利用特征提取方法檢測前方車輛

金 敏，郭淑清

（1.北華大學土木與交通學院，吉林吉林 132000；2.吉林機電工程學校，吉林吉林 132000）

0 引言

當前國內外用視覺傳感器檢測前方運動車輛的主要方法有基于機器學習檢測法、基于模型檢測法以及基于特征檢測的方法。視覺傳感器檢測前方運動車輛的原理是將采集到的圖像劃分區域，分為車輛與非車輛區域，然后定位車輛區域，繼續跟蹤獲取信息，并采取預警等措施提醒駕駛者，避免發生交通事故。

王燁之等[1]研究了機器學習的檢測方法檢測前方車輛。這種方法需要在大量樣本集中提取前方車輛特征，再訓練出目標是否為車輛的決策邊界，最后目標被分類器判斷出來。但是這種方法由于無法預先判斷車輛可能存在的區域，需要全面搜索采集到的所有圖像，因此，運算量是非常大，有可能造成信息的遲滯。

王玲、宋歡歡等[2-4]提出了基于模型檢測方法。這種方法是利用固定的算法去搜素已建立的二維或三維模型的前方運動車輛。運用這種方法，如果模型建立的少，則無法準確檢測到全部車輛，如果大量建立模型，由于車輛外形各異，那又會增大運算量，難以保證獲取信息的實時性。

基于以上對本課題的相關研究存在的一些問題，本文提出了基于特征的檢測方法，又稱為基于先驗知識的檢測方法，檢測前方車輛。這種方法就是要利用車輛的外部特征，將車輛與道路上的其他物體如樓房、樹木等區別開來，從圖像中檢測出前方車輛然后預警。目前常用的方法有基于位置、陰影、邊緣、對稱等的特征檢測方法。而本文提出的聚合通道特征（Aggregate Channel Features，ACF）是將這些通道特征結合到一起，形成特征，結合多通道特征的信息，能夠更準確地描述車輛特征。

1 車輛檢測視覺傳感器

車輛用到的傳感器一般有超聲波傳感器、毫米波雷達、激光雷達、視覺傳感器等。超聲波傳感器成本低，原理簡單，但測距精準性受室外溫度影響大，衰減快，因此超聲波雷達適合短距離測距，例如泊車系統；激光雷達，測距范圍較廣，但其價格昂貴，一般只有L4和L5級自動駕駛汽車才使用。因此在實際應用中，常用的車輛檢測傳感器是毫米波雷達和視覺傳感器。又由于高頻率的毫米波雷達探測距離較遠，因此在智能網聯汽車中，檢測安全性要求較高的車輛，多數使用毫米波雷達，如自適應巡航控制系統、前方碰撞預警系統、自動制動輔助系統等。

相比以上傳感器，視覺傳感器信息采集形式為圖像，采集的信息更加豐富，測量范圍廣并且成本低。因此，機器視覺是目前實現前方車輛檢測的主要傳感器。

2 基于特征提取的車輛檢測方法

特征提取是計算機視覺和圖像處理中的一個概念。它指的是使用計算機提取圖像信息，決定每個圖像的點是否屬于一個圖像特征。特征提取的結果是把圖像上的點分為不同的子集，這些子集往往屬于孤立的點、連續的曲線或者連續的區域[5]。將特征提取運用在前方車輛檢測上，是把車輛的信息與其他物體的信息區別開，將其提取出來，并且取得前方車輛與本車的位置關系、前方車輛的大小等基本信息。

基于特征的檢測方法又稱為基于先驗知識的檢測方法，這種方法就是要利用車輛的外部特征，例如車輛尾部是左右對稱的，具有對稱性，車輛的造型一般比較規則，尾部圖像接近矩形等，將車輛與道路上的其他物體如樓房、樹木等區別開來，從圖像中檢測出前方車輛然后預警。目前常用的方法有陰影特征方法、邊緣特征方法、位置特征方法、對稱性特征方法等。下面逐一介紹。

2.1 陰影特征方法

在檢測時，前方運動車輛底部的特征是非常明顯的。通常的方法是檢測車輛底部陰影，這個陰影在光照下一般是比較規則的幾何形狀，從這個特別的幾何形狀里可以判斷前方是否是車輛。

2.2 邊緣特征方法

前方運動車輛邊緣特征明顯，視覺傳感器采集到車輛尾部的下邊緣，計算其寬度，再利用相似三角形原理可以判斷其距本車距離。

2.3 位置特征方法

前方運動車輛一般情況下是行駛于車道區域之內的，所以先檢測車道區域，可以縮小檢測范圍，提高檢測效率，增加檢測精準度。

2.4 對稱特征方法

在灰度化的圖像中，前方運動車輛表現出較為明顯的對稱特征。這個對稱性特征可分為兩種，一種是幾何特征上的對稱，車輛尾部是左右對稱的，這種特征是非常容易與其他物體區分開來的；另一種是灰度對稱特征，這也是源于車輛在幾何特征上是對稱的，因此也會在圖像上呈現灰度對稱。

