車輛行車實時目標區域特征提取及分類訓練＊

王 全 ，王長元 ，穆 靜，荊 心

（西安工業大學 計算機科學與工程學院，西安710021）

車輛檢測作為智能車輛環境感知系統核心技術，可以有效降低車輛追尾等碰撞造成的財產損失，提高人身安全．城市交通環境中，車輛檢測的實時性和魯棒性不能滿足實際應用要求，主要原因是車輛目標類型、尺寸、顏色和環境背景等非確定性因素眾多．針對這一情況，本文對前視車輛檢測方法進行研究，本文對前視車輛檢測方法進行研究．目前，車輛檢測的各種方法中，基于機器學習的方法是研究的熱點［1］．基于機器學習的方法主要包括有效的特征提取和分類器設計兩個關鍵環節。目前特征提取主要提取的特征包括：Gabor特征［2］，Haar小波特征［3-4］，Haar-Like特征［5］，梯度方向直方圖（Histogram of Oriented Gradient，HOG）特征［6］，尺度不變特征轉換 （Scale-invariant Feature Transform，SIFT）特征［7］，邊緣方向直方圖［8］等．分類器的學習方法主要有：支持向量機（Support Vector Machine，SVM）［9］、人工神經網絡［10］、Adaboost加強學習算法［11］、決策樹分類匹配［12］等．

文獻［13-14］提出利用Haar特征和Adaboost算法相結合的方法進行前方車輛檢測，當前向車輛距離較遠時，容易產生誤識別；另外，當圖像或視頻的背景環境中出現建筑物、云彩、花卉等繁雜物體時，分類器會產生一定的誤識別．文獻［15］采用基于SIFT的車輛檢測算法，該方法對大小和旋轉變化有較好的適用性，主要應用在具有明顯特征的圖像中；HOG特征結合SVM的方法可應用于不同的場景中，但算法的不足是需要大量的運算［16］．

本文針對智能車輛視覺導航存在的實際問題，提出一種基于HOG特征和SVM的前方車輛檢測方法．采用一種改進的Hough變換直線檢測提取圖像目標區域，避免對整幅圖像進行檢測，減小運算量，提升智能車輛前方圖像中車輛檢測的實時性和魯棒性．

1 目標區域的提取

智能車輛在行駛過程中，只有當前車道以及左右車道中的車輛對其構成影響，除此之外其他位置的車輛并不關心；為了實現對車輛的高效魯棒檢測，盡可能地減少道路兩旁的各種干擾，如車輛、建筑物、樹木和護欄等，所以，本文采用一種改進的Hough變換直線檢測的方法首先檢測智能車輛所在當前車道以及左右車道區域確定目標檢測區域，并將后續車輛檢測范圍約束在該區域范圍內．以此提高車輛檢測的實時性和魯棒性．

標準的Hough變換投票空間其極角θ的取值范圍是（0，π），極徑ρ的取值范圍為（0，r），r為圖像空間的對角線長度；所以對于車輛檢測來說，過大的搜索范圍會得到過多的無用信息。因而對ρ和θ的取值做出限定，得到Hough變換目標點的約束區域為

式中：θ1和ρl為智能車輛本身所在車道的左車道線的極角和極徑；θr和ρr為右車道線的極角和極徑．Hough變換極角約束區域如圖1所示，圖像的橫向坐標用u表示，圖像的縱向坐標用v表示，圖像的左上角作為圖像空間的原點．

圖1 建立極角約束區域Fig．1 The establishment of constraint regions of polar angle

在建立了極角約束區域后，左右車道線范圍以外的區域將不在Hough變換目標點的搜索范圍之內，在濾去大量干擾信息的同時也使得算法的實時性得以改善．

圖2 采用改進Hough變換的感興趣區域提取結果Fig．2 The results of region of interest detection using an improved Hough transform

在實驗中調用計算機視覺庫Opencv提供的函數cvHoughLines2在二值圖像中擬合直線；設置合理的參數可以很好的提取目標區域；圖2為在不同的路況下采用了基于極角約束的Hough變換的直線車道檢測結果，黑色直線表示擬合的車輛所在車道線，白色直線表示Hough變換的投票范圍，外側白色直線即為提取的圖像感興趣區域，車輛的檢測范圍將約束在此范圍內，算法的計算量減少．

