多形態幾何約束的道路障礙物檢測新方法

吳宏濤

（山西省交通科技研發有限公司，山西 太原 030032）

0 引言

在城市道路上，一次道路車輛拋錨和道路遺撒等事件導致的交通事故占運輸安全事故總數的20%～50%[1]。目前關于道路障礙物的定義還沒有用統一的標準，綜合已有的研究成果可以認為道路中一切可能妨礙車輛正常行駛的物體和影響車輛通行的局部地形都是車輛行駛過程中的障礙物。道路區域障礙物的檢測關系到交通管理部門能否及時清障，保證道路通行流暢。目前，國內外已經開展了針對道路障礙物識別的研究。常見的方法有，多傳感器信息融合方法、神經網絡訓練法等。在城區交通環境下，道路障礙物除了靜止在道路區域的機動車輛外，還包括了行人、自行車、背景等，所以需要將障礙物的識別轉化為分類問題來進行研究。本文將現階段道路障礙物檢測方法分為以下幾個方向：基于運動信息的障礙物檢測、基于立體視覺的障礙物檢測、基于激光雷達的障礙物檢測[2]以及基于多傳感器融合的障礙物檢測[3]。

吉林大學的王殿海等人[4]通過象素級序列特征向量檢測靜止物體，并根據基于八鄰域的種子充填算法實現對象級區域分割，抽取禁停區域靜止目標，然后利用檢測對象的面積與禁停區域的面積構成占空比特征濾除行人、非機動車等干擾，有效地識別禁停區域的停駛車輛；清華大學的張盈盈、姚丹亞等[5]提出基于速度分類算法的交通事件實時檢測方法，實現自由流停車、貨物遺撒等6種交通事件的自動檢測；北京大學深圳研究院的鄒月嫻[6]提出一種FFT的隱馬爾可夫模型，用于十字路口交通事故檢測，識別率為74%；華南理工大學的石時需等[7]采用改進的粒子濾波算法實現了高速公路的停止車輛的檢測；天津大學的張軍等[8]提出一種車輛違章識別與跟蹤方法，通過背景幀差分的方法分割出違章車輛，再運用均值漂移方法對違規車輛進行跟蹤。以上研究大多數基于高速公路場景下的障礙物識別，取得了較好的識別效果，但是沒有考慮障礙物在一般路網環境下的分類。

日本首都高速道路株式會社的Hiromi Ikeda[9]提出一種用于高速公路的事件檢測方法，能夠根據目標的大小、速度和軌跡檢測停止車輛和道路遺撒；日本的Shunsuke Kamijo等[10]學者提出了隱馬爾可夫模型，實現了交叉口的交通事故檢測；美國明尼蘇達大學的Veeraraghavan[11]提出使用車輛的位置、速度和距離等參數對碰撞事件進行檢測；韓國延世大學的Ju-Won Hwang等[12]提出一種分層概率網絡系統，該方法用于道路交叉口的交通事故檢測；土耳其伊斯坦布爾大學的?mer Ak?z[13]提出一種用于城市交叉口的交通事故檢測算法，該算法利用軌跡聚類技術學習正常的交通軌跡，并通過隱馬爾可夫聚類分析檢測出異常的車輛軌跡，進而根據車輛每段軌跡的對數似然值的協方差進行事故檢測；意大利的博洛尼亞大學的Alessandro Bevilacqua[14]在車輛跟蹤的基礎上，根據車輛位置在長時間內仍不變的特點，從而檢測出停止車輛。以上研究主要針對高速公路或城市道路十字交叉口，且大多數都是研究停止車輛（非法停車或交通事故）的識別，對遺撒物和車輛的自動分類識別研究較少。

以上理論研究成果都為障礙物的檢測奠定了基礎。目前針對場景更復雜的城市道路障礙物識別方面的研究還不夠成熟，沒有考慮城市道路中行人等非機動車輛以及道路區域外對象的干擾；針對現階段道路障礙物識別研究盲區和弱勢環節，本文充分考慮城區道路復雜干擾，首先提取有效道路檢測范圍，縮小感興趣區域。通過對道路區域靜態特性與動態特性兩方面特征的融合搜集，檢測出道路疑似障礙物目標，再通過改進的Zernike矩方法實現道路車輛和遺撒物的分類。

1 八鄰域種子填充法道路區域提取

進行障礙物檢測的時候，需要確定目標是否在道路區域，在道路區域中的進行下一步處理，不在道路區域的可以排除對交通的干擾。所以首先需要進行道路區域的檢測。通常道路區域灰度值幾乎相近，而道路邊緣灰度值會發生跳變，所以可以通過檢測道路區域灰度值的變化來判斷道路邊緣進而分離出道路區域。一般選擇背景灰度圖像中道路區域內的一個點作為種子點，提取其灰度值作為參考值，根據經驗設定此種子點灰度值上下一定小范圍作為一個閾值范圍，判斷種子點周圍8個點的灰度值，滿足此范圍之內，將其灰度值設定為255，不滿足則保留原來的灰度值，作為邊界點。以此方法，遍歷圖像。種子點遍歷的過程可用圖1表示。

