基于類Haar特征和最近鄰分類器的車輛檢測

周瑩+曉艷

摘 要

針對傳統車輛檢測方法計算復雜和誤檢率高的問題，提出了一種基于類Haar圖像特征描述的車輛檢測方法。首先，建立特征向量庫，利用類Haar特征對訓練樣本進行特征提取。然后，提取待檢測圖像的子圖像特征信息。最后，最近鄰分類器利用特征向量庫對待識別的子圖像進行車輛存在性檢測。利用積分圖像的概念對圖像進行描述，大幅度提高了特征提取速度。此外，分析了不同數量的類Haar特征對檢測效果的影響。實驗結果表明，該方法能大幅降低誤檢率，獲得較高的查準率，對日間自然光條件下的車輛有較好的檢測效果。

【關鍵詞】Haar-like 積分圖像 最近鄰 車輛檢測

1 引言

車輛檢測在智能交通系統中至關重要，旨在預測車輛的潛在危險，以便及時地警告司機。當前的車輛檢測方法主要分成三種：基于感應線圈的檢測，基于波頻檢測和基于圖像視頻的檢測。基于感應線圈的檢測方法是通過感應線圈的電磁感應現象，當車輛經過時有電流變化，從而實現檢測。但線圈隨著年限的增加會出現老化損耗等，導致檢測失效。基于波頻的檢測方法主要依賴微波、紅外線、超聲波或者雷達等有源傳感器檢測車輛。盡管該方法適用于不同的工作環境 ，但是其卻無法區分障礙物的種類（汽車、行人和自行車等）。與前兩種方法不同， 圖像視頻檢測方法利用與人類視覺相似的相機系統，能夠向模式識別系統提供豐富信息，所以其更適用于車輛檢測。

目前，基于視覺的常用車輛檢測方法主要包括基于模板匹配的檢測方法 、基于學習的檢測方法和基于特征的檢測方法 。其中，基于學習的檢測方法主要是利用大量的車輛圖片來訓練分類器.常用的分類器主要包括SVM、AdaBoost、神經網絡等。文獻[18、19]介紹了一種基于類Haar 和AdaBoost 分類器的車輛識別算法。該算法雖然檢測速度快，檢測率高，且誤檢率低，但訓練樣本規模非常大時，訓練分類器耗時較長。文獻[20]HOG 特征和SVM的車輛檢測算法， 此算法適應性強， 但其計算復雜度高。

鑒于此，本文提出了一種計算簡單且能大幅度降低誤檢率的車輛檢測方法，即類Haar特征結合KNN算法。KNN算法簡單，易于實現，并且利用積分圖像的概念對圖像進行描述，可以顯著提高特征提取速度。該方法由兩部分組成：特征提取階段和檢測階段。特征提取階段，使用類Haar特征對訓練集圖像進行特征提取，獲取特征信息，組建特征數據庫；檢測階段，統一測試圖像尺寸，用滑動窗口對其進行分割，并對子圖像進行特征提取。利用最近鄰分類器將每幅子圖像的特征信息與特征信息庫進行對比，從而檢測是否有車輛存在，并確定車輛位置。

2 算法結構

本文算法可以分為兩個主要階段：特征庫建立和車輛檢測。特征庫建立階段，首先選取對分類識別起關鍵作用的類Haar 特征， 并利用其對訓練樣本進行特征提取，然后建立特征向量庫。車輛檢測階段，首先提取待檢測圖像的類Haar 特征， 然后將特征輸入到KNN分類器中進行車輛存在性檢測. 算法結構如圖1 所示， 文章后續部分將對這兩個主要階段進行詳述。

3 特征庫建立階段

特征庫建立階段主要包括圖像預處理、計算積分圖、提取類Haar 特征三部分。這個階段建立的特征向量庫將為檢測階段提供類Haar特征信息。

3.1 圖像預處理及積分圖計算

將訓練集中所有圖像的尺寸統一設置為24x24的RGB圖像，如圖2所示，訓練集樣本包含積極樣本和消極樣本。然后根據文獻[22] 介紹的方法計算每個圖像的積分圖， 為后續階段快速計算類Haar 特征做準備。

當計算類Haar特征時，僅以Viola等人提出的四個基本矩形特征為例，在一個24×24窗口圖像 中任意排列至少可以產生數以十萬計的特征，求解這些特征值的計算量很大。為提高類Haar特征計算速度，在特征提取階段引入積分圖的概念，從而可以大幅度提高檢測速度。

