顏色特征模型在靜態車輛檢測中的應用

張力，鄧亞航，饒小李

昆明理工大學信息工程與自動化學院，云南 昆明 650500

顏色特征模型在靜態車輛檢測中的應用

張力，鄧亞航，饒小李

昆明理工大學信息工程與自動化學院，云南 昆明 650500

為了解決智能交通中的靜態車輛檢測準確率不高的問題，提出一種基于顏色特征的車輛目標檢測方法.該方法首先根據Hough變換分割出路面感興趣區域，利用顏色特征空間降維建立理想的顏色特征模型；其次，根據貝葉斯分類器進行路面與車輛的像素分類；最后，由最小割／最大流算法進行車輛目標分離.在實景采集交通視頻圖像后對文中提出方法和現存方法進行了對比評估.基于顏色特征的車輛目標檢測方法對于靜態車輛目標的檢測準確率達到了63.05%，誤檢率降低至21.27%，漏檢率降低至24.01%.與傳統方法相比，該方法能更快、更準確地檢測到目標.

靜態車輛檢測；顏色特征；車輛目標分離

0 引言

隨著智能交通的發展,車輛檢測技術在智能交通系統中的作用日益突出.因此,如何簡單、有效地從道路中檢測出車輛目標,是一個亟需解決的問題.隨著計算機視覺技術的發展，基于視頻的車輛檢測方法由于其信息采集量較大、檢測區域廣、不妨礙交通等優點,因此正成為目前的研究重點.

針對基于視頻的車輛檢測方法, Z.Zivkovic［1］提出了基于運動信息的背景建模，通過建立場景背景模型,通過對背景模型做背景差分提出車輛目標；C.Luo［2］提出了基于路面先驗知識建模,利用紅綠藍（Red-Green-Blue,以下簡稱：RGB）顏色、輪廓等特征建模對車輛進行識別；X.Wang［3］提出了基于小波變換的車輛檢測方法；還有經典的時間平均法［4］（Time-Average Method，以下簡稱：TAM）和高斯混合模型法［5］（Gaussian Mixture Model，以下簡稱：GMM），然而這些方法大多數都只能處理路面背景中的動態車輛,當檢測靜態車輛目標時,容易將靜態車輛目標混入到圖像背景中.

筆者提出一種基于顏色特征的車輛目標檢測方法,該方法能有效檢測攜帶靜態車輛的動態場景中的車輛目標.該方法通過建立理想的路面顏色特征模型,利用貝葉斯分類器分類車輛和路面像素,從而在路面背景中分割出車輛目標.通過實驗表明,該方法與其他方法相比，能夠更有效的檢測出靜態車輛目標.

1 Hough變換與路面感興趣區域分割

1.1 路面感興趣區域分割

在本文的研究場景中,筆者所關注的感興趣區域（Region Of Interest，以下簡稱：ROI）是車輛行駛的路面區域.通過劃分路面ROI,不僅能使后續車輛檢測的計算負荷和復雜度降低,同時也提高了計算精確度.在分割完成的路面ROI中，僅存在車輛和路面這兩種對象標識.假設路面無其他雜物污染時,車輛與路面的像素集合是對立且互補的.

1.2 路面ROI分割步驟

路面ROI分割分三步進行：第一步,采用Canny算子生成邊緣圖像,以此作為Hough變換的二值圖像；第二步，利用Hough變換提取場景中可能存在的車道線或圍欄等ROI路面邊緣直線；第三步,調節閥值k過濾掉非ROI路面邊緣直線,從場景中分割出ROI路面.

