彭勝

（1.四川大學視覺合成圖形圖像技術(shù)國防重點學科實驗室，成都 610065；2.四川川大智勝軟件股份有限公司，成都 610065）

PENG Sheng1，2

（1.State Key Laboratory of Fundamental Science on Synthetic Vision，Sichuan University,Chengdu 610065；2.Wisesoft，Chengdu 610065）

一種基于改進ViBe和級聯(lián)分類器的車輛檢測算法

彭勝1，2

（1.四川大學視覺合成圖形圖像技術(shù)國防重點學科實驗室，成都 610065；2.四川川大智勝軟件股份有限公司，成都 610065）

針對基于Haar-like和AdaBoost分類器的車輛檢測檢測速度慢、虛警率較高等問題，提出一種基于改進ViBe算法和Haar-HOG特征級聯(lián)分類器的車輛檢測算法。首先，幀間差分法不會產(chǎn)生鬼影，和ViBe算法結(jié)合能夠迅速消除鬼影，結(jié)合形態(tài)學處理獲得前景；然后，訓練基于Haar和HOG特征的Gentle AdaBoost級聯(lián)分類器；最后，進行車輛檢測實驗表明，改進算法識別性能更好，虛警率更低，耗時更少，能夠達到實時車輛檢測的需求。

AdaBoost算法；ViBe；Haar特征；HOG特征；車輛檢測

0 引言

目前，車輛檢測技術(shù)是計算機視覺領(lǐng)域的一個重要課題，在視頻監(jiān)視系統(tǒng)、車輛自助駕駛系統(tǒng)等有著廣泛且重要的應用價值。車輛檢測技術(shù)的實質(zhì)是將圖片序列或視頻圖像中出現(xiàn)的車輛檢測出來。傳統(tǒng)的車輛檢測的方法有背景差分法[1]，幀間差分法[2]，光流法[3]。

除了上述方法，基于機器學習的車輛檢測同樣成為了研究熱點，機器學習識別算法識別性能高、魯棒性好。基于機器學習的車輛檢測技術(shù)分為外形特征提取和分類學習兩個部分。外形特征包括Haar小波[4]、方向梯度直方圖（HOG）[5]、Gabor濾波器特征[6]、表觀特征[7]和顏色特征[8]等。常用的分類方法有AdaBoost集成學習[9]、支持向量機（SVM）[10]、神經(jīng)網(wǎng)絡（NN）[11]等。

基于ViBe[12]前景提取與Gentle AdaBoost分類器[13]，結(jié)合運動目標檢測方法對監(jiān)控視頻中的車輛進行自動識別，本文提出了一種基于改進ViBe算法和Haar-HOG級聯(lián)分類器的車輛檢測算法。從以下兩個方面進行了改進：

（1）利用Haar-like和HOG混合特征代替單一特征訓練級聯(lián)分類器，用于車輛檢測。

（2）利用改進的ViBe算法提取前景并進行形態(tài)學處理，有效剔除大量干擾檢測的無用信息，再通過級聯(lián)分類器進行車輛檢測。實驗結(jié)果表明改進的算法識別性能更好，能夠加快檢測速度、降低誤檢測率、提高檢測率。

1 前景檢測

通常用于前景檢測的算法有簡單高斯模型[14]，混合高斯模型（GMM）[15]，ViBe前景檢測方法等。ViBe是一種像素級的前景檢測方法，它通過為圖像中的每一個像素建立一個樣本集，存儲該像素鄰域范圍內(nèi)不同時刻像素值的采樣。通過比較當前像素值與樣本集的相似程度，就可以判斷該像素屬于前景還是背景。ViBe算法的不足是會引入鬼影（ghost），本文采用幀間差分法和ViBe相結(jié)合算法進行前景檢測，能夠很快地消除掉鬼影，進行形態(tài)學處理以更好的保留前景。

1.1 ViBe算法概述

ViBe算法主要由樣本集初始化、樣本集匹配和樣本集更新三部分完成。

（1）樣本集初始化

ViBe方法提供了一種單幀初始化技術(shù)，可以從圖像序列的第二幀起分離運動前景。由于單幀圖像沒有時間信息，ViBe方法基于像素鄰域范圍內(nèi)的時空分布相似性，選擇空間鄰域內(nèi)的像素值初始化樣本集。對第一幀圖像的每一個像素p，隨機選擇其鄰域內(nèi)的像素值組成該像素的樣本集合S。但時間信息的缺失會把運動目標當作背景抽樣得到錯誤的初始化結(jié)果，在樣本集中引入鬼影，需要使用其他更新策略淡化或消除鬼影。

