基于车底阴影的智能车前方车辆检测算法

王继贞，张绍勇，陈效华（奇瑞汽车股份有限公司汽车工程研发总院，安徽 芜湖　241009）

基于车底阴影的智能车前方车辆检测算法

王继贞，张绍勇，陈效华
（奇瑞汽车股份有限公司汽车工程研发总院，安徽 芜湖241009）

对前方车辆进行实时精确的检测是智能车系统中对车辆进行横向和纵向控制的基础。本文提出一种鲁棒的车辆检测方法，可适用于有车道线场景和无车道线场景车辆检测问题。车辆检测可以分为车辆假设产生和车辆验证2个阶段。在车辆假设产生阶段，文中提出一种车底阴影二值化方法，可以不受车道线有无影响，对光照强弱、建筑物或树的投影等抗干扰能力强。在车辆验证阶段，文中提出车辆粗验证和精确验证2个步骤。粗验证阶段采用车辆对称性，初步定位车辆位置，然后在精确定位阶段采用机器学习方法进行精确定位。

车辆检测；车底阴影；Adaboost

近年来，随着汽车数量的急剧增加和人们生活水平的提高，汽车行驶安全性成为人们关注的重点。前方车辆检测是智能车研究的关键技术之一，主要用于智能车前方车辆检测、测距。利用摄像机来采集道路前方车辆图像，信息量大、成本低、无污染［1］。目前车辆检测算法主要有：背景差法、帧间差分法、光流法、基于车辆底部的阴影法、基于车辆特征的识别方法。其中，背景差法、帧间差分法只能适用于车辆静止状态的车辆检测，一般用于监控领域。光流法适用于车辆相对运动较大场景，对于车辆运动相对较小场景不适用，并且光流法运算量较大，对硬件处理能力要求高，无法用于智能车系统中。基于车辆底部的阴影法、基于车辆特征的识别方法是车载车辆检测常用方法。基于车辆底部的阴影法首先采用二值化方法提取出车辆底部阴影区域，然后根据车辆的对称性特征定位车辆位置。基于车辆特征的识别方法通过采集大量的含有车辆图像序列和不含有车辆图像序列，然后采用有效的特征提取方法和模式识别方法进行离线训练。本文首先采用基于车底阴影的方法提取出候选车辆检测区域，然后采用车辆对称性特征进行初步选择，再采用基于车辆特征的机器学习方法进行最终确认是否为车辆。

1　系统框图

本文设计的车辆检测系统流程图如图1所示。智能车系统采用的摄像头为彩色摄像头，系统首先将彩色图像经式 （1）转化为灰度图像。

将RGB彩色图像经过式（1）转化为灰度图像I。智能车后续车辆检测系统将基于灰度图像进行处理。系统首先采用自适应二值化算法计算出灰度图像中车底阴影分割阈值，然后将灰度图像转化为仅含有0和255两个值的二值图像，再采用车辆底部阴影确认算法得到车辆底部阴影下边缘。然后对灰度图像进行垂直边缘增强，接下来对垂直边缘进行二值化，根据车辆对称性特征计算车辆对称性，得到初步车辆位置。然后在车辆初步定位位置采用机器学习方法提取车辆特征，采用识别分类方法最终确认车辆是否存在。

图1　　车辆检测系统流程图

2　图像二值化

图像二值化即选择一个合适的阈值，将车底阴影区域从背景图像中分割出来，阈值的计算是二值化算法设计的重点。图像阈值选取方法可以分为全局和局部的阙值选择方法，全局阈值选取是根据整幅图像灰度信息确定一个阈值，局部阈值选取方法是将图像划分成若干子图像，然后根据每个子图像确定相应的阈值。目前典型的几种阈值选取方法有直方图方法、最大类间方差、最大熵法。

直方图方法是直接从原始图像的灰度分布直方图上确定阈值，包括p-分位数法、双峰法、直方图凹面分析法。但由于实际图像的情况往往比较复杂，而且可能噪音干扰比较大，直方图参差不齐，确定直方图的最大值和最小值是比较困难的。

最大类间方差是由日本Ostu于1978年提出的，又称为大津阈值分割法，它是基于判别式分析最小二乘原理的基础上推导得出的。图像中的灰度值按照初始阈值先分为两类，然后计算类内、类间和总体方差，通过判决准则函数表达式不断迭代，计算得到最优的分割阈值，但是这种方法计算量巨大。

