基于貝葉斯估計的環境車輛感知

郝鑫

基于貝葉斯估計的環境車輛感知

郝鑫

（安徽理工大學 機械工程學院，安徽 淮南 232000）

為了改善傳統背景差分法受場景變化影響較大的缺點，文章提出了一種使用貝葉斯估計對差分后的圖像像素點進行是否為車輛的概率估計方法的實驗。實驗結果表示，抑制場景無用的像素點變化達到12.5%。基于貝葉斯估計的環境車輛感知能夠明顯提高車輛的檢測準確度，降低誤檢率。

貝葉斯估計；背景差分法；車輛檢測

前言

隨著國家信息化，智能化的不斷發展，人們對科技的依賴達到了前所未有的高度。人們的日常出行離不開交通工具，在國家不斷穩步向好的發展趨勢中，汽車逐漸成為了重要的交通工具。智能汽車的發展趨勢是無人駕駛，同時車輛能夠保證行駛安全。環境感知技術是無人駕駛的重要基礎技術。車輛檢測作為環境感知技術的重要組成部分，引起了科研人員的重視。

1 相關工作

針對車輛檢測的特性，傳統的解決方法是通過機器視覺生成一個背景，再使用實時檢測的圖像與背景作差生成前景圖像，最后對前景圖像進行一系列的處理得到車輛信息的方法。70年代末Jain等人提出了使用幀間差分的方法提取運動目標[1]。1999年Stauffer等人提出了混合高斯背景建模法[2]，這種方法通過自身改變背景模型來適應各種復雜情景。2005年Wang等人提出了基于樣本一致性（SACON）的背景建模方法[3]。該方法測量新像素點與背景像素點的距離，計算相近值的數目，從而判斷是否為前景。2008年Maddalena等人提出了一種基于自組織神經網絡的空間一致性背景減除法（SOBS）[4]。這種方法通過自組織生成神經網絡來建立背景模型，利用空間一致性來更新背景階段，最后使用前景像素點與背景像素點的距離提取目標。2010年廖博士提出了一種核密度估計法進行前景與背景的分割算法[5]。這種方法利用主成分分析（PCA）對被測視頻連續進行特征分解，從而檢測出前景目標。

本文提出了一種基于貝葉斯估計的環境車輛檢測，此系統用于車輛在駐車時通過攝像頭感知周圍環境的車輛分布情況，以實現監控，安保等功能。此系統基于統計學原理的車輛檢測的思路，利用背景差分法對視頻中出現的車輛與背景的像素點進行分類,再使用貝葉斯估計對差分圖像像素點是否為被測車輛進行概率估計，從而確定被測車輛的模型，對其進行識別。

2 圖像預處理

2.1 幾何變換

由于視頻硬件自身的問題，使用平移、轉置、縮放等幾何變換的手段對圖像進行改正。

2.2 OTSU算法

此方法依靠灰度特性將圖片的構成分為目標和背景，兩者的類間方差決定錯分概率。OTSU算法需要尋找一個閾值，使得同一類加權方差最小。需要滿足以下關系式：

2.3 圖像平滑

高斯模糊：低通濾波的一種，也就是濾波函數是低通高斯函數。一般實現方法有離散化窗口滑窗卷積和使用傅里葉變換。

高斯模糊是將灰度圖像與高斯核卷積：

其中，*為卷積，G是標準差為的二位高斯核，定義為：

2.4 形態學轉換

開閉運算：開運算操作首先進行腐蝕處理再進行膨脹處理。其功能是消除突兀的像素點、平滑較大物體的邊界，同時其面積不會受到明顯的改變。閉運算操作首先進行膨脹處理再進行腐蝕處理。其功能是填補缺失的像素點、使距離相近且像素值相似的點連接并平滑其邊界。

2.5 形態學梯度

由于視頻硬件自身的問題，使用平移、轉置、縮放等幾何變換的手段對圖像進行改正。sobel算子：利用圖像邊緣像素的亮暗程度來檢測邊緣的離散微分算子。

dx為水平方向，dy表示垂直方向，其算法公式為：

laplacian算子：利用圖像中心像素值與四周像素值的差異，對鄰域中心像素向四周求梯度，使得圖像銳化。分為四鄰域和八鄰域：

3 背景差分法

選取干凈且不帶被測目標的背景圖像，將檢測視頻與背景圖像做差分來識別車輛，如下圖1所示。

圖1 算法原理

3.1 差分圖像

其主要原理是利用實時幀圖像跟背景幀圖像相減成差來提取運動目標。Wang等人提出了基于樣本一致性（SACON）的背景建模方法[3-4]。首先選擇一幀圖像作為背景圖像，記為fn，背景圖像跟實時圖像中的像素的灰度值分別記為B（x，y）和fn（x，y），將二者相減做差，對差值取絕對值，記為差分圖像Dn：

再設定閾值進行二值化處理，得到二值化圖像Rn’。

最后對二值化圖像Rn’進行連通性分析，得到檢測后的圖像Rn。

3.2 貝葉斯估計

Li等人使用貝葉斯方法處理面對不同的外觀模型對圖像中的物體進行分類[6]。場景中存在樹木的葉子會隨風晃動，陽光照射導致陰影的變化等情況，這些情況會導致檢測出現錯誤，在保證背景圖像實時更新的前提下，采用貝葉斯理論對每個像素變化的是被測車輛正確識別，從而提高車輛檢測的正確性。

