Haar特征耦合級(jí)聯(lián)分類(lèi)器的車(chē)道線檢測(cè)算法

周宏宇，宋 旭，劉國(guó)英

(安陽(yáng)師范學(xué)院 計(jì)算機(jī)與信息工程學(xué)院，河南 安陽(yáng) 455000)

0 引 言

當(dāng)前，車(chē)道線檢測(cè)方法大致可以分類(lèi)為基于特征方法[1,2]、基于區(qū)域方法[3-6]和基于模型方法[7,8]。基于特征方法主要是利用車(chē)道邊緣和車(chē)道顏色等顯著特征來(lái)識(shí)別、檢測(cè)車(chē)道線。楊智杰等[1]設(shè)計(jì)了一種RGB彩色通道的結(jié)構(gòu)化道路車(chē)道線檢測(cè)方案。其主要是利用車(chē)道線顏色來(lái)定義轉(zhuǎn)移函數(shù)，并識(shí)別出車(chē)道線區(qū)域。然后，通過(guò)形態(tài)學(xué)的邊緣檢測(cè)算子獲取車(chē)道線邊界，得到場(chǎng)景中實(shí)際的車(chē)道線。該方法對(duì)車(chē)道線的特征信息依賴(lài)性高，對(duì)于清楚的結(jié)構(gòu)化道路的檢測(cè)效果較好，對(duì)非結(jié)構(gòu)化道路與破損的車(chē)道線無(wú)法有效檢測(cè)。楊益等[2]提出一種利用顏色信息并結(jié)合一定的閾值進(jìn)行車(chē)道線檢測(cè)并且能夠分辨黃色或白色車(chē)道線的方法。該方法存在的問(wèn)題是，必須是車(chē)道邊緣明顯，同時(shí)受噪聲、光照和陰影等影響較大。而基于區(qū)域方法主要根據(jù)車(chē)道線大致的位置，建立一個(gè)感興趣區(qū)域(region of inte-rest，ROI)，在這個(gè)ROI內(nèi)檢測(cè)場(chǎng)景中的車(chē)道線。AMOL等[3-5]等將車(chē)道線圖像分割為左右兩個(gè)子目標(biāo)，從二者信息中分別識(shí)別左、右車(chē)道線。Gu等[6]通過(guò)對(duì)區(qū)域放大增強(qiáng)定義了一種魯棒的道路檢測(cè)方案，主要是通過(guò)預(yù)設(shè)參數(shù)來(lái)描述車(chē)道線的特性，并估算相應(yīng)的較優(yōu)參數(shù)來(lái)定位車(chē)道線。該方法的局限性是無(wú)法處理障礙物遮擋情況或者車(chē)道線處于中間位置等情況。Zhou等[7]設(shè)計(jì)了一種幾何模型和Gabor濾波器的魯棒車(chē)道檢測(cè)方案。該算法構(gòu)建的車(chē)道幾何模型包含起始位置，車(chē)道原始方向，車(chē)道寬度和車(chē)道曲率的4個(gè)參數(shù)。該類(lèi)方法過(guò)于依賴(lài)相機(jī)的標(biāo)定信息，如果相機(jī)的位置發(fā)生抖動(dòng)，會(huì)導(dǎo)致檢測(cè)結(jié)果產(chǎn)生較大的影響。Guo等[8]結(jié)合最小二乘法和改進(jìn)的隨機(jī)抽樣共識(shí)(RANSAC)方法來(lái)估計(jì)車(chē)道線模型參數(shù)。RANSAC算法的局限是受噪聲影響極大，在噪聲較多時(shí)很難得到滿(mǎn)意的結(jié)果。Aly等[9]利用霍夫變換和3次貝塞爾曲線進(jìn)行樣條擬合方法定義了一種針對(duì)城市街道的車(chē)道線檢測(cè)算法，實(shí)驗(yàn)數(shù)據(jù)顯示了其方法的檢測(cè)準(zhǔn)確性。然而，霍夫變換對(duì)復(fù)雜干擾的魯棒性不理想，限制了其檢測(cè)精度。

