您现在的位置:首页 > >

一种改进的基于视频的车辆检测与识别方法_图文


文章编号:1671—4598(2010)01—0020~03

中图分类号:TP391.41

文献标识码:A

一种改进的基于视频的车辆检测与识别方法
魏 武1, 龚树锋1,龚树超2
510640;2.北京邮电大学信息与通信工程学院,北京100876) (1.华南理工大学自动化科学与工程学院,广东广州

擒要:为了提高基于视频的车辆检测技术在应用中的实时性和准确率,提出了一种应用单目视觉进行车辆检测的方法,首先,提取 车道边缘,由车道边缘得到道路区域.根据经验知识在车道区域内确定感兴趣区域,减少车辆检测算法搜索范围,接着基于车辆的对称 性特征,阴影和边缘特征对兴趣区域进行过滤,进一步缩小感兴趣区域;最后用离线训练好的AdaBoost分类器对过滤后的图像进行分类 识别,检测出动态的车辆;实验结果表明,利用该算法能满足实时性和准确性的要求。 关键词:机器视觉;车辆检测l道路区域;分类器

Improved Video Based Vehicle Detection and Identification Method
Wei Wul,Gong
2.School of Information and
Abstract:In order tion
tO

Shufen91,Gong Shucha02
5 10640,China; 100876,China)


(1.School of Automation Science and Engineering,South China University of Technology,Guangzhou

Telecommunication,Beijing U11iversity of Posts and Telecommunicatioas,Beijing
and accuracy

improve the real—time
vision.First

of the vehicle detection technology
edge

in

the application,it shows

vehicle detec—

method based of
interest

on

monocular

of all。extract the driveway
car

of lane,obtain the driveway the of
scope

area

from the edge of the road,confirm the
region

region

with

the experiences in the edge

area,it narrow

can

reduce region

for searching.Then filter the
even

of

interest based

on

the symmetry,the shadow and the
AdaBoost

of the

and

the

interest

more.Finally,classify the filtered images with the
that

classifier

which is trained off-linet detect

those motorial vehicles.The experimental results show

the algorithm

can

adapt

tO

the real-time and
Key

accuracy

requirements.

words:machine vision;vehicle detection;road region;classifiers



引言
车辆检测是智能运输系统的重要组成部分。由于视频设备

测的感兴趣区域;为了减少光线和天气等外界条件的影响,先 利用基于特征的方法将被确认为非车辆的区域滤除,最后对过 滤后的结果运用训练好的支持向量机(support chine,SVM)分类器进行分类识别。
vector

ma—

和高性能计算机硬件的发展以及视频处理技术的成熟,基于视 频的车辆检测系统得到越来越广泛的应用【1]。 车辆检测技术一般可以分为基于特征、光流场和基于 立体视觉三类。基于特征的方法就是将对称性、阴影及边 缘作为车辆检测常用的特征}边缘特征强于阴影和对称性 特征口…,该方法当先验知识不具有通用性时会带来较大误 差。基于光流场的方法是把检测区域的图像变为速度的矢 量场,每一个向量表示了景物中一个点在图像中位置的瞬 时变化[5],然而大多数的光流计算方法相当复杂,且抗噪 性能差,如果无特别的硬件装置,其处理速度达不到实时 处理的要求;由于前方车辆和摄像机的相对运动速度较小, 其光流几乎淹没在由摄像机自身运动造成的背景光流中, 所以使用光流分析检测前方车辆往往得不到百r靠的结果。 基于立体视觉的方法充分考虑了车辆的三维信息,对噪声、 遮挡和干扰有很好的鲁棒性,但该方法严重地依赖于几何 目标模型的详细信息,需做大量的模型设计,而且立体视 觉系统比起单目视觉系统成本较高【6]。 车辆检测的整体流程图如下图1所示:为消除车道外绿色 带或移动车辆的影响,以及缩短车道区域内车辆检测的时间, 首先进行道路区域和非道路区域的划分,由此初次确定车辆检

