基于快速檢測和AdaBoost的車輛檢測

何松華，章 陽

(湖南大學 信息科學與工程學院，湖南 長沙 410082)

0 引 言

激光雷達車輛目標檢測的方法可大致分為兩類：基于目標高程濾波的方法[1-4]和基于學習分類的目標檢測算法[5-12]。基于目標高程濾波的方法在于設法擬合地面點，然后將地面點剔除來獲取感興趣的區域。Liu R等[1,2]基于知識的道路提取將道路特征與相關理論相結合，實現對道路的提取。文獻[3]針對車輛目標開展相關研究，對觀測數據的要求較低，能適應多種條件下的觀測數據。Yu等[4]提出一種基于塊的地面清除方法實現對樹的提取。但這些方法缺乏有效的面向對象描述符來模擬點云對象的全部特征，存在較多虛警。

基于學習分類的算法以分類器算法加上特征提取為主要模式。以AdaBoost檢測算法最具有代表性，文獻[5]介紹了一種利用級聯AdaBoost分類器進行車輛檢測的方法。文獻[6]提出基于Haar-like和MB-LBP特征的AdaBoost分類器分區域的方法實現了對車輛的檢測。此外，特征值的提取方向梯度直方圖(HOG[7])特征在行人識別方面有很好的效果。局部二值模式(LBP)特征計算量少，但是檢測準確率低于Harr-like[8]。Harr-like特征適合檢測水平、垂直、邊緣對稱的物體，因此廣泛應用于車輛檢測[9-11]。

鑒于兩種方法的特點，本文先依據目標高程進行快速濾波分離地面點和非地面點，在此基礎上進行特定高程的選通以及目標幾何尺寸區域的篩選，對非地面點進行分類和聚類，實現對ROI的檢測。最后，將訓練好的AdaBoost分類器對ROI進行復核，實現對目標物體的檢測。

1 快速高程濾波

1.1 局部區域曲面擬合

在足夠小的局部，高程特征可以作為一種強特征來對地面點與非地面點進行分類。局部擬合是指對整個場景點云進行局部區域劃分，在每一個區域上進行曲面擬合，從而逼近真實的地形，曲面擬合的效果如圖1所示。

圖1 原始場景圖和曲面擬合對比

實驗中，局部劃分是在XY平面進行的。假設X、Y軸的最大最小值分別為xmax,xmin和ymax,ymin，設定區域大小長寬都為1，則柵格數目(xnum,ynum)為

(1)

(2)

Zi=f(Xi,Yi)=a0+a1Xi+a2Yi

(3)

(4)

1.2 感興趣區域(ROI)的聚類分析

直接采用學習分類方法，存在數據量過大，特征提取方法復雜計算量大的問題。本文采取ROI檢測策略對非地面點進行分類和聚類，實現對ROI的檢測。聚類思想簡單來說就是將相似的歸為一類，不相似的作為另外一類，而這種相似度通常用距離來度量。本文采用歐氏距離來進行度量

(5)

(2)計算X2到Z1的距離d21，若d21

2 AdaBoost學習算法目標檢測

經過點云ROI檢測，對于復雜場景可以有效的實現對其中包含典型地面目標的ROI進行檢測。但這些ROI中仍存在一定的虛警，如場景中某些植被高度與目標接近等情況，則難以通過ROI檢測來判定。為解決上述問題，使用一種改進的基于AdaBoost的三維目標檢測算法，該算法采用旋轉模型的方法解決了三維Harr特征對旋轉敏感的問題[13]，然后根據虛警的分布特點濾除被分類器誤判的區域，最終實現目標檢測。AdaBoost算法流程如圖2所示。

圖2 AdaBoost算法流程

2.1 Harr-like特征值

采用目標模型在多個偏航角下成像得到的點云作為正樣本，模型每次在偏航方向上旋轉15°，共旋轉24次。其次，增大檢測框，使得檢測框能完全框住任意角度下的目標，負樣本則采用檢測遍歷框遍歷沒有目標物體的場景。分別對正負樣本進行體素化并提取特征值用于分類器的訓練。

Zhu Zhiming等[9]證明Harr-like特征適合檢測水平、垂直、邊緣對稱的物體。實驗中采用積分圖[13]的思想快速計算3D Harr-like特征值，特征值為白色矩形像素和減去黑色矩形像素和。設Aijk是積分圖在 (i,j,k) 處的灰度值，如圖3(a)所示，則任一體素的灰度值H為

H=A111-A110-A101-A011+A100+A010+A001-A000

(6)

圖3 3D Harr-like特征

2.2 訓練AdaBoost分類器

輸入訓練數據集包括X樣本x1,x2,…,xn、每個樣本對應的m個特征值f1,f2,…,fm，以及每個樣本所屬的類別標識yi=1 (正樣本)或者0(負樣本)，限定的訓練輪數T。 假設正樣本總數為P，負樣本總數為N。

