吳宏濤

（山西省交通科技研發(fā)有限公司，山西 太原 030032）

0 引言

在城市道路上，一次道路車輛拋錨和道路遺撒等事件導(dǎo)致的交通事故占運(yùn)輸安全事故總數(shù)的20%～50%[1]。目前關(guān)于道路障礙物的定義還沒(méi)有用統(tǒng)一的標(biāo)準(zhǔn)，綜合已有的研究成果可以認(rèn)為道路中一切可能妨礙車輛正常行駛的物體和影響車輛通行的局部地形都是車輛行駛過(guò)程中的障礙物。道路區(qū)域障礙物的檢測(cè)關(guān)系到交通管理部門能否及時(shí)清障，保證道路通行流暢。目前，國(guó)內(nèi)外已經(jīng)開(kāi)展了針對(duì)道路障礙物識(shí)別的研究。常見(jiàn)的方法有，多傳感器信息融合方法、神經(jīng)網(wǎng)絡(luò)訓(xùn)練法等。在城區(qū)交通環(huán)境下，道路障礙物除了靜止在道路區(qū)域的機(jī)動(dòng)車輛外，還包括了行人、自行車、背景等，所以需要將障礙物的識(shí)別轉(zhuǎn)化為分類問(wèn)題來(lái)進(jìn)行研究。本文將現(xiàn)階段道路障礙物檢測(cè)方法分為以下幾個(gè)方向：基于運(yùn)動(dòng)信息的障礙物檢測(cè)、基于立體視覺(jué)的障礙物檢測(cè)、基于激光雷達(dá)的障礙物檢測(cè)[2]以及基于多傳感器融合的障礙物檢測(cè)[3]。

吉林大學(xué)的王殿海等人[4]通過(guò)象素級(jí)序列特征向量檢測(cè)靜止物體，并根據(jù)基于八鄰域的種子充填算法實(shí)現(xiàn)對(duì)象級(jí)區(qū)域分割，抽取禁停區(qū)域靜止目標(biāo)，然后利用檢測(cè)對(duì)象的面積與禁停區(qū)域的面積構(gòu)成占空比特征濾除行人、非機(jī)動(dòng)車等干擾，有效地識(shí)別禁停區(qū)域的停駛車輛；清華大學(xué)的張盈盈、姚丹亞等[5]提出基于速度分類算法的交通事件實(shí)時(shí)檢測(cè)方法，實(shí)現(xiàn)自由流停車、貨物遺撒等6種交通事件的自動(dòng)檢測(cè)；北京大學(xué)深圳研究院的鄒月嫻[6]提出一種FFT的隱馬爾可夫模型，用于十字路口交通事故檢測(cè)，識(shí)別率為74%；華南理工大學(xué)的石時(shí)需等[7]采用改進(jìn)的粒子濾波算法實(shí)現(xiàn)了高速公路的停止車輛的檢測(cè)；天津大學(xué)的張軍等[8]提出一種車輛違章識(shí)別與跟蹤方法，通過(guò)背景幀差分的方法分割出違章車輛，再運(yùn)用均值漂移方法對(duì)違規(guī)車輛進(jìn)行跟蹤。以上研究大多數(shù)基于高速公路場(chǎng)景下的障礙物識(shí)別，取得了較好的識(shí)別效果，但是沒(méi)有考慮障礙物在一般路網(wǎng)環(huán)境下的分類。

日本首都高速道路株式會(huì)社的Hiromi Ikeda[9]提出一種用于高速公路的事件檢測(cè)方法，能夠根據(jù)目標(biāo)的大小、速度和軌跡檢測(cè)停止車輛和道路遺撒；日本的Shunsuke Kamijo等[10]學(xué)者提出了隱馬爾可夫模型，實(shí)現(xiàn)了交叉口的交通事故檢測(cè)；美國(guó)明尼蘇達(dá)大學(xué)的Veeraraghavan[11]提出使用車輛的位置、速度和距離等參數(shù)對(duì)碰撞事件進(jìn)行檢測(cè)；韓國(guó)延世大學(xué)的Ju-Won Hwang等[12]提出一種分層概率網(wǎng)絡(luò)系統(tǒng)，該方法用于道路交叉口的交通事故檢測(cè)；土耳其伊斯坦布爾大學(xué)的?mer Ak?z[13]提出一種用于城市交叉口的交通事故檢測(cè)算法，該算法利用軌跡聚類技術(shù)學(xué)習(xí)正常的交通軌跡，并通過(guò)隱馬爾可夫聚類分析檢測(cè)出異常的車輛軌跡，進(jìn)而根據(jù)車輛每段軌跡的對(duì)數(shù)似然值的協(xié)方差進(jìn)行事故檢測(cè)；意大利的博洛尼亞大學(xué)的Alessandro Bevilacqua[14]在車輛跟蹤的基礎(chǔ)上，根據(jù)車輛位置在長(zhǎng)時(shí)間內(nèi)仍不變的特點(diǎn)，從而檢測(cè)出停止車輛。以上研究主要針對(duì)高速公路或城市道路十字交叉口，且大多數(shù)都是研究停止車輛（非法停車或交通事故）的識(shí)別，對(duì)遺撒物和車輛的自動(dòng)分類識(shí)別研究較少。

