CN104809429A - 一种基于压缩感知的前方车辆检测方法 - Google Patents

Abstract

本发明公开了一种基于压缩感知的前方车辆检测方法，包括：进行车道线检测；基于特征的假设区域提取；利用压缩感知技术提取车辆特征；利用级联Adaboost分类器对假设区域进行分类。本方法对视频序列中复杂场景的变化以及光照的变化具有良好的适应性，并提高了算法的实时性以及准确率，能达到在场景快速变化的视频序列中实时准确的检测车辆。这对交通运输、交通监控、无人车的研发等领域具有重要的实际意义。

Description

一种基于压缩感知的前方车辆检测方法

技术领域

本发明涉及计算机图形学、数字图像处理以及人工智能等领域，具体是一种在视频序列中检测前方车辆的方法。

背景技术

近年来随着计算机视觉技术的发展，其应用在各个领域都得到不同程度的推广与实施；其中基于视觉技术因其适用环境广、信号具有良好的鲁棒性、信息处理简单、包含信息丰富等优势在道路交通领域得到了广泛的应用。其中车辆检测识别技术是机器视觉在道路交通***中应用的主要方向。

车辆检测有许多经典的方法，其中Robust Real-time Object Detection发表在The 8th IEEE International Conference On Computer Vision，2001上的这篇文献提出的检测方法一直是近些年的热点，其提出了“积分图”的概念，利用Adaboost的学习算法，结构上采用级联结构的Adaboost分类器，其准确率与实时性上都相对均衡。然而在车辆检测应用领域，单纯使用级联Adaboost分类器进行检测实时性和准确率差强人意。 压缩感知（压缩传感，Compressive Sensing）理论是近年来信号处理领域诞生的一种新的信号处理理论，由D. Donoho(美国科学院院士)、E. Candes(Ridgelet, Curvelet创始人)及华裔科学家T. Tao(2006年菲尔兹奖获得者)等人提出，自诞生之日起便极大地吸引了相关研究人员的关注。压缩感知技术试图从原理上降低对一个信号进行测量的成本；故在车辆检测应用领域，此方法拥有相当大的发展前景。但上述的方法在车辆检测领域普遍存的特征处理复杂、检测实时性差以及准确率较低等指标问题。如何解决上述技术问题已成为技术领域研究人员需要克服的一个重要课题。

发明内容

本发明的目的在于提供一种基于压缩感知的前方车辆检测方法，以解决现有技术中单纯使用级联Adaboost分类器加haar特征进行车辆检测实时性差和准确率相对较低的问题。对视频序列中复杂场景的变化以及光照的变化具有良好的适应性，并提高了算法的实时性以及准确率，能达到在场景快速变化的视频序列中实时准确的检测车辆。

为达到上述目的，本发明的一种基于压缩感知的前方车辆检测方法，包括：

1）进行车道线检测；

2）基于特征的假设区域提取；

3）利用压缩感知技术提取车辆特征；

4）利用级联Adaboost分类器对假设区域进行分类。

优选地，上述步骤1）中的车道线检测具体为：对陆空分界线标定、车道线的检测与车道区域的提取。

优选地，上述步骤2）中的特征具体指代车辆的底部阴影和车辆的垂直水平边缘。

优选地，上述步骤2）中具体包括：a.在车道区域内进行阴影检测；b.在包含阴影的一定区域内检测垂直和水平边缘；c.判断该区域内垂直边缘和水平边缘彼此间的距离是否满足给定的阈值。

优选地，上述步骤3）中具体包括：通过一个满足RIP条件的稀疏的测量矩阵对原图像特征空间做投影，得到一个低维压缩子空间，低维压缩子空间保留高维图像特征空间的信息，通过稀疏测量矩阵去提取前景目标和背景的特征，作为训练离线分类器的正样本和负样本。

优选地，上述步骤4）中具体包括：提取出假设区域后进入验证环节，验证环节利用机器学习的方法，离线训练一个级联结构的Adaboost分类器，对假设环节所产生的假设区域进行分类，级联Adaboost分类器的离线训练需要一定数目的正样本和负样本。

本发明的有益效果：

本发明的一种基于压缩感知的前方车辆检测方法在保证算法的准确率的同时也保证算法的实时性。先根据先验知识提取假设区域，缩小检测识别区域，然后再利用压缩感知技术提取车辆外观特征进行验证，这种方法实时性与准确率都比较均衡。

附图说明

图1绘示本发明基于压缩感知的前方车辆检测方法的流程图。

图2绘示本发明基于压缩感知的前方车辆检测方法于具体实施例中的原理图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1及图2所示，本发明的一种基于压缩感知的前方车辆检测方法，于实施例中具体包括如下步骤：

1）进行车道线检测；

车道线检测主要包括陆空分界线标定、车道线的检测与车道区域的提取。

利用远景信息在像素级上较连续，且均值相对陆地较高的特点来检测陆空分界线。首先根据摄像头的安装信息设定分界线的大致范围定在整幅图像高度的1/3-2/3这一区间内，在这一区间内统计各个行的均值，根据各行的均值信息确定分界线的位置；前后两行分别做差，找到差值最大的那一行定为分界线的位置。找到分界线的位置后对图像进行分割，分割出图像的下半部分，在此区域中进行车道线的检测。分割出陆地区域后，运用最大类间方差法进行车道线区域的提取。在此过程中利用提取区域所占比率为标准设定提取的次数，若提取的区域大于一定阈值则再次利用最大类间法进行二次提取。

提取出车道区域后利用canny算子进行边缘检测生成二值图像，然后利用3*3的矩形模板进行滤波，最后利用霍夫变换检测直线，然后通过车道线位置以及角度的先验知识对检测出的直线进行筛选，选取出角度以及长度在一定范围内的两条直线作为当前车辆所在的车道。

