張錚，王孫強，胡新宇，熊盛輝，胡凌輝

(湖北工業(yè)大學 機械工程學院，湖北 武漢 430068)

0 引 言

正確檢測出前方車輛，有助于提前發(fā)現(xiàn)道路安全隱患，是實現(xiàn)智能車輛安全行駛的關鍵環(huán)節(jié)。視覺系統(tǒng)成本低，采集數(shù)據(jù)信息豐富，易于實現(xiàn)，利用視覺系統(tǒng)對前方車輛進行檢測具有重要的研究價值。目前，基于視覺的前車檢測方法主要有4類：基于模型的方法[1-2]需要創(chuàng)建并初始化模型，需要嚴格的假設，對模板依賴程度高；基于立體視覺的方法[3]特征點匹配難度大，對硬件要求高；基于光流場的方法[4]對光線變化較敏感，且光流場計算復雜，實時性不高；基于特征的方法[5-6]是利用車輛的一些顯著特征，如對稱性、車牌、邊緣和車底陰影等提取車輛，但是當環(huán)境發(fā)生較大變化時，單一特征的檢測結(jié)果不理想，算法適應性有限。因此，大量學者考慮使用多特征檢測以提高準確率，增強算法適應性。程淑紅等[7]提出一種基于幾何特征、紋理特征和局部特征的多特征融合車輛檢測算法，但其提取的特征著重于區(qū)分車輛之間的不同，并不適用于區(qū)分車輛和背景；鄧淇天等[8]引入雷達檢測，提出一種L型特征和反射率特征相融合的算法，但算法實現(xiàn)依賴于激光雷達，且算法復雜，適用范圍有限；慕永云等[9]采用了一種多特征級聯(lián)檢測的方法，檢測效果取決于第一步的檢測結(jié)果；王左帥等[10]提取多類特征并采用主成分分析法(PCA)進行降維的融合算法，未考慮信息丟失問題。上述多特征檢測算法在特征驗證、特征提取和特征融合方面都有改進，但仍存在不足之處，在擴大適用場景、提高檢測準確率等問題上仍然需要優(yōu)化。

基于此，本文提出一種基于多特征融合和信息熵優(yōu)化的前車檢測算法，該算法一方面利用多特征融合算法的優(yōu)越性，另一方面通過信息熵優(yōu)化減少樣本之間的相互影響。利用車底陰影生成若干車輛假設區(qū)域，分析并選取不同的車輛特征構(gòu)建特征向量，并依據(jù)信息熵對特征向量進行優(yōu)化，利用支持向量機訓練分類器驗證假設區(qū)域。在此基礎上，采集真實交通場景樣本驗證算法的有效性。

1 車輛假設區(qū)域生成

1.1 路面區(qū)域提取

車輛日間行駛環(huán)境復雜，攝像機采集的原始圖像存在著許多非目標因素的干擾。車輛行駛道路內(nèi)，一般只包含路面、車道線、車輛、陰影4類目標，并且這4類目標的類內(nèi)灰度具有一致性和均勻性，類間灰度差異性較大[9]，在行駛道路內(nèi)進行檢測，有利于提高系統(tǒng)的魯棒性。本文使用一種基于車道線的路面提取算法，首先對輸入圖像進行中值濾波，去除隨機噪聲的干擾，其次利用canny算子提取道路邊緣，利用Hough直線檢測提取備選車道線，最后根據(jù)斜率和長度篩選規(guī)則，對備選車道線篩選融合并確定路面區(qū)域。本文斜率為0.1～0.7，車道線長度為70～100像素，能夠有效劃分路面，排除干擾。如圖1所示，通過篩選，能夠有效剔除交通指示物等非目標直線干擾。

圖1 路面區(qū)域的提取過程Fig.1 Extraction of road area

1.2 路面閾值分割

如圖2所示，在實際道路環(huán)境中，受光照、天氣等環(huán)境因素影響，道路路面灰度分布范圍存在極大差異。分析可知，道路路面灰度值最低的是陰影像素點(下文稱其為第一類像素點)，其次為深色車輛或路面像素點(下文稱其為第二類像素點)，最后為淺色車輛和路面白色標記像素點(下文稱為第三類像素點)。因此閾值分割只需要在第一類和第二類像素點之間進行即可，將第二類像素點分割為背景，則灰度值更高的第三類像素也會被分為背景。