對(duì)此，本文定義了基于Haar特征耦合級(jí)聯(lián)分類(lèi)器的車(chē)道線檢測(cè)算法。通過(guò)對(duì)場(chǎng)景圖像尺度縮放，計(jì)算消失線位置并提取ROI。通過(guò)級(jí)聯(lián)的車(chē)道線分類(lèi)器對(duì)ROI進(jìn)行車(chē)道線檢測(cè)。再借助LSD進(jìn)行線擬合，并結(jié)合生長(zhǎng)策略以及幾何檢查以得到最終的檢測(cè)結(jié)果。本文方法能夠在車(chē)道邊緣不清晰以及在各種惡劣環(huán)境下(如夜晚、高光、樹(shù)蔭等)得到一個(gè)很好的檢測(cè)效果，同時(shí)不依賴(lài)于相機(jī)的標(biāo)定和消失點(diǎn)的計(jì)算。最后，測(cè)試了所提算法的檢測(cè)準(zhǔn)確度與魯棒性。

1 車(chē)道線檢測(cè)設(shè)計(jì)

本算法首先對(duì)輸入圖像進(jìn)行尺度縮放到長(zhǎng)寬為300大小的圖像，然后提取感興趣區(qū)域；接著用訓(xùn)練好的車(chē)道線分類(lèi)器在感興趣區(qū)域進(jìn)行分類(lèi)得到候選的車(chē)道線位置，然后在候選的車(chē)道線位置進(jìn)行車(chē)道線擬合。最后是后處理操作，對(duì)檢測(cè)到的車(chē)道線進(jìn)行生長(zhǎng)和幾何檢查剔除錯(cuò)誤或者過(guò)短的車(chē)道線得到最終的結(jié)果。總體流程如圖1所示。

圖1 算法流程

1.1 感興趣區(qū)域選擇

ROI的提取可以有效的減少計(jì)算量，降低復(fù)雜性，提升檢測(cè)速度。通過(guò)對(duì)50個(gè)場(chǎng)景中的上萬(wàn)幀序列圖像分析得出車(chē)道線的位置一般位于視頻圖像的下半部分。同時(shí)結(jié)合事先標(biāo)定好的車(chē)載相機(jī)的消失線，可以有效的將車(chē)道線區(qū)域劃分出來(lái)。ROI選擇如圖2所示。圖2中的灰框區(qū)域即為ROI。

圖2 ROI選擇

1.2 Haar特征選擇

常用的圖像紋理獲取主要有3種技術(shù)，分別是Haar、LBP、HOG。由于車(chē)道線的紋理簡(jiǎn)單，沒(méi)有人，車(chē)輛，臉部的紋理豐富，而且車(chē)道線的紋理具有很明顯的方向性。由于Haar特征能夠很好的反應(yīng)圖像灰度變化情況，對(duì)特定走向的邊緣，線段比較敏感。所以本文方法選擇了較簡(jiǎn)單的Haar特征來(lái)做車(chē)道線的特征提取，后面的實(shí)驗(yàn)也驗(yàn)證了這種選擇的正確性。原始的Haar特征由Viola等[10]提出，如圖3所示，總共5種矩形特征。

圖3 原始矩形特征

后來(lái)經(jīng)過(guò)Rainer等[11]的演化，添加了旋轉(zhuǎn)45°角和中心環(huán)繞的矩形特征，如圖4所示。擴(kuò)展后的Haar特征總共有15種。由于原始Haar特征過(guò)于簡(jiǎn)單，所以本文方法中采用擴(kuò)展后的Haar特征。但并沒(méi)有選擇全部的Haar特征，而是去掉了旋轉(zhuǎn)45°角的特征，選擇了基本的矩形特征，因?yàn)檐?chē)道線本身比較簡(jiǎn)單。實(shí)驗(yàn)結(jié)果表明基本的矩形特征即可得到良好的檢測(cè)結(jié)果，同時(shí)旋轉(zhuǎn)45°后計(jì)算特征值的難度有一定提升并且過(guò)多的特征值也會(huì)影響最終的處理時(shí)間，這也是選擇基本矩形特征的原因之一。在特征值的計(jì)算中：一個(gè)矩形特征即為一個(gè)N*N的滑窗，通過(guò)在圖像上滑動(dòng)，白色區(qū)域覆蓋的像素除掉黑色區(qū)域覆蓋的像素即為其特征值。

