基于機器學習的車輛檢測方法研究?

李春海 趙 波 涂 超

（上海工程技術大學 上海 201600）

1 引言

隨著經濟的不斷發展，生產力的不斷提高，我國汽車數量不斷增加。汽車方便人們出行，帶來極大便利的同時，也產生了很多交通問題，例如車輛碰撞、堵塞等［1］。汽車高級輔助安全駕駛系統（ADAS）可以很好地保證汽車的安全駕駛，因此，變得越來越重要，是近幾年國內外學者研究的熱門領域之一。對道路中行駛的車輛檢測研究，是近年來汽車智能駕駛領域越來越關注的領域。

運用機器視覺技術對道路中的目標車輛檢測，實現方式簡單，價格便宜，所以，廣泛應用在汽車智能駕駛領域中。通常采用的車輛檢測方法有三種方式：一種是通過提取目標車輛的某些特征來對車輛進行檢測，如任薇［2］采用高斯混合模型對車輛底部的陰影特征圖像進行聚類分析，然后通過模型中的均值和方差方法對車輛底部陰影特征進行自適應提取，對處理后的目標圖像進行濾波合并，識別出圖像中的目標車輛。該種方法計算量較少，所以實時性比較好，但是會受到光照的影響，魯棒性差等缺點。一種是采用事先設計好的模板和目標圖像匹配的方式，該方法一般是對檢測到的目標車輛圖像進行分塊提取其Hog特征值，然后賦予每個模塊一定的權值，如果該模塊和模板相關性比較大，則就可以采用該模塊的區域作為目標圖像，像李璟［3］運用了該方法。采用這種方式對目標車輛進行檢測，魯棒性相對較好。但是，模板匹配需要進行大量的計算；所以，該方法對目標的檢測實時性不高。一種是采用機器學習的方法。這種方法的優點是能夠對檢測目標有比較高的檢測精度，另外實時性也比較高。所以，有廣泛的學者對該種方法進行了深入的研究。如王蕾［4］對要檢測的目標車輛區域利用角點檢測算法搜尋，提取出目標圖像區域的射影不變量特征，然后利用訓練好的樸素貝葉斯分類器檢測到目標。該方法優點是能夠快速地檢測提取到目標對象，缺點是容易受到外界的多種干擾因素，造成檢測的準確率不是很高。

本文采用基于Haar-like特征+級聯AdaBoost算法對前方道路中車輛進行檢測，首先采用Haarlike模板對車輛特征進行提取，但是，在進行單幅圖像遍歷時就會產生大量的Haar-like矩形特征，導致計算量比較大，檢測速度下降。為了能夠快速得到目標特征，采用了積分圖像進行快速處理；為了能夠提高車輛的檢測精度，提出分區域多分類器檢測方法，通過車輛特征在不同區域中的視野差異性，把待檢測的車輛分為前方車輛、左斜側車輛、右斜側車輛；然后選擇不同特征的分類器分別訓練級聯分類器進行檢測。實驗結果表明，本文提出的方法準確率和實時性有了很大的提高。

2 Haar-like+級聯Adaboost算法

2.1 Haar-like特征

C.Papageorgiou等通過對haar小濾波器進行改善，得到Haar-like特征提取方法［5］。常用的Haarlike特征一般有中心特征、對角特征、線性特征和邊緣特征；對應地，用來提取圖像中的中心、對角、線性和邊緣信息。Haar-like特征模板由黑色和白色兩種矩形構成，該模板特征值表示圖像局部的灰度梯度，其通過計算黑色和白色矩形塊內的像素值和之差來得到［6］。因為車輛車身具有明顯的邊緣、線性特征；所以，可以采用Haar-like特征模板，對車輛特征進行提取。圖1為采用Haar-like特征模板對道路前方的車輛特征進行提取。

