基于水平特征的車輛檢測與跟蹤

邢艷云,于波

(1.天津職業技術師范大學汽車與交通學院,天津 300222；2.中國汽車技術研究中心汽車工程研究院，天津 300162)

0 引言

近年來智能交通系統飛速發展，駕駛輔助系統得到越來越多的汽車生產廠家的重視，而車輛檢測作為智能交通系統和駕駛輔助系統的重要組成部分，也一直是一個熱門的研究領域。目前車輛目標的檢測算法根據是否存在運動信息分為兩類：(1)利用車輛的運動信息進行檢測，如背景差分法[1]、幀間差分法[2]、光流法[3]等。該類方法能夠在簡單理想的情況下獲得較好的檢測效果，但過于依賴車輛的運動信息，當失去車輛的運動信息或車輛靜止時車輛檢測效果很不理想;(2)檢測方法則不依賴于車輛的運動信息，這類方法一般從車輛本身的特征著手，根據所用特征的不同又可以分為基于顏色、陰影和紋理特性的方法[4-6],基于建模和模板匹配的方法[5]和基于統計和機器學習的方法[7-8〗?；陬伾图y理特征的檢測方法研究的是車輛與非車輛在顏色與紋理的差異，從而實現車輛的檢測，該方法的特點是對特征明顯的車輛能夠實現較好的檢測，但對于與地面顏色和紋理接近的車輛容易漏檢;基于建模和模板匹配的檢測方法的特點是需要建立車輛模型，然后將測試圖片與模型進行匹配，從而得到目標車輛，該方法對模型的要求較高，當測試圖片與模型不一致時，容易受到噪聲的干擾;基于統計和機器學習的方法是采用統計分析的思想，該方法通過提取適合車輛檢測的特征，利用神經網絡、支持向量機等方法進行學習檢測，識別準確度高，但需要大量樣本進行分類器學習，并且不同分類器間性能也有差異，計算量較大。本文作者通過學習以上方法提出了基于水平特征的車輛檢測算法，該方法不依賴于車輛的運動信息，能夠快速地實現車輛目標檢測。

1 圖像預處理與圖像分割

1.1 圖像濾波

為了防止圖片中噪聲對識別的影響，首先對圖片利用加權平均濾波算法進行濾波處理，濾波算法的算子為

(1)

1.2 利用Sobel算子進行邊緣檢測

圖像濾波后對圖像進行邊緣檢測[9]，由于Sobel算法是一種較成熟的微分邊緣檢測算法，該算法計算簡單，且能產生較好的檢測效果，對噪聲具有平滑作用，可以提供較為精確的邊緣方向信息。Sobel算子是一階導數的邊緣檢測算子，使用兩個方向算子(垂直算子和水平算子)，對圖像進行卷積運算，得到兩個矩陣，再求這兩個矩陣對應位置的兩個數的均方根，得到一個新的矩陣，即為灰度圖像矩陣中各個像素點的梯度值。

在算法實現過程中，通過3×3模板作為核與圖像中的每個像素點做卷積和運算，然后選取合適的閾值以提取邊緣。Sobel算子水平方向和垂直方向的卷積模板如下:

(2)

(3)

文中利用車輛的水平特征對車輛進行檢測，因此檢測邊緣時僅利用水平方向的Sobel算子對圖像進行了橫向的邊緣檢測，對圖1的水平邊緣檢測結果如圖2所示。

圖1 圖像原圖

圖2 水平Sobel算子邊緣檢測結果

1.3 自適應的圖像分割算法

圖像分割是指將圖像分成各具特性的區域并提取出目標的技術和過程，在圖像分割的基礎上才能對目標進行特征提取和參數測量，因此，它是圖像處理到圖像分析的關鍵步驟。文中采用了自適應的圖像分割算法——OTSU算法，OTSU算法又稱為最大類間方差法，利用該方法對普通圖像進行分割時，可以獲得良好的分割效果，其閾值的計算方法[10-11]如下：

首先計算直方圖并歸一化，可以得到圖像灰度級1～M，第i級像素ni個，總像素數為N，則第i級灰度出現的概率為

Pi=ni/N

(4)

計算圖像的灰度均值為

(5)

