基于車底陰影的智能車前方車輛檢測算法

王繼貞，張紹勇，陳效華（奇瑞汽車股份有限公司汽車工程研發總院，安徽 蕪湖　241009）

基于車底陰影的智能車前方車輛檢測算法

王繼貞，張紹勇，陳效華
（奇瑞汽車股份有限公司汽車工程研發總院，安徽 蕪湖241009）

對前方車輛進行實時精確的檢測是智能車系統中對車輛進行橫向和縱向控制的基礎。本文提出一種魯棒的車輛檢測方法，可適用于有車道線場景和無車道線場景車輛檢測問題。車輛檢測可以分為車輛假設產生和車輛驗證2個階段。在車輛假設產生階段，文中提出一種車底陰影二值化方法，可以不受車道線有無影響，對光照強弱、建筑物或樹的投影等抗干擾能力強。在車輛驗證階段，文中提出車輛粗驗證和精確驗證2個步驟。粗驗證階段采用車輛對稱性，初步定位車輛位置，然后在精確定位階段采用機器學習方法進行精確定位。

車輛檢測；車底陰影；Adaboost

近年來，隨著汽車數量的急劇增加和人們生活水平的提高，汽車行駛安全性成為人們關注的重點。前方車輛檢測是智能車研究的關鍵技術之一，主要用于智能車前方車輛檢測、測距。利用攝像機來采集道路前方車輛圖像，信息量大、成本低、無污染［1］。目前車輛檢測算法主要有：背景差法、幀間差分法、光流法、基于車輛底部的陰影法、基于車輛特征的識別方法。其中，背景差法、幀間差分法只能適用于車輛靜止狀態的車輛檢測，一般用于監控領域。光流法適用于車輛相對運動較大場景，對于車輛運動相對較小場景不適用，并且光流法運算量較大，對硬件處理能力要求高，無法用于智能車系統中。基于車輛底部的陰影法、基于車輛特征的識別方法是車載車輛檢測常用方法。基于車輛底部的陰影法首先采用二值化方法提取出車輛底部陰影區域，然后根據車輛的對稱性特征定位車輛位置。基于車輛特征的識別方法通過采集大量的含有車輛圖像序列和不含有車輛圖像序列，然后采用有效的特征提取方法和模式識別方法進行離線訓練。本文首先采用基于車底陰影的方法提取出候選車輛檢測區域，然后采用車輛對稱性特征進行初步選擇，再采用基于車輛特征的機器學習方法進行最終確認是否為車輛。

1　系統框圖

本文設計的車輛檢測系統流程圖如圖1所示。智能車系統采用的攝像頭為彩色攝像頭，系統首先將彩色圖像經式 （1）轉化為灰度圖像。

將RGB彩色圖像經過式（1）轉化為灰度圖像I。智能車后續車輛檢測系統將基于灰度圖像進行處理。系統首先采用自適應二值化算法計算出灰度圖像中車底陰影分割閾值，然后將灰度圖像轉化為僅含有0和255兩個值的二值圖像，再采用車輛底部陰影確認算法得到車輛底部陰影下邊緣。然后對灰度圖像進行垂直邊緣增強，接下來對垂直邊緣進行二值化，根據車輛對稱性特征計算車輛對稱性，得到初步車輛位置。然后在車輛初步定位位置采用機器學習方法提取車輛特征，采用識別分類方法最終確認車輛是否存在。

圖1　　車輛檢測系統流程圖

2　圖像二值化

圖像二值化即選擇一個合適的閾值，將車底陰影區域從背景圖像中分割出來，閾值的計算是二值化算法設計的重點。圖像閾值選取方法可以分為全局和局部的闕值選擇方法，全局閾值選取是根據整幅圖像灰度信息確定一個閾值，局部閾值選取方法是將圖像劃分成若干子圖像，然后根據每個子圖像確定相應的閾值。目前典型的幾種閾值選取方法有直方圖方法、最大類間方差、最大熵法。

直方圖方法是直接從原始圖像的灰度分布直方圖上確定閾值，包括p-分位數法、雙峰法、直方圖凹面分析法。但由于實際圖像的情況往往比較復雜，而且可能噪音干擾比較大，直方圖參差不齊，確定直方圖的最大值和最小值是比較困難的。

最大類間方差是由日本Ostu于1978年提出的，又稱為大津閾值分割法，它是基于判別式分析最小二乘原理的基礎上推導得出的。圖像中的灰度值按照初始閾值先分為兩類，然后計算類內、類間和總體方差，通過判決準則函數表達式不斷迭代，計算得到最優的分割閾值，但是這種方法計算量巨大。

