趙天昊, 白 杰

(同濟(jì)大學(xué)汽車學(xué)院，上海 2000092)

0 引 言

YOLO是自動(dòng)駕駛領(lǐng)域中常用的目標(biāo)檢測(cè)模型，同時(shí)也是自動(dòng)駕駛領(lǐng)域常用的框架之一，運(yùn)行速度其相比于其他駕駛檢測(cè)中常用的模型更快是其最大的特點(diǎn)，因此該模型可以廣泛應(yīng)用于對(duì)于實(shí)時(shí)性要求極高的汽車實(shí)際行駛工況。對(duì)于大范圍的全局信息，該模型通常較準(zhǔn)確，但是其短板在于對(duì)小范圍的不連續(xù)的信息上的表現(xiàn)并不準(zhǔn)確[1,2]。YOLO框架所提取出的汽車識(shí)別底邊框常存在底邊框識(shí)別不準(zhǔn)的問題，而汽車底邊框?qū)τ谙鄼C(jī)測(cè)距以及汽車框取范圍的自動(dòng)標(biāo)定有重要作用。目前主流方法是通過對(duì)底邊框重新人工標(biāo)定后進(jìn)行二次深度學(xué)習(xí)以校準(zhǔn)，但標(biāo)定成本高且對(duì)樣本需求量增加成為了主要問題[3]。本文通過改進(jìn)高斯混合模型來刻畫道路灰度值以及車底陰影值的正態(tài)分布規(guī)律，最后通過掃描算法確定并校準(zhǔn)汽車底邊框高度。

1 改進(jìn)高斯混合模型

混合高斯模型通常用于在相對(duì)穩(wěn)定背景的情況下對(duì)于前景物體的提取和檢測(cè)。單高斯模型是混合高斯模型的基礎(chǔ)，對(duì)同一個(gè)像素塊進(jìn)行多個(gè)單高斯模型建模即為高斯混合模型，對(duì)于多模態(tài)的背景及運(yùn)動(dòng)前景的準(zhǔn)確提取有一定的魯棒性[4,5]，本文通過改進(jìn)高斯混合模型使該算法適用于汽車行駛環(huán)境。

該算法的主要步驟是對(duì)目標(biāo)像素的多個(gè)單高斯模型的建立、更新相關(guān)參數(shù)并進(jìn)行突變點(diǎn)前景檢測(cè)以及多個(gè)單高斯模型的排序以及刪減。進(jìn)行高斯混合模型建模的像素塊包括各車底的等于汽車車框?qū)挾葁的w個(gè)像素塊以及鏡頭最下方中間部分的25個(gè)像素塊。例如將對(duì)圖1中黑框區(qū)域進(jìn)行改進(jìn)高斯混合模型算法的建模。

圖1 改進(jìn)高斯模型的建模區(qū)域

1.1 像素模型的定義

對(duì)每個(gè)像素進(jìn)行K個(gè)單高斯模型建模：P(p)={[wi(x,y,t),ui(x,y,t),δi(x,y,t)2]}，i=1,2,3,…,K。K的值通常由像素塊的模態(tài)的復(fù)雜程度決定，通常將其定在2～6之間，意為混合高斯模型中所含有的單高斯模型的個(gè)數(shù)，K取3，參數(shù)wi(x,y,t)表示每個(gè)單高斯模型的權(quán)重，滿足：

(1)

一個(gè)單高斯模型由三個(gè)參數(shù)(平均值、權(quán)重、標(biāo)準(zhǔn)方差)共同確定。

1.2 更新參數(shù)并進(jìn)行前景檢測(cè)

1.2.1 檢測(cè)是否匹配

若在(X,Y)處的像素值對(duì)于i=1,2,3,…,K滿足|Ii(x,y,t)-ui(x,y,t-1)|≤φδi(x,y,t-1)，則該新像素與單高斯模型匹配，則將該點(diǎn)進(jìn)行模型更新的迭代計(jì)算，然后開始權(quán)值修正步驟；如果不存在與新像素匹配的模型，則判斷該點(diǎn)為與之前模型均不匹配路面灰度突變點(diǎn)，此時(shí)將進(jìn)入新增模型步驟。用采集到的數(shù)據(jù)對(duì)匹配到的模型進(jìn)行參數(shù)更新的迭代計(jì)算公式為

ui(x,y,t)=(1-α)ui(x,y,t-1)+α×Ii(x,y,t)

(2)

δi(x,y,t)2=(1-α)×δi(x,y,t-1)2+

α×[Ii(x,y,t)-ui(x,y,t-1)]2

(3)

1.2.2 修正權(quán)值

為刻畫此模型更新后的真實(shí)重要性，應(yīng)修正與該像素完成匹配的單高斯模型的權(quán)值，權(quán)值增量為dw=α×(1-wi(x,y,t-1))，修改后的權(quán)值如下：

wi(x,y,t)=wi(x,y,t-1)+dw=wi(x,y,t-1)+

α×(1-wi(x,y,t-1))

