摘要：車輛檢測已成為交通運輸工程（ACC）和先進(jìn)輔助駕駛系統(tǒng)（ADAS）中的核心技術(shù)之一。該算法利用車輛的邊緣特征與BagofFeatures（BoF）模型的融合對前方運動車輛進(jìn)行實時檢測,，主要包含車輛假設(shè)存在區(qū)域生成和假設(shè)區(qū)域驗證兩部分,。首先，對圖像進(jìn)行預(yù)處理后利用Sobel邊緣檢測處理得到車輛假設(shè)存在的區(qū)域,；然后,，利用BagofFeatures的K最近鄰域算法對假設(shè)存在區(qū)域進(jìn)行驗證。該算法與其他算法最大的區(qū)別在于將邊緣和BagofFeatures相結(jié)合來提高檢測率,。通過對實際道路視頻進(jìn)行測試,，結(jié)果表明，該方法能夠?qū)崟r準(zhǔn)確地檢測出道路上前方運動車輛。

　　關(guān)鍵詞：Bag-of-Features,；Sobel邊緣檢測,；車輛檢測；K最近鄰域

0引言

　　車輛已成為人們?nèi)粘Ｉ钪械谋匦杵?。然而,，由車輛交通事故所導(dǎo)致的死亡人數(shù)、經(jīng)濟(jì)損失等也都在逐年遞增,。因此,，研究先進(jìn)的輔助駕駛系統(tǒng)變得越來越有意義，而車輛檢測作為先進(jìn)輔助駕駛系統(tǒng)中的核心技術(shù)勢必會成為近些年來研究的重點,。

　　近幾年,，關(guān)于車輛實時檢測的研究日益增多，其所用方法也多種多樣,。如參考文獻(xiàn)［1］基于車輛底部的陰影特征對車輛進(jìn)行檢測,；文獻(xiàn)［2］使用車輛的角點特征進(jìn)行車輛的檢測；文獻(xiàn)［3］中Syed Jahanzeb Hussain Pirzada等人利用Canny邊緣檢測和BoF特征相結(jié)合對前方運動車輛進(jìn)行檢測,；文獻(xiàn)［4］中Matthews等人通過檢測車輛的垂直邊緣,，得到了車輛左右邊緣的位置。在圖像處理中通過邊緣檢測能夠有效地提取出車輛假設(shè)存在的初始區(qū)域,，為了在檢測過程中能有效濾除虛警目標(biāo)提高檢測的準(zhǔn)確性,，從而增加了對假設(shè)存在區(qū)域進(jìn)行驗證的步驟。因此,，本文提出了通過Sobel檢測算子進(jìn)行邊緣檢測生成車輛假設(shè)存在區(qū)域的方法,。但是，僅僅使用邊緣不能夠準(zhǔn)確地實現(xiàn)較高的檢測率,。所以,，增加了驗證級算法，即利用BagofFeatures（BoF）的K最近鄰域算法對區(qū)域進(jìn)行驗證,。

1車輛檢測方法設(shè)計

　　本文提出的算法主要包含兩個步驟：首先,，對圖像進(jìn)行預(yù)處理后使用Sobel邊緣檢測提取出車輛假設(shè)存在的區(qū)域；然后,，利用BoF的K最近鄰域算法對假設(shè)區(qū)域進(jìn)行驗證以排除虛警目標(biāo),，提高車輛檢測的準(zhǔn)確性。主算法流程如圖1所示,?！?/p>

2車輛假設(shè)存在

　　邊緣是圖像最基本的特征之一，也是目標(biāo)物體與背景圖像的分界,，其包含很多重要的信息,，包括方向,、形狀,、階躍性質(zhì)等［5］,。因此，使用Sobel邊緣檢測算子提取出車輛假設(shè)存在的區(qū)域?qū)μ岣哒麄€車輛檢測系統(tǒng)的實時性和準(zhǔn)確性有很大的作用,。

