基于視頻分析技術的車距測量及預警系統設計

王傳欽，曹江濤，姬曉飛

(1.遼寧石油化工大學信息與控制工程學院，遼寧撫順 113001; 2.沈陽航空航天大學自動化學院，遼寧沈陽 110136)

基于視頻分析技術的車距測量及預警系統設計

王傳欽1，曹江濤1，姬曉飛2

(1.遼寧石油化工大學信息與控制工程學院，遼寧撫順 113001; 2.沈陽航空航天大學自動化學院，遼寧沈陽 110136)

車距測量及預警是汽車主動安全技術中的一個重要組成部分，而基于視覺的車距測量及預警系統一直是智能車系統和輔助安全系統中研究的熱點。為了提高車距測量的精確度和實時性，以Visual C++6.0集成開發環境和OpenCV開源計算機視覺庫為實驗平臺，設計并實現了一種基于視頻分析技術的車距測量及預警系統。該系統具有車輛檢測、車輛跟蹤、距離測量及預警等功能。以Haar-like特征作為圖像描述，結合Adaboost算法訓練分類器實現道路中車輛的檢測;采用CamShift和Kalman相結合的方法實現目標車輛的跟蹤及預測;提出一種基于RBF神經網絡的車距測量及預測方法。實驗結果表明，該系統能較準確地實現1～15 m范圍內的車輛檢測及車距測量，且具有良好的實時性。

車輛檢測;Haar-like特征;Adaboost算法;跟蹤;RBF神經網絡

0 引言

絕大多數的交通事故都是因為駕駛員注意力不集中，在危險來臨時不能及時采取相應的措施，從而導致慘劇的發生。如果駕駛員能夠實時地得到與前方車輛的距離，當距離小于安全距離時得到語音提示，這樣就能及時地提醒駕駛員，從而避免很多交通事故的發生。因此，車距預警系統得到了越來越廣泛的應用［1-2］。文獻［3］提出的超聲波車距預警系統，優點是原理簡單、成本低，解決了障礙物的二維定位問題，但可測量的范圍比較小，對于高速行駛的車輛很難起到預警的作用。隨著計算機視覺技術的不斷發展，它在智能交通系統中的作用不斷完善，把計算機視覺技術應用在預警系統和防碰撞系統中，對智能交通系統性能的提高起到了極其重要的作用［4］。文獻［5］中提出在DM642平臺上，采用雙目測距的方法實現的車距預警系統，能夠較為準確地實現車輛檢測識別和測距功能，但是計算量大，實時性差，需要特殊硬件的支持。

基于視頻分析技術的車距測量系統的核心為車輛檢測算法。目前常用的方法大致可歸結為三類:基于運動的方法、基于知識的方法和基于外形的方法。文獻［6］提出的光流法，優點是光流場攜帶了有關物體運動和景物三維結構的豐富信息，但該方法處理速度較慢，不能滿足實時處理的要求，且抗噪性能差;文獻［7］提出的幀差法是以背景固定不變為前提的，而文獻［8］提出的背景消減法對光照的變化和陰影的干擾非常敏感，對于不斷變換的復雜背景情況，這兩種方法就不適用了;文獻［9］提出的基于知識的方法，在障礙物數量較少的情況下檢測效率較高，但復雜環境下的錯誤識別率有所增加。

從應用的角度來講，預警系統要具有良好的實時性，測量的距離要足夠遠，要滿足安全距離的要求。文中采用一種基于Haar特征和Adaboost分類器的車輛檢測算法［10］，并利用CamShift和Kalman相結合的方法實現目標車輛的跟蹤，具有識別性能好、誤識率低、實時性好等優點，能夠滿足系統的設計需求。同時，文中提出了基于RBF神經網絡算法的車距測量及預測方法，當車距小于設定值時進行警報，應用前景較好。