圖1 Haar-like特征提取

Haar-like特征模板由白色和黑色兩種矩形組成表示，該模板的特征值為白色矩形區域內像素之和與黑色矩形區域內像素之和作差得到，其模板大小可以有多種，也可以位于圖像中的任何位置。所以，矩形特征值由矩形模板的大小、類型和位于圖像中的位置這三個主要因素決定。而模板大小、類型和位置的變化，會使檢測圖像中含有很多該模板的矩形特征；如果每次都要對每個矩形區域特征值進行計算，這需要很大的計算量，這樣就會使檢測效率比較低。所以，本文采用積分圖［7］對Haar-like特征進行計算，只需對檢測圖像遍歷一遍就可以求出圖像中每個區域像素之和，大大提高了檢測速度。則積分圖如圖2所示，圖中點（x，y）左上角的所有像素之和由SAT（x，y）表示，該點的像素值用I（x，y）表示，SAT（x，y）可表示為式（1）所示。

圖2 積分圖示意圖

其中：

則任意矩形區域內的像素和一般都可由式（2）表示：

2.2 Adaboost級聯分類器

20世紀90年代，Yoav Freund和Robert Schapire提出了一種自適應強分類器Adaboost，它是基于Boosting算法的改進。傳統的Boosting算法一般是通過隨機選取弱分類器樣本來進行取值的提升，但是這樣的方式不能將弱分類器進行很準確的分類［8～9］。Adaboost算法利用前一個弱分類器的錯誤數據來訓練下一個弱分類器，這樣就可以降低準確分類器在之后的訓練中的權值；在此同時也提高了沒有分類的弱分類器的權值，實現了自適應分類；最后來通過這種迭代的方式來修改每個分類器的權值，來整合成一個強分類器［10～12］。它的具體算法步驟如下。

2）對正負樣本權值初始化，m，l分別為正、負樣本的數量：

3）每一個擴展的Haar-like矩陣特征j建立的弱分類器為

其中，x為目標特征窗口，f為特征值，p是用來調整不等號方向，θ是特征值的閾值。把所有的弱分類器進行T次迭代，對于t=1，2…T。

1）歸一化權值：

2）對每個特征弱分類器j，求得它的加權誤差：

3）選擇最小的加權誤差εt的分類器gt，更新它的權重：

4）經過T輪迭代訓練后，得到最后強分類器：

圖3 級聯分類器分類原理

不同區域多分類器訓練。本文把數據集分別分為三類：前向車輛、左斜側向車輛和右斜側車輛，對這三類分類器分別選擇不同的車輛特征，訓練出分別針對這三類數據集的分類器。如圖4所示，分別對應的各類分類樣本。

圖4 不同角度方向的樣本數據

分別對準備好的三類數據集采用不同的車輛特征訓練，訓練得到用于檢測前方道路車輛的Ada?boost結合Haar-like特征8階級聯針對不同車輛特征的分類器。

3 多分類器分區域車輛檢測

針對不同區域訓練好特定的分類器，然后對車載相機采集到的車輛前方道路圖像進行劃分，分為不同的檢測區域，如圖5所示，分別劃分為左斜側向區域、右斜側向區域（黑色矩形框）和前向矩形框（灰色矩形框）。

圖5 前方道路圖像劃分區域檢測示意圖

三個不同檢測區域劃分好之后，用之前分別針對這三個區域訓練好的的分類器對著三個區域進行檢測；為了提高算法的實時性，本文選擇采集的道路圖像的2/3（下部）開始遍歷檢測，這樣可以較好地減少檢測搜索的時間。

4 實驗結果與分析

本文為了驗證提出的車輛檢測算法的有效性，對提出的算法進行了測試。軟件采用C++語言編寫，軟件開發平臺為Visual Studio 2015和OpenCV3.0，硬 件 設 備 采 用Intel（R）Core（TM）i5-2400 CPU、GT430顯卡和4GB內存。實驗選取的數據集為KITTI［13～14］數據集和自己采集數據視頻集。提出的算法和普通Haar+Adaboost算法效果對比如下。

表1 算法性能對比

圖6為實驗結果圖，從圖中可以看出，在前方道路中該算法可以很好地實現對左斜側車輛、右斜側車輛和前向車輛的檢測，速度較快，魯棒性好。

5 結語

本文為提高Haar-like特征+級聯Adaboost算法的檢測精度，提出分區域多分類器檢測方法；分別把訓練樣本分為前向車輛數據集、左斜側向車輛數據集和前向車輛數據集；分別針對性地訓練相應的分類器，對待檢測前方道路圖像劃分不同的檢測區域，然后采用對應的分類器進行檢測。實驗結果表明，本文提出的算法在檢測速度和準確性上都有很好的提高。