閆堯 李春書

摘要?采用單一傳感器識(shí)別前方車輛易造成誤判，為了提高檢測準(zhǔn)確率，提出了一種基于激光雷達(dá)信息和單目視覺信息的車輛識(shí)別方法，該方法綜合考慮了激光雷達(dá)傳感器和單目視覺傳感器的信息。首先對(duì)激光雷達(dá)原始信號(hào)進(jìn)行預(yù)處理，然后對(duì)篩選后的數(shù)據(jù)進(jìn)行最臨近距離法聚類處理，并轉(zhuǎn)換到圖像坐標(biāo)系中，初步確定障礙物檢測的ROI（感興趣區(qū)域）。提取ROI區(qū)域的圖像，并對(duì)其進(jìn)行灰度化，灰度增強(qiáng)和圖像濾波的預(yù)處理。通過計(jì)算預(yù)處理后圖像的熵值歸一化對(duì)稱性測度，完成前方車輛的檢測。通過實(shí)驗(yàn)，驗(yàn)證該方法可以較好地識(shí)別前方車輛，彌補(bǔ)了單一傳感器在車輛識(shí)別中的不足，同時(shí)耗時(shí)較短，可以滿足實(shí)時(shí)性的要求。

關(guān)?鍵?詞?車輛識(shí)別;激光雷達(dá);單目視覺;對(duì)稱性測度;信息熵

中圖分類號(hào)?TP391.41?????文獻(xiàn)標(biāo)志碼?A

Method?of?vehicle?identification?based?on?laser?radar?information?and?monocular?vision?information

YAN?Yao，LI?Chunshu

（School?of?Mechanical?Engineering，?Hebei?University?of?Technology，?Tianjin?300130，?China）

Abstract?Identification?of?vehicles?ahead?with?a?single?sensor?is?easy?to?cause?error?detection.?In?order?to?improve?the?accuracy?of?the?detection，?we?propose?a?vehicle?detection?method?based?on?laser?radar?and?monocular?vision.?The?method?takes?into?account?the?information?of?the?laser?radar?sensor?and?the?monocular?vision?sensor.?The?radar?raw?signal?is?preprocessed?firstly，?and?then?the?filtered?data?is?processed?by?clustering?and?converted?to?the?image?coordinate?so?as?to?preliminarily?determine?the?region?of?interest（ROI）?of?vehicle?detection.?The?image?of?ROI?is?extracted?and?preprocessed?by?graying，?gray?enhancement?and?image?filtering.?And?then?a?symmetry?measurement?of?normalized?entropy?of?the?preprocessed?image?is?obtained?to?detect?preceding?vehicles.?It?is?verified?that?this?method?can?well?identify??vehicles?ahead，which?compensates?for?the?shortage?of?single?sensor?by?experiment;?and?the?time?consuming?is?short，?which?can?meet?the?real-time?requirement.

Key?words?vehicle?detection;?laser?radar;?monocular?vision;?symmetry?measurement;?entropy

0?引言

對(duì)于自主車輛而言，識(shí)別障礙車輛是自主車輛環(huán)境感知系統(tǒng)中的關(guān)鍵技術(shù)。準(zhǔn)確地檢測前方車輛，對(duì)于自主車輛避障具有重要的意義。目前國內(nèi)外學(xué)者已經(jīng)研究出許多車輛識(shí)別的算法，如基于視覺信息以及基于激光雷達(dá)信息等方法。

