基于自適應(yīng)特征選擇的夜間運(yùn)動(dòng)車輛檢測(cè)算法＊

朱韶平

（湖南財(cái)政經(jīng)濟(jì)學(xué)院，湖南長(zhǎng)沙 4101205）

基于自適應(yīng)特征選擇的夜間運(yùn)動(dòng)車輛檢測(cè)算法＊

朱韶平

（湖南財(cái)政經(jīng)濟(jì)學(xué)院，湖南長(zhǎng)沙 4101205）

針對(duì)夜間交通環(huán)境的特點(diǎn)，提出了基于自適應(yīng)特征選擇的夜間運(yùn)動(dòng)車輛檢測(cè)算法.首先，利用SIFT算法提取夜間運(yùn)動(dòng)車輛的形狀特征，并融合顏色和紋理特征，得到夜間運(yùn)動(dòng)車輛的特征向量；其次，利用Boosting算法和遺傳算法以迭代形式獲取模糊規(guī)則及其權(quán)值；然后，采用Boosting算法以加權(quán)投票方式自適應(yīng)選取對(duì)檢測(cè)最有利的特征，從而實(shí)現(xiàn)自適應(yīng)特征選擇；最后，對(duì)夜間交通場(chǎng)景下3種不同道路情況進(jìn)行實(shí)驗(yàn).實(shí)驗(yàn)結(jié)果表明，在遮擋、光照及背景干擾等復(fù)雜情況下，該方法可以根據(jù)背景信息的不同自適應(yīng)地選擇特征，實(shí)現(xiàn)夜間車輛的實(shí)時(shí)檢測(cè)，魯棒性較好，可以滿足智能交通系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確性的要求.

車輛檢測(cè)；SIFT特征；Boosting方法；自適應(yīng)特征選擇

1 夜間運(yùn)動(dòng)車輛特征提取

夜間道路光照條件非常復(fù)雜，車體上的各種車燈種類多樣，路面有車燈的光線反射，再加上道路兩邊的路燈及廣告燈箱等，各種因素相互交織干擾，運(yùn)動(dòng)車體大部分可見，提取車頭燈不再是夜間運(yùn)動(dòng)車輛檢測(cè)的唯一方法.筆者主要是針對(duì)在夜間光照條件下，視頻圖像中車輛本身可分辨信息量少，光照亮度變化大，車輛與背景的對(duì)比度過(guò)低，提取完整的車輛目標(biāo)較困難的問(wèn)題，采用提取圖像的方塊特征來(lái)表示夜間運(yùn)動(dòng)車輛的顏色和紋理，提取圖像的SIFT特征來(lái)表示夜間運(yùn)動(dòng)車輛的形狀，從而實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的準(zhǔn)確有效提取.

1.1 顏色特征

采用Smith等提出的HSV顏色特征空間方法提取圖像的顏色特征.HSV顏色特征空間方法是一種將色度、飽和度和亮度完全分離的方法，能很好地解決光照變化對(duì)顏色測(cè)量的影響.圖像HSV顏色特征信息為L(zhǎng)＝m1m2H＋m2S＋m3V，其中m1m2，m3為權(quán)重，即量化級(jí)數(shù).取m1＝m2＝4，m3＝1，則L＝16 H＋4S＋V，L∈［0，1，2，...，255］，于是可以得到圖像的顏色信息.

1.2 紋理特征

利用LBP（Local Binary Pattern，局部二值模式）紋理算子提取圖像的局部紋理特征.設(shè)I（x，y）為圖像函數(shù)，Ic，Ip分別為中心（xc，yc）處及鄰域內(nèi)各象素點(diǎn)的灰度值，定義符號(hào)函數(shù)

則圖像象素點(diǎn)在m×m鄰域內(nèi)的灰度變化即LBP紋理算子計(jì)算公式為

1.3 形狀特征

采用Lowe D G［9］提出的尺度無(wú)關(guān)特征變換（SIFT）算法，提取夜間運(yùn)動(dòng)車輛的形狀特征，具體步驟如下：

（2）圖像局部極值點(diǎn)的精確定位.通過(guò)擬合三維二次函數(shù)精確定位圖像局部極值點(diǎn)的位置和尺度，并去除對(duì)比度低的局部極值點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)，篩選出穩(wěn)定的特征點(diǎn).

