一種新的興趣區域車輛定位方法

肖宏濤

(廊坊廣播電視大學，廊坊 065000)

0 引言

近年來，我國機動車數量快速增長。據交管局的數據顯示，截至去年年底，全國范圍的機動車保有量超過2.4億，駕駛人接近3億，其中汽車的保有量接近1.2億，汽車駕駛人數首次突破2億[1]。盡管涉及人員傷亡的交通事故較2011年略有下降，但是交通形勢仍然嚴峻，將面臨著眾多挑戰。為了應對這一嚴峻形勢，車輛駕駛員一方面需要進行自我約束，嚴禁酒后駕車和違規操作等；另一方面，需要從技術的層面，車輛智能化等方面進行完善。

基于視覺的車輛檢測技術相對于雷達、激光等，更符合人眼捕捉信息的習慣，獲取的信息量將更豐富，且成本低，已經成為當前研究的熱點之一[2]。該技術主要分為以下三類，1）基于模型的方法；2）基于特征的方法；3）基于光流場的方法。

上述方法中，基于模型[3]的方法是指將待測車輛的圖像與事先建立好的車輛的二維或者三維模型進行匹配操作。該方法需要各種車輛模型信息，因而存儲的信息量巨大，在執行匹配算法時，耗費大量時間，難以進行快速實時匹配。基于特征的方法是指針對車輛具有的特征進行檢測的方法。車輛所表現的特征包括車輛形狀、位置(車道線內)、對稱性、灰度值等等[4,5]。該方法具有處理簡單和快速等優點，但容易受到周圍環境變化的影響，一旦周圍環境變化，車輛特征將變得模糊，甚至不能進行檢測，因此在處理過程中需要考慮周圍環境的變化因素，該方法在車輛實時檢測中應用廣泛。另一種基于光流場的方法是指目標和攝像機運動或者都運動所產生的瞬時速度場。該方法在不需要先驗知識的條件下能夠對背景運動情況進行很好的處理。該方法的計算量大，對于光線等環境變化比較敏感，并且實時檢測效果不好[6]。

綜上所述，本文提出基于興趣區域(region of interest ,ROI)的車輛檢測方法，首先根據車輛位置具有的特征信息，去除干擾信息來確定興趣區域，然后對興趣區域使用最大類間方差法將檢測車輛從背景信息中分離出來，最后對提取的圖像信息進行灰度值計算來確定車輛位置。由于確定的興趣區域背景簡單，通常包含道路信息，因而不會受到光線等環境因素的影響，能準確檢測出車輛。通過實驗表明該方法是可行的，計算便捷，檢出率高，具有較好的魯棒性[7]。

1 確定興趣區域

車輛位置的檢測過程中，檢測準確率會受到周圍環境的影響，通常車輛位置都處在一定的環境下，例如道路旁邊的建筑群、樹木、行人、天空及云朵等，都會對車輛位置的檢測產生一定的影響。為了減少車輛環境因素對檢出率的影響，需要對車輛所處位置的興趣區域進行確定后在進行檢測。本文通過哈夫變換來檢測車輛道路邊緣線，該算法魯棒性和容錯性非常好。

1.1 哈夫變換原理

哈夫變換[8]是一種檢測直線的算法，在數字圖像處理中應用較多，是一種參數估計技術。主要思想是利用坐標系中的點-線對偶性，將圖像檢測轉換成參數空間，進而進行累加統計操作，最后直線的檢測是利用尋找累加器峰值進行的。其實質是先將圖像空間進行聚類，在尋找空間參數累加對應點，亦即進行峰值檢測。由于在車輛檢測中，車輛所處的位置部分為車道線，大多情況下位直線，少許曲線，本文的檢測視頻中為了減少曲線帶來的復雜度，故只對直線進行檢測。直線表達式見公式(1)。