圖4 各種矩形特征

1.3 AdaBoost分類(lèi)

AdaBoost起源于Valiant等[12]提出了Boosting算子。該類(lèi)算子包含2個(gè)重要技術(shù)，即弱學(xué)習(xí)與強(qiáng)學(xué)習(xí)。從弱學(xué)習(xí)到強(qiáng)學(xué)習(xí)的過(guò)程就是Boosting的過(guò)程。在Boosting算法的基礎(chǔ)上，F(xiàn)reund等[13]提出了一個(gè)自適應(yīng)的Boosting算法即是AdaBoost。該算法需要級(jí)聯(lián)一系列弱分類(lèi)器形成強(qiáng)分類(lèi)器。

1.3.1 弱分類(lèi)器設(shè)計(jì)

本文采取決策樹(shù)模型作為弱分類(lèi)器，詳細(xì)過(guò)程為：

(1)設(shè)訓(xùn)練集(x1,y1),…,(xN,yN)，對(duì)于每一個(gè)Haar特征，測(cè)量其所有訓(xùn)練樣本的特征值，并將其排序，最終一個(gè)樣本得到一個(gè)高維特征向量。

(2)掃描排序好的特征值，并計(jì)算每個(gè)元素的如下4個(gè)量：全部正樣本的權(quán)重和P1；全部負(fù)樣本的權(quán)重和N1；此樣本前的正樣本的權(quán)重和P2；此樣本前的負(fù)樣本的權(quán)重和N2；

(3)計(jì)算每個(gè)元素的分類(lèi)誤差

loss=min((P2+(N1-N2)),(N2+(P1-P2)))

(1)

(4)搜素loss值最小的元素，其認(rèn)定為是最佳閾值，這樣便產(chǎn)生了最優(yōu)的弱分類(lèi)器。

1.3.2 強(qiáng)分類(lèi)器設(shè)計(jì)

強(qiáng)分類(lèi)器的具體的設(shè)計(jì)流程如下：

(1)給定N個(gè)訓(xùn)練的數(shù)據(jù)集，設(shè)定訓(xùn)練迭代的次數(shù)(即弱分類(lèi)器數(shù)目)；

(2)迭代訓(xùn)練，得到最優(yōu)弱分類(lèi)器與錯(cuò)誤率em；根據(jù)em更新每一個(gè)權(quán)重(錯(cuò)誤識(shí)別的權(quán)重提升，正確識(shí)別的權(quán)重下降)和計(jì)算弱分類(lèi)器的權(quán)重系數(shù)

(2)

(3)

(4)

(3)得到更新后的權(quán)重之后，將新樣本與上一輪錯(cuò)誤識(shí)別的樣本融合形成一個(gè)新的樣本集，然后繼續(xù)重新學(xué)習(xí)；

(4)重復(fù)(2)-(3)步驟，迭代次數(shù)達(dá)到設(shè)定值時(shí)或者錯(cuò)誤率低于設(shè)定值時(shí)停止訓(xùn)練。

1.4 車(chē)道線擬合

在1.3小節(jié)經(jīng)過(guò)AdaBoost分類(lèi)得到候選區(qū)域之后，接下來(lái)是擬合車(chē)道線的工作。因?yàn)楹蜻x區(qū)域是一個(gè)個(gè)小的矩形區(qū)域，所以一段長(zhǎng)的車(chē)道線就被分成了一段一段的短的車(chē)道線，眾所周知，曲線可以近似考慮為由多段短直線組成，所以在本文中省去了曲線擬合的步驟，可以直接采用直線擬合的模型。擬合的過(guò)程如圖5所示。

圖5 車(chē)道線的擬合過(guò)程

首先對(duì)得到的候選區(qū)域用大津算法[14]對(duì)候選區(qū)域進(jìn)行二值化處理，考慮到候選區(qū)域可能存在噪聲，經(jīng)過(guò)二值化處理之后，可能產(chǎn)生孤點(diǎn)，對(duì)后面的車(chē)道線擬合產(chǎn)生巨大影響的問(wèn)題，所以接下來(lái)是一個(gè)形態(tài)學(xué)腐蝕的操作，去除二值化圖像的孤立點(diǎn)。