（3）圖像局部極值點(diǎn)主方向的分配.通過(guò)統(tǒng)計(jì)以極值點(diǎn)為中心的一個(gè)鄰域內(nèi)所有點(diǎn)的梯度方向直方圖來(lái)計(jì)算特征點(diǎn)的主方向，即

（4）生成SIFT特征向量.將每個(gè)特征點(diǎn)的16×16鄰域分為16個(gè)4×4的子區(qū)域，計(jì)算每一個(gè)子區(qū)域內(nèi)8個(gè)方向的梯度并構(gòu)成梯度直方圖，得到4×4×8共128維的SIFT特征向量，歸一化該特征向量.

將上述提取的顏色、紋理及形狀等特征融合在一起，獲得夜間運(yùn)動(dòng)車輛的特征向量.

2 基于Boosting模糊分類方法的自適應(yīng)特征選擇

在圖像處理中，通常一幀圖像的特征向量大都是高維的，即維數(shù)比較多.若對(duì)這些高維的特征向量進(jìn)行檢測(cè)，則計(jì)算量很大且復(fù)雜，會(huì)直接影響檢測(cè)的精度和速度.為了減少計(jì)算量，提高檢測(cè)的精度及速度，筆者將Boosting算法應(yīng)用于夜間運(yùn)動(dòng)車輛的特征選擇，可降低高維特征向量的維數(shù)，自適應(yīng)地選擇對(duì)夜間運(yùn)動(dòng)車輛檢測(cè)最有利的特征，并通過(guò)對(duì)這些特征的分類判別來(lái)實(shí)現(xiàn)夜間運(yùn)動(dòng)車輛的實(shí)時(shí)檢測(cè).

Boosting算法利用模糊分類器進(jìn)行分類判別，由模糊規(guī)則集組成［10－11］，其關(guān)鍵是確定模糊規(guī)則.給定訓(xùn)練樣本集X｛（x1，y1），（x2，y2），...，（xN，yN）｝，模糊規(guī)則的一般形式可表示為Rj：if x1is A1jand x2is A2jand...and xNis Anjthen Y＝y(tǒng)j.其中：xj表示第j個(gè)輸入分量；Anj是xj的模糊集合；j＝1，2，...，N，N為規(guī)則數(shù)；類別yj∈｛y1，...，ym｝.

Boosting模糊分類方法步驟如下：（1）訓(xùn)練樣本集中的每個(gè)訓(xùn)練樣本具有相同的權(quán)值，如N個(gè)樣本，則每個(gè)樣本的權(quán)值為1／N；（2）對(duì)訓(xùn)練樣本集中的樣本通過(guò)遺傳算法進(jìn)行多輪的訓(xùn)練，且每輪的訓(xùn)練分別得到一條對(duì)應(yīng)的模糊規(guī)則，并計(jì)算每條規(guī)則對(duì)應(yīng)的權(quán)值；（3）以較大的權(quán)值賦給訓(xùn)練失敗的訓(xùn)練樣本，并在后續(xù)的學(xué)習(xí)中集中訓(xùn)練失敗的樣本，從而得到下一條新的模糊規(guī)則及其對(duì)應(yīng)的權(quán)值；（4）通過(guò)模糊規(guī)則權(quán)值的大小來(lái)判斷分類的效果，權(quán)值較大的模糊規(guī)則對(duì)應(yīng)的分類效果好，權(quán)值較小的模糊規(guī)則對(duì)應(yīng)的分類效果較差；（5）通過(guò)Boosting算法采用加權(quán)投票方式對(duì)新樣本進(jìn)行分類判別，分類的正確率要高于一般的模糊分類.

算法具體步驟如下：

（1）設(shè)訓(xùn)練樣本集為X＝｛（x1，y1），（x2，y2），...，（xN，yN）｝，給每個(gè)樣本賦相等的初始權(quán)值Di＝1／N；

（2）對(duì)訓(xùn)練樣本進(jìn)行T輪訓(xùn)練（For t＝1to TDo），獲取T條模糊規(guī)則.