最大熵法用熵來定義一個系統的信息量，是系統不確定性的度量。假設圖像僅在其灰度分布直方圖表示的基礎上，來定義圖像的熵，并用這一度量來實現圖像中目標和背景的分離。最大熵方法對不同目標大小和信噪比SNR的圖像均能產生很好的分割效果，目標大小對算法的影響較小，可以用于小目標分割。但這種算法涉及對數運算，運算速度比較慢，實時性不是很好［2］。

齊美彬提出一種兩次自適應閾值計算方法［2］，算法中首先根據圖像均值和方差計算出第一次自適應閾值Thres1，然后計算圖像中低于Thres1的像素值的均值和方差，以此計算出自適應閾值Thres2，通過Thres2分割車底陰影。

本文首先采用Sobel邊緣增強算法提取車道線或道路邊緣，然后根據車道線灰度均值進行圖像二值化。由于圖像上部為天空區域，因此本文僅處理圖像下面3/4區域。提取效果如圖2所示。

圖2　　道路區域二值化

對上述二值化后的圖像從左到右每一列，進行從下往上的掃描。當掃描到第一個白色像素即第一條邊緣時，記錄該位置垂直方向坐標，然后停止該列掃描，繼續進行下一列的掃描。當該掃描進行完畢后，截取原灰度圖像中剛剛記錄的每一列掃描停止的位置到圖像感興趣區域最底部的所有像素點，接著將其到感興趣區域最頂部的所有像素直接置255，即將其直接設置為白色像素，這樣便可提取出路面區域。提取的道路路面區域如圖3所示。

圖3　　道路區域背景選擇

根據圖3中路面位置區域計算原始圖像中相應路面區域對應的均值m和方差σ。通過試驗測試，路面區域灰度分布近似可以看做為正態分布，并且灰度值在（m-3×σ，m+3×σ）的像素概率高達99.8%。因此，可以選擇m-3×σ作為路面區域灰度值的近似下界。根據攝像頭安裝結果，圖像0～150行對應上部天空，車輛底部陰影不在這個區間，程序中不處理這部分。設T= m-3×σ，以T為閾值，對原始圖像進行二值化，結果如圖4所示。可以看出閾值化結果比較好地保存了車底陰影，并與大部分路面區域分割開來。

圖4　　車輛陰影二值化

3　車輛水平邊緣提取

車輛水平邊緣提取指根據車輛底部陰影水平特征以及具有一定長度等確定出車輛陰影。車底陰影區別于圖像中其他特征有以下幾點：①陰影部分從下向上會有明顯的垂直梯度變換；②車輛陰影底部是水平的；③水平陰影的長度隨圖像行數增大而變長。

根據特征①描述，對原始圖像進行水平邊緣增強。得到水平邊緣增強圖像后，設定邊緣增強閾值（如10），將水平邊緣增強的圖像二值化，灰度值高于閾值的設定為255，否則像素灰度值設定為0。然后將水平邊緣增強的二值化圖像與圖3中的車輛陰影二值化圖像進行 “與”操作。根據車輛寬度信息，汽車寬度一般在1.5～2.5m之間，根據特征②和③，通過相機標定結果，計算出車輛陰影在圖像中的寬度，然后判斷計算的車輛寬度是否在設定范圍之內。最后根據車道線檢測算法，如果檢測到車道線，則將區域限定在當前車道范圍內，刪除車道范圍外的陰影水平線。原圖見圖3，得到的各階段圖像如圖5所示。

4　車輛確認

車輛底部陰影候選位置得到以后，首先根據車輛對稱性特征粗略確認車輛位置，然后采用機器學習的方法最終確認車輛是否存在。車輛對稱性確認過程中，根據車輛底部陰影位置的左右邊緣和長度，確定圖像垂直邊緣增強的左右位置和高度。文中設定圖像垂直邊緣增強的高度與車底陰影長度相同。通過采用Sobel垂直邊緣增強，得到增強后的灰度圖像F1（x，y）。然后對區域內的圖像，如式（2），從上到下逐列累加統計。

