多3D表觀特征級(jí)聯(lián)Adaboost夜間檢測車輛方法

摘要：夜間場景光線較暗，車輛整體外觀特征不顯著，使得夜間視頻車輛檢測成為一大難點(diǎn)。夜間能使用的最為顯著的特征就是車燈。如車燈的亮度、圓形度、面積、車燈之間的間距，距離地面的垂直間距、車燈對(duì)之間的紋理、車燈的對(duì)稱性等，將它們結(jié)合自適應(yīng)增強(qiáng)方法（AdaBoost）用于間車輛檢測，能同時(shí)獲得高檢測率和低誤檢率。

關(guān)鍵詞：表觀特征；車燈對(duì)；AdaBoost；車輛檢測

1 特征選取

車頭燈對(duì)在夜晚可以捕獲的表觀特征有亮度、紋理、幾何形狀、面積和對(duì)稱性等，這些特征分屬于高層特征或低層特征。基于檢測的精確度來看，利用高層特征分割圖像的方法得到的分割實(shí)驗(yàn)結(jié)果比較粗糙。而基于低層特征（例如顏色、紋理、亮度等特征）的分割算法得到的分割結(jié)果效果良好，精度滿足要求。但是僅取低層特征在夜晚受到光線的影響無法保證一定精度的車輛檢測，所以，本文考慮將低層和高層特征相結(jié)合，選用一些在3D空間具有強(qiáng)分辨力的表觀特征作為AdaBoost分類器的訓(xùn)練特征。有對(duì)稱特征、形狀特征、幾何尺寸和LBP紋理等。具體本文先選擇車燈亮度、面積、周長和圓形度這四個(gè)簡單特征初步完成車燈的檢測，然后基于車燈間距和距離地面的高度符合的GMM、對(duì)稱SURF和LBP特征完成車燈的配對(duì)，定位出車輛目標(biāo)。

2 Adaboost單分類器訓(xùn)練

本文既為保證夜間車輛不被漏檢，又要保證目標(biāo)沒被誤檢，對(duì)單特征AdaBoost分類器訓(xùn)練規(guī)則做了改進(jìn)，使得最優(yōu)閾值T*不僅要滿足式（1）定義的目標(biāo)最小分類誤差準(zhǔn)則，還需滿足式（2）定義的正樣本正確分類最大準(zhǔn)則。改進(jìn)后的的單特征AdaBoost分類器訓(xùn)練算法見下：

（1）計(jì)算出N個(gè)訓(xùn)練樣本的特征值，記為Fk（xi），i=1，…，N。

（2）按從小到大對(duì)特征值進(jìn)行排序，生成特征增值表。

（3）計(jì)算特征增值表中前i（1≤i≤N）個(gè)元素的正樣本權(quán)重和與負(fù)樣本權(quán)重和，分別記為E+i和E-i。

（4）計(jì)算全部正樣本的權(quán)重和與負(fù)樣本權(quán)重和，分別記為B+和B-。

（5）設(shè)閾值Ti為前i（1≤i≤N）個(gè)元素的特征值平均數(shù)。

ei=min（E+i+（B--E-i），E-i+（B+-E+i））（1）

D+i=max（B+-E+iB+，E+iB+）i=1，2，…，N（2）

（6）尋找D+i≥99%的情況下使得ei最小的閾值T*。

3 Adaboost分類器級(jí)聯(lián)

在車輛識(shí)別中，采用多個(gè)特征比單個(gè)特征能獲得更高的檢測率，但也會(huì)增加計(jì)算量。為達(dá)到最優(yōu)性能，本文提出對(duì)單特征分類器不僅僅是按照權(quán)重簡單疊加，按照不同特征的檢測綜合性能對(duì)分類器進(jìn)行了分級(jí)順序級(jí)聯(lián)。各分類器的檢測性能確定依賴于特征提取的復(fù)雜度和基于該特征的車輛正確檢測率決定。我們先按照簡單特征在前，復(fù)雜特征在后的原則將分類器分為兩級(jí)，這樣可以保證前一級(jí)分類器篩選掉的目標(biāo)不會(huì)再被后面的分類器繼續(xù)處理，從而降低提取復(fù)雜特征的目標(biāo)數(shù)量，縮短算法的響應(yīng)時(shí)間。然后，對(duì)同級(jí)分類器，檢測率大的分類器在前，檢測率小的在后，這樣可以準(zhǔn)確地排除干擾，提高車輛檢測精度。在車燈提取階段，本文選取亮度、面積、周長和圓形度這四個(gè)簡單特征聯(lián)合表征，最終的分類器優(yōu)先級(jí)順序按照上述分析應(yīng)該為亮度、周長、面積和圓形度。

