多3D表觀(guān)特征級(jí)聯(lián)Adaboost夜間檢測(cè)車(chē)輛方法

摘要：夜間場(chǎng)景光線(xiàn)較暗，車(chē)輛整體外觀(guān)特征不顯著，使得夜間視頻車(chē)輛檢測(cè)成為一大難點(diǎn)。夜間能使用的最為顯著的特征就是車(chē)燈。如車(chē)燈的亮度、圓形度、面積、車(chē)燈之間的間距，距離地面的垂直間距、車(chē)燈對(duì)之間的紋理、車(chē)燈的對(duì)稱(chēng)性等，將它們結(jié)合自適應(yīng)增強(qiáng)方法（AdaBoost）用于間車(chē)輛檢測(cè)，能同時(shí)獲得高檢測(cè)率和低誤檢率。

關(guān)鍵詞：表觀(guān)特征；車(chē)燈對(duì)；AdaBoost；車(chē)輛檢測(cè)

1 特征選取

車(chē)頭燈對(duì)在夜晚可以捕獲的表觀(guān)特征有亮度、紋理、幾何形狀、面積和對(duì)稱(chēng)性等，這些特征分屬于高層特征或低層特征?；跈z測(cè)的精確度來(lái)看，利用高層特征分割圖像的方法得到的分割實(shí)驗(yàn)結(jié)果比較粗糙。而基于低層特征（例如顏色、紋理、亮度等特征）的分割算法得到的分割結(jié)果效果良好，精度滿(mǎn)足要求。但是僅取低層特征在夜晚受到光線(xiàn)的影響無(wú)法保證一定精度的車(chē)輛檢測(cè)，所以，本文考慮將低層和高層特征相結(jié)合，選用一些在3D空間具有強(qiáng)分辨力的表觀(guān)特征作為AdaBoost分類(lèi)器的訓(xùn)練特征。有對(duì)稱(chēng)特征、形狀特征、幾何尺寸和LBP紋理等。具體本文先選擇車(chē)燈亮度、面積、周長(zhǎng)和圓形度這四個(gè)簡(jiǎn)單特征初步完成車(chē)燈的檢測(cè)，然后基于車(chē)燈間距和距離地面的高度符合的GMM、對(duì)稱(chēng)SURF和LBP特征完成車(chē)燈的配對(duì)，定位出車(chē)輛目標(biāo)。

2 Adaboost單分類(lèi)器訓(xùn)練

本文既為保證夜間車(chē)輛不被漏檢，又要保證目標(biāo)沒(méi)被誤檢，對(duì)單特征AdaBoost分類(lèi)器訓(xùn)練規(guī)則做了改進(jìn)，使得最優(yōu)閾值T*不僅要滿(mǎn)足式（1）定義的目標(biāo)最小分類(lèi)誤差準(zhǔn)則，還需滿(mǎn)足式（2）定義的正樣本正確分類(lèi)最大準(zhǔn)則。改進(jìn)后的的單特征AdaBoost分類(lèi)器訓(xùn)練算法見(jiàn)下：

（1）計(jì)算出N個(gè)訓(xùn)練樣本的特征值，記為Fk（xi），i=1，…，N。

（2）按從小到大對(duì)特征值進(jìn)行排序，生成特征增值表。

（3）計(jì)算特征增值表中前i（1≤i≤N）個(gè)元素的正樣本權(quán)重和與負(fù)樣本權(quán)重和，分別記為E+i和E-i。

（4）計(jì)算全部正樣本的權(quán)重和與負(fù)樣本權(quán)重和，分別記為B+和B-。

（5）設(shè)閾值Ti為前i（1≤i≤N）個(gè)元素的特征值平均數(shù)。

ei=min（E+i+（B--E-i），E-i+（B+-E+i））（1）

D+i=max（B+-E+iB+，E+iB+）i=1，2，…，N（2）

（6）尋找D+i≥99%的情況下使得ei最小的閾值T*。

3 Adaboost分類(lèi)器級(jí)聯(lián)

在車(chē)輛識(shí)別中，采用多個(gè)特征比單個(gè)特征能獲得更高的檢測(cè)率，但也會(huì)增加計(jì)算量。為達(dá)到最優(yōu)性能，本文提出對(duì)單特征分類(lèi)器不僅僅是按照權(quán)重簡(jiǎn)單疊加，按照不同特征的檢測(cè)綜合性能對(duì)分類(lèi)器進(jìn)行了分級(jí)順序級(jí)聯(lián)。各分類(lèi)器的檢測(cè)性能確定依賴(lài)于特征提取的復(fù)雜度和基于該特征的車(chē)輛正確檢測(cè)率決定。我們先按照簡(jiǎn)單特征在前，復(fù)雜特征在后的原則將分類(lèi)器分為兩級(jí)，這樣可以保證前一級(jí)分類(lèi)器篩選掉的目標(biāo)不會(huì)再被后面的分類(lèi)器繼續(xù)處理，從而降低提取復(fù)雜特征的目標(biāo)數(shù)量，縮短算法的響應(yīng)時(shí)間。然后，對(duì)同級(jí)分類(lèi)器，檢測(cè)率大的分類(lèi)器在前，檢測(cè)率小的在后，這樣可以準(zhǔn)確地排除干擾，提高車(chē)輛檢測(cè)精度。在車(chē)燈提取階段，本文選取亮度、面積、周長(zhǎng)和圓形度這四個(gè)簡(jiǎn)單特征聯(lián)合表征，最終的分類(lèi)器優(yōu)先級(jí)順序按照上述分析應(yīng)該為亮度、周長(zhǎng)、面積和圓形度。

