黎向鋒， 趙偉康， 豆心愿2， 李 堃， 左敦穩(wěn)

(1.南京航空航天大學(xué) 機(jī)電學(xué)院，江蘇 南京 210002； 2.吉林大學(xué) 汽車工程學(xué)院，吉林 長(zhǎng)春 130000)

隨著經(jīng)濟(jì)的不斷發(fā)展，生產(chǎn)力的大幅提高，國(guó)內(nèi)汽車的產(chǎn)量和銷量均穩(wěn)定增長(zhǎng)。汽車作為代步工具給人們的出行帶來了極大便利，但也帶來了諸多棘手的難題，譬如交通事故、堵塞等[1]。先進(jìn)輔助駕駛系統(tǒng)(Advanced Driver Assistant System，ADAS)能夠在發(fā)生危險(xiǎn)前發(fā)出警報(bào)，保證駕駛安全，因而變得越來越重要，其發(fā)展勢(shì)頭迅猛。車輛檢測(cè)是ADAS的重要組成部分，引起了越來越多的國(guó)內(nèi)外學(xué)者的關(guān)注。

利用單目視覺技術(shù)進(jìn)行車輛檢測(cè)，成本低廉，因此應(yīng)用十分廣泛，通?？煞譃?類：① 基于車輛特征的方法，如任薇[2]根據(jù)車底陰影特征，使用高斯混合模型對(duì)圖像聚類，使用模型中的均值和方差自適應(yīng)提取車底陰影與路面交線，經(jīng)過濾波合并檢測(cè)到車輛，該方法實(shí)時(shí)性好，但受光照影響大，魯棒性差；② 基于模板匹配的方法，如李璟[3]對(duì)目標(biāo)分塊提取Hog特征值，并對(duì)每個(gè)分塊賦予不同權(quán)值，計(jì)算與模板相關(guān)性最大的區(qū)域作為目標(biāo)，該算法魯棒性好，但計(jì)算量大，實(shí)時(shí)性低；③ 基于機(jī)器學(xué)習(xí)的方法[3]，該算法實(shí)時(shí)性好，魯棒性高，是近年來研究的熱點(diǎn)，如王蕾[4]利用角點(diǎn)檢測(cè)算法找出ROI，提取射影不變量特征，使用樸素貝葉斯分類器找到目標(biāo)，算法實(shí)時(shí)性好，但容易受外界環(huán)境影響，導(dǎo)致分類器的檢測(cè)率不高；劉公俊[5]先通過圖像處理找出存在車底陰影可能存在的感興趣區(qū)域，使用離線訓(xùn)練的分類器檢測(cè)該區(qū)域，找到目標(biāo)，該算法速度快，受外界環(huán)境(光照、雨雪和天氣)影響大，產(chǎn)生漏檢。因此，通過對(duì)AdaBoost+Haar算法的訓(xùn)練和檢測(cè)方式進(jìn)行改進(jìn)，提高了檢測(cè)率和檢測(cè)速度，降低了虛警。

1 改進(jìn)的訓(xùn)練算法

在AdaBoost算法中，通常是訓(xùn)練多個(gè)強(qiáng)分類器串聯(lián)形成一個(gè)級(jí)聯(lián)分類器[6]。一般而言，分類器前面幾級(jí)中包含的弱分類器數(shù)量較少，復(fù)雜度低，可用來區(qū)分與目標(biāo)差別大的對(duì)象。越往后，強(qiáng)分類器包含的弱分類器個(gè)數(shù)會(huì)逐漸增多，復(fù)雜度高，可用來區(qū)分與目標(biāo)相似的對(duì)象。待檢測(cè)樣本若未通過強(qiáng)分類器則直接丟棄，直至通過所有強(qiáng)分類器，樣本才會(huì)被判斷為目標(biāo)。該方法相較于其他的檢測(cè)算法，計(jì)算量小，檢測(cè)率高，但仍不能滿足實(shí)時(shí)性的要求。

在圖像中，道路與天空占據(jù)了圖像大部分區(qū)域，且一般是純色塊，定義為簡(jiǎn)單樣本，將剩下負(fù)樣本定義為復(fù)雜樣本，復(fù)雜樣本的紋理復(fù)雜、顏色多樣，一般多為樹木、房屋等。對(duì)負(fù)樣本進(jìn)行分類，使用正樣本和簡(jiǎn)單負(fù)樣本訓(xùn)練一個(gè)只包含6個(gè)強(qiáng)分類器的分類器C1，同時(shí)用一個(gè)同樣數(shù)量的正樣本和未分類的負(fù)樣本訓(xùn)練一個(gè)只包含6個(gè)強(qiáng)分類器C2。