(4)

完成修正權(quán)值步驟可跳過新增模型步驟，直接轉(zhuǎn)入權(quán)重歸一化步驟。

1.2.3 新增模型

如果新像素此時(shí)的數(shù)據(jù)是路面灰度突變點(diǎn)，即不與此時(shí)的任何一個(gè)已有的單高斯模型匹配，則：

1)如果當(dāng)前此像素點(diǎn)所擁有的單高斯模型數(shù)已經(jīng)達(dá)到數(shù)值K，則先去掉當(dāng)前像素所擁有的單高斯模型中重要性最小的單高斯模型，

2)增加一個(gè)新的單高斯模型，

3)文中取權(quán)重為0.1,均值為新像素值，取方差為20。

1.2.4 權(quán)重歸一化

(5)

1.3 多個(gè)單高斯模型的排序及刪減

為了提高新增模型時(shí)的算法效率以及如何選擇增刪某像素的單高斯模型，定義重要性參數(shù)，依據(jù)參數(shù)對(duì)固定像素所建立的單高斯模型按照從大到小進(jìn)行重要性排序，以完成模型的增刪操作。

假設(shè)道路灰度值模型通常具有以下特點(diǎn)：(1)權(quán)重大：實(shí)際道路正?；叶戎党霈F(xiàn)的頻率高；(2)方差?。簩?shí)際道路像素值在連續(xù)時(shí)間內(nèi)變化通常不大。據(jù)此，定義

(6)

排序及刪減過程如下：

(1) 更新計(jì)算每個(gè)單模型的最新重要性值。

(2) 將各個(gè)單模型按照重要性從大到小進(jìn)行排列。

圖2 汽車初始化建模算法流程圖

圖3 掃描算法流程

圖4 某時(shí)刻兩種方式得到的汽車框高度對(duì)比

2 掃描算法

2.1 初始化檢測(cè)到的汽車模型

初始化算法只在該汽車被檢測(cè)的第一幀使用，起到初始化高斯混合模型數(shù)據(jù)的作用，具體的算法步驟見圖2

2.2 確定汽車框高度

通過初始化算法得到每一輛檢測(cè)到的車的車底及路面灰度值，然后對(duì)輸入的汽車高度h值乘以一個(gè)系數(shù)k(0

h=k*h

(7)

由于路面的整體灰度值符合正態(tài)分布[6]，并且在相鄰連續(xù)時(shí)間內(nèi)，路面灰度值的變化量可認(rèn)為近似于0，相同橫坐標(biāo)車與路面交界處點(diǎn)的灰度值在區(qū)間[u1(x,y,t)-2δ1(x,y,t),u1(x,y,t)+2δ1(x,y,t)]的概率大于99%，當(dāng)自上而下逐行掃描車框范圍內(nèi)所在行點(diǎn)的灰度值處于[u1(x,y,t)-2δ1(x,y,t),u1(x,y,t)+2δ1(x,y,t)]的概率大于一定值后可認(rèn)為已經(jīng)掃描到了路面，可取為0.8。

每次橫向掃描車框范圍內(nèi)與寬度值w相等個(gè)數(shù)的像素值，當(dāng)所在行滿足條件的像素點(diǎn)個(gè)數(shù)>=0.8*車框?qū)挾葧r(shí)退出循環(huán)，輸出此時(shí)對(duì)應(yīng)的汽車框的高度值h，并開始進(jìn)行高斯混合模型的迭代運(yùn)算。

3 實(shí)驗(yàn)結(jié)果

具體實(shí)驗(yàn)場(chǎng)地為上海市嘉定區(qū)曹安公路路段，測(cè)試車輛車速15km/h，目標(biāo)車輛車速為20km/h，圖4為無優(yōu)化的和優(yōu)化后得到的汽車車框高度值隨幀增加的變化情況

可以看出經(jīng)過優(yōu)化后的算法處理后的圖像明顯穩(wěn)定，呈現(xiàn)單調(diào)不增的趨勢(shì)，幀與幀之間無跳變，無波峰逆增長(zhǎng)現(xiàn)象。

實(shí)驗(yàn)的總幀數(shù)為100620幀，具體校準(zhǔn)情況見表1

表1 兩種方式得到的汽車框高度對(duì)比

通過實(shí)驗(yàn)數(shù)據(jù)可知，改進(jìn)高斯混合模型算法及原始方法在與手工標(biāo)定的高度進(jìn)行比較后，相差2像素以內(nèi)高度的比率提高了18.8%。

4 結(jié) 語(yǔ)

通過對(duì)于道路上的對(duì)所有YOLO框架檢測(cè)到的汽車底部的像素塊建立高斯混合模型來刻畫汽車底部的道路灰度值以及車底陰影灰度值的正態(tài)分布規(guī)律，然后通過對(duì)每輛檢測(cè)到的汽車進(jìn)行自上而下的掃描算法以確定汽車邊框的實(shí)際高度，最后通過實(shí)驗(yàn)證明了方法的可行性。