在車(chē)燈配對(duì)階段，本文選取車(chē)燈間距和距離地面的高度GMM、LBP和SSURF這三個(gè)特征，其中SSURF特征相對(duì)簡(jiǎn)單可靠，LBP和車(chē)燈間距和距離地面的高度GMM特征次子，所以前者優(yōu)先級(jí)高于后兩者。但是對(duì)于同級(jí)特征LBP和GMM，由實(shí)驗(yàn)可知，GMM針對(duì)車(chē)輛的正確檢測(cè)率相比LBP要高，所以GMM特征分類(lèi)器的優(yōu)先級(jí)要高于LBP特征分類(lèi)器。最終，在匹配階段，分類(lèi)器的級(jí)聯(lián)順序應(yīng)該是SSURF、GMM和LBP特征。

依據(jù)上述表述的規(guī)則級(jí)聯(lián)的分類(lèi)器能夠大幅度縮減車(chē)輛檢測(cè)響應(yīng)的時(shí)間，而且在保證高準(zhǔn)確檢測(cè)率的同時(shí)降低了錯(cuò)誤檢測(cè)率。

4 車(chē)輛檢測(cè)

車(chē)輛檢測(cè)基于Adoboost 分類(lèi)器包括以下幾大關(guān)鍵步驟：

1）在每一幀提取到的逆投影圖中先用亮度特征分類(lèi)器快速分割出亮塊區(qū)域。

2）對(duì)分割后的亮塊區(qū)域用漫水填充算法進(jìn)行位置標(biāo)記（即定位）。

3）用第一層車(chē)燈檢測(cè)器按照優(yōu)先級(jí)級(jí)聯(lián)順序計(jì)算出類(lèi)車(chē)燈塊的響應(yīng)值（即分類(lèi)器的輸出）進(jìn)行判斷，定位出車(chē)燈區(qū)域并標(biāo)記為Pi（1，2，…p），pi表示第i個(gè)車(chē)燈塊，其位置用其最小外接矩形（邊界框）的中心像素點(diǎn)坐標(biāo)Ci（mi，ni）表示。

4）對(duì)于相鄰車(chē)燈的配對(duì)，選擇自頂向下的搜索方法。當(dāng)搜索到第一個(gè)車(chē)燈目標(biāo)P1時(shí)，以其中心像素點(diǎn)C1（m1，n1）為起點(diǎn)，從左向右進(jìn)行動(dòng)態(tài)規(guī)劃掃描，掃描區(qū)域定義為右方上下最佳偏移為σc的范圍內(nèi)。

5）當(dāng)搜索到第t個(gè)目標(biāo)對(duì)象Pt時(shí)，提取車(chē)燈間距、距離地面的高度、對(duì)稱(chēng)SURF和LBP特征輸入到第二層車(chē)燈對(duì)配對(duì)分類(lèi)器，通過(guò)響應(yīng)輸出Yt確定此配對(duì)部件是否屬于同一車(chē)輛，進(jìn)而完成車(chē)輛檢測(cè)。

5 結(jié)語(yǔ)

面對(duì)夜間車(chē)輛檢測(cè)這一難題，提出借助夜間車(chē)燈顯著特征對(duì)Adaboost模型進(jìn)行構(gòu)造，實(shí)驗(yàn)結(jié)果驗(yàn)證運(yùn)用多空間3D表觀(guān)特征級(jí)聯(lián)Adaboost分類(lèi)器，通過(guò)分級(jí)按順序級(jí)聯(lián)亮度、車(chē)頭燈水平對(duì)稱(chēng)性、車(chē)燈間距，距路面的高度和車(chē)燈區(qū)域LBP紋理等特征完成車(chē)輛的檢測(cè)，平均準(zhǔn)確度達(dá)到了96.03%，且實(shí)時(shí)性較好。

參考文獻(xiàn)：

[1]杜悅，陳國(guó)慶.一種根據(jù)車(chē)牌識(shí)別判斷車(chē)型的方法，CN 102184393 A[P].2011.

[2]李文波，王立研.一種基于Adaboost算法的車(chē)輛檢測(cè)方法[J].長(zhǎng)春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，32（2）：292295.

[3]金立生，王巖，劉景華，等.基于Adaboost算法的日間前方車(chē)輛檢測(cè)[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2014，44（6）：16041608.

[4]王相海，秦鉅鰲，方玲玲.基于感興趣區(qū)域AdaBoost分類(lèi)器的視頻車(chē)輛檢測(cè)研究[J].遼寧師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2014（1）：5262.

基金項(xiàng)目：西藏科技廳自然科學(xué)基金項(xiàng)目：XZ2017ZRG53（Z）

作者簡(jiǎn)介：宋俊芳 （1984），女，講師，主要研究方向：計(jì)算機(jī)視覺(jué)、圖像處理和智能交通。