基于Haar特征的前車識(shí)別算法*

許 慶，高 峰，徐國(guó)艷

(北京航空航天大學(xué)交通科學(xué)與工程學(xué)院，北京 100191)

前言

道路上的實(shí)時(shí)前車識(shí)別與跟蹤是智能交通系統(tǒng)領(lǐng)域中的重要研究任務(wù)之一[1]。隨著近年計(jì)算機(jī)處理能力的提高和視頻技術(shù)的發(fā)展，基于視覺(jué)的實(shí)時(shí)車輛識(shí)別技術(shù)嶄露頭角。與其他方法相比，機(jī)器視覺(jué)具有信息來(lái)源廣，信息量大，屬于非接觸測(cè)量等優(yōu)點(diǎn)。其缺點(diǎn)是復(fù)雜環(huán)境下的識(shí)別算法有待提高，運(yùn)算量大、實(shí)時(shí)性差[2]，相關(guān)設(shè)備價(jià)格昂貴等。

目前，在智能交通中常見(jiàn)的單目視覺(jué)檢測(cè)方法有差分法、光流法和特征檢測(cè)法等。其中，差分法實(shí)現(xiàn)簡(jiǎn)單，運(yùn)算速度快，幀間差分法對(duì)于動(dòng)態(tài)環(huán)境自適應(yīng)性很強(qiáng)，對(duì)光線的變化不十分敏感。但其缺點(diǎn)是，對(duì)于幀間差分來(lái)說(shuō)，灰度均勻的對(duì)象難以準(zhǔn)確識(shí)別，甚至?xí)趫D像內(nèi)部形成空洞[3]。

光流法對(duì)光照強(qiáng)度的變化非常敏感，無(wú)須預(yù)先知道場(chǎng)景信息。但由于前車與攝像頭相對(duì)運(yùn)動(dòng)的方向、速度和背景與攝像頭相對(duì)運(yùn)動(dòng)的速度都是不定的，故難以在前車識(shí)別中應(yīng)用。文獻(xiàn)[4]中提出可用光流法識(shí)別對(duì)面車輛。

特征檢測(cè)法在智能交通中的應(yīng)用常見(jiàn)于靜止的監(jiān)控?cái)z像頭，近年來(lái)國(guó)內(nèi)外相關(guān)論文又多利用車輛底部陰影特征實(shí)時(shí)識(shí)別前車。但陰影特征對(duì)于環(huán)境光照要求較高，且難以分辨車輛與其他物體，故相對(duì)局限性較大。本文中重點(diǎn)研究了基于Haar特征的車輛識(shí)別算法。該方法最早在文獻(xiàn)[5]中提出并用于人臉識(shí)別。在前車識(shí)別中，由于一般來(lái)說(shuō)兩車的相對(duì)運(yùn)動(dòng)不大，具有清晰的特征，故引入此方法依據(jù)車尾特征識(shí)別前方車輛。

1 車尾分類器原理

1.1 Haar特征

Haar特征是基于灰度圖像的弱特征。該特征用于表述圖像某一位置附近矩形區(qū)域的圖像強(qiáng)度，并計(jì)算其強(qiáng)度差別。圖1中所示矩形塊表示了3類Haar特征。這些方塊特征的大小不固定，但灰色與白色方塊的形狀和大小總是相同的。其中，雙矩形特征(又名邊緣特征)用來(lái)計(jì)算水平(或垂直)兩個(gè)矩形塊之間的強(qiáng)度差，3矩形特征(又名線性特征)用來(lái)計(jì)算兩側(cè)與中心的強(qiáng)度差，4矩形特征(又名對(duì)角線特征)用來(lái)計(jì)算兩對(duì)角線對(duì)的強(qiáng)度差[6]。若檢測(cè)出其差值大于閾值，則判定為特征。相對(duì)其他特征檢測(cè)算法，計(jì)算速度是使用積分圖像的Haar特征檢測(cè)算法的顯著優(yōu)點(diǎn)。

1.2 積分圖像

文獻(xiàn)[5]中提到，即便是24×24的圖像，其特征的總量也相當(dāng)大(過(guò)完備的特征共有45 396個(gè))。故須使用積分圖像以提高運(yùn)算速度，如圖2所示。對(duì)區(qū)域的強(qiáng)度求和，即

