基于單目視覺的車輛檢測技術(shù)

范曉娟+胡坤福+段海艷+羅文廣

摘 要：基于單目攝像頭，文中提出了一種自適應(yīng)掃描區(qū)域的車型及車距檢測算法，以提高前方車輛識別的實(shí)時性、準(zhǔn)確性和魯棒性。該算法的創(chuàng)新點(diǎn)在于采用發(fā)散式掃描方式進(jìn)行分段區(qū)域閾值計(jì)算，可以在減小計(jì)算量的同時有效避免道路兩旁樹木、廣告牌等陰影對車輛檢測的影響。首先，確定道路消失點(diǎn)與掃描區(qū)域；其次，根據(jù)車輛底部的陰影特征進(jìn)行自適應(yīng)閾值、矩形度等的計(jì)算，確定車輛所在位置；再次，根據(jù)邊緣特征識別出車輛外框；最后，根據(jù)逆投影變換估算出前方車輛與本車之間的距離。實(shí)驗(yàn)結(jié)果表明，該算法對于在復(fù)雜路面、光線較弱工況下的車輛識別均具有較好的適應(yīng)性。

關(guān)鍵詞：單目視覺；發(fā)散式掃描；自適應(yīng)閾值；車輛識別；車距識別

中圖分類號：TP391；TP274 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2017）06-00-05

0 引 言

車輛檢測系統(tǒng)具有輔助駕駛、提前警告等作用，可以更好地保護(hù)人車安全。文獻(xiàn)[1]指出目前常用的車輛檢測算法有單目視覺、立體視覺、多傳感器融合。由于目前單目視覺算法成熟，因此車輛檢測的方法多基于單目視覺。

在基于單目視覺的車輛實(shí)時檢測系統(tǒng)中，車輛最明顯的特征是其底部陰影[2-11]。目前，陰影檢測技術(shù)主要分為基于模型的方法和基于特征的方法。

基于模型的方法根據(jù)被檢測目標(biāo)的形狀、所處環(huán)境等先驗(yàn)條件建立陰影模型，然后通過統(tǒng)計(jì)分析來判斷每個像素點(diǎn)是否屬于陰影區(qū)域。基于模型的方法需要嚴(yán)格假設(shè)，若被檢測目標(biāo)易于建模，則可對陰影有較好的檢測效果。但在復(fù)雜多變的環(huán)境下，此方法抗干擾能力差，檢測正確率不高[12]?；谔卣鞯姆椒▌t是先確定掃描區(qū)域，然后通過灰度、紋理、梯度等特征來檢測陰影，最終將陰影和背景分離。施樹明使用車底灰度值突變法進(jìn)行圖像分割[13]，其實(shí)驗(yàn)結(jié)果表明，該方法的抗干擾性較差。均值方差差值法根據(jù)無障礙物路面區(qū)域內(nèi)像素點(diǎn)的灰度值符合正態(tài)分布的特點(diǎn)，利用其統(tǒng)計(jì)參數(shù)確定路面灰度閾值。顧柏園使用樣本區(qū)間灰度值特性結(jié)合矩形掃描窗口的方法進(jìn)行車底陰影區(qū)域分割[14]，在前方遠(yuǎn)距離有陰影且近距離無陰影的情況下，利用該方法進(jìn)行車底陰影的分割具有一定的局限性。

車輛外框檢測在完成車輛底部陰影識別的前提下進(jìn)行，劉直芳將最大連通區(qū)域左右邊界作為車輛左右邊框[15]。但此方法易受光線影響，魯棒性較差。本文采用譚華春的方法[16]，通過車輛的邊緣特征進(jìn)行車輛定位，相對更加精確。

基于上述分析，本文提出了一種基于自適應(yīng)掃描區(qū)域的發(fā)散式掃描方式的分段區(qū)域閾值計(jì)算方法進(jìn)行車輛底部的陰影識別，然后根據(jù)車輛的邊緣特征進(jìn)行車輛的邊框檢測。該算法可以有效減少計(jì)算量及復(fù)雜環(huán)境的干擾，提高車輛檢測的實(shí)時性及魯棒性，分割效果較好。