圖1 種子遍歷示意圖

利用局部八鄰域種子填充得到道路區域的分步過程結果如圖2所示。圖2a是遍歷完背景圖像之后效果，道路區域基本全為白色，區域外的灰度值仍為原來的值，很明顯實現了道路區域初步提取。對圖像2a進行圖像二值化，得到圖2b所示效果，進而進行輪廓填充，得到最終確定的道路區域，效果如圖2c所示。通過道路區域的確定，之后判斷初步檢測到的障礙物是否在道路區域內，再決定是否對其進行報警。一般道路區域內的障礙物才會對交通安全造成影響。如圖2d所示，道路區域外一個行人不會成為障礙物對交通造成影響，實際判斷是否目標在道路區域，通過取檢測到目標的質心，以及與其相鄰5個像素左上、左下、右上、右下4個位置共5個點值像素值，若有大部分的置為255，則判斷此目標在道路區域。實際情況如圖2e所示。

圖2 道路區域提取效果圖

2 多態幾何約束的障礙物檢測

本文所研究的遺撒物和停止車輛兩類障礙物的共同特征體現在：道路障礙物具有從動到靜的動態變化過程，靜止之后位置將不發生變化；障礙物具有一定高度，且會阻礙其他車輛行駛。因此，采用目標從運動到靜止過程的動態變化特征和目標大小、位置、輪廓等靜態特征來檢測并且識別遺撒物和停止車輛兩類障礙物。針對這些障礙物特征，本文在考慮障礙物的多態性和幾何特性的基礎上，研究前景目標動態特征和靜態特征的提取方法及魯棒匹配約束條件，提出有效適用于道路障礙物檢測的多態幾何約束的障礙物檢測方法。

2.1 障礙物共同特征提取

通過靜態特性與動態特性共同分析判斷是否有障礙物發生。一般障礙物面積需滿足一定大小，且其位置處在道路區域中。并且運動狀態是由運動到靜止的過程。當滿足這些靜態與動態特征時，可以初步判斷目標位障礙物。

障礙物特征提取的準確性直接影響障礙物的識別率，障礙物與前景車輛等非障礙物均具有高度、形狀、紋理等特征，為了能夠準確地區分障礙物和非障礙物，如何快速、準確地提取停止車輛和遺撒障礙物的特征是本文的一個關鍵問題。

道路障礙物可以表述為任何具有一定高度而且能遲滯或阻礙車輛行駛的靜止物體。因此提取前景目標從運動到靜止的動態參數及目標高度、位置的靜態參數作為障礙物的特征，由于行人在某些情況下同樣具有上述特征，可以將形狀作為障礙物識別的另一特征，將行人與障礙物有效區分。道路障礙物由于能遲滯或阻礙車輛行駛，因此，靜止是其最重要的特征，在特征提取上將前景目標動態特征提取的優先級設為最高，當其不匹配時，直接進行下一目標的特征提取，大大提高了方案的效率。通過目標的特征提取，利用上述提取到的靜態特征以及靜態特征，通過特征匹配，進行多態幾何約束的障礙物檢測，本論文研究魯棒性更強的廣義特征匹配方法。

特征匹配通過靜態特性與動態特性兩方面對障礙物進行判斷。由于障礙物靜態特性包括障礙物面積意義障礙物所處的位置，動態特性包括障礙物由運動到靜止的運動過程變化。所以當目標滿足以上特性時，可以判斷為障礙物。

狹義的特征匹配一般包括輪廓矩匹配、形狀匹配、顏色匹配等。本文研究廣義的特征匹配。通過多特征進行匹配檢測障礙物。包括匹配目標的大小，所處位置，以及其矩特征，還有運動狀態的變化，利用特征約束判斷是否為道路障礙物，達到特征匹配的功能。實際處理過程如圖3所示。

圖3 多態幾何約束障礙物匹配檢測示意圖

2.2 遺撒物和車輛的特征聚類

進一步將遺撒物與停止車輛區別開。利用改進Zernike矩，通過矩匹配的方法進行目標識別。本文計算疑似障礙物目標與先驗模板的Zernike矩相似度，通過設定匹配度閾值來判定是否為目標。

首先選取一系列常見的車輛二值圖模板，分別提取其Zernike矩并且保存為數組組成識別庫，模板如圖4所示。實際檢測到障礙物，取其最小外界矩形二值圖區域，同樣提取其Zernike矩與識別庫中的樣本值匹配，滿足一定匹配度，則判斷此障礙物為車輛。

計算Zernike矩的矩值相似距離，常用方法有歐氏距離、余弦距離等，這里選用歐氏距離。由于本文采用了9個4階的Zernike矩，應計算9維特征空間的歐氏相似距離，公式如式（1）：