式中:I為強(qiáng)度，S為對(duì)應(yīng)點(diǎn)在積分圖像中的值。

由此可計(jì)算圖像的特征，并提高檢測(cè)速度。例如，對(duì)于圖2所示的區(qū)域D而言，其強(qiáng)度為

1.3 AdaBoost算法

Boosting是一個(gè)將弱學(xué)習(xí)算法融合為強(qiáng)學(xué)習(xí)算法的方法[7]。AdaBoost(Adaptive Boosting)為 Boosting算法中的一種。AdaBoost算法根據(jù)每次訓(xùn)練中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。而后，將每次訓(xùn)練得到的分類器融合起來(lái)，作為最后的決策分類器。只要滿足一個(gè)特征的錯(cuò)誤率比猜測(cè)的錯(cuò)誤率低(e＜0.5)，該特征即可被用作一個(gè)弱分類器。AdaBoost訓(xùn)練分類器的方法見(jiàn)文獻(xiàn)[7]。

1.4 級(jí)聯(lián)分類器

級(jí)聯(lián)分類器的構(gòu)造如圖3所示。樣本的特征被分為數(shù)個(gè)分類器。分類器串聯(lián)時(shí)，將由重要特征構(gòu)成的結(jié)構(gòu)相對(duì)簡(jiǎn)單的分類器放在前面，可快速排除大量樣本。依此劃分下去，最后一個(gè)分類器留下來(lái)的就是檢測(cè)到的目標(biāo)[5，8－9]。

2 車尾分類器的訓(xùn)練與初步測(cè)試

2.1 分類器的訓(xùn)練

本文中提取訓(xùn)練樣本的Haar特征，得到基于車輛尾部特征的弱分類器。并由AdaBoost訓(xùn)練，加權(quán)將弱分類器構(gòu)造為強(qiáng)分類器，級(jí)聯(lián)得到40×40的汽車尾部分類器。

用于訓(xùn)練樣本的車輛尾部圖片共有1 152張。其中，選用CALTECH的cars1999中的圖片126張，cars2001中的圖片526張，本文中拍攝圖片500張。另選取道路、建筑等圖片932張，作為背景樣本。

2.2 分類器的初步測(cè)試

使用MIT CBCL CAR DATBASE中的汽車尾部圖片共172張(復(fù)雜背景)，測(cè)試訓(xùn)練出的汽車尾部分類器。測(cè)試結(jié)果表明，分類器可較有效地捕捉車輛尾部特征，對(duì)于車輛的正確識(shí)別、漏檢和誤檢的概率分別為81.4%、18.6%和8.14%。

利用訓(xùn)練出的車尾分類器，分別測(cè)試了在停車場(chǎng)與實(shí)際道路上的實(shí)時(shí)前車識(shí)別(圖4)。同時(shí)，使用OpenCV中提供的David Bradley人體分類器識(shí)別行人(圖5)，作為對(duì)比驗(yàn)證。初步對(duì)比試驗(yàn)表明，訓(xùn)練得到的車尾分類器已基本達(dá)到研究要求，能夠較好地識(shí)別車輛。但試驗(yàn)也暴露出實(shí)際使用中的一些問(wèn)題，如位于遠(yuǎn)處的車輛或行人，都因圖像分辨率低而無(wú)法被識(shí)別、存在誤檢等。針對(duì)這些問(wèn)題和實(shí)際道路的特殊條件，本文中提出算法的改進(jìn)方案。

3 算法改進(jìn)與試驗(yàn)分析

3.1 前車識(shí)別算法的改進(jìn)

3.1.1 重復(fù)識(shí)別的處理

初步試驗(yàn)中，對(duì)同一待識(shí)別目標(biāo)，有時(shí)會(huì)出現(xiàn)重合的矩形框。對(duì)此，通過(guò)計(jì)算矩形框覆蓋的重合度來(lái)合并重復(fù)識(shí)別的目標(biāo)，并給定重合度閾值。試驗(yàn)中定義的重合度閾值為85%，即如果一個(gè)矩形框的85%與另一矩形框重合，則判定它們?yōu)橥荒繕?biāo)。

3.1.2 誤檢噪聲的消除

增加假設(shè)驗(yàn)證模塊，利用先驗(yàn)知識(shí)(如由于車輛近大遠(yuǎn)小，很遠(yuǎn)的地方不會(huì)存在很大的矩形框等)，消除查找區(qū)域中的誤檢矩形框。利用Hough變換與攝像頭中心位置找到滅點(diǎn)，矩形框位置縱坐標(biāo)與滅點(diǎn)縱坐標(biāo)之差限制著矩形框大小。若矩形框與預(yù)估值大小之差的絕對(duì)值大于閾值，則判斷為誤檢。

3.1.3 遠(yuǎn)距離目標(biāo)的識(shí)別

初步試驗(yàn)發(fā)現(xiàn)，在320×240分辨率下，上述的方法對(duì)于前方2.5～20m的車輛識(shí)別效果良好;但對(duì)于20m以外的車輛，由于特征不明顯，效果不佳;在640×480的分辨率下，因分辨率的提高，可以增加可識(shí)別的距離，但識(shí)別速度相對(duì)較慢。