l未知模式图像输入


训练模式样本图像输入


特征选择和特征提取



道路区域提取




训练SVM

I基于知识的特征提取

SVM分类



.I …

SVM分类器


识别目标


图I车辆检测的整体流程图

l兴趣区域提取
本文中所设计的车辆检测算法,首先把与目标车辆有关的 区域作为兴趣区域提取出来,该兴趣区域的提取分为两个部 分:(1)将道路区域与非道路区域分开;(2)基于各种特征 (如车辆的对称性、车辆底部的阴影以及车辆的外部轮廓边缘 等)将道路区域分割为前景(车辆)和背景(道路)。 1.1行车区域提取 本文中所涉及的道路图像中,车道线通常都有着比较明显 的边缘,因此首先对原始道路图像进行边缘抽取是最常用的预 处理步骤[7】。目前,用于边缘抽取的算法有很多种,如Sobel

收稿日期:2009一06—01;修回日期:2009—07一03。 作者简介:魏武(1970一)。男,湖南省益阳人,副教授。博士,主 要从事模式识别与人工智能方向的研究.

中华测控网

chinamca.corn

万方数据  

第1期

魏武,等:一种改进的基于视频的车辆检测与识别方法

?21?

算法、Laplace算法、Roberts算法、Prewitt算法和Canny算 法等以及一些基于神经网络、模糊逻辑和遗传算法等涉及计算 智能的方法。通过在大量的实际实验中比较使用这些方法,对 我们的系统而言,Sobel算法的效果最为理想。而其它的方法: 如Laplace算法的抽边不理想,不利于后续的处理;Canny算 法耗时较大,无法满足系统实时性的要求。因此,我们在本系 统中使用Sobel算法进行边缘抽取。使用水平方向Sobel算子 Sobel.和垂直方向Sobel算子Sobel,分别获得水平和垂直梯度 团u,u’YJ利q
Lz,YJ?

通过上式以及车辆宽度范围的先验知识,可以计算出阴影 聚类长度;如果阴影聚类长度过短,小于min—width,则判 断其不是车辆的阴影;如果阴影聚类长度过长,就要进行投射 阴影的处理。最终,由于车底阴影比其周边区域灰度值小,所 以可以检测出属于车底的阴影。 1.2.2边缘检测 车辆的边缘轮廓绝大部分表现为有水平边缘和垂直边缘的 矩形,基于这一点进行边缘置信度滤波,尽可能排除背景区 域,保留下可能含有车辆的区域。具体算法过程:对经过阴影 检测后的图像(m×行)进行基于Sobel算子的水平和垂直边缘 检测,获取水平边缘图像h和垂直边缘图像凡。对JH的每 一行元素相加,获取水平边缘向量H(Ht,Hz'..?,H—l,

Q(z,y)一Sobel.*I(x,y)
G,(z,y)一Sobel,*I(x,y)

则梯度幅度:G(x,y)= ̄/瓦了云虿F干i灭i万F
梯度方向:O(x,y)一arctan(:Gj(z,y)/G,(上,y)) 式中,I(x,y)表示为待处理的一帧图像,图像经过预处理后, 结合双峰法和Otsu多阚值分割算法对进行图像分割¨J。其具 体实现步骤如下: (1)初始状态:图像中已存在的分类d一0,循环结束条 件S--O,计算图像的总方差u,I (2)判断S是否满足判断条件,不满足就执行下一步 (3),否则转到(7); (3)对图像中已有的d个不同的类,求出每个类的类内方 差,找到类内方差最大的那个类; (4)对类内方差最大的那个类使用双峰法粗略得到各分割 阈值。确定一个较小的灰度级范围作为下一步局部Otsu阈值 的搜索范围; (5)使用局部Otsu法使此类分为两个新的类,给已存在 的阈值增加新的分割阈值; (6)重新计算ur,对S进行新的赋值,转到(2); (7)根据由上所得到的一组最优阚值对图像进行处理,把 道路与非道路区域分割出来。 1.2基于车辆的多样特征进行二次提取 对于得到的道路区域,首先基于阴影特征大致检测出车辆可 能存在区域,然后用垂直水平边缘判定剔除~部分非车辆区域, 最后使用对称性判据,通过对称性判定的则被认为是车辆区域。 1.2.1阴影检测 阴影是在图像平面中搜索车辆目标的第一个特征,用来指 出道路区域可能存在车辆的区域。运动车辆阴影是由运动车辆 的投影造成的,由于其运动特性与物体相同,且互连为一个整 体,易造成运动目标的误分类口]。车辆的阴影是指车辆底部总 会有比路面暗的区域,路面的灰度级别呈正态分布,通过对道 路像素灰度直方图的高斯拟合,可以估计出路面灰度的均值m 和方差口。阴影上界的阈值可以设定为ThreValuet一优一3口。 车载摄像系统用小孔成像模型近似表征,设定其安装高度距地 面为H米,则车辆投影的宽度可以由下式来决定口…:
Xff