1 系統概述

該系統選用索尼HDR-XR550E攝像機拍攝實際道路上車輛，以Visual C++6.0和OpenCV為實驗平臺進行實驗驗證。系統主要包括車輛檢測、車輛跟蹤和車距測量及預警3個基本部分。采用基于Haar-like特征［11-13］的 Adaboost分類器進行車輛檢測;利用CamShift和Kalman相結合的方法實現目標車輛跟蹤;采用RBF神經網絡算法進行車距測量和預測，并設定報警最小閾值，當測量距離小于設定值時進行報警提示以實現預警功能。系統結構框圖如圖1所示。

圖1 系統結構框圖

2 系統的功能模塊設計及實現

2.1 車輛檢測模塊

圖2所示的車輛檢測流程包括三個部分:通過攝像機采集視頻圖像，并對圖像進行灰度化、濾波等預處理，以降低光照環境變化對特征提取帶來的不利影響;根據多尺度掃描機制掃描圖像獲取子窗口;把子窗口作為分類器的輸入進行檢測，若檢測結果為車輛，則保留，否則舍棄，直至遍歷完整張待識別圖像，并將檢測區域進行合并處理，最終得到目標車輛區域。這里使用的分類器為基于Haar-like特征的Adaboost分類器，該分類器以含有邊緣特征、線特征、中心特征和對角特征四大類15種特征的Haar-like特征為圖像描述，根據Adaboost算法針對同一訓練集訓練不同的弱分類器，然后把這些弱分類器集合起來而構成。檢測結果表明，基于分類器的車輛檢測算法能夠很好地檢測出不同路況、不同環境下的多種類型車輛，且具有良好的實時性和較高的準確度。

2.2 車輛跟蹤模塊

近年來，CamShift跟蹤算法因其良好的實時性和魯棒性得到了廣泛應用。該算法在簡單背景下具有較好的跟蹤效果，然而，當背景中含有大面積相似顏色干擾時，CamShift算法的跟蹤效果將不再準確，而且有可能丟失跟蹤目標，導致跟蹤失敗。為了克服這一問題，文中采用了 CamShift和 Kalman相結合的跟蹤方法［14-16］，算法的整體流程圖見圖3。

由于視頻中連續兩幀圖像的間隔時間比較短，所要跟蹤的目標車輛的運動狀態不會發生太大的變化，

可以近似認為目標車輛在連續兩幀圖像時間間隔內做勻速運動。定義狀態量Xk=(xk，yk，vx，vy)T，觀測量kkZk=(xk，yk)T，預測狀態量T。其中，xk，yk分別表示目標車輛在X軸和Y軸上的位置; vxk，vyk分別表示目標車輛在X軸和Y軸上的運動速度;分別表示Kalman濾波器預測的目標車輛在X軸和Y軸上的位置;，分別表示Kalman濾波器預測的目標車輛在X軸和Y軸上的運動速度，并將狀態轉移矩陣A設定為:

式中，T表示連續兩幀之間運動的間隔時間。

觀測矩陣H設定為:

動態噪聲方差矩陣Q設定為:

測量噪聲方差矩陣R為:

初始誤差方差矩陣P0為:

算法的基本思想是，首先利用已提取出的運動車輛的位置信息來初始化CamShift跟蹤算法中的初始搜索窗口和Kalman濾波器，然后使用Kalman濾波器預測出搜索窗口的新位置，同時使用CamShift算法計算目標在該幀圖像中的最優位置和大小。當視頻中的某一幀或某幾幀圖像目標檢測失敗時，使用Kalman濾波器的預測值代替CamShift算法計算出的目標位置。圖4為21幀至26幀圖像的跟蹤效果圖。

