譚力凡 吳俊,2 曹立波 廖家才

（1.湖南大學，汽車車身先進設(shè)計制造國家重點實驗室，長沙 410082；2.湖南師范大學，長沙 410082）

主題詞：前方車輛檢測 AdaBoost算法 道路縱向測距模型 壓縮跟蹤

1 前言

汽車被動安全技術(shù)飛速發(fā)展的同時，智能駕駛和輔助駕駛技術(shù)也逐漸成為研究熱點[1]。車輛檢測技術(shù)是智能網(wǎng)聯(lián)汽車及高級駕駛輔助系統(tǒng)的關(guān)鍵技術(shù)之一，準確、實時的前方車輛檢測技術(shù)可為具有避撞功能的駕駛輔助系統(tǒng)提供有效決策依據(jù)，提高安全性和駕駛舒適性。

近年來，國內(nèi)外學者對基于視覺的車輛檢測算法開展了大量研究工作，其中，利用特征與模板結(jié)合的檢測方法較為有效[2]。朱志明等[3]、金立生等[4]將Haar-like特征與AdaBoost算法相結(jié)合，實現(xiàn)了較為準確的車輛檢測效果。Sun等[5]利用AdaBoost分類器實現(xiàn)本車道前方車輛檢測，但檢測效果受光照變化影響較大。文學志等[6]通過改進AdaBoost算法中弱分類器的生成方法降低了訓練所需時間，但車輛被遮擋時的檢測效果不理想。Jong-Min Park等[7]利用AdaBoost算法進行車輛檢測，并通過水平與垂直邊緣進行信息驗證，但未使用跟蹤算法。李云翀等[8]通過車底陰影特征檢測車輛，利用梯度特征的AdaBoost方法進行驗證，并用卡爾曼濾波進行跟蹤，但車底陰影特征易受光照和天氣影響。

以上研究結(jié)合Haar-like特征與AdaBoost算法實現(xiàn)了前方車輛檢測，但傳統(tǒng)AdaBoost分類器采用滑窗檢測方式，效率不高，不易滿足車輛檢測實時性要求，且受制于AdaBoost算法原理，在環(huán)境變化或遮擋時易出現(xiàn)漏檢測，降低檢測準確性。針對以上問題，本文提出一種基于AdaBoost和壓縮跟蹤的前方車輛檢測方法，通過Haar-like特征及AdaBoost算法訓練分類器，利用道路縱向測距模型分割感興趣區(qū)域并優(yōu)化檢測窗口，通過壓縮跟蹤算法的在線更新特性抵抗環(huán)境變化的干擾，最后分析了不同天氣條件下的檢測效果。

2 車輛檢測算法

2.1 道路縱向測距模型

待檢測的目標車輛位于本車前方，因此將采集道路圖像所用的相機安裝在本車前風窗玻璃處，如圖1所示。

圖1 相機安裝位置

為估算前方道路物體與本車之間的距離，需要利用道路縱向測距模型，以獲得圖像坐標系與世界坐標系的轉(zhuǎn)換關(guān)系?；谛】壮上竦牡缆菲矫婵v向測距模型如圖2所示，其中O-XYZ為世界坐標系，Oc-XcYcZc為相機坐標系，uOov為圖像坐標系，其主點坐標為(uo,vo)，相機安裝高度為h，相機俯仰角（即光軸與水平面夾角）為α，相機焦距為f=|OoOc|，假設(shè)路面水平，Z軸上有一點P，坐標為(0,0,ZP)，其在圖像坐標系中的投影點為P′，坐標為(uo,vP′)，PP′連線與光軸夾角為β，與路面垂線夾角為γ。

圖2 道路縱向測距模型（側(cè)視圖）

由圖2幾何關(guān)系可得

結(jié)合式（1）、式（2）和式（3）可得

其中，主點坐標(uo,vo)和焦距f為相機內(nèi)參數(shù)，可通過張正友相機標定法[9]獲得，相機高度h和俯仰角α可由測量得到，因此，當相機型號和位置確定，便可利用確定的測距模型計算出圖像中物體與相機的實際距離。