2 HOG特征的提取

Dalal等人2005年首先提出梯度方向直方圖和支持向量機相結合的方法進行行人檢測．此后，在目標檢測領域基于梯度方向直方圖特征結合支持向量機的檢測算法得到廣泛的應用．梯度方向直方圖是對檢測目標外形光強梯度或邊緣方向的描述符，特征是通過計算局部區域的梯度方向直方圖來構成的．Hog特征提取步驟：①對輸入彩色圖像的子窗口進行灰度化處理；②采用Gamma校正法對圖像進行標準化處理，減少陰影和光照因素的影響；③獲取輪廓信息，同時進一步弱化光照的干擾，計算圖像每個像素梯度的大小和方向；④將圖像分成很多個小的單元格，梯度方向從0°～180°量化到幾個區域上，單元格中的所有像素的梯度直方圖進行累加，形成每個單元格的梯度方向直方圖特征，為局部圖像區域提供一個編碼，保留圖像中目標外觀和形狀信息；⑤對單元格進行歸一化，將歸一化后的塊描述符就稱之為Hog描述符；⑥計算完子窗口中所有塊的Hog特征并串聯起來，就得到了檢測目標Hog特征向量，該特征向量供分類使用．本文采用的檢測窗口大小為64＊64像素，塊大小為16＊16像素，滑動增量大小為8＊8像素，胞元大小為8＊8像素，把梯度方向0°～180°分為9個梯度方向，每個梯度方向的范圍為20°，即每個塊包含4個胞元，每個胞元中統計9個方向的梯度直方圖，檢測的Block數量為49個，那么檢測窗口的HOG特征描述為一個1 764維的向量．

與其他特征相比，HOG特征對圖像幾何和光學形變都能保持很好的不變性，這是因為操作是在圖像的局部方格上，只有在更大的空間區域上才會出現幾何和光學的形變．在粗的空域抽樣、精細的方向抽樣以及較強的局部光學歸一化等條件下，光照、平移和旋轉等帶來的影響得到有效抑制．

3 SVM車輛分類器的訓練

支持向量機是一種新型的機器學習方法，是以Vapnik-Chervonenkis維理論結構風險最小化原則為基礎的；車輛監測屬于二分類問題，為實現兩類或多類的分類問題，將輸入向量映射到高維特征空間，在這個空間中構造最優分類器；由于其良好的分類性能，支持向量機目前在車輛、行人監測等分類器的設計中被廣泛應用．本文結合HOG特征和檢測速度的要求選用線性的SVM訓練分類器。文中選取的訓練樣本是從道路圖像中人工篩選出的定位精度高、清晰度高的4 000多張圖片，其中正樣本1 820張，負樣本2 810張．基于SVM的車輛分類器訓練步驟：①提取所有正樣本和負樣本的梯度方向直方圖特征；②使用SVM對提取的HOG特征進行一次訓練，生成基本分類器；③使用訓練出來的基本分類器對所有不包含車輛圖像的負樣本進行特征檢測，把誤認為是正樣本的負樣本放在一起作為困難樣本；④對車輛正樣本和負樣本以及困難樣本進行二次HOG特征提??；⑤使用SVM對二次HOG特征進行二次訓練，生成實際應用的分類器．

4 實驗結果與分析

本實驗是在主頻為2．67GHz的Intel Core i5處理器和內存4G的計算機上進行的；開發平臺為VS2010＋Opencv2．4．0軟件。本文針對車輛前方視圖建立了測試樣本庫，所選擇的圖像中包含的車輛基本上都是針對本車道及相鄰車道上車輛的前方視圖，背景區域是各種環境條件下的道路圖像。測試樣本庫來源于計算機視覺庫CALTECH和PETS2001視頻（跟蹤和監控性能評估國際專題討論會提供）以及本文作者拍攝的圖像，從中選擇了86張不同背景和光照條件下的圖像；分別采用對整幅圖像的直接檢測方法和對感興趣區域的區域檢測方法，檢測結果如圖3所示．

從圖3中可看出，采用HOG特征結合SVM的直接檢測方法對整幅圖像進行遍歷，對道路兩側及空中等非感興趣區域車輛檢測的誤檢測率較高；采用本文的區域檢測方法，先通過Hough變換提取圖像的感興趣區域，有效的避免諸如路旁建筑物、護欄、植被樹木和非相鄰車道車輛的干擾，降低了誤檢率，提高了車輛檢測的識別率．另外，為了驗證所提方法的有效性，將文中的區域檢測方法與基于HOG特征和SVM分類器的直接檢測算法和基于Haar-Like和AdaBoost分類器檢查算法進行對比實驗，分別統計得到車輛檢測的平均用時和識別率，結果見表1．

圖3 兩種方法檢測結果對比Fig．3 Comparison between the results abtained by two detection methods

表1 不同車輛檢測方法檢測結果比較Tab．1 Comparison between the results by different detection methods

由表1所示結果可以得出，使用本文提出的區域檢測法能夠實時、準確的檢測前方車輛；與HOG＋SVM的直接檢測算法比較，車輛檢測用時降低了30%，識別率提高了1．6%，取得了較好的效果．

