基于改進可變形部件模型的車輛檢測

孫 可, 張 琦, 李 航, 史慶武

(1. 沈陽師范大學 軟件學院, 沈陽 110034; 2. 佳木斯大學 信息電子技術學院, 黑龍江 佳木斯 154007)

隨著智能交通系統的飛速發展,車輛目標檢測作為現代智能交通系統的重要組成部分,已成為研究的熱點。傳統的車輛檢測方法是將感應線圈安裝在道路上采集車輛圖像。這種方法的缺點是當道路損壞,安裝和維護系統不方便的時候,對結果產生較大的影響。目前,車輛目標的檢測是基于運動信息的存在,將運動信息分為2類。一種是利用運動信息進行車輛檢測,如幀間差分法[1-2],背景差分法[3],光流法[4-5]。這些典型的檢測方法依賴于車輛的運動信息,而當運動信息是車輛檢測所不依賴的信息時,檢測算法就會失效。另一種是不依賴于運動信息的車輛檢測,通常從車輛本身的特性出發根據車輛的形狀和姿態,提出的一種基于建模和模板匹配的方法[6-7]。該方法對模型要求高,當模型與實際情況不一致時易產生噪聲。許多學者根據車輛的外觀特征如顏色、紋理等,提出了一種基于這些特征的方法[8]。這種方法通常研究車輛與非車輛在顏色、紋理等方面的外觀差異,該方法可以更好地檢測典型的車輛目標,但很容易檢測出接近地面顏色和紋理的車輛。一些學者依托大數據等新技術,提出了基于統計和機器學習的方法[9-11]。該方法精度高,但需要大量的樣本進行分類器學習,由于不同分類器的性能不同,需要大量的計算。這些方法對促進車輛目標檢測起到了至關重要的作用。基于上述方法,本文提出了一種基于顏色融合DPM的車輛目標檢測方法,在對車輛建模時考慮車輛的梯度信息和顏色信息,能夠有效準確地實現車輛目標檢測。

1 車輛檢測方法

1.1 可變形部件模型檢測

可變形部件模型(Deformable Part Model, DPM)[12-14]是一種高效、高精度的目標檢測分類方法。首先建立檢測目標的模型,該模型分為根模型和局部模型。根模型描述目標的總體特征,局部模型描述目標的局部細節特征;局部之間、局部與整體之間的關系不是固定的,而是通過權向量進行自適應調整,使模型能夠變形,以適應不同形狀和姿態目標的準確檢測。在目標檢測過程中,DPM首先需要根據權向量來設計根濾波器和局部濾波器。然后,用特征向量對根濾波器和局部濾波器進行點積運算,得到各個濾波器的分數。最后,以根過濾分數和各局部過濾分數作為模型的總分數,取最大的作為最佳目標位置。在檢測過程中,為了使模型具有更好的魯棒性,通常會對圖像大小進行多分辨率的改變,并依次對不同大小的目標進行檢測。

在不同尺寸圖像的檢測中,目標根濾波器的位置為p0,第i部分濾波器的位置為pi(i=1,…,m),m是部件的數量。根濾波器的大小是w0×h0,權向量F0,Fi是第i部分濾波器的權向量。模型在位置(p0,p1,…,pm)處的得分是

(1)

(2)

補償過程中原濾波器之間的偏差對應的部分濾波器的損失函數用二次函數表示,如式(3)所示,二次函數調整的參數用αi和βi表示。

cost(dui,dvi)=αi(dui,dvi)+β((dui)2,(dvi)2)

(3)

當部件模型的第i個零件濾波器找到最佳位置時,部件濾波器的分數與其對應的變形損失函數的差值最大。因此,根據位置p0處的檢測窗口,最終得分為:

(4)

在獲得每個位置的最終得分后,通過設置閾值來檢測目標位置。

1.2 顏色融合DPM的車輛檢測算法

圖1 提出的車輛檢測模型Fig.1 Proposed vehicle detection model

考慮到傳統的DPM模型主要是從圖形的梯度特征、顏色輸入來建模的,包含豐富目標特征的信息被丟棄。為了克服實時交通中復雜多變的干擾,提出了一種基于顏色融合DPM的車輛檢測算法。基于顏色融合DPM的車輛檢測算法流程如圖1所示。

為了在DPM中包含原始圖像的顏色信息,首先對圖像進行顏色空間轉換。將RGB圖像轉換為HSI圖像是基于直角坐標的單位立方體轉換為基于圓柱極坐標的雙坐標;轉換過程可以分離和分類亮度,并將色度分解為色調和飽和度。本文采用分割定義方法進行HSI顏色空間轉換,轉換后的圖像分別從H、S和I信道數據模板中提取,并保存為兩位矩陣Mh、Ms和Mi。分別計算3個矩陣的HOG特征Hh、Hs和Hi。