大量直線被Hough變換在Canny處理的邊緣輪廓圖像中檢測出來,然而這些直線中存在大量非邊緣直線.設一條直線的斜率為閥值k,通過控制閥值k,例如設定1/2

2 顏色特征與車輛目標檢測和分割

2.1 顏色特征空間建模

筆者搜集了N幅來自城市交通場景的路面和車輛圖像.通過統計分析，可以從這N副圖像中得到R，G，B顏色分布的協方差矩陣∑.利用Karhunen－Loève變換［2，6］，求得協方差矩陣∑的特征向量ei與特征值λi，其中i=1，2，3.因此，RGB顏色空間可轉換為顏色特征空間Ci：

顏色特征C2和C3正交于C1,將其分別表示為：

將其投影到（R，G，B）平面，可分別用向量（1／3，1／3，1／3），（1／2，0，－1／2）和（－1／4，1／2，－1／4）表示這些顏色特征.獲得了顏色分布的特征向量之后，將顏色分布投影到一個新的特征空間中，使之形成一個較小的簇.

基于以上分析，能使RGB顏色特征空間轉換到二維顏色特征空間上.在這個特征空間里，路面與車輛顏色在該二維顏色特征空間的分布區域的交集更小，路面與車輛像素能更好地分類.

筆者對收集的N幅圖像進行Karhunen－Loève變換,發現訓練數據集的最大特征向量接近（1／3，1／3，1／3），即此軸線被路面顏色當做中心,少量路面顏色散布在其周圍，呈中性色,如圖1所示.

從圖1可以看出，在方向向量（1／3,1／3，1／3）為軸心的周圍，路面顏色被聚集，呈半徑較小的圓柱體狀.據此，筆者提出RGB顏色特征空間由正交于軸線（1／3，1／3，1／3）的顏色平面（r，m）（Radius，Middle－range）來建模.那么在RM顏色空間中像素點Xi可通過式（4）變換：

經式（4）的顏色特征變換后，所有路面像素顏色值集中在一個較小的區域,這樣既提高了建模的準確度，也降低了計算的復雜度.

圖1 RGB空間的道路與車輛顏色分布Fig.1The pavement and vehicle color distribution of RGB space

2.2 貝葉斯分類器與車輛檢測

通過顏色特征空間建模已經分割出了車輛行駛路面,分割之后只剩車輛像素和路面像素存在于圖像中.在十字路口，靜止與運行的車輛通常交替行駛，這種復雜的檢測環境，基于背景統計建模的方法很難應對.因此，利用路面與車輛像素顏色的先驗統計信息,根據貝葉斯分類器對車輛與道路進行像素類別分類［8-9］,最后得到一個表示車輛檢測結果的二值標注圖像.

2.3 最小化圖割與車輛目標分割

根據圖論的思想,二值標注圖像可以被映射成加權圖，根據權重設計能量函數，用最小化能量函數完成對圖的分割［10］,就是以最小的誤差得到車輛目標分割結果.那么如何讓該分割的代價最小,這就是圖的最小割問題.

根據Ford－Fulkerson理論［11］,圖的最小割問題等價于最大流問題.為解決該問題，我們采用的是Boykov Y等［12］提出的基于動態樹的增廣路徑方法k該算法建立兩個搜索樹S和T,它們是非交疊的.搜索樹S和T中的節點又被分為主動節點和被動節點,其中主動節點在樹的外邊沿，被動節點在樹的內部.該算法分生長、增廣、采納三個階段迭代執行.每當采納階段結束后，算法重新回到生長階段，如果不存在主動節點，搜索樹S和T就不生長，算法結束，飽和邊將搜索樹分裂開,這就是筆者需要的最大流,即最小割的邊.

3 實驗分析

3.1 實驗數據集

為度量筆者所提方法對城市交通場景中的車輛檢測性能,在昆明一二一大街進行了交通視頻圖像的采集.圖2顯示了在不同時刻路面背景中同一位置像素點的顏色值波動情況.

圖2 動態背景示例Fig.2The example of dynamic background

從圖2可以看出，在光照與攝像頭抖動的影響下,路面背景中同一位置像素點顏色分布與像素灰度變化顯著.這是對基于該數據集實驗的算法性能的巨大挑戰.