最大熵法用熵来定义一个系统的信息量，是系统不确定性的度量。假设图像仅在其灰度分布直方图表示的基础上，来定义图像的熵，并用这一度量来实现图像中目标和背景的分离。最大熵方法对不同目标大小和信噪比SNR的图像均能产生很好的分割效果，目标大小对算法的影响较小，可以用于小目标分割。但这种算法涉及对数运算，运算速度比较慢，实时性不是很好［2］。

齐美彬提出一种两次自适应阈值计算方法［2］，算法中首先根据图像均值和方差计算出第一次自适应阈值Thres1，然后计算图像中低于Thres1的像素值的均值和方差，以此计算出自适应阈值Thres2，通过Thres2分割车底阴影。

本文首先采用Sobel边缘增强算法提取车道线或道路边缘，然后根据车道线灰度均值进行图像二值化。由于图像上部为天空区域，因此本文仅处理图像下面3/4区域。提取效果如图2所示。

图2　　道路区域二值化

对上述二值化后的图像从左到右每一列，进行从下往上的扫描。当扫描到第一个白色像素即第一条边缘时，记录该位置垂直方向坐标，然后停止该列扫描，继续进行下一列的扫描。当该扫描进行完毕后，截取原灰度图像中刚刚记录的每一列扫描停止的位置到图像感兴趣区域最底部的所有像素点，接着将其到感兴趣区域最顶部的所有像素直接置255，即将其直接设置为白色像素，这样便可提取出路面区域。提取的道路路面区域如图3所示。

图3　　道路区域背景选择

根据图3中路面位置区域计算原始图像中相应路面区域对应的均值m和方差σ。通过试验测试，路面区域灰度分布近似可以看做为正态分布，并且灰度值在（m-3×σ，m+3×σ）的像素概率高达99.8%。因此，可以选择m-3×σ作为路面区域灰度值的近似下界。根据摄像头安装结果，图像0～150行对应上部天空，车辆底部阴影不在这个区间，程序中不处理这部分。设T= m-3×σ，以T为阈值，对原始图像进行二值化，结果如图4所示。可以看出阈值化结果比较好地保存了车底阴影，并与大部分路面区域分割开来。

图4　　车辆阴影二值化

3　车辆水平边缘提取

车辆水平边缘提取指根据车辆底部阴影水平特征以及具有一定长度等确定出车辆阴影。车底阴影区别于图像中其他特征有以下几点：①阴影部分从下向上会有明显的垂直梯度变换；②车辆阴影底部是水平的；③水平阴影的长度随图像行数增大而变长。

根据特征①描述，对原始图像进行水平边缘增强。得到水平边缘增强图像后，设定边缘增强阈值（如10），将水平边缘增强的图像二值化，灰度值高于阈值的设定为255，否则像素灰度值设定为0。然后将水平边缘增强的二值化图像与图3中的车辆阴影二值化图像进行 “与”操作。根据车辆宽度信息，汽车宽度一般在1.5～2.5m之间，根据特征②和③，通过相机标定结果，计算出车辆阴影在图像中的宽度，然后判断计算的车辆宽度是否在设定范围之内。最后根据车道线检测算法，如果检测到车道线，则将区域限定在当前车道范围内，删除车道范围外的阴影水平线。原图见图3，得到的各阶段图像如图5所示。

4　车辆确认

车辆底部阴影候选位置得到以后，首先根据车辆对称性特征粗略确认车辆位置，然后采用机器学习的方法最终确认车辆是否存在。车辆对称性确认过程中，根据车辆底部阴影位置的左右边缘和长度，确定图像垂直边缘增强的左右位置和高度。文中设定图像垂直边缘增强的高度与车底阴影长度相同。通过采用Sobel垂直边缘增强，得到增强后的灰度图像F1（x，y）。然后对区域内的图像，如式（2），从上到下逐列累加统计。

