基于車道線的車輛種類劃分方法

耿蓓 陳濤 高尚兵

摘要：針對城市道路監控視頻中電動自行車目標多、難以與其他目標進行區分的特點，提出一種基于車道線的車輛種類劃分算法。該算法首先對視頻中的車道線進行檢測，然后利用Vibe算法提取前景目標并對前景進行處理，再以車道線作為參照，根據目標的大小規模進行種類劃分，從而實現汽車與電動自行車以及其他車輛類型的劃分。大量的實驗結果表明，該方法能有效地對車輛進行種類劃分，誤差很低，能夠十分方便的應用到各種交通事件檢測系統中，具有較好的實時性與魯棒性。

關鍵詞：車道線檢測；Hough變換；Vibe算法；車輛種類劃分

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2019）10-0230-05

開放科學（資源服務）標識碼（OSID）：

Vehicle Classification Algorithm based on Lane Line

GENG Bei1，CHEN Tao2，GAO Shang-bing2*

（1. Huaian Highway Management Office， Huaian 223001， China；2.College of Computer and Software Engineering， Huaiyin Institute of Technology， Huaian 223001， China）

Abstract：Aiming at the distinguishing feature of the target of electric bicycle in the city Road surveillance video， it's difficult to distinguish with other targets， this paper proposes a kind of vehicle classification algorithm based on Lane line. The algorithm first detects the lane line in the video， then uses the Vibe algorithm to extract the foreground target and process the foreground， then the lane line as the reference， according to the size of the target， to achieve the classification of automobiles and electric bicycles and other vehicle types. A large number of experimental results show that the method can effectively classify the vehicle， the error is very low， it can be conveniently applied to various traffic incident detection systems， and has good real-time performance and robustness.

Key words： lane detection； hough transform； vibe algorithm； vehicle classification

隨著城市經濟迅速發展以及電動自行車等輕量代步工具的出現，城市電動自行車規模迅速增長，相關部門難以管理，產生了極大的交通安全隱患。隨著城市視頻設備數量、覆蓋率的迅速增長，以及計算機圖像處理水平的提升，將視頻圖像處理技術用于城市智能交通系統進行計算機自動檢測[1]已成為一種趨勢。通常希望對一類事物進行單獨研究，所以對車輛類型合理進行劃分對于智能交通檢測[2]系統的研究十分重要，各種各樣的分類算法被提出。

目前幾乎所有的車輛分類算法都采用特征分類器對樣本進行訓練學習實現。比如張偉等[3] 基于鄰接傳感器網絡和BP神經網絡提出一個有效的車輛分類算法，文學志等[4] 提出一種基于類haar特征和改進AdaBoost分類器的車輛圖像識別算法。孫銳等[5] 針對車輛識別中的兩類監督分類問題，提出一種基于核K-SVD字典訓練結合稀疏表示的分類方法，張鵬等[6] 針對實際應用中因圖像清晰度低等因素導致的車型識別誤差過大的問題，提出了一種基于稀疏尺度不變轉換特征的車型識別算法，陳湘軍等[7]提出了車輛圖像稀疏特征表示方法，并實現了基于稀疏特征的車輛圖像支持向量機線性分類器，構建了基于稀疏特征和背景建模的監控車輛分類識別應用框架。王海等[8]針對已有分類器在結構形式和訓練方法的不足，構建了一個以二維深度置信網絡為架構的弱監督分層深度學習車輛識別算法。董恩增等[9]針對車型識別的過程中存在處理的信息量大，提取特征維數高，識別實時性較差等問題，設計了一種融入PCA的LBP特征降維車型識別算法。利用特征分類器算法進行車型識別，速度比較慢，且識別效率依賴于訓練的樣本量，應用到基于視頻的交通研究系統中時，實時性較差，分類效率低。

針對以上問題，本文尋求一種迅速以及準確的車輛種類劃分算法。本文首先提出了一種車道線檢測算法用于提取車道線，其次采用了當前在交通跟蹤方面識別速度最快的Vibe背景差分算法用于獲取前景目標并對前景目標進行處理，再以車道線作為參照系，計算目標的實際寬度，對目標種類進行劃分后，得出目標的類型。整個算法沒有復雜的數學計算以及利用目標寬度總在一定范圍內的特性，提高了車輛分類的準確性與實時性，算法流程圖如下圖1所示。

1車道線檢測

利用霍夫變換提取出的直線集合含有大量干擾直線，而車道線在道路監控視頻中的幾何特性十分特殊，本文利用車道線的幾何特性從視頻畫面中識別出車道線。

1.1霍夫變換提取直線

霍夫變換（Hough Transform）[10]是圖像處理中從圖像中識別幾何形狀的基本方法之一，應用很廣泛，也有很多改進算法。主要用來從圖像中分離出具有某種相同特征的幾何形狀（如直線，圓等）。最基本的霍夫變換是從黑白圖像中檢測直線。

