基于改進灰色模型的前車檢測與跟蹤算法

陳戈珩， 潘曉旭， 楊 林， 胡明輝

(長春工業大學 計算機科學與工程學院， 吉林 長春 130012)

?

基于改進灰色模型的前車檢測與跟蹤算法

陳戈珩， 潘曉旭*， 楊 林， 胡明輝

(長春工業大學 計算機科學與工程學院， 吉林 長春 130012)

基于改進GM(1，1)模型, 依據車底陰影特征自適應確定目標假設區域，利用邊緣對稱性和紋理特征兩層約束驗證車輛區域，排除虛假目標。應用改進的GM(1，1)預測下一幀目標位置, 結果表明,可以實現前方車輛的檢測與跟蹤。

前車檢測； 前車跟蹤； GM(1，1)

0 引 言

自上世紀50年代，基于視覺的道路環境理解已經成為安全輔助駕駛系統研究領域的熱門話題，準確地定位路面上的主要障礙物車輛是非常必要的。基于車載攝像頭定位前方車輛的技術難點是：不僅圖像中的目標車輛在運動，而且攝像機、目標和背景環境之間存在著相對運動。常用的基于視覺的前車檢測與跟蹤方法存在特征點匹配難度大、硬件成本較高和計算復雜的不足，Kalman濾波存在著可能發散以及噪聲參數和初值選取困難等問題，而且其通常假設運動目標做勻加速或勻速直線運動，與實際運動情況不符，跟蹤準確度不高[1-2]。灰色系統理論具有小樣本、可檢驗、運算簡單等優點[3-5]，無需假設目標運動規律和隨機噪聲參數即能估計預測目標。文中給出一種基于GM(1,1)模型的前方車輛檢測和跟蹤方法，而且針對灰色系統理論長期預測精度低的不足，給出了改進的GM(1，1)算法。

1 預處理

由于復雜的外界環境，車載圖像中蘊含著許多無用信息和噪聲。灰度化原始圖像后對其高斯濾波去噪，天空與路面相比具有較高灰度值，且在路面和天空相接處有一個較大的亮度差異變化，選擇水平均值分布曲線上部起第一個最小值所在的行作為天空和路面區域的分界線；靠近攝像機的路面區域通常最暗且無車輛，選擇水平均值曲線上部起第二個最小值所在的行作為感興趣區域的下邊緣，水平均值分布曲線和感興趣區域(ROI)分別如圖1和圖2所示。

圖1 水平均值分布曲線

圖2 感興趣區域(ROI)

2 前方車輛檢測

車輛的灰度和邊緣對稱性、紋理、輪廓、運動以及車底陰影等特征均可用于檢測前車，然而受復雜路況和光照影響，可能存在誤檢，必須進行驗證，故檢測算法分車輛區域假設生成和假設驗證兩步[6-8]。

無論光照明暗，目標車輛大小、運動狀態如何，車輛底部陰影總是存在，統計路面分界線以下的路面像素，計算其均值μ和標準方差σ，以μ-3σ為閾值二值化ROI，并對其進行形態學濾波消除噪聲，得到車底陰影。將y方向上下行相差低于10個像素的陰影線合并，刪除過長或過短的陰影線，為提高后續分析的精度，將陰影線的左右端各擴展10%個像素，采用寬高比為0.9的矩形框粗定位假設區域;利用Sobel算子對粗定位的檢測區域進行水平和垂直邊緣檢測，獲得垂直和水平積分投影圖像，垂直投影圖的局部峰值作為車輛的左右邊緣，水平積分投影圖中第一條達到最大值一半的行為水平上邊緣，從而精定位車輛假設區域。檢測結果如圖3所示。

圖3 檢測結果

圖3中黑色矩形框為租定位假設區域，白色矩形框為精定位假設區域。

利用紋理特征和邊緣對稱性特征兩層約束驗證車輛區域，排除信息熵小于2.4或邊緣對稱性小于0.7的假設區域，使誤檢率降到最低。

3 前方車輛跟蹤

當視頻圖像樣本間隔較短時，鄰幀之間的目標車輛位置有很大的相關性，前一幀的位置信息可以用來預測下一幀的目標位置，跟蹤處理是檢測的補充，而且能改善檢測效果。

針對卡爾曼濾波器選取噪聲參數困難以及需要假設目標運動規律的缺點，文中給出了以GM(1,1)模型為基礎的改進跟蹤算法。

3.1 灰色預測模型GM(1,1)

灰色模型是基于關聯空間、光滑離散函數等概念利用離散數據列建立的微分方程形式的動態模型，GM(1,1)表示單變量一階方程的灰色模型，其灰微分方程為：

則對x(0)(k)+az(1)(k)=b應用最小二乘法得到參數估計序列滿足

得到參數估計序列后，便可用式(6)預測將來的數據：

其中

由灰微分方程和參數估計序列可知，只要已知3個數據就能進行預測，隨時間增長，獲得的數據越來越多，而最開始的數據已不再能反映系統當前特征，有必要對GM(1,1)進行實時更新，其跟蹤原理如圖4所示。