（2）樣本集匹配

對于新一幀圖像序列的像素，比較其像素值與樣本集的相似性就可以判斷該像素屬于前景或這背景。顯然，當相似度較高時，像素與樣本集匹配，該像素屬于背景。

記p為當前幀中某像素值，S為p的樣本集合，S= {p1，p2，…，pn}。SR是以p為中心R為半徑的區(qū)域，如圖1所示。統(tǒng)計集合S中的值落入SR中的樣本數(shù)N，若N大于Tmin，則認為該像素p與樣本集合成功。即：

圖1 ViBe樣本集示意圖

（3）樣本集更新

樣本集需要不斷更新以適應視頻場景的變化。ViBe方法采用保守的更新策略，對于未匹配成功的像素，其像素值將永遠不會更新進入樣本集。對于匹配成功的像素，ViBe使用以下策略更新樣本集：①無記憶更新策略；②空間一致性更新策略；③時間重采樣；ViBe方法實現(xiàn)簡單，硬件內(nèi)存占用較少，并且可以很好地抑制噪聲和光照。

1.2 ViBe算法的改進

針對ViBe算法會引入了鬼影，而樣本集更新只能緩慢去除鬼影。加入幀間差分法加快鬼影消失速度。第t幀時對判定為前景像素的點p進行幀間差分處理，并設(shè)置一個計數(shù)器top（p）初始化為0，如果該點的像素值Vt（p）與前一幀Vt-1（p）對應的像素值的差分結(jié)果小于閾值Tδ之內(nèi)，則top（p）加1，否則，top（p）清零，即：

式（2）中d（p）為幀上對應像素之間的像素值差分。當top（p）大于閾值Tδ時，可以認為這個像素點為背景，從而快速消除鬼影。

對前景檢測的結(jié)果進行形態(tài)學后處理，即進行形態(tài)學開運算和閉運算操作。圖2給出了GMM、ViBe和本文算法效果在data2012中highway圖像序列（共1700幀）的檢測對比圖。

圖2 前景檢測實驗效果對比圖（第一行為第400幀，第二行為800幀，第三行為1200幀，第四行為1600幀）

根據(jù)實驗效果對比圖可以得出，改進的ViBe算法比GMM和原始ViBe效果更理想，鬼影消失更迅速，前景信息更完整。

2 Gentle AdaBoost級聯(lián)分類器

2.1 特征提取

（1）Haar-like特征

Haar-like特征[16]提供了一副圖像中相鄰區(qū)域內(nèi)灰度分布信息。基于Haar-like的檢測算法比直接處理像素的算法效果更好，Haar-like特征檢測的計算速度遠遠大于基于像素的檢測。Haar-like特征的特征值等于黑色矩域所有像素值的和減去白色矩形所有像素值的和。圖3表示了Viola.P使用的最初的Haar-like特征原型。其中的特征由大小相同的矩形所組成。這些特征原型經(jīng)過平移和縮放，就形成了一個特征集。

圖3 haar-like特征類型

（2）積分圖像

為了避免特征提取中大量的重復計算，Viola P等人使用了積分圖像（Integral image）來計算Haar-like特征。如圖4（a）所示，公式（3）給出了積分圖像像素點值計算表達式，其中I（x，y）表示圖像的像素點值:

進一步，公式（4）利用遞歸方式來計算積分圖像：

積分圖像實質(zhì)上是圖像的雙重積分。式（5）給出了任何一個矩形的像素和使用四次數(shù)組引用來計算公式，如圖4（b）中所示。

圖4

（3）HOG特征

HOG是一種基于梯度計算的特征描述子，主要通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向來構(gòu)成特征向量，通過對梯度分量的分布來描述局部目標的表象和形狀特征，HOG特征的本質(zhì)就是對梯度信息進行計算和統(tǒng)計。HOG特征的提取過程大致可以總結(jié)為:①Gamma空間和顏色的標準化；②圖像梯度的計算；③統(tǒng)計梯度直方圖；④HOG特征統(tǒng)計。

2.2 Gentle AdaBoost分類器

Gentle AdaBoost算法是將多個弱分類器組合而成強分類器，而每個弱分類器又是由一個樣本特征訓練獲得，基于Harr特征和HOG特征的聯(lián)合特征強分類器，即是用Harr特征和HOG特征構(gòu)造弱分類器，再由構(gòu)造的弱分類器進行不斷選擇和訓練，采用AdaBoost算法獲取最終的強分類器。Gentle AdaBoost強分類器訓練流程如下：