以上理論研究成果都為障礙物的檢測(cè)奠定了基礎(chǔ)。目前針對(duì)場(chǎng)景更復(fù)雜的城市道路障礙物識(shí)別方面的研究還不夠成熟，沒(méi)有考慮城市道路中行人等非機(jī)動(dòng)車輛以及道路區(qū)域外對(duì)象的干擾；針對(duì)現(xiàn)階段道路障礙物識(shí)別研究盲區(qū)和弱勢(shì)環(huán)節(jié)，本文充分考慮城區(qū)道路復(fù)雜干擾，首先提取有效道路檢測(cè)范圍，縮小感興趣區(qū)域。通過(guò)對(duì)道路區(qū)域靜態(tài)特性與動(dòng)態(tài)特性兩方面特征的融合搜集，檢測(cè)出道路疑似障礙物目標(biāo)，再通過(guò)改進(jìn)的Zernike矩方法實(shí)現(xiàn)道路車輛和遺撒物的分類。

1 八鄰域種子填充法道路區(qū)域提取

進(jìn)行障礙物檢測(cè)的時(shí)候，需要確定目標(biāo)是否在道路區(qū)域，在道路區(qū)域中的進(jìn)行下一步處理，不在道路區(qū)域的可以排除對(duì)交通的干擾。所以首先需要進(jìn)行道路區(qū)域的檢測(cè)。通常道路區(qū)域灰度值幾乎相近，而道路邊緣灰度值會(huì)發(fā)生跳變，所以可以通過(guò)檢測(cè)道路區(qū)域灰度值的變化來(lái)判斷道路邊緣進(jìn)而分離出道路區(qū)域。一般選擇背景灰度圖像中道路區(qū)域內(nèi)的一個(gè)點(diǎn)作為種子點(diǎn)，提取其灰度值作為參考值，根據(jù)經(jīng)驗(yàn)設(shè)定此種子點(diǎn)灰度值上下一定小范圍作為一個(gè)閾值范圍，判斷種子點(diǎn)周圍8個(gè)點(diǎn)的灰度值，滿足此范圍之內(nèi)，將其灰度值設(shè)定為255，不滿足則保留原來(lái)的灰度值，作為邊界點(diǎn)。以此方法，遍歷圖像。種子點(diǎn)遍歷的過(guò)程可用圖1表示。

圖1 種子遍歷示意圖

利用局部八鄰域種子填充得到道路區(qū)域的分步過(guò)程結(jié)果如圖2所示。圖2a是遍歷完背景圖像之后效果，道路區(qū)域基本全為白色，區(qū)域外的灰度值仍為原來(lái)的值，很明顯實(shí)現(xiàn)了道路區(qū)域初步提取。對(duì)圖像2a進(jìn)行圖像二值化，得到圖2b所示效果，進(jìn)而進(jìn)行輪廓填充，得到最終確定的道路區(qū)域，效果如圖2c所示。通過(guò)道路區(qū)域的確定，之后判斷初步檢測(cè)到的障礙物是否在道路區(qū)域內(nèi)，再?zèng)Q定是否對(duì)其進(jìn)行報(bào)警。一般道路區(qū)域內(nèi)的障礙物才會(huì)對(duì)交通安全造成影響。如圖2d所示，道路區(qū)域外一個(gè)行人不會(huì)成為障礙物對(duì)交通造成影響，實(shí)際判斷是否目標(biāo)在道路區(qū)域，通過(guò)取檢測(cè)到目標(biāo)的質(zhì)心，以及與其相鄰5個(gè)像素左上、左下、右上、右下4個(gè)位置共5個(gè)點(diǎn)值像素值，若有大部分的置為255，則判斷此目標(biāo)在道路區(qū)域。實(shí)際情況如圖2e所示。