由于天氣情況和路況的復雜性，僅用一種特征檢測去搜索前方運動車輛是難以達到理想的準確度的，所以可以將多個特征相融合，檢測前方運動車輛。聚合通道特征（Aggregate Channel Features，ACF）是將這些通道特征結合到一起，形成特征，結合多通道特征的信息，能夠更準確地描述車輛特征。

計算流程如圖1所示。其中包含有梯度幅值通道、顏色通道、梯度方向直方圖通道等共10個通道的聚合特征［6］。首先進行一次濾波，然后把通道劃分為4×4大小尺寸的塊，使用雙線性插值法對每一個小塊內進行像素求和并求出像素平均值，再對結果進行二次濾波處理，這樣便得到了ACF特征［6］。

圖1 ACF計算流程

使用下采樣雙線性插值對ACF特征進行計算，計算過程如下：通過雙線性插值法降低圖像分辨率，在一定區域內，通過已知像素值估算未知像素值，最終達到表示整個區域的效果。如圖2所示，Q11、Q12、Q21、Q22點為已知像素點，點P為未知點像素，各點像素值分別為f（Q11）、f（Q12）、f（Q21）、f（Q22）和f（P）。在X方向上對點P插值計算［6］：

圖2 雙線性插值計算示意圖

f（R1）、f（R2）分別為 點P在X方向插值后所得的兩點R1、R2的像素值。再對點P進行Y方向插值計算：

由此，便得到了點P的最終估計值。

因此，運用ACF特征提取的前方車輛檢測技術，能夠達到良好的穩定性和準確性，可以提高檢測準確率和檢測效率。

3 車輛檢測仿真驗證

目標檢測方法的基礎是圖像識別。在圖片上選出所有物體可能出現的區域框，對這些區域框提取特征，然后進行信息分類，篩選出前方車輛信息，輸出結果。本文分別運用RCNN（Region-based Convolutional Neural Networks）和聚合通道特征（Aggregate Channel Features，ACF）兩種目標檢測法，進行對比檢測，選出更準確、高效的檢測方法。

3.1 RCNN檢測方法

RCNN（Region-based Convolutional Neural Networks）采用提取框，對每個框提取特征、圖像分類、篩選前方車輛信息、輸出結果，這4個步驟進行目標檢測。特別之處是在提取特征這一步，采用了深度卷積網絡提取的特征。

3.2 聚合通道特征檢測方法（ACF）

同樣采用提取框，在提取過程中將多個通道特征結合到一起，形成特征，結合多通道特征的信息，能夠更準確描述車輛特征。

3.3 實驗環境

實地采集樣本，拍錄原始圖像，在同一條路上分別選取白天、黃昏、夜間3個時間段進行街拍，并且分單車、多車不同場景進行拍錄。然后采用聚合通道特征（Aggregate Channel Features，ACF）和RCNN（Region-based Convolutional Neural Networks）兩種方法分別進行檢測。

3.4 主要步驟

（1）拍錄原始圖像；（2）讀取原始圖像；（3）檢測圖像中車輛；（4）將檢測結果標注在圖像上；（5）顯示檢測結果。

3.5 前方車輛檢測結果

前方車輛檢測結果如圖3所示。黃顏色矩形框為檢測結果。根據實際的對比、檢測，單車檢測中聚合通道特征（ACF）能夠檢測出前方車輛，然而RCNN在光線不好的情況下（黃昏、夜晚）沒有檢測到前方車輛，或者錯檢車輛。多車的檢測中，聚合通道特征（ACF）檢測能夠檢測出前方車輛，RCNN檢測中會把樓宇、垃圾袋等物體檢測成車輛，錯檢率較高。綜上所述，聚合通道特征（ACF）檢測法在仿真實驗中檢測準確，更具有工程實踐價值。

圖3 前方車輛檢測結果

4 結束語

本文針對前方車輛檢測的特點，介紹了選擇視覺傳感器進行車輛檢測的主要原因是成本低、信息獲取豐富，對比前人提出的機器學習、光流場法、模型法等視覺傳感器目標檢測及檢測方法，提出本文的研究方向，采用聚合通道特征（Aggregate Channel Features，ACF）進行前方車輛檢測，最后使用基于ACF特征提取的方法對不同時間段，單車、多車等不同情境進行前方車輛檢測仿真驗證。仿真結果表明，基于ACF特征提取的前方車輛檢測技術，提高了檢測準確率和檢測效率，具有理論研究意義和工程應用價值。但本次研究采集樣本有限，沒有對更多天氣情況及多種復雜路況進行樣本采集，下一步將針對這方面的不足，予以改進，使實驗樣本更加豐富。