在某一帧检测到车道线以后，在其之后的视频帧则在前一帧检测到的车道线的左右各20个像素的范围内进行当前帧的车道检测；若检测失败，则在整个陆地图像范围内重新检测。

陆空分界线的标定主要目的是为了缩小检测区域，由于远景信息在整幅图像中所占的比重大约在一半以上，如果不去除远景信息的话，不管是对算法的速度还是准确率上都有很大的负面影响，况且远景信息在像素信息上有良好的连续性，陆空分界线较明显。

2）基于特征的假设区域提取；

主要采用了车辆的底部阴影和车辆的垂直水平边缘来确定车辆的假设区域（ROI，region of interest），一般情况下，在道路上车辆底部都会存在一块阴影区域且车辆本身存在许多相对密集的水平和垂直边缘。利用这些特征可在图像中初步判断可能的车辆存在区域，利用路面区域内灰度信息的均值和方差确定阴影区域的分割阈值。首先，考虑图像底部中间的一块区域为路面，计算该区域的灰度均值作为路面的灰度特征；然后，建立一个20×5像素大小的搜索窗口，考虑车辆的阴影区域主要集中在图像的下半平面中，因此搜索窗口仅仅遍历图像的下半部分；遍历时计算每个位置处搜索窗内的像素灰度均值，最后计算每个搜索窗口内灰度均值与路面灰度均值的方差；通常，方差较大说明该搜索窗对应区域的灰度值小于路面灰度。但考虑在实际情况下，由于光照等因素的影响，路面的灰度分布很复杂，为了保证不漏检，这里选择0.8倍最大方差对应的搜索窗口的灰度均值作为阴影区域的分割阈值。同时考虑车辆在图像中的宽度为20～100个像素宽，为此将二值化阴影图像中宽度不满足上述条件的部分去掉，这样就形成了初步的假设区域。然后在一定的阴影区域内进行垂直和水平边缘检测，分别计算两种边缘彼此间的垂直距离是否满足给定的阈值，若满足则认为此区域为假设区域，否则判定为背景，将其过滤。

3）利用压缩感知技术提取车辆特征；

通过一个满足RIP条件的非常稀疏的测量矩阵对原图像特征空间做投影，得到一个低维压缩子空间，低维压缩子空间可以很好的保留高维图像特征空间的信息。所以通过稀疏测量矩阵去提取前景目标和背景的特征，作为训练离线分类器的正样本和负样本。

4）利用级联Adaboost分类器对假设区域进行分类。

提取出假设区域后进入验证环节，验证环节利用机器学习的方法，离线训练一个级联结构的Adaboost分类器，对假设环节所产生的假设区域进行分类（二分类 车辆&非车辆）。级联结构的分类器是由一系列的分类器的串联组成，对待识别的样本进行判别时，只有被前面一级的分类器判决为正样本才被送入后面的分类器继续处理，反之则被认为是负样本直接拒绝。整个分类器的输出是被所有分类器都判决为正样本。级联分类器由很多层组成，每一层都是一个弱分类器的集合，每一个弱分类器为一个“决策树桩”的简单的分类器。每一层的训练均通过Boosting的技术来实现，Boosting技术能通过改变对弱分类器投票权值来实现一个准确率很高的分类器。

基于机器学习的假设区域验证包括分类器离线训练、特征提取以及分类识别三个步骤。

级联分类器的离线训练需要一定数目的正样本及负样本，本实施例中，利用5000张不同角度的车辆图片作为正样本，10000张街景以及其他非车辆图片作为负样本来离线训练级联分类器；利用压缩感知技术进行特征提取，在层数的选取上定为9层，每层的伪正率定为0.2，级联分类器训练完成之后就可以对假设区域进行分类，级联Adaboost分类器的输入是上一环节生成的假设区域（ROI），输出是经分类器验证之后的车辆目标。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (6)

1.一种基于压缩感知的前方车辆检测方法，其特征在于，包括：

1）进行车道线检测；

2）基于特征的假设区域提取；

3）利用压缩感知技术提取车辆特征；

4）利用级联Adaboost分类器对假设区域进行分类。

2.根据权利要求1所述的基于压缩感知的前方车辆检测方法，其特征在于，上述步骤1）中的车道线检测具体为：对陆空分界线标定、车道线的检测与车道区域的提取。

3.根据权利要求1所述的基于压缩感知的前方车辆检测方法，其特征在于，上述步骤2）中的特征具体指代车辆的底部阴影和车辆的垂直水平边缘。

4.根据权利要求3所述的基于压缩感知的前方车辆检测方法，其特征在于，上述步骤2）中具体包括：

a.在车道区域内进行阴影检测；

b.在包含阴影的一定区域内检测垂直和水平边缘；

c.判断该区域内垂直边缘和水平边缘彼此间的距离是否满足给定的阈值。

5.根据权利要求1所述的基于压缩感知的前方车辆检测方法，其特征在于，上述步骤3）中具体包括：通过一个满足RIP条件的稀疏的测量矩阵对原图像特征空间做投影，得到一个低维压缩子空间，低维压缩子空间保留高维图像特征空间的信息，通过稀疏测量矩阵去提取前景目标和背景的特征，作为训练离线分类器的正样本和负样本。

6.根据权利要求5所述的基于压缩感知的前方车辆检测方法，其特征在于，上述步骤4）中具体包括：提取出假设区域后进入验证环节，验证环节利用机器学习的方法，离线训练一个级联结构的Adaboost分类器，对假设环节所产生的假设区域进行分类，级联Adaboost分类器的离线训练需要一定数目的正样本和负样本。