基于图像的车道线内车辆目标识别

陈华清 陈学文 周越

摘 要：为了获取本车道内前方车辆信息，文章提出一种基于HOG特征与SVM模型的车辆识别方法。根据检测出的车道线确定搜索区域，结合车底阴影特征实施车辆的检测并确定车辆可能存在的假想区域，针对假想区域进行HOG特征提取，构建车辆正、负样本库，将假想区域进行HOG特征输入到训练好的SVM识别器，实现车辆目标的识别。通过大量测试图像进行验证，结果表明文章采用的方法可识别出本车道内前方车辆目标。

关键词：车辆检测;HOG特征提取;SVM模型

中图分类号：U461.99  文献标识码：A  文章编号：1671-7988（2020）19-33-03

Vehicle target recognition in lane line based on image*

Chen Huaqing， Chen Xuewen， Zhou Yue

（ School of Automobile and Traffic Engineering， Liaoning University of Technology， Liaoning Jinzhou 121000 ）

Abstract： In order to obtain the vehicle information in the lane， a vehicle recognition method based on HOG feature and SVM model is proposed. According to detect the lane search area， combined with the feature of car shadow implementation vehicles detection and determine possible imaginary area， in view of the hypothetical areas to HOG feature extraction， the positive and negative samples library build vehicles， imaginary area will HOG feature input into the trained SVM recognizer， achieve vehicle identification. Through the verification of a large number of test images， the results show that the method in this paper can identify the vehicle target in front of the lane.

Keywords： Vehicle detection and identification; HOG feature extraction; SVM model

CLC NO.： U461.99  Document Code： A  Article ID： 1671-7988（2020）19-33-03

1 前言

智能交通系統将计算机技术、数据通信技术结合。车辆检测是智能交通系统的重要组成部分。基于机器视觉的车辆检测识别广泛用于汽车辅助驾驶系统，国内外对此均有研究。文献[2]提出基于深度学习与卷积神经网络进行车辆检测识别。缺点是神经元数目多且需对参数进行调整。文献[3]基于车底阴影，利用函数对称性进行多特征判别。缺点是误检率高。文献[7]利用多通道特征提取和分类器实现车辆检测。缺点是弱分类器联合成强分类器，数据不平衡易导致精度下降。

本文算法基于车底阴影检测车辆候选区域，并对车辆假设区域进行特征提取，输入SVM模型中判别。该算法与神经网络算法相比无极小值问题，且范化能力较强，提高了系统的鲁棒性，降低了漏检和误检率。

2 基于车道检测的候选区域提取

本文以车底阴影为基础，确定车辆候选区域，利用阴影区域亮度较低来确定目标。首先对图像进行二值化处理，通过形态学运算将目标与背景分离，提取出候选区域，步骤如下：（1）根据已确定的车道线确定感兴趣区域。（2）选取合适阀值对感兴趣区域进行二值化。（3）对图像进行先膨胀后腐蚀处理。（4）根据不同连通区域对图像进行标记，对于相应的连通区域分别用最小外接矩形框定。（5）以阴影宽加高作为提取区域的高，以阴影的宽作为提取区域的宽，可完整提取出车辆可能存在区域。图1为感兴趣区域，图2为车辆候选区域提取。

3 基于HOG与SVM的候选区域识别验证

3.1 车辆候选区域的HOG特征提取

本文利用图像光强度梯度和方向分布对车辆目标进行描述。HOG特征提取步骤如下：

（1）候选区域图像归一化，gamma=0.5，公式如下：

（2）图像梯度计算。水平边缘算子为：[-1，0，1];垂直边缘算子为：[-1，0，1]T。图像中像素点（x，y）的梯度为：

式中Gx（x，y）、Gy（x，y）、H（X，Y）表示像素点（x，y）的水平方向梯度、垂直方向梯度以及像素值。像素点处的梯度值和梯度方向角度分别为：

（3）为细胞元构建方向梯度直方图。通过16*16 的像素块对检测窗口扫描，像素块被分成4个8*8 的细胞单元，梯度方向被分为9个部分，称作箱。通过9个箱的直方图，统计细胞单元的梯度信息。

（4）HOG特征向量归一化。将细胞单元组合成块，将细胞单元的特征向量合并，称作块的特征向量。f为归一化结果，如式（6）所示：

3.2 SVM的候选区域识别

支持向量机可较精确解决非线性与高维模式识别问题。支持向量机算法原理如下：假设一线性可分的数据集为（xp，yp），P=1，2，…，n，x是特征向量，y∈{-1，+1}是分类标记，分类面方程如式（7）所示。

当线性可分时，分类间隔等于，根据式（8），可求出式（9）的极小值。利用拉格朗日乘子法，將式（9）转变成式（10）。

aj是样本的拉格朗日乘子，当满足，aj>0的条件时，即得最优分类函数：

SVM训练是在有车与无车图像中分别随机选取60%作为正负样本。然后提取正负样本的HOG特征，并给其不同的标签（+1，0）。最后将提取出的正负样本的HOG特征向量与标签输入SVM分类器并训练。

3.3 实验结果分析

本文训练的数据包含3425张车辆后部图像和3900张不包含车辆的图像，其中60%图片作为训练样本。截取某段视频中的帧数图像进行测试。测试准确率达到98%以上，图3为随机抽取不同帧图像识别结果。结果表明，第24帧到第85帧的图像中，本文提出的算法都完整识别出白色汽车。

4 结束语

本文针对识别本车道内的前方车辆问题，提出了一种基于HOG与SVM的检测算法。首先基于检测出的车道线确定搜索区域。然后基于车底阴影特征进行形态学操作，确定车辆存在的假设区域。然后基于构建的车辆样本库，对库中车辆和非车辆样本提取HOG特征，输入训练SVM模型，得到准确率达98%的测试模型。测试表明，本文提出的识别方法能准确识别本车道前方目标，对于智能车辆研究具有重要参考价值。

参考文献

[1] Bertozzi M， Broggi A， Fascioli A. Vision-based intelligent vehicles： State of the art and perspectives[J].Robotics and Autonomous Sys -tems， 2000， 32（1）：1-16.

[2] Girshick R， Donahue J， Darrell T et al. Region-based convolutional networks for accurate object detection and segmentation. IEEE Transactions on Pattern Analysis Machine Intelligence， 2016， 38（1）： 142-158.

[3] 张全发，蒲宝明，李天然，孙宏国.基于HOG特征和机器学习的工程   车辆检测[J].计算机系统应用，2013， 22（7）：104-107.

[4] 刘冠宇.基于视觉的车道线检测与车辆识别技术研究[D].北京工业大学硕士学位论文，2015.

[5] 童强，李太君，刘笑嶂.基于深度迁移学习的车辆信息识别方法[J]. 电视技术，2019（1）：66-71.

[6] 彭清，季桂树，谢林江，等.卷积神经网络在车辆识别中的应用[J]. 计算机科学与探索，2018.

[7] 姚凯缔.单目视觉车辆检测与类型识别方法研究[D].国防科学技术大学硕士学位论文， 2014.

[8] Son J， Yoo H， Kim S. Real-time illumination invariant lane detection for lane departure warning system[J]. Expert Systems with Applica -tions， 2015， 42（4）：1816-1824.