由于視覺圖像獲取較易、處理方法多樣，所以視覺技術(shù)是現(xiàn)階段自主車輛研究中的主要獲取信息手段[1]。其中視覺技術(shù)主要分為單目視覺和雙目視覺。單目視覺識(shí)別技術(shù)多采用基于車輛特征的方法，該方法主要利用車輛與背景有差異的特征[2-3]，如紋理、邊緣和底部陰影等。但這種方法獲取的信息量不足，缺乏深度信息，而且易受外部環(huán)境的干擾，諸如光照和陰影等因素。雙目視覺識(shí)別技術(shù)雖然可以取得較好的效果，但其計(jì)算量較大，算法復(fù)雜，難以保證車輛識(shí)別的實(shí)時(shí)性[4]。激光雷達(dá)能夠獲得場景的距離信息，不易受光照等外部條件的影響，但其獲取的外部信息不充分，易造成誤判。而采用多傳感器融合技術(shù)可以克服單一傳感器獲取信息量不足，探測范圍小的缺點(diǎn)。曾杰等[5]分別通過毫米波雷達(dá)和攝像頭對(duì)前方車輛進(jìn)行檢測，然后分別對(duì)雷達(dá)和攝像頭檢測到的目標(biāo)進(jìn)行目標(biāo)一致性檢測，可以較為準(zhǔn)確地檢測出前方車輛的寬度、位置等信息，但此方法需要處理整幅圖像，運(yùn)算量較大，且面對(duì)尾部特征復(fù)雜的情況時(shí)易出現(xiàn)漏檢情況。楊磊等[6]通過對(duì)雷達(dá)信號(hào)進(jìn)行預(yù)處理，確定感興趣區(qū)域，采用Canny算子進(jìn)行邊緣檢測，確定車輛的具體位置，雖然算法較為簡單，但易受外部光照環(huán)境影響，準(zhǔn)確率不夠理想。高德芝等[7]采用基于密度的空間聚類算法對(duì)雷達(dá)信息進(jìn)行聚類確定感興趣區(qū)域，利用T-S模糊推理系統(tǒng)融合車輛的灰度、寬高比和信息熵等多個(gè)特征驗(yàn)證車輛假設(shè)，可以實(shí)現(xiàn)較好的識(shí)別效果，但是算法較為復(fù)雜，難以滿足實(shí)時(shí)性要求。

為了使車輛識(shí)別算法具有較好的準(zhǔn)確性，同時(shí)減少算法的復(fù)雜程度，本文采用激光雷達(dá)和單目視覺兩種傳感器相結(jié)合的車輛識(shí)別方法，即先對(duì)激光雷達(dá)信號(hào)進(jìn)行預(yù)處理，并采用最鄰近距離法進(jìn)行聚類，初步確定感興趣區(qū)域，然后對(duì)感興趣區(qū)域進(jìn)行預(yù)處理操作，計(jì)算感興趣區(qū)域的熵值歸一化對(duì)稱性測度，對(duì)初步確定的感興趣區(qū)域進(jìn)行驗(yàn)證，完成對(duì)前方車輛的識(shí)別。

1?傳感器配置及初步確認(rèn)感興趣區(qū)域

1.1?傳感器配置

本文進(jìn)行分析的數(shù)據(jù)來自KITTI數(shù)據(jù)庫，KITTI數(shù)據(jù)庫是目前為止地面自主車輛研究中最大最全的公布數(shù)據(jù)庫[8]。該數(shù)據(jù)庫提供了慣導(dǎo)系統(tǒng)、64?線激光雷達(dá)、黑白立體攝像機(jī)、彩色立體攝像機(jī)的同步數(shù)據(jù)，其中攝像機(jī)提供的是去除畸變之后的圖像。激光雷達(dá)以10幀/秒的速度觸發(fā)攝像機(jī)進(jìn)行拍攝，因此其時(shí)間同步性也得到了保證，同時(shí)該數(shù)據(jù)庫對(duì)各傳感器都進(jìn)行了標(biāo)定，標(biāo)定參數(shù)已知。該數(shù)據(jù)庫進(jìn)行測試的車輛的傳感器安裝位置如圖1所示，由于只選取了該數(shù)據(jù)庫中的激光雷達(dá)和其中一個(gè)彩色攝像頭的數(shù)據(jù)，故圖1中只標(biāo)出了這兩個(gè)傳感器的安裝位置。

1.2?雷達(dá)信號(hào)的預(yù)處理

本文所研究數(shù)據(jù)的雷達(dá)信息由Velodyne?HDL?64線三維激光雷達(dá)采集。64線激光雷達(dá)的點(diǎn)云數(shù)據(jù)量非常大，約100萬個(gè)點(diǎn)/秒。如圖2所示，若直接對(duì)雷達(dá)數(shù)據(jù)進(jìn)行分析，系統(tǒng)所需處理的信息量過大，難以滿足實(shí)時(shí)性的要求。因此，在通過雷達(dá)數(shù)據(jù)獲取感興趣區(qū)域前，需要對(duì)雷達(dá)數(shù)據(jù)進(jìn)行預(yù)處理。

