羅 石，朱大全，耿國慶，劉志偉

(江蘇大學(xué) 汽車與交通工程學(xué)院，江蘇 鎮(zhèn)江 212013)

0 引言

車輛目標(biāo)檢測作為智能汽車領(lǐng)域的重要研究方向，一直是研究人員的關(guān)注重點?，F(xiàn)有的夜間車輛檢測技術(shù)，多是利用安裝在路口固定的攝像頭檢測車輛[1-2]，而應(yīng)用于車載嵌入式的實時檢測很少。近幾年，隨著輔助駕駛系統(tǒng)的快速發(fā)展，對基于車載攝像頭的夜間車輛檢測提出了更高的需求。

目前，車輛檢測的研究方法主要分為機(jī)器學(xué)習(xí)[3-5]和基于知識的方法[6-10]。機(jī)器學(xué)習(xí)方法是通過大量樣本圖片訓(xùn)練分類模型，實現(xiàn)車輛檢測。但是車輛種類多樣，形狀也各不相同，加上夜間照明條件多變，要求樣本數(shù)量極其巨大，文獻(xiàn)[5]指出沒有合適的數(shù)據(jù)集實現(xiàn)車輛檢測?；谥R的方法是根據(jù)人對典型車輛構(gòu)成的認(rèn)識，將人對車輛的知識轉(zhuǎn)化為定義良好的規(guī)則進(jìn)行識別，如根據(jù)車輛形狀、車燈亮度等因素進(jìn)行識別。此方法只需要判斷圖片像素點是否滿足定義的規(guī)則，識別速度快。由于車載嵌入式系統(tǒng)對于實時處理速度要求較高，因此更適合使用基于知識的方法識別尾燈。

夜間前方同向車輛最明顯的特征就是紅色、明亮的尾燈。文獻(xiàn)[6-8]的研究是根據(jù)像素點的色調(diào)(H)、飽和度(S)、亮度(V)識別尾燈，此方法轉(zhuǎn)換公式復(fù)雜，計算耗時。文獻(xiàn)[9]計算像素點的紅(R)、綠(G)、藍(lán)(B)3個通道的差值，通過改進(jìn)最大類間方差法(OTSU)，確定閾值，識別尾燈，此方法在前方只有偏黃路燈時，會將路燈誤判為尾燈。文獻(xiàn)[10]采用光暈層次亮度遞減特點識別尾燈，檢測率較高，但誤檢率也很高。文獻(xiàn)[11]通過計算像素點的紅(R)、綠(G)、藍(lán)(B)3個通道的偏紅水平識別尾燈，但計算過程涉及除法和浮點數(shù)運算，計算速度受到限制。

以上研究表明：通過計算像素點的顏色信息識別尾燈是可行的，但是顏色識別方法還有改進(jìn)空間。與此同時，顏色信息計算完畢之后，如何識別目標(biāo)像素點的具體范圍，大部分文獻(xiàn)都沒有進(jìn)行分析和實驗，文獻(xiàn)[12]采用密度聚類確定范圍，但是此方法易識別很小的干擾噪點，且在目標(biāo)像素點受到干擾不連續(xù)時，容易將同一尾燈分成多類。針對上述顏色空間轉(zhuǎn)換、浮點數(shù)運算使計算時間增加和密度聚類算法誤判等問題，本文提出了一種結(jié)合光暈顏色與網(wǎng)格聚類的夜間車輛尾燈識別方法。采用與上述方法不同的顏色處理公式計算像素點的顏色信息，將自適應(yīng)閾值和固定閾值相結(jié)合，分割尾燈光暈和背景，使用網(wǎng)格聚類算法確定尾燈光暈區(qū)域，在此區(qū)域內(nèi)通過計算光源面積完成尾燈識別。

1 尾燈光暈識別

1.1 尾燈成像特點

圖1 夜間車輛成像的典型圖片

根據(jù)GB 4785—2007的規(guī)定，汽車后位燈為紅色，但實際上尾燈在攝像頭采集的圖片中呈現(xiàn)白色，周圍包裹紅色的光暈，夜間車輛成像的典型圖片如圖1所示。因此，本文通過識別尾燈光暈區(qū)域，確定尾燈位置。