巩),并搜索H向量中的最大值H一,水平置信度为:
CH;旦坚


同理对Jv的每一列元素进行相加,可以得到垂直置信 度为:

Cv:监


如果C“和C。小于一定的阈值,则说明此区域不含有车 辆目标,应该识别为背景,这样可以把边缘置信度低的区域背 景删除。 1.2.3对称性判定 在做对称性判定前,根据经验:在车辆后视图中,车辆关 于车辆中心是最对称的,而关于车辆的两侧边缘是最不对称 的,车辆两侧到对称中心的距离基本相等。本文用如下公式来 度量车辆的对称性:
c top

F(i)=∑∑IG(i,j一愚)一G(i,j+愚)I j=bott册
^;1

式中,G(i,j一七)、G(i,j+矗)是图像中的点的灰度值,i表示对 称轴的横坐标;C表示计算对称轴时所考虑的宽度,由区域窗 口大小来决定;F(f)值越小就表示此位置的对称度越大。每一 个可能包含车辆的区域都可以由上式得到一条对称性曲线,观 察有车辆区域的对称性的曲线,发现图像关于车辆中心十分对 称,即F(i)值非常小。典型的车辆区域的F(i)值一般具有如 下规律: (1)F(centre)<(bottom—top)×0.3
(2)F(1eft)>(bottom—top)×0.7

(3)F(right)>(bottom—top)×0.7 (4)(centre一如ft)×0.7<F(1eft)一 F(centre)<(centre一如ft)×5 (5)(right—centre)×0.7<F(right)一 F(centre)<(right—centre)×5 由如上特点,对可能含有车辆的区域进行计算提取,可以 剔除大多数的非车辆区域。

“d咖=widthH,。e 式中,width表示目标图像的宽度,谢d饥。表示目标在世界坐 标系中的宽度。y表示聚类阴影线段所在的行坐标。本文中使 用的是一个较低的宽度阈值:

2基于分类器的车辆识别
支持向量机(support
vector

machine)是基于统计学理论

的一种新的通用学习方法,它是建立在一套较好的有限样本下 的机器学习的理论框架和通用方法,它既有严格的理论基础, 又能较好地解决小样本、非线性、高维数和局部极小点等实际

min—zvidth=0.5ⅪvddthH,.e)<Y

万方数据  

中华测控网
chinamca.corn

?22?

计算机测黾与控制

第18卷

问题,其核心思想就是学习机器要与有限的训练样本相适应。 本文应用Boosting算法‘”1,采用离线的方式基于实验训练样 本集训练出SVM分类器。SVM分类器用于对上面检测出的 车辆区域进行车型的图像识别,采用文献[12]中所述的方法 对输入车型图像进行归一化。根据分割和定位算法得到r车尾 正面图像的中心位置,则通过如下步骤进行图像校准。 (1)进行图像旋转,保证车型中心位置的连线水平,以保 证车尾在图像平面内的旋转不变性。 (2)根据比例关系,进行图像剪裁,以保证车尾的平移不 变性。 (3)将图像缩放到统一大小的标准尺寸,以保证车尾的尺 度不变性。 (4)对上面得到的校准图像进行灰度拉伸,以改善图像的 对比度。 (5)进行直方图均衡化,以使图像具有统一的均值和方 差,且部分消除光照影响。 经过上述5个步骤,就可以得到1个归一化后的标准图 像,并以此作为后续处理的输入图像,参与弱分类器的训练。 在训练开始前,将样本图像归一化为大小相等的标准图像,再 采用AdaBoost算法对其进行学习,最终便可以得到用于识别 车辆的预测函数。

