0 引言

    基于視頻的前車(chē)實(shí)時(shí)檢測(cè)技術(shù),，是利用電荷耦合元件（Charge-Coupled Device，CCD）^[1]實(shí)時(shí)采集本車(chē)前方車(chē)輛在公路上行駛的視頻,，然后對(duì)圖像進(jìn)行分析和處理,，由此識(shí)別出視頻中的車(chē)輛。該類(lèi)研究屬于汽車(chē)安全輔助駕駛領(lǐng)域,，對(duì)減輕駕駛員駕駛壓力及減少交通事故有重要意義,。大量文獻(xiàn)^[2-7]表明車(chē)輛底部陰影特征較為顯著，因此準(zhǔn)確識(shí)別車(chē)底陰影是車(chē)輛檢測(cè)的前提,。

    基于車(chē)底陰影特征車(chē)輛檢測(cè)的方法主要有基于模型和基于特征的方法,。基于模型的方法通常是根據(jù)車(chē)輛,、場(chǎng)景,、光照等先驗(yàn)知識(shí)建立2D或3D陰影模型^[3-4]，具有較好的適應(yīng)性,，但受建立模型數(shù)量的限制,。基于特征的方法是根據(jù)車(chē)底陰影的灰度值,、紋理,、形狀、梯度特征^[5-7],，將車(chē)底陰影與路面分割^[6],，通過(guò)車(chē)底陰影檢測(cè)確定車(chē)輛位置，最終達(dá)到車(chē)輛位置檢測(cè)的目的，但該方法易受光線的影響,。

    綜上所述,，本文提出一種改進(jìn)的連續(xù)變矩形窗口的自適應(yīng)均值-方差差值法，以準(zhǔn)確地求出車(chē)底陰影閾值,；并提出一種基于汽車(chē)尾部寬度模版的橫向遍歷最小均值法,，生成車(chē)底陰影線假設(shè)的方法，以實(shí)現(xiàn)實(shí)時(shí)前車(chē)檢測(cè),。

1 車(chē)輛檢測(cè)算法

    車(chē)輛檢測(cè)算法的實(shí)現(xiàn)過(guò)程為：確定前車(chē)感興趣區(qū)域（ROI）,；計(jì)算出車(chē)底陰影閾值，并生成車(chē)底陰影線假設(shè),；對(duì)車(chē)底陰影線假設(shè)進(jìn)行驗(yàn)證,，從而檢測(cè)出車(chē)輛。

1.1 ROI的選取

    ROI的選取,，即預(yù)估車(chē)輛可能出現(xiàn)在圖像中的范圍,。合理的ROI區(qū)域的選取能縮小圖像檢測(cè)區(qū)域，提高實(shí)時(shí)性,。研究表明,，基于車(chē)道線的梯形ROI區(qū)域確定可以減小大量的計(jì)算量^[8]。本文在車(chē)道線可識(shí)別的假設(shè)前提下確定梯形ROI區(qū)域^[9],。梯形ROI區(qū)域內(nèi)完整地保留了車(chē)底陰影信息,，減小了算法檢測(cè)的區(qū)域，提高了算法的實(shí)時(shí)性,。同時(shí)梯形ROI的選取增大了最遠(yuǎn)處車(chē)輛的識(shí)別范圍,，相對(duì)比固定消失點(diǎn)^[10]的三角形ROI方法，減小了車(chē)輛漏檢率,。

1.2 車(chē)底陰影閾值的計(jì)算

    圖像中車(chē)底陰影在道路上的投影形狀通常近似為矩形^[11],，因此本文則將車(chē)底陰影的形狀視為矩形。經(jīng)大量統(tǒng)計(jì)可以得出,，車(chē)底陰影矩形的寬度與高度的比例大約為5:1^[11],。因此選擇寬、高比為5:1的矩形窗口作為遍歷模版,，在ROI區(qū)域的所有像素點(diǎn)內(nèi),，按由下至上,、由左至右的順序進(jìn)行遍歷,，求出車(chē)底陰影閾值。變矩形窗口的均值-方差差值自適應(yīng)閾值計(jì)算公式為^[12]：

