何松華，章 陽

(湖南大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長(zhǎng)沙 410082)

0 引 言

激光雷達(dá)車輛目標(biāo)檢測(cè)的方法可大致分為兩類：基于目標(biāo)高程濾波的方法[1-4]和基于學(xué)習(xí)分類的目標(biāo)檢測(cè)算法[5-12]?；谀繕?biāo)高程濾波的方法在于設(shè)法擬合地面點(diǎn)，然后將地面點(diǎn)剔除來獲取感興趣的區(qū)域。Liu R等[1,2]基于知識(shí)的道路提取將道路特征與相關(guān)理論相結(jié)合，實(shí)現(xiàn)對(duì)道路的提取。文獻(xiàn)[3]針對(duì)車輛目標(biāo)開展相關(guān)研究，對(duì)觀測(cè)數(shù)據(jù)的要求較低，能適應(yīng)多種條件下的觀測(cè)數(shù)據(jù)。Yu等[4]提出一種基于塊的地面清除方法實(shí)現(xiàn)對(duì)樹的提取。但這些方法缺乏有效的面向?qū)ο竺枋龇麃砟M點(diǎn)云對(duì)象的全部特征，存在較多虛警。

基于學(xué)習(xí)分類的算法以分類器算法加上特征提取為主要模式。以AdaBoost檢測(cè)算法最具有代表性，文獻(xiàn)[5]介紹了一種利用級(jí)聯(lián)AdaBoost分類器進(jìn)行車輛檢測(cè)的方法。文獻(xiàn)[6]提出基于Haar-like和MB-LBP特征的AdaBoost分類器分區(qū)域的方法實(shí)現(xiàn)了對(duì)車輛的檢測(cè)。此外，特征值的提取方向梯度直方圖(HOG[7])特征在行人識(shí)別方面有很好的效果。局部二值模式(LBP)特征計(jì)算量少，但是檢測(cè)準(zhǔn)確率低于Harr-like[8]。Harr-like特征適合檢測(cè)水平、垂直、邊緣對(duì)稱的物體，因此廣泛應(yīng)用于車輛檢測(cè)[9-11]。

鑒于兩種方法的特點(diǎn)，本文先依據(jù)目標(biāo)高程進(jìn)行快速濾波分離地面點(diǎn)和非地面點(diǎn)，在此基礎(chǔ)上進(jìn)行特定高程的選通以及目標(biāo)幾何尺寸區(qū)域的篩選，對(duì)非地面點(diǎn)進(jìn)行分類和聚類，實(shí)現(xiàn)對(duì)ROI的檢測(cè)。最后，將訓(xùn)練好的AdaBoost分類器對(duì)ROI進(jìn)行復(fù)核，實(shí)現(xiàn)對(duì)目標(biāo)物體的檢測(cè)。

1 快速高程濾波

1.1 局部區(qū)域曲面擬合

在足夠小的局部，高程特征可以作為一種強(qiáng)特征來對(duì)地面點(diǎn)與非地面點(diǎn)進(jìn)行分類。局部擬合是指對(duì)整個(gè)場(chǎng)景點(diǎn)云進(jìn)行局部區(qū)域劃分，在每一個(gè)區(qū)域上進(jìn)行曲面擬合，從而逼近真實(shí)的地形，曲面擬合的效果如圖1所示。

圖1 原始場(chǎng)景圖和曲面擬合對(duì)比

實(shí)驗(yàn)中，局部劃分是在XY平面進(jìn)行的。假設(shè)X、Y軸的最大最小值分別為xmax,xmin和ymax,ymin，設(shè)定區(qū)域大小長(zhǎng)寬都為1，則柵格數(shù)目(xnum,ynum)為

(1)

(2)

Zi=f(Xi,Yi)=a0+a1Xi+a2Yi

(3)

(4)

1.2 感興趣區(qū)域(ROI)的聚類分析

直接采用學(xué)習(xí)分類方法，存在數(shù)據(jù)量過大，特征提取方法復(fù)雜計(jì)算量大的問題。本文采取ROI檢測(cè)策略對(duì)非地面點(diǎn)進(jìn)行分類和聚類，實(shí)現(xiàn)對(duì)ROI的檢測(cè)。聚類思想簡(jiǎn)單來說就是將相似的歸為一類，不相似的作為另外一類，而這種相似度通常用距離來度量。本文采用歐氏距離來進(jìn)行度量

(5)