在車燈配對(duì)階段，本文選取車燈間距和距離地面的高度GMM、LBP和SSURF這三個(gè)特征，其中SSURF特征相對(duì)簡單可靠，LBP和車燈間距和距離地面的高度GMM特征次子，所以前者優(yōu)先級(jí)高于后兩者。但是對(duì)于同級(jí)特征LBP和GMM，由實(shí)驗(yàn)可知，GMM針對(duì)車輛的正確檢測率相比LBP要高，所以GMM特征分類器的優(yōu)先級(jí)要高于LBP特征分類器。最終，在匹配階段，分類器的級(jí)聯(lián)順序應(yīng)該是SSURF、GMM和LBP特征。

依據(jù)上述表述的規(guī)則級(jí)聯(lián)的分類器能夠大幅度縮減車輛檢測響應(yīng)的時(shí)間，而且在保證高準(zhǔn)確檢測率的同時(shí)降低了錯(cuò)誤檢測率。

4 車輛檢測

車輛檢測基于Adoboost 分類器包括以下幾大關(guān)鍵步驟：

1）在每一幀提取到的逆投影圖中先用亮度特征分類器快速分割出亮塊區(qū)域。

2）對(duì)分割后的亮塊區(qū)域用漫水填充算法進(jìn)行位置標(biāo)記（即定位）。

3）用第一層車燈檢測器按照優(yōu)先級(jí)級(jí)聯(lián)順序計(jì)算出類車燈塊的響應(yīng)值（即分類器的輸出）進(jìn)行判斷，定位出車燈區(qū)域并標(biāo)記為Pi（1，2，…p），pi表示第i個(gè)車燈塊，其位置用其最小外接矩形（邊界框）的中心像素點(diǎn)坐標(biāo)Ci（mi，ni）表示。

4）對(duì)于相鄰車燈的配對(duì)，選擇自頂向下的搜索方法。當(dāng)搜索到第一個(gè)車燈目標(biāo)P1時(shí)，以其中心像素點(diǎn)C1（m1，n1）為起點(diǎn)，從左向右進(jìn)行動(dòng)態(tài)規(guī)劃掃描，掃描區(qū)域定義為右方上下最佳偏移為σc的范圍內(nèi)。

5）當(dāng)搜索到第t個(gè)目標(biāo)對(duì)象Pt時(shí)，提取車燈間距、距離地面的高度、對(duì)稱SURF和LBP特征輸入到第二層車燈對(duì)配對(duì)分類器，通過響應(yīng)輸出Yt確定此配對(duì)部件是否屬于同一車輛，進(jìn)而完成車輛檢測。

5 結(jié)語

面對(duì)夜間車輛檢測這一難題，提出借助夜間車燈顯著特征對(duì)Adaboost模型進(jìn)行構(gòu)造，實(shí)驗(yàn)結(jié)果驗(yàn)證運(yùn)用多空間3D表觀特征級(jí)聯(lián)Adaboost分類器，通過分級(jí)按順序級(jí)聯(lián)亮度、車頭燈水平對(duì)稱性、車燈間距，距路面的高度和車燈區(qū)域LBP紋理等特征完成車輛的檢測，平均準(zhǔn)確度達(dá)到了96.03%，且實(shí)時(shí)性較好。

參考文獻(xiàn)：

[1]杜悅，陳國慶.一種根據(jù)車牌識(shí)別判斷車型的方法，CN 102184393 A[P].2011.

[2]李文波，王立研.一種基于Adaboost算法的車輛檢測方法[J].長春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，32（2）：292295.

[3]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(xué)學(xué)報(bào)（工學(xué)版），2014，44（6）：16041608.

[4]王相海，秦鉅鰲，方玲玲.基于感興趣區(qū)域AdaBoost分類器的視頻車輛檢測研究[J].遼寧師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2014（1）：5262.

基金項(xiàng)目：西藏科技廳自然科學(xué)基金項(xiàng)目：XZ2017ZRG53（Z）

作者簡介：宋俊芳 （1984），女，講師，主要研究方向：計(jì)算機(jī)視覺、圖像處理和智能交通。