基于車輛特征和SIFT光流的前方汽車圖像信號識別

褚瑋 周皓

摘要：基于行車前方的場景圖像，該文提出了一種融合車底陰影、車道線和SIFT（尺度不變特征變換）光流的汽車識別方法。用高斯擬合法算出路面區(qū)域的灰度閾值生成二值圖，結合水平邊緣檢測獲得車底陰影，再根據車道線等場景信息建立候選汽車區(qū)域；在設置的三個感興趣的特征區(qū)域中，用尺度不變特征變換匹配生成特征光流場，進而識別車道上汽車位置及行車狀態(tài)。結果表明：該方法檢測情況穩(wěn)定，準確率高，檢測結果可應用于汽車駕駛輔助系統(tǒng)。

關鍵詞：SIFT 光流場 特征區(qū)域 車底陰影

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2016）08-0072-02

基于視覺的汽車識別在汽車駕駛輔助系統(tǒng)中占據重要價值，能提供給駕駛員汽車行駛環(huán)自身狀態(tài)（包括速度、方向等）、車輛間距、占道情況等。

光流場是一個二維矢量場，可理解為三維運動場在成像平面上的投影，反映了圖像上每一點灰度的變化趨勢，是一種對真實運動場的近似估計。光流運動分析[1]主要包括兩個步驟：第一步，由時變圖像序列的連續(xù)兩幀或多幀圖像計算光流場；第二步，解釋所得的光流場，檢測觀察場景中的運動，推斷運動參數和運動物體的表面結構。

1 生成可靠光流場

1.1 SIFT特征

實際行車環(huán)境中前車圖像序列是在攝像機有抖動、光照有變化、噪聲較嚴重、目標尺度發(fā)生變化的情況下獲得的。SIFT特征[2]是圖像的局部特征，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性，而對物體運動、遮擋、噪聲等因素也保持較好的可匹配性，從而可以實現差異較大的兩幅圖像之間特征的匹配。SIFT算法其基本思想是在尺度空間尋找極值點，提取關鍵點后對關鍵點附加詳細的局部特征信息，生成描述器（一個128維度的向量），通過特征點的兩兩比較找出相互匹配的若干對特征點，從而建立了目標間的對應關系。

1.2 SIFT光流場

通過計算每個像素點128維度的SIFT特征向量，整個圖像區(qū)域構成一個SIFT圖像。為了將可視化，將每個SIFT特征向量通過最主元分析選擇前3個主元投射到3維的RGB顏色空間，生成了如圖1中左圖的效果，圖中相同的顏色部分意味著有類似的空間結構。

通過對連續(xù)兩幀圖像的SIFT特征向量的匹配，得到穩(wěn)定、可靠、致密的SIFT光流場。對生成的光流場同樣采用一種可視化表達方法，如圖1所示的中圖和右圖，用不同色度和飽和度表達不同的光流方向和大小。

2 感興趣區(qū)域分割

2.1 估計FOE（Focus of Expansion）

當攝像機在穩(wěn)定的場景中按照光軸平行于路面的方式向前移動時，圖像序列計算出的光流場中會存在一個向外擴張的聚焦點，它的光流值為零，理想情況下，通過光流場的結構可以估算FOE的位置，但是車載攝像機的震動或傾斜以及汽車的行駛軌跡會導致FOE的位置劇烈變化，影響光流場結構。通過Hough直線檢測方法檢測出原圖像邊緣圖中的車道界線，車道界線的交點認定為FOE的位置。

2.2 行車環(huán)境光流場的特征區(qū)域設置

基于FOE和車道線的檢測將圖像分割成A、B、C、D和E五個區(qū)域， 如圖2（a）所示。A和B區(qū)域屬于水平線以上的場景，這兩個區(qū)域中信息較為豐富（如道路兩邊的建筑物），能較好地生成體現出主車運動狀態(tài)的光流場結構。C、D和E區(qū)域屬于水平線以下的場景，包含路面和可能存在的汽車。如圖2（b）所示，顯示了光流場的五個區(qū)域平均光流矢量，圓圈代表光流矢量起點，線段長度代表光流矢量的大小。根據圖中A、B區(qū)域的平均光流矢量的方向和幅值可以初步判斷行車自運動狀態(tài)為向前行駛。將C、D、E區(qū)域的平均光流矢量與A、B區(qū)域對比后，可初步判斷在C區(qū)域或E區(qū)域中可能存在運動汽車。在下一階段計算中，僅考慮C、D、E區(qū)域作為興趣區(qū)域。

