一种改进的基于视频的车辆检测与识别方法
职教20条
中华观测网
chinamca.com
受理日期：2009206201； 修理日期和时间：2009207203。作者简介：魏武(19702 )，男，湖南益阳人，副教授，博士，主必须从事模式识别和人工智能方向的研究。文章编号：167124598652010 (0120020203中图分类号： TP391141文献识别码：A一种改进的基于视频的车辆检测与识别方法魏武1、龚树锋1、龚树超2
(11华南理工大学自动化科学与工程学院，广东广州510640； 21北京邮电大学信息与通信工程学院，北京100876 )摘要为了提高基于：视频的车辆检测技术在应用中的实时性和准确率，提出了一种应用单眼视觉进行车辆检测的方法。 首先，提取从车道端、车道端获得道路区域，根据经验知识在车道区域内确定感兴趣区域，减少车辆检测算法的搜索范围； 然后根据车辆的对称性性特征、阴影和边缘特征对感兴趣区域进行滤波，进一步缩小感兴趣区域，最后用离线训练的AdaBoost分类器对滤波后的图像进行分类识别和检测动态车辆的实验结果表明，利用该算法可以满足实时性和准确性的要求。关键词：机器视觉； 车辆检测； 道路区域； 分类器
improvedvideobasedvehicledetectionandidentificationmethod圩坞1
，贡雪峰1，贡树初潮2
(1. schoolofautomationscienceandengineering，southchinauniversityoftechnology，光州510640，China；2.schoolofinformationandtelecommunication，beijinguniversityofpostsandtelecommunications，Beijing 100876，China )abstract 3360 inordertoimprovethereal2timeandaccuracyofthevehicledetectiontechnologyintheapplication，it shows a vehicle detec2tionmethodbasedonmonocularvision.first of all，extract t he edge of lane，obtainthedrivewayareafromtheedgeoftheroad，confirm t heregionofinterestwitheexperiencesinthedrivewayarea，itcanreducethescopeforsearching.thenfiltertheregionofinterestbasedontheshadowandtheedgeofthecarandnarrowtheregionofinterestevenmore.finally，classifythefilteredimageswiththeadaboostclassifierwhichistrainedoff2line，detectthosemotorialvehicles.theexperimentalresultshowthealgorithmcanadaptttoreal2timeandaccuracyrequirements。key words :机器视觉； vehicle检测； road region； 类别引言0
车辆检测是智能运输系统的重要组成部分。 为了视频设备高性能计算机硬件的发展和视频处理技术的成熟，是基于视频率的车辆检测系统得到越来越广泛的应用[1 ]。车辆检测技术一般可以分为特征、光流和基础立体视觉的三种。 基于特征的方法提供了对称性、阴影和边边缘是车辆检查中常用的特征边缘特征强于阴影和对称性
特征[ 224 ]，该方法在先验知识不具备通用性的情况下会带来较大的错误差。 基于光流的方法是将检测区域的图像变换为速度的矢量体量场，每个向量表示场景中一个点在图像中的位置瞬间虽然时变[ 5 ]，但许多光流计算方法相当复杂，抗干扰能力强如果性能差，没有特别的硬件装置，则其处理速度无法实时达到处理要求； 由于前方车辆和照相机相对运动速度小，几乎被由照相机自身动作引起的背景光的流动淹没，因此，利用光流分析检测前方车辆往往不能得到可靠的结果。基于立体视觉的方法充分考虑了车辆的三维信息，对噪音、遮挡和干扰具有很好的鲁棒性，但该方法严重依赖几何学目标模型的详细信息需要进行很多模型设计，并且立体视觉化感觉系统成本高于单眼视觉系统[ 6 ]。车辆检测整体流程图如下图1所示，去除车道外的绿色或者受到移动车辆的影响，或者缩短车道区域内的车辆检测时间，首先划分道路区域和非道路区域，这样才能确定车辆检查为了减少测量感兴趣区域的光和天气等外部条件的影响，首先用基于特征的方法对确认为非车辆的区域进行滤波，最后是正确的过滤后的结果使用训练的支持向量机(support vector ma2 )chine，SVM )基于分类器的分类识别。
