多3D表觀特征級聯Adaboost夜間檢測車輛方法

摘要：夜間場景光線較暗，車輛整體外觀特征不顯著，使得夜間視頻車輛檢測成為一大難點。夜間能使用的最為顯著的特征就是車燈。如車燈的亮度、圓形度、面積、車燈之間的間距，距離地面的垂直間距、車燈對之間的紋理、車燈的對稱性等，將它們結合自適應增強方法（AdaBoost）用于間車輛檢測，能同時獲得高檢測率和低誤檢率。

關鍵詞：表觀特征；車燈對；AdaBoost；車輛檢測

1 特征選取

車頭燈對在夜晚可以捕獲的表觀特征有亮度、紋理、幾何形狀、面積和對稱性等，這些特征分屬于高層特征或低層特征。基于檢測的精確度來看，利用高層特征分割圖像的方法得到的分割實驗結果比較粗糙。而基于低層特征（例如顏色、紋理、亮度等特征）的分割算法得到的分割結果效果良好，精度滿足要求。但是僅取低層特征在夜晚受到光線的影響無法保證一定精度的車輛檢測，所以，本文考慮將低層和高層特征相結合，選用一些在3D空間具有強分辨力的表觀特征作為AdaBoost分類器的訓練特征。有對稱特征、形狀特征、幾何尺寸和LBP紋理等。具體本文先選擇車燈亮度、面積、周長和圓形度這四個簡單特征初步完成車燈的檢測，然后基于車燈間距和距離地面的高度符合的GMM、對稱SURF和LBP特征完成車燈的配對，定位出車輛目標。

2 Adaboost單分類器訓練

本文既為保證夜間車輛不被漏檢，又要保證目標沒被誤檢，對單特征AdaBoost分類器訓練規則做了改進，使得最優閾值T*不僅要滿足式（1）定義的目標最小分類誤差準則，還需滿足式（2）定義的正樣本正確分類最大準則。改進后的的單特征AdaBoost分類器訓練算法見下：

（1）計算出N個訓練樣本的特征值，記為Fk（xi），i=1，…，N。

（2）按從小到大對特征值進行排序，生成特征增值表。

（3）計算特征增值表中前i（1≤i≤N）個元素的正樣本權重和與負樣本權重和，分別記為E+i和E-i。

（4）計算全部正樣本的權重和與負樣本權重和，分別記為B+和B-。

（5）設閾值Ti為前i（1≤i≤N）個元素的特征值平均數。

ei=min（E+i+（B--E-i），E-i+（B+-E+i））（1）

D+i=max（B+-E+iB+，E+iB+）i=1，2，…，N（2）

（6）尋找D+i≥99%的情況下使得ei最小的閾值T*。

3 Adaboost分類器級聯

在車輛識別中，采用多個特征比單個特征能獲得更高的檢測率，但也會增加計算量。為達到最優性能，本文提出對單特征分類器不僅僅是按照權重簡單疊加，按照不同特征的檢測綜合性能對分類器進行了分級順序級聯。各分類器的檢測性能確定依賴于特征提取的復雜度和基于該特征的車輛正確檢測率決定。我們先按照簡單特征在前，復雜特征在后的原則將分類器分為兩級，這樣可以保證前一級分類器篩選掉的目標不會再被后面的分類器繼續處理，從而降低提取復雜特征的目標數量，縮短算法的響應時間。然后，對同級分類器，檢測率大的分類器在前，檢測率小的在后，這樣可以準確地排除干擾，提高車輛檢測精度。在車燈提取階段，本文選取亮度、面積、周長和圓形度這四個簡單特征聯合表征，最終的分類器優先級順序按照上述分析應該為亮度、周長、面積和圓形度。

在車燈配對階段，本文選取車燈間距和距離地面的高度GMM、LBP和SSURF這三個特征，其中SSURF特征相對簡單可靠，LBP和車燈間距和距離地面的高度GMM特征次子，所以前者優先級高于后兩者。但是對于同級特征LBP和GMM，由實驗可知，GMM針對車輛的正確檢測率相比LBP要高，所以GMM特征分類器的優先級要高于LBP特征分類器。最終，在匹配階段，分類器的級聯順序應該是SSURF、GMM和LBP特征。

依據上述表述的規則級聯的分類器能夠大幅度縮減車輛檢測響應的時間，而且在保證高準確檢測率的同時降低了錯誤檢測率。

4 車輛檢測

車輛檢測基于Adoboost 分類器包括以下幾大關鍵步驟：

1）在每一幀提取到的逆投影圖中先用亮度特征分類器快速分割出亮塊區域。

2）對分割后的亮塊區域用漫水填充算法進行位置標記（即定位）。

3）用第一層車燈檢測器按照優先級級聯順序計算出類車燈塊的響應值（即分類器的輸出）進行判斷，定位出車燈區域并標記為Pi（1，2，…p），pi表示第i個車燈塊，其位置用其最小外接矩形（邊界框）的中心像素點坐標Ci（mi，ni）表示。

4）對于相鄰車燈的配對，選擇自頂向下的搜索方法。當搜索到第一個車燈目標P1時，以其中心像素點C1（m1，n1）為起點，從左向右進行動態規劃掃描，掃描區域定義為右方上下最佳偏移為σc的范圍內。

5）當搜索到第t個目標對象Pt時，提取車燈間距、距離地面的高度、對稱SURF和LBP特征輸入到第二層車燈對配對分類器，通過響應輸出Yt確定此配對部件是否屬于同一車輛，進而完成車輛檢測。

5 結語

面對夜間車輛檢測這一難題，提出借助夜間車燈顯著特征對Adaboost模型進行構造，實驗結果驗證運用多空間3D表觀特征級聯Adaboost分類器，通過分級按順序級聯亮度、車頭燈水平對稱性、車燈間距，距路面的高度和車燈區域LBP紋理等特征完成車輛的檢測，平均準確度達到了96.03%，且實時性較好。

參考文獻：

[1]杜悅，陳國慶.一種根據車牌識別判斷車型的方法，CN 102184393 A[P].2011.

[2]李文波，王立研.一種基于Adaboost算法的車輛檢測方法[J].長春理工大學學報（自然科學版），2009，32（2）：292295.

[3]金立生，王巖，劉景華，等.基于Adaboost算法的日間前方車輛檢測[J].吉林大學學報（工學版），2014，44（6）：16041608.

[4]王相海，秦鉅鰲，方玲玲.基于感興趣區域AdaBoost分類器的視頻車輛檢測研究[J].遼寧師范大學學報（自然科學版），2014（1）：5262.

基金項目：西藏科技廳自然科學基金項目：XZ2017ZRG53（Z）

作者簡介：宋俊芳 （1984），女，講師，主要研究方向：計算機視覺、圖像處理和智能交通。