Gentle AdaBoost算法流程

算法流程：

●給定訓練樣本（x1，y1），…，（xn，yn），對于yi=±1，yi=1表示正樣本，yi=-1表示負樣本。

其中l(wèi)為正樣本數(shù)，m為負樣本數(shù)。

●對于每一個特征j，得到弱分類器fj∈[-1，1]。

●更新F（x）←F（x）+gi（x）。

●ωi=ωiexp（-yigi（xi）），i=1，2，…，N，并重新歸一化。

●強分類器為：

對于任意一個Haar-like特征，弱分類器的數(shù)學形式為：

其中f（x）是特征值，θ為弱分類器的閾值，-1≤α，β≤1，其中正值表示車輛，負值表示非車輛。

式中α、β、θ意義同Haar-like特征，d（h（x），m（x））表示HOG特征向量到加權(quán)均值的歐氏距離。

2.3 級聯(lián)分類器設(shè)計

級聯(lián)分類器和退化決策樹非常類似，后幾層中的分類器往往使用那些己經(jīng)通過前面所有層的樣本來進行訓練，用于訓練第l級強分類器的負樣本僅包括前l(fā)-1層分類錯誤的負樣本。對于級聯(lián)分類器的誤檢率，可以描述為：

式（8）中F是級聯(lián)后的分類器的誤檢率，K是級聯(lián)分類器的層數(shù)，fi是第i個強分類器的誤檢率。級聯(lián)分類器的構(gòu)造流程圖如圖5。

圖5 級聯(lián)分類器示意圖

3 算法實現(xiàn)及對比分析

3.1 算法流程

運動區(qū)域檢測是本文算法的重要組成部分，它能夠提供圖片中車輛最可能出現(xiàn)的位置信息，運動區(qū)域比瀏覽整個圖片出現(xiàn)車輛的概率更高。因此，本文在利用分類器進行車輛檢測之前，先進行前景檢測剔除背景信息，減少背景造成的干擾。本文的算法系統(tǒng)圖如圖6所示。本文算法主要包括：①前景檢測，②離線訓練分類器進行車輛檢測。

圖6 車輛檢測算法流程圖

3.2 實驗環(huán)境及實驗數(shù)據(jù)庫

本文實驗硬件平臺：Intel Core i5 2.50GHz處理器，4GB內(nèi)存筆記本，Win8.1 64位操作系統(tǒng)。軟件環(huán)境為Microsoft Visual Studio 2012和OpenCV視覺庫。

實驗訓練正樣本包括1800張車輛圖像，負樣本包括16000張非車輛圖像，正樣本需要先進行剪裁到128×96，且樣本圖像中正好包含不同角度的車身，負樣本不限大小，但是其中不能包含車輛圖像，正負樣本圖像示例如圖7（a）和（b）所示。

圖7 訓練樣本示例

3.3 實驗與結(jié)果分析

實驗主要包括車輛特征提取、車輛特征學習和車輛檢測測試三個階段。

在車輛特征提階段，采用積分圖技術(shù)提取HOG特征和Haar特征，對HOG參數(shù)選取評估分析，HOG特征計算過程中取描述塊大小為32×16，組成單元大小為8×8。描述塊橫縱移動間隔為8，梯度投影方向為9，對檢測窗口進行HOG特征計算。

在訓練過程中，用于訓練每級分類器的正樣本數(shù)為1200，負樣本數(shù)為4000，每級分類器的最大誤檢率為0.5，最小檢測率為0.995，將提取的Haar-HOG特征按照上述提升方法訓練強分類器，并將這些強分類器按照上述級聯(lián)方法構(gòu)成最后的級聯(lián)車輛分類器。

在車輛檢測測試階段使用改進ViBe先提取前景，再利用上述訓練的強分類器進行車輛檢測。將本文所用方法與單一HOG特征和單一Haar特征檢測方法在相同參數(shù)下做了實驗對比，實驗中同樣采用實時交通視頻作為測試視頻，試驗中實驗中采用評價指標：車輛檢測率、虛警率，平均耗時對三種算法在車輛檢測中的效果進行評價。其定義如下：

（9）中NTP，NFP，NTN，NFN分別表示測試視頻中正確檢測車輛數(shù)目，非車輛誤識為車輛數(shù)目，正確識別的非車輛數(shù)目，非車輛識為車輛的數(shù)目。車輛檢測結(jié)果如表1所示。

表1 不同算法的車輛檢測結(jié)果

上表中測試結(jié)果表明，基于改進ViBe算法和Haar-HOG級聯(lián)分類器的車輛檢測算法比單一Haar特征、單一HOG特征訓練的級聯(lián)分類器算法更魯棒，車輛檢測率更高，虛警率更低，平均耗時更少。

4 結(jié)語

本文提出了一種基于改進ViBe算法和Haar-HOG級聯(lián)分類器的車輛檢測算法。首先利用幀間差分法和形態(tài)學處理對ViBe進行改進，提高了鬼影消失速率及極好的保留了前景信息；然后利用Haar和HOG混合特征，訓練級聯(lián)分類器。實驗結(jié)果表明，本文提出的算法中鬼影能夠迅速消失，同時車輛檢測率達到95%以上，誤檢率低于2%，在道路車輛檢測中，取得了良好的效果。