車(chē)道線擬合是本文方法的關(guān)鍵部分。現(xiàn)在最普遍使用的直線檢測(cè)方法是霍夫變換，而霍夫變換存在算法復(fù)雜度較高，檢測(cè)速度較慢，檢測(cè)精度不夠等問(wèn)題，于是本文采取了一種直線檢測(cè)方法(line segment detector，LSD[15])，其過(guò)程如下：

(1)尺度縮放，對(duì)輸出圖片進(jìn)行高斯下采樣，消除輸入圖片的鋸齒效應(yīng)；

(2)計(jì)算每一個(gè)點(diǎn)的梯度值和梯度方向；

(3)利用梯度值按照從大到小排列，所有元素標(biāo)記初始化為未使用狀態(tài)；然后，將梯度值小于閾值的元素，直接標(biāo)記為已使用，并從列表中剔除，加快了計(jì)算速度；

(4)從列表里找出未采用并且梯度值最大的元素為種子元素；然后以該元素為起點(diǎn)，尋找鄰域未采用并且梯度方向相似的元素。如果將該元素狀態(tài)標(biāo)記為使用狀態(tài)，并從列表中刪除；生成包含所有滿(mǎn)足點(diǎn)的外接矩形；根據(jù)矩形內(nèi)的梯度角求出精度誤差，滿(mǎn)足則保留，定義為一條直線，不滿(mǎn)足則刪除；

(5)重復(fù)第(4)步，直到遍歷完全部的點(diǎn)，得到所有的直線。利用LSD對(duì)車(chē)道線候選區(qū)域執(zhí)行擬合操作，即得到了本文車(chē)道線檢測(cè)的初始版本。

1.5 后處理操作

因?yàn)锳daBoost檢測(cè)得到的車(chē)道線候選區(qū)域，并不能覆蓋整條車(chē)道線，只能覆蓋其中的一部分，最后擬合出來(lái)的車(chē)道線是斷開(kāi)不連續(xù)的。所以要對(duì)得到的粗車(chē)道線后處理操作，使得粗糙車(chē)道線更加精細(xì)化。本文在后處理操作中，首先對(duì)擬合出的車(chē)道線進(jìn)行生長(zhǎng)，然后進(jìn)行幾何檢查，排除長(zhǎng)度短的，方向不正確的車(chē)道線。

1.5.1 生長(zhǎng)策略

(1)根據(jù)斜率相似性，對(duì)屬于同一個(gè)車(chē)道線的候選區(qū)域進(jìn)行組合，生成多個(gè)車(chē)道線組合并根據(jù)斜率大小將這些組合進(jìn)行排序；

(2)依次取出一個(gè)組合，對(duì)該組合里的所有車(chē)道線候選區(qū)域標(biāo)記為已使用區(qū)域；依次選出一個(gè)候選區(qū)域，從首尾兩端，分別進(jìn)行向前向后生長(zhǎng)，對(duì)生長(zhǎng)后的區(qū)域標(biāo)記為已使用區(qū)域；如生長(zhǎng)到感興趣區(qū)域的邊界或者生長(zhǎng)到已使用區(qū)域即停止；

(3)重復(fù)步驟(2)直至遍歷完全部的車(chē)道線組合。這里生長(zhǎng)的判斷依據(jù)過(guò)程如下：以首端點(diǎn)為中心，建立一個(gè)N*N的矩形區(qū)域，對(duì)該矩形區(qū)域進(jìn)行LSD檢測(cè)，若檢測(cè)存在直線且滿(mǎn)足長(zhǎng)度大于一定的閾值，以及中心點(diǎn)到直線的距離小于一定閾值，且斜率變化不大，則進(jìn)行生長(zhǎng)。然后更新首端點(diǎn)為新生長(zhǎng)出的車(chē)道線的首端點(diǎn)，若更新后的首端點(diǎn)進(jìn)入已使用區(qū)域或者達(dá)到感興趣區(qū)域的邊界則停止，否則繼續(xù)生長(zhǎng)。

1.5.2 幾何檢查

(1)檢測(cè)直線長(zhǎng)度，本文中候選區(qū)域檢測(cè)車(chē)道線時(shí)采取的長(zhǎng)度閾值為10，生長(zhǎng)時(shí)的長(zhǎng)度閾值為5；

