一種基于MPEG運動矢量的行車障礙檢測方法

李 晨， 王 巍

（1.西安工業大學 北方信息工程學院，陜西 西安 710032；2.航天恒星空間技術應用有限公司 陜西 西安 710077）

隨著公路交通的飛速發展，汽車安全性問題已日益成為交通問題的焦點。目前，智能車輛作為汽車主動安全方面的最新發展方向，受到了廣泛的關注。關于智能車輛中對行駛前方危險障礙物的檢測，很多國家及多個相關領域的研究學者們已經提出了很多可行的想法及有效方案。其中，基于MPEG視頻流的行車障礙檢測算法由于其直接從壓縮域入手的特點，避免了在空間域中所遇到的對外界環境、光線及氣候條件要求較高等多種敏感問題，已經逐漸顯示出其在應用中的方便性及可行性。通過在實際情況中對該算法的仿真實驗及對該算法在實際應用情況中所造成的虛警，漏警數據的統計及分析可知，該算法正確性較高，在實際生活中有較好的應用前景。

在目前已有研究出的基于MPEG運動矢量的行車障礙檢測算法的基礎上，對已有算法的部分參數進行驗證，在原有檢測系統中采用模板匹配的方法，通過具體路況實驗，進行統計分析及經驗驗證，設定出不同情況下的檢測閾值及相應的經驗公式，使之能夠適應不同的行車環境，達到理想的檢測效果。

1 實驗系統構成

本實驗系統首先通過車載單目攝像機來采集行車路況的連續視頻流信息。所拍攝的路況連續視頻流信息均為AVI文件格式，MPEG視頻壓縮制式，以此來達到算法制定時基于MPEG運動矢量的要求。通過MATLAB軟件進行MPEG連續視頻流平臺的搭建以及MPEG連續視頻流行車障礙檢測算法的實現。利用MATLAB圖像處理工具箱中自帶函數可以使本文的一些圖像處理問題得到簡化。

文中進行MPEG運動矢量行車障礙檢測方法的實驗的系統構成圖如圖1所示。

圖1 MPEG運動矢量行車障礙檢測方法實驗系統構成圖Fig.1 The experimental system structure graph of driving obstacle detection which based on MPEG motion vectors

文中的研究是建立在基于MPEG運動矢量行車障礙檢測算法之上的。在其對運動矢量解碼提取過程中，為方便研究，主要提取的是P幀運動矢量，因此對車輛速度有一定要求。由于本文主要介紹的是這種檢測方法的應用過程，所以只列舉在一種車速下該方法對前方車輛不同行駛狀況的檢測過程。

1）前方車輛橫向運動

在相對車速為40 km/h下，拍攝視頻長度為25 s，通過對該段MPEG連續視頻流的分解，共分解出獨立圖片200幀。圖2所示是在分解后的單幀圖片中，對前方車輛橫向運動時所選取的4幅關鍵幀圖片。

圖2 相對車速為40 km/h下，前方車輛橫向運動時提取的關鍵幀Fig.2 The key frames of forward vehicle lateral motion in the relative vehicle speed 40 km/h

2）前方車輛減速運動

在相對車速為40 km/h下，拍攝視頻長度為50 s，通過對該段MPEG連續視頻流的分解，共分解出獨立圖片400幀。圖3所示是在分解后的單幀圖片中，對前方車輛減速運動即追尾時所選取的4幅關鍵幀圖片。

圖3 相對車速為40 km/h下，前方車輛減速運動時提取的關鍵幀Fig.3 The key frames of forward vehicle retarded motion in the relative vehicle speed 40 km/h

2 圖像噪聲的濾除

噪聲的濾除是很有必要的，壓縮域中運動矢量只是用于編碼目的，它們是有噪聲的，不可靠的，直接用于檢測算法會產生很大的噪聲誤差和錯誤。特別是由于汽車抖動引起的邊緣毛刺，天空等非危險區域產生的孤立噪聲點等，都會對行車障礙檢測系統的檢測可靠性及檢測效率等問題造成不必要的影響和麻煩。為了盡可能地消除噪聲，增強運動矢量的可靠性，在對非危險運動矢量篩選之前，首先需進行噪聲運動矢量的濾除處理。