2.3 車距測量與識別模塊

徑向基(RBF)神經網絡克服了傳統前饋神經網絡的很多缺點，具有很好的通用性。Hartman［17］等已經證明，只要有足夠多的隱藏層神經元，RBF神經網絡能以任意精度逼近任何連續函數，而且結構簡單，訓練速度快。文中提出了基于RBF神經網絡算法的車距測量及預測的方法。與文獻［18］提到的攝像機測距模型相比，該方法不需要對攝像機內部參數進行標定，也不用單獨考慮成像系統誤差、成像模型、透鏡畸變等帶來的影響，而是在訓練神經網時絡隱含地解決。

文中設計的RBF神經網絡不僅僅可以根據目標車輛底部在圖像中的位置y計算出相應的距離信息D，還具有根據當前時刻的位置信息及之前兩幀圖像的位置信息預測未來車輛距離的預測作用，同時，若這些測量的距離信息小于設定值則進行警報。該神經網絡由三層網絡結構組成:輸入層、隱含層及輸出層。各單元數分別取為3，50，3。其中，第一層為輸入層，對應輸入為當前幀位置坐標yi及前兩幀位置坐標yi－1、yi－2;第二層為隱層，選取高斯函數為徑向基函數，在這一層中可以根據輸入向量確定聚類中心以及隱層至輸出層的連接權值;第三層為輸出層，分別輸出當前幀圖像對應的實際距離Di和之后未來兩幀圖像中可能的車輛預測距離Di+1、Di+2。

在訓練神經網絡時，設定訓練誤差為0.01，最大迭代次數為500，初始學習速率為0.01，結果表明在1～15 m范圍內最大測量誤差為0.32 m。表1為部分測試數據及誤差。其中，D為神經網絡實際輸出，E為實際輸出與理想輸出的誤差。

為驗證文中方法的有效性，在白天正常光照條件下行駛道路上進行實驗驗證，圖5為實驗效果圖。

實驗結果表明，該系統能較準確地實現1～15 m范圍內的車輛檢測及車距測量，同時采用CamShift和Kalman相結合的跟蹤方法，有效地減少了圖像中掃描車輛的時間，實時性比較好。

3 結束語

文中設計并實現了一種基于視頻分析技術的車距測量及預測系統。該系統采用一種基于特征的車輛檢測方法，通過提取15種不同類型的Haar-like特征，訓練Adaboost分類器識別檢測出車輛信息，同時采用CamShift和Kalman相結合的跟蹤方法，能夠實現實時檢測和跟蹤。另外，文中提出一種基于RBF神經網絡算法的車距測量及預測方法，在攝像機固定不變的情況下，根據檢測出的車輛信息和構建好的神經網絡預測模型，能準確、快速地得出當前幀及預測未來兩幀圖像中前方車輛的距離，并且當這3幀中的任一幀測量距離小于設定值時進行警報。實驗結果表明，在不同的光照條件和復雜的背景條件下，系統都具有良好的實時性、較高的準確度，對外界環境具有較強的魯棒性和可靠性，能較準確地實現1～15 m范圍內的車輛檢測及車距測量，在實際應用中能起到很好的預警效果。該系統是在Visual C++6.0開發環境下，借助OpenCV視覺庫進行的系統設計與實現，具有較強的可移植性，可應用到車載系統、盲人導航等智能系統中。

［1］ Couthon J，Mezouar Y，Martinet P.Autonomous navigation of vehicles from a visual memory using a generic camera model ［J］.IEEE Transactions on Intelligent Transportation Systems，2009，10(3):392-402.

［2］ 張廣秀.基于視覺的汽車前向防碰撞技術的研究［D］.天津:河北工業大學，2008.

［3］ 沈 燕，高曉蓉，李金龍.超聲車距預警系統設計［J］.現代電子技術，2012，35(13):191-194.

［4］ 李婷俐.基于多特征級聯分類器的道路車輛檢測方法研究［D］.長沙:湖南大學，2012.

［5］ 程 震，夏偉杰.基于DM642的車距預警系統設計與實現［J］.重慶科技學院學報:自然科學版，2011，13(4):152-154.

