葛如海張雪峰張美娟

（1.江蘇大學，鎮(zhèn)江 212013；2.無錫職業(yè)技術學院，無錫 214121）

基于PreScan的側后方車輛識別與跟蹤算法的研究

葛如海1張雪峰1張美娟2

（1.江蘇大學，鎮(zhèn)江 212013；2.無錫職業(yè)技術學院，無錫 214121）

為降低車輛換道時碰撞事故發(fā)生的概率，分析和研究了側后方車輛識別和跟蹤算法。首先利用積分圖的方法加速Haar-like特征計算，結合級聯分類器實現后方車輛的檢測?；贛eanShift理論，提出紋理特征和傳統顏色特征相結合的方式進行車輛跟蹤。利用智能交通仿真軟件PreScan構建仿真模型，驗證算法的有效性。結果表明，該算法具有較高的識別率，能達到實時性的要求，并且跟蹤效果良好。

1 前言

據不完全統計，2012～2015年間，我國發(fā)生了80余萬起汽車交通事故，變換車道引發(fā)的事故占7%，其中75%是駕駛員的主觀因素造成的[1]。GB 15084—2013《機動車輛 間接視野裝置性能和安裝要求》規(guī)定，間接視野裝置（如攝像機）應作為換道時減少視覺盲區(qū)的重要裝置。國內外學者進行了相關研究：Leanne等[2]提出使用全景式視覺傳感器監(jiān)測后方車輛；Michael等[3]使用激光傳感器探測車輛尾部盲區(qū)；李軍等[4]利用基于超聲波傳感器的“蠅眼”網絡實現測距；李守曉等[5]采用毫米波雷達計算出換道時目標車輛信息。

目前，相關研究需要大量的實車試驗，這大大增加了輔助駕駛系統的開發(fā)周期和研究成本。因此，本文在PreScan仿真平臺上開發(fā)和驗證了側后方車輛識別和跟蹤算法。

2 側后方車輛識別

車輛識別流程如圖1所示，它包括：樣本訓練模塊，即提取正、負樣本的特征，離線訓練出車輛識別的分類器；多尺度識別模塊，利用分類器對待識別圖像進行處理，得到識別結果并標記。

圖1 識別流程

2.1 正、負樣本

正樣本集應為包含側后方車輛的圖像，共1 000張，圖片經過預處理，示例如圖2所示。負樣本集為不包含正樣本中的圖像，共3 300張，示例如圖3所示。

圖2 正樣本示例

圖3 負樣本示例

2.2 積分圖

積分圖是對子區(qū)域進行加速求和的數學方法，通過計算任意矩形區(qū)域內的像素和，加速特征的計算。如圖4所示，積分圖中點(x,y)的大小等于其左上方區(qū)域內所有像素值總和：

式中，i(x′,y′)為點(x′,y′)的像素值；ii(x,y)為點(x,y)的積分值。

圖4 積分圖

2.3 Haar-like特征

Haar-like特征[6]即為類Haar特征，是指圖像中的矩形特征。對于側后方車輛，主要考慮其正面輪廓特征，如圖5所示。

圖5 Haar-like特征

2.4 分類器

為了獲得側后方車輛識別的分類器，首先提取樣本Haar-like特征，通過訓練得到弱分類器，利用權值系數的線性組合來構造強分類器，最后級聯各強分類器。

2.4.1 弱分類器

每個弱分類器對應一個Haar-like特征，以一個合理的特征值為閾值，能降低弱分類器在對樣本進行分類時的錯誤率。

2.4.2 強分類器

利用Adaboost算法構建強分類器，通過迭代的方法獲取樣本分布，強分類器包含弱分類器。其原理為：輸入圖像，弱分類器進行1或0（即有無車輛）投票，基于投票結果得到錯誤率，加權求和后得到分類結果。