图1车辆检测的整体流程图1感兴趣区域的提取本文设计的车辆检测算法首先涉及对象车辆
区域作为兴趣区域提取，该兴趣区域的提取分为两个部分:(1)划分道路区域和非道路区域2 )根据各种特点(例如，车辆对称性、车辆底部的阴影、车辆的外轮廓边缘等)等)将道路区域分割为前景(车辆)和背景(道路)。111行驶区域提取在本文涉及的道路图像中，车道通常是明显的
的边缘，所以首先对原始道路图像进行边缘提取是最常见的先验处理步骤[7 ]。 现在，用于边缘提取的算法有Sobel等各种各样的
1994-2010 chinaacademicjournalelectronicpublishinghouse.all rights reserved.http://www.cn ki.net第一期魏武等：改进的基于视频的车辆检测与识别方法21 中华观测网
chinamca.com
算法、Laplace算法、Roberts算法、Prewitt算法、Canny计算法等，基于神经网络、模糊逻辑、遗传算法等的计算
聪明的方法。 通过在许多实际实验中比较和使用这些方法，是的对我们的系统来说，Sobel算法的效果是最理想的。 其他方法：是例如，Laplace算法的边缘提取不理想，不利于后续的处理； Canny计算法耗时长，不能满足系统实时性的要求。 所以，我们在本系中使用Sobel算法进行边缘提取。
全国教育信息化
GX(x，y )=Sobel x 3 I(x ) x，y ) ) ) )。gy(x，y )=Sobel y 3 I(x ) x，y ) ) ) )。坡度宽度：g(x，y )=GX (x，y ) ) )。2gy(x，y ) 2梯度方向：(x，y )=Arctan ) GX(x，y )/gy (x，y ) )式中，I(x，y )表示处理后1帧的图像，图像在预处理后，
结合双峰法和Otsu多阈值分割算法进行图像分割[8 ]。 那个道具批量实现顺序为以下：1 )初始状态：图像中已经存在的分类d=0，循环结束条条件S=0，计算图像总方差的%t；)2)判断s是否满足判断条件，如果不满足，则进入下一步骤(3)、否则(7)；)3)针对图像中现有的d个不同的类，求出每个类的类内方不好，找出班内方差最大的班；
)4)对类内方差最大的类采用双峰法粗略得到各分割门槛值。 将小灰度范围确定为下一个局部Otsu阈值的搜索范围；)5)使用局部Otsu法，将这样的类分成2个新的类，赋予现有的类的阈值添加新的分割阈值
(6) )重新计算t，对s进行新的代入，(2)转移。)7)根据上面得到的一组最佳阈值处理图像，将道路和非道路区域被分割开来。112根据车辆的多种特征进行二次提取
对于得到的道路区域，首先基于阴影特征粗略检测车辆可不存在区域，然后，在垂直水平边缘判定中排除非车辆区域一部分，最后利用对称性判据，根据对称性判定的是车辆区域。11211阴影检测阴影是在图像平面中查找车辆对象的第一个特征，它表示离开道路的区域是车辆可能存在的区域。 运动车辆的影子是运动车辆的投影，其运动特性与物体相同，互连为一个整数身体容易引起运动目标的错误分类[9 ]。 车辆阴影是指车辆底部的总存在比路面暗的区域，路面的灰度等级呈正态分布，通过对道通过道路像素灰度直方图的高斯拟合，可以估计路面灰度的平均值m和方差。 可以将阴影上限阈值设置为ThreV al uesh=m - 3。车载摄像系统由小孔成像模型近似表示，设定其安装高度距离面为h米时，车辆投影的宽度可以由下式决定[10 ]:wi dth=
width expy’h
式中，wi dth表示目标图像的宽度，wi dthexp表示目标坐在世界上体系中的宽度。 y’表示簇阴影线所在的行坐标。 正文中使使用了较低的宽度阈值：min _ wi dth=015 width expy’
h
根据上式及车宽范围事先知识，可以计算阴影