由圖2可以看出，未處理的雷達(dá)信號(hào)將路面也掃描在內(nèi)，由于本文主要對(duì)前方車輛進(jìn)行檢測，因此將高度低于0.2?m的雷達(dá)信號(hào)剔除。汽車在行駛中，位于不同車道內(nèi)行駛的車輛對(duì)于自車的影響程度不同，位于本車同車道的前方車輛和相鄰車道的前方車輛對(duì)自車的安全影響最大，為了減少處理的數(shù)據(jù)量，本文算法主要對(duì)主車道和旁側(cè)車道的目標(biāo)進(jìn)行識(shí)別。同時(shí)根據(jù)圖2所示，在縱向距離40?m之后，激光雷達(dá)的數(shù)據(jù)點(diǎn)越來越稀疏，難以提取有效的障礙物信息，而且視覺傳感器難以表現(xiàn)40?m外目標(biāo)的特征。綜上，將前方縱向40?m，橫向10?m作為雷達(dá)的有效區(qū)域。經(jīng)過上述預(yù)處理的雷達(dá)信號(hào)如圖3所示。

1.3?聚類處理及感興趣區(qū)域的獲取

如圖3所示，經(jīng)過預(yù)處理的激光雷達(dá)點(diǎn)較為分散，對(duì)于同一個(gè)目標(biāo)，雷達(dá)會(huì)返回多個(gè)值。因此，為了從雷達(dá)數(shù)據(jù)中提取出有效的障礙物信息，需要對(duì)雷達(dá)數(shù)據(jù)進(jìn)行聚類。聚類分析作為一種常用的模式識(shí)別方法，在處理數(shù)據(jù)集中發(fā)揮著重要的作用，通過對(duì)雷達(dá)數(shù)據(jù)進(jìn)行聚類處理，可以使雷達(dá)數(shù)據(jù)得到簡化，判斷出車前障礙物的數(shù)量和位置[9]。常用的聚類方法主要有柵格聚類法、距離聚類法和密度聚類法等，為了減少算法的復(fù)雜程度，本文采用最臨近距離法對(duì)目標(biāo)進(jìn)行聚類。

具體步驟如下：把經(jīng)過預(yù)處理的雷達(dá)數(shù)據(jù)按照與自車的縱向距離由近及遠(yuǎn)進(jìn)行重新排列，并按照順序?yàn)楦髡系K點(diǎn)編號(hào)。給1號(hào)障礙點(diǎn)賦值類別編號(hào)為1，然后按順序計(jì)算之后障礙點(diǎn)與之前所有同類別障礙點(diǎn)之間的歐氏距離。并根據(jù)普通車輛的寬度設(shè)定預(yù)設(shè)閾值[d0]，若最大的距離[dmax]小于預(yù)設(shè)的閾值[d0]，則該障礙點(diǎn)與之前的障礙點(diǎn)歸為一類，否則新建一個(gè)類別，并將該點(diǎn)存入其中。重復(fù)此步驟，直到所有的障礙點(diǎn)都被檢測為止。同時(shí)為了排除噪聲信號(hào)的干擾，剔除所含元素?cái)?shù)量小于5個(gè)的類別。

GB?1589—2016中對(duì)各類汽車、掛車以及汽車列車的外廓寬度上限要求為2.55?m[10]，考慮到識(shí)別過程中的誤差，本文設(shè)定的車輛寬度上限閾值[d0]=2.65?m。

具體的流程圖如圖4所示。

對(duì)雷達(dá)進(jìn)行聚類處理后，將雷達(dá)信號(hào)由世界坐標(biāo)系轉(zhuǎn)換至圖像坐標(biāo)系中。對(duì)每個(gè)類別進(jìn)行如下操作：在圖像坐標(biāo)系中，將該類別內(nèi)最左側(cè)的點(diǎn)和最右側(cè)的點(diǎn)分別向左和向右移動(dòng)5個(gè)像素點(diǎn)，并將這兩個(gè)點(diǎn)所在的列作為矩形區(qū)域的左右邊界。將該類別內(nèi)最上面和最下面的點(diǎn)分別向上和向下移動(dòng)5個(gè)像素點(diǎn)，這兩個(gè)點(diǎn)所在的行為矩形區(qū)域的上下邊界。如圖5所示，矩形區(qū)域即為初步獲取的感興趣區(qū)域。

