基于视频分析技术的车距测量及预警系统设计

王传钦，曹江涛，姬晓飞

(1.辽宁石油化工大学信息与控制工程学院，辽宁抚顺 113001; 2.沈阳航空航天大学自动化学院，辽宁沈阳 110136)

基于视频分析技术的车距测量及预警系统设计

王传钦1，曹江涛1，姬晓飞2

(1.辽宁石油化工大学信息与控制工程学院，辽宁抚顺 113001; 2.沈阳航空航天大学自动化学院，辽宁沈阳 110136)

车距测量及预警是汽车主动安全技术中的一个重要组成部分，而基于视觉的车距测量及预警系统一直是智能车系统和辅助安全系统中研究的热点。为了提高车距测量的精确度和实时性，以Visual C++6.0集成开发环境和OpenCV开源计算机视觉库为实验平台，设计并实现了一种基于视频分析技术的车距测量及预警系统。该系统具有车辆检测、车辆跟踪、距离测量及预警等功能。以Haar-like特征作为图像描述，结合Adaboost算法训练分类器实现道路中车辆的检测;采用CamShift和Kalman相结合的方法实现目标车辆的跟踪及预测;提出一种基于RBF神经网络的车距测量及预测方法。实验结果表明，该系统能较准确地实现1～15 m范围内的车辆检测及车距测量，且具有良好的实时性。

车辆检测;Haar-like特征;Adaboost算法;跟踪;RBF神经网络

0 引言

绝大多数的交通事故都是因为驾驶员注意力不集中，在危险来临时不能及时采取相应的措施，从而导致惨剧的发生。如果驾驶员能够实时地得到与前方车辆的距离，当距离小于安全距离时得到语音提示，这样就能及时地提醒驾驶员，从而避免很多交通事故的发生。因此，车距预警系统得到了越来越广泛的应用［1-2］。文献［3］提出的超声波车距预警系统，优点是原理简单、成本低，解决了障碍物的二维定位问题，但可测量的范围比较小，对于高速行驶的车辆很难起到预警的作用。随着计算机视觉技术的不断发展，它在智能交通系统中的作用不断完善，把计算机视觉技术应用在预警系统和防碰撞系统中，对智能交通系统性能的提高起到了极其重要的作用［4］。文献［5］中提出在DM642平台上，采用双目测距的方法实现的车距预警系统，能够较为准确地实现车辆检测识别和测距功能，但是计算量大，实时性差，需要特殊硬件的支持。

基于视频分析技术的车距测量系统的核心为车辆检测算法。目前常用的方法大致可归结为三类:基于运动的方法、基于知识的方法和基于外形的方法。文献［6］提出的光流法，优点是光流场携带了有关物体运动和景物三维结构的丰富信息，但该方法处理速度较慢，不能满足实时处理的要求，且抗噪性能差;文献［7］提出的帧差法是以背景固定不变为前提的，而文献［8］提出的背景消减法对光照的变化和阴影的干扰非常敏感，对于不断变换的复杂背景情况，这两种方法就不适用了;文献［9］提出的基于知识的方法，在障碍物数量较少的情况下检测效率较高，但复杂环境下的错误识别率有所增加。

从应用的角度来讲，预警系统要具有良好的实时性，测量的距离要足够远，要满足安全距离的要求。文中采用一种基于Haar特征和Adaboost分类器的车辆检测算法［10］，并利用CamShift和Kalman相结合的方法实现目标车辆的跟踪，具有识别性能好、误识率低、实时性好等优点，能够满足系统的设计需求。同时，文中提出了基于RBF神经网络算法的车距测量及预测方法，当车距小于设定值时进行警报，应用前景较好。

1 系统概述

该系统选用索尼HDR-XR550E摄像机拍摄实际道路上车辆，以Visual C++6.0和OpenCV为实验平台进行实验验证。系统主要包括车辆检测、车辆跟踪和车距测量及预警3个基本部分。采用基于Haar-like特征［11-13］的 Adaboost分类器进行车辆检测;利用CamShift和Kalman相结合的方法实现目标车辆跟踪;采用RBF神经网络算法进行车距测量和预测，并设定报警最小阈值，当测量距离小于设定值时进行报警提示以实现预警功能。系统结构框图如图1所示。

图1 系统结构框图

2 系统的功能模块设计及实现

2.1 车辆检测模块

图2所示的车辆检测流程包括三个部分:通过摄像机采集视频图像，并对图像进行灰度化、滤波等预处理，以降低光照环境变化对特征提取带来的不利影响;根据多尺度扫描机制扫描图像获取子窗口;把子窗口作为分类器的输入进行检测，若检测结果为车辆，则保留，否则舍弃，直至遍历完整张待识别图像，并将检测区域进行合并处理，最终得到目标车辆区域。这里使用的分类器为基于Haar-like特征的Adaboost分类器，该分类器以含有边缘特征、线特征、中心特征和对角特征四大类15种特征的Haar-like特征为图像描述，根据Adaboost算法针对同一训练集训练不同的弱分类器，然后把这些弱分类器集合起来而构成。检测结果表明，基于分类器的车辆检测算法能够很好地检测出不同路况、不同环境下的多种类型车辆，且具有良好的实时性和较高的准确度。