根據H,S,I核的HOG特征,可以訓練DPM, DPM對應于每個信道。為了評估每個通道的DPM,收集了1 000張車輛圖像來訓練模型,并收集了另外1 000張包含車輛、地面、行人和其他非車輛目標的圖像進行測試。結果表明,DPM的性能良好;在DPM中,各通道的漏檢率和假陽性率均低于DPMH和DPMS。然而,當車輛的顏色接近地面或在陰影、光線和其他嚴重干擾條件下,DPMH和DPMS可以檢測DPMI無法檢測到的車輛目標。因此,本文采用融合方法提取車輛的顏色融合DPM。實驗表明,采用自適應加權方法混合不同信道的DPMS可以保持每個信道自身模型的優點,并且比單一模型具有更好的檢測性能。彩色融合DPM如下所示:

DPMM=ωh×DPMh+ωs×DPMs+ωi×DPMi

(5)

其中DPMM為顏色融合DPM,ωh,ωs,ωi為DPMh、DPMs、DPMi的加權系數,分別表示H、S、I通道模型分量的權重,加權和為1。每個通道的權值由每個通道的DPM自適應確定。采用測定方法:

在得到顏色融合DPM后,計算出測試圖像的顏色融合特征,然后利用滑動窗口遍歷在融合特征圖上計算出融合變形模型的分數。當遍歷位置得分超過閾值時,區域是車輛區域,即車輛的檢測結果。

2 基于顏色融合DPM的車輛檢測實驗

2.1 顏色融合DPM的訓練

訓練圖像和測試圖像取自多個交通路口采集的2 448×2 048 px高清監控圖像,形成訓練圖像集和測試圖像集。用于顏色融合DPM的訓練樣本來自訓練圖像集。在訓練過程中,選取1000輛不同形狀、顏色、光照條件的正車作為訓練樣本,如圖2所示。

圖2 訓練樣本Fig.2 Training samples

2.2 車輛檢測方法驗證

為了驗證車輛檢測方法的有效性,選擇不同形狀、顏色、照明條件的測試車輛圖像集。圖3顯示了一個實際的交通路口圖像。實驗中使用通道DPM和顏色融合DPM對圖像進行遍歷,根據式(4)計算每個滑動窗口圖像,并與設定的車輛閾值進行比較。部分滑動窗口如圖3右側所示。對應的部分得分如圖4所示。從圖中可以看出,滑動窗口圖像中背景區域1～3的通道分數和融合分數明顯低于車輛區域4的分數,同時融合DPM分數優于單通道DPM分數。對于該圖像,將車輛評分閾值設置為0.6,可以準確檢測車輛目標,并且將排除非車輛目標。

圖3 滑動窗口示意圖Fig.3 Sliding window process

3 實驗結果與分析

驗證車輛檢測方法的準確性,隨機選擇3 000輛交通圖像進行測試,DR和FPR作為車輛檢測的評價指標,如下所示:

圖4 滑動窗口圖像的分數圖Fig.4 Score of the sliding window image

上式中,TP、FN、FP分別表示實際檢測到的車輛數、未檢測到的車輛數、誤檢測到的非車輛數。為了檢驗本文提出的彩色融合DPM方法的性能,對各通道在車輛檢測中的貢獻進行了評價。首先對單信道模型的性能進行評估,然后對融合模型的性能進行評估。如果單個模型的性能與融合模型的性能相差不大,則表明該信道具有較大的融合性能,反之亦然。實驗結果如圖5所示。

圖5 測試結果Fig.5 Testing results

圖6 對比實驗結果Fig.6 Comparison results

從圖5中可以看出,合并DPM的性能優于單通道模型,DR和FPR是最優的。對整個模型有很大的貢獻,DR和FPR最接近合并DPM的相應值。與I-DPM相比,H-DPM和S-DPM的貢獻低于I-DPM,但仍然對合并DPM的性能提高做出了相應的貢獻。原因是每個通道都包含相應的顏色信息,所以顏色融合DPM可以獲得盡可能多的顏色信息。

為了進一步驗證所提算法的檢測性能,本文選取了傳統的DPM方法[13]、HOG特征匹配方法、顏色分析等車輛目標檢測中常用的算法與所提算法進行對比。比較結果如圖6所示。從圖6中看到,該方法的DR值高于90%,FPR值低于10%,說明該算法比其他常用方法具有更好的檢測結果。在控制方法中,DPM方法優于HOG方法,因為DPM考慮了車輛模型的變形性。而HOG方法的性能優于顏色方法,因為僅僅依靠顏色信息提取車輛特征會有很大的干擾。本文提出的方法在考慮車輛模型變形性的同時不丟棄顏色信息,從而獲得最佳的檢測結果。

4 結 語

根據DPM對車輛目標的檢測原理,結合車輛顏色信息,提出了一種基于顏色融合DPM的車輛目標檢測方法。首先對交通圖像進行HSI顏色空間轉換,提取各通道的信息;然后采用自適應融合方法得到顏色融合DPM;最后,將融合模型應用于車輛檢測。該方法在傳統車輛DPM的基礎上保留車輛的顏色信息。實驗表明,該方法優于常用的車輛檢測方法,取得了良好的車輛檢測效果,能夠有效解決智能交通中實際車輛目標檢測問題。在未來的研究中,車輛檢測過程中的時間消耗和硬件系統的移植將是研究的目標。