2?車輛特征識(shí)別

對(duì)雷達(dá)信號(hào)進(jìn)行處理之后，初步獲得的感興趣區(qū)域可能有多個(gè)，路牌、樹木等無關(guān)物體也被檢測在內(nèi)。因此需要對(duì)感興趣區(qū)域進(jìn)一步驗(yàn)證，剔除非車輛的干擾。本文通過檢測感興趣區(qū)域的熵值歸一化對(duì)稱性測度來驗(yàn)證目標(biāo)車輛。

2.1?圖像預(yù)處理

通過視覺傳感器采集的前方道路信息會(huì)受到光照等因素的影響，降低其成像質(zhì)量，因此需要對(duì)感興趣區(qū)域進(jìn)行預(yù)處理。通過預(yù)處理之后的圖像，可以突出有用的信息，去除背景環(huán)境的干擾。本文采取的預(yù)處理流程包括圖像灰度化、圖像灰度增強(qiáng)和濾波去噪。

由于獲取的圖像為彩色圖像，信息量較大，為了減少計(jì)算量，需要首先對(duì)原始感興趣區(qū)域進(jìn)行灰度化處理。獲取灰度化圖像之后，采用直方圖均衡化的方法進(jìn)行灰度增強(qiáng)，增加圖像的全局對(duì)比度。同時(shí)，經(jīng)過灰度處理的圖像往往存在噪聲干擾，因此需要對(duì)圖像進(jìn)行濾波，由于中值濾波在一定程度上可以保留圖像細(xì)節(jié)，而且算法簡單，故本文采取中值濾波對(duì)圖像進(jìn)行處理。圖6為原始感興趣區(qū)域，圖7為預(yù)處理之后的感興趣區(qū)域。

2.2?車輛驗(yàn)證

感興趣區(qū)域圖像中的車輛尾部具有非常好的灰度對(duì)稱性?；叶葘?duì)稱性指以車輛區(qū)域中線為軸，左右區(qū)域的灰度值為軸對(duì)稱圖形。設(shè)[R（x）]為[ROI]區(qū)域內(nèi)某一行灰度數(shù)據(jù)的一維函數(shù)，因此其可以被表達(dá)為奇函數(shù)和偶函數(shù)的形式，對(duì)應(yīng)感興趣區(qū)域的對(duì)稱性測度可以通過其分離出的偶函數(shù)所占的比重來決定[11]。

對(duì)于函數(shù)[R（x）]，設(shè)其對(duì)稱軸的水平位置為[xs]，對(duì)稱區(qū)域的寬度為[w]，對(duì)于感興趣區(qū)域的第[y]行，奇函數(shù)和偶函數(shù)的表達(dá)式分別如下：

其中，[-w2≤u≤w2]。

該算法需要對(duì)偶函數(shù)進(jìn)行歸一化處理，使其均值趨近于零。修正之后的偶函數(shù)如下：

由此可以得到奇函數(shù)和偶函數(shù)的能量函數(shù)分別為

綜上可得感興趣區(qū)域的第[y]行的對(duì)稱性測度為

對(duì)稱性測度的取值范圍為[-1，1]。當(dāng)[S=1]時(shí)，代表完全對(duì)稱;當(dāng)[S=0]時(shí)，代表不對(duì)稱;當(dāng)[S=-1]時(shí)，代表反對(duì)稱。

對(duì)感興趣區(qū)域逐行計(jì)算其對(duì)稱性測度，然后求取其平均值，從而獲得感興趣區(qū)域的水平灰度對(duì)稱性測度。但是通常情況下，圖像中道路及部分背景的灰度圖像也具有水平對(duì)稱性的特點(diǎn)，僅通過灰度圖像的水平對(duì)稱性測度來判斷是不夠的，容易造成誤判，因此需要檢測其他特征來增加判斷的準(zhǔn)確率。本文采用熵值歸一化的對(duì)稱性測度來驗(yàn)證車輛的存在。