根據貝葉斯理論，將差分后的圖像Rn，已判定為車輛的像素點Ic，Ic領域的像素點Ib定義為服從概率分布的變量。

被測點的后驗分布：

p（x | Rn,Ic,Ib）=∫p（x,ξ | Rn,Ic,Ib）dξ （7）

后驗分布化為似然性、先驗分布和超先驗分布三個部分的乘積：

p（x│Rn,Ic,Ib)=

∫p（Rn|x,ξ,Ic,Ib）p（x|ξ,Ic,Ib）p（ξ|Ic,Ib）dξ （8）

已判定為車輛的像素點Ic只影響似然性，Ic鄰域的像素點Ib只影響先驗分布，可表示為：

p（x│Rn,Ic,Ib）=p（Rn|x,Ic）p（x|Ib） （9）

根據公式得出的被測點范圍大小，將其設定閾值來約束檢測的是否為識別的車輛的像素點，公式為：

設置閾值的高低影響場景中樹葉晃動和陰影的被錯誤檢測的概率，閾值低時大范圍的樹葉晃動和陰影會被誤認為是車輛，閾值高時遠處的車輛會識別失敗。

4 應用實驗

4.1 差分圖像及直方圖對比

傳統背景差分法如下圖2、3所示：

圖2 差分圖像

圖3 差分圖像的分布直方圖

使用貝葉斯估計后如下圖4、5所示：

圖4 使用后的差分圖像

改進后對差分圖像的右上部分場景干擾因素有明顯抑制，樹葉和陰影區域的變化減少；從直方圖分布顯示，黑色像素點增多，白色像素點減小，證明被檢測的范圍顯著減小。抑制場景無用的像素點變化達到12.5 %。

圖5 使用后的分布直方圖

4.2 視頻測試

使用針對車輛檢測的程序對路況視頻進行實驗，實驗測試如圖所示：

圖6 檢查點1

圖7 檢查點2

圖8 檢查點3

圖9 檢查點4

以無車輛的圖片為背景，對實驗視頻進行四組抽幀檢測。圖1中實際出現車輛4輛，識別檢測車輛3輛。圖2中實際出現車輛5輛，識別檢測車輛4輛。圖3中實際出現車輛4輛，識別檢測車輛2輛。圖4中實際出現車輛4輛，識別檢測車輛2輛。程序算法表現結果為近距離的車輛能夠準確顯示，且沒有檢測錯誤的區域出現。

5 結論

正文基于貝葉斯估計的背景差分法的環境車輛檢測方法，能有效檢測較近距離車輛，對較遠距離車輛有誤差，但可以抑制和過濾場景中樹木的枝葉晃動和光線的變換等干擾的無用的像素點變化達到12.5 %。

[1] Jain R, Nagel H H. On the analysis of accumulative difference pictures from image sequences of real world scenes.[J].IEEE Tran- sactions on Pattern Analysis & Machine Intelligence,1979,1(2):206- 214.

[2] Stauffer, Chris, Grimson, W.E.L. Adaptive Background Mixture Models for Real-Time Tracking[J].Proc Cvpr,1999 (2):2246.

[3] Wang H, Suter D.Background Subtraction Based on a Robust Con- sensus Method[C]//Pattern Recognition, International Conference on.IEEE Computer Society,2006:223-226.

[4] Maddalena L,Petrosino A.The SOBS algorithm:What are the limits [C]//Computer Vision and Pattern Recognition Workshops,2012 IEEE Computer Society Conference on IEEE,2012:21-26.

[5] Liao S,Zhao G,Kellokumpu V. Modeling pixel process with scale invariant local patterns for background subtraction in complex scenes[C]//Computer Vision and Pattern Recognition,2010 IEEE Conference on.IEEE,2010:1301-1306.

[6] Li,Fei-Fei,Fergus,R.,and Perona,P.A Bayesian approach to unsuper- vised one-shot learning of object categories[C]//In Proceedings of the International Conference on Computer Vision,2003.

Environmental Vehicle Perception Based on Bayesian Estimation

HAO Xin

( College of Mechanical Engineering, Anhui University of science and technology, Anhui Huainan 232000 )

In order to improve the traditional background subtraction method which is greatly affected by scene changes, this paper proposes a Bayesian estimation method to estimate whether the pixels in the difference image are vehicles. The experimental results show that the useless pixels in the scene can be suppressed by 12.5 % from the distribution histogram. Environmental vehicle perception based on Bayesian estimation can significantly improve the accuracy of vehicle detection and reduce the false detection rate.

Bayesian estimation;Background difference method;Vehicle identification

U467

B

1671-7988(2021)20-31-04

U467

B

1671-7988(2021)20-31-04

10.16638/j.cnki.1671-7988.2021.020.008

郝鑫，碩士研究生，安徽理工大學機械工程學院，研究方向為機器視覺檢測。