基于单目视频流的前方车辆检测系统研究.docVIP

基于单目视频流的前方车辆检测系统研究 　　摘 要： 针对现有的前方车辆检测系统漏检率较高的问题，在检测算法的不同阶段提出了新的方法以降低漏检率。在车辆特征提取阶段提出了一种基于影线扫描的算法提取车辆阴影特征，找到可能包含车辆的疑似区域；在疑似区域验证阶段提出了一种多特征投票机制。通过这两种方法，使系统在保证实时性的同时，提高了对前方车辆的检测率。 　　关键词： 车辆特征提取； 疑似区域验； 影线扫描； 投票机制 　　中图分类号：TP391.4 文献标志码：A 文章编号：1006-8228（2015）08-12-03 　　Study on front-view vehicle detection system based on monocular vision 　　Zhou Shijie， Xu Xianghua 　　（Hangzhou Dianzi University， Zhejiang Provincial Key Lab of Data Storage and Transmission Technology， Hangzhou， Zhejiang 310037， China） 　　Abstract： This paper presents a new method for monocular vision real-time vehicle detection system to reduce the detection missing rate. We extract vehicle shadow features and generate a hypothesis with a new algorithm based on shadow line scanning， then a multi-feature voting system is used to verify the hypothesis. By this way， detection system can achieve both real-time performance and high detection rate. 　　Key words： vehicle features extraction； hypothesis verification； shadow line scanning； voting system 　　0 引言 　　基于单目视觉的前车检测系统使用随车的单一摄像头作为检测系统的输入设备拍摄前方场景，通过机器视觉算法对输入的视频流进行检测，从而获取前方车辆位置信息。现有的车辆检测算法多遵循Sun Z等人于2006年提出的两步检测框架[1]：在特征提取（Hypothesis Generation，HG）阶段，检测系统通过车辆的先验特征从视频中提取出可能含有车辆的区域（Region of Interest，ROI），然后在假设验证（Hypothesis Verification，HV）阶段验证这些区域中是否存在车辆。 　　HG阶段的主要问题即为选择何种先验特征。常有的特征有对称性特征，颜色特征，边缘特征等，这些特征易受环境影响，导致在HG阶段的漏检。阴影特征是车辆底部的连续较暗区域[2]，由于阴影区域不受直射光的影响，其亮度总是低于其邻域。较之其他特征，在不同的行车环境中前方车辆的阴影特征总能保持其特性，因此有着较强的普适性，此外，由于阴影特征总是定位于车辆底部，通过其可以简单地获取车辆位置。因此现有的前车检测系统多采用阴影特征作为特征提取阶段使用的车辆先验特征[3]。现有的车辆阴影特征提取算法采用颜色分割的方法提取图像中连续区域的轮廓，使用Hu不变矩判断轮廓形状与矩形的相似度，以此来提取阴影特征并决定可能包含车辆的ROI[4]。远方车辆的阴影区域较小且易受散射光影响，导致其阴影特征区域分布较为离散，现有算法极易发生漏检；此外，中近距离的车辆在相对运动时易覆盖前车，导致车辆的底部阴影发生形变。这些车辆也难以被现有算法检测出来。 　　HV阶段多采用基于机器学习的验证算法。基于机器学习的方法利用特征向量对样本进行学习，获取分类车辆所需的决策向量[5]。由于车辆尾部近似矩形，基于Haar-like特征与Adaboost算法[6]的验证算法得到了较多的应用。然而其实时性较差，难以满足实际需求，此外，HG阶段所提取的ROI往往部分覆盖车辆，现有验证算法难以对其进行分类，进一步提高了系统漏检率。 　　本文采用以下两种方法提高系统的检测率。在提取阶段，提出了一种基于影线扫描的阴影特征提取算法，通过同一阴影区域的影线相互融合来模拟基于区域的阴影特征提取算法；在验证阶段，添加一个由多种耗时较少的算法所组成的对ROI进行