1 發(fā)散式掃描原理

由于本車車道和相鄰兩個車道的車輛會影響本車的行車安全，因此將這三個車道區(qū)域視為危險(xiǎn)區(qū)域，即如圖1中由點(diǎn)D'-P3-P2-C'-K'圍成的區(qū)域。

1.1 自適應(yīng)掃描區(qū)域

從圖1可以看出，危險(xiǎn)區(qū)域確定的關(guān)鍵點(diǎn)是找到K'點(diǎn)。本算法使用的是自適應(yīng)的道路消失點(diǎn)K'點(diǎn)。通過HOUGH變換確定當(dāng)前車道近距離的車道線A'A"以及B'B"[17] ，并將其延長，交點(diǎn)即為道路消失點(diǎn)K'。

在坐標(biāo)系下，確定當(dāng)前車道寬后，即可確定相鄰兩條車道的寬度[18]。因此可以根據(jù)改進(jìn)的逆投影變換求出圖像中的車道線K'D'，K'C'[19]。最終確定本算法的掃描區(qū)域?yàn)橛牲c(diǎn)D'-P3-P2-C'-K'所圍區(qū)域，如圖1所示。

1.2 發(fā)散式掃描原理

根據(jù)圖像“遠(yuǎn)小近大”的透視原理，本節(jié)提出了一種對掃描區(qū)域進(jìn)行發(fā)散式像素掃描的方法。對比傳統(tǒng)以整幅圖像或地平線作為分界線的部分圖像掃描方法[1]，該方法可有效減少掃描像素點(diǎn)的數(shù)量，降低外界環(huán)境對提取車底陰影信息的干擾。實(shí)驗(yàn)表明，相鄰兩條掃描線之間的角度θ為5°時，可取得較好的識別效果。掃描方法示意圖如圖2所示，掃描結(jié)果如圖3所示，本文實(shí)驗(yàn)參數(shù)見表1所列。

2 自適應(yīng)閾值計(jì)算原理

傳統(tǒng)的閾值計(jì)算方法是對整個掃描區(qū)域進(jìn)行逐點(diǎn)掃描，從而獲得對應(yīng)點(diǎn)的灰度值，并最終得到全局閾值[1]。此方法雖然可以獲取最大量數(shù)據(jù)進(jìn)行閾值評估，但其實(shí)時性、魯棒性較差?？紤]到車底陰影灰度特性與較暗的路面，樹木的陰影等相對接近，以及由于光線造成的遠(yuǎn)近車底陰影灰度值存在差異等問題，本小節(jié)基于發(fā)散式掃描原理，以分區(qū)域矩形遍歷窗口的方式對像素點(diǎn)的灰度值進(jìn)行自適應(yīng)閾值計(jì)算。

2.1 區(qū)域劃分

本節(jié)提出采用分區(qū)域的自適應(yīng)閾值分割方法，有針對性的完成車底陰影區(qū)域的提取。根據(jù)圖象透視原理，隨著前方車輛與本車的相對距離增大，前方車底陰影面積逐漸減小。據(jù)此特點(diǎn)，本文將掃描區(qū)劃分為3個縱向高度相等的子區(qū)域Area1～Area3，如圖4所示，并針對不同的子區(qū)域，以不同的矩形掃描窗口進(jìn)行閾值計(jì)算。以1.6 m寬的普通家庭小轎車車底陰影為例，將每個子區(qū)域中面積最小的矩形作為各子區(qū)域的遍歷窗口，如圖4中的S1～S3所示。

2.2 分區(qū)域閾值計(jì)算

分區(qū)域閾值計(jì)算的原理為Areai（i=1～3）的閾值由各自區(qū)域內(nèi)灰度均值最小的矩形掃描窗口來決定，即：

式中，i=1～3；Thi為Areai區(qū)域的閾值；Mi為Areai區(qū)域矩形掃描窗口的最小灰度均值；Mvi為Areai區(qū)域最小灰度均值對應(yīng)矩形掃描窗口的均值方差；G為對應(yīng)坐標(biāo)像素點(diǎn)的灰度值；（ui， vi）為Areai區(qū)域掃描像素點(diǎn)坐標(biāo)；（uMi， vMi）為Areai區(qū)域最小均值矩形窗口所對應(yīng)的掃描點(diǎn)坐標(biāo)；Δu、Δv分別為矩形掃描窗口內(nèi)像素點(diǎn)距其左上角像素點(diǎn)的橫、縱距離。

