王海暉，劉 洋，陶 玲

（1.武漢工程大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，湖北 武漢 430205；2.武漢工程大學(xué)智能機(jī)器人湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430205）

0 引 言

近年來(lái)，隨著汽車(chē)行業(yè)的興起，擁有汽車(chē)的家庭越來(lái)越多，使得原本壓力較大的交通狀況更加令人堪憂(yōu).為緩解交通壓力，交通管理部門(mén)在各交通路口安裝了各式監(jiān)測(cè)卡口來(lái)輔助交通的控制.在高清卡口的發(fā)展歷程中出現(xiàn)過(guò)三種檢測(cè)方式：地感線圈，雷達(dá)和純視頻檢測(cè).地感線圈和雷達(dá)監(jiān)測(cè)精度較高，但是地感線圈的安裝和維護(hù)較難，需要破壞路面，而雷達(dá)監(jiān)測(cè)設(shè)備費(fèi)用昂貴，不適合廣泛使用.

盡管視頻檢測(cè)技術(shù)容易受到很多因素的干擾，但是擁有安裝實(shí)施便捷、維護(hù)簡(jiǎn)單、性能直觀等優(yōu)點(diǎn)，使其一出現(xiàn)，便得到客戶(hù)的認(rèn)可.然而，由于光照和天氣原因，視頻卡口檢測(cè)系統(tǒng)的精度一直制約了它的廣泛應(yīng)用.為了克服光照影響，國(guó)內(nèi)外研究人員提出了很多種光補(bǔ)償方法.洪漢玉［1－2］等在低對(duì)比度和復(fù)雜光照條件下的檢測(cè)和識(shí)別做了大量工作.周良［3］將JPEG壓縮域圖像增強(qiáng)方法應(yīng)用于低照度圖像的車(chē)牌檢測(cè)，取得了一定的效果，但增強(qiáng)算法存在缺陷，實(shí)時(shí)性也滿(mǎn)足不了應(yīng)用要求.歐志芳［4］檢測(cè)車(chē)輛尾燈進(jìn)行夜間車(chē)輛檢測(cè)，提取每個(gè)明亮塊的輪廓，通過(guò)計(jì)算輪廓點(diǎn)以及輪廓點(diǎn)四鄰域的像素偏紅度得到輪廓的四鄰域偏紅度水平來(lái)消除干擾，此方法檢測(cè)的準(zhǔn)確度難以保證.O＇Malley R［5－6］等提出一種低照度下車(chē)尾檢測(cè)的方法，該方法利用車(chē)燈的紅色分量較高的特點(diǎn)，進(jìn)行能隨光線變化的自適應(yīng)閾值處理，從而檢測(cè)到車(chē)輛位置，該方法的檢測(cè)誤差較大.

針對(duì)車(chē)輛檢測(cè)系統(tǒng)在低照度情況下的準(zhǔn)確度和實(shí)時(shí)性作了深入研究，提出了一種基于Adaboost（Adaptive Boosting）算法和梯度方向直方圖［7］（Histogram of Oriented Gradients，簡(jiǎn) 稱(chēng)HOG）特征的運(yùn)動(dòng)車(chē)輛檢測(cè)技術(shù)，用于實(shí)時(shí)地檢測(cè)車(chē)輛.

1 HOG特征

梯度方向直方圖［7］特征，是圖像的一種表征形式，它也可以被看成一種描述形式.圖像梯度方向直方圖的生成步驟如下：

（1）將輸入的彩色圖像轉(zhuǎn)換為灰度圖像.

（2）采用Gamma校正法對(duì)輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化（歸一化）；目的是調(diào)節(jié)圖像的對(duì)比度，降低圖像局部的陰影和光照變化所造成的影響，同時(shí)可以抑制噪音的干擾.

將原始圖像的均值調(diào)為0，方差調(diào)為1；根據(jù)累計(jì)直方圖分布特點(diǎn)初步判斷當(dāng)前圖像屬于高光照還是低光照類(lèi)型，并根據(jù)相應(yīng)類(lèi)型做灰度的初步微調(diào)，對(duì)圖像做Gamma校正.由于自然交通環(huán)境中較少出現(xiàn)光照強(qiáng)度過(guò)強(qiáng)的情況，故本文只考慮過(guò)暗情況，過(guò)暗時(shí)采用如下公式變換：

（3）計(jì)算一階梯度，主要是為了捕獲輪廓信息，同時(shí)進(jìn)一步弱化光照的干擾.采用常用的邊緣檢測(cè)算子Sobel獲得邊緣方向信息.邊緣梯度幅值和方向的計(jì)算如式（2）～（5）所示.