3.2 實驗步驟

筆者提出的基于顏色特征的車輛目標檢測方法，其實驗步驟如下：

a.利用Hough變換對路面圖像進行ROI分割，提取出路面ROI；

b.進行顏色特征空間建模，建立理想的RM顏色特征模型；

c.根據貝葉斯分類器對車輛與道路像素類別分類；

d.基于最小化圖割的思想完成對車輛目標的分割，得到車輛檢測結果.

3.3 定質分析

在該場景中,對TAM算法、GMM算法、RGB顏色特征模型以及筆者所提出的基于顏色特征車輛檢測模型進行了實驗.為分析其性能,選擇第232幀（存在靜止車輛，并有部分靜止車輛開始運行）圖像進行對比分析.該幀圖像中，左側車輛是運動車輛，而右側車輛是靜止車輛.實驗檢測結果如圖3所示.

在圖3中，可以看出TAM算法與GMM算法在檢測運行車輛時效果不錯，但是檢測右側的靜止車輛卻顯得無能為力,將其作為背景像素的一部分了.然而無論運動或靜止車輛目標,筆者提出的基于RM顏色特征的車輛檢測方法都能很好地檢測出來.

圖3 各方法檢測效果Fig.3Comparison of four algorithms

3.4 定量分析

實際上，對圖像像素進行二值標注就是車輛檢測的本質，然后掃描圖像標注集的類別標識，最后車輛目標被分割出來，這也就是圖像目標分割.因此度量基于顏色特征的車輛檢測算法與TAM和GMM算法的車輛檢測性能時，筆者采用圖像分割的性能評價標準，其簡要示意圖如圖4所示.

圖4 圖像分割的性能評價標準示意圖Fig.4The performance evaluation standard schematic diagram of image segmentation

在圖4中，圖像分割的目標區域（Object Region，以下簡稱：OR）與圖像分割算法分割區域（Segmented Region，以下簡稱：SR）重疊區域即為圖像分割算法分割的真實目標區域（Segmented Object Region，以下簡稱：SOR）.據此，采用準確率（Ppre）、誤檢率（Pfalse）、漏檢率（Pmiss）來評價圖像分割算法的性能.根據圖，可以得到如下計算公式：

根據式（5）、（6）和（7）度量了各算法在第232幀含靜止車輛目標場景的車輛檢測性能，各算法性能指標如表1所示.

表1 各方法性能比較Table 1Performance comparison of each algorithm

通過表1的實驗結果可以看出,筆者提出的RM顏色模型無論是在準確率上,還是在誤檢率和漏檢率上都是優于其他顏色模型和算法.這說明顏色特征模型是影響基于顏色特征的車輛檢測算法性能的重要因素之一.

4 結語

筆者利用顏色特征空間降維建立理想的顏色特征模型,對路面車輛進行檢測.在現實場景采集數據圖像后，通過實驗對該方法與時間平均法，高斯混合模型和RGB顏色模型等方法進行定質和定量分析.相比之下,筆者提出的檢測方法對于場景中的運動和靜止車輛都能達到很好的效果，并且準確率更高.

致謝

國家自然科學基金委員會為本研究提供了資金資助,在此表示衷心的感謝！

［1］ZIVKOVIC Z.Improved adaptive Gaussian mixture model for background subtraction［C］//Proceedings of the 17th International Conference on Pattern Recognition，23－26 August 2004.Piscataway,N.J.:IEEE,2004.28－31.

［2］TSAI L W，HSIEH J W，FAN K C.Vehicle detection using normalized color and edge map［J］.IEEE Transactions on Image Processing，2007,16（3）：850－864.

［3］WANG X Y，ZHANG J L.A traffic incident detection method based on wavelet Mallat algorithm［C］//Proceedings of the 2005 IEEE Mid－Summer Workshop on Soft Computing in Industrial Applications，28－30 June 2005Piscataway,N.J.:IEEE,2005.166－172.

［4］樊曉亮，楊晉吉.基于幀間差分的背景提取與更新算法［J］.計算機工程，2011，37（22）：159－161.