圖2 不同環(huán)境下路面灰度直方圖Fig.2 Histogram ofpavement gray scale in different environments

大津算法(OTSU)是一種著重于最大概率將目標與背景最大程度分割的算法，在目標與背景差異明顯時效果很好[11]。本文在OTSU算法基礎上提出一種融合光照因子μ的自適應大津算法。算法原理：光照較強時，路面像素聚集在高灰度區(qū)域，類間灰度差異變大，此時選取較小的灰度范圍，尋找閾值的灰度范圍包括第一類像素點和第二類像素點，有利于減少計算量；隨著光照逐漸減弱，像素點逐漸向低灰度值區(qū)域遷移，類間灰度差異縮小，此時選取較大的灰度范圍，將與第二類像素點灰度值接近的部分第三類像素點代入計算，這樣能夠加大第一類像素與第二類像素的類間差異，更利于分割閾值的尋找。算法具體步驟如下。

步驟1在圖像前方道路區(qū)域內(nèi)，選取4個長30像素、寬10像素的矩形區(qū)域作為采樣區(qū)域。

步驟2分別計算各采樣區(qū)域(j=1，2，3，4)的均值P(j)和方差δ(j)。

步驟3考慮路面上可能存在白色車道線，會對環(huán)境判別產(chǎn)生影響，因此，需要對數(shù)據(jù)進行分析。

(1)根據(jù)δ(j)去除偏離樣本值，計算式為

(1)

去除掉δ(j)>1.5δmean的采樣點，因為該區(qū)域內(nèi)可能夾雜了白色車道線影響，造成灰度差異較大。

(2)求保留點的平均灰度值，計算式為

(2)

其中，n為保留后的采樣區(qū)域。

步驟4根據(jù)Pmean判斷行車環(huán)境。根據(jù)行車實際情況將光照分為3種類別：(1)強光照，當天氣晴朗時；(2)正常光照，當天氣一般時；(3)弱光照，當陰雨天或清晨時[12]。通過多次試驗，選取閾值80和120為平均灰度值的上下限，當Pmean位于不同區(qū)間時，從小到大分別為弱光照、正常光照、強光照。光照因子μ的選取規(guī)則為

(3)

步驟5假設道路路面區(qū)域像素個數(shù)為M。假設包含L個灰度級(0,1，…,L-1)。

步驟6代入μ，將前第μM個像素點所在的灰度級記為第n級，如式(4)所示。

(4)

式中，mi為第i個灰度級的像素個數(shù)。

步驟7將選取的前n個灰度級像素進行歸一化處理，如式(5)所示。

(5)

步驟8假設閾值T(k)=k,0

(6)

步驟9計算分到兩類的像素平均灰度值和前n級平均灰度值，計算式為

(7)

步驟10定義局部最大類間方差，計算式為

(8)

圖3 路面閾值分割Fig.3 Threshold segmentations of road surface

閾值分割后，先用形態(tài)學的腐蝕算子去除細小噪聲點干擾，然后以圖像左上角為原點，在路面區(qū)域由下至上、由左至右掃描，提取車輛與路面的交線。滿足式(9)設為起點，滿足式(10)設為終點。

f(x,y)-f(x-1,y)=255；f(x,y)-f(x,y+1)=0，

(9)

f(x,y)-f(x+1,y)=255；f(x,y)-f(x,y+1)=0。

(10)

提取完陰影線后，考慮到一輛汽車可能檢測到多條陰影線，陰影線可能存在斷裂現(xiàn)象等情況，將豎直方向3個像素內(nèi)且水平方向5個像素內(nèi)的線段合并，結(jié)果如圖4(b)所示。通過陰影線合并，能夠有效合并重復檢測的陰影線。最后，將合并的陰影線向上擴展為長∶寬=1.4∶1.2的矩形區(qū)域，作為車輛假設區(qū)域。