2.4.3 級聯分類器

從簡單到復雜對強分類器進行逐級串聯，得到級聯分類器。含有車輛的圖像子窗口需要通過層層強分類器，才能被最終識別，如圖6所示。

圖6 分類器識別過程

3 跟蹤算法

在獲得識別結果后，需對側后方車輛進行跟蹤，本算法可實現車輛跟蹤，并且確定其行駛軌跡。

3.1 MeanShift算法

MeanShift又稱漂移的均值變量。確定跟蹤算法時需要建立目標模型、目標候選模型和相似性函數。

3.1.1 目標模型

若目標窗口中心為xc，第i點為{xi}i=1,2,…,n，n表示窗口中點的個數，則目標模型概率密度為：

式中，u=1,2,…,m；m為特征值個數；b(xi)為xi對應目標的特征函數值；δ為克羅內克脈沖函數；C為定常系數；kh(x)為核函數。

3.1.2 目標候選模型

若目標候選窗口中心為yc，第i點為{xi}i=1,2,…,n，l表示窗口中點個數，則目標候選模型概率密度為：

式中，h為核函數窗口大小，決定著權重分布；Ck為歸一化系數。

3.1.3 相似性函數

qu與pu(yc)為離散密度分布，因此，利用Bhattacharyya系數進行兩者相似度的估計：

同時，可計算離散分布間距離：

由式（6）可知，目標模型與候選模型距離越小，ρyc越接近1，即越相似，反之則相似程度越小。

3.1.4 目標跟蹤

目標跟蹤本質上是確定與目標窗口最近距離的目標候選窗口。以兩窗口中點間的距離為標準，衡量是否成功跟蹤。由前文分析可知，當qu與Pu(yc)的距離最小時，兩者的相似度最大。所以，跟蹤問題可以看成是求取最大相似度值，與之相對應的yc值便是目標候選位置：

其中，加權系數為：

另外，因為跟蹤算法中選取了Epanechnikov核作為核函數，因此有g(x)=1，得到最終的MeanShift跟蹤算法的候選窗口中心迭代方程為：

3.2 顏色-紋理特征

在傳統的顏色特征基礎上，結合紋理特征來表征車輛特征，可以提高MeanShift算法跟蹤目標的準確性。為了構造目標特征的三維空間，選擇RGB圖像中2個顏色通道，這里選用R、G通道與FLBP8,1[7]（點樣本紋理估計方法中的一種）紋理模型組成R×G×T三維空間（取R=8，G=8，T=5），用以表示車輛特征。若{xi,yj}i=1,2,…,n，j=1,2,…,m是目標窗口中的點，Histogram（8,8,5）為顏色-紋理特征直方圖的特征空間矩陣，則在窗口中心為(xc,yc)的區(qū)域，計算每個點的R、G顏色分量及FLBP8,1值。同時計算其權值，可以得到以xc作為窗口中心的目標區(qū)域內的顏色-紋理模型直方圖。將8×8×5直方圖矩陣歸一化后，最終可得目標模型{qu}u=1,2,…,m。候選目標模型的紋理-特征模型的計算過程與此相同。

3.3 跟蹤算法過程

采集側后方車輛連續(xù)幀的圖像，對其進行圖像識別后，定義首次出現車輛目標并被標記的圖像作為初始幀，在初始幀中標記的矩形窗口稱為目標窗口。利用基于顏色-紋理模型的MeanShift跟蹤算法對車輛進行實時跟蹤。對初始幀和其他連續(xù)幀圖像進行處理，標記目標窗口中心，進而確定側后方車輛的行駛軌跡，算法實現過程如圖7所示。圖中，N為算法可達到的最大迭代次數，通常根據試驗確定，這里取N=15；ε為最小的目標窗口與候選目標窗口中心距離的閾值。迭代次數超過N或者兩窗口間距離小于ε時，該跟蹤算法收斂，即對目標車輛成功跟蹤。

圖7 跟蹤算法流程

4 圖像處理模塊

本文獲取圖像時，選用攝像頭傳感器作為周圍環(huán)境的感知工具。而攝像頭傳感器作為視覺傳感器，具有其普遍的缺陷：處理速度慢，由于圖像按幀采集并傳輸，且圖像處理針對每一幀的像素，其信息量大，耗時長；魯棒性差，易受環(huán)境等因素的影響，如光線、天氣狀況、路面狀況、周圍的樹木、房屋、行人、路牌等都會影響采集的圖像質量，增加圖像處理的難度。此外，由于虛擬攝像頭直接采集的圖像為連續(xù)的彩色圖像（RGB），RGB圖像含有3個顏色通道，往往需要較大存儲空間。若直接用其進行側后方車輛識別，處理效率低。同時，采集的RGB圖像受外界環(huán)境的影響較大，如雨雪天氣、光線明暗、行駛過程中攝像頭的抖動等，都可能導致圖像中目標車輛的特征不明顯，影響對側后方車輛的最終識別。

因此，對于所獲得的圖像信息應首先進行必要的預處理，以盡量抑制甚至消除上述不足，在保證后續(xù)正確識別并追蹤側后方車輛的同時，減小圖像處理的工作量，加快處理速度。本文中圖像預處理算法包括圖像灰度化、圖像的對比度增強等。