[1]盧章平，孔德飛，李小蕾，等．背景差分與三幀差分結(jié)合的運動目標檢測算法[J]．計算機測量與控制，2013（12）:3315-3318．

[2]劉鑫，劉輝，強振平，等.混合高斯模型和幀間差分相融合的自適應背景模型[J]．中國圖象圖形學報，2008（4）:729-734．

[3]劉潔.基于光流法的運動目標檢測和跟蹤算法研究[D]．徐州:中國礦業(yè)大學，2015．

[4]許慶，高峰，徐國艷．基于Haar特征的前車識別算法[J]．汽車工程，2013，35（4）:381-384.

[5]吳鑫，王桂英，叢楊．基于顏色和深度信息融合的目標識別方法[J]．農(nóng)業(yè)工程學報，2013，29（z1）:96-100．

[6]Wang H，Zhang W G，Cai Y F.Design of a Road Vehicle Detection System Based on Monocular Vision[J].Journal of Southeast University（English Edition），2011，27（2）:169-173．

[7]郭立君，劉曦，趙杰煜，等．結(jié)合運動信息與表觀特征的行人檢測方法[J]．軟件學報，2012，23（2）:299-309．

[8]Sun Z，Bebis G，Miller R．On-Road Vehicle Detection:A Review[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28:694-711．

[9]李云翀，何克忠，賈培發(fā)．基于陰影特征和AdaBoost的前向車輛檢測系統(tǒng)[J]．清華大學學報（自然科學版），2007，47（10）:1713-1716．

[10]周辰雨，張亞岐，李健.基于SVM的車輛識別技術(shù)[J]．科技導報，2012，30（30）:53-57.

[11]Wu C F，Lin C J，Lee C Y．Applying a Functional Neuro Fuzzy Network to Real-Time Lane Detection and Front-Vehicle Distance Measurement[J]．IEEE Transactions on Systems，Man and Cybernetics，Part C，2012，42（4）:577-589．

[12]Droogenbroeck，M.V，ViBe B.O.:A Powerful Random Technique to Estimate the Background in Video Sequences.IEEE Int.Conf.on Acoustics，Speech&Signal Processing，2009：945-948.

[13]R Lienhart，A Kuranov，V Pisarevsky．Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection．In: Proceedings of the DAGMsymposium．Magdeburg，Germa:IEEE Press，2003，297-304.

[14]T.Bouwmans，F(xiàn).El Baf，B.Vachon．Statistical Background Modeling for Foreground Detection:A Survey.In Handbook of Pattern Recognition and Computer Vision（volume 4），chapter 3，pages 181-199．World Scientific Publishing，January 2010.

[15]H.-H.Li，J.-H.Chuang，T.-L.Liu．Regularized Background Adaptation:A Novel Learning Rate Control Scheme for Gaussian Mixture Modeling.IEEE Transactions on Image Processing，3（20）:822-836，March 2011.

[16]C Papageorgio，T Poggio．A Trainable System for Object Detection．International Journal of Computer Vision，2000，38（1）:15-33.

作者簡介：

彭勝（1992-），男，貴州仁懷人，碩士研究生，研究方向為圖像處理與合成

A Vehicle Detection Algorithm Based on Improved ViBe and Cascade Classifier

Vehicle detection algorithm based on Haar-like features and AdaBoost classifier has two disadvantages:slow detection speed and high false alarm rate.Therefore,proposes a vehicle detection algorithm based on improved ViBe algorithm and Gentle AdaBoost classifier with Haar-HOG mixed features.Firstly,ViBe algorithm can quickly eliminate ghosts by combined with the inter-frame differential method because of not produce ghosts,accompanied by morphological processing,to obtain foregrounds.Then,trains a cascade classifier based on Gentle AdaBoost classifier using Haar and HOG features.Vehicle detection experiments show this algorithm has better recognition performance,lower false alarm rate,less time consuming,and can reach the real-time requirement for vehicles detection.

AdaBoost Algorithm;Vibe;Haar Features;HOG Features;Vehicle Detection

1007-1423（2017）08-0060-06

10.3969/j.issn.1007-1423.2017.08.013

2016-12-22

2017-02-25

PENG Sheng1，2

（1.State Key Laboratory of Fundamental Science on Synthetic Vision，Sichuan University,Chengdu 610065；2.Wisesoft，Chengdu 610065）

科技部重大儀器專項（No.2013YQ49087904）、民航科技項目(No.MHRD20150228)