一種基于類Haar特征和AdaBoost算法的前車檢測方法

余小角，郭 景，徐 凱，王 娜

(中國科學技術大學 信息科學技術學院，安徽 合肥 230026)

?

一種基于類Haar特征和AdaBoost算法的前車檢測方法

余小角，郭 景，徐 凱，王 娜

(中國科學技術大學 信息科學技術學院，安徽 合肥 230026)

針對智能車輛和安全駕駛輔助系統中車輛檢測問題，提出一種基于類Haar特征和AdaBoost分類器并結合車輛灰度對稱性驗證的前車檢測方法。使用積分圖方法計算圖像類Haar特征，并對提取的海量類Haar特征應用AdaBoost算法進行特征選擇及分類器訓練，最后使用所選擇的特征及分類器進行測試。實驗結果表明，該方法在陰天和晴天情況下檢測率分別為90.86%、91.15%，可以快速、有效地進行前車檢測。

前車檢測；類Haar特征；積分圖；AdaBoost算法

0 引言

車輛安全是現代社會關注的焦點，在所有交通事故中，車輛追尾事故占很大比例[1]。對前方車輛有效檢測是碰撞預防的前提，成為車輛安全系統研究的重點。為采集道路信息，系統傳感器有毫米波雷達、激光雷達、紅外線和視覺傳感器[1]等。視覺傳感器因價格低廉、不干擾環境、獲取信息豐富且可供取證分析等優勢，成為目前車輛安全系統研究的熱點。

基于視覺的車輛檢測方法有基于特征、運動、模型和機器學習等幾類[1]。特征法利用車輛對稱性、車底陰影、邊緣等特征，因單一特征不穩定，通常融合多特征以提高檢測率；基于運動有幀差、背景相減、光流法等。幀差[2]和背景相減法適用于視頻監控系統，在道路動態環境下應用受限；光流法[1]對噪聲敏感且計算量大；模型法需建立模板與檢測圖像匹配，模板依賴性強；機器學習方法從數據中提取規則或模式，魯棒性強。文獻[3-4]利用PCA進行特征提取并用SVM、神經網絡分類器進行車輛檢測，運算量大，對車載硬件要求高。

鑒于此，受Paul Viola等人[6]在快速人臉檢測領域工作啟發，本文提出一種基于類Haar特征和AdaBoost分類器進行車輛檢測并結合車輛對稱性驗證的前車檢測算法，實現了結構化道路對前方車輛的快速、有效檢測。

1 算法結構

前車檢測算法包括訓練過程和檢測驗證過程。訓練過程從海量類Haar特征中選取關鍵特征，構造用于兩類分類問題的AdaBoost強分類器。檢測部分首先對測試樣本提取關鍵類Haar特征，將特征值輸入AdaBoost進行車輛存在性檢測，接著對檢測到的車輛進行驗證。算法結構如圖1所示，以下分別對其進行介紹。

圖1 前車檢測算法流程

2 相關工作

2.1 圖像采集和預處理

訓練樣本采集于不同時間和場景下的車輛、非車輛照片，包括高速公路、城市道路、校園環境等。正樣本選擇不同車型、角度和距離的車輛頭尾部圖片，負樣本選擇駕駛環境下的非車輛圖片。共收集15 000張訓練樣本，其中5 000張車輛樣本，10 000張非車輛樣本。對所有樣本進行圖像灰度化處理，尺寸歸一化為24×24，部分樣本如圖2所示。

圖2 訓練樣本示例

2.2 類Haar特征與積分圖計算

類Haar特征[2,5-7]由Papageorgiou等首先提出，Viola等人[6]將其應用于人臉檢測，它描述相鄰矩形區域間的灰度差，是一種簡單有效的特征。車輛的頭尾部存在明顯的矩形特征，如圖2(a)中所示，車牌、尾燈、車后玻璃呈矩形塊狀，灰度值與周圍有明顯差異。本文采用5種特征模板，如圖3所示，特征值用白色區域與灰色區域像素和之差計算。