積分圖的主要思想是將圖像從起點開始到各個點所形成的矩形區域像素之和作為一個數組的元素保存在內存中，當要計算某個區域的像素和時可以直接索引數組的元素，不用重新計算這個區域的像素和，即只遍歷一次圖像就可以求出圖像中所有區域像素和的快速算法，從而提高了圖像特征值計算的效率。

圖3（a）點（x，y）處的積分值為該點左上方的像素和，圖3（b）矩形區域D內的像素總和由四個參量得到。

圖4類Haar特征。（a）、（b）邊界特征；（c）、（d）線性特征；（e）對角特征；（f）中心特征。

積分圖是一種能夠描述全局信息的矩陣表示方法。積分圖ii（x，y）表示位置（x，y）處左上方像素值的總和 （如圖3（a）所示），見公式（1）。

其中，i（x，y）是原始圖像，i（x'，y'）為位置（x，y）左上方的像素點。通過以下兩個方程的循環計算即可得到積分圖像：

其中，s（x，y）表示行方向的累加和，s（x，-1）=ii（-1，y）=0。當掃描到圖像右下角像素時，積分圖像ii就構造好了。

積分圖構造好后，圖像中任何矩陣區域的像素累加和都可以通過簡單運算得到（如圖3（b）所示）。設D的四個頂點分別為1、2、3、4，則D的像素和可以表示為公式3所示，即用四個參量即可得到。

相似地，不同的兩個矩形區域的像素和可以由八個參量得到。由于定義的特征矩形都是相鄰的，所以用六個參量表示即可。同理，三個矩形區域的特征由八個參量即可得出，四個矩形區域的特征由九個參量即可得出。

3.2 類Haar特征提取

類Haar 特征是由Viola 等人[22、23] 在其人臉檢測系統中引入的一種簡單矩形特征， 因類似于Haar 小波（Haar wavelet）而得名，。類Haar特征又稱為矩形濾波器， 每個類Haar特性描述模板由黑白兩種矩形組成，其提供了一幅圖像中兩個相鄰區域的灰度級信息，即該模板的特征值為白色矩形像素和減去黑色矩形像素和。 如圖4所示，其中圖（a）和（b）為邊界特征，（c）和（d）為線性特征，（e）為對角特征，（f）為中心特征。endprint

圖5為用于描述車輛特征的類Haar 特征示例。基于3.1中的積分圖，計算每個樣本圖像的6種類Haar 特征， 每個樣本總共可得到1909個類Haar 特征。

4 檢測階段

檢測階段用于對待識別的子圖像進行車輛的存在性檢測，主要包括：

（1）圖像預處理；

（2）計算積分圖；

（3）提取類Haar特征；

（4）應用KNN分類器進行分類識別四個部分。

首先將測試圖像的尺寸統一設置為320x240。然后利用滑動窗口對圖像進行分割，得到一系列的子圖像，并對其進行特征提取，獲得特征向量。3.2節提取的類Haar特征庫用于本階段的特征提取和檢測。最后，利用最近鄰分類器結合特征向量庫對待識別的子圖像進行車輛存在性檢測， 輸出最終的分類識別結果。

最近鄰（KNN，K-Nearest Neighbor）分類算法，也叫鄰近算法，是數據挖掘分類技術中最簡單的方法之一。所謂K最近鄰，就是K個最近的鄰居的意思，即每個樣本都可以用它最接近的K個鄰居來代表。KNN算法的核心思想是如果一個樣本在特征空間中的K個最相鄰的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別，并具有這個類別上樣本的特性。本文最近鄰算法的K值取1。

5 實驗結果和討論

實驗結果主要包含兩部分：

（1）分別選取不同數量的類Haar特征進行測試，觀察不同特征參數對檢測結果的影響。

（2）為驗證本文提出的車輛檢測算法性能，將本文所提出的算法與SVM算法進行對比，并對實驗結果比較分析。

所有試驗均利用Matlab R2014b完成，實驗平臺的硬件環境是因特爾i3處理器，2.20GHz，2GB內存，Win7操作系統。用于訓練本文檢測系統性能的數據集組成如下：