1.2 圖像顏色信息計算

夜間跟車行駛時，周圍環(huán)境光主要包含路燈燈光、大燈照射光、尾燈燈光、路面反光和標(biāo)志牌反光等。文獻(xiàn)[9]采用2R-G-B對圖像進(jìn)行處理，但車燈之間區(qū)域波峰與波谷相差不大，同時對路燈等干擾光源去除不徹底。

夜間行車時，對尾燈紅色光暈識別的最大干擾源是路燈的偏黃光暈，尾燈的紅色光暈和路燈的黃色光暈主要是由像素點R和G的分量值決定的，B分量影響因素很小，因此可忽略。本文對區(qū)域圖像像素點的R值與G值進(jìn)行處理分析，提出顏色處理方法，如式(1)所示：

(R-G)2>>8。

(1)

通過平方增大尾燈光暈與背景的差異，右移8位可以將平方值固定在[0,255]，方便灰度顯示。使用上述兩種方法對圖1進(jìn)行處理，三維分布及投影圖如圖2所示。

(a) 2R-G-B處理圖

(b) 2R-G-B三維分布圖

(c) 2R-G-B的X-Z投影圖

(d) (R-G)2>>8處理圖

(e) (R-G)2>>8三維分布圖

(f) (R-G)2>>8的X-Z投影圖

圖2 兩種方法處理結(jié)果的三維分布及投影圖

對比圖2a和圖2d可知：圖2a中尾燈光暈、路燈光暈和部分樹葉反光都是高亮區(qū)域，而圖2d中，背景區(qū)域像素點偏黑色，只有尾燈光暈是高亮區(qū)域。圖2b顯示了圖2a中每個像素點的2R-G-B值，從圖2b中可以看出：整幅圖像的像素點處理值偏高，尖峰數(shù)量明顯多于尾燈數(shù)量。相反，圖2e則顯示出經(jīng)過(R-G)2>>8處理后，背景像素點的處理值都被抑制在很小的范圍，只有尾燈光暈處形成4個尖峰。對比圖2c和圖2f可知：圖2c中，在像素點水平坐標(biāo)為300處有一個峰值，在像素點水平坐標(biāo)為1 500處峰值較寬，這些是由于路燈光暈、尾燈光暈和樹葉反光共同形成的；圖2f中只有尾燈光暈區(qū)域有峰值。因此，相對于文獻(xiàn)[9]的方法，本文方法可以更好地將圖片中尾燈光暈區(qū)域和背景區(qū)分開，將干擾光抑制在很小的范圍內(nèi)。

1.3 光暈范圍確定

計算圖像顏色信息后，需要對處理后的圖像進(jìn)行閾值劃分，將光暈處紅色像素點篩選出來，確定光暈范圍。

1.3.1 自適應(yīng)閾值和通用固定閾值的確定

自適應(yīng)閾值由OTSU法確定[13-14]。實驗發(fā)現(xiàn)： 當(dāng)夜間前方?jīng)]有車輛，只有路燈時，單獨使用OTSU法會造成誤判。單獨使用OTSU閾值分割二值化圖如圖3所示。

(a) 夜間前方無車輛道路原圖

(b) 顏色處理，閾值分割二值化圖像

圖3 單獨使用OTSU閾值分割二值化圖

圖3a是夜間前方?jīng)]有車輛尾燈，只有路燈的典型圖片，圖3b是圖3a經(jīng)過1.2節(jié)所述的顏色處理，并根據(jù)最大類間方差法確定閾值T1，進(jìn)行分割后得到的二值化圖像。從圖3b中可以看出：路燈光暈、路面反光、綠化帶反光等區(qū)域都被識別為紅色光暈區(qū)域，對后續(xù)尾燈識別造成干擾。

