雷美琳,肖志濤,崔 琴

(天津工業(yè)大學信息與通信工程學院,天津 300160)

基于雙特征的前方車輛實時檢測

雷美琳,肖志濤,崔 琴

(天津工業(yè)大學信息與通信工程學院,天津 300160)

提出一種在無先驗知識的情況下,綜合利用車輛陰影和對稱性兩種特征進行前方車輛檢測的算法.該算法通過檢測車底陰影特征生成車輛存在假設(shè),首先,利用大津閾值分割方法(OTSU)得到車輛陰影特征,采用陰影區(qū)域融合方法解決陰影邊緣的變形問題,得到可能包含車輛的區(qū)域;然后,利用車輛對稱性特征對感興趣區(qū)域進行驗證,并對其中的車輛區(qū)域進行準確定位.通過對實際采集的道路圖像序列進行測試,結(jié)果表明:該算法能夠?qū)崟r、有效地檢測出前方車輛.

前方車輛檢測;陰影特征;對稱性特征

近年來,隨著人民生活水平的普遍提高,汽車數(shù)量迅速攀升,但是,由于交通設(shè)施的相對滯后,也出現(xiàn)了嚴峻的交通問題,交通事故時有發(fā)生,其中,大部分交通事故都是人為因素引起的.在汽車安全輔助駕駛系統(tǒng)中,前方車輛檢測是一個重要的組成部分,可以有效防止交通事故的發(fā)生.

車輛檢測方法多種多樣,本質(zhì)都是利用車輛特征把車輛從背景中分割出來.常用的方法有:(1)基于車輛陰影的檢測[1].該方法根據(jù)陰影特征能夠發(fā)現(xiàn)所有的可能車輛,但同時也會檢測到很多偽車輛區(qū)域,需要進一步進行復雜的去除偽目標的工作.(2)基于紋理的檢測[2].該方法主要根據(jù)序列圖像中,車輛區(qū)域比背景區(qū)域紋理的熵值高來確定車輛區(qū)域,但該方法只適用于背景簡單的車輛檢測.(3)基于線結(jié)構(gòu)的檢測[3].該方法主要根據(jù)運動目標外圍的線條結(jié)構(gòu)特征來檢測,缺點是過度的依賴目標和背景的灰度關(guān)系,當目標和背景的灰度反差不大時容易出現(xiàn)錯誤.(4)基于對稱性特征的檢測[4].使用對稱性特征檢測整幅圖像會大大提高算法的復雜性.

為了提高檢測的準確性,可綜合多種特征對車輛進行檢測[5],但這會提高算法的復雜性,難以實現(xiàn)實時檢測.為了克服這一缺陷,本研究提出一種在無先驗知識的情況下,只利用車輛陰影和對稱性兩種特征對前方車輛進行檢測的算法.車輛下部的陰影是識別車輛目標的一個重要特征,同時,車輛底部與路面相比明顯呈低亮區(qū)域.因此,本研究首先采用大津閾值分割方法得到車輛的陰影區(qū)域,并采用陰影區(qū)域融合方法解決陰影邊緣的變形問題,得到可能包含車輛的區(qū)域;然后利用車輛的對稱性特征對感興趣區(qū)域進行驗證,并對其中的車輛區(qū)域進行準確定位.

1 獲取車輛陰影特征

大津閾值分割法[6]又稱最大類間方差法,是一種基于統(tǒng)計理論來尋找閾值的聚類閾值化方法,該方法使被分割出來的目標和背景之間的灰度差距明顯,即目標與背景之間具有很高的對比度,一直被認為是閾值自動選取的最優(yōu)方法.

在大津閾值分割方法中,對于圖像而言,設(shè)t為前景與背景的分割閾值,前景點數(shù)占圖像比例為ω0,前景點平均灰度為μ0,背景點數(shù)占圖像比例為ω1,背景點平均灰度為μ1.

