基于Haar特征與后驗算法的前方車輛識別方法

尹 力，馬浩越Yin Li，Ma Haoyue

基于Haar特征與后驗算法的前方車輛識別方法

尹 力1，馬浩越2
Yin Li1，Ma Haoyue2

（1.內蒙古交通職業技術學院 汽車工程系，內蒙古 赤峰 024005；2. 長安大學 汽車學院，陜西 西安 710064）

針對前方車輛易受到行車環境干擾而導致車輛識別正確率低的問題，設計了一種基于Haar特征與后驗算法的前方車輛識別方法。首先，利用基于AdaBoost和Haar的車輛識別算法對前方車輛識別感興趣區域，進行車輛識別；然后根據車輛尾部在Canny算子邊緣檢測結果圖中的結構特點進行車輛存在性檢驗，去除車輛誤識別結果。試驗結果表明，設計的車輛識別方法具有良好的實時性和魯棒性，能夠滿足實時車輛識別的要求。

Haar特征；AdaBoost級聯分類器；車輛識別；車輛存在性驗證

0 引 言

前方車輛識別是汽車主動安全領域的關鍵技術之一，主要應用于汽車駕駛輔助系統和自動駕駛研究。車輛識別的方法通常由兩部分組成，車輛特征提取和分類學習。其中，車輛特征一般有Haar特征[1]、方向梯度直方圖（Histogram of Oriented Gradient，HOG）[2]、Gabor濾波器特征[3]等；分類學習方法有AdaBoost算法[4]、支持向量機（Support Vector Machine，SVM）[5]、神經網絡（Neural Networks）[6]等。

在高速公路上行駛，車輛識別正確率會受行車環境中天空、道路標線、交通標志牌等因素的干擾。為此，設計了一種基于Haar特征與后驗算法的前方車輛識別方法，首先使用基于AdaBoost和Haar的車輛識別算法對車輛識別區域進行掃描；然后根據先驗知識對識別結果進行車輛存在性驗證，從而提高車輛識別的準確率。

1 前方車輛識別區域

1.1 圖像預處理

車載相機在采集車輛行駛前方圖像的過程中，會受行車周圍環境的影響，使采集到的前方圖像中存在各種各樣的噪聲干擾，因此需要對采集到車輛行駛前方圖像進行預處理。首先，對圖像進行灰度化處理，如圖1所示；然后對灰度化的圖像進行Gauss濾波，以去除圖像中的噪聲，平滑圖像，如圖2所示。

圖1 灰度處理結果

圖2 Gauss濾波結果

1.2 前方車輛識別區域確定

為了提高前方車輛識別的運算速度，縮小車輛識別過程中圖像處理范圍，根據相機安裝位置等先驗知識[7]設置前方車輛識別感興趣區域（Region of Interest, ROI），如圖3所示，矩形框為ROI。同時，假設在前方車輛識別過程中，本車與前車始終處于同一行駛車道，除了行駛車輛之外，不存在其他障礙物。

圖3 車輛檢測ROI設置

2 前方車輛識別方法

前方車輛識別包括訓練和車輛識別驗證。訓練是指從建立的車輛訓練樣本集中獲取大量的Haar特征，進而從中選取關鍵特征，構造用于車輛識別的AdaBoost級聯分類器；車輛識別驗證是指對采集到的車輛圖像進行基于AdaBoost和Haar的車輛識別[8]，然后對識別到的結果進行車輛存在性驗證。前方車輛識別方法的流程如圖4所示。

圖4 前方車輛識別流程圖

2.1 車輛訓練樣本集建立及車輛Haar特征提取

在不同環境下采集3 067張不同車型尾部照片作為正樣本訓練集，9 244張非車輛照片作為負樣本訓練集。其中，將正樣本訓練集的圖像統一為24×24像素，負樣本訓練集的圖像尺寸大小隨機，但均不小于正樣本的尺寸。

正常光照條件下，圖像中的目標車輛相對于其行駛環境會有比較明顯的陰影特征和灰度差異，從而組成車輛的矩形特征，如圖5所示。Haar特征可用于描述相鄰兩類矩形區域間的灰度差；因此可以將該類特征應用于檢測識別道路環境中行駛的車輛。

圖5 車輛矩形特征

2.2 AdaBoost分類器訓練

使用AdaBoost算法對樣本集進行輪訓練，獲得個弱分類器，通過加權組合成一個強分類器，為Cascade級聯分類器檢測做準備。其中，強分類器通過3個步驟訓練獲得。