簇长度； 如果阴影簇的长度短于min _ wi dth，则判断为那不是车辆的影子； 如果阴影群集的长度太长，请执行投影阴影处理。 最终，由于车底阴影小于其周边区域灰度值，因此局部阴影能够检测出属于车底的阴影。11212边缘检测
车辆的大部分边缘轮廓具有水平边缘和垂直边缘矩形，在此基础上进行边缘置信度滤波，尽量排除背景区域域，留下可能包含车辆的区域。 具体算法过程：对经影检测后的图像(m n )利用Sobel算子进行水平和垂直边缘获得检测到水平边缘图像I H和垂直边缘图像IV . 每对I H将一行元素相加，取得水平边缘向量h(H1，H2，Hm- 1，Hm )，检索h向量中的最大值H max，水平可靠度为：CH=Hmaxn
同样，将IV各列的要素相加的话，就可以得到垂直的信赖度为：CV=
V maxm
如果CH和CV小于一定阈值，则此区域不包含车目标应该被识别为背景，以便能够背景边缘可靠度低区域删除场景。11213对称性判定
在进行对称性判定之前，根据经验：在车辆的后视图中，车辆处于关闭状态在车辆中心最对称，关于车辆两侧缘最不对称中选择所需的族。 车辆两侧到对称中心的距离大致相等。 本文用以下公式测量车辆对称性：f(I )=C
k=1 顶级
j=bottom
g(I，j - k )-g ) I，j ) k ) )。
式中，g(I，j - k )、g ) I、j k )是图像中点的灰度值，I表示对指轴的横向坐标；
中专专业
(3) f ) F(ri ght ) bottom - top ) 017(4) (centre - le f t ) ) 017f ) left ) -5个f(centre ) ) centre - le f t )(5) ) ri ght - centre )017f ) right ) -5个f(centre ) ) ri ght - centre )根据以上特征，计算提取有可能包含车辆的区域时，可以进行以下处理排除大部分非车辆区域。2基于分类器的车辆识别支持向量机基于统计学理论
一种构造在更好有限样本下的新的通用学习方法机器学习的理论框架和共同方法，有着严格的理论基础另外，可以很好地解决小样本、非线性、高维性、局部极小点等现实
1994-2010 chinaacademicjournalelectronicpublishinghouse.all rights reserved.http://www.cn ki.net22 计算机测量与控制第18卷中华观测网
chinamca.com
问题是学习机器必须适应有限的训练样本。
本文应用Boosting算法[11 ]，采用离线方式基于实验训练样本本集训练了SVM分类器。 SVM分类器在上面检测到车辆区域进行车型图像识别，采用文献[12 ]中记载的方法将输入车型的图像归一化。 基于分割和定位算法得到了尾部正面图像的中心位置按照以下步骤进行图像校准。)1)进行图像旋转，确保并保证车型中心位置的连接水平后锚在图像平面内的旋转不变性。)2)根据比例关系，进行图像裁剪，使得尾部不能平移变性。
)3)将图像缩放为统一尺寸的标准尺寸，确保尾部的尺寸度不变性。(4)对获得的校准图像进行灰度放大，以获得原始图像对比度。
(5)对直方图进行平均化，使图像具有统一的平均和方不好。 另外，部分消除光的影响。经过上述五个步骤，得到一个规范化的标准图
如上所述，将其作为后处理的输入图像，参加弱分类器的训练。在训练开始前，将样本图像归一化为相同大小的标准图像，并且使用AdaBoost算法对此进行学习，最终可以用于识别车辆预测函数。3实验结果与分析
本文利用各种道路场景图像进行了大量的仿真实验，并进行了这些仿真实验基于VC 610软件平台，使用OpenCV提供的库进行完成了。 该算法由CPU采用英特尔奔腾双核116 GHz、内存在1GB的计算机上运行。 分类器的训练样本和实验模拟的测试样本从各不相同的视频图像中，如下图2所示，使用本论文进行设计通过算法得到的各种路况环境的车辆检测结果。图2实验模拟结果上图(a ) ) ) f )分别表示在高速公路和一般公路上较少量车，有多辆车，有遮蔽，在有雾的天气里开车
车辆检测后的结果图。 实验结果表明，总体上可以用该算法检测到相对于大多数车辆，距离较远，有比较严重遮挡的车辆(例如(a )、(c )、(d )中的某些车辆无法检测到。 相对于道路道路边界不清晰，车辆颜色与道路颜色相近，距离较远
(例) e ) )，也有未能检测到的车辆。 (f )里面的路有一条非常大的曲线在提取感兴趣的区域时，可以直接提取远处曲线的白色卡车判断为非道路区域的车辆，因此无法检测到。 这是在算法上还需要进一步提高。4结束语