如原始灰度圖像的像素點數(shù)為N,存在L個灰度級,灰度級為i的像素點數(shù)為ni,那么

則類間方差為

通過對道路圖像進行分析,車輛的陰影區(qū)域一般集中在圖像的下半部分,因此本研究只對圖像下半部分采用最大類間方差法尋找閾值,利用得到的閾值對整幅圖像進行分割,分割結(jié)果如圖1所示.由于道路圖像中路面和車輛陰影部分的灰度相差不大,實驗表明,單次使用大津閾值分割法的分割效果并不理想,如圖1(b)所示.因此,本研究在目標區(qū)域中再次使用大津閾值分割法,用所得的新閾值對整幅圖像進行分割.這樣就能去除大部分噪聲,獲得較好的分割效果,如圖1(c)所示.

圖1 大津閾值分割法分割結(jié)果圖Fig.1 Segmen tation results of OTSU

2 生成車輛位置線條

為了獲得候選的感興趣區(qū)域,首先需要提取出可能車輛區(qū)的位置線條.在道路分割的二值結(jié)果圖1(c)中,可以看到由于較大目標車輛的存在,使得檢測范圍內(nèi)出現(xiàn)較明顯的黑色區(qū)域,該區(qū)域有時是由車輛陰影形成的,有時是由車體本身形成的.總之,檢測結(jié)果在道路已經(jīng)分割的前提下,可以提供車輛的位置信息.具體實現(xiàn)過程[7]為:由下向上掃描當前二值圖像的下半部分(車輛位置可能存在的區(qū)域),尋找垂直方向上由亮變暗的像素點.即由下向上掃描圖像的每一列,當遇上像素點I由白變黑時記錄下來,否則不是可能車輛的位置,利用

對圖1(c)進行處理,得到車輛位置邊緣線,如圖2所示.

圖2 車輛位置邊緣線Fig.2 Vehicle edge line

通過分析圖2發(fā)現(xiàn):同一輛車會出現(xiàn)多條位置線條,且有時線條會呈現(xiàn)不連續(xù)性.對此類情況可以采用合并陰影的策略,以減少后續(xù)不必要的驗證.實際情況中,路面上的車輛不可能相距太近,經(jīng)過實驗可知,可以將水平間距不大于5個像素點,且垂直間距不大于10個像素點的陰影合并,如圖3所示.

圖3 修正車輛位置邊緣線Fig.3 Revise vehicle edge line

經(jīng)過陰影合并處理后,圖3中產(chǎn)生了明顯的車輛位置線條,且具有一定的長度.因此可以利用位置線條構(gòu)成車輛的感興趣區(qū)域RO I(Range of interesting)方框,當線段長度大于設(shè)定的閾值時,此線段所在的位置即為RO I.

3 驗證感興趣區(qū)域

在建立RO I的過程中,為了將可能的車輛區(qū)域全部包含其中,RO I應(yīng)比檢測的車輛區(qū)域大.因此,在確認車輛前,應(yīng)首先獲得車輛在RO I中的具體位置[8].本研究采用 Sobel算子[4]在RO I內(nèi)進行垂直方向的邊緣檢測,因此,垂直邊緣所在列與邊緣圖像中其他列相比,灰度值有一個較大的突變.為找出垂直方向上較顯著的邊緣作為候選車輛的外輪廓,將邊緣圖像在垂直方向上進行投影,得到其灰度值的投影直方圖.在直方圖中找出左右局部最大值所在的位置,以此位置定位車輛的外輪廓.檢測 RO I內(nèi)水平邊緣的方法與檢測垂直邊緣相似.分別得到的兩條水平線和兩條垂直線構(gòu)成一個矩形框,即初始RO I,如圖4(c)所示.在這個矩形內(nèi)驗證對稱性即可確定目標車輛所在位置.