（1）積極樣本集：包含2775個示例圖像。這些圖像由不同種類汽車的正視或后視圖組成（如圖2（a））；

（2）消極樣本集：包含4498個示例圖像（如圖2（b）），這些圖像不包含任何車輛信息。在特征提取階段，將消極圖像和積極圖像尺寸統一設置為24x24。

首先，由150幅積極圖像及275幅消極圖像組成的測試圖集對系統進行測試。類Haar特征分別選取如圖4所示的前兩種、前四種和六種矩形特征。測試結果如表1所示。

由表1可以看出特征數量越多檢測率越高。其中采用六種類Haar特征時的檢測率達到98.00%，明顯高于采用二特征和四特征的檢測率。采用四種和六種類Haar特征的誤檢率相同均為1.09%，遠低于二特征的誤檢率。檢測結果表明，選取不同數量的類Haar特征對檢測結果有較大影響，這是因為選取的特征數量越多，所包含的信息量越大，檢測率就越高，同理，誤檢率越低。本文最終選擇具有六個矩形特征的類Haar特征描述。

為了客觀地評價該車輛分類器的性能，本文采用了三個道路數據集的圖像作為測試集進行測試。測試圖像主要來自Daimler Benchmark Dataset和Caltech數據庫、KITTI數據庫。測試圖像尺寸統一設置為320x240，部分檢測結果如圖6所示，白色框為本文檢測結果。

其次，采用文獻[29]中Recall查全率、Precision查準率、F-score值等指標對本文方法進行評價。公式4中，TP代表真陽性，即正確檢測出車輛；FP代表假陽性，即將非車輛誤認為車輛；FN代表假陰性，即將車輛誤認為非車輛。

為了評估本文算法的性能，進行了比較測試。本文從常見路面數據集Daimler Benchmark Dataset、Caltech數據庫和KITTI數據庫中抽取300張車輛圖像及300張不包含車輛信息的圖像作為測試集，并將尺寸統一設置為24x24。表2為SVM算法與本文算法的車輛檢測實驗結果。

通過表2可以看出，本文算法與SVM算法相比檢測率略低，但大幅降低了誤檢率，誤檢率僅為1.33%，而SVM算法的誤檢率高達95%。比較得出本文算法在省去了大量訓練時間的同時降低了誤檢率，獲得了較高的查準率和F值。實驗結果表明，本文提出的結合類Haar特征和KNN算法的車輛識別方法有效地降低了靜態圖像的車輛誤檢率，具有較高的魯棒性。

然而，本文算法也存在一定的誤檢現象，如圖7所示，由紅色框標出，圖a中較遠處的車輛，由于車輛的類Haar特征與路面特征相近，所以未識別出來。圖b中的卡車由于被建筑物遮擋住部分車體等原因并未被識別出。

6 結束語

車輛識別是智能交通系統中的關鍵技術。本文提出且實施了一種基于類Haar特征的車輛檢測方法，實現了降低誤檢率的同時能準確地從圖像中識別出目標車輛。本文提出的結合類Haar特征和最近鄰分類器的算法復雜度低，且有效地降低了靜態圖像車輛誤檢率。

然而，本文算法仍有很多需要改進的地方，如：這類方法容易受環境和光照等因素的影響，如何提高對夜間道路車輛的檢測效果；如何將此算法應用到視頻車輛檢測中，實現實時車輛檢測；以及如何提高在道路安全實際應用中的可靠性、檢測速度等。這些改進將是未來工作的目標。

參考文獻

[1]Negri P，Clady X，Prevost L. Benchmarking haar and histograms of oriented gradients features applied to vehicle detection[J]. ICINCO 2007；Proceedings of the Fourth International Conference on Informatics in Control， Automation and Robotics， Robotics and Automation 1；May 9-12，2007；Angers，France. 2007：359-364.endprint

[2]郭新華，陳鍛生.基于機器學習的快速車輛檢測方法[D].泉州市，華僑大學，2016.

[3]Autoscope-Video Detection Solutions.http：//autoscope.com

[4]Iteris-Innovation for better mobility. http：//www.iteris.com

[5]N.Chintalacheruvu and V.Muthukumar， Video Based Vehicle Detection and its Appli-cation in Intelligent Transportation Systems[J].Journal of Transportation Technologies，Vol.2 No.4，2012，pp.305-314.

[6]黨宏社，趙廣社.汽車巡航控制用傳感器進展[J].傳感器技術，2002，21（01）：1-3.

[7]Ge J，Luo Y，Tei G.Real-time pedestrian detection and tracking at nighttime for driver-assistance systems[J]. Intelligent Transportation Systems， IEEE Transactions on；2009；10（02），283-298.

