基于SLIC-DPC 算法的车辆检测研究

2021-03-19阮孟丽陶兆胜占伟豪王丽华王彪

齐齐哈尔大学学报（自然科学版） 2021年2期

阮孟丽，陶兆胜，占伟豪，王丽华，王彪

（安徽工业大学机械工程学院，安徽马鞍山 243032）

作为车辆检测技术之一，停车场车位检测在视频监控、虚拟现实、自主导航等领域具有重要理论研究意义[1]。车位检测技术主要由两种检测技术组成：一种是在车位下方安装传感器，另一种是在高空对停车场车位进行监控。第一种需要大量的传感器覆盖停车场，且传感器一次只能检测一个停车位，易受环境干扰；第二种由于摄像机的视角覆盖面大，故只需几个摄像机就可完成对整个停车场的停车位检测。基于图像视频监控车位识别系统不仅能实现安全监控，还能实现车位引导，因而越来越多的学者对其进行深入研究。

针对动态复杂环境下车辆目标识别率不高、定位精度低问题，卢胜男等[2]提出一种基于对称FAST 特征车辆目标识别方法。杨杰鹏等[3]提出以STM32 单片机为核心车辆位置检测系统，通过手机或计算机检验车辆位置。冯宇航等[4]提出在路面下安装多个地磁传感器检验车辆在路面位置方法。针对当前车辆目标检测误检率高问题，陆德彪等[5]提出一种基于3D 激光雷达数据的车辆目标检测与跟踪方法。Chi-Man Pun 等[6]提出一种基于混合背景建模的停车实时检测系统。李占妮[7]提出利用相关向量机和灰度的方向导数对车辆进行检测识别。Phuc Nguyen 等[8]通过利用车内磁场变化实现自动驻车定位的方法，以实现系统在智能手机准确自动地“感应”，且检测精度较高。

针对密度峰值聚类算法存在对噪声敏感，在图像较大时检测时间较长等问题，本文以停车场鸟瞰图为研究对象，提出一种SLIC-DPC 聚类算法并将其应用于停车场车辆检测。实验结果表明，本文改进算法能够提高工作效率，缩短了工作时间。

1 DPC 算法理论

1.1 DPC 算法原理

密度峰值聚类算法（clustering by fast search and find of density peaks, DPC）通过计算数据点间的距离以实现聚类运算。该算法假设数据点 xi的局部密度为 ρi，数据点 xi到局部密度比其大且距离最近的数据点 xj的距离为 δi，则：

其中，dij为 xi和 yj之间的距离；ρi为距离点i 距离小于截断距离 dc的点数量；χ (⋅)为逻辑判断函数，当(⋅)＜0 时， χ (⋅)=1，其它情况， χ (⋅)=0。

该算法通过构造 δi相对于 ρi的决策图（如图1 所示），分配数据点和剔除噪声，从而得到聚类结果：首先计算任意两个数据间距离，并依据截断距离 dc计算任意数据点 xi的 ρi和 δi；然后根据 ρi和 δi确定聚类决策机制；接着将拥有高 ρi值和高 δi值的数据点，确定为聚类中心，将 ρi相对较低但 δi相对较高的点确定为噪声点并剔除；最后将剩余的数据点分配到距离其最近且密度大的数据点所在的聚类中。

图1(a)显示了嵌入二维空间的28 个点，图1(b)为决策图。从图中可知， δi和 ρi在点1 和点10 处都比较高，故其为聚类中心。因此本文将25 个点分为两个簇，分别为蓝色和红色，蓝色是以点1 为聚类中心的数据簇，红色是以点10 为聚类中心的数据簇。另外黑色点（点26, 点27，点28）具有相对较高的δi和较低的 ρi，为噪声点。

图1 DPC 算法样本点决策图

1.2 图像特征降维

本文以图像像素的LAB 三值作为特征，为此采用主成分分析（Principal Component Analysis, PCA）[9]对图像特征矩阵进行降维。

PCA 通过线性转换将高维数据映射到低维空间以获得最大方差即主成分向量 t(i)= (t1, …, tl)(i)：

其中， X(i)为行向量； W(k)= ( w1, …, wp)(k)为P 维权重向量。

为使方差最大化，须满足第一个权重向量 W(1)：

而第K 个主分量 Xk用X 减去前 K- 1个主分量得到：

由式(5)求得新的数据矩阵的最大方差权重向量：

数据向量 X（i）的第k 个主分量在转换坐标中由分数 tk（i）= X（i）⋅W（k）求解，则X 完全主成分分解为：

其中，W 是一个 p* p 的权重矩阵，其列是 XTX 的特征向量。

2 SLIC-DPC 算法

2.1 SLIC 算法原理

简单线性迭代聚类（SLIC）[10]是一种超像素分割算法，其通过K-means 算法在2 S × 2S的固定大小区域（ S ≈ N /k，N 为图像像素点数目，k 为簇数）内搜索聚类中心；将RGB 彩色空间的像素点转换为LAB颜色空间，与X-Y 坐标形成5 维特征向量：