　　2.1Sobel邊緣檢測算子

　　邊緣作為物體的一個重要特征,，攜帶了圖像中目標(biāo)物體的大量重要信息，因此邊緣檢測在圖像處理中的目標(biāo)檢測和識別領(lǐng)域具有重要的研究價值,。邊緣檢測算子主要包含Canny算子,、Robert算子、Prewitt算子和Sobel算子等［6］,。其中Sobel算子憑借其算法簡單,、計算量小、速度快等優(yōu)勢得到了廣泛的應(yīng)用,。所以,，本文選用Sobel檢測算子對車輛邊緣進(jìn)行檢測。

　　Sobel算子的基本原理是利用水平模板和垂直模板對一些離散的數(shù)據(jù)（圖像）進(jìn)行鄰域平均或加權(quán)平均運算,，從而檢測出圖像的邊緣點,。Sobel算子模板如圖2所示，包含兩組3×3的矩陣,，分別為橫向及縱向,。將其與圖像作平面卷積運算，即可分別得出橫向和縱向的亮度差分近似值,。其公式如式（1）：

　　其中,，A為原始圖像；Gx和Gy分別代表經(jīng)縱向和橫向邊緣檢測的圖像,。

　　圖像的每一個像素的梯度值可以由橫向及縱向梯度近似值結(jié)合式(2)計算：

　　梯度方向可由式（3）計算得到：

　　經(jīng)過Sobel算子對圖像進(jìn)行邊緣檢測處理后的結(jié)果如圖3(b)所示,。

　　2.2車輛假設(shè)存在區(qū)域的提取

　　為了提高整個檢測過程的實時性，該方法先提取出感興趣區(qū)域(ROI),。ROI區(qū)域的生成首先是將灰度化的圖像經(jīng)過Sobel邊緣檢測后,，根據(jù)視覺上近大遠(yuǎn)小的客觀規(guī)律，獲知圖像相應(yīng)區(qū)域的車輛高度等參數(shù)的先驗知識,；再由地面的視野最遠(yuǎn)點出發(fā),，縮小車輛的搜索范圍，框定地面部分類似梯形的車輛搜索區(qū)域,，大大減少了外界其他復(fù)雜紋理的干擾,，得到車輛假設(shè)存在的區(qū)域。提取出的假設(shè)區(qū)域結(jié)果用白色矩形方框標(biāo)記出來,，如圖4所示,。

3假設(shè)存在區(qū)域的驗證

　　本文使用的車輛檢測方法對車輛假設(shè)存在區(qū)域的驗證十分重要,，它能有效濾除虛警目標(biāo)以提高檢測的準(zhǔn)確性。BoF算法是目標(biāo)檢測中運用比較廣泛的技術(shù)之一,，因此本文使用BoF算法對假設(shè)區(qū)域進(jìn)行驗證,，其算法框架如圖5所示［7］。

　　3.1Bag-of-Features算法概述

　　Bag-of-Features (BoF) 的算法思想來源于Bag-of-Words模型,，該模型是文本檢索領(lǐng)域中最為重要的模型之一,，其基本原理是把一個文本視為包含詞匯表中若干單詞的詞袋。同理,，在圖像處理領(lǐng)域中,，也可將一幀幀數(shù)字圖像視為由若干視覺單詞(Visual words)構(gòu)成。如圖6所示將一張紋理圖像看作若干紋元的直方圖,。

　　3.2假設(shè)區(qū)域的驗證

　　BoF是一種用于圖像和視頻檢索的算法,，該算法對于不同角度、光照的圖像,，基本都能在圖像庫中正確檢索,，并且在目標(biāo)識別領(lǐng)域中表現(xiàn)出優(yōu)越的性能。使用BoF算法進(jìn)行假設(shè)區(qū)域驗證主要包含三個步驟：特征提取,、構(gòu)建圖像碼書以及分類器設(shè)計,。

