初探动态背景下的前方车辆检测.doc

1、初探动态背景下的前方车辆检测摘要: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

2、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

3、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

4、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

5、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

6、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;

7、 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 图 3 根据红色分量截取出的感兴趣区域 3 提取车辆特征 在定位出感兴趣区域后就可以直接在感兴趣区域内部提取车辆特征了。这里主要采取了 Blob 算法。Blob 算法是针对相同连通域像素进行可行性分析的方法， 是一种针对闭合目标进行分析处理的方法，该连通域成为 Blob。Blob 可为机器视觉提供图像中某个待检特征的数量、位置、大小、形

8、状，还可以提供相关特征间的拓扑结构8 。 图像增强：针对原始图像中存在噪声、模糊、光线等因素，Blob 算法针对不同的应用场合使用的主要方法有两种：空间域滤波属于空间运算方法，例如中值滤波、均值滤波，用途主要是降噪；频域滤波属于变换域算法，和信号处理时相通的，可用于模糊、便于检测等。 车辆的后车窗位置由于和顶部及侧面灰度值发生跳变，加之在白天有光照条件下这种阶跃性跳变会更加明显。因此原始视频图像在经过提取感兴趣区域、灰度化、中值滤波、自适应二值化后采用 Blob 算法进行处理，能将车辆的后车窗后置识别出来，如图 4 所示，检测出的后车窗有存在将背景误识别为车窗的情况，该情况可根据检测到红色尾灯

9、位置的行坐标均值去除，去除误识别的结果见图 5。 图 4 根据 Blob 算法定位出的车辆后车窗 图 5 去除误识别的后车窗 检测出车辆后车窗以后，需要将各个 Blob 块调整为包括整个车辆在内的块，需要扩展的行列数根据之前得到的红色尾灯位置信息确定，然后就可以使用 canny 算子在调整后的 Blob 块中检测车辆边缘。最后将检测出的车辆所在位置、轮廓及检测到的车辆数量在原图像的感兴趣区域中显示出来，如图 6 所示。 图 6 显示车辆位置、轮廓及数量图 4 结束语 本文提出的方法比通过检测车道线在根据几何关系定位出车辆所在的大致位置的方法在算法上更加简单， 在处理时间上更加快速；应用Blob

10、 算法能够定位出车辆的后车窗进而根据之前的红色尾灯位置信息可实现车辆的检测。今后的进一步工作有寻找其他特征更好的定位出车辆，通过实验其他算法找出更好的算法或算子对车辆轮廓进行提取。 参考文献： 1王晋，胡觉晖，牛蕴婷，等动态背景下的车辆与车道线检测桂林电子科技大学学报，2011，31（2）：111114 2Du,YReal time vehicle follow through a novel symmetry based approach CRobotics and Automation,1997 IEEE InternationalConference ,1997:31603165 3郑伟基于机器视觉的汽车前方路况识别系统的研究D 广州：广东工业大学，2005 4Ye Li,Qingming YaoRear Lamp Based Vehicle Detection andTracking for Complex Traffic ConditionsJNetworking,sensingand Control (ICNSC),2012 9th IEEE International Conference ,2012: 387392 5石美红，王文光基于 Blob 算法的织物疵点检测算法的研究J 现代电子技术，2010（24）：2931