式中,，Th為ROI區(qū)域的閾值,；M為矩形窗口遍歷求得的最小灰度平均值；σ為M對(duì)應(yīng)矩形窗口內(nèi)像素點(diǎn)灰度值的標(biāo)準(zhǔn)差；G_(u,，v)為坐標(biāo)點(diǎn)(u,，v)處像素點(diǎn)的灰度值，遍歷過(guò)程中坐標(biāo)點(diǎn)(u,，v)取遍ROI內(nèi)所有像素點(diǎn),，且順序由下至上、由左至右,；(u_m,，v_m)為M對(duì)應(yīng)像素點(diǎn)坐標(biāo)；W和H分別為圖像中矩形窗口像素的寬和高,；w,、h分別為遍歷矩形窗口內(nèi)像素點(diǎn)距其左上角像素點(diǎn)橫、縱像素距離,。其中最小單位像素長(zhǎng)度為1,，下文將長(zhǎng)度單位均視為圖像中像素長(zhǎng)度單位。

    根據(jù)圖像的透視原理^[12],，同一物體越遠(yuǎn),，在圖像上顯示越小，反之亦然,。同理,，在圖像中車(chē)底陰影同樣具有這一特征。圖1近似給出車(chē)底陰影寬度隨著圖像中遠(yuǎn)近程度改變而改變的變化規(guī)律^[13],。線段AB為車(chē)底陰影在本圖像中的真實(shí)位置,，若車(chē)底陰影位置分別位于CD、EF處,，則此時(shí)的寬度分別為線段CD,、EF的長(zhǎng)度，近而點(diǎn)ABFE圍成的梯形區(qū)域視為車(chē)底陰影所在區(qū)域假設(shè),。由于實(shí)時(shí)視頻中畫(huà)面的變化是連續(xù)的過(guò)程,，同理車(chē)底陰影大小的變化是連續(xù)的，矩形車(chē)底陰影的寬度,、高度的變化也是連續(xù)的,。

    由上述車(chē)底陰影大小的變化規(guī)律可知，使用固定大小的矩形窗口求解車(chē)底陰影灰度閾值并不合理,，從而提出一種連續(xù)變化的矩形窗口閾值求解方法,。圖1中，S為連續(xù)變化的矩形窗口,，其在ROI區(qū)域內(nèi)的所有像素點(diǎn)遍歷時(shí),，縱軸V方向像素點(diǎn)坐標(biāo)每上移一個(gè)單位像素點(diǎn)時(shí),，W的值隨之減小Δw，H的值始終為W的1/5倍,；沿橫軸U方向遍歷時(shí),，S大小不變。S的寬度W縱向變化率為：

式中,，Δw為矩形窗口S的縱向?qū)挾茸兓?，W_max為梯形ROI下底處矩形窗口S的寬，W_min為梯形ROI上底處矩形窗口S的寬,，H_ROI為梯形ROI的高(參見(jiàn)圖1),。

    將改進(jìn)的變矩形窗口自適應(yīng)車(chē)底陰影閾值計(jì)算方法與傳統(tǒng)的固定矩形窗口車(chē)底陰影閾值計(jì)算方法^[10]進(jìn)行比較，通過(guò)閾值分割二值圖可以看出,，本文改進(jìn)的變矩形窗口自適應(yīng)車(chē)底陰影閾值計(jì)算方法較傳統(tǒng)固定矩形窗口閾值計(jì)算方法求得的閾值更為準(zhǔn)確,。其中，圖2(a)為變矩形窗口自適應(yīng)車(chē)底陰影閾值分割二值圖,，圖2(b),、圖2(c)為固定矩形窗口車(chē)底陰影閾值分割二值圖。