图5　　各阶段图像

对称轴取矩形框竖直中轴xs，宽度为矩形宽度w= xend-xstart，以xs为纵轴的新坐标，偶函数和奇函数分量分别为

目标矩形的对称度测量为

通过上述公式计算，得出候选区域的对称度测量值，如果满足要求，则在候选区域中采用机器学习方法进行最终确认。采用机器学习方法包括2个过程：训练过程和识别过程。训练过程通过采集大量车辆样本和非车辆样本，将正样本统一归一到32×32大小尺寸。然后采用Adaboost算法，训练得到表示车辆的数学模型。本文采用扩展的类Harr特征来描述车辆边缘及结构特征，共分为4大类15种特征。计算每个样本图像的15种不同尺寸的类Harr特征，每个样本可以计算出57519个类Harr特征。Boosting原意为提升、加强。现在一般指的是将弱学习算法提升为强学习算法的一类算法。1995年，Freund和Schapire提出的Adaboost，是对Boosting算法的一大提高。其主要原理是将所有带分类样本赋予相等的初始权值，在每一轮选取弱分类器的训练中，选择对样本带权分类错误最小的特征与阈值组合作为当前选取的弱分类器，并根据当前的弱分类器的分类效果对样本的权值进行更新。在反复进行多次迭代训练后，可以使分类错误趋近于0。

通过车辆确认后的效果如图6所示。

图6　　车辆确认后效果

5　试验验证

本文采用奇瑞公司研发的艾瑞泽7轿车为试验车辆，利用安装在挡风玻璃上部的CCD摄像机采集前方图像。摄像头焦距12 mm，水平视场角26°，采用主频为2.2 GHz的工控机为图像处理平台，采集频率为25 帧/s。试验测试数据库来自摄像头采集的视频序列，奇瑞公司建立了涵盖白天各种场景的车辆检测测试库，其中轿车图像86 472张，越野车图像107 265张，货车图像153 400张，中巴图像95 674张，公交车图像114 684张。试验中，用以下指标对在不同场景中车辆检测的效果进行评价。检测率用tp表示，错误率用fp表示，公式如下。

式中：NTP——测试样本中正确检测车辆数目；NFP——测试样本中非车辆检测为车辆的个数；NTN——测试样本中正确识别非车辆的数目；NFN——将车辆识别为非车辆的个数。

采用本文方法测试的不同场景的车辆检测效果见表1。

表1　　不同场景的车辆检测效果

6　结论

基于车辆阴影的车辆检测，通过提取车底阴影与地面分割阈值，采用车辆阴影在图像中的特有特征提取出车辆阴影，可以在算法初期快速定位候选车辆区域。然后采用机器学习方法在候选区域确认车辆有效性。通过试验测试，本文方法相比于传统的机器学习方法，通过车底阴影进行局部区域确定，然后采用机器学习方法可以显著减低算法运行时间，同时通过车辆对称性和机器学习两级确认，可以得到更加稳定的车辆位置。通过不同车辆类型检测测试结果，可以看出对轿车的检测率最高，而货车的检测率最低，其主要原因在于轿车尾部相对货车更加规整。货车由于载货和改装等问题，识别率相对较低。同时，本文只研究了晴天场景的车辆识别问题，下一步将对雨天、夜晚等恶劣场景进行研究，从而形成可以全天候进行智能车车辆检测的系统。

［1］韵卓.基于DSP的道路前方车辆识别算法研究［D］.长春：吉林大学，2014.

［2］李晗.基于机器视觉的高速车道标志线检测算法的研究［D］.沈阳：东北大学，2006.

（编辑杨景）

Intelligent Forward Vehicle Detection Algorithm Based on the Vehicle Shadow

WANG Ji-zhen，ZHANG Shao-yong，CHEN Xiao-hua
（Automobile Engineering Research Institute of Chery Automobile Co.，Ltd.，Wuhu 241009，China）

The real-time and accurate detection of forward vehicle is the basis of the lateral and longitudinal control in the intelligent vehicle system.A robust vehicle detection method is proposed here，which can be applied in all scenes with or without lane line.The vehicle detection can be divided into two stages：vehicle hypothesis generation and vehicle verification.In the first stage，a vehicle shadow binarization method is proposed.In the second stage，two steps are proposed：rough verification and precise verification.In the rough verification stage，the vehicle can be positioned using the vehicle symmetry，and in the precise positioning stage，the machine learning method is used for positioning.

vehicle detection；vehicle shadow；Adaboost

U467.11

A

1003-8639（2016）02-0059-04

2015-07-10；

2015-09-24

王继贞（1985-），男，硕士，设计师，主要研究方向为计算机视觉、主动安全、智能车；张绍勇（1983-），男，硕士，主管设计师，主要研究方向为智能车；陈效华 （1966-），男，博士，院长，主要研究方向为汽车前瞻性技术。