通過大量實(shí)驗(yàn)并結(jié)合色彩透視原理可以得出結(jié)論：近距離車底陰影灰度值低于遠(yuǎn)距離車底陰影灰度值。針對這一特性，為減小誤判現(xiàn)象，本文對三個區(qū)域的閾值做以下處理：

式中，Th1，Th'2，Th'3分別為區(qū)域Area1～Area3的最終閾值。此方法能夠較好地完成掃描區(qū)域任一子區(qū)域中在沒有車輛情況下的圖像分割，分割效果更好。

3 車輛識別

車輛外框的檢測對安全行駛而言具有重要意義。當(dāng)前方有大型車輛行駛時，有利于駕駛員提高警惕。車輛的下邊界即車底陰影下邊界，可由文中所述方法確定。

3.1 車輛下邊界檢測

利用文章所述方法與閾值進(jìn)行圖像分割，會使分割所得的二值圖內(nèi)部出現(xiàn)空穴，不利于車底陰影信息的提取。因此本文采用空穴填充的方法完成對二值圖像的預(yù)處理[14]。經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，車輛底部陰影通常為接近矩形的連通區(qū)域。對連通區(qū)域進(jìn)行矩形度計(jì)算，需將連通區(qū)域進(jìn)行標(biāo)記。為確保每塊標(biāo)記區(qū)域包含一輛車的車底陰影，本文將對每塊連通區(qū)域做以下操作，以圖5為例。

（1）確定陰影區(qū)域外接矩形四角g1～g4坐標(biāo)；

（2）判斷矩形g1～g4的寬度是否大于1.2W'1，若是，則執(zhí)行步驟（3），若不是，則分離結(jié)束；

（3）找出非車底陰影區(qū)域，且其外接矩形兩條邊需與區(qū)域g1～g4重合，如圖中的矩形邊g4g5，g4g6；

（4）判斷區(qū)域g4～g7矩形度是否大于0.7（此數(shù)據(jù)由實(shí)驗(yàn)所得），且矩形寬度是否大于0.2W'1，若同時滿足則執(zhí)行（5），若存在一個不滿足，則分離結(jié)束；

（5）以直線g6g7的延長線g6g8為分割線將區(qū)域g1～g4分割為g1-g4-g6-g8區(qū)域和g2-g3-g6-g8區(qū)域，并對兩個區(qū)域重新標(biāo)記。其中，W'1為路面坐標(biāo)系下1.6 m車輛寬度，對應(yīng)圖像坐標(biāo)系下的像素寬度。

經(jīng)上述預(yù)處理，分析圖5可知，車底陰影區(qū)域通常為不完整的矩形。同時，路面坐標(biāo)系下車輛尾部的寬度范圍為1.6～2.5 m。分析上述車底陰影候選區(qū)域Ci（i=1，2，3...），為減少計(jì)算量，便于進(jìn)行Ci檢測，本文將車底陰影候選區(qū)域按照其左下角的坐標(biāo)，從下到上進(jìn)行排序，若存在若干個車底陰影候選區(qū)域左下角縱坐標(biāo)相等，則從左到右排序。按照i增大方向?qū)i進(jìn)行檢測，車底陰影檢測流程圖如圖6所示。其中，W'2為路面坐標(biāo)系下2.5 m車輛寬度，對應(yīng)圖像坐標(biāo)系下的像素寬度。

通過上述分析可求得圖像中車底陰影的位置，車底陰影下邊緣即為車輛外框下邊界。

3.2 車輛左右邊界確定

本文采用Log邊緣檢測算子進(jìn)行邊緣提取[20]，Log邊緣檢測算子采用基于二階導(dǎo)數(shù)過零點(diǎn)的邊緣檢測方法，因此其能提取出較完整連續(xù)的邊緣。

垂直邊緣提取如圖7所示。

在圖像的垂直邊緣圖中，車輛的左右邊界垂直邊緣比較突出。因此可利用這一特點(diǎn)進(jìn)行車輛的左右位置定位[14]。公式如下：

其中，Ul，Ur為計(jì)算所得車輛左右位置，EC（u，v）為垂直邊緣，C（u）為垂直邊緣在垂直方向的累加和，Vd為車輛陰影底邊界，UVl，UVr為陰影左右邊界，H=UVl-UVr為陰影寬度。