2.2 AdaBoost樣本訓練

AdaBoost是一種迭代算法，其核心思想是通過對同一樣本集訓練得到多個弱分類器，同時在訓練過程中不斷調(diào)整訓練樣本的權(quán)重，以提升弱分類器的性能，再將這些弱分類器加權(quán)組合形成一個強分類器，在實際檢測時，將一定數(shù)量的強分類器串聯(lián)，構(gòu)成級聯(lián)分類器，當待測圖片通過所有強分類器時，才輸出為最終的檢測目標[10]。

理論上，訓練樣本數(shù)量越多，得到的分類器性能越好，且由于實際道路場景中非車圖像多于車輛圖像，因此負樣本的數(shù)量應(yīng)多于正樣本數(shù)量[11]。本文選取9 285張正樣本與55 700張負樣本進行訓練。其中，正樣本為車輛尾部圖片，包括中國道路常見的轎車、跑車、SUV、載貨汽車、公交車等，并將所有正樣本歸一化為24像素×24像素的灰度圖加入訓練，如圖3a所示。負樣本為道路場景中的非車目標，包括路面、樹木、房屋、護欄和指示牌等，同時，為提高檢測準確性，負樣本中添加了一圖多車和包含不完整車體圖片，以防止分類器將多輛相鄰的車或車體的一小部分誤識別為目標車輛，如圖3b所示。

圖3 用于AdaBoost訓練的部分樣本

Haar-like特征是一種快速、有效的圖像特征提取方法，最早由Papageorgiou C.等[12]提出，Paul Viola等[13]利用積分圖法快速計算Haar-like特征，并將其應(yīng)用于人臉檢測。Haar-like特征利用相鄰的黑色和白色矩形框表示某一區(qū)域灰度變化情況，并通過計算得到的特征值區(qū)分不同圖像區(qū)域。本文使用邊緣特征、線性特征、中心環(huán)繞特征[12]進行分類器訓練，如圖4a～圖4c所示。類似于人臉，車輛尾部及其相對于周圍環(huán)境均具有明顯的灰度變化，如車燈與后保險杠、車頂與天空等，利用Haar-like可對其特征進行有效表達，如圖4d所示。

圖4 3類Haar-like特征及其對車輛尾部特征的描述示意

最終訓練得到的級聯(lián)分類器共包含24個強分類器和1 516個弱分類器。

2.3 感興趣區(qū)域分割與檢測窗口多尺度優(yōu)化

傳統(tǒng)AdaBoost分類器在線檢測通過滑動檢測窗口的方式實現(xiàn)，檢測窗口以自左向右、自上向下的順序，以每次移動1個像素的幅度對整幅圖像進行遍歷檢測。當較小尺寸的檢測窗口完成遍歷后，便以一定比例（默認為1.1）擴大，再次進行遍歷，窗口尺寸變化范圍在24×24（正樣本歸一化尺寸）至待測圖像尺寸之間，該范圍可自定義設(shè)置。通常，車輛圖像位于整幅待測圖像的下半部分，且所占面積較小，若采用默認的滑窗檢測方式，將有大量檢測窗口在車輛出現(xiàn)概率極低的無效區(qū)域中遍歷搜索，消耗檢測時間，不易滿足實時性的要求。

根據(jù)GB 1589—2016的規(guī)定[14]，我國車輛寬度限值為1 600～3 000 mm，因此，對于相同距離的不同車輛，其圖像尺寸也有相應(yīng)的限值。由于正樣本歸一化尺寸為24像素×24像素，即分類器可檢測的車輛最小圖像尺寸為24像素×24像素，由小孔成像模型可知，物體實際尺寸與實際距離的比值等于圖像尺寸與相機焦距的比值，由此計算得到，本文所用相機可檢測到最遠車輛距離為72 m，因此，將0～72 m設(shè)定為車輛檢測的感興趣區(qū)域，結(jié)合道路縱向測距模型和車輛高度，可以得到相對應(yīng)的圖像感興趣區(qū)域，對該區(qū)域分割提取，以過濾掉不存在車輛的天空區(qū)域，縮小檢測窗口的搜索范圍，降低檢測耗時。