(2)檢直線斜率，本文中采用左邊車(chē)道線的斜率為負(fù)，值的范圍在(tan105°到tan160°)；右邊車(chē)道線的斜率為正，值的范圍在(tan20°到tan75°)；

(3)候選區(qū)域中心點(diǎn)到直線的距離，本文設(shè)定的距離閾值為3；

(4)生長(zhǎng)時(shí)矩形區(qū)域中心點(diǎn)到檢測(cè)到的直線的距離，本文中生長(zhǎng)時(shí)矩形區(qū)域中心點(diǎn)到檢測(cè)到的直線的距離為2。

2 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證算法的性能，本文在公開(kāi)的Caltech-lanes數(shù)據(jù)集上測(cè)驗(yàn)，同時(shí)，為了體現(xiàn)算法的適用性與魯棒性，在自己構(gòu)建的數(shù)據(jù)集中進(jìn)行廣泛測(cè)試。測(cè)試的硬件平臺(tái)是Intel?Core i3中央處理器，4 GB容量?jī)?nèi)存，操作系統(tǒng)為Ubuntu12.04。

2.1 評(píng)價(jià)指標(biāo)

在本文的車(chē)道線評(píng)價(jià)指標(biāo)中，使用的仍然是信息檢索領(lǐng)域中常用的檢出率、準(zhǔn)確率、誤檢率等常用的評(píng)價(jià)指標(biāo)。其中，車(chē)道線檢出率：即檢測(cè)到的車(chē)道線條數(shù)占全部車(chē)道線條數(shù)的比率

(5)

(6)

車(chē)道線檢測(cè)正確率：即所有檢測(cè)出的線中是車(chē)道線的所占的比率

(7)

車(chē)道線檢測(cè)誤檢率：即所有檢測(cè)出的線中非車(chē)道線的所占的比率

(8)

2.2 特征的選擇與分析

為了統(tǒng)計(jì)Haar、LBP、HOG這3種特征的訓(xùn)練檢測(cè)性能，本文分別用AdaBoost訓(xùn)練了3種特征的分類(lèi)模型，在Caltech-lanes數(shù)據(jù)集上進(jìn)行了測(cè)試，分析的3種特征的性能,分析結(jié)果見(jiàn)表1。

表1 特征統(tǒng)計(jì)分析

從圖6中3種特征下的結(jié)果可以看出，符合表1的統(tǒng)計(jì)結(jié)果，Haar特征具有最多的車(chē)道線候選區(qū)域檢測(cè)，LBP特征其次，而HOG特征則是最少的，綜合表1和圖6的數(shù)據(jù)分析得出，Haar特征具有最佳的檢測(cè)效果，見(jiàn)圖6(b)，而LBP特征與HOG特征的檢測(cè)結(jié)果一般，分別見(jiàn)圖6(c)和圖6(d)。

圖6 3種特征下的檢測(cè)結(jié)果

雖然LBP特征相比于Haar特征具有更快的檢測(cè)速度，但是Haar本身的檢測(cè)速度已經(jīng)滿(mǎn)足實(shí)際需求。綜上所述，本文選擇Haar特征作為本文紋理提取是有效并且合理。

2.3 Caltech-lanes的實(shí)驗(yàn)結(jié)果

本文在Caltech-lanes數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。該數(shù)據(jù)集主要分成Cordova 和Washington兩種城市街道的場(chǎng)景。這兩種場(chǎng)景的區(qū)別主要是Cordova是向陽(yáng)的場(chǎng)景，而Washi-ngton是背光的場(chǎng)景較多。總共是標(biāo)記好的1224幀的數(shù)據(jù)，含有4172條車(chē)道線，其中在當(dāng)前車(chē)道內(nèi)，含有的兩條車(chē)道線的是2026條車(chē)道線。本文算法只對(duì)當(dāng)前車(chē)道進(jìn)行處理。統(tǒng)計(jì)的結(jié)果見(jiàn)表2。從表2中可以看出本文算法在Caltech-lanes數(shù)據(jù)集上能夠取得較高的性能。在統(tǒng)計(jì)的1224幀圖像中，平均檢出率是97.1%，平均漏檢率是2.9%，準(zhǔn)確率是96.5%，誤檢率是3.5%，處理時(shí)間是42 fps。