通常情況下車輛所在區(qū)域所含的信息量要比背景區(qū)域多，因此可以將其作為識(shí)別車輛的依據(jù)之一。在信息論中，信息熵可以作為特定區(qū)域包含信息量的度量，其定義如式（7）所示[12]：

式中：[p（gi）]代表信息[gi]出現(xiàn)的概率;[lnp（gi）]代表信息量。圖像區(qū)域的信息熵值越大，表示信息越豐富。對(duì)于本文研究的256色灰度圖，[E（g）]的取值范圍為[0，Em]，其中[Em]=?5.545。

由此可以得出具體的熵值歸一化的對(duì)稱性測度為

由統(tǒng)計(jì)規(guī)律[13]，當(dāng)[Sg]>0.6時(shí)，認(rèn)為該區(qū)域存在車輛。圖5中感興趣區(qū)域1的熵值歸一化對(duì)稱性測度[Sg]=0.759?4>0.6，因此認(rèn)為該區(qū)域存在車輛。感興趣區(qū)域2的熵值歸一化對(duì)稱性測度[Sg]=0.496?8<0.6，因此認(rèn)為該區(qū)域不存在車輛。通過熵值歸一化的對(duì)稱性測度檢測，可以有效地降低誤檢率。

3?仿真實(shí)驗(yàn)

3.1?實(shí)例分析

為驗(yàn)證上述車輛檢測算法的性能，本文選擇KITTI數(shù)據(jù)庫中的部分?jǐn)?shù)據(jù)進(jìn)行離線數(shù)據(jù)驗(yàn)證。算法采用Matlab編寫，圖像分辨率為750×375。具體的測試環(huán)境如圖8c）所示，包括單目標(biāo)識(shí)別，多目標(biāo)識(shí)別等。識(shí)別結(jié)果如圖8所示，其中圖8a）為激光雷達(dá)采集到的原始數(shù)據(jù)，圖8b）為經(jīng)過預(yù)處理之后的激光雷達(dá)數(shù)據(jù)，圖8c）為車輛檢測結(jié)果及對(duì)應(yīng)結(jié)果的熵值歸一化對(duì)稱性測度。

3.2?實(shí)驗(yàn)分析

除此之外，本文采用上述算法對(duì)KITTI數(shù)據(jù)庫中城市道路總計(jì)572幀的數(shù)據(jù)進(jìn)行分析驗(yàn)證。采用本文算法正確識(shí)別車輛的數(shù)量和處理時(shí)間等數(shù)據(jù)如表1所示。

由表1可得，采用本文方法的正確檢測率為91.3%，誤檢率為3.5%，漏檢率為8.7%。實(shí)驗(yàn)表明該算法在城市道路環(huán)境下，具有較好的適應(yīng)性，能夠排除樹木、建筑等無關(guān)物體的干擾，能較為準(zhǔn)確地識(shí)別前方車輛，可以滿足自主車輛對(duì)前方車輛識(shí)別精度的要求。由于KITTI數(shù)據(jù)庫采集數(shù)據(jù)的頻率為10?Hz，本文算法的平均處理時(shí)間為34?ms，可以滿足實(shí)時(shí)性的要求。

漏檢分析：由于選取的雷達(dá)識(shí)別區(qū)域?yàn)楣潭ㄖ?，?dāng)車輛在道路邊緣行駛時(shí)，可能會(huì)出現(xiàn)對(duì)識(shí)別范圍外的車輛信息不敏感的情況，從而造成外側(cè)車輛的漏判，對(duì)自車安全造成威脅。針對(duì)此種情況，可以將雷達(dá)的識(shí)別范圍動(dòng)態(tài)化，使識(shí)別范圍隨車輛行駛的條件而變化，即首先進(jìn)行道路識(shí)別，提取可通行道路區(qū)域，然后根據(jù)可通行道路區(qū)域識(shí)別的結(jié)果確定雷達(dá)的有效識(shí)別區(qū)域，降低漏判率，提升自主車輛的安全性能。