圖1 分類器檢測(cè)效果

如圖1(a)所示，使用C1檢測(cè)的目標(biāo)窗口集中在了車的前端蓋板上和道路上有車以及道路欄桿的部分，車子前蓋和有車區(qū)域之間明顯存在一個(gè)無目標(biāo)帶，純路面和天空區(qū)域已經(jīng)幾乎全部過濾掉了。圖1(b)中，使用C2檢測(cè)的目標(biāo)窗口大部分都集中在車區(qū)域的前端蓋板上和道路上有車區(qū)域，但仍有部分檢測(cè)窗口存在天空和無目標(biāo)道路區(qū)域。因此C1檢測(cè)結(jié)果比C2更集中，區(qū)域更小，數(shù)量也更少。

基于此本文構(gòu)造一種新的強(qiáng)分類器級(jí)聯(lián)方案，其結(jié)構(gòu)如圖2所示。首先由正樣本和簡(jiǎn)單負(fù)樣本訓(xùn)練出一個(gè)能夠過濾圖像中的道路天空區(qū)域的分類器，接著在后面級(jí)聯(lián)上由復(fù)雜負(fù)樣本訓(xùn)練出來的一個(gè)分類器。這樣分類器的結(jié)構(gòu)先簡(jiǎn)單后復(fù)雜，使用這個(gè)分類器進(jìn)行目標(biāo)檢測(cè)的時(shí)候，在分類器的前幾級(jí)就會(huì)過濾掉圖像中的道路及天空等大部分的純色簡(jiǎn)單區(qū)域，提高效率。

圖2 分類器級(jí)聯(lián)結(jié)構(gòu)圖

2 改進(jìn)的檢測(cè)算法

AdaBoost+Haar檢測(cè)算法的檢測(cè)率高，但由于需要檢測(cè)的窗口數(shù)量大，降低了檢測(cè)算法的效率，無法達(dá)到實(shí)時(shí)性的要求。

檢測(cè)算法的檢測(cè)流程是多尺度、從左上到右下遍歷整幅圖像。在天空區(qū)域，由于沒有檢測(cè)目標(biāo)，檢測(cè)算法浪費(fèi)了近一半的時(shí)間，而且還可能存在虛警。在路面區(qū)域車輛是近大遠(yuǎn)小的，因此，與本車實(shí)際距離較近的車不需要用小尺度的檢測(cè)窗口去檢測(cè)目標(biāo)，同理，在與本車實(shí)際距離遠(yuǎn)的區(qū)域也無需用大尺度的窗口去檢測(cè)。因此可以得出結(jié)論，檢測(cè)算法有大量的時(shí)間浪費(fèi)在了非目標(biāo)檢測(cè)區(qū)域和多余尺度上。

本文提出一種根據(jù)車寬度調(diào)整檢測(cè)框?qū)挾鹊乃惴āＴ撍惴ɡ媚嫱敢曌儞Q算法[7]標(biāo)定法將圖像坐標(biāo)與世界坐標(biāo)系的路平面建立一對(duì)一的映射關(guān)系。根據(jù)車的寬度算出檢測(cè)窗口的邊長(zhǎng)范圍來過濾檢測(cè)窗口數(shù)量，提高效率。

2.1 地平線

本文把地平線以下區(qū)域作為感興趣區(qū)域。由于透視變換的關(guān)系，在世界坐標(biāo)系中兩條車道線在無窮遠(yuǎn)處相交。過這個(gè)點(diǎn)的水平線即是實(shí)際世界坐標(biāo)系中的無窮遠(yuǎn)處，是天空和路面的分界線，也就是地平線。由郭磊[8]等人推導(dǎo)出來的圖像坐標(biāo)中yp與世界坐標(biāo)的YP關(guān)系如下：

(1)

式中，H為圖像的高度；α0與γ0分別為攝像頭鏡頭的垂直視野角和俯仰角。

2.2 計(jì)算尺度范圍

安裝在汽車上的攝像頭經(jīng)過標(biāo)定后，世界坐標(biāo)系中的道路平面和圖像坐標(biāo)系一一對(duì)應(yīng)。本文車寬匹配算法將左下角點(diǎn)作為起點(diǎn)，由左至右、由下至上遍歷整個(gè)圖像，相較于傳統(tǒng)滑窗算法以頂邊為基準(zhǔn)放大窗口，本文將底邊將作為參考邊，該參考邊同時(shí)也是汽車和路面的接觸區(qū)域且與汽車寬度一致，可根據(jù)汽車寬度使用逆透視變換算法計(jì)算檢測(cè)窗口寬度范圍，過濾多余尺度的檢測(cè)窗口。根據(jù)GB 1589-2016[9]車輛寬度極限值為2.55 m，取轎車寬度為1.6～2.5 m，如圖3所示。程序檢測(cè)時(shí)，由車輛復(fù)雜寬度W的范圍確定圖像中不同行r檢測(cè)框底邊w的范圍，這樣可以根據(jù)車的寬度來自適應(yīng)調(diào)整檢測(cè)窗口的大小，減少了超過一半的候選檢測(cè)框的個(gè)數(shù)，在保證檢測(cè)率的同時(shí)極大地提高了檢測(cè)效率。