5 結 論

1）針對智能車前方車輛實時檢測問題，文中提出了一種基于梯度方向直方圖特征和支持向量機的智能車前方車輛的區域檢測方法．

2）通過一種改進的Hough變換直線檢測方法將智能車輛當前車道的及左右車道確定為感興趣區域，有效避免了對整幅圖像進行檢測，計算量得以降低．3）采用SVM算法和HOG特征訓練車輛分類器，并對實際圖像進行檢測．區域檢測方法在平均用時和識別率兩項指標上優于直接檢測方法，具有良好的應用前景．但感興趣區域邊界的定位還不夠準確，有待進一步改進．

［1］ 蔡益紅．多特征融合的道路車輛檢測方法［J］．計算技術與自動化，2013，32（1）：98．CAI Yi-hong．Fusing Multiple Features to Detect Onroad Vehicles［J］．Computing Technology and Automation，2013，32（1）：98．（in Chinese）

［2］ SUN Z，BEBIS G，MILLER R．Monocular Precrash Vehicle Detection：Features and Classifiers［J］．IEEE Transactions on Image Processing，2006，15（7）：2019．

［3］ WANGR C C R，LIEN J J J．Automatic Vehicle Detection Using Local Features-A Statistical Approach［J］．IEEE Transactions on International Transportation System，2008，9（1）：83．

［4］ CHENG G，CHEN X．A Vehicle Detection Approach Based on Multi-features Fusion in the Fisheye Images［C］／／2011 3rd International Conference on Computer Research and Development（ICCRD），Shanghai：IEEE Press，2011：1．

［5］ CHENG W，HAN D J．A Cascade Classifier Using Adaboost Algorithm and Support Vector Machine for Pedestrian Detection［C］／／2011IEEE International Conference on Systems，Man，and Cybernetics（SMC），Anchorage，AK：IEEE Press，2011：1430．

［6］ MAO L，XIE M，HUANG Y．Preceding Vehicle Detection Using Histograms of Oriented Gradients［C］／／2010International Conference on Communications，Circuits and Systems（ICCCAS），Chengdu：IEEE Press，2010，354．

［7］ LOWE D G．Distinctive Image Features from Scaleinvariant Key-points ［J］．International Journal of Computer Vision，2004，60（2）：91．

［8］ MIYOSHI T，SHIBATA T．A Hardware-Friendly Object Detection Algorithm Based on Variable-Block-Size Directional-Edge Histograms［C］／／World Automation Congress（WAC），Kobe：IEEE Press，2010：1．

［9］ NELLO C，JOHN S．An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods［C］／／Anon Proceedings of Conference Vision and Pattern Recognition．San Diego，California，USA．2004．New York：IEEE Computer Society Press，2004：335．

［10］ 倪志偉，蔡慶生．神經網絡專家系統及其數據挖掘技術的探討［J］．系統工程學報，2001，16（1）：61．NI Zhi-wei，CAI Qing-sheng．Neural Network Expert System and Its Knowledge Discovery［J］．Journal of Systems Engineering，2001，16（1）：61．（in Chinese）

［11］ 王海川，張立明．一種新的Adaboost快速訓練算法［J］．復旦學報：自然科學版，2004，43（1）：27．WANG Hai-chuan，ZHANG Li-ming．A Novel Fast Training Algorithm for Adaboost［J］．Journal of Fudan University：Natural Science Edition，2004，43（1）：27．（in Chinese）

［12］ 楊明，張載鵬．決策樹學習算法ID3的研究［J］．微機發展，2002，5（1）：6．YANG Ming，ZHANG Zai-peng．Research on Decision Tree Learning Algorithm of ID3［J］．Microcomputer Development，2002，5（1）：6．（in Chinese）

［13］ HAN S，HAN Y，HAHN H．Vehicle Detection Method Using Haar-Like Feature on Real Time System［J］．Engineering and Technology，2009，59：455，

［14］ SONG G Y，LEE K Y，WOONG L J．Vehicle Detection by Edge Based Candidate Generation and Appearance-Based Classification［C］／／ Proceedings IEEE Intelligent Vehicles Symposium．Eindhoven：Netherlands，2008：428．

［15］ DLAGNEKOW L．Video-Based Car Surveillance：License Plate，Make and Model Recognition［D］．San Diego：University of California at San Diego，2005．

［16］ 張全發，蒲寶明，李天然，等．基于HOG特征和機器學習的工程車輛檢測［J］．計算機系統應用，2013（7）：104．ZHANG Quan-fa，PU Bao-ming，LI Tian-ran，et al．Vehicles Detection Based on Histograms of Oriented Gradients and Machine Learning［J］．Computer Systems ＆ Applications，2013（7）：104．（in Chinese）