直角坐標系中點(X,Y)映射到極坐標系(λθ)上，如圖1所示。

圖1 XY坐標系、極坐標系對應圖

圖1中原空間點A,B,C對應于參數空間的正弦曲線A,B,C。圖1左圖中A,B,C共線，對應于極坐標系中三曲線的交點。

1.2 使用哈夫變換法檢測直線

檢測的圖像進行哈夫變換后，將會出現包括車道線和干擾線在內的多條直線。需要對道路車道線進行判斷，判斷的條件主要有以下四點：

1）線段累計長度超過一閾值A；

2）所以線段中，最小線段的長度要超過閾值B；

3）直線斜率要在一定的范圍內，具體如下：車道線(位于左側)需要滿足，車道線(位于右側)需要滿足；

4）對于一條直線而言，其上的碎線段最大間隔應小于閾值C。

通過哈夫變換的圖像區域多條直線經過上述條件判斷后，將一些干擾線去除，車道線一般都在圖像的下方，圖片中保留的是ROI區域的車道線以及建筑物、天空等背景信息，將直線區域之外的賦值為0，確定ROI，以便進行ROI區域車輛的檢測。

2 車輛與道路的分割

ROI效果確定之后，需對圖片進行otsu[9]法閾值分割。雖然otsu方法是常用的圖像分割方法，但其并不是對感興趣區域進行閾值分割，而是對整幅圖片，效果通常不是很理想。為了盡量去除路旁景物的干擾，本文在確定了圖片的ROI后，再進行閾值分割，因此能夠清晰地分割出車輛與背景部分。

2.1 最大類間方差法原理[9,10]

Otsu是一種能夠較好的自動分割出前景與背景的閾值分割方法。若圖片中前景與背景的分割閾值記為t，前景點數比例和背景點數比例分別為w0、w1，它們平均灰度分別為u0、u1。則整幅圖像總平均灰度為：

灰度值按照從小到大開始遍歷t,使得公式（3）中g達到最大，則t即為最佳閾值。

2.2 對興趣區域閾值分割

對原始圖像進行otsu閾值分割后結果如圖2(b)所示，仍沒有區分開車輛與路邊建筑、樹木等背景部分。將圖片進行哈夫變化，確定ROI效果后如圖2(c)所示。再在其基礎上進行otsu閾值分割，效果如圖2(d)所示。由圖2(d)可見，去除了外界干擾，車輛與道路能夠較清晰的區分開。

3 車輛定位

在不存在噪聲的理想情況下，若ROI區域內無車輛，閾值分割后，圖像ROI區域內每行/列平均灰度值為255；反之，ROI內車輛存在位置的行/列平均灰度值小于255。因此，計算出ROI內每行/列的像素個數，就可以確定車輛位置。因此，根據該方法就可以判斷像素點是否屬于ROI。

本文將非ROI區域像素點所在的行記為i, 所在列記為j，像素值為(i*j)%256。掃面全圖，將像素值不等于(i*j)%256的像素點計入ROI區域。在非ROI區域中，像素值與其所處位置息息相關，這將大大減少了非ROI區域像素值與ROI區域像素值重復概率。本文實驗測試50幀，其中每幀測試60行，檢測結果中ROI區域像素準確行數為2930，剩下的60行中，錯誤像素點個數也10個之內，達到了99 %以上準確率。實驗結果表明，本文所方法簡單、精確，能夠很好應用于圖像ROI區域行/列像素值的檢測。

確定ROI區域后，求出該區域內每行/列像素平均值。若圖像中存在車輛，如圖2(d)所示，ROI區域像素值為零，其每行/列像素平均值也將小于255，因此在考慮噪聲干擾的情況，本文閾值取250。不難看出，圖中ROI區域存在不少椒鹽噪聲，這將影響平均灰度值的準確度。去除椒鹽噪聲的方法很簡單，只需判斷值為0的像素點周圍像素值是否為255，若是，則取該像素值為255。將圖2(d)除去椒鹽噪聲后的效果圖如圖3所示。

圖2 原圖圖像的分割過程

圖3 濾除噪聲后圖像

圖4 車輛位置的確定

噪聲去除后，需計算ROI區域內行列的平均灰度值，當平均灰度值小于閾值時，記下該點行列數，依此陸續得到最小、大行和列。在圖像ROI區域確定過程中，將損失車輛部分信息，影響車輛高度確定的精確度。因此，可以假設車輛高度等于車輛寬度，如圖4。該假設不會對距離的測量及車輛位置的確定有任何影響。