圖4 陰影線提取與合并Fig.4 Shadow lines extraction and merging

2 車輛假設區(qū)域檢驗

2.1 特征選擇

單一的特征訓練分類器得到的效果并不理想[13]。本文在方向梯度直方圖(histogram of gradient，HOG)的基礎上添加幾何特征、紋理特征和幅值特征，構(gòu)建SVM的訓練向量。

2.1.1 幾何特征

幾何特征是車輛最易被觀察到的特征，車輛的幾何特征有很多，例如面積、長寬比、周長等[13]，不同車輛上述特征差異較大，如小汽車和大貨車的長寬比，前者大于1后者小于1，類內(nèi)就有明顯差異。汽車具有明顯的矩形和對稱性特征，因此，選擇矩形度和對稱性作為幾何特征參與訓練。矩形度是指車輛面積和最小外接矩形比，即

(11)

式中：R為矩形度；S0為車輛面積，用車輛區(qū)域像素點個數(shù)表示；SMER為最小外接矩形面積，用車輛最小外接矩形區(qū)域像素點個數(shù)表示。

董本志等[14]提出一種通過顯著性表述目標對稱性的算法，但需要劃分超像素，算法步驟較為復雜；肖志濤等[15]提出一種利用主成分分析圖像對稱性的算法，但著重于頻率域內(nèi)處理，不適用于快速提取特征值。因此，本文使用一種基于像素灰度值的對稱度提取方法，如式(12)所示。考慮車輛尾部不一定完全對稱，只計算圖像中軸線左右1/4圖像長度內(nèi)的像素點。

(12)

式中：S為對稱度；M為訓練樣本的長度；N為訓練樣本的寬度；f(i,j)為圖像坐標(i，j)處像素點的灰度值；原點為圖像垂直對稱軸與圖像下邊界的交點。

2.1.2 紋理特征

紋理特征能夠表現(xiàn)出圖像構(gòu)成的結(jié)構(gòu)規(guī)律，描述了圖像區(qū)域?qū)拔锏谋砻嫘再|(zhì)，車輛是一個富含紋理特征的對象[16]?；谙裨捌漕I域內(nèi)的灰度屬性，采用統(tǒng)計分析方法，選取標準差、熵、一致性和相對平滑度作為車輛的紋理特征，見式(13)～(18)。

(13)

(14)

(15)

(16)

(17)

R(Z)=1-1/(1+μ2)，

(18)

式中：L為灰度級總數(shù)；zi為第i個灰度級；pi為灰度級i的概率值；m為均值；u為標準差；δ為方差；e為熵；U為一致性；R為相對平滑度。

2.1.3 幅值特征

圖像的幅值特征是指圖像的歸一化轉(zhuǎn)動慣量(normalized moment of inertia,NMI)，它具有良好的平移、旋轉(zhuǎn)及抗灰度等特性，能夠適應不同車輛的顏色差異[17-18]。本文選取NMI作為車輛幅值特征，計算公式如下。

定義長寬尺寸為M×N訓練樣本的p+q階矩為

(19)

(20)

(21)

根據(jù)圖像質(zhì)心和轉(zhuǎn)動慣量定律，可得圖像的NMI特征,

(22)

2.2 特征向量優(yōu)化

對于非線性樣本，支持向量機通過核函數(shù)將其映射到高維特征空間，將非線性問題轉(zhuǎn)換為線性問題處理，通過在高維特征空間內(nèi)對樣本和支持向量的內(nèi)積計算得到最優(yōu)分類結(jié)果[19]。本文選用徑向基核函數(shù)作為轉(zhuǎn)換函數(shù)，表達式為

(23)

式中，xi,xj為兩類訓練樣本。

為進一步提高檢測的準確性，對特征向量進行基于信息熵的權(quán)值分配?；驹硎歉鶕?jù)特征分量的變異性大小確定各特征分量的客觀權(quán)重[20]。即某個特征分量的信息熵越小，表明指標變異程度越大，提供的信息量越多，權(quán)重越大。反之，某分量的信息熵越大，則變異程度越小，提供的信息量越少，權(quán)重越小。計算式見式(24)～(26)。

將各特征分類標準化，

(24)

式中，xij為第i個樣本的第j個特征分量。

定義一組特征分量的信息熵為

(25)

通過信息熵計算，各指標權(quán)重為

(26)

