基于對稱性的車輛檢測方法研究

牛瑞麗（山東省菏澤市交通運輸局，山東 菏澤 274900）

基于對稱性的車輛檢測方法研究

牛瑞麗
（山東省菏澤市交通運輸局，山東 菏澤 274900）

隨著我國科學技術的不斷發展，車輛檢測方法也越來越多，在我國智能交通行業中，車輛檢測技術是必不可少的，其融合了識別技術以及統計技術等，檢測速度和準確性都非常高，可以從根本上起到優化智能交通系統的作用。

對稱性；車輛檢測；背景圖像

0　引言

運用車輛檢測技術，可以檢測道路中的對象車輛，并明確其所在位置。但車輛檢測干擾因素比較多，定位難度比較大。專業人員在結合幀差法、光流法等算法的基礎上，創新出了基于對稱性的快速車輛檢測方法，可以實現車輛準確定位。本文主要進行基于對稱性的車輛檢測方法運用情況研究。

1　對稱性原理分析

第一，針對需要處理的汽車圖像，進行垂直性的邊緣觀察和檢測；第二，針對垂直性的邊緣圖像，按照從左到右的順序，挑選各列垂直線，當成核心對稱軸，并使用其當作水平中心矩形，該矩形寬度在最值范圍內明確相應的對稱點數量；第三，明確該寬度下的矩形范圍中的對稱度（sym），使得其為s2/n，其中，s代表對稱軸兩端的對稱點數，n代表矩形范圍中的垂直邊緣點數［1］。明確各列對應的對稱度，如果該對稱度大于基本對稱度閥值的話，就意味著中心對稱軸上面有車輛。

2　檢測圖形預處理方法分析

（1）道路背景處理。在進行車輛檢測的時候，涉及的道路環境條件比較復雜，客觀影響因素也比較多。因此，必須落實好背景預處理工作，不然會導致實際檢測過程復雜化，導致檢測結果準確性降低。在相同的道路上，除了汽車所在范圍，其他范圍道路圖像和背景圖像都是統一的，在利用道路圖像的基礎上進行減操作，可以起到減弱背景圖像的效果。要想從根本上掌握全面的車輛邊緣數據，優化算法效果，采取車輛邊緣增強算子非常必要。Sobel算子有減弱噪聲的優勢，可以快速檢測出相關邊界數據，本文主要運用該算子進行車輛邊緣增強操作。在整個算法當中，對稱性計算是非常重要的，也是非常復雜的，尤其是計算灰色圖像對稱性的時候，耗費的時間比較多。本文主要在計算最大類間方差值的基礎上計算全局閾值。

（2）圖像縮放處理。在實際的車輛圖像檢測過程中，不同車輛和相應攝像頭之間的距離是不同的，這樣就會導致汽車尺寸大小不一。隨著和攝像頭之間距離的不斷增加，相應的汽車尺寸也不斷減小。所以，在評估sym=s2/n＞T公式成立與否的過程中，隨著車輛距離的不斷變化，相應的T值也是不同的。要想處理好該問題，可以運用合理分割方式，將垂直邊緣檢測圖分成相應的近景圖像、中景圖像以及遠景圖像。進行分割圖放縮處理，進而明確三大圖像對應的閥值。

3　基于對稱性的車輛檢測算法描述

（1）及時明確對稱軸。基于對稱性的車輛檢測算法，其關鍵是通過明確汽車對稱性來提升車輛檢測準確率。因此，對稱軸明確是運用該算法的基礎及核心。比如針對遠景圖，圖1是在運用sym=s2/n算法和Sobel算子的基礎上進行遠景圖對稱軸計算的最終結果［2］。

從圖1中可以看出，汽車局部往往就符合對稱性要求，計算出的對稱軸也不止一條，進行對稱軸合并操作是非常必要的。

（2）有效合并對稱軸。首先，要明確合并組。兩車如果滿足平行行駛條件，相應的對稱軸和車寬就是相統一的，因此，汽車相同，檢測出的相鄰對稱軸對應的距離往往比相應的標準寬帶要小。然后，計算出那些在合并組中以對稱軸為中心的的左右兩邊的水平最值，包括最大值和最小值。其次，在計算出最大值和最小值后，以兩值之和除以2，得出合并之后相應的對稱軸。

最后，計算最大值和最小值之間的差額，該差額即為合并后相應的汽車寬度。

（3）明確汽車垂直位置。要想從根本上明確汽車垂直位置，就必須首先了解相應的水平邊緣檢測圖的內容。在進行汽車水平邊緣檢測的時候，車輛底端陰影往往是比較多的，對應的像素密度也很高。要想明確汽車垂直位置，要針對各個對稱軸，明確相應的矩形框，該矩形框用d×h來表示，沿著對稱軸，從底部開始向上移動，達到某位置后，矩形框填充度超過相應閥值的話，就意味著該處為汽車底端［3］。

（4）近、中、遠景實驗結果分析及合并。本文算法進行了圖像分割，所以，針對同個汽車來說，往往會被分到不同圖像中，導致車輛檢測數量不一。在這樣的情況下，必須實現相同汽車檢測數據的有效合并。具體運用的算法如下所示：針對近、中、遠景相應實驗結果來說，在一定縮放比例下可以還原到最初圖像當中，具體如圖2所示。從圖2當中能夠看出，3線、4線和5線，8線、9線、10線和11線代表相同車輛在不同圖像下的呈現，必須采取合并措施。

進行合并結果評估和分析。比如上圖當中的線4、5，相應的對稱軸之間的長度是有限的，但是，僅僅判斷該長度是不能決定最終合并結果的，因為就算距離較短，對應的對稱軸或許也是相同水平部位汽車檢測后形成的。因此，必須適當增添有效的約束條件，決定最終是否能合并。根據上圖2可知，在相同車道上的車輛，它們之間的距離肯定超過了車長，而針對線4、5來說，對應的垂直長度遠遠低于汽車長度，所以應當采取合并措施。

圖1　遠景圖對稱軸檢測

圖2　近、中、遠景圖像合并

合理取舍合并結果。針對垂直部位低的水平線來說，往往應當看成是汽車底部，這里所謂的汽車寬度對應的就是水平線寬度。

4　結語

綜上所述，如今，基于對稱性的車輛檢測方法被創新出來，可以從根本上提升車輛檢測速度，避免車道線等相關因素影響，彰顯車輛圖像，明確圖像車輛位置，在水平檢測基礎上明確汽車在圖像中的垂直位置，檢測效率較高，值得大范圍推廣和應用。

［1］段建民，劉冠宇，鄭榜貴等.基于視覺及多特征的前方車輛檢測算法［J］.北京工業大學學報，2015（09）：1326-1333.

［2］陳志猛，劉東權.基于對稱性的快速車輛檢測方法［J］.計算機工程與設計，2012（03）：1042-1046.

［3］丁偉利，李勇，王文鋒等.基于圖像的對稱性識別算法研究［J］.電子科技，2014（10）：1-5.

10.16640/j.cnki.37-1222/t.2016.14.263