另一方面，在檢測窗口尺寸逐漸擴大過程中，只有當其與車輛圖像尺寸接近時，才能對目標進行有效檢測。因此，對于距離遠、圖像尺寸小的車輛，使用大尺寸檢測窗口無法有效識別，對于距離近、圖像尺寸大的車輛也是如此。為減少無效檢測窗口帶來的計算消耗，本文將檢測區(qū)域由遠及近劃分為若干個子區(qū)域，采用多尺度的檢測窗口并行搜索，每個子區(qū)域?qū)?yīng)的檢測窗口尺寸范圍由道路縱向測距模型和車輛寬度限值計算得到。理論上，子區(qū)域劃分越細，檢測速度越快，但由于路況復(fù)雜多變，劃分過細會導致檢測準確性下降，因此，本文采用3個子區(qū)域進行劃分，3種不同尺度的檢測窗口在各自區(qū)域內(nèi)同時遍歷檢測，每個子區(qū)域內(nèi)的檢測窗口也在一定的小范圍尺寸內(nèi)變化。如圖5所示，以A區(qū)域為例，其位于待測圖像最上方，用于檢測距離遠、圖像尺寸小的車輛目標，因此采用小尺度檢測窗口進行搜索，窗口變化范圍在24像素×24像素與50像素×50像素之間，而位于B、C區(qū)域的車輛圖像尺寸較大，因此選用較大尺度的窗口進行檢測，以此避免小尺度窗口搜索而造成時間消耗，從而提高檢測效率。

圖5 使用多尺度窗口進行檢測

3 車輛跟蹤算法

3.1 壓縮跟蹤原理

遮擋、環(huán)境變化、目標姿態(tài)變化等原因會導致檢測過程中目標丟失，因此需要跟蹤算法對目標進行持續(xù)定位。壓縮跟蹤是一種基于壓縮感知的簡單高效跟蹤算法[15]，其流程如圖6所示。第t幀時，采集檢測到的若干張目標圖片（正樣本）和目標周圍的背景圖片（負樣本），并進行多尺度變換，以更好地表達圖像特征，然后將變換后的圖像通過稀疏測量矩陣進行特征降維，通過樸素貝葉斯分類器對降維后的特征進行訓練，得到一個二分類器。第(t+1)幀時，在上一幀跟蹤到的目標位置附近采樣若干個尺寸相同的圖像，同樣通過稀疏測量矩陣對其降維、提取特征，然后利用第t幀訓練得到的樸素貝葉斯分類器進行分類，分類得分最高的圖像確定為跟蹤目標。因為對圖像特征進行了降維處理，算法運行速度極快，同時由于對樸素貝葉斯分類器進行了在線訓練和更新，從而可以有效抵抗遮擋和環(huán)境變化帶來的干擾。

圖6 壓縮跟蹤算法原理

3.2 跟蹤算法流程

為提高檢測準確率，本文采取跟蹤與檢測同時進行，利用跟蹤結(jié)果彌補檢測失效的策略，具體流程為：

a.當同一目標被檢測算法連續(xù)檢測到n次（本文取n=3）時，即判定該目標為車輛目標，在圖像中標記出其位置，同時調(diào)用跟蹤算法對其持續(xù)跟蹤；

b.當被連續(xù)檢測到的目標在某幀消失時，判定該目標檢測臨時失效，利用跟蹤結(jié)果標記目標位置；

c. 當被跟蹤目標連續(xù)消失m幀（本文取m=5）時，判定該目標已離開圖像范圍，不再對其跟蹤，直至新目標出現(xiàn)并被連續(xù)檢測到n次；

d.當被跟蹤目標在m幀內(nèi)被重新檢測到（本文以檢測窗口與跟蹤窗口的面積重疊率大于50%作為同一目標的判定依據(jù)）時，使用檢測目標對跟蹤算法進行更新，繼續(xù)對目標進行跟蹤。

