基于雙特征的前方車(chē)輛實(shí)時(shí)檢測(cè)

雷美琳,肖志濤,崔 琴

(天津工業(yè)大學(xué)信息與通信工程學(xué)院,天津 300160)

基于雙特征的前方車(chē)輛實(shí)時(shí)檢測(cè)

雷美琳,肖志濤,崔 琴

(天津工業(yè)大學(xué)信息與通信工程學(xué)院,天津 300160)

提出一種在無(wú)先驗(yàn)知識(shí)的情況下,綜合利用車(chē)輛陰影和對(duì)稱(chēng)性?xún)煞N特征進(jìn)行前方車(chē)輛檢測(cè)的算法.該算法通過(guò)檢測(cè)車(chē)底陰影特征生成車(chē)輛存在假設(shè),首先,利用大津閾值分割方法(OTSU)得到車(chē)輛陰影特征,采用陰影區(qū)域融合方法解決陰影邊緣的變形問(wèn)題,得到可能包含車(chē)輛的區(qū)域;然后,利用車(chē)輛對(duì)稱(chēng)性特征對(duì)感興趣區(qū)域進(jìn)行驗(yàn)證,并對(duì)其中的車(chē)輛區(qū)域進(jìn)行準(zhǔn)確定位.通過(guò)對(duì)實(shí)際采集的道路圖像序列進(jìn)行測(cè)試,結(jié)果表明:該算法能夠?qū)崟r(shí)、有效地檢測(cè)出前方車(chē)輛.

前方車(chē)輛檢測(cè);陰影特征;對(duì)稱(chēng)性特征

近年來(lái),隨著人民生活水平的普遍提高,汽車(chē)數(shù)量迅速攀升,但是,由于交通設(shè)施的相對(duì)滯后,也出現(xiàn)了嚴(yán)峻的交通問(wèn)題,交通事故時(shí)有發(fā)生,其中,大部分交通事故都是人為因素引起的.在汽車(chē)安全輔助駕駛系統(tǒng)中,前方車(chē)輛檢測(cè)是一個(gè)重要的組成部分,可以有效防止交通事故的發(fā)生.

車(chē)輛檢測(cè)方法多種多樣,本質(zhì)都是利用車(chē)輛特征把車(chē)輛從背景中分割出來(lái).常用的方法有:(1)基于車(chē)輛陰影的檢測(cè)[1].該方法根據(jù)陰影特征能夠發(fā)現(xiàn)所有的可能車(chē)輛,但同時(shí)也會(huì)檢測(cè)到很多偽車(chē)輛區(qū)域,需要進(jìn)一步進(jìn)行復(fù)雜的去除偽目標(biāo)的工作.(2)基于紋理的檢測(cè)[2].該方法主要根據(jù)序列圖像中,車(chē)輛區(qū)域比背景區(qū)域紋理的熵值高來(lái)確定車(chē)輛區(qū)域,但該方法只適用于背景簡(jiǎn)單的車(chē)輛檢測(cè).(3)基于線(xiàn)結(jié)構(gòu)的檢測(cè)[3].該方法主要根據(jù)運(yùn)動(dòng)目標(biāo)外圍的線(xiàn)條結(jié)構(gòu)特征來(lái)檢測(cè),缺點(diǎn)是過(guò)度的依賴(lài)目標(biāo)和背景的灰度關(guān)系,當(dāng)目標(biāo)和背景的灰度反差不大時(shí)容易出現(xiàn)錯(cuò)誤.(4)基于對(duì)稱(chēng)性特征的檢測(cè)[4].使用對(duì)稱(chēng)性特征檢測(cè)整幅圖像會(huì)大大提高算法的復(fù)雜性.