（4）將圖像窗口分為若干可重疊的小區(qū)域，每個(gè)區(qū)域稱(chēng)為一個(gè)塊，每個(gè)塊由若干個(gè)胞組成，每個(gè)胞里面包含一些像素點(diǎn).將這些像素點(diǎn)的梯度方向映射投影到9個(gè)方向（0°～20°，20°～40°，……，140°～160°，160°～180°）.則每個(gè)胞包含一個(gè)9維的特征向量.這樣，圖像的每個(gè)塊、胞這些局部區(qū)域都有了一個(gè)編碼，車(chē)輛樣本中車(chē)尾的輪廓和外觀特征的弱敏感性得以保持.圖1為某個(gè)胞的梯度方向直方圖：將一個(gè)胞內(nèi)梯度方向映射到9個(gè)方向，每個(gè)方向像素點(diǎn)統(tǒng)計(jì)圖.

圖1 胞的梯度方向直方圖Fig.1 Histogram of oriented gradients in a cell

（5）將所有胞格在塊上進(jìn)行歸一化處理；歸一化處理能夠減小光照、陰影和邊緣對(duì)圖像特征提取的影響；在計(jì)算HOG特征時(shí)，相鄰塊之間會(huì)有重疊，而歸一化是基于不同塊的，因此，最后的特征向量中會(huì)包含一個(gè)胞格的多個(gè)不同結(jié)果的特征描述，塊歸一化處理之后的描述符為HOG描述符.

（6）收集得到檢測(cè)空間所有塊的HOG特征；該步驟將檢測(cè)窗口中所有重疊的塊進(jìn)行HOG特征的收集，并將它們結(jié)合成最終的特征向量供分類(lèi)使用.

HOG表示的是邊緣（梯度）的結(jié)構(gòu)特征，因此可以描述局部的形狀信息；位置和方向信息的量化一定程度上可以抑制平移和旋轉(zhuǎn)帶來(lái)的影響；采取在局部區(qū)域歸一化直方圖，可以部分抵消光照變化帶來(lái)的影響［8］.由于一定程度忽略了光照對(duì)圖像造成的影響，使得圖像所需表征數(shù)據(jù)的維度降低了.而且由于它這種分塊分單元的處理方法，也使得圖像局部像素點(diǎn)之間的關(guān)系可以很好的得到表征.

2 Adaboost分類(lèi)器訓(xùn)練

AdaBoost算法［9］將多個(gè)弱分類(lèi)器通過(guò)學(xué)習(xí)組合為一個(gè)分類(lèi)能力更強(qiáng)的強(qiáng)分類(lèi)器，在運(yùn)用過(guò)程中不需要知道關(guān)于弱學(xué)習(xí)器的任何先驗(yàn)知識(shí)，因而被廣泛應(yīng)用到實(shí)際問(wèn)題當(dāng)中［10］.本文引入汽車(chē)樣本的HOG特征，訓(xùn)練出一個(gè)級(jí)聯(lián)二類(lèi)分類(lèi)器，用來(lái)檢測(cè)當(dāng)前幀中的汽車(chē).

設(shè)X ＝ ｛（x1，y1），（x2，y2），（x3，y3）...，（xn，yn）｝為訓(xùn)練樣本集，其中n為樣本數(shù)量，xi為訓(xùn)練樣本，yi為樣本描述，yi∈ ｛0，1｝.其中0表示不含車(chē)尾的負(fù)樣本，1表示包含車(chē)尾的正樣本.按照如下規(guī)則訓(xùn)練強(qiáng)分類(lèi)器.

（1）按照式（6）對(duì)每個(gè)樣本的權(quán)重進(jìn)行初始化，其中Np為正樣本個(gè)數(shù)，Nn為負(fù)樣本個(gè)數(shù)，qi為樣本權(quán)重：

（2）設(shè)分類(lèi)器訓(xùn)練總的輪次為T(mén)，在整個(gè)訓(xùn)練樣本集上，對(duì)t＝1，2，…，T，作如下操作：

1）根據(jù)每一輪訓(xùn)練得到的弱分類(lèi)器的權(quán)重，歸一化樣本權(quán)重：

2）對(duì)每個(gè)特征f，訓(xùn)練一個(gè)與之對(duì)應(yīng)的弱分類(lèi)器hf，計(jì)算該特征的弱分類(lèi)器的加權(quán)錯(cuò)誤率ef：

3）遍歷所有弱分類(lèi)器的錯(cuò)誤率，選取擁有最小錯(cuò)誤率et的弱分類(lèi)器ht，將其作為強(qiáng)分類(lèi)器一員：

4）根據(jù)hf對(duì)樣本分類(lèi)的準(zhǔn)確率，重新更新調(diào)整樣本權(quán)值，得到：

其中βt＝et／（1－et）.若樣本被正確分類(lèi)，θi＝0；反之，θi＝1.