由跟蹤流程可知：對于誤檢目標，因其持續(xù)時間短暫，不易滿足連續(xù)檢測次數(shù)條件，不作為車輛目標輸出；而對于漏檢目標，則通過跟蹤算法進行持續(xù)定位。

4 試驗結(jié)果及分析

本文使用搭載1.6 GHz Intel?CoreTMi5 CPU和4 GB RAM的便捷式計算機進行實車試驗，軟件平臺為Visual Studio 2013搭載OpenCV 3.0.0函數(shù)庫。利用安裝在前風窗玻璃上的相機采集晴天、陰天、雨天、夜晚等不同工作條件下共3 680幀視頻圖像進行實時車輛檢測，本文算法在試驗環(huán)境中每幀的平均檢測時間為26.5 ms。

在實際駕駛環(huán)境中，碰撞事故往往發(fā)生在本車及相鄰車道之間，因此，本文記錄在試驗過程中位于本車及相鄰車道上的車輛，并采用車輛檢測率（True Position Rate，TPR）和誤檢率（False Detection Rate，F(xiàn)DR）對算法的有效性進行評價[16]，其表達式為：

式中，TP為分類器檢測出的車輛數(shù)；AP為實際道路中的車輛總數(shù)；FP為被分類器誤檢為車輛的數(shù)目。

不同工作條件下的車輛檢測結(jié)果如表1所示。

表1 不同工作條件下的車輛檢測結(jié)果

由表1可知，本文算法在晴天、陰天等光照良好、視野清晰的天氣條件下，表現(xiàn)出較高的檢測準確性，除雨天外的平均檢測率達到93.0%，誤檢率為0.4%，與傳統(tǒng)的Haar-like特征與AdaBoost結(jié)合的檢測方法[3-4]相比，檢測率有所提高，誤檢率明顯降低，且經(jīng)感興趣區(qū)域分割與檢測窗口多尺度優(yōu)化，將每幀檢測時間縮短至26.5 ms，使算法在準確檢測的同時，保持了較高的實時性，圖7展示了本文算法在不同工作條件下的檢測結(jié)果。由于壓縮跟蹤算法的加入，使車輛在被短暫遮擋、光照變化等情況下仍能被檢測出，如圖8所示，當右側(cè)車道車輛進入樹陰時，仍能通過跟蹤算法識別出，體現(xiàn)了算法在環(huán)境變化中的適應(yīng)性，有效提高了車輛檢測率。

圖7 不同天氣條件下的檢測結(jié)果

圖8 壓縮跟蹤算法對車輛的識別效果

試驗過程中，由于雨水被車輪卷起形成水霧，聚集在車輛尾部，使車尾特征變模糊，尤其是距離較遠、圖像尺寸較小的車輛，如圖7c所示，導致雨天的車輛檢測率下降。另一方面，漏檢主要集中在相鄰車道且距離很近的車輛，這些車輛位于圖像邊緣，其尾部特征與位于圖像中間位置的車輛稍有不同，不易被分類器識別，因此后期需要在正樣本集中添加該類車尾圖片進行訓練。

5 結(jié)束語

本文提出了一種基于AdaBoost和壓縮跟蹤算法的前方車輛檢測方法，該方法結(jié)合AdaBoost算法和Haarlike特征進行正、負樣本訓練，得到車輛檢測分類器，并通過感興趣區(qū)域分割與檢測窗口多尺度優(yōu)化方法縮短檢測時間、提高檢測效率，最后利用壓縮跟蹤算法對檢測到的車輛進行實時跟蹤，以抵抗遮擋和環(huán)境變化的干擾，增強算法的適應(yīng)性，有效提高了檢測準確率。試驗結(jié)果表明，該方法在光照良好、視野清晰的天氣條件下，能夠準確識別出前方車輛位置，并具備較高的實時性，能夠為具有避撞功能的車輛智能駕駛系統(tǒng)提供有效決策依據(jù)。