（ⅰ）找出最大適應(yīng)度F所對(duì)應(yīng)的模糊規(guī)則Rt，利用遺傳算法計(jì)算

當(dāng)F1越大且F2越小時(shí)，則適應(yīng)度F最大，其對(duì)應(yīng)的模糊規(guī)則Rt即為所求.

（ⅱ）在不改變當(dāng)前樣本分布的條件下，計(jì)算滿足適應(yīng)度F最大的模糊規(guī)則Rt對(duì)應(yīng)的分類錯(cuò)誤率e（Rt）及模糊規(guī)則Rt對(duì)應(yīng)的權(quán)值ht：

（ⅲ）根據(jù)錯(cuò)誤率更新樣本的權(quán)值Di.設(shè)zt是歸一化因子，則

經(jīng)分析后可知,引發(fā)再出血的因素與首次胃出血量、是否實(shí)施內(nèi)鏡手術(shù)存在相關(guān)性,同時(shí)與患者自身血紅蛋白水平和胃潰瘍病情有著直接關(guān)系。

（ⅴ）為使訓(xùn)練樣本的分類錯(cuò)誤最小，每條模糊規(guī)則的參數(shù)均采用遺傳算法來(lái)確定.設(shè)有k個(gè)訓(xùn)練樣本｛（x1，y1），（x2，y2），...，（xK，yN）｝，其中yi∈｛y1，...，yN｝表示第i個(gè)訓(xùn)練樣本的類別，定義適應(yīng)度函數(shù)［10－11］為

其中：Dk通過(guò)（1）式的方法求得，它表示第k個(gè)訓(xùn)練樣本的對(duì)應(yīng)權(quán)值；F1表示類別相同的所有樣本第t條模糊規(guī)則被激活的程度；F2表示類別不同的所有樣本第t條模糊規(guī)則被激活的程度.實(shí)驗(yàn)中參數(shù)kmax取0.5，當(dāng)F1越大且F2越小時(shí)，表示第t條規(guī)則的分類錯(cuò)誤率就越小.

3 基于自適應(yīng)特征選擇的夜間運(yùn)動(dòng)車輛檢測(cè)

文中主要是針對(duì)在夜間光照條件下，運(yùn)動(dòng)車體大部分可見，但由于光照亮度變化大，目標(biāo)精確提取及實(shí)時(shí)檢測(cè)困難等問(wèn)題，利用SIFT特征對(duì)亮度變化、旋轉(zhuǎn)和尺度縮放保持不變性，對(duì)噪聲、仿射變換和視角變化也保持一定程度的穩(wěn)定性等特點(diǎn)，采用SIFT算法從夜間視頻圖像中提取運(yùn)動(dòng)車輛的形狀特征，融合顏色特征、紋理特征和形狀特征，構(gòu)成夜間運(yùn)動(dòng)車輛的特征向量.將該特征向量輸入模糊分類器，采用Boosting模糊分類方法通過(guò)加權(quán)投票的方式自適應(yīng)選取對(duì)檢測(cè)最有利的特征，實(shí)現(xiàn)對(duì)夜間運(yùn)動(dòng)車輛的實(shí)時(shí)檢測(cè).

圖1 目標(biāo)區(qū)域的標(biāo)定

給定圖像，用矩形框標(biāo)定對(duì)應(yīng)檢測(cè)到的目標(biāo)區(qū)域，如圖1所示.將矩形框標(biāo)定的目標(biāo)區(qū)域定為正例樣本，將其周圍背景大小相同塊的區(qū)域標(biāo)定為反例樣本.

分別向上下方向和左右方向移動(dòng)矩形框1～2個(gè)象素點(diǎn)，得到N大小相同的塊，即獲取N個(gè)正例樣本，同時(shí)在周圍背景區(qū)域相應(yīng)地選取大小相同的N個(gè)塊，即獲取N個(gè)反例樣本，通過(guò)Boosting模糊分類方法對(duì)選取的樣本進(jìn)行訓(xùn)練，自適應(yīng)地選擇特征.具體步驟如下：

（1）給定訓(xùn)練樣本集X＝｛（x1，y1），（x2，y2），...，（xi，yi），...，（xN，yN）｝，其中xi表示第i個(gè)圖像塊，yi∈｛－1，1｝且分別表示樣本為反例樣本和正例樣本，（xi，yi）表示第i個(gè)圖像塊樣本，1≤i≤N（N為樣本的個(gè)數(shù)，實(shí)驗(yàn)中N取50）.每個(gè)樣本賦相等的初始權(quán)值為1／N；