1.3 車(chē)底陰影檢測(cè)

1.3.1 車(chē)底陰影線假設(shè)

    車(chē)底陰影檢測(cè)是通過(guò)檢測(cè)車(chē)底陰影與路面相交線位置,，即能確定前方車(chē)輛位置,。而車(chē)底陰影與路面相交線（下文統(tǒng)稱為車(chē)底陰影線）通常為水平線段，其長(zhǎng)度隨縱軸變化而連續(xù)變化,；且車(chē)底陰影線上的像素點(diǎn)灰度均值小于閾值Th,。基于上述車(chē)底陰影線的特征,，本文提出一種基于車(chē)輛尾部寬度模版的橫向遍歷最小灰度均值法,，快速生成車(chē)底陰影假設(shè)。圖3為車(chē)底陰影線假設(shè)生成過(guò)程示意圖,?；谲?chē)輛尾部寬度模版，逐行計(jì)算出ROI區(qū)域內(nèi)每一行中最小灰度均值：

式中,，M_v為最小灰度均值,，即當(dāng)ROI區(qū)域的縱軸坐標(biāo)值v不變時(shí)，以車(chē)底陰影線長(zhǎng)度為W_v的車(chē)輛尾部寬度模版,，遍歷第v行上所有像素點(diǎn),，求得第v行處的值；同圖3所述車(chē)底陰影大小變化規(guī)律,，W_v的值隨著縱軸坐標(biāo)值變化而變化,，縱向變化率同式(4)中的Δw。

    然后,，將計(jì)算出的M_v與閾值進(jìn)行比較,，若M_v<Th，則記錄下M_v對(duì)應(yīng)的坐標(biāo)值(u,，v),，此時(shí)的坐標(biāo)值即為車(chē)底陰影線假設(shè)左頂點(diǎn)坐標(biāo)，陰影線長(zhǎng)度即為該縱軸坐標(biāo)值v處對(duì)應(yīng)的W_v,。若圖3中第v′行求得的M_v′小于Th,，則像素點(diǎn)(u′+g，v′）為車(chē)底陰影線假設(shè)左頂點(diǎn)坐標(biāo),，車(chē)底陰影線長(zhǎng)度為W_v′,。由于車(chē)底陰影形狀為矩形，因此滿足M_v<Th的車(chē)底陰影線不止一條,，如圖4所示,，ROI區(qū)域內(nèi)產(chǎn)生多條車(chē)底陰影線假設(shè)。將車(chē)底陰影放大后可統(tǒng)計(jì)出生成模版的車(chē)底陰影線假設(shè)共有10條(以圖4為例),，為準(zhǔn)確地檢測(cè)車(chē)輛,，還需對(duì)假設(shè)結(jié)果進(jìn)行驗(yàn)證，確定出唯一車(chē)底陰影線,。

1.3.2 車(chē)底陰影線驗(yàn)證

    由于車(chē)底陰影線在車(chē)底陰影正下方,，因此利用車(chē)底陰影特征對(duì)車(chē)底陰影線假設(shè)進(jìn)行驗(yàn)證。已經(jīng)知道車(chē)底陰影形狀呈矩形且灰度均值比閾值小,，因此,，利用寬度為W_v、高度為H_v=W_v/5的驗(yàn)證矩形窗口S_v,，求出車(chē)底陰影線假設(shè)處像素點(diǎn)灰度值均值Mean_(u,，v)。像素點(diǎn)(u,，v)為車(chē)底陰影線假設(shè)的左頂點(diǎn)坐標(biāo)位置,，同時(shí)也是驗(yàn)證矩形窗口S_v的左下頂點(diǎn)坐標(biāo)。Mean_(u,，v)計(jì)算公式為：