為了提高檢測(cè)的準(zhǔn)確性,可綜合多種特征對(duì)車(chē)輛進(jìn)行檢測(cè)[5],但這會(huì)提高算法的復(fù)雜性,難以實(shí)現(xiàn)實(shí)時(shí)檢測(cè).為了克服這一缺陷,本研究提出一種在無(wú)先驗(yàn)知識(shí)的情況下,只利用車(chē)輛陰影和對(duì)稱(chēng)性?xún)煞N特征對(duì)前方車(chē)輛進(jìn)行檢測(cè)的算法.車(chē)輛下部的陰影是識(shí)別車(chē)輛目標(biāo)的一個(gè)重要特征,同時(shí),車(chē)輛底部與路面相比明顯呈低亮區(qū)域.因此,本研究首先采用大津閾值分割方法得到車(chē)輛的陰影區(qū)域,并采用陰影區(qū)域融合方法解決陰影邊緣的變形問(wèn)題,得到可能包含車(chē)輛的區(qū)域;然后利用車(chē)輛的對(duì)稱(chēng)性特征對(duì)感興趣區(qū)域進(jìn)行驗(yàn)證,并對(duì)其中的車(chē)輛區(qū)域進(jìn)行準(zhǔn)確定位.

1 獲取車(chē)輛陰影特征

大津閾值分割法[6]又稱(chēng)最大類(lèi)間方差法,是一種基于統(tǒng)計(jì)理論來(lái)尋找閾值的聚類(lèi)閾值化方法,該方法使被分割出來(lái)的目標(biāo)和背景之間的灰度差距明顯,即目標(biāo)與背景之間具有很高的對(duì)比度,一直被認(rèn)為是閾值自動(dòng)選取的最優(yōu)方法.

在大津閾值分割方法中,對(duì)于圖像而言,設(shè)t為前景與背景的分割閾值,前景點(diǎn)數(shù)占圖像比例為ω0,前景點(diǎn)平均灰度為μ0,背景點(diǎn)數(shù)占圖像比例為ω1,背景點(diǎn)平均灰度為μ1.

如原始灰度圖像的像素點(diǎn)數(shù)為N,存在L個(gè)灰度級(jí),灰度級(jí)為i的像素點(diǎn)數(shù)為ni,那么

則類(lèi)間方差為

通過(guò)對(duì)道路圖像進(jìn)行分析,車(chē)輛的陰影區(qū)域一般集中在圖像的下半部分,因此本研究只對(duì)圖像下半部分采用最大類(lèi)間方差法尋找閾值,利用得到的閾值對(duì)整幅圖像進(jìn)行分割,分割結(jié)果如圖1所示.由于道路圖像中路面和車(chē)輛陰影部分的灰度相差不大,實(shí)驗(yàn)表明,單次使用大津閾值分割法的分割效果并不理想,如圖1(b)所示.因此,本研究在目標(biāo)區(qū)域中再次使用大津閾值分割法,用所得的新閾值對(duì)整幅圖像進(jìn)行分割.這樣就能去除大部分噪聲,獲得較好的分割效果,如圖1(c)所示.

圖1 大津閾值分割法分割結(jié)果圖Fig.1 Segmen tation results of OTSU

2 生成車(chē)輛位置線(xiàn)條

為了獲得候選的感興趣區(qū)域,首先需要提取出可能車(chē)輛區(qū)的位置線(xiàn)條.在道路分割的二值結(jié)果圖1(c)中,可以看到由于較大目標(biāo)車(chē)輛的存在,使得檢測(cè)范圍內(nèi)出現(xiàn)較明顯的黑色區(qū)域,該區(qū)域有時(shí)是由車(chē)輛陰影形成的,有時(shí)是由車(chē)體本身形成的.總之,檢測(cè)結(jié)果在道路已經(jīng)分割的前提下,可以提供車(chē)輛的位置信息.具體實(shí)現(xiàn)過(guò)程[7]為:由下向上掃描當(dāng)前二值圖像的下半部分(車(chē)輛位置可能存在的區(qū)域),尋找垂直方向上由亮變暗的像素點(diǎn).即由下向上掃描圖像的每一列,當(dāng)遇上像素點(diǎn)I由白變黑時(shí)記錄下來(lái),否則不是可能車(chē)輛的位置,利用

對(duì)圖1(c)進(jìn)行處理,得到車(chē)輛位置邊緣線(xiàn),如圖2所示.