針對上述誤判問題，本文通過確定一個通用的固定閾值T2作為閾值分割的下限。對采集圖片中尾燈光暈和路燈光暈手動提取，并進(jìn)行顏色信息計算，根據(jù)統(tǒng)計直方圖確定固定閾值T2。本文以30幀/s的速率采集各種交通道路圖像，合計60 min的實驗數(shù)據(jù)，從中提取具有代表性的尾燈和路燈圖片進(jìn)行顏色信息計算，尾燈光暈和路燈光暈區(qū)域(R-G)2>>8的統(tǒng)計直方圖如圖4所示。

(a) 尾燈光暈區(qū)域統(tǒng)計直方圖

(b) 路燈光暈區(qū)域統(tǒng)計直方圖

圖4 光暈區(qū)域統(tǒng)計直方圖

從圖4a中可以看出： 尾燈光暈區(qū)域像素點的(R-G)2>>8值分布在區(qū)間[10，120]，在區(qū)間[10，50]時，像素點數(shù)量迅速增加，之后緩慢下降。圖4b則顯示：路燈光暈區(qū)域像素點的(R-G)2>>8值分布范圍較窄，主要集中在區(qū)間[2，10]，之后像素點數(shù)量迅速下降趨于0。

為了準(zhǔn)確找到合適的通用固定閾值T2，計算圖4中光暈區(qū)域像素點出現(xiàn)的頻率并進(jìn)行曲線擬合，擬合結(jié)果如圖5所示。從圖5可以看出：在橫坐標(biāo)為10左右處有一個交點，路燈光暈像素點多分布在交點左側(cè)，尾燈光暈像素點多分布在交點右側(cè)。經(jīng)過實驗，發(fā)現(xiàn)通用固定閾值T2取15時分割效果較好。根據(jù)式(2)對(R-G)2>>8的圖像進(jìn)行二值化，

(2)

圖5 光暈像素點頻率擬合曲線圖

其中：f(x,y)為(R-G)2>>8圖像中坐標(biāo)為(x,y)像素點的值；T1為最大類間方差法得到的自適應(yīng)閾值；T2為固定閾值。

圖3a經(jīng)過顏色處理，自適應(yīng)和固定閾值分割后，二值化結(jié)果為全黑，證明當(dāng)夜間前方只有路燈沒有車輛時，通過固定閾值與自適應(yīng)閾值結(jié)合，路燈光暈、綠化帶反光等不會被識別為尾燈紅色光暈區(qū)域。

1.3.2 基于網(wǎng)格聚類算法的光暈范圍確定

文獻(xiàn)[15]采用基于像素點八連通算法識別目標(biāo)區(qū)域，但此方法容易對一些小的干擾點進(jìn)行聚類。本文為了提高識別光暈連通域的速度和準(zhǔn)確度，采用基于網(wǎng)格四連通域聚類算法確定光暈范圍。網(wǎng)格聚類算法流程如圖6所示。

圖6 網(wǎng)格聚類算法流程圖

流程圖中網(wǎng)格大小w=32，h=15，Min_num取60，ε鄰域Nε(o)為上下左右網(wǎng)格四連通域，最終輸出聚類簇Ck。對圖2d進(jìn)行自適應(yīng)閾值和固定閾值分割后，采用基于像素點聚類算法(八連通)和基于網(wǎng)格聚類算法(四連通)處理，結(jié)果如圖7所示。

圖7a是像素點聚類算法(八連通)的處理結(jié)果。像素點聚類會將二值化圖中所有灰度值為255的像素點進(jìn)行聚類，包括微小的干擾點，并且當(dāng)同一尾燈光暈不連續(xù)時，會將同一尾燈光暈識別為多個類。圖7b是網(wǎng)格聚類算法(四連通)的處理結(jié)果。網(wǎng)格聚類對于微小的干擾區(qū)域起到初步的篩選作用，并且當(dāng)同一尾燈光暈不連續(xù)時，能夠?qū)⒐鈺瀰^(qū)域聚成一類。但是，圖7a和圖7b都反映出一個問題：路面的紅色反光以及面積稍大的干擾源也被識別為尾燈光暈區(qū)域。

(a) 像素點聚類算法(八連通)

(b) 網(wǎng)格聚類算法(四連通)