极大的弯道,在进行兴趣区域提取时直接把远处弯道上的白色 卡车判断成了非道路区域上的车辆,所以没能检测出来,这在 算法上还有待于进一步提高。

4结束语
实验结果表明该算法在应用上基本满足实时性和准确性的 要求。本文作者创新点:(1)经过两次特征提取获得兴趣区 域,从而为后期的车辆识别减小了搜索范围,提高了实时性; (2)在基于知识的方法进行车辆检测的时候,融合利用了车辆 的阴影、对称性和边缘多种特征信息,增加了车辆检测的准确 度;(3)基于丰富的训练样本离线训练好分类器,然后对基于 知识车辆检测的结果进行二次识别,同时提高了车辆检测的准 确度和实时性。

参考文献: [13田炳香,吴晴,郑榜贵,等.基于改进SUSAN原则的车辆检测 方法[J].计算机测量与控制,2008,16(12):1792—1794. [23 HOFFMAN C,DANGT.STILLER C.Vehicle detection fusing
visual
2D

features[C].IEEE

Proceedings

of

Intelligent

Vehicles Sym—

posium.IEEE,2004:280—285.

[33 CLADY X,COLLANGE F。JURIE F.Cars detection and tracking
with


vision

3实验结果与分析
本文以各种道路场景图像进行了大量的仿真实验,这些仿真 实验是基于VC++6.0软件平台,且采用OpenCV提供的库来完 成的。该算法是在CPU是Intel
Pentium Dual Core

sensor[A]//IEEE Proceedings of Intelligent Vehi—

ties

Symposium.IEEE[C].2003:593—598.


[43 HUANG
tern for

S,CHEN CJ。HSIAO PY,etal.On Board
Recognition

Vision
to

Sys—

Lane

and Front—Vehicle Detection
Proceedings

Enhance

1.6GHz,内存

Driver’s Conference 3l

Awareness[hi.//IEEE
on

of International

为1GB的计算机上运行。分类器的训练样本和实验仿真的测试样 本分别来自不同的视频图像,如下图2所示,通过运用本文设计 的算法,而获得的各种路况环境的车辆检测结果。

Robotics

and

Automation.IEEE[C].2004,

2456—2461.

[5]刘国锋,诸昌钤.光流的计算技术[J].西南交通大学学报,
1997。32(6):656—662.

[63李玉萍.基于视觉的车辆检测技术现状[J].国外电子检测技术,
2006,26(10):21—24.

[7]胡斌,张朋飞。何克忠.一种用于室外移动机器人的快速有效的 车道线识别方法[J].机器人,2006。28(4):394—399. [8]OTSU N.A threshold selection method from gray-level histogram 口].IEEE
62—66. Transactions
on

Systems Man Cybernet.1979,

(1):

[9]Cucchiara R,Grana C,PiceardiM,etal.Detecting moving ob—
jects,ghosts,and
tions
on

shadows and

in

video

streams[J].IEEE

Transac—

Pattern

Analysis

Machine Intelligence,2003,25(10):

1337—1342.

[103

KAL

INKE

T,TZOMAKAS C,VON
an

SEELEN

W.A

texture-

based objeet detection and

adaptive model—based classification

[A].Proes.IEEE Int.Conf.on Intelligent Vehicles[C].Stutt—
gart,Germany,October
1998:143—148.