圖2 車(chē)輛位置邊緣線(xiàn)Fig.2 Vehicle edge line

通過(guò)分析圖2發(fā)現(xiàn):同一輛車(chē)會(huì)出現(xiàn)多條位置線(xiàn)條,且有時(shí)線(xiàn)條會(huì)呈現(xiàn)不連續(xù)性.對(duì)此類(lèi)情況可以采用合并陰影的策略,以減少后續(xù)不必要的驗(yàn)證.實(shí)際情況中,路面上的車(chē)輛不可能相距太近,經(jīng)過(guò)實(shí)驗(yàn)可知,可以將水平間距不大于5個(gè)像素點(diǎn),且垂直間距不大于10個(gè)像素點(diǎn)的陰影合并,如圖3所示.

圖3 修正車(chē)輛位置邊緣線(xiàn)Fig.3 Revise vehicle edge line

經(jīng)過(guò)陰影合并處理后,圖3中產(chǎn)生了明顯的車(chē)輛位置線(xiàn)條,且具有一定的長(zhǎng)度.因此可以利用位置線(xiàn)條構(gòu)成車(chē)輛的感興趣區(qū)域RO I(Range of interesting)方框,當(dāng)線(xiàn)段長(zhǎng)度大于設(shè)定的閾值時(shí),此線(xiàn)段所在的位置即為RO I.

3 驗(yàn)證感興趣區(qū)域

在建立RO I的過(guò)程中,為了將可能的車(chē)輛區(qū)域全部包含其中,RO I應(yīng)比檢測(cè)的車(chē)輛區(qū)域大.因此,在確認(rèn)車(chē)輛前,應(yīng)首先獲得車(chē)輛在RO I中的具體位置[8].本研究采用 Sobel算子[4]在RO I內(nèi)進(jìn)行垂直方向的邊緣檢測(cè),因此,垂直邊緣所在列與邊緣圖像中其他列相比,灰度值有一個(gè)較大的突變.為找出垂直方向上較顯著的邊緣作為候選車(chē)輛的外輪廓,將邊緣圖像在垂直方向上進(jìn)行投影,得到其灰度值的投影直方圖.在直方圖中找出左右局部最大值所在的位置,以此位置定位車(chē)輛的外輪廓.檢測(cè) RO I內(nèi)水平邊緣的方法與檢測(cè)垂直邊緣相似.分別得到的兩條水平線(xiàn)和兩條垂直線(xiàn)構(gòu)成一個(gè)矩形框,即初始RO I,如圖4(c)所示.在這個(gè)矩形內(nèi)驗(yàn)證對(duì)稱(chēng)性即可確定目標(biāo)車(chē)輛所在位置.

圖4 提取垂直邊緣Fig.4 Extracted verticel edges

對(duì)于公路上的目標(biāo)車(chē)輛,在灰度圖像中可以通過(guò)驗(yàn)證灰度對(duì)稱(chēng)性來(lái)確認(rèn)路面上的車(chē)輛.灰度對(duì)稱(chēng)性測(cè)度(gGS)定義如下:

式中,f(x,y)表示點(diǎn)(x,y)處的灰度值,H和W分別表示待確認(rèn)窗口的高度和寬度.gGS值越小,表明窗口的對(duì)稱(chēng)性越好.

4 實(shí)驗(yàn)結(jié)果

本研究選用分辨率為640×480的256級(jí)灰度視頻文件作為實(shí)驗(yàn)數(shù)據(jù),該視頻采集自白天的城市與城郊道路.部分檢測(cè)結(jié)果如圖5所示,圖中檢測(cè)到的車(chē)輛用黑色邊框標(biāo)記.

