基于單傳感器的智能車輛前車識別方法研究

張博森，陳學文

（遼寧工業大學 汽車與交通工程學院，遼寧 錦州 121001）

前言

隨著傳感技術和計算機技術的快速發展，作為前沿的主動安全駕駛技術——高級駕駛輔助系統（Advanced Driver Assistance Systems, ADAS）有效減少了交通事故率。在2018年和2019年國內汽車市場連續兩年下滑[1]的背景下，中國工程院院士、中國汽車工程協會理事長李駿在首屆中國智能汽車創新發展戰略高峰論壇上表達了對智能車輛的肯定，強調了發展相關技術的必要性和緊迫性。而前車的有效識別是ADAS走向成熟的關鍵一步，目前相關技術存在許多問題[2]，走在智能駕駛前沿的Tesla等品牌汽車多次發生追尾、沖撞護欄的事故，故有效的前車識別仍然是世界科研院所和車企的研究熱點。本文針對視覺和雷達傳感器的前車識別方法進行了綜述，并給出改進意見。

1 基于視覺的前車識別研究概況

隨著圖像傳感技術、CPU等硬件和圖像處理技術的發展，基于視覺的目標識別完成了從“手動提取目標特征并人工識別”、“手動標記目標特征然后機器識別”到“機器自動提取目標特征并識別”的轉變，檢測實時性和識別精度都有了質的飛躍。

1.1 基于傳統圖像處理技術的前車識別

基于傳統圖像處理方法的前車識別需要手動提取并處理目標車輛的顯著特征。此方法不需要大量的數據集，但是識別精度較低，漏檢率和誤檢率較高。鑒于車輛底部陰影與周遭道路環境有更高的對比度，Nur Shazwani A.[3]等人利用斑點分析手段檢測車底陰影特征，結合水平Scharr-Sobel增強算子，提出了一種基于車輛底部陰影的車輛檢測算法。針對夜間等陰暗環境，Jun-jie Zhang[4]等人通過labview視覺工具獲取只顯示尾燈紅色信息的圖像，利用NI視覺工具去除噪聲并根據幾何關系進一步獲取車輛位置，但此方法在室外環境下容易造成誤判。

除上述方法以外，Bertozzi等人構建拐角特征的車輛模板用于車輛識別；Ratan等人提出通過檢測車輪特征進而推斷車輛位置的方法；Bensrhari等人通過立體視覺方法和三維車輛模型來檢測識別前車。為排除單目視覺易受環境變化的影響，Wang Hui[5]等人基于雙目相機檢測的方法獲得準確的深度信息，再通過處理車輛輪廓信息識別檢測前車，此方法具有較高的魯棒性。

1.2 基于機器學習的前車識別

基于機器學習的前車檢測方法是先人工標記樣本中車輛的顯著特征，設計出可以識別此類特征的樣本分類器，然后通過具有自動判斷能力的分類器來魯棒的實現前車的識別。P.M. Daigavane[6]等人利用圖像預處理、圖像分割和斑點分析等方法通過使用背景減法算法來分析前景區域以檢測車輛。采用帶sigmoid傳遞函數的三層多層膜濾波器，提出采用反向傳播神經網絡（BNN）算法的車輛識別分類技術。Kumar Satzoda[7]等人提出了一套全新的車輛檢測系統——VeDAS系統，其使用改進的主動學習框架訓練Haar–Adaboost級聯分類器，可完成車輛的大部分檢測，結合基于對稱性的迭代分析，提高了部分可見和完全可見車輛的檢測準確率。Mahdi Rezaei[8]等人通過車輛線和角的特征獲得感興趣區域，提出一種自適應全局Haar分類器，結合基于虛擬對稱方法檢測尾燈配對的特征，進而減少車輛漏檢，最后用Dempster–Shafer證據理論實現數據融合。經試驗驗證，運用該方法在近距離、全天候、霧天、雨夜、雪天等情境下都有可觀的檢測率。

1.3 基于深度學習的前車識別

基于深度學習的車輛識別不需要人工設計車輛特征且無需對輸入圖像進行一系列的預處理可直接將原始彩色圖像作為輸入，是一種基于機器學習的高級方法。其中局部連接和權值共享的思想大大減少了計算機的參數計算量，加快了訓練速度。