圖2 道路區(qū)域提取效果圖

2 多態(tài)幾何約束的障礙物檢測(cè)

本文所研究的遺撒物和停止車輛兩類障礙物的共同特征體現(xiàn)在：道路障礙物具有從動(dòng)到靜的動(dòng)態(tài)變化過(guò)程，靜止之后位置將不發(fā)生變化；障礙物具有一定高度，且會(huì)阻礙其他車輛行駛。因此，采用目標(biāo)從運(yùn)動(dòng)到靜止過(guò)程的動(dòng)態(tài)變化特征和目標(biāo)大小、位置、輪廓等靜態(tài)特征來(lái)檢測(cè)并且識(shí)別遺撒物和停止車輛兩類障礙物。針對(duì)這些障礙物特征，本文在考慮障礙物的多態(tài)性和幾何特性的基礎(chǔ)上，研究前景目標(biāo)動(dòng)態(tài)特征和靜態(tài)特征的提取方法及魯棒匹配約束條件，提出有效適用于道路障礙物檢測(cè)的多態(tài)幾何約束的障礙物檢測(cè)方法。

2.1 障礙物共同特征提取

通過(guò)靜態(tài)特性與動(dòng)態(tài)特性共同分析判斷是否有障礙物發(fā)生。一般障礙物面積需滿足一定大小，且其位置處在道路區(qū)域中。并且運(yùn)動(dòng)狀態(tài)是由運(yùn)動(dòng)到靜止的過(guò)程。當(dāng)滿足這些靜態(tài)與動(dòng)態(tài)特征時(shí)，可以初步判斷目標(biāo)位障礙物。

障礙物特征提取的準(zhǔn)確性直接影響障礙物的識(shí)別率，障礙物與前景車輛等非障礙物均具有高度、形狀、紋理等特征，為了能夠準(zhǔn)確地區(qū)分障礙物和非障礙物，如何快速、準(zhǔn)確地提取停止車輛和遺撒障礙物的特征是本文的一個(gè)關(guān)鍵問(wèn)題。

道路障礙物可以表述為任何具有一定高度而且能遲滯或阻礙車輛行駛的靜止物體。因此提取前景目標(biāo)從運(yùn)動(dòng)到靜止的動(dòng)態(tài)參數(shù)及目標(biāo)高度、位置的靜態(tài)參數(shù)作為障礙物的特征，由于行人在某些情況下同樣具有上述特征，可以將形狀作為障礙物識(shí)別的另一特征，將行人與障礙物有效區(qū)分。道路障礙物由于能遲滯或阻礙車輛行駛，因此，靜止是其最重要的特征，在特征提取上將前景目標(biāo)動(dòng)態(tài)特征提取的優(yōu)先級(jí)設(shè)為最高，當(dāng)其不匹配時(shí)，直接進(jìn)行下一目標(biāo)的特征提取，大大提高了方案的效率。通過(guò)目標(biāo)的特征提取，利用上述提取到的靜態(tài)特征以及靜態(tài)特征，通過(guò)特征匹配，進(jìn)行多態(tài)幾何約束的障礙物檢測(cè)，本論文研究魯棒性更強(qiáng)的廣義特征匹配方法。

特征匹配通過(guò)靜態(tài)特性與動(dòng)態(tài)特性兩方面對(duì)障礙物進(jìn)行判斷。由于障礙物靜態(tài)特性包括障礙物面積意義障礙物所處的位置，動(dòng)態(tài)特性包括障礙物由運(yùn)動(dòng)到靜止的運(yùn)動(dòng)過(guò)程變化。所以當(dāng)目標(biāo)滿足以上特性時(shí)，可以判斷為障礙物。

狹義的特征匹配一般包括輪廓矩匹配、形狀匹配、顏色匹配等。本文研究廣義的特征匹配。通過(guò)多特征進(jìn)行匹配檢測(cè)障礙物。包括匹配目標(biāo)的大小，所處位置，以及其矩特征，還有運(yùn)動(dòng)狀態(tài)的變化，利用特征約束判斷是否為道路障礙物，達(dá)到特征匹配的功能。實(shí)際處理過(guò)程如圖3所示。