通常情況下左右兩車道線分布在視頻圖像左右兩邊，且傾斜程度在一定范圍內。

設兩車道線的斜率分別為k1、k2，通過對大量圖像樣本進行計算分析得出左、右車道線的斜率約束范圍：kmin<|k1∣

1.3提取車道線

a）隨機地從P中選取兩個點構成直線lp，并將其移除P中。

b）從P中選取一個未標記的點p，計算p到lp的距離，判斷是否在threshold范圍內。

c）對P中所有點執行2中操作，計算到lp的距離在threshold范圍內的點的個數c，若c/np>0.95則認為軌跡為直線。

對于軌跡不為直線的目標，應當對其進行誤差修正，將其移除已分類的列表。

（2）多幀統計，對于獲取的車輛寬度應當計算多幀的結果取平均值操作避免某一幀提取的車輛前景不準確的情況。

4 實驗結果與分析

本文實驗環境為Intel（R） Core（TM）i5-2410M CPU，8G內存的PC機。實驗數據由網絡下載和自行拍攝的城市交通道路視頻，圖像大小為600×400。采用了路面存在電動自行車、小汽車與大型車的視頻進行實驗，并分別采用正常光線環境，暗光環境，道路目標復雜的環境進行測試。

本文采用分類準確率與識別速率兩個參數對測試結果進行評價，通過對本文算法與采用稀疏SIFT特征的車型識別方法[6]對比測試，測試結果如下表：

由表2到表7中可以看出，由于本算法基于車道線獲取車輛寬度，依照實際寬度對種類進行劃分，沒有復雜的數學運算，而稀疏SIFT特征算法依賴于樣本數量，所以在本實驗環境下效率較稀疏SIFT特征算法效率高，速度更快，實時性良好。從表中數據可以看出，在暗光環境與復雜環境下，分類的準確率有所下降，這是由于測試視頻的清晰度不夠以及光線不充足的原因所致。

本文算法首先利用霍夫變換及約束條件提取車道線，再采用Vibe背景差分法提取前景圖像，并對前景圖像進行優化處理，然后根據車輛寬度范圍建立車輛分類器，再利用車道線作為參照獲取車輛實際寬度，導入車輛分類器比對得出車輛類型，最后對車輛軌跡分析以及多幀統計對車輛進行誤差分析，從而獲取最終分類。整個算法沒有復雜的數學計算，基于平面幾何學，實時性與準確度良好，可以十分方便的應用到基于視頻的交通研究中。實際上，對車輛軌跡的分析還可以進行很多的優化，可以對更多的車輛軌跡進行車輛行為分析，依照研究結果對車輛分類器進行優化，實現更好的分類效果。

參考文獻：

[1] Cheng H D， Miyojim M. Automatic pavement distress detection system [J]. Journal of Information Sciences，1998， 108： 219-240.

[2] Zhang J，Wang F Y，Wang K，et al.Data-Driven Intelligent Transportation Systems： A Survey [J]，IEEE Transactions on Intelligent Transportation Systems， 2011 ， 12 （4） ：1624-1639

[3] 張偉，譚國真，丁男，等.基于鄰接傳感器及神經網絡的車輛分類算法[J]，通信學報， 2008 ， 29 （11） ：139-144.

[4] 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（5）：1121-1126.

[5] 孫銳，王晶晶.一種基于核K-SVD和稀疏表示的車輛識別方法[J]，模式識別與人工智能， 2014， 27 （5）：435-442.

[6] 張鵬，陳湘軍，阮雅端， 等.采用稀疏SIFT特征的車型識別方法[J]，西安交通大學學報，2015，49（12）：137-143.

[7] 陳湘軍，阮雅端，陳啟美， 等.車輛圖像稀疏特征表示及其監控視頻應用[J]，北京郵電大學學報，2016，39 （S1）：81-86.

[8] 王海，蔡英鳳，陳龍， 等.弱監督分層深度學習的車輛識別算法[J]，數據采集與處理，2016，31（6）：1141-1147.

[9] 董恩增，魏魁祥，于曉，等.一種融入PCA的LBP特征降維車型識別算法[J]，計算機工程與科學，2017，39（2）：359-363.

[10] Kultanen P， Xu L， Oja E. Randomized Hough transform （RHT）[C]// International Conference on Pattern Recognition， 1990. Proceedings. IEEE， 2002：631-635 vol.1.

[11] Chen J Y， Taskiran C M， Albiol A， et al. ViBE： a video indexing and browsing environment[C] Photonics East. International Society for Optics and Photonics， 1999.

[13] 余燁， 曹明偉， 岳峰. EVibe：一種改進的Vibe運動目標檢測算法[J]. 儀器儀表學報， 2014， 35（4）：924-931.

【通聯編輯：唐一東】