圖5　　各階段圖像

對稱軸取矩形框豎直中軸xs，寬度為矩形寬度w= xend-xstart，以xs為縱軸的新坐標，偶函數和奇函數分量分別為

目標矩形的對稱度測量為

通過上述公式計算，得出候選區域的對稱度測量值，如果滿足要求，則在候選區域中采用機器學習方法進行最終確認。采用機器學習方法包括2個過程：訓練過程和識別過程。訓練過程通過采集大量車輛樣本和非車輛樣本，將正樣本統一歸一到32×32大小尺寸。然后采用Adaboost算法，訓練得到表示車輛的數學模型。本文采用擴展的類Harr特征來描述車輛邊緣及結構特征，共分為4大類15種特征。計算每個樣本圖像的15種不同尺寸的類Harr特征，每個樣本可以計算出57519個類Harr特征。Boosting原意為提升、加強。現在一般指的是將弱學習算法提升為強學習算法的一類算法。1995年，Freund和Schapire提出的Adaboost，是對Boosting算法的一大提高。其主要原理是將所有帶分類樣本賦予相等的初始權值，在每一輪選取弱分類器的訓練中，選擇對樣本帶權分類錯誤最小的特征與閾值組合作為當前選取的弱分類器，并根據當前的弱分類器的分類效果對樣本的權值進行更新。在反復進行多次迭代訓練后，可以使分類錯誤趨近于0。

通過車輛確認后的效果如圖6所示。

圖6　　車輛確認后效果

5　試驗驗證

本文采用奇瑞公司研發的艾瑞澤7轎車為試驗車輛，利用安裝在擋風玻璃上部的CCD攝像機采集前方圖像。攝像頭焦距12 mm，水平視場角26°，采用主頻為2.2 GHz的工控機為圖像處理平臺，采集頻率為25 幀/s。試驗測試數據庫來自攝像頭采集的視頻序列，奇瑞公司建立了涵蓋白天各種場景的車輛檢測測試庫，其中轎車圖像86 472張，越野車圖像107 265張，貨車圖像153 400張，中巴圖像95 674張，公交車圖像114 684張。試驗中，用以下指標對在不同場景中車輛檢測的效果進行評價。檢測率用tp表示，錯誤率用fp表示，公式如下。

式中：NTP——測試樣本中正確檢測車輛數目；NFP——測試樣本中非車輛檢測為車輛的個數；NTN——測試樣本中正確識別非車輛的數目；NFN——將車輛識別為非車輛的個數。

采用本文方法測試的不同場景的車輛檢測效果見表1。

表1　　不同場景的車輛檢測效果

6　結論

基于車輛陰影的車輛檢測，通過提取車底陰影與地面分割閾值，采用車輛陰影在圖像中的特有特征提取出車輛陰影，可以在算法初期快速定位候選車輛區域。然后采用機器學習方法在候選區域確認車輛有效性。通過試驗測試，本文方法相比于傳統的機器學習方法，通過車底陰影進行局部區域確定，然后采用機器學習方法可以顯著減低算法運行時間，同時通過車輛對稱性和機器學習兩級確認，可以得到更加穩定的車輛位置。通過不同車輛類型檢測測試結果，可以看出對轎車的檢測率最高，而貨車的檢測率最低，其主要原因在于轎車尾部相對貨車更加規整。貨車由于載貨和改裝等問題，識別率相對較低。同時，本文只研究了晴天場景的車輛識別問題，下一步將對雨天、夜晚等惡劣場景進行研究，從而形成可以全天候進行智能車車輛檢測的系統。

［1］韻卓.基于DSP的道路前方車輛識別算法研究［D］.長春：吉林大學，2014.

［2］李晗.基于機器視覺的高速車道標志線檢測算法的研究［D］.沈陽：東北大學，2006.

（編輯楊景）

Intelligent Forward Vehicle Detection Algorithm Based on the Vehicle Shadow

WANG Ji-zhen，ZHANG Shao-yong，CHEN Xiao-hua
（Automobile Engineering Research Institute of Chery Automobile Co.，Ltd.，Wuhu 241009，China）

The real-time and accurate detection of forward vehicle is the basis of the lateral and longitudinal control in the intelligent vehicle system.A robust vehicle detection method is proposed here，which can be applied in all scenes with or without lane line.The vehicle detection can be divided into two stages：vehicle hypothesis generation and vehicle verification.In the first stage，a vehicle shadow binarization method is proposed.In the second stage，two steps are proposed：rough verification and precise verification.In the rough verification stage，the vehicle can be positioned using the vehicle symmetry，and in the precise positioning stage，the machine learning method is used for positioning.

vehicle detection；vehicle shadow；Adaboost

U467.11

A

1003-8639（2016）02-0059-04

2015-07-10；

2015-09-24

王繼貞（1985-），男，碩士，設計師，主要研究方向為計算機視覺、主動安全、智能車；張紹勇（1983-），男，碩士，主管設計師，主要研究方向為智能車；陳效華 （1966-），男，博士，院長，主要研究方向為汽車前瞻性技術。