步驟1：初始化所有樣本的權重1,i(=1)。

步驟2：對于整個(=1, 2, 3, …,)進行循環處理。

（2）對于特征，按給定樣本權重訓練弱分類器h,j，并計算其相對于當前權重的誤差,j。

，（3）

（3）選擇具有最小誤差的弱分類器h，并將其加入到強分類器中。

（4）更新樣本權值。

步驟3：生成強分類器。

2.3 Cascade級聯分類器檢測

把訓練得到的各級強分類器級聯為一個用于最終的決策分類器，即Cascade級聯分類器。該分類器由若干強分類器級聯組成，每級強分類器由若干弱分類器組成。在車輛檢測時，目標候選區域進入AdaBoost級聯分類器的強分類器，強分類器中每個弱分類器對該目標區域進行加權判斷，決定其是否可以進入下一級強分類匹配檢測。通過級聯分類器的方式，能夠以極少的運算過濾掉大量非目標的背景區域，加快車輛識別的速度。AdaBoost級聯分類識別車輛流程如圖6所示。

圖6 AdaBoost級聯分類器車輛識別

2.4 基于先驗知識的車輛存在性檢驗

為了降低AdaBoost級聯分類器對車輛的誤識別，利用先驗知識對基于AdaBoost和Haar的車輛識別結果進行車輛存在性驗證。對車輛圖像進行Canny算子邊緣檢測處理后發現，圖像中水平邊緣主要集中在車輛尾部區域，而圖像中的天空、道路兩旁的山以及路面的水平邊緣無規律分布，如圖7所示。

當獲得基于AdaBoost和Haar的識別結果后，根據識別結果標識框的坐標，在邊緣檢測結果圖的相應區域進行處理，驗證該識別結果中是否有目標車輛存在?；谙闰炛R的車輛存在性驗證具體流程如圖8所示。

圖8 基于先驗知識的車輛存在性檢驗流程圖

3 試驗及結果分析

為驗證前方車輛識別方法的有效性，在白天光照良好條件下采集一段高速公路行車視頻，從中選取200幀圖像，在主頻為2. 13 GHz Core i3 處理器和內存為2G的計算機上進行離線車輛識別試驗，部分離線車輛識別結果如圖9所示。

圖9 離線車輛識別試驗結果圖

在試驗過程中，分別記錄基于AdaBoost和Haar的車輛識別與基于先驗知識的車輛存在性檢驗的圖像處理用時并對其進行分析，見表1。

表1 前方車輛檢測方法試驗結果統計

由表1分析可得，基于AdaBoost和Haar的車輛識別算法可以識別到行車過程中大部分的目標車輛，但仍存在誤識別，其車輛識別率為87.38%，誤識別率為12.62%，平均處理時間為22.37 ms。通過車輛存在性驗證后，減少了部分誤識別，車輛整體識別率為95.33%，誤識別率為4.67%，平均處理時間為1.31ms，相比直接利用基于AdaBoost和Haar的車輛識別算法，車輛的正確識別率可以提高7.95%，圖像處理平均用時只增加1.31 ms。試驗結果表明，基于Haar特征與后驗算法的前方車輛識別方法，車輛識別率為95.33%，誤識別率為4.67%，平均處理時間為23.68 ms，在保證車輛識別實時性的同時，能夠有效避免行車環境對車輛識別的干擾。

4 結 論

設計了一種基于Haar特征與后驗算法的前方車輛識別方法，首先使用基于AdaBoost和Haar的車輛識別算法對行車環境中的目標車輛進行識別，然后根據車輛尾部在Canny邊緣檢測結果圖中的結構特點，進行車輛存在性驗證，從而降低道路環境對車輛識別結果的干擾。試驗結果表明，設計的車輛識別方法具有良好的實時性和魯棒性，車輛識別率為95.33%，誤識別率為4.67%，平均處理時間為23.68 ms。

[1]許慶，高峰，徐國艷.基于Haar特征的前車識別算法[J].汽車工程，2013，35（4）：381-384.

[2]張凱，李華文. 一種基于SVM和HOG特征的視頻車輛識別算法[J].電子世界，2019（7）：74-75.

[3]劉廣威. 基于Gabor特征的稀疏表示車型識別研究[D]. 西安：西安電子科技大學，2015.

[4]馬浩越，劉晶郁，楊煒. 車載GigE Vision實時前方車輛防撞預警系統設計[J].中國科技論文，2018，13（10）：1120-1126.

[5]李星，郭曉松，郭君斌. 基于HOG特征和SVM的前向車輛識別方法[J].計算機科學，2013，40（S2）：329-332.

[6]Wu C F ，Lin C J ，Lee C Y . Applying a Functional Neurofuzzy Network to Real-Time Lane Detection and Front-Vehicle Distance Measurement[J]. IEEE Transactions on Systems，Man and Cybernetics，Part C （Applications and Reviews），2012，42（4）：577-589.

[7]楊煒. 客運車輛危險行駛狀態機器視覺辨識系統研究[D]. 西安：長安大學，2013.

[8]陳擁權，陳影，陳學三.基于AdaBoost分類器的車輛檢測與跟蹤算法[J].計算機技術與發展，2017，27（10）：165-168，176.

2019－05－06

U461.91

A

10.14175/j.issn.1002-4581.2019.04.002

1002-4581（2019）04-0006-04