    車(chē)底陰影線驗(yàn)證按著車(chē)底陰影長(zhǎng)度W_v由大至小順序依次進(jìn)行,，在驗(yàn)證過(guò)程中一旦有車(chē)底陰影線假設(shè)滿足Mean_(u，v)<Th,，即確定其為唯一車(chē)底陰影線,，驗(yàn)證過(guò)程結(jié)束。

2 DSP硬件系統(tǒng)及實(shí)時(shí)算法實(shí)現(xiàn)

2.1 DSP硬件系統(tǒng)

    本文選用的DSP為T(mén)MS320DM6437,，利用其作為搭建視頻采集硬件系統(tǒng)的核心處理器,，如圖5所示。

    圖5中VPFE和VPBE分別為視頻處理子系統(tǒng)(VPSS)的前端和后端,。系統(tǒng)利用CCD攝像機(jī)采集實(shí)時(shí)視頻,，并將視頻信息傳送給VPFE,，VPFE將模擬視頻信號(hào)轉(zhuǎn)換為數(shù)字視頻信號(hào)傳送給DM6437進(jìn)行車(chē)輛位置實(shí)時(shí)檢測(cè)算法處理，最后通過(guò)LED顯示,。

2.2 實(shí)時(shí)算法實(shí)現(xiàn)

    在離線車(chē)輛檢測(cè)算法中用時(shí)最長(zhǎng)的部分為車(chē)底陰影閾值計(jì)算,，經(jīng)實(shí)驗(yàn)驗(yàn)證對(duì)每一幀圖像進(jìn)行閾值計(jì)算實(shí)時(shí)性較差。由于車(chē)輛行駛在公路上,，在一定的時(shí)間內(nèi)光照情況及路面結(jié)構(gòu)幾乎不變,，而這恰好是對(duì)車(chē)底陰影閾值影響較大的因素。因此,，本文假設(shè)在一個(gè)單位時(shí)間(1 s)內(nèi)車(chē)底陰影閾值不變,。基于本文算法,，提出一種間隔幀數(shù)閾值求解的方法,。即在實(shí)時(shí)視頻中，每間隔相同圖像幀數(shù)求解一次閾值,。為了直觀體現(xiàn)間隔幀數(shù)求解閾值的實(shí)時(shí)效果,，分別給出3種不同間隔幀數(shù)情況下DSP實(shí)時(shí)算法的實(shí)時(shí)性對(duì)比結(jié)果，見(jiàn)表1,。

    由表1可知,，間隔30幀時(shí)DSP的每秒處理速度達(dá)到26幀/s，此速度可以滿足車(chē)輛檢測(cè)實(shí)時(shí)性要求,，因此本算法選擇間隔的幀數(shù)為30,。圖6為運(yùn)動(dòng)車(chē)輛檢測(cè)DSP實(shí)時(shí)算法程序流程圖，主要步驟包括：RIO區(qū)域選取,、閾值計(jì)算,、車(chē)底陰影線假設(shè)、車(chē)底陰影線驗(yàn)證,。

3 檢測(cè)結(jié)果分析

    本文實(shí)驗(yàn)所用的視頻來(lái)源于行車(chē)記錄儀,，以2015年9月20日至25日拍攝于海門(mén)市人民西路路段、秀山路路段,、上海市河南中路延安高架橋隧道等路段的圖像為例,。

    圖7是在不同光照及路面環(huán)境下，從DSP實(shí)時(shí)前車(chē)檢測(cè)結(jié)果中,，隨機(jī)抽取的部分結(jié)果圖,。本算法可以滿足不同光照、不同路面干擾及多種工況下的車(chē)輛檢測(cè),。為更加直觀地體現(xiàn)本算法的實(shí)時(shí)性及準(zhǔn)確性,，本文參照文獻(xiàn)[9]的方法，分別隨機(jī)統(tǒng)計(jì)8 000張簡(jiǎn)單工況下及復(fù)雜工況下視頻圖像檢測(cè)結(jié)果,。其中簡(jiǎn)單工況為光照正常,，路面沒(méi)有干擾,；復(fù)雜工況有光照較弱、道路標(biāo)示干擾,、路面陰影干擾等情況,。兩種工況下車(chē)輛檢測(cè)統(tǒng)計(jì)結(jié)果如表2所示。