圖7 像素點聚類算法(八連通)和網(wǎng)格聚類算法(四連通)的處理結(jié)果

2 尾燈識別

從圖7中可以看出：路面的紅色反光以及面積稍大的干擾源內(nèi)部沒有主動光源。因此，本文采用計算光暈范圍內(nèi)像素點灰度值的方法識別尾燈。在1.3.2節(jié)中確定的光暈范圍內(nèi)，根據(jù)式(3)，采用移位算法進(jìn)行灰度轉(zhuǎn)換。

Gray=(R+G<<1+B)>>2。

(3)

根據(jù)實驗統(tǒng)計，尾燈灰度值為[230,255]，最終灰度閾值取230，計算圖像中亮像素點的連通域。為了提高尾燈識別的正確率，對亮像素點的連通域進(jìn)行檢測。由于車輛尾燈形狀各異，使得基于形狀檢測[16-17]剔除干擾光源難度較大，同時一體式尾燈的使用，使得使用車燈之間的幾何關(guān)系來區(qū)分車燈[18-20]的方法不可行。本文設(shè)定連通域的面積下限剔除干擾光源。從采集的圖片中手動選取80張不同形狀和不同距離的尾燈進(jìn)行面積分析。尾燈占據(jù)像素點數(shù)統(tǒng)計直方圖如圖8所示。

從圖8中可以看出：98.75%的尾燈在圖像上占據(jù)的像素點數(shù)大于100，因此將100作為連通域的下限閾值。由于不同車輛尾燈的大小、形狀相差較大，同時一體式尾燈的設(shè)計，使得尾燈占據(jù)的像素點數(shù)上限閾值很難統(tǒng)計，因此不設(shè)上限閾值。最終尾燈識別結(jié)果如圖9所示，4個尾燈被準(zhǔn)確識別，并使用綠色的方框進(jìn)行標(biāo)記。

圖8 尾燈占據(jù)像素點數(shù)統(tǒng)計直方圖

圖9 最終尾燈識別結(jié)果圖

3 實驗結(jié)果與分析

本文使用的相機(jī)安裝在汽車擋風(fēng)玻璃內(nèi)側(cè)中間位置，相機(jī)分辨率為1 080 pixels×1 920 pixels，在夜間市區(qū)多種道路條件和城市郊區(qū)道路上采集RGB圖像數(shù)據(jù)。在MATLAB軟件中編寫程序，對上述圖像數(shù)據(jù)進(jìn)行處理。表1給出了不同算法對夜間車輛尾燈檢測的統(tǒng)計結(jié)果。由表1可知：在城市道路條件下，本文算法識別率達(dá)到87.53%，比2R-G-B算法和色相-飽和度-明度(hue-saturation-value,HSV)算法分別高出6.00%和4.20%；在郊區(qū)道路條件下，本文算法識別率達(dá)到95.43%，比2R-G-B算法和HSV算法分別高出5.23%和2.40%，并且本文算法在誤檢率和漏檢率上也低于其他兩種算法。同時，3種算法在郊區(qū)道路條件下的尾燈識別率都高于城市道路條件下的尾燈識別率，這是由于郊區(qū)道路比城市道路環(huán)境簡單，干擾因素較少。

表1 不同算法對夜間車輛燈檢測的統(tǒng)計結(jié)果

4 結(jié)論

(1)通過計算圖像像素點的(R-G)2>>8值，可以增加尾燈光暈區(qū)域紅色像素點和背景像素點的區(qū)別，降低閾值選取難度。

(2)最大類間方差法得到的自適應(yīng)閾值T1，結(jié)合實驗確定的通用固定閾值T2，可以有效區(qū)分目標(biāo)像素點和干擾像素點，降低誤判率。

(3)采用網(wǎng)格四連通域聚類算法，能夠在同一尾燈光暈不連續(xù)時，將光暈區(qū)域聚成一類，同時對于微小的干擾區(qū)域起到初步的篩選作用。

(4)對比現(xiàn)有基于車載嵌入式系統(tǒng)的尾燈識別方法，本文算法可以有效提高夜間尾燈識別率，降低誤檢率和漏檢率。