圖3 多態(tài)幾何約束障礙物匹配檢測(cè)示意圖

2.2 遺撒物和車輛的特征聚類

進(jìn)一步將遺撒物與停止車輛區(qū)別開(kāi)。利用改進(jìn)Zernike矩，通過(guò)矩匹配的方法進(jìn)行目標(biāo)識(shí)別。本文計(jì)算疑似障礙物目標(biāo)與先驗(yàn)?zāi)０宓腪ernike矩相似度，通過(guò)設(shè)定匹配度閾值來(lái)判定是否為目標(biāo)。

首先選取一系列常見(jiàn)的車輛二值圖模板，分別提取其Zernike矩并且保存為數(shù)組組成識(shí)別庫(kù)，模板如圖4所示。實(shí)際檢測(cè)到障礙物，取其最小外界矩形二值圖區(qū)域，同樣提取其Zernike矩與識(shí)別庫(kù)中的樣本值匹配，滿足一定匹配度，則判斷此障礙物為車輛。

計(jì)算Zernike矩的矩值相似距離，常用方法有歐氏距離、余弦距離等，這里選用歐氏距離。由于本文采用了9個(gè)4階的Zernike矩，應(yīng)計(jì)算9維特征空間的歐氏相似距離，公式如式（1）：

式中：d（x，y）為候選輪廓與模板的矩值距離；xi為候選輪廓的Zernike矩；yi為模板的 Zernike矩，i=0，1，……，8。

圖4 車輛模板

模板 1的Zernike矩為[480.15,37.15,0.24,32.17,1.05,1.41,2.35,0.20,62.87]，

模板 2的Zernike矩為[313.39,12.99,0.49,5.70,0.34,31.67,1.54,7.75,109.85]，

模板 3的Zernike矩為[530.45,22.64,0.03,27.49,1.64,32.87,11.15,1.50,37.18]，

模板4的Zernike矩為[561.72,17.86,0.04,22.96,1.30,31.29,7.47,1.42,12.30]。

為了提高識(shí)別效果，保證識(shí)別率，需要盡量多地建立模板，實(shí)際識(shí)別當(dāng)中與各個(gè)模板進(jìn)行匹配，計(jì)算歐式距離來(lái)衡量匹配度。本文使用改進(jìn)的Zernike矩方法來(lái)匹配識(shí)別停止車輛。建立車輛的輪廓Zernike矩庫(kù)，實(shí)際識(shí)別過(guò)程中提取道路區(qū)域中停止車輛的Zernike矩與庫(kù)中保存的Zernike矩值相匹配，當(dāng)匹配度達(dá)到一定程度時(shí)，判定出目標(biāo)為停止車輛，識(shí)別結(jié)果如圖5所示。

圖5 車輛矩匹配結(jié)果圖

3 實(shí)驗(yàn)與分析

本文利用多形態(tài)幾何約束的道路障礙物檢測(cè)新方法對(duì)道路障礙物進(jìn)行分類。由于制造人工道路障礙物將影響道路交通的正常運(yùn)行，本文用大量3D MAX軟件制作的道路障礙物仿真視頻，對(duì)分類算法進(jìn)行驗(yàn)證，算法驗(yàn)證采用VC++6.0工作環(huán)境和OpenCV軟件包搭建軟件平臺(tái)，圖像的分辨率為320×240，實(shí)驗(yàn)所用的電腦配置為AMD Sempron(tm)Processor 3400+CPU條件下，每秒平均15幀的處理速度。該算法在仿真視頻中道路障礙物的分類結(jié)果如圖6。

圖6 在仿真視頻中道路障礙物分類結(jié)果

在用大量仿真視頻來(lái)算法驗(yàn)證的基礎(chǔ)上，本文通過(guò)實(shí)際的道路視頻進(jìn)行測(cè)試，并比較測(cè)試基于混合高斯模型的背景差分法和本文方法的檢測(cè)結(jié)果，實(shí)驗(yàn)效果圖如圖7所示。實(shí)驗(yàn)視頻是天氣良好，車速中等，車流量較大的實(shí)際道路視頻圖像。

圖7 車輛檢測(cè)的效果對(duì)比圖

在實(shí)驗(yàn)中，基于混合高斯模型的背景差分法的分布數(shù)K取5，新增分布的初始參數(shù)Wk為0.033 3，σk為30，最小面積為15，背景閾值為0.7。