計算直方圖的零階Wi和一級矩μi

(6)

w1=1-w[k]

(7)

(8)

對一級矩做以下處理：

μ0=μ[k]/w[k]

(9)

μ1=[μ-μ[k]]/[1-w[k]]

(10)

計算并找到最大的類間方差對應此最大方差的灰度值即為要找的閾值，類間方差公式如下：

σ2[k]=w0(μ-μ0)2+w1(μ-μ1)2

(11)

即σ2[k]=[μ·w[k]-μ[k]]2/{w[k]·[1-w[k]]}

(12)

其中k從1～M變化，類間方差最大的k即為所求的最佳門限值。

利用最大類間方差法對圖像進行圖像分割，分割結果如圖3所示。

圖3 利用最大類間方差法的圖像分割結果

2 基于水平特征的車輛檢測

2.1 基于水平特征的感興趣區域提取

由于車體的水平邊緣數量較多，且比較規則，故水平邊緣特征是表現車輛的一個很好特征。由于圖像中的車輛信息一般都會靠近圖片中間或中間偏下的位置，而圖像的上部通常是背景區域，因此，選取圖像的下面2/3作為車輛的檢測區域。對分割后的圖像計算出檢測區域內各列的白色像素點個數，即統計感興趣區域內每列的邊緣像素點個數，并畫出水平邊緣的列直方圖，如圖4所示，其中直方圖的級數等于感興趣區域的寬度，每級的bin值即為對應列的邊緣像素點個數。

圖4 圖像的水平邊緣列直方圖

為了準確地定位出車輛區域，利用中值濾波對水平邊緣的列直方圖進行了濾波處理。通過分析多個車輛的水平特征，結合公式(13)得到一個閾值ThreVorHis：

(13)

式中：N是圖像檢測區域的列寬，ni是每列的水平邊緣像素數。

由于車輛的水平邊緣一般都是連續的，因此將連續大于閾值的區域定為可能的車輛區域，并計算出連續區域的寬度，即為可能的車輛寬度。通過該方法將得到的感興趣區域在直方圖上畫出來，如圖5所示。

圖5 圖像濾波后的感興趣區域

2.2 基于水平特征的感興趣區域內車輛檢測

從圖5中標記的感興趣區域可知，圖(a)和圖(b)均有兩個感興趣區域，對應于原圖1和原圖2可知，圖像1中有兩輛汽車，而圖像2中僅有一輛汽車，在圖像2中標記的感興趣2之所以被標記為感興趣區域是因為在分割后的圖片右下方有一白色區域，因其列上的目標像素數與車輛的邊緣像素數接近，且其寬度與定義的圖像中車輛寬度相當，故被誤認為是車輛。為了確定感興趣區域內目標的真偽，也為了確定感興趣區域內真實目標車輛的上下邊界，需要利用車輛的水平邊緣特征做進一步的確認，確認方法如下：

(1)找出每一個感興趣區域的左邊界和右邊界，即找出感興趣區域邊界對應的圖像矩陣對應的列；

(2)對每一個感興趣區域內的目標像素做行灰度直方圖；

(3)對做出的行灰度直方圖進行邊緣分析，由于車輛的水平邊緣一般是連續的，像素數比較集中，而且車輛的水平邊緣較多，相鄰兩個水平邊緣直接的距離較近，上下邊緣之間有多條水平邊緣，上下邊緣距離又與車體的寬度相當，即與感興趣區域的寬度相當，通過上述特征判定感興趣區域內是否有車輛存在。

利用上述方法在存在車輛的行直方圖中標記車輛的橫向位置，標記結果如圖6和圖7所示。

圖6 圖像1兩個感興趣區域的行灰度直方圖與檢測的車輛位置

圖7 圖像2兩個感興趣區域的行灰度直方圖與檢測的車輛位置

由圖6和圖7可知，圖5(a)檢測的圖像1的兩個感興趣區域內各有一輛車輛，而圖5(b)的圖像2中僅第一個感興趣區域檢測到了車輛，第二個感興趣區域沒有符合車輛水平特征的車輛，即用列直方圖檢測的感興趣區域內是假目標。由圖6與圖7的行灰度直方圖可知，有目標的3個感興趣區域有一定的寬度，且水平線直接有多個間隔，而圖7(b)雖然行灰度直方圖有一定的寬度，但是像素不是特別連續，而且水平線之間間隔太少甚至沒有間隔，因此，認為該區域不是真目標。在原圖上標識出車輛位置如圖8所示。

