初探动态背景下前方车辆检测.docVIP

初探动态背景下前方车辆检测 　　摘要:随着我国经济的不断发展，人们多生活水平的要求越来越高，私家车数量成倍增加，这就对车辆检测技术提出了更高的要求。而车辆检测往往是在动态背景下进行的，这就给车辆检测技术提出了更高的要求。在这种需求的背景下，我们提出了一种结合基于区域和基于特征的动态背景下的前方车辆检测方法。 　　关键词：感兴趣区域提取 特征提取 车尾灯 Blob 分析法 　　中图分类号： F407.472 文献标识码： A 　　前言 　　汽车以其特有的优越性为现代社会的发展和人类生活条件的改善做出了巨大贡献。但随着城市化的发展和汽车保有量的日益增加，不可避免地带来了交通拥挤、交通事故、环境污染和能源消耗等问题，其中交通安全是一个尤为突出的问题。因此动态背景下的车辆检测就显得非常有意义了。这里我们综合利用基于区域与基于特征这两种检测方法，使他们相互配合， 首先对车辆的大体位置进行定位， 然后对车辆特征进行精确定位。主要利用在道路上的车辆的固有特征和空间位置的统计特性。现阶段来看，动态背景下的前方车辆检测主要分为两种，单目系统和双目系统。双目系统是采用两台摄像机同时拍摄前方车辆，这种系统能够获得空间立体信息、数据量大、有用信息多。很多学者对双目系统进行了深入研究并取得了一定的成果，但是双目视觉系统也存在一些弊病， 如通过两幅图像获取空间位置算法难度高、成本高、不利于系统集成，因此本文中采用单目视觉系统进行车辆检测。 　　1 处理流程 　　原始视频中的图像具有颜色信息， 可以利用红色车尾灯的颜色特征将车辆所在的大体位置即感兴趣区域（ROI） 确定下来。将红色尾灯的信息记录下来可为后续的去除误识别车辆和调整Blob 块做参考。接下来要在ROI 中对图像进行处理，首先将图像转换成灰度图像以加快处理速度，然后进行滤波去除图像中的噪声，通过对比各种滤波算法后采用3*3 中值滤波，因为这种方法能够在保存原图细节信息的基础上滤除噪声。然后要对图像进行自适应二值化，块的大小通过实验对比分析后选择为5*5。经过以上几个步骤后就可以利用Blob 算法识别出二值图像中的车辆后车窗了，这里会有一些识别情况发生， 结合之前保存的红色车尾灯位置信息可以去除误识别并调整Blob 块，在其内部检测车辆的边缘。算法流程如图1 所示。 　　 　　图1 动态背景下前方车辆检测流程图 　　2 提取感兴趣区域 　　要检测的车辆在视频图像中仅占很小一部分， 如果在整幅图像上提取车辆特征计算量将会非常大，影响实时性，所以应该首先提取出我们感兴趣的车辆所在的大体位置。要想在运动目标和背景都存在运动的情况下检测出车辆，传统的光流法［4］、帧差法、多帧取平均法都不再适合，尤其是在车速较快或背景复杂的情况下， 即使是每隔一定的时间重新更新背景也很难建立背景模型， 因此考虑依据车辆的某个特征定位出车辆所在的大致区域，然后再在这个定位出的区域内部精确定位。文献［5］中利用车辆本身具有的对称性定位车辆，这种方法算法设计简单，但是要在整个图像内计算对称性计算量大， 且车辆在弯道上行驶或者远方建筑有对称性时都有很大的干扰， 同时车辆不在拍摄视频车辆的正前方行驶时不具有对称性。文献［6］中提到采用先检测车道线然后在此基础上检测车辆， 这种方法适合在路面车辆较少、车道线明显的情况下，对实际场景中车道线与路面的对比度依赖程度大，在车道线与路面对比度小时会造成误检。通过观察视频中的车辆可以发现， 每辆车的车尾灯都有一部分是红色的，且这个两个车尾灯成对称分布，中间的间隔和车宽成一定的比例， 因此可以利用车辆的红色尾灯定位出车辆的大致位置，即提取出感兴趣区域［7］。这样，如何获取提取车尾灯部分的红色分量成为首要问题。本文采用在RGB 颜色空间中先将三种颜色分离然后分别将绿色分量与蓝色分量做差， 取差值大于某个阈值（经试验取50 时效果比较理想）的像素点认为是红色区域。设I（x，y）为原图上坐标为（x，y）的值，r（x，y），g（x，y），b（x，y）分别为坐标为（x，y）的红、绿、蓝分量，f（x，y）为红色车尾灯的点，则有： 　　r(x,y) ＝ I(x,y,1); g(x,y) ＝ I(x,y,2); b(x,y) ＝ I(x,y,3); 　　if r(x,y) － g(x,y) ＞50 ＆＆ r(x,y) － g(x,y) ＞50 　　f(x,y) ＝ 1; 　　else f(x,y) ＝ 0; 　　end 　　然后采用形态学处理方法对得到的点进行膨胀、腐蚀运算，去除面积过大的区域（认为是背景） 即可得到红色尾灯所在位置，进而可实现ROI 的提取。原始图RGB 像如图2 所示，通过红色车尾灯提取的ROI 区域如图3 所示。 　　 　　图2 原始视频中一帧图像