基于紅外視頻的車載行人車輛檢測(cè)系統(tǒng)

王忠耀，任青春，王少華，郭春生

(杭州電子科技大學(xué)通信工程學(xué)院，浙江杭州310018)

0 引言

行人車輛的檢測(cè)系統(tǒng)在智能駕駛、智能交通與智能監(jiān)控等領(lǐng)域具有很高的應(yīng)用價(jià)值。對(duì)于攝像頭運(yùn)動(dòng)的前景圖像提取，常用的方法有光流法和混合高斯模型，光流法計(jì)算復(fù)雜性大，不利于實(shí)時(shí)處理，而混合高斯模型有效性高、易于實(shí)現(xiàn)［1］。在處理視頻與圖像識(shí)別的問(wèn)題中，神經(jīng)網(wǎng)絡(luò)具有的信息分布式存儲(chǔ)、大規(guī)模自適應(yīng)并行處理、高度容錯(cuò)性等優(yōu)點(diǎn)，表現(xiàn)得更為突出［2，3］。結(jié)合混合高斯模型和神經(jīng)網(wǎng)絡(luò)算法，本文提出了一種基于紅外視頻的車載行人車輛檢測(cè)系統(tǒng)。仿真結(jié)果表明本檢測(cè)系統(tǒng)算法運(yùn)算量低，虛警率低，可靠性強(qiáng)，對(duì)于輔助駕駛有著廣泛的適用性。

1 基于紅外視頻的車載行人車輛檢測(cè)系統(tǒng)設(shè)計(jì)

1.1 總體流程設(shè)計(jì)

基于紅外視頻的車載行人車輛檢測(cè)系統(tǒng)算法流程圖如圖1所示:

圖1 基于紅外視頻的行人車輛檢測(cè)系統(tǒng)算法流程圖

圖1中，先對(duì)采集的紅外視頻圖像進(jìn)行預(yù)處理劃定梯形區(qū)域，再利用混合高斯算法提取梯形區(qū)域前景，對(duì)提取的前景進(jìn)行特征值分析并生成特征值數(shù)據(jù)庫(kù)，最后利用特征值數(shù)據(jù)庫(kù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。系統(tǒng)測(cè)試時(shí)利用神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別判斷車輛前方是否存在障礙物。

1.2 梯形感興趣區(qū)域的前景提取

為了提高系統(tǒng)的精確度和減少算法的復(fù)雜度，利用混合高斯模型，只對(duì)車前方一定距離的梯形區(qū)域內(nèi)的路面狀況進(jìn)行背景建模。在減小了計(jì)算量的同時(shí)，排除了路兩旁的高樓、路燈等干擾，提高了系統(tǒng)的精確度。

對(duì)于感興趣區(qū)域中的象素在時(shí)刻t的亮度值gt，用K個(gè)高斯模型表示其出現(xiàn)的概率為:

為了減少算法的復(fù)雜度提高運(yùn)算速度性，采用一種高效的權(quán)重更新方法，若象素均值處于1個(gè)高斯模型的2.5倍標(biāo)準(zhǔn)方差之內(nèi)，則進(jìn)行權(quán)重更新，否則丟棄權(quán)重最小的高斯模型并以均值為gt的新高斯函數(shù)替換。其中，權(quán)重更新方程為:

式中，α是學(xué)習(xí)常數(shù)。對(duì)權(quán)重歸一化，再更新高斯模型的參數(shù):

1.3 前景目標(biāo)的特征值提取

紅外視頻中行人車輛檢測(cè)系統(tǒng)的主要指標(biāo)是系統(tǒng)檢測(cè)的精確度和算法的運(yùn)算量，為了減少處理時(shí)間，對(duì)前景內(nèi)的目標(biāo)提取特征值，利用其特征值完成對(duì)行人與車的檢測(cè)，為了兼顧系統(tǒng)檢測(cè)的精確度提取目標(biāo)物體的幾何形狀、灰度分布、運(yùn)動(dòng)速度、邊緣梯度分布4類特征進(jìn)行檢測(cè)。

(1)幾何形狀。目標(biāo)物體的橫向?qū)挾扰c縱向高度的比值，對(duì)于人來(lái)說(shuō)，身高遠(yuǎn)大于橫向?qū)挾龋嚨母叨扰c寬度差別不大，一般情況下人的橫向?qū)挾扰c縱向?qū)挾鹊谋戎敌∮谲?

(2)灰度分布。目標(biāo)物體紅外圖像的灰度值分布，在紅外條件下，人的頭部最亮，車的四個(gè)輪子最亮，即人的上半部分的灰度值較大，車的下半部分的灰度值較大;

(3)運(yùn)動(dòng)速度。道路上人的速度一般小于車的速度，通過(guò)對(duì)相鄰兩幀目標(biāo)物體對(duì)應(yīng)的邊緣灰度值作相減運(yùn)算，用大量相鄰的邊緣點(diǎn)的差值來(lái)統(tǒng)計(jì)估計(jì)目標(biāo)的運(yùn)動(dòng)速度，為提高估計(jì)的精度，提取目標(biāo)最高、最低、最左、最右4個(gè)方位點(diǎn)的速度用平均值作為目標(biāo)的速度;

(4)邊緣梯度分布。對(duì)于人造的立體型的車，隨著運(yùn)動(dòng)狀態(tài)的不同，其邊緣梯度分布的差異較大，與車相比人的形體特征的邊緣梯度的分布較穩(wěn)定。提取目標(biāo)物體邊緣梯度在0°、45°、90°、135°，4個(gè)方向上梯度的統(tǒng)計(jì)值［4］，用來(lái)區(qū)分出人和車。