式中：d（x，y）為候選輪廓與模板的矩值距離；xi為候選輪廓的Zernike矩；yi為模板的 Zernike矩，i=0，1，……，8。

圖4 車輛模板

模板 1的Zernike矩為[480.15,37.15,0.24,32.17,1.05,1.41,2.35,0.20,62.87]，

模板 2的Zernike矩為[313.39,12.99,0.49,5.70,0.34,31.67,1.54,7.75,109.85]，

模板 3的Zernike矩為[530.45,22.64,0.03,27.49,1.64,32.87,11.15,1.50,37.18]，

模板4的Zernike矩為[561.72,17.86,0.04,22.96,1.30,31.29,7.47,1.42,12.30]。

為了提高識別效果，保證識別率，需要盡量多地建立模板，實際識別當中與各個模板進行匹配，計算歐式距離來衡量匹配度。本文使用改進的Zernike矩方法來匹配識別停止車輛。建立車輛的輪廓Zernike矩庫，實際識別過程中提取道路區域中停止車輛的Zernike矩與庫中保存的Zernike矩值相匹配，當匹配度達到一定程度時，判定出目標為停止車輛，識別結果如圖5所示。

圖5 車輛矩匹配結果圖

3 實驗與分析

本文利用多形態幾何約束的道路障礙物檢測新方法對道路障礙物進行分類。由于制造人工道路障礙物將影響道路交通的正常運行，本文用大量3D MAX軟件制作的道路障礙物仿真視頻，對分類算法進行驗證，算法驗證采用VC++6.0工作環境和OpenCV軟件包搭建軟件平臺，圖像的分辨率為320×240，實驗所用的電腦配置為AMD Sempron(tm)Processor 3400+CPU條件下，每秒平均15幀的處理速度。該算法在仿真視頻中道路障礙物的分類結果如圖6。

圖6 在仿真視頻中道路障礙物分類結果

在用大量仿真視頻來算法驗證的基礎上，本文通過實際的道路視頻進行測試，并比較測試基于混合高斯模型的背景差分法和本文方法的檢測結果，實驗效果圖如圖7所示。實驗視頻是天氣良好，車速中等，車流量較大的實際道路視頻圖像。

圖7 車輛檢測的效果對比圖

在實驗中，基于混合高斯模型的背景差分法的分布數K取5，新增分布的初始參數Wk為0.033 3，σk為30，最小面積為15，背景閾值為0.7。

從實驗結果可知，對于前景車輛和固定背景，兩者的檢測結果都基本滿足實驗的需要，但對于路邊的綠化帶、路面標志線等本該歸為背景的區域，基于混合高斯模型的背景差分法將其誤判為前景要多于本文方法，這是由于路邊綠化帶的邊界區域的實際情況比較復雜，像素灰度不穩定，干擾因素多導致基于混合高斯模型的背景差分法誤識別率較高。圖7e與圖7h比較發現，圖7e中前景檢測目標的散點較多，這是由這些地方的顏色較深造成的，說明受環境因素影響較大。實驗數據表明，本文提出的檢測分類方法檢測效果較理想。

本文還用實際道路視頻對所提車輛和遺撒物的Zernike矩分類算法進行進一步驗證。在實際道路監控視頻中障礙物的分類結果如圖8所示。

圖8 在實際道路監控視頻中道路障礙物分類結果

本文對道路障礙物識別結果進行分析，通過比較不同實驗對象的檢測結果，最終獲得如表1所示的實驗數據。根據實驗數據可知，由于在仿真監控視頻中環境干擾較少，道路障礙物識別算法能夠實現較高精度的遺撒物識別及違規停止車輛的識別。而實際采集的道路監控視頻中存在光照變化、攝像頭干擾及成像系統自身造成的干擾等多種噪聲，因此實驗過程中出現誤識別、漏識別等現象，但本文所使用的道路障礙物識別算法整體上能夠滿足識別率技術要求。

表1 道路障礙物識別結果

本文對道路障礙物識別算法的時間效率進行分析，根據識別算法對不同實驗對象的檢測時間，最終獲得如表2所示的實驗數據。可知，由于道路障礙物識別算法利用Zernike矩特征向量對障礙物進行識別，障礙物識別所使用的時間與障礙物面積成正比。因此，障礙物面積越大，障礙物所使用的識別分類時間越大。

表2 道路障礙物識別算法的時間效率分析

最后，對本文整體算法的效率進行分析，驗證了算法的實時性。通過該算法，處理每幀圖像的時間為17 ms到45 ms。其中，小于40 ms的占整個檢測實驗過程的95%。因此，實驗證明本文采用的算法具有實時性。

4 結論

道路區域中的障礙物往往都具有一定的靜態特性和動態特性。靜態特性包括大小、形狀，形狀可以通過矩特征來描述；而動態特性是障礙物都有一個從運動到靜止的過程，包括遺撒物，開始和車輛為一體，掉落的時候先分離成一個單獨的物體，然后靜止在道路區域。停止車輛也是如此。所以本文通過分析目標的靜態特性和動態特性，在道路區域檢測的基礎上，提出多態幾何約束的障礙物檢測方法對道路障礙物進行了有效的檢測。當有遺撒物與停止車輛同時存在時，再利用改進的Zernike矩匹配方法來進一步識別停止車輛。