圖3 車寬匹配算法

2.3 算法流程

所提出的自適應(yīng)車輛檢測(cè)算法先確立地平線，然后根據(jù)車的寬度范圍自適應(yīng)地調(diào)整圖像中不同行的檢測(cè)框范圍，具體算法如圖4所示。

圖4 檢測(cè)順序圖

3 實(shí)驗(yàn)驗(yàn)證

圖5為經(jīng)逆透視變換得到的，靠里的兩條綠線代表的車寬是1.6 m，靠外的兩條黃線代表的車寬是2.5 m，圖像檢測(cè)窗口在不同行的尺寸見表1所示，可以看出通過寬度濾波，改進(jìn)的算法檢測(cè)窗口數(shù)量是傳統(tǒng)算法的0.26倍，可過濾大量的無關(guān)窗口。

利用C++編程語(yǔ)言，基于Visual Studio 2010開發(fā)平臺(tái)，所用的計(jì)算機(jī)為64位Windows系統(tǒng)，4.00 GB內(nèi)存，雙核四核心2.5 GHz處理器。本文訓(xùn)練的正樣本9285張，負(fù)樣本57000張，其中簡(jiǎn)單負(fù)樣本34652張，復(fù)雜負(fù)樣本21048張，歸一化尺寸24×24，Haar特征類型為CORE。使用如下兩種方案，訓(xùn)練出對(duì)應(yīng)的分類器：① 分類器C3，直接由正樣本和未分類的負(fù)樣本訓(xùn)練一個(gè)共有26個(gè)強(qiáng)分類器級(jí)聯(lián)的分類器；② 改進(jìn)的分類器C4，訓(xùn)練一個(gè)共有24個(gè)強(qiáng)分類器級(jí)聯(lián)的分類器。其中前6級(jí)由正樣本和簡(jiǎn)單樣本訓(xùn)練，后18級(jí)由正樣本和復(fù)雜樣本訓(xùn)練。

圖5 逆透視變換圖

行數(shù)傳統(tǒng)檢測(cè)窗口改進(jìn)算法檢測(cè)窗口范圍55024～160110～16053024～160100～14051024～16088～12449024～16076～10847024～16066～9545024～16054～80

使用傳統(tǒng)算法在進(jìn)行訓(xùn)練分類器C3、實(shí)際訓(xùn)練到14級(jí)時(shí)，弱分類器個(gè)數(shù)已經(jīng)超過622個(gè)，已經(jīng)發(fā)散。由圖6的ROC曲線可知在相同的誤檢率情況下，改進(jìn)的分類器C4比C3檢測(cè)率更高，說明改進(jìn)的分類器的泛化性能更強(qiáng)。

圖6 分類器C3、C4 ROC曲線圖

為了客觀高效地評(píng)價(jià)改進(jìn)訓(xùn)練方法的分類器的泛化性能和檢測(cè)的效率，本文使用的是KITTI[10]、BenchMark Dateset[11]數(shù)據(jù)集以及自己收集的圖片，隨機(jī)挑選，一共500張，共有車輛目標(biāo)1788個(gè)。分3種方式進(jìn)行測(cè)試：① 使用分類器C3+滑窗檢測(cè)；② 使用分類器C4+滑窗檢測(cè)；③ 使用分類器C4+本文車寬匹配算法檢測(cè)，結(jié)果如表2所示。

表2 檢測(cè)結(jié)果統(tǒng)計(jì)

從圖7中可以看出，改進(jìn)的算法能夠在光照復(fù)雜的場(chǎng)景下檢測(cè)到多個(gè)目標(biāo)，魯棒性好，檢測(cè)穩(wěn)定。由表2的方式1和方式2，明顯看出使用C4比C3的檢測(cè)率更高，效率也提高了30%，這主要是由于，C3未對(duì)負(fù)樣本分類，已經(jīng)發(fā)散，弱分類器個(gè)數(shù)過多，檢測(cè)效率下降；由方式2和方式3可以看出，使用新的檢測(cè)算法比傳統(tǒng)算法檢測(cè)速度提高了4.5倍，這主要是由于地平線縮小了檢測(cè)范圍，車寬過濾了大量的檢測(cè)框個(gè)數(shù)，而檢測(cè)率降低主要是由于部分車輛的“高度”超過了地平線的范圍，無法檢測(cè)。

圖7 方式3部分檢測(cè)效果圖

4 結(jié)束語(yǔ)

本文提出改進(jìn)AdaBoost+Haar的車輛檢測(cè)算法，能夠高效快速地檢測(cè)到車輛。算法對(duì)硬件的要求低，有很好的泛化性能，能夠在不降低檢測(cè)率的情況下將檢測(cè)速度提高了7倍，同時(shí)還能有效抑制虛警。因此該方法是可行的。