(2)循環次數限定為T，t從1到T依次遞增；

2)獲取每次迭代所得的弱分類器Ci，計算對應的分類錯誤率。εt=∑ωt*I[Ci(xt)≠yk]。

其中

(7)

3)尋找最佳弱分類器Ci(x)，該分類器應滿足錯誤率為

εt=min∑ωt*I[Ct(xi)≠yi]

(8)

4)計算該分類器的權重αt=log(1-εt)/εt，更新權值ωt+1,i=ωt,iβt1-ei。 其中ei=0表示樣本被正確地分類，ei=1表示被錯誤地分類，βt=εt/1-εt。

(3)最終得到T個不同的弱分類器及其對應的權重，最終的強分類器為

(9)

3 實驗結果

3.1 仿真數據測試

實驗采用512*512分辨率的面陣式激光成像仿真數據，實驗場景為復雜地形下對車輛的檢測，目標小汽車和卡車的尺寸長寬高分別為(5.0m,2.0m,1.5m)和(6.2m,2.3m,2.7m)。對比D Kong等[14]提出的對結構化道路中車輛目標識別，本文提出的算法更加適應崎嶇地面且遮擋率高的場景。選取其中一種場景進行對比分析，該場景下的目標遮擋率約為66.7%。

如圖4的結果顯示，實驗場景(如圖4(a)所示)。圖4(b)為高程濾波后的顯示結果，可以看到經過濾波后得到的點云僅保留了目標物體以及與目標高程相近的少量植被，這些數據都被劃為感興趣區域(ROI)。可見采用高程濾波方法能利用簡單的高度信息快速過濾大量干擾點云，有利于接下來的目標檢測。

圖4 高程濾波ROI結果

圖5(a)是對ROI進行聚類目標檢測的結果，不僅包含了目標物體，也包含與目標物體高程相近的部分植被，可以看出簡單依據高程信息對目標進行聚類分析，檢測效果并不理想。圖5(b)為AdaBoost目標檢測算法對的ROI區域進行的檢測結果，其中目標被正確的檢測出來，有效地降低了目標檢測的虛警。由于在分類器訓練之初，正樣本涵蓋了目標各個姿態下的特征庫，目標在數據不完全情況下，仍能被有效檢測出來。

圖5 檢測結果對比

本文方法與文獻[14]方法對比結果見表1。

表1 算法有效性的比較

3.2 KITTI公共數據集

為了驗證結果的可靠性，另外采用目前國際上最大的自動駕駛場景下的公開數據集KITTI數據集，這些數據集是通過安裝在車頂上1.73 m處的Velodyne HDL-64E激光雷達得到的，本文采用其中的velodyne數據集中的公路真實場景，實驗結果如圖6所示(圖6左是攝像頭拍攝場景，右邊是對應的激光雷達三維點云圖的目標檢測結果)。實驗結果表明了本文提出的算法的有效性和可靠性。

圖6 KITTI數據集檢測結果

3.3 結果分析

AdaBoost分類器是由多個弱分類器組合成的強分類器，它能很好地判別出疑似目標物體，但是無法區別與目標物體特征值相近的假目標，會造成虛警。幸運的是，由于被分類器誤判的這些非目標點云僅僅是與目標的局部在特征上相似，因此這些虛警的分布總是離散的，其置信度在三維圖像中體現為一些孤立的灰度值較大的像素點。如圖7(a)所示為置信度構成的三維圖像的剖面圖，圖中樹干等非目標造成的虛警，置信度較大卻分布不連續與周圍的像素點的值相差較大，而相對的目標區域置信度較大且連續，根據這一特點，檢測結果也能很好地剔除虛警。實驗驗證采用AdaBoost復核檢測在目標遮擋率為50%的情況下，檢測概率也能將近90%，檢測概率隨遮擋率的變化圖如圖7(b)所示。

圖7 結果分析對比

4 結束語

本文提出一種針對復雜場景下對車輛檢測的算法，算法指出針對目標與背景存在一定的高程差時，可采用高程濾波方法對場景點云做數據的預處理，在數據預處理過程采用局部地面點擬合法分離地面點，而后利用聚類思想對感興趣區域進行分析。其次利用已經訓練好的AdaBoost分類器對ROI進行復核，從而檢測出目標物體，本文提出的方法可以有效地增加檢測的精確度。

由于在AdaBoost分類器訓練的過程中，正負樣本涵蓋的點云數量非常多，正負樣本特征提取涉及到的計算量非常大，而在線檢測階段在檢測框遍歷過程會占用一定的計算時間。由于不同樣本特征提取過程和遍歷框檢測過程都是獨立的，因此，下一步的工作可以采用并行計算的方式縮短時間，從而達到實時處理的要求。