[8]李鄉儒，吳福朝，胡占義.均值漂移算法的收斂性[J].軟件學報，2005，16（03）：365-374.

[9]N.Dalal.Finding people in images and videos [D].Ph D Thesis，INRIA，2006.

[10]M.Oren，C.Papageorgiou，P.Sinha， et al.Pedestrian detection using wavelet templates[A].In Proc.of IEEE CVPR [C]，1997.

[11]B.Günyel， R.Benenson，R.Timofte，and L.Van Gool.Stixels motion estimation without optical flow computation.In ECCV，2012.

[12]Wang H，Zhang H.A Hybrid Method of Vehicle Detection based on Computer Vision for Intelligent Transportation System[J].International Journal of Multimedia & Ubiquitous Engineering， 2014.

[13]代科學，李國輝，涂丹等.監控視頻運動目標檢測減背景技術的研究現狀和展望[J].中國圖象圖形學報，2006，11（07）：919-927.

[14]U.Franke，and I.Kutzbach.Fast stereo based object detection for stop and go traffic[A].In Proc.of IEEE Intelligent Vehicles Symposium [C].1996，339-344.

[15]U.Franke，D.Gavrila，S.Gorzig，etal.Autonomousdrivinggoesdowntown [J].IEEE Intelligent Systems， 1999，13（06）：40-48.

[16]D.Gavrila，J.Giebel，and S.Munder. Vision-based pedestrian detection： the protector system[A].In Proc. IEEE Intelligent Vehicles Symposium [C].2004，13-18.

[17]R.Benenson，R.Timofte，andL.VanGool.Stixelsestimationwithoutdepthmap computation. In ICCV，CVVT workshop，2011.

[18]文學志，方巍，鄭鈺輝.一種基于類Haar 特征和改進AdaBoost 分類器的車輛識別算法[J].電子學報，2011，39（05）：1121-1126.

[19]Wen-Chung Chang；Chih-Wei Cho.Online boosting for vehicle detection[J]. IEEE Transa-ctions on Systems，Man， and Cybernetics，Part B：Cybernetics.Published by Institute of Electrical- and Electronics Engineers，Inc.，2010，40（03）：892-902.

[20]李修志，吳鍵，催志明，陳建明.復雜交通場景中采用稀疏表示的車輛識別算法[J].中國圖象圖形學報，2012，17（03）：387-392.

[21]Ertugrul，OF，Tagluk，ME，Anovel version of k nearest neighbor：Dependent nearest neigh-bor[J].APPLIED SOFT COPUTING，2017（55）：480-490.

[22]Lienhart R，Maydt J.An extended set of Haar-like features for rapid object detection[C].The IEEE International Conference on Image Processing.New York，USA，2002，1：900-903.endprint

[23]Viola P，Jones M.Robust real-time face detection[J].International Journal of Computer Vision，Published by Springer，2004，57（02）：137-154.

[24]Oualla M，Sadiq A，Mbarki S.A survey of Haar-Like feature representation[J].Multimedia Computing and Systems （ICMCS）.2014 April； International Conference on；2014（01）1101-1106.

[25]Christianini，N.，and J.C.Shawe-Taylor.An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. Cambridge[M].UK：Cambridge University Press，2000-03-28.

[26]佚名.Benchmark Dataset http：// www.gavrila.Net/Datasets/Daimler_Pedestrian_Benchmark_D/Daimler_Mono_Ped__Detection_Be/Daimler_mono_ped __detection_be.

[27]佚名.Caltech數據庫http：//www.vision.caltech.edu/html-files/archive.html.

[28]佚名.KITTI數據庫http：//www.cvlibs.net/datasets/kitti/eva l_object.php.

[29]D Konstantinidis，T Stathaki，V Argyriou，N Grammalidis，Building Detection Using Enhanced HOG–LBP Features and Region Refinement Processes[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2016，PP（99）：1-18.

作者簡介

周瑩（1993-），女，黑龍江省哈爾濱市人。碩士學位。現為哈爾濱師范大學碩士三年級在讀，學生。主要研究方向為圖像處理、智能交通系統。

于曉艷（1975-），女，黑龍江省哈爾濱市人。碩士研究生導師，教授。主要研究領域為圖像處理與機器視覺。

作者單位

哈爾濱師范大學物理與電子工程學院 黑龍江省哈爾濱市 150025endprint