3.3 車輛上邊界確定

在已經(jīng)確認(rèn)的左右邊界內(nèi)，對其垂直邊緣與水平邊緣進(jìn)行水平投影，利用車輛的水平邊緣信息進(jìn)行上邊界確認(rèn)[14]。方法如下：

（1）對左右側(cè)垂直邊緣進(jìn)行水平投影（Δx=2）

（2）若Hl（v）=0，（v=Vd+H），則由此位置向下尋找vl，滿足Hl（vl）>0的同時Hl（vl+1）=0，否則由此位置向上尋找vl，滿足Hl（vl）>0的同時Hl（vl+1）=0，采用同樣的方法尋找Vr。

（3）取vmax=max（vl，vr）；

（4）對水平邊緣水平投影，得：

（5）尋找水平投影最大值Hmax，在vmax≤v≤Vd+1.5 V范圍內(nèi)找出vt，使得H（vt）≥（1/2）Hmax，停止搜索，vt即為車輛邊界。

Eh（u，v）為水平邊緣。根據(jù)上述方法進(jìn)行車輛定位，結(jié)果如圖8所示（圖中直線為邊界定位結(jié)果）。

根據(jù)車輛邊框的下邊界，通過改進(jìn)的逆投影變換求出在路面坐標(biāo)系下[19]，本車與前方車輛之間的相對距離。

4 實(shí)驗(yàn)結(jié)果及分析

本文實(shí)驗(yàn)平臺為Matlab 2014a。實(shí)驗(yàn)視頻來自2015年9月17日下午行車記錄儀錄取的江蘇省海門市人民西路路段、解放東路路段、解放路路段和秀山路路段視頻。

為了能夠更加直觀的體現(xiàn)出本文算法的準(zhǔn)確性，文章列出了簡單工況與復(fù)雜工況視頻的統(tǒng)計(jì)結(jié)果，如表2，表3所列。從表2和表3中可以看出，無論是簡單工況還是復(fù)雜工況，當(dāng)前車道的車輛識別正確率都可以達(dá)到99%以上，處于左、右兩同向車道車輛的識別正確率有所下降，但也可以達(dá)到92%。這主要與當(dāng)前車道的車輛處于攝像頭正前方，可以最大程度采集車底陰影數(shù)據(jù)有關(guān)。由于左、右同向車道的車輛處于攝像頭的左、右側(cè)方向，因此其呈現(xiàn)在圖像中車輛底部陰影區(qū)域相對于正前方的車底陰影區(qū)域會有一定程度的變形，導(dǎo)致識別正確率下降。在表3中，左側(cè)逆向車道的車輛識別正確率明顯低于同向車道，只有76.42%。導(dǎo)致這一現(xiàn)象的主要原因是本文識別的是車尾部分的底部陰影，但逆向車道的車輛識別只能識別車頭部分的底部陰影，與本文算法沖突。因此，本文算法在左側(cè)逆向車道的車底陰影識別方面有待加強(qiáng)。

圖9所示為實(shí)驗(yàn)結(jié)果視頻中隨機(jī)截取的8張圖片。從圖中可以看出，在簡單背景環(huán)境下可以準(zhǔn)確識別出車輛外框，但在背景有陰影或光線較弱的情況下車輛外框識別效果較差。這主要與光線會對邊緣檢測造成影響有關(guān)，因此，本文算法在復(fù)雜工況下的車輛外框識別方面仍有待加強(qiáng)。

5 結(jié) 語

本文提出了一種基于自適應(yīng)掃描區(qū)域采用發(fā)散式掃描原理的自適應(yīng)閾值算法，結(jié)合車輛邊緣特征進(jìn)行車輛的邊框以及車距檢測。大量實(shí)驗(yàn)驗(yàn)證表明：

（1）提出的基于自適應(yīng)掃描區(qū)域的發(fā)散式掃描原理，不僅可以減小周圍環(huán)境對車輛識別的干擾，還能夠采集到有效的像素信息，可較好提高車輛識別的實(shí)時性；