Rajkumar Theagarajan[9]等人使用支持向量機（Support Vector Machine，SVM）融合利用圖像處理技術、數學理論識別的牌照與后保險杠距離等視覺物理特征和利用VGG16卷積神經網絡提取的“視覺”特征完成了車輛的識別分類，利用該SVM模型的平均分類精度達到96.61%。Ali Tourani[10]等人對輸入圖像進行去噪、對比度增強、銳化和直方圖均衡化等處理，運用改進的ResNet-50網絡提取圖像特征，在Faster R-CNN框架下實現了車輛的識別，實驗證明該方法具有準實時性和較高的準確性。Mohammad Wahyudi Nafi[11]等人基于Mask R-CNN框架，利用Library TensorFlow Object Detection API，通過融合車輛和車標兩個訓練集，實現了幾種車型相同不同品牌的精準分類，但此方法的實時性不佳。Kwang-Ju Kim[12]等人在改進傳統的Yolo-v3算法的基礎上，提出了一種基于空間金字塔融合的多尺度車輛檢測方法，對車輛尺度變化和遮擋的目標具有很好的魯棒性而且具有更佳的檢測率。

為提升YOLO 系列算法定位精度問題，Wei Liu[13]等人提出SSD算法，融合了YOLO回歸思想和基于區域建議anchor的Faster R-CNN精確定位的優點，并在多尺度的特征圖上進行目標檢測。實驗證明，其檢測速度是Faster R-CNN的8倍，而且檢測精度達到75.6%。Qiaoqian Chen[14]等人基于VGG16網絡為基礎的SSD模型，在開源數據集KITTI（世界上最大的自動駕駛計算機視覺算法評估數據集）和實際拍攝的圖像中收集了5 000個訓練樣本作為訓練數據集。手動標注圖像，選擇合適的正負樣本，完成了網絡訓練，最終實現了車輛的檢測識別。

2 基于雷達的前車識別研究概況

雷達可以獨立于光線條件工作，并直接返回本車與前車的距離等信息。自投入到民用市場以來，對于利用車載雷達進行前車識別的研究從未間斷。

2.1 基于毫米波雷達的前車識別

毫米波雷達[15]通過發射接收毫米波信號并分析反射電波頻移來探測目標。其具備全天候、全天時工作特點，穿透能力較強，具有良好的縱向探測性能，可以精確地獲取與前車的相對距離和相對速度。在自適應巡航系統和盲點探測系統中被廣泛使用。

Adrian Macaveiu[16]等人利用數據關聯算法和卡爾曼濾波來估計運動目標的狀態，提出了一種應用于實際測量數據的汽車雷達目標跟蹤信號處理方案并用MATLAB軟件和實際測試驗證了目標跟蹤算法的可行性。為提高雷達對靜止目標的檢測能力，Xiuzhang Cai[17]等人選用具有波束導向能力的雷達，通過數值模擬生成RCS數據庫和統計模型，采用PO方法生成RCS圖像，利用神經網絡方法，將統計參數和RCS圖像用于行人、車輛和多種靜止目標的目標分類。

2.2 基于激光雷達的前車識別

激光雷達使用不同角度的密集空間紅外激光束來探測周遭事物。利用預處理獲得的雷達點云數據可以快速地對車輛和環境進行三維建模，進而提取車輛的準確位置和幾何形狀信息。經過數據處理，還可以獲取車輛的速度等信息，因此盡管激光雷達價格昂貴，易受外界環境的干擾，但其有全天時的工作能力和一定的橫向探測能力，所以仍然有一定的研究價值。

P.Steinemann[18]等人提出了一種使用激光雷達測量車輛三維輪廓的穩健方法，利用描述車輛幾何屬性的約束來擴展車輛曲面的創建并引入表面置信度來確定離散位置處表面的可靠性。使用加權配準方法直接計算連續3D輪廓的速度，實現了對前車的識別與跟蹤。Beno?t Fortin[19]等人提出了一種基于模型的激光雷達多車檢測與跟蹤方法。利用激光掃描儀和建立的跟蹤對象幾何不變特性模型結合參數聚類方法完成了多目標識別跟蹤任務。此方法具有很好的魯棒性，提高了遮擋目標的檢測成功率。

為提高車輛高速遠距離的可疑目標檢測與跟蹤，T. Ogawa[20]等人基于動態規劃、貝葉斯概率方法和激光雷達數據提出了一種檢測前跟蹤（Track-Before-Detect, TBD）算法，即在檢測前或檢測過程中結合跟蹤的方法來檢測相鄰時間內的遠方模糊目標。

3 結論

（1）目前基于視覺的前車檢測，在檢測速度和檢測精度的平衡方法上仍有一定的改進空間。為了進一步提高視覺檢測的性能，應考慮優化卷積神經網絡的特征提取方法，提高神經網絡各個池化層的利用率，改進檢測算法結構，結合one-stage檢測算法的回歸思想，提高檢測系統的識別速度和精度。

（2）基于雷達的前車檢測，應充分利用雷達傳感器距離探測準確的特點，對中距離探測性能良好的毫米波雷達和激光雷達進行前車識別的針對性研究，進一步改善毫米波雷達對靜態車輛目標的識別能力，提高激光雷達的聚類精度。