2.2 车辆跟踪模块

近年来，CamShift跟踪算法因其良好的实时性和鲁棒性得到了广泛应用。该算法在简单背景下具有较好的跟踪效果，然而，当背景中含有大面积相似颜色干扰时，CamShift算法的跟踪效果将不再准确，而且有可能丢失跟踪目标，导致跟踪失败。为了克服这一问题，文中采用了 CamShift和 Kalman相结合的跟踪方法［14-16］，算法的整体流程图见图3。

由于视频中连续两帧图像的间隔时间比较短，所要跟踪的目标车辆的运动状态不会发生太大的变化，

可以近似认为目标车辆在连续两帧图像时间间隔内做匀速运动。定义状态量Xk=(xk，yk，vx，vy)T，观测量kkZk=(xk，yk)T，预测状态量T。其中，xk，yk分别表示目标车辆在X轴和Y轴上的位置; vxk，vyk分别表示目标车辆在X轴和Y轴上的运动速度;分别表示Kalman滤波器预测的目标车辆在X轴和Y轴上的位置;，分别表示Kalman滤波器预测的目标车辆在X轴和Y轴上的运动速度，并将状态转移矩阵A设定为:

式中，T表示连续两帧之间运动的间隔时间。

观测矩阵H设定为:

动态噪声方差矩阵Q设定为:

测量噪声方差矩阵R为:

初始误差方差矩阵P0为:

算法的基本思想是，首先利用已提取出的运动车辆的位置信息来初始化CamShift跟踪算法中的初始搜索窗口和Kalman滤波器，然后使用Kalman滤波器预测出搜索窗口的新位置，同时使用CamShift算法计算目标在该帧图像中的最优位置和大小。当视频中的某一帧或某几帧图像目标检测失败时，使用Kalman滤波器的预测值代替CamShift算法计算出的目标位置。图4为21帧至26帧图像的跟踪效果图。

2.3 车距测量与识别模块

径向基(RBF)神经网络克服了传统前馈神经网络的很多缺点，具有很好的通用性。Hartman［17］等已经证明，只要有足够多的隐藏层神经元，RBF神经网络能以任意精度逼近任何连续函数，而且结构简单，训练速度快。文中提出了基于RBF神经网络算法的车距测量及预测的方法。与文献［18］提到的摄像机测距模型相比，该方法不需要对摄像机内部参数进行标定，也不用单独考虑成像系统误差、成像模型、透镜畸变等带来的影响，而是在训练神经网时络隐含地解决。

文中设计的RBF神经网络不仅仅可以根据目标车辆底部在图像中的位置y计算出相应的距离信息D，还具有根据当前时刻的位置信息及之前两帧图像的位置信息预测未来车辆距离的预测作用，同时，若这些测量的距离信息小于设定值则进行警报。该神经网络由三层网络结构组成:输入层、隐含层及输出层。各单元数分别取为3，50，3。其中，第一层为输入层，对应输入为当前帧位置坐标yi及前两帧位置坐标yi－1、yi－2;第二层为隐层，选取高斯函数为径向基函数，在这一层中可以根据输入向量确定聚类中心以及隐层至输出层的连接权值;第三层为输出层，分别输出当前帧图像对应的实际距离Di和之后未来两帧图像中可能的车辆预测距离Di+1、Di+2。

在训练神经网络时，设定训练误差为0.01，最大迭代次数为500，初始学习速率为0.01，结果表明在1～15 m范围内最大测量误差为0.32 m。表1为部分测试数据及误差。其中，D为神经网络实际输出，E为实际输出与理想输出的误差。

为验证文中方法的有效性，在白天正常光照条件下行驶道路上进行实验验证，图5为实验效果图。

实验结果表明，该系统能较准确地实现1～15 m范围内的车辆检测及车距测量，同时采用CamShift和Kalman相结合的跟踪方法，有效地减少了图像中扫描车辆的时间，实时性比较好。

3 结束语

文中设计并实现了一种基于视频分析技术的车距测量及预测系统。该系统采用一种基于特征的车辆检测方法，通过提取15种不同类型的Haar-like特征，训练Adaboost分类器识别检测出车辆信息，同时采用CamShift和Kalman相结合的跟踪方法，能够实现实时检测和跟踪。另外，文中提出一种基于RBF神经网络算法的车距测量及预测方法，在摄像机固定不变的情况下，根据检测出的车辆信息和构建好的神经网络预测模型，能准确、快速地得出当前帧及预测未来两帧图像中前方车辆的距离，并且当这3帧中的任一帧测量距离小于设定值时进行警报。实验结果表明，在不同的光照条件和复杂的背景条件下，系统都具有良好的实时性、较高的准确度，对外界环境具有较强的鲁棒性和可靠性，能较准确地实现1～15 m范围内的车辆检测及车距测量，在实际应用中能起到很好的预警效果。该系统是在Visual C++6.0开发环境下，借助OpenCV视觉库进行的系统设计与实现，具有较强的可移植性，可应用到车载系统、盲人导航等智能系统中。

［1］ Couthon J，Mezouar Y，Martinet P.Autonomous navigation of vehicles from a visual memory using a generic camera model ［J］.IEEE Transactions on Intelligent Transportation Systems，2009，10(3):392-402.