其中， li为像素点的亮度；ai为像素点由红到绿的程度； bi为像素点由黄到蓝的程度； xi, yi分别是像素点的图像坐标。

令最终距离度量 D '为像素点在LAB 颜色空间的距离 dc与XY 空间中距离 ds：

其中， Nc和 Ns分别是超像素内的最大颜色距离和最大空间距离。

2.2 距离函数的改进

本文研究了SLIC 算法的颜色与空间距离值，并通过改进距离函数处理边界和保留超像素块形状。为能够在面积大小不一的超像素块中采用聚类准则，设置参数 D '将 Nc和 Ns有机统一，并令Ns= S = NK 。由于聚类和图像之间的颜色距离差异影响最大颜色距离 Nc，因此，本文使用常量m 取代 Nc，则式(11)改写为

简化的使用距离测量值：

由式(13)知，调整m 的数值改变颜色和空间相似度的权重。当m 较大时，空间相似度 sN 权重较大，且产生的超像素结构更紧凑。当m 较小时，生成的超像素将更紧密地粘附在图像边界上，其大小和形状将变得不规则。m 的选取范围在[1,40]内。

3 实验结果

本文以露天停车场鸟瞰图为研究对象，对所提出SLIC-DPC 算法进行验证，并通过主观和客观分析对算法性能进行评估。

3.1 主观分析

本文改进的SLIC-DPC 算法首先通过PCA 算法将图像从RGB 空间转换至LAB 空间。运用SLIC 算法将图像分割成k 个块，在k 个块中每个像素点都含有自身的颜色特征向量。本文定义每个像素点的颜色特征向量 Li=[l a b]。

计算向量均值作为该分割块的平均颜色特征向量：

其中，n 为块中像素点总数。

计算DPC 聚类中点最多的聚类编号，以确定聚类中心点，同时用白色代表SLIC 分割块。测试及对比结果如图2 所示。

由图2 可知，虽然DPC 算法检测的车辆轮廓较为清晰，但部分车辆轮廓仍然较为模糊，而SLIC-DPC 算法检测的车辆轮廓较为清晰分明。SLIC-DPC 算法的分割块数k 值的大小直接影响分割图像的质量，因而本文研究了k 值的大小对检测图像的影响。

由图3 可知，随着k 值的增大，SLIC 划分的分割块数目较多，且每个分割块中数目较为紧凑，但效果一般。然而，在SLIC-DPC 检测图中，随着k 值的增大，分割效果显著。较SLIC 相比，本文算法检测效果更好。

3.2 客观分析

为研究时间复杂度对DPC 和SLIC-DPC 的影响，通过对比实验以进行客观分析。表1 为DPC 与SLIC-DPC 车辆检测时间对比（s）。

由表1 可知，图3(a)中DPC 所需检测时间为13.462(s)，SLIC-DPC 所需检测时间为3.501(s)，SLIC-DPC 较DPC 在时间检测上缩短了9.961(s)；在图3(d)中，DPC 所需检测时间为14.874(s)，SLIC-DPC 所需检测时间为3.533(s)，SLIC-DPC 较DPC 在时间检测上缩短了11.341(s)；在图3(g)中，DPC 所需检测时间为13.560(s)，SLIC-DPC 所需检测时间为3.719(s)，SLIC-DPC 较DPC 在时间检测上缩短了9.841(s)；在图3(j)中，DPC 所需检测时间为12.8714(s)，SLIC-DPC 所需检测时间为3.461(s)，SLIC-DPC较DPC 在时间检测上缩短了9.4104(s)；和原DPC 算法相比，改进后的SLIC-DPC 算法相比所需的检测时长大幅缩短。

表2 为DPC 与SLIC-DPC 算法的检测评价指标。由表2 可知，在算法评价指标上。图3(a)，DPC 检测评价指标为43.42%，SLIC-DPC 检测评价指标为60.43%，SLIC-DPC 较DPC 在检测评价指标提高了17.01%；图3(b)，DPC检测评价指标为55.30%，SLIC-DPC 检测评价指标为75.31%，SLIC-DPC 较DPC 在检测评价指标提高了20.01%；图3(c)，DPC 评价指标为68.74%，SLIC-DPC 检测评价指标为74.87%，SLIC-DPC 较DPC 在检测评价指标提高了6.13%；图3(d)，DPC 检测评价指标为67.19%，SLIC-DPC 检测评价指标为76.73%，SLIC-DPC 较DPC 在检测评价指标提高了9.54%。和原DPC 算法相比，改进后的SLIC-DPC 算法相比检测评价指标更为优越。