（3）最后得到一個(gè)可用于分類(lèi)的強(qiáng)分類(lèi)器：

3 檢測(cè)結(jié)果及分析

系統(tǒng)主要包含兩個(gè)部分，系統(tǒng)簡(jiǎn)圖如圖2所示.

圖2 系統(tǒng)結(jié)構(gòu)簡(jiǎn)圖Fig 2 Simple structure chart of our system

采集不同環(huán)境下的訓(xùn)練樣本，建立樣本庫(kù)：包含車(chē)輛尾部的正樣本4 000幅，正樣本由小轎車(chē)、面包車(chē)和公交車(chē)、貨車(chē)及其他特殊車(chē)輛的車(chē)尾組成；不包含車(chē)輛尾部的負(fù)樣本9 500幅.將樣本歸一化到32＊32大小，便于計(jì)算其特征，其中每個(gè)胞格包含4＊4個(gè)像素點(diǎn)，映射到9個(gè)方向得到一個(gè)9維的數(shù)據(jù)；每個(gè)塊包含8＊8個(gè)像素點(diǎn)，即4個(gè)胞格，則每個(gè)塊內(nèi)有4＊9＝36個(gè)特征；以4個(gè)像素為步長(zhǎng)取HOG塊，那么，水平方向?qū)⒂?個(gè)掃描窗口，垂直方向?qū)⒂?個(gè)掃描窗口.也就是說(shuō)，32＊32的圖片，總共有36＊7＊7＝1 764個(gè)特征.

采用Adaboost分類(lèi)原理，編寫(xiě)程序，訓(xùn)練分類(lèi)器，最終得到一個(gè)可用于分類(lèi)車(chē)和非車(chē)的二類(lèi)分類(lèi)器.在對(duì)視頻序列進(jìn)行車(chē)輛檢測(cè)時(shí)，根據(jù)當(dāng)前幀的灰度直方圖判斷當(dāng)前幀是否為低照度類(lèi)型.如果是，則用式（1）對(duì)當(dāng)前幀作Gamma校正，對(duì)其進(jìn)行光補(bǔ)償；光補(bǔ)償后濾波，載入分類(lèi)器，通過(guò)一個(gè)滑動(dòng)窗口對(duì)待檢幀進(jìn)行多尺度檢測(cè)，用以檢測(cè)不同大小的車(chē)輛.最后用矩形框?qū)z測(cè)到的車(chē)輛標(biāo)示出來(lái)，圖3顯示為部分檢測(cè)結(jié)果：其中（a－1）、（b－1）、（c－1）為正常光照情況下的原始幀和檢測(cè)結(jié)果；（a－2）、（a－3）、（a－4）為夜間路況，車(chē)輛辨識(shí)度非常低；（b－2）、（b－3）、（b－4）為（a－2）、（a－3）、（a－4）進(jìn)行Gamma校正后的效果圖，車(chē)輛辨識(shí)度大幅度提升；（c－2）、（c－3）、（c－4）為最終檢測(cè)結(jié)果.

圖3 部分檢測(cè)結(jié)果Fig 3 Some detection results

通過(guò)實(shí)驗(yàn)，在硬件環(huán)境為Intel雙核2.93 GHz處理器、2G內(nèi)存環(huán)境下，304＊256分辨率的幀檢測(cè)時(shí)間低于60ms，為檢驗(yàn)本系統(tǒng)的實(shí)用性，在上述硬件環(huán)境下，使用平均背景差分法、采用Haar特征的Adaboost算法和本算法分別對(duì)468幀的某十字路口白天監(jiān)控視頻和1 147幀晚間視頻做車(chē)流量統(tǒng)計(jì)，表1為三種方法在設(shè)置的虛擬線圈內(nèi)的檢測(cè)結(jié)果.