表2 本文算法在Caltech-lanes數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果

另外，本文方案還與文獻(xiàn)[7]、文獻(xiàn)[10]中車(chē)道線進(jìn)行實(shí)驗(yàn)比較，見(jiàn)表3。從表3中可以看出來(lái)，本文方法取

得了優(yōu)異的準(zhǔn)確率，同時(shí)相對(duì)文獻(xiàn)[10]方法，可以減少8.7%的漏檢，漏檢率僅為2.9%。原因在于基于Haar特征級(jí)聯(lián)能夠更好的對(duì)車(chē)道線表達(dá)，從而實(shí)現(xiàn)更準(zhǔn)確的車(chē)道線分類(lèi)。在處理速度上雖然不及文獻(xiàn)[10]中的方法速度。這可能是硬件平臺(tái)不同的問(wèn)題。此外，實(shí)例測(cè)試結(jié)果如圖7和圖8所示。由圖發(fā)現(xiàn)，本文的方案可適應(yīng)于虛線、實(shí)線、直道和彎道等各種車(chē)道線模型，且在高光，可見(jiàn)度很低時(shí)，依然能有效檢測(cè)，魯棒性強(qiáng)。

表3 不同算法的檢測(cè)結(jié)果

圖7 Cordova場(chǎng)景下的測(cè)試結(jié)果

圖8 Washington場(chǎng)景下的測(cè)試結(jié)果

2.4 自制數(shù)據(jù)集的結(jié)果分析

此外，為更深入測(cè)試算法性能，本文自制實(shí)際使用數(shù)據(jù)集。該數(shù)據(jù)集拍攝了城市里主要的道路區(qū)域，視頻包含了多種的車(chē)道模型以及夜晚高光、樹(shù)蔭遮擋等各種復(fù)雜的環(huán)境。該數(shù)據(jù)集總共包含72個(gè)小時(shí)的視頻。視頻大小是1280*720的大小。本文通過(guò)結(jié)合消失線的感興趣區(qū)域選擇，有效減少了計(jì)算量，通過(guò)機(jī)器學(xué)習(xí)對(duì)各種復(fù)雜場(chǎng)景的學(xué)習(xí)，有效解決了適用環(huán)境單一，不能應(yīng)對(duì)各種復(fù)雜環(huán)境的問(wèn)題。而短直線連接近似曲線的策略，則是解決了要同時(shí)設(shè)計(jì)曲線模型和直線模型的問(wèn)題。面對(duì)城區(qū)，夜晚以及彎道等復(fù)雜條件下都能進(jìn)行很好的檢測(cè)，如圖9所示。

圖9 自制數(shù)據(jù)集上的測(cè)試結(jié)果

3 結(jié)束語(yǔ)

針對(duì)已有的車(chē)道線檢測(cè)算法在復(fù)雜環(huán)境中存在的嚴(yán)重誤檢與漏檢現(xiàn)象以及車(chē)道線檢測(cè)達(dá)不到實(shí)時(shí)性和應(yīng)用環(huán)境單一等問(wèn)題，本文設(shè)計(jì)了一種基于機(jī)器學(xué)習(xí)的車(chē)道線檢測(cè)方案，結(jié)合Haar-like特征與AdaBoost的方法，訓(xùn)練了一個(gè)車(chē)道線的分類(lèi)器，對(duì)場(chǎng)景圖像進(jìn)行檢測(cè)，在候選區(qū)域用LSD的方法執(zhí)行車(chē)道線擬合，完成車(chē)道線的粗檢測(cè)。為了提高檢測(cè)結(jié)果，借助生長(zhǎng)策略以及幾何檢查進(jìn)行優(yōu)化，輸出最終的車(chē)道線。通過(guò)對(duì)大量真實(shí)道路視頻數(shù)據(jù)的測(cè)試實(shí)驗(yàn)驗(yàn)證，在大多數(shù)的道路環(huán)境下，本文算法均能對(duì)直道和彎道的車(chē)道線進(jìn)行準(zhǔn)確的檢測(cè)。

但是本文的方法依賴(lài)于機(jī)器學(xué)習(xí)AdaBoost的有效檢測(cè)，樣本的制作尤為重要。因此，如何更加有效優(yōu)化檢測(cè)方法仍是今后需要不斷努力的方向。