4.1 圖像灰度化

通常，數字圖像的灰度化處理可采用平均值法、最大值法或加權平均值法。對于RGB圖像，平均值法即對R、G、B 3個顏色分量值取平均值為灰度值，即I(x,y)=[R(x,y)+G(x,y)+B(x,y)]/3；最大值法即對R、G、B 3個顏色分量值取最大值為灰度值，即I(x,y)=max(R(x,y)，G(x,y)，B(x,y))，其中（x,y）為圖像中像素點的坐標。

平均值法和最大值法雖具有計算量小、運算速度快的優(yōu)點，但其獲得的灰度圖像不大符合人類的視覺習慣。在平均值法基礎上進行改進可獲得加權平均值法，即將R、G、B 3個顏色分量值前的系數1/3分別替換為a、b、c，且滿足a+b+c=1。前人從理論出發(fā)，即人眼對顏色的敏感程度[8]為綠色＞紅色＞藍色，并結合大量實驗得出結論，當權重系數 a、b、c分別為 0.298 9、0.587 0、0.114 0時，獲得的灰度值更易于人眼接受。

4.2 圖像對比度增強

圖像的對比度增強有時間域和空間域兩類方式。由于后者直接作用于像素，故相對于前者具有運算量小、速度快、實時性強的優(yōu)點，又結合本文采集到的圖像的特點，選擇對增強圖像局部對比度效果較明顯的直方圖均衡化（Histogram Equalization）方法。直方圖均衡化[9]的中心思想是將由原始圖像中的像素灰度級獲得的灰度直方圖變換為離散的、均勻分布的灰度直方圖，也就是將特定區(qū)域的灰度級范圍變寬，通過增強整個圖像的對比度來消除由于光線過亮或過暗導致的局部特征不明顯現象。

直方圖均衡化處理前、后的圖像及其灰度直方圖如圖8、圖9所示。由圖8可直觀地看出，目標車輛與路面、天空及周圍建筑的反差變大，圖像中目標車輛的輪廓凸顯出來，雖然路面上加入了一些噪聲，但不影響目標車輛的識別；由圖9可知，直方圖均衡化后，圖像的灰度直方圖灰度級分布范圍變寬且更均勻，灰度級分布由原來的0～180擴展至0～255。就感興趣區(qū)域而言，局部區(qū)域對比度增強，這為下一步準確識別目標車輛打下了基礎。

圖8 數字圖像

圖9 灰度直方圖

5 算法的驗證

識別和跟蹤算法在MATLAB/Simulink軟件與PreScan平臺中開發(fā)和實現。在PreScan軟件中對換道場景進行配置，場景包含多種模型參數，這些參數和仿真過程中采集到的各種參數都可以發(fā)送到MATLAB/Simulink中。運行側后方車輛識別和跟蹤算法后，即可以實現車輛換道場景的實時仿真。

5.1 仿真平臺

仿真平臺主要包括以下模塊：人機交互界面（Graphical User Interface，GUI）、視頻顯示器（Viewer）以及MATLAB中的Simulink操作界面。

5.1.1 GUI

在GUI中，可快速設置車輛參數和換道所需要的道路交通模型，同時根據仿真需求確定行駛軌跡。以某車型為自車，車輛相關參數的設置如圖10所示。

為了采集相鄰車道與自車車道的圖像信息，需要加入攝像機模型。按照GB 15084—2013的要求對攝像頭位置參數進行設置，將虛擬攝像機安裝在自車外后視鏡下方，如圖11所示，攝像機性能參數如表1所示。

圖10 車輛參數

圖11 位置參數

表1 攝像機性能參數

5.1.2 視頻顯示器

視頻顯示器即可視模塊，可以通過加載或者編輯各種現存模塊，例如車輛、道路和建筑等，以3D和動畫的形式將2D模型顯示出來，如圖12所示。另外，可以通過改變動畫視角來全方位查看仿真過程，這在實車試驗中是很難做到的。

圖12 不同視角的3D場景

5.2 側后方車輛識別與跟蹤驗證

為了驗證本文提出的側后方車輛識別與跟蹤算法，在本文建立的虛擬仿真平臺下，建立單向雙車道虛擬交通環(huán)境并設置相應的運行軌跡、速度等信息。

5.2.1 車輛識別

為了驗證側后方車輛識別算法的有效性，分別對側后方車輛接近自車、自車進行換道操作兩種工況下的系列幀圖像進行采集，結果分別如圖13、圖14所示。

由圖13可知，當側后方車輛與自車距離大于60 m時，由于后方車輛過小，并沒有識別到；距離小于60 m時，車距逐漸減小，側后方車輛在圖像中所占比例逐漸增大，車輛識別效果較好，即該算法的有效識別距離可以達到60 m。