实验结果表明，该算法在应用上基本满足实时性和准确性要求。 作者创新点：(1)经过两次特征提取获得兴趣区域为后期的车辆识别减少了搜索范围，提高了实时性；)2)采用基于知识的方法进行车辆检测时，融合利用车辆阴影、对称性、边缘多种特征信息提高了车辆检测的准确性度； )3)根据丰富的训练样本离线训练分类器，在此基础上知识车辆检测的结果进行二次识别，同时提高了车辆检测的标准准确性和实时性。参照文献：
[ 1 ]田炳香、吴晴、郑榜贵等.基于SUSAN改进原则的车辆检测
方法[J ] .计算机测量与控制，2008，16 (12 ) : 179221794。
[ 2 ] HOFFMAN C，DAN GT，stillerc.vehicledetectionfusing 2dvisual features [ c ].ieeproceedingsofintelligentvehiclessym 2posium. IEEE，2004 : 2802285。[ 3 ] CLAD Y X，COLLAN GE F，juri ef.carsdetectionandtrackingwithavisionsensor [ a ]//ieeeproceedingsofintelligentvehi 2cles symposium.IEEE [ c ].200:5932598。[ 4 ] HUAN G S S，CHEN CJ，HSIAO PY，etal. On Board Vision Sys2temforlanerecognitionandfront2vehicledetectiontoenhance驱动程序’sawareness [ a ].//ieeproceedingsofinternationalconferenceonroboticsandautomation.IEEE [ c ].2004，3 : 245622461.[ 5 ]刘国锋，诸昌铉.光流的计算技术[J ] .西南交通大学学报1997，32 (6) : 6562662。
[ 6 ]李玉萍.基于视觉的车辆检测技术现状[J ] .国外电子检测技术，2006、26 (10 ) : 21224。[ 7 ]胡斌、张朋飞、何克忠。 用于室外移动机器人的快速有效的车道识别方法[J ] .机器人，2006，28 (4) : 3942399。
[8] ot sun.athresholdselectionmethodfromgray2level histogram[ j ].ieetransactionsonsystemsmancybernet，1979，(1) :62266.
[ 9 ] Cucchiara R，Grana C，PiccardiM，etal. Detecting moving ob2jects，ghosts，andshadowsinvideostreams [ j ].IEEE transac 2tionsonpatternanalysisandmachineintelligence，2003，25 (10 ) :133721342.[ 10 ] KAL IN KE T，TZOMA KAS C，VON SEEL EN W. A text ure2basedobjectdetectionandanadaptivemodel2basedclassification[ a ].procs.IEEE int.conf.onintelligentvehicles [ c ].stutt 2gart，Germany，October 1998 : 1432148。
[ 11 ] SCHAPIRE R E，ROCHER Y M，RA HIM M，etal. Incorpora2tingpriorknowledgeintoboosting [ a ].proco fthe 19th inter 2nationalconferenceonmachinelearning [ c ].sanfranasco :Morgan Kaufmann Publishers，2002 : 5382545。[ 12 ]金鸣.改进的AdaBoost分类器在视频中的运动场景检测[J ]。计算机工程，2006，32 (12 ) : 2292231。[ 13 ]边肇祺，张学工.模式识别[ M ] .北京：清华大学出版公司，2000[ 14 ]张广军.机器视觉[ M] .北京：科学出版社，2005 .