基于双特征的前方车辆实时检测

雷美琳,肖志涛,崔 琴

(天津工业大学信息与通信工程学院,天津 300160)

基于双特征的前方车辆实时检测

雷美琳,肖志涛,崔 琴

(天津工业大学信息与通信工程学院,天津 300160)

提出一种在无先验知识的情况下,综合利用车辆阴影和对称性两种特征进行前方车辆检测的算法.该算法通过检测车底阴影特征生成车辆存在假设,首先,利用大津阈值分割方法(OTSU)得到车辆阴影特征,采用阴影区域融合方法解决阴影边缘的变形问题,得到可能包含车辆的区域;然后,利用车辆对称性特征对感兴趣区域进行验证,并对其中的车辆区域进行准确定位.通过对实际采集的道路图像序列进行测试,结果表明:该算法能够实时、有效地检测出前方车辆.

前方车辆检测;阴影特征;对称性特征

近年来,随着人民生活水平的普遍提高,汽车数量迅速攀升,但是,由于交通设施的相对滞后,也出现了严峻的交通问题,交通事故时有发生,其中,大部分交通事故都是人为因素引起的.在汽车安全辅助驾驶系统中,前方车辆检测是一个重要的组成部分,可以有效防止交通事故的发生.

车辆检测方法多种多样,本质都是利用车辆特征把车辆从背景中分割出来.常用的方法有:(1)基于车辆阴影的检测[1].该方法根据阴影特征能够发现所有的可能车辆,但同时也会检测到很多伪车辆区域,需要进一步进行复杂的去除伪目标的工作.(2)基于纹理的检测[2].该方法主要根据序列图像中,车辆区域比背景区域纹理的熵值高来确定车辆区域,但该方法只适用于背景简单的车辆检测.(3)基于线结构的检测[3].该方法主要根据运动目标外围的线条结构特征来检测,缺点是过度的依赖目标和背景的灰度关系,当目标和背景的灰度反差不大时容易出现错误.(4)基于对称性特征的检测[4].使用对称性特征检测整幅图像会大大提高算法的复杂性.

为了提高检测的准确性,可综合多种特征对车辆进行检测[5],但这会提高算法的复杂性,难以实现实时检测.为了克服这一缺陷,本研究提出一种在无先验知识的情况下,只利用车辆阴影和对称性两种特征对前方车辆进行检测的算法.车辆下部的阴影是识别车辆目标的一个重要特征,同时,车辆底部与路面相比明显呈低亮区域.因此,本研究首先采用大津阈值分割方法得到车辆的阴影区域,并采用阴影区域融合方法解决阴影边缘的变形问题,得到可能包含车辆的区域;然后利用车辆的对称性特征对感兴趣区域进行验证,并对其中的车辆区域进行准确定位.

1 获取车辆阴影特征

大津阈值分割法[6]又称最大类间方差法,是一种基于统计理论来寻找阈值的聚类阈值化方法,该方法使被分割出来的目标和背景之间的灰度差距明显,即目标与背景之间具有很高的对比度,一直被认为是阈值自动选取的最优方法.

在大津阈值分割方法中,对于图像而言,设t为前景与背景的分割阈值,前景点数占图像比例为ω0,前景点平均灰度为μ0,背景点数占图像比例为ω1,背景点平均灰度为μ1.

如原始灰度图像的像素点数为N,存在L个灰度级,灰度级为i的像素点数为ni,那么

则类间方差为

通过对道路图像进行分析,车辆的阴影区域一般集中在图像的下半部分,因此本研究只对图像下半部分采用最大类间方差法寻找阈值,利用得到的阈值对整幅图像进行分割,分割结果如图1所示.由于道路图像中路面和车辆阴影部分的灰度相差不大,实验表明,单次使用大津阈值分割法的分割效果并不理想,如图1(b)所示.因此,本研究在目标区域中再次使用大津阈值分割法,用所得的新阈值对整幅图像进行分割.这样就能去除大部分噪声,获得较好的分割效果,如图1(c)所示.

图1 大津阈值分割法分割结果图Fig.1 Segmen tation results of OTSU

2 生成车辆位置线条

为了获得候选的感兴趣区域,首先需要提取出可能车辆区的位置线条.在道路分割的二值结果图1(c)中,可以看到由于较大目标车辆的存在,使得检测范围内出现较明显的黑色区域,该区域有时是由车辆阴影形成的,有时是由车体本身形成的.总之,检测结果在道路已经分割的前提下,可以提供车辆的位置信息.具体实现过程[7]为:由下向上扫描当前二值图像的下半部分(车辆位置可能存在的区域),寻找垂直方向上由亮变暗的像素点.即由下向上扫描图像的每一列,当遇上像素点I由白变黑时记录下来,否则不是可能车辆的位置,利用

对图1(c)进行处理,得到车辆位置边缘线,如图2所示.

图2 车辆位置边缘线Fig.2 Vehicle edge line

通过分析图2发现:同一辆车会出现多条位置线条,且有时线条会呈现不连续性.对此类情况可以采用合并阴影的策略,以减少后续不必要的验证.实际情况中,路面上的车辆不可能相距太近,经过实验可知,可以将水平间距不大于5个像素点,且垂直间距不大于10个像素点的阴影合并,如图3所示.