檢測到連續三幀車輛位置數據后，構建GM(1,1)模型，對車輛下一幀位置進行預測，在第4幀圖像的跟蹤窗口判斷搜尋車輛的實際位置，加入實際的位置數據更新模型，預測第5幀中車輛的位置，獲得第5幀實際位置后，舍棄第1幀數據更新模型預測下一幀，如此循環實現車輛預測跟蹤。其中，位置數據為車輛檢測區域的重心坐標，包括X坐標和Y坐標，故需要分別建立X、Y坐標的GM(1，1)完成跟蹤。用前4個數據預測下一數據的GM(1,1)模型計算過程如下：

因此預測值為:

為改善GM(1,1)長期預測精度低的不足，需要對GM(1,1)模型進行改進，假設最新一幀實際位置數據為x1(4)，預測位置數據為x0(4)，實際值與預測值殘差為：

用上一幀的預測偏差修正模型的預測結果作為本幀的預測結果如下:

3.2 計算似然函數

為驗證跟蹤的區域是否為目標車輛，文中提出一種新型的匹配函數l，其值由模板(上一幀預測位置的真實值)和預測窗口熵之差、平均灰度差、灰色對稱性和邊緣對稱性決定，其定義式如下：

式中： EdgeVSym，GreyHSym----分別是矩形預測窗口的邊緣對稱性和水平灰度對稱性；

EntropyDiff,GreyDiff----分別是模板和預測窗口之間的熵和灰度差值;

f----評價函數。

l在 [0,1]內取值。其值越大,越可能是目標車輛，判別閾值為0.5，如果l大于該閾值,判別為車輛，更新參考模板,繼續跟蹤下一幀，否則重新檢測目標車輛。

4 實驗結果分析

選取PETS2001的視頻圖像序列驗證基于改進GM(1,1)的前車檢測和跟蹤算法的魯棒性和實時性，部分幀的跟蹤結果如圖5所示。

圖5 第288幀到388幀部分圖像的跟蹤結果

該算法可以在較短的時間內準確檢測跟蹤到目標車輛。將前15 s的視頻圖像(共376幀)每隔15幀提取一幅關鍵幀圖像，共26幀，對其進行檢測,跟蹤結果如圖6所示。

(a) 水平方向預測結果

(b) 垂直方向預測結果

圖6中，橫、縱坐標模型的預測跟蹤平均誤差分別為0.031 3、0.007 3，能夠滿足跟蹤對準確率的高要求。

5 結 語

給出的改進灰色預測模型可以彌補GM(1，1)長期預測精度不高的缺點，大大減少了預測誤差，縮小了搜索范圍，提高了實時性。以上算法目前僅考慮日間車輛的檢測跟蹤，后續工作將進一步研究各種光照條件和夜間前車的檢測跟蹤。

[1] 王海,陳軍.基于局部Gabor特征匹配和Kalman濾波的車輛跟蹤算法[J].現代交通技術, 2015,12(1):36-40.

[2] 張江山,朱光喜.一種基于Kalman濾波的視頻對象跟蹤方法[J].中國圖象圖形學報:A 輯,2002,7(6):606-609.

[3] 王江榮.基于灰色 GM(1,1)和小波神經網絡的預測模型及應用[J].自動化與儀器儀表,2011(6):88-90.

[4] 袁基煒,史忠科.一種基于灰色預測模型GM(1,1)的運動車輛跟蹤方法[J].控制與決策,2006,21(3):300-304.

[5] 何俊,劉會茹,張彥群.基于GM(1, 1)的可變季節指數預測模型[J].長春工業大學學報:自然科學版,2012,33(1):16-20.

[6] 齊美彬,潘燕,張銀霞.基于車底陰影的前方運動車輛檢測[J].電子測量與儀器學報,2012,26(1):54-59.

[7] 譚學治,韓藝.動態背景下運動車輛的檢測與跟蹤研究[J].移動通信,2015(11):80-85.

[8] Weina L, Shuyao T, Lihong Z, et al. Preceding vehicle detecting and tracking for intelligent vehicles[C]// Industrial and Information Systems (IIS),2010 2nd International Conference on. IEEE,2010:306-309.

Preceding vehicle detection and tracking algorithm based on modified grey model

CHEN Geheng, PAN Xiaoxu*, YANG Lin, HU Minghui

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

Based on improved GM(1,1) model, the hypothesis vehicle region is self-adjustably defined according to the feature of the shadow underneath a vehicle, and then the region is verified with edge symmetry and texture feature constraints to eliminate the false target. With the modified GM(1,1) algorithm is used to predict the next frame of the target position, and the results show that it is feasible for front vehicle detection and tracking.

front vehicle detection; tracking; GM(1,1).

10.15923/j.cnki.cn22-1382/t.2017.1.07

2016-07-17

教育部“春暉計劃”基金資助項目(403-004077003)

陳戈珩(1961-)，女，漢族，吉林長春人，長春工業大學教授，主要從事數字信號處理及應用方向研究,E-mail:chengeheng@ccut.edu.cn. *通訊作者：潘曉旭(1989-)，女，蒙古族，遼寧凌源人，長春工業大學碩士研究生，主要從事數字信號處理及應用方向研究,E-mail:568308233@qq.com.

TP 391

A

1674-1374(2017)01-0038-05