图2实验仿真结果

[11]scHAPlRE
ting prior



E,R0cHERY M,RAHIM M,etal.Incorpora—
into

上图(a)一(f)分别表示的在高速公路和在普通公路E有少 量车、有多辆车(存在遮挡)或者在有雾的天气环境下进行车 辆检测后的结果图。实验结果表明:总体上该算法可以检测出 多数的车辆,而对于距离较远的且存在比较严霞的遮挡的车辆 (如(a)、(c)和(d)中)还有些车辆不能检测出来,对于道 路边界不是很明显,且车辆颜色和道路颜色很相近且距离较远 (如(e))也有一些车辆没能检测出来I(f)中的道路有一个

know ledge

boosting[A].Proc

of

the

19th Inter—

national

Conference

on

Machine

Learning[c].San Franasco;

Morgan Kaufmann Publishers,2002:538—545.

[12]金

鸣.改进的AdaBoost分类器在视频中的体育场景检测[J].

计算机工程,2006,32(12):229—231. [133边肇祺。张学工.模式识别[M].北京:清华大学出版 社,2000. [143张广军.机器视觉[M].北京;科学出版社,2005.

中华测控网

chinamca.corn

万方数据  

一种改进的基于视频的车辆检测与识别方法
作者: 作者单位: 刊名: 英文刊名: 年,卷(期): 被引用次数: 魏武, 龚树锋, 龚树超, Wei Wu, Gong Shufeng, Gong Shuchao 魏武,龚树锋,Wei Wu,Gong Shufeng(华南理工大学自动化科学与工程学院,广东,广州 ,510640), 龚树超,Gong Shuchao(北京邮电大学信息与通信工程学院,北京,100876) 计算机测量与控制 COMPUTER MEASUREMENT & CONTROL 2010,18(1) 3次

参考文献(14条) 1.田炳香;吴晴;郑榜贵 基于改进susAN原则的车辆检测方法[期刊论文]-计算机测量与控制 2008(12) 2.HOFFMAN C;DANGT;STILLER C Vehicle detection fusing 2D visual features[外文会议] 2004 3.CLADY X;COLLANGE F;JURIE F Cars detection and tracking with a vision sensor[外文会议] 2003 4.HUANG S S;CHEN CJ;HSIAO PY On Board Vision System for Lane Recognition and Front-Vehicle Detection to Enhance Driver's Awareness 2004 5.刘国锋;诸昌钤 光流的计算技术 1997(06) 6.李玉萍 基于视觉的车辆检测技术现状[期刊论文]-国外电子检测技术 2006(10) 7.胡斌;张朋飞;何克忠 一种用于室外移动机器人的快速有效的车道线识别方法[期刊论文]-机器人 2006(04) 8.OTSU N A threshold selection method from gray-level histogram 1979(01) 9.Cucchiara R;Grana C;PiccardiM Detecting moving objects,ghosts,and shadows in video streams[外文期 刊] 2003(10) 10.KAL INKE T;TZOMAKAS C;VON SEELEN W A texturebased object detection and an adaptive model-baaed classification 1998 11.SCHAPIRE R E;ROCHERY M;RAHIM M Incorporating prior know ledge into boosting 2002 12.金鸣 改进的AdaBoost分类器在视频中的体育场景检测[期刊论文]-计算机工程 2006(12) 13.边肇祺;张学工 模式识别 2000 14.张广军 机器视觉 2005

本文读者也读过(1条) 1. 范雯杰.张黎.FAN Wen-jie.ZHANG Li 一种改进的基于背景差算法的运动车辆检测方法[期刊论文]-成都信息工 程学院学报2010,25(4)

引证文献(3条) 1.赵俊梅.张利平 基于形态学的运动车辆检测技术的研究[期刊论文]-车辆与动力技术 2011(4) 2.赵娟.曾强.杨薇.姚金杰 基于Adaboost算法的车辆模拟演示系统[期刊论文]-计算机测量与控制 2012(1) 3.吴海君.辛乐.陈阳舟 基于交通状态切换的自适应背景更新算法[期刊论文]-计算机测量与控制 2011(12)

本文链接:http://d.g.wanfangdata.com.cn/Periodical_jsjzdclykz201001007.aspx



友情链接: 工作计划 总结汇报 团党工作范文 工作范文 表格模版 生活休闲