圖3 類Haar特征模板

算法選用的24×24灰度圖包含不同位置、大小特征數遠超其像素點數，若每次計算特征值都重新計算各矩形區域像素和，將包含大量冗余計算，降低訓練和檢測速度，不能滿足檢測系統高實時性要求。為快速有效地計算類Haar特征，算法采用圖像的一種中間表示形式——積分圖像。積分圖是一種二維數組結構，可實現子區域的快速求和。利用積分圖可在常數時間內計算圖像上任意矩形區域像素和，從而快速求得特征值，如圖4所示。

圖4 積分圖計算

點(x,y)處像素值記為i(x,y)，積分圖像值為該點左上角區域像素和，記為ii(x,y)。對圖像遍歷一次即可快速求出積分圖。

(1)

借助積分圖，可快速計算出類Haar特征值，如圖4所示。圖中點1處值表示區域A的灰度值，記為ii1，點2處值表示區域A和B的灰度和，記為ii2，同理，點3、點4處的積分圖值分別為ii3、ii4，矩形區域D灰度值為(ii4+ii1)-(ii2+ii3)。

2.3 AdaBoost分類器訓練

AdaBoost算法是Freund和Schapire[1,6]提出的一種自適應boosting算法框架[8]，在訓練過程中動態地調整樣本權值，對難分類樣本給予更多重視。初始化時，對同類訓練樣本賦予相同權重，然后對訓練樣本集進行T輪訓練。每輪結束后，降低正確分類樣本權重，提高錯誤分類樣本權重，使下輪訓練過程對錯分樣本加以重視，最終達到所要求的分類性能。T輪訓練后獲得T個最佳弱分類器，將其加權組合成強分類器，分類效果較好的弱分類器的權重較大。

給定樣本集S，算法如下：

(1)初始化訓練數據的權值分布，每一個訓練樣本被賦予權重1/N。

D1=(w11,w12,w13,…w1i…,w1N),w1i=1/N,i=1,2,3,…,N

(2)

(2)進行多輪迭代，m=1,2,3,…,M表示輪次

①使用具有權值分布Dm的訓練數據集學習，得到基本分類器：

Gm(x):x→{-1,+1}

(3)

②計算Gm(x)在訓練數據集上的分類誤差率:

(4)

Gm(x)在訓練數據集上的誤差率em計算為被Gm(x)誤分類樣本權值和。

③計算Gm(x)的系數，αm表示Gm(x)在最終分類器中的權重:

(5)

由上式可知，em≤1/2時，αm≥0，且αm隨em減小而增大，分類誤差率越小的基本分類器在最終分類器中的作用越大。

④更新訓練數據集權值分布，得到新的樣本權值分布，用于下一輪迭代

Dm+1=(wm+1,1,wm+1,2,…wm+1,i…,wm+1,N)

(6)

(7)

被基本分類器Gm(x)誤分類樣本的權值增大，被正確分類樣本的權值減小。通過這種方式，算法能聚焦于那些難分樣本。Zm是規范化因子，如下式：

悠悠揚揚：曾經很長的時間，我覺得如果沒有一個愛自己的人，真的很悲慘。所有生活的樂趣都沒有了。覺得很害怕，很孤獨。一個人太凄慘了。每當這個時候，就覺得世界很黑暗。甚至生活沒有了任何意義。自己會陷入一種非常難受的情緒里。

(8)

(3)組合各弱分類器

(9)

得到最終強分類器，如下：

(10)

2.4 車輛檢測與驗證

車輛檢測過程包括圖像預處理、類Haar特征提取、積分圖計算及應用AdaBoost進行分類識別等。使用訓練過程選擇的類Haar特征來計算相應特征值，構成特征向量。

表2 實驗結果數據統計

AdaBoost分類器利用所得到的特征向量檢測車輛是否存在，并確定車輛在圖像中的位置。車輛尾部、頭部存在對稱特征，如灰度對稱性、輪廓對稱性，而非車輛區域通常不具有這種對稱性。對檢測出車輛的位置進行局部輪廓檢測，兩側輪廓間距W，找出垂直對稱軸，在對稱軸兩側0.3 W像素范圍內進行灰度對稱性檢測。驗證時，為了提高實時性，對圖像進行抽樣檢測。圖5(a)、(c)中實線為抽樣行，灰度值如圖5(b)、(d)所示。