（ⅱ）由（2）式采用遺傳算法以迭代方式找出使F1越大且F2越小，適應(yīng)度F最大時(shí)對(duì)應(yīng)的模糊規(guī)則Rt；

（ⅳ）根據(jù)模糊規(guī)則Rt的分類錯(cuò)誤率，通過(guò)計(jì)算Di（t＋1），更新樣本的權(quán)值Di，即

Boosting模糊分類算法通過(guò)T輪訓(xùn)練得到T條新的模糊規(guī)則，其中的每一條模糊規(guī)則都是通過(guò)遺傳算法以迭代方式得到的，所獲取的每一條新的模糊規(guī)則都具有很好的互補(bǔ)性，每一條不同的模糊規(guī)則在進(jìn)行特征選擇的時(shí)候，其作用都不同，這樣有利于實(shí)現(xiàn)自適應(yīng)特征選擇.Boosting模糊分類方法采用加權(quán)投票的方式來(lái)選擇最有利于夜間運(yùn)動(dòng)車輛檢測(cè)的特征，實(shí)現(xiàn)了自適應(yīng)特征的選擇及夜間運(yùn)動(dòng)車輛的實(shí)時(shí)檢測(cè).

4 實(shí)驗(yàn)結(jié)果與討論

為了驗(yàn)證文中算法的有效性，在Intel Core2Duo CPU 2.0GHz，內(nèi)存2.0GB的實(shí)驗(yàn)平臺(tái)上進(jìn)行仿真實(shí)驗(yàn).實(shí)驗(yàn)素材用3段不同交通環(huán)境下人工拍攝的視頻，輸入視頻大小為320×240，幀率為25fps，如表1所示.

表1 夜間交通視頻描述

首先標(biāo)定第1幀的目標(biāo)區(qū)域，個(gè)數(shù)N＝50，然后對(duì)目標(biāo)進(jìn)行仿射變換，獲取目標(biāo)的顏色、紋理及形狀特征，將其作為一個(gè)統(tǒng)一的備選特征庫(kù)，得到運(yùn)動(dòng)的初始化參數(shù).實(shí)驗(yàn)結(jié)果如表2所示，標(biāo)記為正確檢出的車輛是所有被正確檢測(cè)出的運(yùn)動(dòng)車輛，標(biāo)記為誤檢的車輛是同一車輛被識(shí)別為多輛或非車輛物體被誤認(rèn)為車輛的，標(biāo)記為漏檢的車輛是因遮擋或其他原因未被檢出的車輛.

表2 車輛檢測(cè)實(shí)驗(yàn)結(jié)果

表2實(shí)驗(yàn)數(shù)據(jù)表明，文中的方法在夜間環(huán)境下具有良好的檢測(cè)效果，即使在雨天、擁擠的交通環(huán)境中，出現(xiàn)非常大的背景干擾、遮擋以及光照變化等情況，也能保持較好的識(shí)別正確率.在視頻2和3中，路燈的影響及路面積水產(chǎn)生較嚴(yán)重的反光現(xiàn)象，容易產(chǎn)生車輛誤檢.視頻3在狹窄的隧道環(huán)境中車輛間存在嚴(yán)重的遮擋現(xiàn)象，車輛漏檢率較高.在天氣良好和有路燈的城市公路環(huán)境中文中方法識(shí)別率較高.

5 結(jié)論

基于自適應(yīng)特征選擇的夜間運(yùn)動(dòng)車輛檢測(cè)方法融合了多種特征，不需要背景先驗(yàn)知識(shí)，采用Boosting方法對(duì)夜間交通場(chǎng)景的照度和對(duì)比度低的變化自適應(yīng)地選擇檢測(cè)最有利的特征，實(shí)時(shí)、準(zhǔn)確地檢測(cè)夜間運(yùn)動(dòng)車輛.實(shí)驗(yàn)結(jié)果表明，Boosting算法和遺傳算法有效地解決了夜間等復(fù)雜交通場(chǎng)景中運(yùn)動(dòng)目標(biāo)精確提取和實(shí)時(shí)檢測(cè)困難等問(wèn)題，算法復(fù)雜度低，具有較高的識(shí)別率和很強(qiáng)的魯棒性，能夠滿足高速公路和城市道路等多種道路夜間環(huán)境下的實(shí)時(shí)檢測(cè)要求.