［2］ 张广秀.基于视觉的汽车前向防碰撞技术的研究［D］.天津:河北工业大学，2008.

［3］ 沈 燕，高晓蓉，李金龙.超声车距预警系统设计［J］.现代电子技术，2012，35(13):191-194.

［4］ 李婷俐.基于多特征级联分类器的道路车辆检测方法研究［D］.长沙:湖南大学，2012.

［5］ 程 震，夏伟杰.基于DM642的车距预警系统设计与实现［J］.重庆科技学院学报:自然科学版，2011，13(4):152-154.

［6］ 吴新根，罗立民.一种改进的光流场计算方法［J］.电子学报，2000，28(1):130-131.

［7］ 严晓明.一种基于改进帧差法的运动目标检测［J］.莆田学院学报，2011，18(5):69-72.

［8］ 张志付.基于背景减法的运动目标检测算法研究［D］.上海:上海交通大学，2008.

［9］ 姜 睿.基于知识的人脸检测与人脸识别系统研究［D］.西安:西北工业大学，2004.

［10］文学志，方 巍，郑钰辉.一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法［J］.电子学报，2011，39 (5):1121-1126.

［11］Viola P，Jones M.Robust real-time face detection［J］.International Journal of Computer Vision，2004，57(2):137-154.

［12］Viola P，Jones M.Rapid object detection using a boosted cascade of simple features［C］//Proceeding of international conference on computer vision an pattern recognition.［s.l.］:［s. n.］，2001:511-518.

［13］Lienhart R，Maydt J.An extended set of Haar-like features for rapid object detection［C］//Proc of IEEE international conference on image processing.［s.l.］:IEEE，2002:900-903.

［14］梁 娟，项 俊，侯建华.基于Camshift和Kalman滤波的自动跟踪算法［J］.微型机与应用，2011，30(24):28-31.

［15］李小乐.基于连续视频帧的多特征融合道路车辆检测方法研究［D］.长沙:湖南大学，2012.

［16］钱永青，谢勤岚.结合Camshift和Kalman预测的运动目标跟踪［J］.计算机工程与科学，2010，32(8):81-83.

［17］Hartman E J，Keeler J D.Layered neural networks with Gaussian hidden units as universal approximations［J］.Neural Computation，1990，2(2):210-215.

［18］余厚云，张为公.基于单目视觉传感器的车距测量与误差分析［J］.传感器与微系统，2012，31(9):10-13.

Design of a Vehicle Distance Measurement and Early Warning System Based on Video Analysis Techniques

WANG Chuan-qin1，CAO Jiang-tao1，JI Xiao-fei2
(1.School of Information and Control Engineering，Liaoning Shihua University，Fushun 113001，China; 2.College of Automation，Shenyang Aerospace University，Shenyang 110136，China)

Vehicle distance measuring and early warning is an important component in vehicle active safety technology.And the visionbased vehicle distance measuring and early warning system has been a research hotspot of the intelligent vehicle system and secondary safety system.In order to improve the accuracy and processing speed of vehicle distance measurement，vehicle distance and early warning system is designed and implemented based on video analysis techniques in Visual C++6.0 and OpenCV software environment，which has functions like vehicle detection，vehicle tracking，distance measurement and early warning and so on.Haar-like features is chosen as image descriptions，and Adaboost algorithm is combined to train classifiers to achieve vehicles detection.A combination method of CamShift and Kalman is used to track the target vehicle，and the measurement and prediction of distance is achieved by using RBF neural network.Experiments show that the system can accurately realize the range of 1～15 m for vehicle detection and distance measurement，and it has good real-time performance.

vehicle detection;Haar-like feature;Adaboost algorithm;tracking;RBF neural network

TP302

A

1673-629X(2016)09-0087-04

10.3969/j.issn.1673-629X.2016.09.020

2015-05-13

2015-09-16< class="emphasis_bold">网络出版时间:

时间:2016-08-23

国家自然科学基金资助项目(61103123，61203021)

王传钦(1987-)，男，硕士研究生，研究方向为图像处理与识别;曹江涛，博士，教授，研究方向为智能方法及其在工业控制和视频信息处理上的应用;姬晓飞，博士，副教授，研究方向为视频处理及模式识别理论。

http://www.cnki.net/kcms/detail/61.1450.tp.20160823.1112.004.html