3 目標汽車的行車狀態(tài)

3.1 通過車底陰影獲得候選汽車區(qū)域

車底陰影的灰度值依賴于圖像中的環(huán)境光照強度，因此無法定量描述其灰度值的下界閾值。通常情況下，車底陰影要明顯比汽車所在行駛路面的任何部分都暗，可以通過分析路面區(qū)域的灰度值自動地估算出一個上界閾值，且滿足車底陰影區(qū)域灰度值小于這個上界閾值，從而分割出車底陰影區(qū)域。

利用色彩信息[3]或熵可以分割出圖像中的行駛路面，雖然分割出的區(qū)域更精確但計算耗時多，因此選擇一種基于邊緣的快速分割方法，首先采用canny算子計算原圖像的邊緣圖，從下往上考察邊緣圖中的每一列，以遇到的第一個邊緣點為分割點，分割點以下的像素點歸類為路面區(qū)域。實驗證明，該法運算更快速，分割精度也滿足后續(xù)操作的要求，見圖3。

3.2 SIFT特征光流場及車輛狀態(tài)判斷

如圖4所示，對車載攝像機在高架道路環(huán)境下所拍攝的行車前方連續(xù)10幀的圖像進行了車底陰影進行分析，車道線使用紅色虛線表示，紅色“+”號為多幀圖像檢測到的FOE位置。對于每幀圖像都會生成候選區(qū)域，于是聯(lián)合多幀中的信息對候選區(qū)域出現的可能性用灰度級別來表示，圖中越黑的區(qū)域表示存在汽車目標的可能性越大，全黑表示在10幀圖像中該區(qū)域均出現。因為只有在C、D、E區(qū)域中可能存在車輛信息，針對感興趣區(qū)域提取SIFT特征計算光流場，節(jié)省計算時間。如圖5所示，通過多幀信息的融合，確定在E區(qū)域中有一輛靠近主車的車輛，大小如圖中所示黑色矩形框，它相對于主車的向后行駛，同時在這區(qū)域可能有兩輛較遠的車輛；C區(qū)域可能有一輛車，距離主車較遠；D區(qū)可能有一輛車，非常靠近FOE區(qū)域，距離主車較遠。之所以在SIFT光流場分析中未見到有些車輛候選區(qū)域的明顯光流特征是因為這些區(qū)域中的車輛相對于主車基本靜止，作為局部的前景未見明顯變化。

4 實驗結果

準確檢測前方運動車輛的位置等狀態(tài)信息是車輛安全駕駛的前提，本文對連續(xù)的圖像序列處理，在主車未變道的情況下，FOE點和車道線的相對穩(wěn)定，用幀間信息融合比對進行快速判斷，不用實時檢測，對于生成的目標假設區(qū)域，SIFT光流信息可以很好排除虛假車輛。對實際圖像情況下的各種干擾能初步有效的排除，提高了檢測效率。實驗結果顯示，該算法的正確識別率達到96.2% ，白天環(huán)境能滿足準確的識別要求。

5 結語

在行車前方的復雜情況下，全局方法獲得的光流場穩(wěn)定性差，采用融合車輛特征和SIFT光流場的方法可完成行車前方復雜場景下的汽車識別任務。本文方法將進一步處理提取自身行車速度、彎道、上下坡等特征信息，以及處理夜間行車環(huán)境問題，進而更加完善地判定行車狀態(tài)。

參考文獻

[1]馬頌德.計算機視覺[M].科學出版社，1998.

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

[3]Raboisson S， Schmouker P. Obstacle detection in highway environment by colour CCD camera and image processing prototype installed in a vehicle[C]// Intelligent Vehicles ‘94 Symposium， Proceedings of the. 1994：44 - 49.