［1］ 劉 東.ITS中的車輛檢測(cè)技術(shù)［J］.公安大學(xué)學(xué)報(bào)：自然科學(xué)版，2000，20（4）：35－39.

［2］ 王 鵬，黃凱奇.基于視頻的夜間高速公路車輛事件檢測(cè)［J］.中國(guó)圖形圖像學(xué)報(bào)，2010，15（2）：300－307.

［3］ 陳柏生，陳鍛生.采用梯度濾波方法的夜間車輛檢測(cè)［J］.華僑大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，30（1）：42－43.

［4］ 譚榮偉，雷蘊(yùn)奇，陳柏生.夜間運(yùn)動(dòng)車輛檢測(cè)［J］.計(jì)算機(jī)工程與應(yīng)用，2005（13）：227－232.

［5］ RIT A C，MASSIM O P，PAOLA M.Image Analysis and Rule Based Reasoning for a Traffic Monitoring System［J］.IEEE Transaction on Intelligent Transportation Systems，2000，1（2）：119－130.

［6］ FREUND Y.Boosting a Weak Algorithm by Majority［J］.Information and Computation，1995，121（2）：256－285.

［7］ FREUND Y，SCHAPIRE R E.A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting［J］.Journal of Computer and System Sciences，1997，55（1）：119－139.

［8］ SCHAPIRE R E.The Boosting Approach to Machine Learning an Overview［J］.MSRI Workshop on Nonlinear Estimation and Classification，2003：1－23.

［9］ LOWE D G.Distinctive Image Features from Scale-Invariant Keypoints［J］.International Journal of Computer Vision，2004，60（2）：91－110.

［10］ GONZALEZ A，PEREZ R.Completeness and Consistency Conditions for Learning Fuzzy Rules［J］.Fuzzy Sets and Systems，1998，96：37－51.

［11］ GONZALEZ A，HERRERA F.Multi-Stage Genetic Fuzzy Systems Based on the Iterative Rule Learning Approach［J］.Mathware ＆Soft Computing，1997（4）：233－249.

（責(zé)任編輯 陳炳權(quán)）

Nighttime Motion Vehicle Detection Based on Self-Adaptive Character Choice

ZHU Shao-ping
（Hunan Uiversity of Finane and Economics，Changsha 410205，China）

According to the characteristics of the traffic environment at night，a method for nighttime motion vehicle detection based on self-adaptive character selection is presented in this paper.Firstly SIFT algorithm is used to extract the shape characteristic of the motion vehicle at night and obtain the feature vector by the integration of color and texture feature.And then Boosting algorithm and Genetic algorithm are used to obtain a set of fuzzy rules and regulations corresponding weights in the form of iterations and achieve self-adaptive feature selection by weighted voting decision to the most favorable characteristics of the detector.Finally the experimental results show that this method can deal well with complex situations at night，such as occlusion，illumination and background interference，maintain real-time vehicle detection in the choice of different self-adaptive characteristics to background information，and achieve the real-time and accuracy requirements of traffic intelligent monitoring system with strong robustness，which are tested in three different nighttime traffic scenarios.

vehicle detection；SIFT character；Boosting method；self-adaptive character choice

TP391.75

A

10.3969／j.issn.1007－2985.2013.06.013

1007－2985（2013）06－0047－06

車輛檢測(cè)是智能交通管理系統(tǒng)的重要組成部分，隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，基于視頻的車輛檢測(cè)技術(shù)由于其成本低廉、安裝及維護(hù)便利，已經(jīng)成為交通運(yùn)輸領(lǐng)域的研究熱點(diǎn)并得到廣泛的應(yīng)用.然而，由于夜晚交通場(chǎng)景光照條件復(fù)雜等特殊性，使得夜間交通視頻圖像中運(yùn)動(dòng)車輛本身可分辨信息量少，光照亮度變化大，車輛燈光有明顯光暈，梯度信息不明顯，目標(biāo)提取困難，車輛檢測(cè)誤檢率和漏檢率高.大部分交通視頻檢測(cè)算法的研究都集中在白天，背景消減和幀間差分等許多適用于白天的視頻檢測(cè)算法，并不適應(yīng)夜間環(huán)境.夜間環(huán)境車輛檢測(cè)一直是視頻車輛檢測(cè)技術(shù)的難點(diǎn).