表1 三種算法統(tǒng)計(jì)結(jié)果Table 1 Detection performance of the three methods

本算法適用于檢測(cè)交通路口的車(chē)輛，其在白天光線條件較好的情況下，檢測(cè)率較高.夜間檢測(cè)率較一般算法有了大幅度提升.這是因?yàn)椋篐OG特征對(duì)光照敏感，所以在低照度情況下比一般的特征的表征能力更強(qiáng)；Gamma校正法在對(duì)低照度情況下對(duì)原始幀作的預(yù)處理使得圖像的分辨度得到大幅度提升，對(duì)車(chē)輛檢測(cè)率的提高有很大作用.但在遮擋嚴(yán)重的情況下，檢測(cè)效果不是很理想.夜間車(chē)輛檢測(cè)率比白天低的主要原因是特殊車(chē)輛在夜間的特征難以提取，容易產(chǎn)生漏檢.

4 結(jié) 語(yǔ)

上述的低照度車(chē)輛檢測(cè)系統(tǒng)采用對(duì)光線敏感的HOG特征，在照度較低的情況下依然表現(xiàn)出較高的檢測(cè)率.采用Adaboost算法能從大量的HOG特征中選取能更好表征車(chē)輛的特征作為弱分類(lèi)器組成一個(gè)能分辨車(chē)和非車(chē)的二值分類(lèi)器.實(shí)驗(yàn)表明：通過(guò)該分類(lèi)器，低照度下車(chē)輛的檢測(cè)率得到了很大程度的提高.然而，由于低照度下車(chē)輛樣本的引入，算法的誤檢率也有所提升，特殊車(chē)輛也會(huì)產(chǎn)生漏檢，這是急待解決的問(wèn)題.

［1］洪漢玉，王澍，朱浩，等.低對(duì)比度嵌入型鋼坯字符識(shí)別方法［J］.武漢工程大學(xué)學(xué)報(bào)，2012，34（12）：38－43.HONG Han－yu，WANG Shu，ZHU Hao，et al.Recognition method for low－contrast embedded billet characters［J］.Journal of Wuhan Institute of Technology，2012，34（12）：38－43.（in Chinese）

［2］洪漢玉，俞喆俊，章秀華.復(fù)雜光照條件下鋼坯字符檢測(cè)方法［J］.武漢工程大學(xué)學(xué)報(bào)，2012，34（6）：65－68.HONG Han－yu，YU Zhe－jun，ZHANG Xiu－h(huán)ua.Detection of billet character in complex illumination conditions［J］.Journal of Wuhan Institute of Technology，2012，34（6）：65－68.（in Chinese）

［3］周良.低照度圖像的車(chē)牌檢測(cè)與識(shí)別方法研究［D］.合肥：合肥工業(yè)大學(xué)，2012.ZHOU Liang.The Research on License Plate Detection and Recognition for Low illumination Image［D］.Hefei：Hefei University of Technology，2012.（in Chinese）

［4］歐志芳.智能車(chē)輛中基于視頻的車(chē)輛檢測(cè)算法研究［D］.長(zhǎng)沙：湖南大學(xué)，2011.OU Zhi－fang. Research of Video－Based Vehicle Detection Algorithm for Intelligent Vehicle［D］.Changsha：Hunan University，2011.（in Chinese）

［5］O＇Malley R，Jones E，Glavin M.Rear－lamp vehicle detection and tracking in low－exposure color video for night conditions ［J］.Intelligent Transportation Systems IEEE Transactions on，2010，11 （2）：453－462.

［6］O＇Malley R，Glavin M，Jones E.Vision－based detection and tracking of vehicles to the rear with perspective correction in low－light conditions［J］.IET Intelligent Transport Systems，2011，5（1）：1－10.

［7］Dalal N，Triggs B.Histograms of oriented gradients for human detection［C］.Computer Vision and Pattern Recognition，2005.CVPR 2005.IEEE Computer Society Conference on.IEEE，2005（1）：886－893.

［8］聞帆.基于視覺(jué)的交通路口車(chē)輛智能檢測(cè)技術(shù)研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2010.WEN fan. A Vision－Based Intelligent Algorithm Research For Traffic Intersection Vehicle Detection［D］.Harbin：Harbin Institute of Technology，2010.（in Chinese）

［9］Freund Y，Schapire R E.A decision－theoretic Generalization of On－Line Learning and an Application to Boosting.［J］Journal of Computer and System Sciences，1997，55（1）：119－139.

［10］楊述斌，金璐，章振保.疲勞駕駛檢測(cè)中的快速人眼定位方法［J］.武漢工程大學(xué)學(xué)報(bào)，2013，35（6）：67－72.YANG Shu－bin，JIN Lu，ZHANG Zhen－bao.Fast eye location method in driver fatigue detection［J］.Journal of Wuhan Institute of Technology，2013，35（6）：67－72.（in Chinese）