（2）提出的分段式自適應(yīng)閾值計(jì)算方法，通過將掃描區(qū)域分成三個部分，利用不同大小的矩形遍歷窗口，完成圖像閾值分割計(jì)算，由此大幅提高算法對光線明暗和道路陰影等干擾的自適應(yīng)性。

（3）根據(jù)車輛邊緣特征進(jìn)行車輛邊框定位，可以完成簡單工況下的車輛邊框檢測。

未來需要開展的工作分為如下幾項(xiàng)：

（1）進(jìn)一步提高車輛邊框檢測的魯棒性；

（2）對識別的車間距離與實(shí)際距離進(jìn)行標(biāo)定，驗(yàn)證其準(zhǔn)確性；

（3）進(jìn)一步提高該算法的實(shí)時性，并將其應(yīng)用于DSP嵌入式系統(tǒng)進(jìn)行驗(yàn)證。

參考文獻(xiàn)

[1]佟卓遠(yuǎn).基于機(jī)器視覺的前方車輛檢測與測距系統(tǒng)設(shè)計(jì)[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2015.

[2] Liu W， Song C， Wen X， et al. A Monocular-vision Rear Vehicle Detection Algorithm[C].IEEE International Conference on Vehicular Electronics and Safety，2007：1-6.

[3] Sun Z， Miller R， Bebis G， et al. A Real-time Precrash Vehicle Detection System[C].IEEE Workshop on Applications of Computer Vision. IEEE Computer Society， 2002：171.

[4]趙日成.基于車底陰影的車前障礙物檢測[J].電子科技，2015，28 （3）：15-18.

[5]王海濤.車前障礙物檢測及車道線識別研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

[6] Einhorn E， Ter C， HM Gross.Attention-driven Monocular Scene Reconstruction for Obstacle Detection， Robot Navigation and Map Building[M].Racism and political action in Britain/ Routledge & Kegan Paul， 1979：296-309.

[7]沈潔.基于圖像的前方車輛檢測[D].南京：南京理工大學(xué)，2011.

[8]周士杰.基于單目視頻流的前方車輛檢測算法研究[D].杭州：杭州電子科技大學(xué)，2015.

[9] Buchman G. On Road Vehicle Detection using Shadows[Z]. Wiki.grasp.upenn.edu， 2013.

[10]陽樹洪.灰度圖像閾值分割的自適應(yīng)和快速算法研究[D].重慶：重慶大學(xué)，2014.

[11] Kim G， Cho J S. Vision-based Vehicle Detection and Inter-vehicle Distance Estimation[C].International Conference on Control， Automation and Systems. IEEE， 2012：625-629.

[12] Martel-Brisson N， Zaccarin A. Moving Cast Shadow Detection from a Gaussian Mixture Shadow Model[C].IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE Computer Society， 2005：643-648.

[13]施樹明，儲江偉，李斌，等.基于單目視覺的前方車輛探測方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35（4）：5-8.

[14]顧柏園.基于單目視覺的安全車距預(yù)警系統(tǒng)研究[D].長春：吉林大學(xué)，2006.

[15]劉直芳，游志勝，張繼平，等.利用人眼感知視覺模型的車型動態(tài)定位[J].控制與決策，2003，18（5）：619-622.

[16]譚華春，周洋，李克強(qiáng)，等.基于車尾部特征的對車輛的視覺精確定位[J].汽車安全與節(jié)能學(xué)報(bào)， 2016， 7（3）：285-290.

[17]王賽，徐伯慶，蘇棟騏.Hough變換的車道線并行檢測[J].電子科技，2015，28（12）：96-99.

[18] GB5768.3-2009.道路交通標(biāo)志和標(biāo)線第3部分：道路交通標(biāo)線[S].北京：中國標(biāo)準(zhǔn)出版社，2009：6-8.

[19]馬瑩.基于計(jì)算機(jī)視覺的車道保持系統(tǒng)研究[D].北京：清華大學(xué)，2005.

[20]趙景秀，韓君君，王菁，等.一種改進(jìn)的LoG圖像邊緣檢測方法[J].計(jì)算技術(shù)與自動化，2009，28（3）：74-77.