誤檢分析：當(dāng)依靠自然光獲取圖像時(shí)難免會(huì)受到光照的影響，在光照不足時(shí)，會(huì)導(dǎo)致圖像細(xì)節(jié)模糊不清，紋理特征不明顯，從而使感興趣區(qū)域的熵值歸一化對(duì)稱性測度產(chǎn)生較大幅度變化，非車輛目標(biāo)被檢測為車輛目標(biāo)，造成誤檢。針對(duì)此種情況，可以在原有基礎(chǔ)上進(jìn)一步檢測感興趣區(qū)域的其他特征，例如底部陰影、寬高比和邊緣特征等，綜合考慮多種特征，減少非車輛目標(biāo)對(duì)檢測算法的影響。

4?結(jié)論

本文提出了一種模型較為簡練的基于雷達(dá)信息和單目視覺信息的前方車輛檢測方法。該方法利用激光雷達(dá)信息初步劃分車輛檢測的感興趣區(qū)域，并通過檢測感興趣區(qū)域的熵值歸一化對(duì)稱性測度完成對(duì)前方車輛的確認(rèn)。實(shí)驗(yàn)表明該方法在城市道路環(huán)境下，正確檢測率為91.3%，可以實(shí)現(xiàn)較好的識(shí)別效果。同時(shí)該算法模型較為簡練，單幀圖像的平均處理時(shí)間為34?ms，在保證車輛識(shí)別準(zhǔn)確率的同時(shí)，也能保證車輛識(shí)別的實(shí)時(shí)性，降低了自主車輛對(duì)于處理器硬件的需求，具有較好的工程應(yīng)用前景。

參考文獻(xiàn)：

[1]????施樹明，儲(chǔ)江偉，李斌，等.?基于單目視覺的前方車輛探測方法[J].?農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35（4）：5-8.

[2]????顧柏園，王榮本，郭烈，等.?基于機(jī)器視覺的道路上前方多車輛探測方法研究[J].?汽車工程，2006，28（10）：902-905.

[3]????胡銦，楊靜宇.?基于單目視覺的路面車輛檢測及跟蹤方法綜述[J].?公路交通科技，2007，24（12）：127-131.

[4]????蔡英鳳，王海，陳小波，等.?基于單雙目視覺融合的車輛檢測和跟蹤算法[J].?交通運(yùn)輸工程學(xué)報(bào)，2015，15（6）：118-126.

[5]????曾杰，任玥，鄭玲，等.?基于雷達(dá)與機(jī)器視覺信息融合的前車檢測研究[C]//西南汽車信息（2017年第1期?總第370期）.?重慶：重慶汽車工程學(xué)會(huì)，2017：18-23.

[6]????楊磊，段建民，王飛.?基于攝像機(jī)與激光雷達(dá)的車輛識(shí)別技術(shù)[J].?計(jì)算機(jī)測量與控制，2011，19（12）：3009-3011.

[7]????高德芝，段建民，于宏嘯.?基于激光雷達(dá)和攝像機(jī)的前方車輛檢測[J].?北京工業(yè)大學(xué)學(xué)報(bào)，2012，38（9）：1337-1342.

[8]????GEIGER?A，LENZ?P，Stiller?C，et?al.?Vision?meets?robotics：The?KITTI?dataset[J].?The?International?Journal?of?Robotics?Research，2013，32（11）：1231-1237.

[9]????譚寶成，楊成.?激光雷達(dá)動(dòng)態(tài)障礙物檢測[J].?西安工業(yè)大學(xué)學(xué)報(bào)，2015，35（3）：205-209.

[10]??GB?1589—2016，汽車、掛車及汽車列車外廓尺寸、軸荷及質(zhì)量限值[S].

[11]??高磊，李超，朱成軍，等.?基于邊緣對(duì)稱性的視頻車輛檢測算法[J].?北京航空航天大學(xué)學(xué)報(bào)，2008，34（9）：1113-1116.

[12]??張華熊，呂輝，翁向軍.?基于信息熵的圖像置亂程度評(píng)價(jià)方法[J].?電路與系統(tǒng)學(xué)報(bào)，2007，12（6）：95-98.

[13]??史忠科，曹力.?交通圖像檢測與分析[M].?北京：科學(xué)出版社，2007：212-215.

[責(zé)任編輯?楊?屹]