圖4 提取垂直邊緣Fig.4 Extracted verticel edges

對于公路上的目標車輛,在灰度圖像中可以通過驗證灰度對稱性來確認路面上的車輛.灰度對稱性測度(gGS)定義如下:

式中,f(x,y)表示點(x,y)處的灰度值,H和W分別表示待確認窗口的高度和寬度.gGS值越小,表明窗口的對稱性越好.

4 實驗結(jié)果

本研究選用分辨率為640×480的256級灰度視頻文件作為實驗數(shù)據(jù),該視頻采集自白天的城市與城郊道路.部分檢測結(jié)果如圖5所示,圖中檢測到的車輛用黑色邊框標記.

圖5 不同實驗背景的檢測結(jié)果Fig.5 Tesutts of differnt experiment background

從實驗結(jié)果可以看出,本研究設(shè)計的算法總體上可檢測出大多數(shù)車輛,只有車輛距離大于120 m左右時,由于陰影較少,可能會造成漏檢,如圖5(c)中的右方車輛.

5 結(jié)論

本研究為智能車輛設(shè)計了一種前方車輛檢測方法.該方法首先在道路分割的基礎(chǔ)上,獲得車輛可能的位置線條信息;然后根據(jù)線條的長度和位置信息生成感興趣區(qū)域;最后對每個感興趣區(qū)域的對稱性測度進行驗證,當結(jié)果不滿足對稱條件時,就剔除虛假目標.實驗結(jié)果表明,該算法能夠滿足車輛檢測實時性和準確性的要求.

[1] Bertozzi M,Broggi A,Castelluccio S.A real-time oriented system for vehicle detection[J].Journal of Systems A rchitecture,1997,43(1/2/3/4/5):317-325.

[2] Zhu Z G,Xu G Y,Yang B,et al.A real-time vision system for automatic traffic monitoring[J].Image and Vision Computing,2000,18(10):781-794.

[3] Betke M,Haritaoglu E.Real-time multiple vehicle detection and tracking from a moving vehicle[J].Machine Vision and Applications,2000,12(2):69-83.

[4] Zielke T,Brauckmann M,Vonseelen W.Intensity and edgebased symmetry detection with an application to car-follow ing[J].CVGIP:Image Understand.,1993,58(2):177-190.

[5] Colantonio S,Benvenuti M,Dibono M G,Object tracking in a stereo and infrared vision system[J].Infrared Physics&Technology,2007,49(3):266-271.

[6] Fu K S,M ui J K.Survey on image segmentation[J].Patern Recognition,1981,13(1):3-16.

[7] 皮燕妮,史忠科,黃金.智能車中基于單目視覺的前車檢測和跟蹤[J].計算機應(yīng)用,2005,25(1):220-223.

[8] 李斌.智能車輛前方車輛探測及安全距離控制方法的研究[D].長春:吉林大學,2002:30-31.

Double-feature based real time preceding vehicle detection

L EIM eilin,X IAO Zhitao,CU IQin

(School of Information and Communication Engineering,Tianjin Polytechnic University,Tianjin 300160,China)

A p receding vehicle detecting method based on shadow s and symmetry w ithout p rio r know ledge is p resented.The shadow s underneath vehicles are detected to generate vehicle hypotheses.An adap tive road threshold methold is used to get shadow feature,and a shadow s areamerge app roach is used to resolve the p roblem of disto rtion of the shadow s border.Furthermore,amethod is p resented to determine if there exist vehicles in the areas and to locate the vehicles based on the analysisof symmetry.Themethod is tested w ith image sequences taken on road,and the results show that the p roposed algo rithm can effectively detect p receding vehicles in real time.

p receding vehicle detection;shadow feature;symmetry feature

TP391

A

1671-1114(2010)01-0023-04

2009-08-14

國家自然科學基金資助項目(60602036)

雷美琳(1985—),女,碩士研究生.

肖志濤(1971—),男,教授,主要從事圖像處理、模式識別和計算機視覺等方面的研究.E-mail:xiaozhitao@tjpu.edu.cn

(責任編校 紀翠榮)