由于圖像信號和噪聲信號往往交織在一起，特別是在行車障礙檢測算法中，圖像的邊緣噪聲和天空等非危險區域所產生的噪聲都會在運動矢量場圖中顯示，并且增加檢測算法的誤判率。因此，根據上述運動矢量場圖中噪聲的特點，首先根據危險運動矢量規則進行除噪，其次本文在原有基礎上增加了不同情況下匹配模板的運用，對于確定的路況及以此選定的匹配模板，模板外側邊緣（被認為是圖像邊緣，帶有不可靠的噪聲）以及天空等非危險區域，由于該區域對檢測算法的判決并不產生影響，因此通過模板的邊緣限制，可將模板外邊緣區域直接置零，設置為非危險區域。表達式為：

其中 MVi，j為坐標（i，j）處宏塊的運動矢量。

3 危險區域的確定

由于車輛在行駛過程中，整個視頻圖像序列的背景為動態背景，因此車輛在正常行駛情況下都會產生符合正常規律的發散的運動矢量，但不是所有區域的運動矢量都會對行車構成危險，例如天空中的運動物體的運動對車輛正常行駛就不會構成危險等，因此必須首先排除對于車輛正常行駛時不構成危險的區域，從而確定對于車輛正常行駛時構成威脅的危險區域，并給予高度重視。因此確定車輛在行駛過程中的危險區域也就成為行車障礙檢測算法中的一個重要環節。

文中所介紹的基于MPEG運動矢量的行車障礙檢測方法確定危險區域的方式是：通過在路面區域之上設定與之相應的匹配模板來確定危險區域。

根據所分析的路面情況，事先做好一些道路檢測模板，然后檢測道路曲線與哪一種模板匹配程度最好。在模板中應用了滅點的概念。所謂滅點，即在直行道路環境下，當攝像機位置確定后，所拍攝的視頻圖像中的透視圖像的道路前方相對于攝像機在同一水平面位置上的道路前方的一點，即攝像機朝向該點運動，則該點稱為滅點。滅點的運動矢量為零。滅點的確定決定于攝像機位置的確定。對于滅點以上的運動矢量即天空中的運動物體等所產生的運動矢量對行駛車輛并不構成危險，所以滅點以上的運動矢量應該給予排除。模板的制定主要是選取以滅點為中心，選擇公路及其兩旁部分區域作為模板內部區域，將天空及圖像邊緣作為非危險區域，列為模板外部區域。利用滅點的概念設置模板更加簡單、靈活和方便，且更容易實現。

由于車輛在行駛過程中，不僅有直行狀態，還有轉彎及上下坡彎道等多種行駛情況，不同狀態下攝像機所需面對的視景及處理的危險區域不同，因此在模板的設置過程中也應考慮以上多種情況，設定不同情況下的模板形狀及匹配閾值。

4 標注危險障礙物

在運動矢量圖中篩選出來的異常危險運動矢量具有散亂的特性，本文所介紹的檢測方法通過方框對危險障礙物進行標注來達到預警的作用。方框大小的確定與危險運動矢量區域的大小相關。本文根據MPEG運動矢量行車障礙檢測方法步驟，對大量實際拍攝的視頻圖像序列進行了檢測，在此選擇其中具有典型代表性的幾組車輛前方路況視頻圖像序列對該檢測方法的實現進行說明。

實驗一：在相對車速為40 km/h下對車輛前方橫向行駛車輛進行檢測

在車速為40 km/h下，對車輛前方橫向行駛車輛提取的關鍵兩幀如圖4所示；在車速為40 km/h下，通過本文介紹檢測方法對車輛前方橫向行駛車輛進行檢測的結果如圖5所示。實驗二：在相對車速為40 km/h下對前方車輛減速運動進行檢測

圖4 車速為40 km/h下對橫向行駛車輛提取的關鍵兩幀Fig.4 The key frames of forward vehicle lateral motion in the relative vehicle speed 40 km/h

在車速為40 km/h下，對車輛前方減速運動車輛所拍攝視頻提取的關鍵兩幀如圖6所示；在車速為40 km/h下，通過本文介紹檢測方法對車輛前方減速運動車輛進行檢測的結果如圖7所示。