4 結(jié)論

    實(shí)驗(yàn)結(jié)果表明：采用變矩形窗口自適應(yīng)均值-方差差值閾值求解法,，可以在不同光照及不同路面環(huán)境下準(zhǔn)確、快速地計(jì)算出車(chē)底陰影閾值,；基于車(chē)輛尾部寬度模版的逐行最小均值搜索法生成車(chē)底陰影線假設(shè),，可以大幅度提高算法的實(shí)時(shí)性，為DSP實(shí)時(shí)算法的實(shí)現(xiàn)提供了有利條件,。

    綜上所述,，基于改進(jìn)車(chē)底陰影提取算法的前方運(yùn)動(dòng)車(chē)輛實(shí)時(shí)檢測(cè)技術(shù)實(shí)時(shí)性好、魯棒性強(qiáng),，在不同的交通環(huán)境,、天氣情況下均能較好地檢測(cè)出車(chē)輛。

參考文獻(xiàn)

[1] 陳蘇婷,，楊世洪.基于感興趣區(qū)域的可變頻CCD實(shí)時(shí)處理系統(tǒng)[J].電子技術(shù)應(yīng)用,，2012，38(1)：34-37.

[2] Qu Shiru,，Li Xu.Research on multi-feature front vehicle detection algorithm based on video image[C].Chinese Control and Decision Conference(CCDC).IEEE,，2016：3831-3835.

[3] COLLADO J M，HILARIO C.Model based vehicle detection for intelligent vehicles[C].IEEE Intelligent Vehicles Symposium(S.l.).IEEE,，2004：572-577.

[4] 胡銦,，楊靖宇.基于模型的車(chē)輛檢測(cè)與跟蹤[J].中國(guó)圖象圖形學(xué)報(bào)，2008,，13(3)：450-455.

[5] SANIN A,，SANDERSON C，LOVELL B C.Shadow detection：a survey and comparative evaluation of recent methods[J].Pattern Recognition,，2013,，45(4)：1684-1695.

[6] Jin Lisheng，Gu Baiyuan,，Wang Rongben,，et al.Preceding vehicle detection based on multi-characteristics fusion[J].IEEE International Conference on Vechicular Electronics and Safety，ICVES 2006,，2007：356-360.

[7] YANG M S,，LAI C Y，LIN C Y.A robust EM clustering algorithm for Gaussian mixture models[J].Pattern Recognition,，2012,，45(11)：3950-3961.

[8] 齊美彬,，潘燕，張銀霞.基于車(chē)底陰影的前方運(yùn)動(dòng)車(chē)輛檢測(cè)[J].電子測(cè)量與儀器學(xué)報(bào),，2012,，26(1)：54-59.

[9] 胡銦.基于單目視覺(jué)得運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D].南京：南京理工大學(xué)，2007.

[10] KROEGER T,，Dai Dengxin,，GOOL L V.Joint vanishing point extraction and tracking[C].IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2015：2449-2457.

[11] 顧柏園.基于單目視覺(jué)的安全車(chē)距預(yù)警系統(tǒng)研究[D].長(zhǎng)春：吉林大學(xué),，2006.

[12] 楊必武,，郭曉松.攝像機(jī)鏡頭非線性畸變校正方法綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2005,，10(3)：269-274.

[13] TSENG S P,，F(xiàn)ONG D.A DSP based real-time front car detection driving assistant system[C].SICE Annual Conference，2010：2419-2423.

作者信息:

朱英凱,，羅文廣,，賓  洋

（廣西科技大學(xué) 電氣與信息工程學(xué)院，廣西 柳州545006）