(2)計(jì)算X2到Z1的距離d21，若d21

2 AdaBoost學(xué)習(xí)算法目標(biāo)檢測(cè)

經(jīng)過點(diǎn)云ROI檢測(cè)，對(duì)于復(fù)雜場(chǎng)景可以有效的實(shí)現(xiàn)對(duì)其中包含典型地面目標(biāo)的ROI進(jìn)行檢測(cè)。但這些ROI中仍存在一定的虛警，如場(chǎng)景中某些植被高度與目標(biāo)接近等情況，則難以通過ROI檢測(cè)來判定。為解決上述問題，使用一種改進(jìn)的基于AdaBoost的三維目標(biāo)檢測(cè)算法，該算法采用旋轉(zhuǎn)模型的方法解決了三維Harr特征對(duì)旋轉(zhuǎn)敏感的問題[13]，然后根據(jù)虛警的分布特點(diǎn)濾除被分類器誤判的區(qū)域，最終實(shí)現(xiàn)目標(biāo)檢測(cè)。AdaBoost算法流程如圖2所示。

圖2 AdaBoost算法流程

2.1 Harr-like特征值

采用目標(biāo)模型在多個(gè)偏航角下成像得到的點(diǎn)云作為正樣本，模型每次在偏航方向上旋轉(zhuǎn)15°，共旋轉(zhuǎn)24次。其次，增大檢測(cè)框，使得檢測(cè)框能完全框住任意角度下的目標(biāo)，負(fù)樣本則采用檢測(cè)遍歷框遍歷沒有目標(biāo)物體的場(chǎng)景。分別對(duì)正負(fù)樣本進(jìn)行體素化并提取特征值用于分類器的訓(xùn)練。

Zhu Zhiming等[9]證明Harr-like特征適合檢測(cè)水平、垂直、邊緣對(duì)稱的物體。實(shí)驗(yàn)中采用積分圖[13]的思想快速計(jì)算3D Harr-like特征值，特征值為白色矩形像素和減去黑色矩形像素和。設(shè)Aijk是積分圖在 (i,j,k) 處的灰度值，如圖3(a)所示，則任一體素的灰度值H為

H=A111-A110-A101-A011+A100+A010+A001-A000

(6)

圖3 3D Harr-like特征

2.2 訓(xùn)練AdaBoost分類器

輸入訓(xùn)練數(shù)據(jù)集包括X樣本x1,x2,…,xn、每個(gè)樣本對(duì)應(yīng)的m個(gè)特征值f1,f2,…,fm，以及每個(gè)樣本所屬的類別標(biāo)識(shí)yi=1 (正樣本)或者0(負(fù)樣本)，限定的訓(xùn)練輪數(shù)T。 假設(shè)正樣本總數(shù)為P，負(fù)樣本總數(shù)為N。

(2)循環(huán)次數(shù)限定為T，t從1到T依次遞增；

2)獲取每次迭代所得的弱分類器Ci，計(jì)算對(duì)應(yīng)的分類錯(cuò)誤率。εt=∑ωt*I[Ci(xt)≠yk]。

其中

(7)

3)尋找最佳弱分類器Ci(x)，該分類器應(yīng)滿足錯(cuò)誤率為

εt=min∑ωt*I[Ct(xi)≠yi]

(8)

4)計(jì)算該分類器的權(quán)重αt=log(1-εt)/εt，更新權(quán)值ωt+1,i=ωt,iβt1-ei。 其中ei=0表示樣本被正確地分類，ei=1表示被錯(cuò)誤地分類，βt=εt/1-εt。

(3)最終得到T個(gè)不同的弱分類器及其對(duì)應(yīng)的權(quán)重，最終的強(qiáng)分類器為

(9)

3 實(shí)驗(yàn)結(jié)果

3.1 仿真數(shù)據(jù)測(cè)試

實(shí)驗(yàn)采用512*512分辨率的面陣式激光成像仿真數(shù)據(jù)，實(shí)驗(yàn)場(chǎng)景為復(fù)雜地形下對(duì)車輛的檢測(cè)，目標(biāo)小汽車和卡車的尺寸長(zhǎng)寬高分別為(5.0m,2.0m,1.5m)和(6.2m,2.3m,2.7m)。對(duì)比D Kong等[14]提出的對(duì)結(jié)構(gòu)化道路中車輛目標(biāo)識(shí)別，本文提出的算法更加適應(yīng)崎嶇地面且遮擋率高的場(chǎng)景。選取其中一種場(chǎng)景進(jìn)行對(duì)比分析，該場(chǎng)景下的目標(biāo)遮擋率約為66.7%。

如圖4的結(jié)果顯示，實(shí)驗(yàn)場(chǎng)景(如圖4(a)所示)。圖4(b)為高程濾波后的顯示結(jié)果，可以看到經(jīng)過濾波后得到的點(diǎn)云僅保留了目標(biāo)物體以及與目標(biāo)高程相近的少量植被，這些數(shù)據(jù)都被劃為感興趣區(qū)域(ROI)。可見采用高程濾波方法能利用簡(jiǎn)單的高度信息快速過濾大量干擾點(diǎn)云，有利于接下來的目標(biāo)檢測(cè)。