假設(shè)當(dāng)前車輛只對(duì)道路前方一定范圍內(nèi)的車輛感興趣，依此建立感興趣區(qū)域，僅查找該區(qū)域中的車輛;并每隔數(shù)幀使用高分辨率視頻(試驗(yàn)中采用2幀/s)，查找位于視頻中部感興趣區(qū)域中的遠(yuǎn)端車輛。此外，建立了簡(jiǎn)單道路車輛模型，采用卡爾曼濾波[10]預(yù)估車輛位置。

3.1.4 檢測(cè)的判定

采用多幀過(guò)濾的方法來(lái)判定前方是否有車。令:

在第k幀時(shí)，查詢先前的n幀:

式中f為預(yù)設(shè)的判定為有效像素點(diǎn)的概率。如果矩形框內(nèi)P=1的點(diǎn)數(shù)占總點(diǎn)數(shù)的百分比大于目標(biāo)判定閾值(試驗(yàn)中定為70%，視漏檢概率而定)，則判定為有車。

3.2 道路試驗(yàn)與結(jié)果分析

依上述算法改進(jìn)程序并在真實(shí)道路上再次試驗(yàn)，發(fā)現(xiàn)先前測(cè)試中出現(xiàn)的重復(fù)識(shí)別和誤檢基本消除，漏檢得到改善。使用針對(duì)畫(huà)面中心較遠(yuǎn)目標(biāo)建立的感興趣區(qū)域，配合道路車輛模型與基于Cam-Shift的圖像跟蹤后，算法識(shí)別的有效距離增加，圖4右圖中未能識(shí)別出的車輛在圖6中已被識(shí)別。但仍存在被遮擋目標(biāo)難以識(shí)出的問(wèn)題。雖嘗試采用車道識(shí)別等一些方法減弱其影響，但效果均不理想?？煽紤]配合激光測(cè)距或GPS定位與車車通信等手段，將各類傳感器信息融合，建立出更完善的實(shí)時(shí)的道路車輛模型。

4 結(jié)論

在前人對(duì)Haar特征的研究基礎(chǔ)上，提取車輛尾部Haar特征，將所得弱分類器由AdaBoost訓(xùn)練，級(jí)聯(lián)后得到基于Haar特征的車尾級(jí)聯(lián)分類器。在復(fù)雜背景試驗(yàn)中，分類器的識(shí)別率約為81.4%。針對(duì)戶外實(shí)時(shí)測(cè)試中暴露的不足改進(jìn)了算法。定義矩形框重合度閾值消除重復(fù)識(shí)別，利用先驗(yàn)知識(shí)減少誤檢噪聲，使用多幀過(guò)濾捕捉漏檢目標(biāo);隔幀使用高分辨率視頻查找感興趣區(qū)域內(nèi)車輛增加識(shí)別距離。基本消除了車輛的重復(fù)識(shí)別和誤檢，漏檢與遠(yuǎn)距離目標(biāo)不易被識(shí)別的情況得到改善。

[1]Bensrhair A，Bertozzi M，Broggi A，et al．A Cooperative Approach to Vision-based Vehicle Detection[C]．Proc．IEEE Conf．on Intelligent Transportation System，Oakland，CA，2001:207－212．

[2]高峰，等．基于模糊神經(jīng)網(wǎng)絡(luò)的車輛碰撞預(yù)警算法[J]．江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版)，2006(5):211－215．

[3]李平，等．自適應(yīng)背景恢復(fù)差減算法[D]．長(zhǎng)春:長(zhǎng)春理工大學(xué)，2008．

[4]Baker S，Scharstein D，Lewis J P，et al．A Database and Evaluation Methodology for Optical Flow[C]．Proc．ICCV，2007．

[5]Viola Paul，Jones Michael J．Robust Real-time Object Detection[R]．Cambridge Research Laboratory，2001．

[6]Jaesik Choi．Realtime On-Road Vehicle Detection with Optical Flows and Haar-like Feature Detector[R]．Illinois:UIUC，2007．

[7]劉瑞禎，等．OpenCV教程[M]．北京:北京航空航天大學(xué)出版社，2007:385－386．

[8]林莉鳳．快速行人偵測(cè)基于AdaBoost和樣板比對(duì)法的駕駛輔助系統(tǒng)[D]．臺(tái)灣:國(guó)立中央大學(xué)，2007．

[9]Florian Adolf．How-to Build a Cascade of Boosted Classifiers Based on Haar-like Features[R]．America:2003．

[10]黃宇辰．以視覺(jué)為基礎(chǔ)的車對(duì)車偵測(cè)及追蹤系統(tǒng)[D]．臺(tái)灣:國(guó)立中央大學(xué)，2005．