傳統(tǒng)的夜間車輛檢測(cè)研究主要從提取車頭燈、車尾燈［1－2］等車輛最顯著的特征來(lái)克服夜間場(chǎng)景固有的困難，該方法對(duì)攝像機(jī)的安裝和拍攝方向有一定的要求，提取的交通參數(shù)也有限，魯棒性不強(qiáng).或者從硬件設(shè)施著手，通過(guò)改善檢測(cè)區(qū)域的照明條件［3］或選用紅外攝像機(jī)［4］來(lái)獲得運(yùn)動(dòng)車輛信息，該方法提高了系統(tǒng)安裝和維護(hù)的難度，同時(shí)增加了系統(tǒng)的成本.近年來(lái)車輛檢測(cè)和跟蹤技術(shù)發(fā)展很快，目前常用的夜間車輛檢測(cè)方法是通過(guò)檢測(cè)夜間圖像中運(yùn)動(dòng)車輛的車頭燈來(lái)檢測(cè)車輛［5］，是一種基于圖像和車頭燈的檢測(cè)方法.該方法采用普通的CCD攝像機(jī)拍攝夜間運(yùn)動(dòng)車輛的圖像，但由于夜間運(yùn)動(dòng)車輛的車頭燈光線特別強(qiáng)，地面燈光反射通常也很嚴(yán)重，拍攝時(shí)有時(shí)甚至?xí)纬梢淮笃牧涟?，完全沒(méi)有辦法對(duì)夜間運(yùn)動(dòng)車輛進(jìn)行拍攝及準(zhǔn)確檢測(cè)，因此它需要用人工的方法時(shí)常去調(diào)整攝像機(jī)的光圈，很明顯不能滿足車輛實(shí)時(shí)檢測(cè)的要求及現(xiàn)代智能交通發(fā)展的需求.

筆者在研究夜間復(fù)雜交通場(chǎng)景下車輛視頻檢測(cè)存在的問(wèn)題后，提出了基于自適應(yīng)特征的夜間運(yùn)動(dòng)車輛檢測(cè)方法.首先，利用SIFT算法提取夜間運(yùn)動(dòng)車輛的形狀特征，融合顏色、紋理和形狀特征，得到夜間運(yùn)動(dòng)車輛的特征向量；然后，通過(guò)利用Boosting算法［6－8］和遺傳算法設(shè)計(jì)的模糊分類器對(duì)輸入樣本進(jìn)行訓(xùn)練，且每輪訓(xùn)練都通過(guò)遺傳算法以迭代的方式獲取一條模糊規(guī)則及規(guī)則對(duì)應(yīng)的權(quán)值，自適應(yīng)選擇特征；最終，采用Boosting方法以加權(quán)投票方式自適應(yīng)選擇對(duì)檢測(cè)最有利的特征，實(shí)現(xiàn)夜間運(yùn)動(dòng)車輛的實(shí)時(shí)檢測(cè).實(shí)驗(yàn)結(jié)果表明，該方法對(duì)夜間運(yùn)動(dòng)車輛檢測(cè)速度快，正確率高，魯棒性好，完全滿足實(shí)時(shí)檢測(cè)的要求.

2013－07－28

湖南省科技計(jì)劃資助項(xiàng)目（2012FJ3021）；湖南省教育科學(xué)“十二五”規(guī)劃課題資助項(xiàng)目（XJK012CGD022）；

湖南省普通高等學(xué)校教學(xué)改革研究資助課題（湘教通【2012】401號(hào)544）

朱韶平（1972－），女，湖南雙峰人，湖南財(cái)政經(jīng)濟(jì)學(xué)院副教授，碩士，主要從事計(jì)算機(jī)應(yīng)用技術(shù)、模式識(shí)別和圖像處理等研究.