圖5 不同實(shí)驗(yàn)背景的檢測(cè)結(jié)果Fig.5 Tesutts of differnt experiment background

從實(shí)驗(yàn)結(jié)果可以看出,本研究設(shè)計(jì)的算法總體上可檢測(cè)出大多數(shù)車(chē)輛,只有車(chē)輛距離大于120 m左右時(shí),由于陰影較少,可能會(huì)造成漏檢,如圖5(c)中的右方車(chē)輛.

5 結(jié)論

本研究為智能車(chē)輛設(shè)計(jì)了一種前方車(chē)輛檢測(cè)方法.該方法首先在道路分割的基礎(chǔ)上,獲得車(chē)輛可能的位置線(xiàn)條信息;然后根據(jù)線(xiàn)條的長(zhǎng)度和位置信息生成感興趣區(qū)域;最后對(duì)每個(gè)感興趣區(qū)域的對(duì)稱(chēng)性測(cè)度進(jìn)行驗(yàn)證,當(dāng)結(jié)果不滿(mǎn)足對(duì)稱(chēng)條件時(shí),就剔除虛假目標(biāo).實(shí)驗(yàn)結(jié)果表明,該算法能夠滿(mǎn)足車(chē)輛檢測(cè)實(shí)時(shí)性和準(zhǔn)確性的要求.

[1] Bertozzi M,Broggi A,Castelluccio S.A real-time oriented system for vehicle detection[J].Journal of Systems A rchitecture,1997,43(1/2/3/4/5):317-325.

[2] Zhu Z G,Xu G Y,Yang B,et al.A real-time vision system for automatic traffic monitoring[J].Image and Vision Computing,2000,18(10):781-794.

[3] Betke M,Haritaoglu E.Real-time multiple vehicle detection and tracking from a moving vehicle[J].Machine Vision and Applications,2000,12(2):69-83.

[4] Zielke T,Brauckmann M,Vonseelen W.Intensity and edgebased symmetry detection with an application to car-follow ing[J].CVGIP:Image Understand.,1993,58(2):177-190.

[5] Colantonio S,Benvenuti M,Dibono M G,Object tracking in a stereo and infrared vision system[J].Infrared Physics&Technology,2007,49(3):266-271.

[6] Fu K S,M ui J K.Survey on image segmentation[J].Patern Recognition,1981,13(1):3-16.

[7] 皮燕妮,史忠科,黃金.智能車(chē)中基于單目視覺(jué)的前車(chē)檢測(cè)和跟蹤[J].計(jì)算機(jī)應(yīng)用,2005,25(1):220-223.

[8] 李斌.智能車(chē)輛前方車(chē)輛探測(cè)及安全距離控制方法的研究[D].長(zhǎng)春:吉林大學(xué),2002:30-31.

Double-feature based real time preceding vehicle detection

L EIM eilin,X IAO Zhitao,CU IQin

(School of Information and Communication Engineering,Tianjin Polytechnic University,Tianjin 300160,China)

A p receding vehicle detecting method based on shadow s and symmetry w ithout p rio r know ledge is p resented.The shadow s underneath vehicles are detected to generate vehicle hypotheses.An adap tive road threshold methold is used to get shadow feature,and a shadow s areamerge app roach is used to resolve the p roblem of disto rtion of the shadow s border.Furthermore,amethod is p resented to determine if there exist vehicles in the areas and to locate the vehicles based on the analysisof symmetry.Themethod is tested w ith image sequences taken on road,and the results show that the p roposed algo rithm can effectively detect p receding vehicles in real time.

p receding vehicle detection;shadow feature;symmetry feature

TP391

A

1671-1114(2010)01-0023-04

2009-08-14

國(guó)家自然科學(xué)基金資助項(xiàng)目(60602036)

雷美琳(1985—),女,碩士研究生.

肖志濤(1971—),男,教授,主要從事圖像處理、模式識(shí)別和計(jì)算機(jī)視覺(jué)等方面的研究.E-mail:xiaozhitao@tjpu.edu.cn

(責(zé)任編校 紀(jì)翠榮)