式中：Wi為各特征分量權(quán)重；k為特征分量個數(shù)。

3 實驗結(jié)果與分析

3.1 實驗樣本

在真實交通場景中，利用固定在車后視鏡的相機采集樣本，對本文算法進行測試。實驗采集的圖像分辨率為640像素×480像素，汽車樣本圖像236幅，非汽車樣本圖像301幅，將這些樣本作為樣本集，訓練樣本集和測試樣本集分別占80%和20%。

3.2 分割結(jié)果與分析

在多種實際交通路況下，以文獻[21]提出的高斯擬合算法、文獻[22]提出的波峰波谷算法為對照算法，與本文算法作對比，得到閾值分割結(jié)果如圖5～9所示。由圖5～9可以看出，光照較強時，3種算法都能較為準確地分割出車輛陰影，但隨著光照條件變化以及其他因素的干擾，波峰波谷法和高斯擬合法都會受到明顯干擾。光照較弱時，波峰波谷算法可能將陰影附近路面誤分為陰影。存在人行道的路況下，高斯擬合算法和波峰波谷算法將部分人行道誤分割為陰影。多車路況下，高斯擬合算法出現(xiàn)陰影相互貫連的情況，波峰波谷算法將部分路面誤分為陰影。而本文算法由于引入光照因子，確定了更為準確的計算范圍，獲得了較好的分割效果。

圖5 強光照路況Fig.5 Strong light road conditions

圖6 正常光照路況Fig.6 Normal light road conditions

圖7 弱光照路況Fig.7 Low light road conditions

圖8 存在路面標志路況Fig.8 Road conditions with road signs

圖9 前方多車路況Fig.9 Road conditions with multiple vehicle

對3種算法的檢測耗時進行統(tǒng)計，結(jié)果如表1所示。不同光照條件下，對所有像素進行計算，高斯擬合和經(jīng)典OTSU算法耗時變化并不大。但由于只計算部分像素，本文算法耗時較經(jīng)典OTSU算法更低。隨著光照條件逐漸變?nèi)?，波峰波谷算法和本文算法耗時增加，這是因為隨著光照變?nèi)?，像素值往低灰度值遷移導致計算量增大。弱光照時，本文算法耗時超過波峰波谷法，這是因為環(huán)境光照因子μ增大使計算量更大，但差距并不明顯。

表1 3種算法檢測時間比較Tab.1 Comparison of detection time of threealgorithms ms

3.3 SVM分類器性能驗證

將使用信息熵優(yōu)化權(quán)重的分類結(jié)果與各特征分量等權(quán)重的分類結(jié)果進行對比，結(jié)果如表2所示。由表2可知，使用熵權(quán)法重新分配權(quán)重后，提高了SVM識別準確率。

表2 兩種權(quán)重分配方式檢測準確率比較Tab.2 Comparisons of detection accuracy between two weight distribution methods %

提取車輛的不同特征，利用優(yōu)化后的支持向量機在測試樣本上進行車輛識別，其識別準確率如表3所示。由表3可知，組合特征的識別準確率高于單個特征，但準確率提高有限，加入HOG特征構(gòu)建特征向量后，識別準確率提高較大。

表3 不同條件下檢測結(jié)果準確率Tab.3 Accuracy of detection results under different conditions %

3.4 車輛檢測結(jié)果

在圖10典型高速公路條件下，本文算法都能夠準確地檢驗出前方車輛，驗證了算法的魯棒性和準確性。圖10中外部矩形框為假設區(qū)域，內(nèi)部矩形框為驗證區(qū)域。

圖10 不同條件下車輛檢測情況Fig.10 Vehicle detectionunder different conditions

4 結(jié) 語

本文提出一種基于多特征融合和信息熵優(yōu)化的前車檢測算法。該算法利用HOG特征、幾何特征、紋理特征和幅值特征構(gòu)建特征向量，并根據(jù)信息熵對特征向量進行優(yōu)化，最后使用SVM分類器對前方車輛進行檢測。該算法利用了多特征檢測優(yōu)勢并利用信息熵優(yōu)化提高了檢測準確率。為繼續(xù)提高算法魯棒性，擴展適用范圍，考慮新的特征向量和研究新的優(yōu)化方法是下一步的研究方向。