效果。

5 結(jié)語(yǔ)

本文借助輔助駕駛模擬試驗(yàn)臺(tái)的環(huán)境，驗(yàn)證車輛識(shí)別與跟蹤算法的實(shí)時(shí)性與準(zhǔn)確性。試驗(yàn)結(jié)果表明，識(shí)別算法具有良好的實(shí)時(shí)性。利用毫米波雷達(dá)采集到的深度信息與MeanShift算法聯(lián)合對(duì)車輛進(jìn)行跟蹤，有效降低了該算法對(duì)目標(biāo)顏色的依賴，極大提高了車輛識(shí)別的準(zhǔn)確性與跟蹤過程的穩(wěn)定性。

參考文獻(xiàn)：

[1]金立生，王巖，劉景華，王亞麗，鄭義.基于Adaboost算法的日間前方車輛檢測(cè)[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2014，44（06）：1604-1608.

[2]趙奇慧，劉艷洋.基于深度學(xué)習(xí)的車輛跟蹤算法綜述[J].電子技術(shù)與軟件工程，2020（03）：142-145.