從實(shí)驗(yàn)結(jié)果可知，對(duì)于前景車輛和固定背景，兩者的檢測(cè)結(jié)果都基本滿足實(shí)驗(yàn)的需要，但對(duì)于路邊的綠化帶、路面標(biāo)志線等本該歸為背景的區(qū)域，基于混合高斯模型的背景差分法將其誤判為前景要多于本文方法，這是由于路邊綠化帶的邊界區(qū)域的實(shí)際情況比較復(fù)雜，像素灰度不穩(wěn)定，干擾因素多導(dǎo)致基于混合高斯模型的背景差分法誤識(shí)別率較高。圖7e與圖7h比較發(fā)現(xiàn)，圖7e中前景檢測(cè)目標(biāo)的散點(diǎn)較多，這是由這些地方的顏色較深造成的，說(shuō)明受環(huán)境因素影響較大。實(shí)驗(yàn)數(shù)據(jù)表明，本文提出的檢測(cè)分類方法檢測(cè)效果較理想。

本文還用實(shí)際道路視頻對(duì)所提車輛和遺撒物的Zernike矩分類算法進(jìn)行進(jìn)一步驗(yàn)證。在實(shí)際道路監(jiān)控視頻中障礙物的分類結(jié)果如圖8所示。

圖8 在實(shí)際道路監(jiān)控視頻中道路障礙物分類結(jié)果

本文對(duì)道路障礙物識(shí)別結(jié)果進(jìn)行分析，通過(guò)比較不同實(shí)驗(yàn)對(duì)象的檢測(cè)結(jié)果，最終獲得如表1所示的實(shí)驗(yàn)數(shù)據(jù)。根據(jù)實(shí)驗(yàn)數(shù)據(jù)可知，由于在仿真監(jiān)控視頻中環(huán)境干擾較少，道路障礙物識(shí)別算法能夠?qū)崿F(xiàn)較高精度的遺撒物識(shí)別及違規(guī)停止車輛的識(shí)別。而實(shí)際采集的道路監(jiān)控視頻中存在光照變化、攝像頭干擾及成像系統(tǒng)自身造成的干擾等多種噪聲，因此實(shí)驗(yàn)過(guò)程中出現(xiàn)誤識(shí)別、漏識(shí)別等現(xiàn)象，但本文所使用的道路障礙物識(shí)別算法整體上能夠滿足識(shí)別率技術(shù)要求。

表1 道路障礙物識(shí)別結(jié)果

本文對(duì)道路障礙物識(shí)別算法的時(shí)間效率進(jìn)行分析，根據(jù)識(shí)別算法對(duì)不同實(shí)驗(yàn)對(duì)象的檢測(cè)時(shí)間，最終獲得如表2所示的實(shí)驗(yàn)數(shù)據(jù)。可知，由于道路障礙物識(shí)別算法利用Zernike矩特征向量對(duì)障礙物進(jìn)行識(shí)別，障礙物識(shí)別所使用的時(shí)間與障礙物面積成正比。因此，障礙物面積越大，障礙物所使用的識(shí)別分類時(shí)間越大。

表2 道路障礙物識(shí)別算法的時(shí)間效率分析

最后，對(duì)本文整體算法的效率進(jìn)行分析，驗(yàn)證了算法的實(shí)時(shí)性。通過(guò)該算法，處理每幀圖像的時(shí)間為17 ms到45 ms。其中，小于40 ms的占整個(gè)檢測(cè)實(shí)驗(yàn)過(guò)程的95%。因此，實(shí)驗(yàn)證明本文采用的算法具有實(shí)時(shí)性。

4 結(jié)論

道路區(qū)域中的障礙物往往都具有一定的靜態(tài)特性和動(dòng)態(tài)特性。靜態(tài)特性包括大小、形狀，形狀可以通過(guò)矩特征來(lái)描述；而動(dòng)態(tài)特性是障礙物都有一個(gè)從運(yùn)動(dòng)到靜止的過(guò)程，包括遺撒物，開(kāi)始和車輛為一體，掉落的時(shí)候先分離成一個(gè)單獨(dú)的物體，然后靜止在道路區(qū)域。停止車輛也是如此。所以本文通過(guò)分析目標(biāo)的靜態(tài)特性和動(dòng)態(tài)特性，在道路區(qū)域檢測(cè)的基礎(chǔ)上，提出多態(tài)幾何約束的障礙物檢測(cè)方法對(duì)道路障礙物進(jìn)行了有效的檢測(cè)。當(dāng)有遺撒物與停止車輛同時(shí)存在時(shí)，再利用改進(jìn)的Zernike矩匹配方法來(lái)進(jìn)一步識(shí)別停止車輛。