由圖14可知，自車在換道過程中，雖然側后方車輛相對于自車角度發(fā)生變化，但都能被準確識別。Haarlike能準確地提取車輛的前輪廓線特征和邊緣特征，通過大量樣本的訓練得到了性能優(yōu)良的分類器，所以，即使是不同角度的車輛也能被很好地識別。

另外，在所測試的320幀圖像（兩種工況各160幀）中，識別率可達95%，識別效果良好，單幅圖片平均處理時間為25 ms，算法具有較好實時性。

圖13 接近工況

圖14 換道工況

5.2.2 車輛跟蹤

以初始幀圖像中側后方車輛識別標記的矩形窗口為車輛跟蹤算法的初始化窗口，同時標記出每個矩形窗口的中點。通過車輛接近自車、車輛落后自車兩種工況進行跟蹤算法的驗證，采集系列幀圖像，處理效果如圖15所示。

圖15 跟蹤效果

由圖15可知，兩種工況下，矩形窗口的中心位置變化即為仿真過程中車輛的運行軌跡。因為所采集系列幀圖像中的標記矩形窗口中點近似為一條直線，與預先設置的側后方車輛運行軌跡路線和可視模塊中的顯示效果相符合，所以該算法的有良好的跟蹤效果。

6 結束語

本文通過積分圖的方法加速了Haar-like特征的計算，減少了圖像處理的時間，算法具有較好的實時性。利用Haar-like特征和級聯分類器結合的方式對車輛進行識別，有較高的識別率?；陬伾?紋理模型的MeanShift跟蹤算法能解決過分依賴目標的顏色信息而導致的跟蹤失敗問題，本文算法跟蹤效果良好。本文只研究了車輛的識別和跟蹤，未涉及距離測量和碰撞預警，可在進一步研究中探討。

1 金立生.高速公路汽車輔助安全換道模型.吉林大學學報：工學版，2009，39（3）：582～586.

2 Wei H,Meyer E,Lee J,et al.Characterizing and Modeling Observed Lane-Changing Behavior:Lane-Vehicle-Based Microscopic Simulation on Urban Street Network.Transportation Research Record Journal of the Transportation Research Board，2000，1710（1）：104～113.

3 Mar J,Lin H T.The car-following and lane-changing colli?sion prevention system based on the cascaded fuzzy infer?ence system.IEEE，2005，54（3）：910～924.

4 李軍，魏民祥.基于“蠅眼”傳感網絡的大型車輛防撞系統研究.農業(yè)裝備與車輛工程，2012（3）：3～6.

5 李守曉，畢欣.毫米波雷達汽車盲點檢測系統研究與設計.機械設計與制造，2013（9）：25～31.

6 Papageorgiou C,Poggio T.A Trainable System for Object Detection.International Journal of Computer Vision，2000，38（1）：15～33.

7 Ojala T,Pietikianen M,Macnpaa T.Multiresolution Garyscale and Rotation Invariant Texture Classification with Local Binary Parrerns.IEEE Trans on Pattern Analysis and Machine Intelligence，2002，24（7）：971～987.

8 沈潔.基于圖像的前方車輛檢測：[學位論文].南京：南京理工大學，2011.

9 岡薩雷斯.數字圖像處理的Matlab實現.第2版.北京：清華大學出版社，2013.

（責任編輯 斛 畔）

修改稿收到日期為2016年10月18日。

Research on Algorithms of Identifying and Tracking Rear Side Vehicle Based on PreScan

Ge Ruhai1,Zhang Xuefeng1,Zhang Meijuan2
（1.Jiangsu University,Zhenjiang 212013;2.Wuxi Institute of Technology,Wuxi 214121）

In order to reduce the probability of collision when changing lanes,the identification and tracking algorithms of the rear side vehicle were analyzed and studied.Firstly,Haar-like feature calculation was accelerated by the method of integral image to detect the rear side vehicle combined with cascade classifier.Based on MeanShift theory,vehicle tracking was achieved with the combination of texture features and traditional color characteristics.The intelligent traffic simulation software PreScan was applied to build simulation models,and verify the validity of the algorithm.The results show that,the algorithm has higher recognition rate,can achieve real-time requirements and has good tracking effect.

Vehicle identification and tracking,Integral image,Simulation analysis

車輛識別與跟蹤 積分圖 仿真分析

U461.91；TP391 文獻標識碼：A 文章編號：1000-3703（2017）08-0032-06