［6］ 吳新根，羅立民.一種改進的光流場計算方法［J］.電子學報，2000，28(1):130-131.

［7］ 嚴曉明.一種基于改進幀差法的運動目標檢測［J］.莆田學院學報，2011，18(5):69-72.

［8］ 張志付.基于背景減法的運動目標檢測算法研究［D］.上海:上海交通大學，2008.

［9］ 姜 睿.基于知識的人臉檢測與人臉識別系統研究［D］.西安:西北工業大學，2004.

［10］文學志，方 巍，鄭鈺輝.一種基于類Haar特征和改進AdaBoost分類器的車輛識別算法［J］.電子學報，2011，39 (5):1121-1126.

［11］Viola P，Jones M.Robust real-time face detection［J］.International Journal of Computer Vision，2004，57(2):137-154.

［12］Viola P，Jones M.Rapid object detection using a boosted cascade of simple features［C］//Proceeding of international conference on computer vision an pattern recognition.［s.l.］:［s. n.］，2001:511-518.

［13］Lienhart R，Maydt J.An extended set of Haar-like features for rapid object detection［C］//Proc of IEEE international conference on image processing.［s.l.］:IEEE，2002:900-903.

［14］梁 娟，項 俊，侯建華.基于Camshift和Kalman濾波的自動跟蹤算法［J］.微型機與應用，2011，30(24):28-31.

［15］李小樂.基于連續視頻幀的多特征融合道路車輛檢測方法研究［D］.長沙:湖南大學，2012.

［16］錢永青，謝勤嵐.結合Camshift和Kalman預測的運動目標跟蹤［J］.計算機工程與科學，2010，32(8):81-83.

［17］Hartman E J，Keeler J D.Layered neural networks with Gaussian hidden units as universal approximations［J］.Neural Computation，1990，2(2):210-215.

［18］余厚云，張為公.基于單目視覺傳感器的車距測量與誤差分析［J］.傳感器與微系統，2012，31(9):10-13.

Design of a Vehicle Distance Measurement and Early Warning System Based on Video Analysis Techniques

WANG Chuan-qin1，CAO Jiang-tao1，JI Xiao-fei2
(1.School of Information and Control Engineering，Liaoning Shihua University，Fushun 113001，China; 2.College of Automation，Shenyang Aerospace University，Shenyang 110136，China)

Vehicle distance measuring and early warning is an important component in vehicle active safety technology.And the visionbased vehicle distance measuring and early warning system has been a research hotspot of the intelligent vehicle system and secondary safety system.In order to improve the accuracy and processing speed of vehicle distance measurement，vehicle distance and early warning system is designed and implemented based on video analysis techniques in Visual C++6.0 and OpenCV software environment，which has functions like vehicle detection，vehicle tracking，distance measurement and early warning and so on.Haar-like features is chosen as image descriptions，and Adaboost algorithm is combined to train classifiers to achieve vehicles detection.A combination method of CamShift and Kalman is used to track the target vehicle，and the measurement and prediction of distance is achieved by using RBF neural network.Experiments show that the system can accurately realize the range of 1～15 m for vehicle detection and distance measurement，and it has good real-time performance.

vehicle detection;Haar-like feature;Adaboost algorithm;tracking;RBF neural network

TP302

A

1673-629X(2016)09-0087-04

10.3969/j.issn.1673-629X.2016.09.020

2015-05-13

2015-09-16< class="emphasis_bold">網絡出版時間:

時間:2016-08-23

國家自然科學基金資助項目(61103123，61203021)

王傳欽(1987-)，男，碩士研究生，研究方向為圖像處理與識別;曹江濤，博士，教授，研究方向為智能方法及其在工業控制和視頻信息處理上的應用;姬曉飛，博士，副教授，研究方向為視頻處理及模式識別理論。

http://www.cnki.net/kcms/detail/61.1450.tp.20160823.1112.004.html