　　3.2.1特征提取

　　特征提取有三種常用方法：密集采樣、隨機提取,、基于特征點的塊提取方法［8］,。根據(jù)以上三種方法的優(yōu)缺點，本文采用基于特征點的塊提取方法中的Harris角點檢測從圖像中提取特征點,。Harris是對Moravec角點檢測算子的擴(kuò)展,。Moravec角點檢測算法的缺點主要是不能準(zhǔn)確找出全部角點，沒有對圖像進(jìn)行降噪處理,，因此其響應(yīng)對噪聲敏感,，尤其是對邊緣響應(yīng)很敏感。而Harris算法受信號處理中自相關(guān)函數(shù)的啟發(fā),，給出了與自相關(guān)函數(shù)聯(lián)系的矩陣M,。M陣的特征值是自相關(guān)函數(shù)的一階曲率，如果在圖像中某點的行列曲率值都高,，則認(rèn)為該點是特征點,。Harris算法的表達(dá)式為：

　　其中，gx,、gy分別是x,、y方向上的梯度，G(s~)為高斯模板,。

　　Harris算法的響應(yīng)函數(shù)如式（5）：

　　R=det(M)－κ(trace(M))2(5)

　　其中,，det(M),、trace(M)分別是矩陣的行列式和跡；κ為常數(shù),。角響應(yīng)函數(shù)值R在角區(qū)域內(nèi)為正值,，因此在實際應(yīng)用中，通過計算窗口中心點的R值來判斷是否為角點,，如果大于某一給定的門限值,，就認(rèn)為這個點是角點,。然后使用SURF算法對提取到的特征點進(jìn)行描述,。SURF算法對圖像的局部特征具有旋轉(zhuǎn)、尺度縮放,、亮度變化保持不變性,，對視角變化、仿射變換,、噪聲也保持一定的穩(wěn)定性,。

　　3.2.2構(gòu)建圖像碼書

　　由于每張圖像的SURF特征點數(shù)量不一，所以將圖像用SURF描述符表示后,，不能直接用于機器學(xué)習(xí)的分類中,，需要通過BoF對其進(jìn)行進(jìn)一步的變換。在提取出所有車輛訓(xùn)練圖像的SURF特征向量后,，用KMeans聚類算法對特征向量進(jìn)行聚類,，生成視覺詞匯表。對特征向量進(jìn)行KMeans聚類后特征向量被分成Ｋ類,，每個類的中心即一個視覺單詞,，并對特征向量賦予它們所在簇的索引值，有多少個簇視覺詞匯表中就有多少個視覺單詞,。

　　視覺詞匯表的生成主要受特征點的個數(shù),、特征描述符的維數(shù)、視覺詞匯表的大小即Ｋ的影響,。特征點個數(shù)越多,，則視覺單詞越精確，可以通過增加訓(xùn)練圖片的數(shù)量來達(dá)到這個目的,。增加視覺詞匯表的容量Ｋ,，可以更精確地描述圖像，提高分類的效果,，但視覺詞匯表的容量Ｋ也不宜取過大,，否則會因為訓(xùn)練圖像特征點數(shù)的不足造成過匹配。本文實驗中經(jīng)過比較多次實驗結(jié)果得出取K為500的效果較好,。

　　構(gòu)建完視覺詞匯表后,，就可以用視覺單詞的直方圖來表示車輛圖像了,。首先提取車輛圖像的SURF特征向量集，再計算SURF特征向量與視覺詞匯表中的視覺單詞的距離,，得到SURF特征向量所屬的簇,，從而建立車輛圖像的視覺單詞直方圖，即BoF描述向量,，把此向量歸一化后即可作為支持向量機的輸入向量,。

　　3.2.3分類器設(shè)計

　　車輛識別就是實現(xiàn)圖像或視頻中車輛的分類識別，BoF算法可以充分提取圖像的特征,，實現(xiàn)車輛的有效識別,。目前常用的分類器有神經(jīng)網(wǎng)絡(luò)、Bayes分類器,、支持向量機（SVM）等,，其中SVM作為一種可訓(xùn)練的機器學(xué)習(xí)方法，建立在結(jié)構(gòu)風(fēng)險最小和統(tǒng)計學(xué)習(xí)原理上,。SVM在解決小樣本,、非線性和高維模式識別問題時表現(xiàn)出特有的優(yōu)點，在很大程度上克服了“維數(shù)災(zāi)難”等問題且具有較好的魯棒性［9］,。