圖4 高程濾波ROI結(jié)果

圖5(a)是對(duì)ROI進(jìn)行聚類目標(biāo)檢測(cè)的結(jié)果，不僅包含了目標(biāo)物體，也包含與目標(biāo)物體高程相近的部分植被，可以看出簡(jiǎn)單依據(jù)高程信息對(duì)目標(biāo)進(jìn)行聚類分析，檢測(cè)效果并不理想。圖5(b)為AdaBoost目標(biāo)檢測(cè)算法對(duì)的ROI區(qū)域進(jìn)行的檢測(cè)結(jié)果，其中目標(biāo)被正確的檢測(cè)出來，有效地降低了目標(biāo)檢測(cè)的虛警。由于在分類器訓(xùn)練之初，正樣本涵蓋了目標(biāo)各個(gè)姿態(tài)下的特征庫，目標(biāo)在數(shù)據(jù)不完全情況下，仍能被有效檢測(cè)出來。

圖5 檢測(cè)結(jié)果對(duì)比

本文方法與文獻(xiàn)[14]方法對(duì)比結(jié)果見表1。

表1 算法有效性的比較

3.2 KITTI公共數(shù)據(jù)集

為了驗(yàn)證結(jié)果的可靠性，另外采用目前國際上最大的自動(dòng)駕駛場(chǎng)景下的公開數(shù)據(jù)集KITTI數(shù)據(jù)集，這些數(shù)據(jù)集是通過安裝在車頂上1.73 m處的Velodyne HDL-64E激光雷達(dá)得到的，本文采用其中的velodyne數(shù)據(jù)集中的公路真實(shí)場(chǎng)景，實(shí)驗(yàn)結(jié)果如圖6所示(圖6左是攝像頭拍攝場(chǎng)景，右邊是對(duì)應(yīng)的激光雷達(dá)三維點(diǎn)云圖的目標(biāo)檢測(cè)結(jié)果)。實(shí)驗(yàn)結(jié)果表明了本文提出的算法的有效性和可靠性。

圖6 KITTI數(shù)據(jù)集檢測(cè)結(jié)果

3.3 結(jié)果分析

AdaBoost分類器是由多個(gè)弱分類器組合成的強(qiáng)分類器，它能很好地判別出疑似目標(biāo)物體，但是無法區(qū)別與目標(biāo)物體特征值相近的假目標(biāo)，會(huì)造成虛警。幸運(yùn)的是，由于被分類器誤判的這些非目標(biāo)點(diǎn)云僅僅是與目標(biāo)的局部在特征上相似，因此這些虛警的分布總是離散的，其置信度在三維圖像中體現(xiàn)為一些孤立的灰度值較大的像素點(diǎn)。如圖7(a)所示為置信度構(gòu)成的三維圖像的剖面圖，圖中樹干等非目標(biāo)造成的虛警，置信度較大卻分布不連續(xù)與周圍的像素點(diǎn)的值相差較大，而相對(duì)的目標(biāo)區(qū)域置信度較大且連續(xù)，根據(jù)這一特點(diǎn)，檢測(cè)結(jié)果也能很好地剔除虛警。實(shí)驗(yàn)驗(yàn)證采用AdaBoost復(fù)核檢測(cè)在目標(biāo)遮擋率為50%的情況下，檢測(cè)概率也能將近90%，檢測(cè)概率隨遮擋率的變化圖如圖7(b)所示。

圖7 結(jié)果分析對(duì)比

4 結(jié)束語

本文提出一種針對(duì)復(fù)雜場(chǎng)景下對(duì)車輛檢測(cè)的算法，算法指出針對(duì)目標(biāo)與背景存在一定的高程差時(shí)，可采用高程濾波方法對(duì)場(chǎng)景點(diǎn)云做數(shù)據(jù)的預(yù)處理，在數(shù)據(jù)預(yù)處理過程采用局部地面點(diǎn)擬合法分離地面點(diǎn)，而后利用聚類思想對(duì)感興趣區(qū)域進(jìn)行分析。其次利用已經(jīng)訓(xùn)練好的AdaBoost分類器對(duì)ROI進(jìn)行復(fù)核，從而檢測(cè)出目標(biāo)物體，本文提出的方法可以有效地增加檢測(cè)的精確度。

由于在AdaBoost分類器訓(xùn)練的過程中，正負(fù)樣本涵蓋的點(diǎn)云數(shù)量非常多，正負(fù)樣本特征提取涉及到的計(jì)算量非常大，而在線檢測(cè)階段在檢測(cè)框遍歷過程會(huì)占用一定的計(jì)算時(shí)間。由于不同樣本特征提取過程和遍歷框檢測(cè)過程都是獨(dú)立的，因此，下一步的工作可以采用并行計(jì)算的方式縮短時(shí)間，從而達(dá)到實(shí)時(shí)處理的要求。