1.4 行人車輛的檢測(cè)判別

利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)行人與車輛的檢測(cè)判別，首先從選擇的訓(xùn)練樣本圖像中提取4類共10個(gè)特征值進(jìn)行網(wǎng)絡(luò)訓(xùn)練，得到關(guān)于圖像目標(biāo)的特征向量，對(duì)未知的目標(biāo)進(jìn)行檢測(cè)時(shí)，通過(guò)特征向量確定該圖像目標(biāo)中是否存在車或者行人。對(duì)于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，采取3層，10個(gè)輸入節(jié)點(diǎn)，5個(gè)隱含層節(jié)點(diǎn)，2個(gè)輸出節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，隱含層激勵(lì)函數(shù)為:

輸出節(jié)點(diǎn)k為:

從大量圖像中提取的4類共10個(gè)特征值進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，利用訓(xùn)練得到的數(shù)據(jù)，對(duì)從待測(cè)圖像中提取的特征值進(jìn)行處理判別，若神經(jīng)網(wǎng)絡(luò)判別輸出的結(jié)果(人、車或無(wú)目標(biāo))與待測(cè)圖像的實(shí)際情況相符合，說(shuō)明此次判別正確，否則，判別錯(cuò)誤，仿真得到的神經(jīng)網(wǎng)絡(luò)的判別正確率如圖2所示。

從圖2中可看出當(dāng)訓(xùn)練樣本數(shù)為500個(gè)時(shí)，系統(tǒng)對(duì)目標(biāo)的正確判別率在90%上下波動(dòng)，滿足系統(tǒng)的預(yù)期要求。

2 仿真結(jié)果及分析

圖2 神經(jīng)網(wǎng)絡(luò)判別的正確率

根據(jù)圖1所示的系統(tǒng)算法流程，利用MATLAB對(duì)系統(tǒng)進(jìn)行仿真，結(jié)果如圖3、4所示:

圖3 感興趣區(qū)域內(nèi)有車出現(xiàn)時(shí)的仿真結(jié)果

圖4 感興趣區(qū)域內(nèi)有人出現(xiàn)時(shí)的仿真結(jié)果

依照?qǐng)D1所示的系統(tǒng)算法流程，對(duì)圖3、4的解釋說(shuō)明如下:

圖3(a)、圖4(a)分別對(duì)應(yīng)于當(dāng)處理區(qū)域有車、有行人2種不同道路情況下的原紅外圖像，它們經(jīng)過(guò)梯形區(qū)域劃定處理后再利用混合高斯模型提取前景并利用前景對(duì)目標(biāo)進(jìn)行框定，結(jié)果分別如圖3(b)、圖4(b)所示，對(duì)于框定的目標(biāo)進(jìn)行特征值提取，并把特征值輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，經(jīng)可視化處理后的結(jié)果如圖3(c)、圖4(c)所示，其中用車的圖形表示觀測(cè)點(diǎn)的前方有車存在，用人的圖形表示觀測(cè)點(diǎn)前方有人存在，若觀測(cè)點(diǎn)前方無(wú)可疑物體用“?”圖形表示。

為了檢測(cè)系統(tǒng)的可靠性，仿真處理了700張圖片，其判別結(jié)果的統(tǒng)計(jì)如表1所示:

表1 系統(tǒng)仿真結(jié)果統(tǒng)計(jì)圖

經(jīng)過(guò)MATLAB仿真檢測(cè)，采取只對(duì)感興趣的梯形區(qū)域進(jìn)行處理的系統(tǒng)處理速度，比對(duì)整張圖片進(jìn)行處理的速度快，有效地減少了算法的運(yùn)算量，同時(shí)檢測(cè)精度為91.3%，達(dá)到了系統(tǒng)模型的預(yù)期要求。

3 結(jié)束語(yǔ)

本文仿真實(shí)現(xiàn)了一個(gè)基于夜間紅外視頻的行人車輛檢測(cè)系統(tǒng)，通過(guò)圖像感興趣區(qū)域的設(shè)定，混合高斯模型對(duì)前景的提取，利用精心選取的特征值輸入到神經(jīng)網(wǎng)絡(luò)，在簡(jiǎn)化圖像處理的運(yùn)算量、提高檢測(cè)速度的同時(shí)，很好地檢測(cè)和判別出視頻中出現(xiàn)的行人與車輛，最終達(dá)到夜間駕駛時(shí)預(yù)警的效果。仿真結(jié)果顯示基于紅外視頻的車載行人車輛檢測(cè)系統(tǒng)的算法運(yùn)行速度快，虛警率較低，可靠性較強(qiáng)，對(duì)于輔助駕駛有著廣泛的適用性。

［1］Milan Sonka，Vaclav Hlavac，Roger Boyle.艾海舟，蘇延超，譯.圖像處理、分析與機(jī)器視覺(jué)(第三版)［M］.北京:清華大學(xué)出版社，2011:537－562.

［2］雷建鋒，孫俊逸.基于人工神經(jīng)網(wǎng)絡(luò)下的圖像識(shí)別的研究［J］.現(xiàn)代電子技術(shù)，2008，31(8):127－130.

［3］袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用［M］.北京:清華大學(xué)出版社，l999:66－131.

［4］曾春，李曉華，周激流.基于感興趣區(qū)梯度方向直方圖的行人檢測(cè)［J］.計(jì)算機(jī)工程，2009，35(24):182－184.

［5］MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析［M］.北京:北京航天航空大學(xué)出版社，2010:1－36.