图3 修正车辆位置边缘线Fig.3 Revise vehicle edge line

经过阴影合并处理后,图3中产生了明显的车辆位置线条,且具有一定的长度.因此可以利用位置线条构成车辆的感兴趣区域RO I(Range of interesting)方框,当线段长度大于设定的阈值时,此线段所在的位置即为RO I.

3 验证感兴趣区域

在建立RO I的过程中,为了将可能的车辆区域全部包含其中,RO I应比检测的车辆区域大.因此,在确认车辆前,应首先获得车辆在RO I中的具体位置[8].本研究采用 Sobel算子[4]在RO I内进行垂直方向的边缘检测,因此,垂直边缘所在列与边缘图像中其他列相比,灰度值有一个较大的突变.为找出垂直方向上较显著的边缘作为候选车辆的外轮廓,将边缘图像在垂直方向上进行投影,得到其灰度值的投影直方图.在直方图中找出左右局部最大值所在的位置,以此位置定位车辆的外轮廓.检测 RO I内水平边缘的方法与检测垂直边缘相似.分别得到的两条水平线和两条垂直线构成一个矩形框,即初始RO I,如图4(c)所示.在这个矩形内验证对称性即可确定目标车辆所在位置.

图4 提取垂直边缘Fig.4 Extracted verticel edges

对于公路上的目标车辆,在灰度图像中可以通过验证灰度对称性来确认路面上的车辆.灰度对称性测度(gGS)定义如下:

式中,f(x,y)表示点(x,y)处的灰度值,H和W分别表示待确认窗口的高度和宽度.gGS值越小,表明窗口的对称性越好.

4 实验结果

本研究选用分辨率为640×480的256级灰度视频文件作为实验数据,该视频采集自白天的城市与城郊道路.部分检测结果如图5所示,图中检测到的车辆用黑色边框标记.

图5 不同实验背景的检测结果Fig.5 Tesutts of differnt experiment background

从实验结果可以看出,本研究设计的算法总体上可检测出大多数车辆,只有车辆距离大于120 m左右时,由于阴影较少,可能会造成漏检,如图5(c)中的右方车辆.

5 结论

本研究为智能车辆设计了一种前方车辆检测方法.该方法首先在道路分割的基础上,获得车辆可能的位置线条信息;然后根据线条的长度和位置信息生成感兴趣区域;最后对每个感兴趣区域的对称性测度进行验证,当结果不满足对称条件时,就剔除虚假目标.实验结果表明,该算法能够满足车辆检测实时性和准确性的要求.

[1] Bertozzi M,Broggi A,Castelluccio S.A real-time oriented system for vehicle detection[J].Journal of Systems A rchitecture,1997,43(1/2/3/4/5):317-325.

[2] Zhu Z G,Xu G Y,Yang B,et al.A real-time vision system for automatic traffic monitoring[J].Image and Vision Computing,2000,18(10):781-794.

[3] Betke M,Haritaoglu E.Real-time multiple vehicle detection and tracking from a moving vehicle[J].Machine Vision and Applications,2000,12(2):69-83.

[4] Zielke T,Brauckmann M,Vonseelen W.Intensity and edgebased symmetry detection with an application to car-follow ing[J].CVGIP:Image Understand.,1993,58(2):177-190.

[5] Colantonio S,Benvenuti M,Dibono M G,Object tracking in a stereo and infrared vision system[J].Infrared Physics&Technology,2007,49(3):266-271.

[6] Fu K S,M ui J K.Survey on image segmentation[J].Patern Recognition,1981,13(1):3-16.

[7] 皮燕妮,史忠科,黄金.智能车中基于单目视觉的前车检测和跟踪[J].计算机应用,2005,25(1):220-223.

[8] 李斌.智能车辆前方车辆探测及安全距离控制方法的研究[D].长春:吉林大学,2002:30-31.

Double-feature based real time preceding vehicle detection

L EIM eilin,X IAO Zhitao,CU IQin

(School of Information and Communication Engineering,Tianjin Polytechnic University,Tianjin 300160,China)

A p receding vehicle detecting method based on shadow s and symmetry w ithout p rio r know ledge is p resented.The shadow s underneath vehicles are detected to generate vehicle hypotheses.An adap tive road threshold methold is used to get shadow feature,and a shadow s areamerge app roach is used to resolve the p roblem of disto rtion of the shadow s border.Furthermore,amethod is p resented to determine if there exist vehicles in the areas and to locate the vehicles based on the analysisof symmetry.Themethod is tested w ith image sequences taken on road,and the results show that the p roposed algo rithm can effectively detect p receding vehicles in real time.

p receding vehicle detection;shadow feature;symmetry feature

TP391

A

1671-1114(2010)01-0023-04

2009-08-14

国家自然科学基金资助项目(60602036)

雷美琳(1985—),女,硕士研究生.

肖志涛(1971—),男,教授,主要从事图像处理、模式识别和计算机视觉等方面的研究.E-mail:xiaozhitao@tjpu.edu.cn

(责任编校 纪翠荣)