圖8 原圖上標識出車輛位置

由圖8(a)可知，利用車輛的水平特征在環境復雜的圖像中也可以準確地檢測出車輛的位置，而圖8(b)中的偽目標也被有效地剔除。另外，該方法對貨車的檢測也是有效的，如圖9所示。

圖9 基于車輛水平邊緣的貨車檢測結果

3 車輛的跟蹤算法

跟蹤算法本質上也是車輛檢測算法，由于視頻數據的幀率為29.97 Hz，車輛在兩幀時間的方位變化不會太大，因此在檢測當前圖像中的車輛位置時利用上次車輛檢測結果來限定檢測過程中搜索區域，即根據上次檢測出的車輛位置信息動態調整感興趣區域的大小，從而大幅減小搜索區域，提高系統檢測的實時性。

3.1 感興趣區域的建立

在車輛圖像中，除路邊的干擾信息外，路面上的大部分信息對車輛的檢測也是不需要的。真正有效的區域，即感興趣區域，實際上只集中在車輛附近一個很小的區域內。為了提高系統檢測的實時性，文中采用了限定感興趣區域法，即把離目標車輛很遠，明顯對檢測沒有意義的區域直接剔除，不對其做任何計算與處理，從而可以節省大量的計算時間，明顯提高系統的實時性。如圖10所示，圖10(a)為檢測車輛的區域，圖10(b)即為建立的感興趣區域，從圖10(b)可以看出，限定感興趣區域的圖像區域占整個圖像的比例很小，因此，可以有效地提高計算速度，進而大幅提高車輛檢測的實時性。

圖10 當前幀的車輛檢測結果與其對應的感興趣區域

3.2 算法失效后的恢復

限定感興趣區域法在測試中表現出較好的效果，但當受到嚴重干擾如目標車輛被橫向穿越的行人等遮擋很嚴重的情況下，算法會產生較大誤差甚至失效，在本車或前方車輛換道或者轉彎時，算法也會產生較大誤差或暫時失效。實際應用中，為保證車輛檢測在出現較大誤差或失效時能及時恢復正確識別，應首先檢測算法是否失效，以便啟動車輛重新檢測模塊。具體判定算法失效的方法如下：

在當前幀感興趣區域內沒有檢測到目標，下一幀的感興趣區域會適當擴大檢測范圍，即將感興趣區域擴大，當連續5次未檢測到車輛，即認為算法失效。此時需重新啟動初始檢測算法，即重新在整幀圖像中檢測目標車輛，重新限定感興趣區域，從而恢復車輛的正確跟蹤。

3.3 車輛的跟蹤

實時跟蹤車輛的實驗是車輛行駛狀態下利用行車記錄儀錄制某一國道上車輛行駛的視頻，車輛車速為60 km/h，視頻長度為10 min，由于轉彎等問題導致的失效共重啟算法3次。截取部分跟蹤效果圖如圖11所示，每間隔20幀截圖一次。

圖11 車輛跟蹤的截圖

由圖11可知，該方法能夠有效地對車輛進行跟蹤，只有當前方車輛離當前車輛距離較遠時，如圖中的最后一幅圖，才會失去跟蹤目標，此時如果在擴大的感興趣區域內連續5幀沒有檢測到車輛信息，則認定算法失效，系統會重新啟動車輛檢測算法，在整幅圖像進行檢測，直到重新檢測到車輛。

4 結論

對圖像首先進行濾波處理，去除部分噪聲，并利用Sobel算子的水平算子對圖像的水平邊緣進行增強處理，利用最大類間方差法對邊緣增強后的圖像進行圖像分割；然后根據車輛的水平特征利用車輛的列直方圖和行直方圖對車輛進行檢測，檢測結果良好，對復雜環境下的車輛也能有效地識別，且對貨車的識別效果良好；最后，利用限定感興趣區域法對車輛進行跟蹤，通過實驗驗證，跟蹤方法有效。