　　如圖5所示,，車輛識別的過程主要包括車輛圖像的表示與分類器的識別。按前文所述的方法得到車輛圖像的BoF描述向量后,，就可以對SVM進(jìn)行訓(xùn)練和對車輛進(jìn)行識別了,。

4實驗結(jié)果分析

　　該算法在Intel i52400 CPU @310 GHz、8 GB內(nèi)存,，Windows7操作系統(tǒng)的計算機上運行,，調(diào)用MATLAB函數(shù)進(jìn)行處理。實驗視頻文件是在白天的城郊道路上進(jìn)行采集得到,，其圖像分辨率為720×480,，車輛不同運行時刻下的檢測效果如圖7所示，檢測到的車輛用邊框進(jìn)行標(biāo)記,。該算法處理單幀圖像的平均時間約為40 ms,，滿足實時檢測的要求。表1給出了幾種不同算法的性能對照,，從表中可以看出,，本文算法相比其他算法的處理速度具有一定優(yōu)勢，檢測的準(zhǔn)確率也高于或接近其他算法,。綜合各方面因素,，本文所提的算法能夠滿足實時準(zhǔn)確地檢測出前方運動車輛的要求。圖7車輛不同運行時刻下的檢測結(jié)果圖

5結(jié)論

　　本文提出的算法,，首先基于邊緣特征提取出車輛可能存在的區(qū)域,，然后再用BagofFeature特征對車輛可能存在的區(qū)域進(jìn)行驗證,。該算法有效地實現(xiàn)了白天環(huán)境下前方運動車輛的實時檢測。使用基于邊緣的方法和BoF算法進(jìn)行驗證,，消除虛警目標(biāo),，兩種方法的結(jié)合能夠很好地對所有車輛進(jìn)行檢測并能提升車輛的檢測速率。實驗結(jié)果表明,，該算法具有較高的準(zhǔn)確率,，同時具有較好的實時性。然而本文研究中強調(diào)的是晴朗,、多云的白天環(huán)境,，未來，本研究將考慮更多復(fù)雜多變的環(huán)境條件,。

參考文獻(xiàn)

　?。?］ AYTEKIN B, ALTUG E. Increasing driving safety with a multiple vehicle detection and tracking system using ongoing vehicle shadow information［J］. IEEE International Conference on

　　Systems Man and Cybernetics, 2010,25(4):3650-3656.

　?。?］ JAZAYERI A, CAI H, ZHENG J Y, et al. Vehicle detection and tracking in car video based on motion model［J］. IEEE Trans. Intell. Transp.Syst., 2011,12(2): 583-595.

　?。?］ PIRZADA S J H, HAQ E U, SHIN H. Single camera vehicle detection using edges and BagofFeatures［J］. Lecture Notes in Electrical Engineering， 2012,，114：135143. DOI:10.1007/9789400727922_13.

　?。?］ MATTHEWS N, AN P, CHARNLEY

　　D, et al. Vehicle detection and recognition in greyscale imagery［J］. Control Engineering Practice, 1996,4(4):473-479.

　　［5］ 梁娟.一種基于Sobel圖像邊緣檢測的改進(jìn)算法 ［J］ .軟件導(dǎo)刊,，2014, 13(12):79-81.

　?。?］ 何春華，張雪飛,，胡迎春.基于改進(jìn)Sobel算子的邊緣檢測算法的研究 ［J］.光學(xué)技術(shù),，2012, 38(3):323-327.

　　［7］ 梁曄,，于劍,，劉宏哲.基于BoF模型的圖像表示方法研究 ［J］.計算機科學(xué)，2014,41(2):36-44.

　?。?］ 王志瑞,，閆彩良.圖像特征提取方法的綜述［J］.吉首大學(xué)學(xué)報（自然科學(xué)版），2011,32(5): 43-47.

　?。?］ 何友松,，吳煒，陳默,，等.基于Bag-of-Features算法的車輛圖像識別研究 ［J］.視頻應(yīng)用與工程,，2009, 33(12)：104-107.