4 實驗結果

實驗視頻選取：

http://trace.eas.asu.edu/yuv/index.htm l。視頻特點：單一車輛，高速公路，陰天。格式：YUV；長度：3000幀；分辨率：352*288。本文對整個視頻進行處理，檢測結果如表1所示。

表1 高速公路視頻檢測結果

表1中，正確檢測是指有車輛時，能夠準確標志出車輛位置，無車輛時，不會虛報；誤檢是指錯誤的檢測出存在車輛；漏檢是指未能準確地檢測出前方存在車輛。其他是指算法由于某種原因沒有檢測出來的部分，但不會對駕車構成威脅。因此，正確檢測和其他均可算為準確計算，準確度達到98%以上，漏檢概率為1.73%。導致漏檢的原因是前方車輛距離越遠，圖像中像素個數就越少，若前方車輛距離本車超過80米，ROI區域中車輛在進行二值化后與像素個數比值低于設定的閾值。若距離不斷加大，對本車輛沒有危險；若距離減小，將及時做出警報，所以，漏檢對本車駕駛不會構成任何威脅。誤檢概率為0，原因很簡單，因為確定了ROI后，ROI區域內就只包括道路背景和目標車輛，再使用Otsu進行最佳分割，大大提高了檢測精度。

由此，準確確定ROI區域是正確檢測的關鍵。對該視頻車道線的檢測結果如表2所示。

表2 車道線檢測結果

表2中，成功檢測車道是指準確檢測到道路兩側車道；檢測車道失敗是指沒有成功檢測出兩側車道；其他是指檢測到一邊路邊護欄，但這不會對ROI確定造成影響。但車道檢驗失敗是造成誤檢的重要因素，會使更多路旁的干擾物進入，導致ROI過大。本實驗視頻中，道路簡單，干擾少，不會導致誤檢，正確檢測道路概率達到了98%以上，效果十分好。但應用于別的道路，有可能增加誤檢概率。

5 結束語

本文研究車輛定位檢測算法，首先確定興趣區域ROI圖像,接著對其進行最大類間方差法分割圖像，去除背景信息，最后計算ROI內灰度值來確定車輛位置信息。實驗結果表明文中使用的方法便捷，能有效進行車輛檢測，具有一定應用價值。

[1] 車曉.我國汽車駕駛人過2億 交通安全任重道遠[J].道路交通管理.2013,3,9.

[2] Lin,T.-T.,Tsai,A-C.,et al.A real-time stereo vision system for obstacle detection and ecognition.American Society of Agricultural and Biological Engineers Annual International Meeting 2012 6,pp.4943-4959 .

[3] Takeo Kato, Yoshiki Ninom iya, Ichiro Masaki.Preceding vehicle recognition based on learning from samp le images[J].IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS.2002,3(4):252-260.

[4] Y ing C K, Neng S P,Yen F L. V ision-based vehicle detection for a driver assistance system [J].Computers &Mathematics w ith Applications, 2011, 61(8),2096-2100.

[5] 遲健男,張朝暉,周楠楠等.基于特征的車輛目標復合探測方法研究[J].儀器儀表學報,2008,29(12):2553-2558.

[6] 高德芝,段建民,于宏嘯.基于激光雷達和攝像機的前方車輛檢測[J].北京工業大學學報.2012,38(9):1337-1342.

[7] 曾慶躍, 丁友東.舊電影中基于Hough變換直線劃痕的檢測[J].計算機工程與設計,2010,31(4):843-846.

[8] 滕今朝,邱杰.利用Hough變換實現直線的快速精確檢測[J].中國圖象圖形學報,2008,13(2):234-237.

[9] 范九倫,趙鳳.灰度圖像的二維Otsu曲線閾值分割法[J]電子學報.2007,35(4):751-755

[10] 劉健莊,粟文青.灰度圖像的二維Otsu自動閾值分割法[J].自動化學報,1993,19(1):101-105.