5 不同行車狀態下檢測閾值T的設定

圖5 車速為40 km/h下對橫向行駛車輛檢測結果Fig.5 The detection results of forward vehicle lateral motion in the relative vehicle speed 40 km/h

圖6 相對車速為40km/h下對前方車輛減速運動提取的關鍵兩幀Fig.6 The key frames of forward vehicle retarded motion in the relative vehicle speed 40km/h

文中介紹的基于MPEG運動矢量的行車障礙檢測方法，對不同行駛情況下匹配模版中的檢測閾值T進行了經驗總結。根據經驗及實際仿真結果可知，經驗閾值T的選取及設定與行駛車速及行駛狀態相關。在平直公路行駛時的具體關系符合T=0.025 V+1.5的線性關系式。在視頻圖像統一采用格式為291×218大小，正常行駛時，車輛在車速為20 km/h正常安全行駛時相鄰運動矢量之差都在閾值T=2的范圍內；車輛在車速為40 km/h正常安全行駛時相鄰運動矢量之差都在閾值T=2.5的范圍內；車輛在車速為60 km/h正常安全行駛時相鄰運動矢量之差都在閾值T=3的范圍內；在轉彎行駛狀態下，由于攝像機視景中道路一側非危險區域的視景會增加，因此一些非危險運動矢量可能增加誤判的可能性，在該種情況下，通過統計歸納可知，相應的檢測閾值較平直公路有所增加，在2.5的范圍內；在上下坡行駛狀態下，由于上坡時攝像機視景中所出現的天空視景增加，即非危險區域增加，因此可增加誤判可能性的非危險運動矢量增加，需要增加相應的檢測閾值，通過統計歸納可得出針對該種情況的經驗閾值在3的范圍內；在下坡行駛狀態下，由于攝像機視景中所出現的路面視景增加，因此獲取危險運動矢量的幾率增加，此時需降低檢測閾值，通過統計歸納可得出該種情況下的經驗檢測閾值在2的范圍內。

圖7 相對車速為40 km/h下對前方車輛減速運動檢測結果Fig.7 The detection results of forward vehicle retarded motion in the relative vehicle speed 40 km/h

車輛正常行駛時，直行各車速下相鄰運動矢量之差符合的閾值范圍如表1所示。

表1 直行各車速下相鄰運動矢量之差的閾值范圍Tab.1 The threshold range of the difference between adjacent motion vectors in different vehicle speed

6 結 論

文中對基于MPEG運動矢量的行車障礙檢測方法進行了模擬實驗，在對MPEG相關知識有所了解的前提下，結合前人在基于MPEG智能輔助駕駛車輛障礙檢測系統中的研究成果，在噪聲的濾除和危險區域的確定中利用了模板匹配的方法，具體進行實驗時，在此基礎上選定與具體路況相匹配的模板和檢測閾值。檢測閾值T的選取在本文中主要是依據行駛車速及行駛狀態來確定，通過在不同狀態下的模擬實驗及經驗總結，確定了不同車速、不同狀態下的經驗檢測閾值，為該種檢測方法提供了更高的可實施性。

[1]蔡光程.MPEG視頻中對運動物體的跟蹤 [J].昆明理工大學學報，2004，29（2）:68-71.CAI Guang-cheng.Tracking the moving object from MPEG code[J].Journal of Kunming University of Science and Technology，2004，29（2）:68-71.

[2]劉濤.智能型汽車行駛主動安全系統研究[D].重慶：重慶大學自動化學院，2003.

[3]張偉.智能車輛中的道路檢測與識別[D].重慶：重慶大學，2006.

[4]郝寶青.智能車輛視覺導航中道路與行人檢測技術的研究[D].哈爾濱：哈爾濱工業大學，2006.

[5]劉化勝，王友仁.車輛視覺導航系統中的實時道路檢測[J].計算機測量與控制，2004，12（10）:901-904.LIU Hua-sheng，WANG You-ren.Real-time lane detection for vehicle vision system[J].Computer Measurement and Control，2004，12（10）:901-904.

[6]張偉.基于視覺的運動車輛檢測與跟蹤[D].上海：上海交通大學，2007.