FAN Xiao-liang，YANG Jin-ji.Background extraction and update algorithm based on frame-difference［J］.Computer Engineering，2011，37（22）：159－161.（in Chinese）

［5］杜鑒豪，許力.基于區域光流特征的異常行為檢測［J］.浙江大學學報：工學版，2011，45（7）：1161－1166.

DU Jian－hao，XU Li.Abnormal behavior detection based on regional optical flow［J］.Journal of Zhejiang University：Engineering Science，2011，45（7）：1161－1166.（in Chinese）

［6］CHENG S C，YANG C K.A fast and novel technique for color quantization using reduction of color space dimensionality［J］.Pattern Recognition Letters，2001，22（8）：845－856.

［7］趙杰文，方明，劉木華，等.基于Ohta和RGB顏色空間牛胴體背長肌的分割［J］.江蘇大學學報：自然科學版，2006，27（3）：189－192.

ZHAO Jie－wen，FANG Ming，LIU Mu－hua，et al.Segmentation of longissimus dorsi in beef carcass based on Ohta and RGB color systems［J］.Journal of Jiangsu University：Natural Science Edition，2006，27（3）：189－192.（in Chinese）

［8］韓萍，徐建颯.復雜場景下的極化SAR圖像機場跑道檢測［J］.信號處理，2013（9）：1220－1226.

HAN Ping，XU Jian－sa.Runways detection in complex scenes of polarimetric synthetic aperture radar image［J］.Journal of Signal Processing，2013（9）：1220－1226.（in Chinese）

［9］孔文杰，張化祥，劉麗.基于圖像復雜度和貝葉斯的圖像自動標注［J］.計算機工程與設計，2014，35（6）：2100－2103.

KONG Wen－jie，ZHANG Hua－xiang，LIU Li.Automatic imageannotationbasedonimagecomplexityand Bayesian［J］.Computer Engineering and Design，2014，35（6）：2100－2103.（in Chinese）

［10］劉松濤，殷福亮.基于圖割的圖像分割方法及其新進展［J］.自動化學報，2012，38（6）：911－922.

LIU Song－tao，YIN Fu－liang.The basic principle and its new advances of image segmentation methods based on graph cuts［J］.Acta Automatica Sinica，2012，38（6）：911－922.（in Chinese）

［11］劉楊楊，謝政，陳摯.最大動態流關鍵弧的改進算法［J］.計算機應用，2014，34（4）：969－972.

LIU Yang－yang，XIE Zheng，CHEN Zhi.Improved al-gorithm for vital arc of maximum dynamic flow［J］.JournalofComputerApplications，2014，34（4）：969－972.（in Chinese）

［12］BOYKOV Y，VEKSLER O，ZABIH R.Fast approximateenergyminimizationviagraphcuts［J］.IEEETransactions on PMAL Pattern Analysis and Machine Intelligence，2001，23（11）：1222－1239.

Color feature model in application of static vehicle detection

ZHANG Li，DENG Ya－hang，RAO Xiao－li
Faculty of Information Engineering and Automation，Kunming University of Science and Technology，Kunming 650500，China

To improve the low accuracy in static vehicle detection in intelligent transportation，a vehicle targets detection method based on color features was proposed.Firstly，the pavement area of interest was segmented based on Hough transform，and the ideal color feature model was established by using the color feature space dimension reduction.Then，pixels of pavements and vehicles were classfied by Bayesian classifier，and finally the target vehicle was separated by the minimum cut／maximum flow algorithm.We made a comparative assessment of the proposed method with the existed methods after capturing live-actiontraffic video images.The results show that the detection accuracy is 63.05%，the false rate decreases to 21.27%and the miss rate decreases to 24.01%.Experiments show the proposed method can achieve excellent detection result in static vehicle targets.

static vehicle detection；color feature；ehicle target separation

TN911

A

10.3969/j.issn.1674-2869.2015.01.016

本文編輯：苗變

1674－2869（2015）01－0073－06

2014－12－24

國家自然科學基金（61063027）

張力（1963－），男，四川成都人，副教授.研究方向：計算機視覺、多媒術技術.