圖5 車輛頭尾部灰度對稱性

3 實驗及結果分析

實驗在PC上完成(CPU Intel i7-3770, 3.40 GHz, 內存8 GB )，軟件平臺為Windows7 64位系統、VS2010和OpenCV2.4.9搭建的C++開發環境，結合VS2010與OpenCV訓練了AdaBoost分類器。采用車載攝像機拍攝的道路行車視頻，分別在晴天、陰天條件下進行前車檢測測試。評價指標如表1所示，有檢測率(Detection Rate, DR)、假正率(False Positive Rate, FPR)和平均處理時間。其中，TP、FP、TN、FN分別表示正確檢測車輛數、將非車輛檢測為車輛數、正確檢測的非車輛數和將車輛誤檢為非車輛的數目。由于前車是檢測目標且TN量難以計數，實驗僅對TP、FP和FN加以統計，數據如表2所示，檢測實驗結果如圖6、圖7所示。結果表明，本文提出的前車檢測算法檢測率較好、假正率低，平均檢測時間分別為13.36 ms/幀和28.50 ms/幀，滿足高速駕駛實時性要求，不同環境下的測試結果也顯示該算法具有良好的魯棒性。

表1 實驗評價指標

(11)

(12)

4 結論

本文提出一種基于Haar特征和AdaBoost分類器并結合車輛頭尾部灰度對稱性的前車檢測方法。提取類Haar特征時積分圖的使用有效提高了訓練和檢測速度，加入車輛灰度對稱性驗證顯著降低了假正率。實驗結果顯示該方法可以快速、有效地進行前車檢測。后續工作包括算法調試和實驗測試，并將其集成到實驗室開發的車輛主動安全軟件項目中去。

[1] 金立生, 王巖, 劉景華, 等. 基于 Adaboost 算法的日間前方車輛檢測[J]. 吉林大學學報(工學版), 2014,44(6): 1604-1608.

[2] 劉洋, 王海暉, 向云露, 等. 基于改進的 Adaboost 算法和幀差法的車輛檢測方法[J]. 華中科技大學學報 (自然科學版), 2013,41(S1):379-382.

[3] SIDLA O, PALETTA L, LYPETSKYY Y, et al. Vehicle recognition for highway lane survey[C]. Intelligent Transportation Systems. Proceedings of the 7th International IEEE Conference on. IEEE, 2004: 531-536.

[4] MATTHEWS N D, AN P E, CHARNLEY D, et al. Vehicle detection and recognition in greyscale imagery[J]. Control Engineering Practice, 1996, 4(4): 473-479.

[5] 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.

[6] VIOLA P, JONES M. Rapid object detection using a boosted cascade of simple features[C]. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, IEEE, 2001.

[7] 李云翀, 何克忠, 賈培發. 基于陰影特征和 Adaboost 的前向車輛檢測系統[J]. 清華大學學報(自然科學版), 2007, 47(10): 1713-1716.

[8] 李航. 統計學習方法[M]. 北京：清華大學出版社, 2012.

An approach of front vehicle detection based on Haar-like features and AdaBoost algorithm

Yu Xiaojiao, Guo Jing, Xu Kai, Wang Na

(School of Information Science and Technology, University of Science and Technology of China, Hefei 230026, China)

For the problem of vehicle detection in intelligent vehicles and safety driving assist systems, an approach of front vehicle detection based on Haar-like features and AdaBoost classifier combined with vehicle verification using symmetrical gray values is proposed in this paper. Haar-like features of the image is calculated using the integral image method, then a small number of critical features are selected from a very large set of Haar-like features while training AdaBoost classifier. Both the selected features and the classifier are used in front vehicle detection tests. Experimental results show that the proposed approach performed quickly and effectively under cloudy and sunny weather conditions with detection rates of 90.86% and 91.15% respectively.

front vehicle detection; Haar-like feature; integral image; AdaBoost algorithm

TP311

A

10.19358/j.issn.1674- 7720.2017.13.008

余小角，郭景，徐凱，等.一種基于類Haar特征和AdaBoost算法的前車檢測方法[J].微型機與應用，2017,36(13)：22-25.

2017-02-13)

余小角(1990-)，通信作者，男，碩士研究生，主要研究方向：智能信息處理。E-mail: xjyu@mail.ustc.edu.cn。

郭景(1992-)，男，碩士研究生，主要研究方向：智能信息處理。

徐凱(1991-)，女，碩士研究生，主要研究方向：圖像處理。