提出了一种基于类Haar特征和Adaboost算法的车辆检测方法,以解决汽车安全辅助驾驶系统中对前方车辆的信息感知问题。基于类Haar方法对训练集的积分图进行提取,采用Adaboost算法选取有效的类Haar特征并生成前方车辆检测分类器。利用前方车辆检测分类器对PETS(Performanceevaluationoftrackingandsurveillance)提供的图片进行测试。试验结果表明:该方法可以快速、准确地实现日间前方车辆的检测。
AnovelvehicledetectionmethodbasedonHaar-likefeaturesandAdaboostalgorithmisproposedtoimprovethecapabilityoffrontvehicledetectionofthedriverassistancesystem.First,Haar-likefeaturesareselectedfromthetrainingsamples.Then,alearningalgorithmbasedonAdaboostselectstheefficientfeaturesfromtheHaar-likefeaturesetstoyieldvehicledetectionclassifier.TheclassifierisusedtoexaminethetestingsamplesbythepicturesprovidedbytheIEEEInternationalWorkshoponPerformanceEvaluationofTrackingandSurveillance.Resultshowthattheproposedmethodcandetectvehiclesrapidlyandeffectivelyindaytime.
车辆追尾在交通事故中占有很大比例,为了有效地避免车辆间发生碰撞,前方车辆检测技术已成为智能车辆和安全辅助驾驶系统领域的重要研究方向。前方车辆检测系统通过传感器为行驶车辆提供前方环境信息。目前采用的传感器主要有机器视觉、毫米波雷达、激光雷达和红外等传感器。相对于其他传感器,视觉传感器具有信息获取量大的显著特征。因此,机器视觉仍是实现前方车辆检测的主要传感器。
基于此,本文提出一种基于类Haar特征结合Adaboost分类器的识别算法,通过大量轿车尾部的训练图像,训练出用于车辆检测的分类器,从而实现在高等级公路环境中对前方车辆的快速、有效识别。
1.1.1图像预处理
1.1.2类Haar特征和积分图像
(1)两矩形区域(水平和垂直):计算两个区域总像素的差值。
(2)三矩形区域(水平和垂直):计算两边矩形区域总像素和与中间矩形区域像素和的差值。
(3)四矩形区域:计算对角线每对矩形区域像素和的差值。
在点(x,y)处从左到右的像素总和为
式中:ii(x,y)为在(x,y)点的积分图像的像素和;i(x',y')为点(x',y')处的灰度值。
1.1.3基于Adaboost分类器训练
Step1初始化权重。
当yi=0时为负样本:
当yi=1时为正样本:
Step2对于t=1,2,…,T(T为训练次数,决定最终弱分类器的个数)。
(1)权重归一化:
(3)更新每个样本所对应的权重:
Step3最终的强分类器为:
在线识别过程用于检测车辆的存在性,包括图像预处理、类Haar特征提取、积分图计算及应用AdaBoost进行分类识别等。图像预处理和积分图计算与训练过程类似,类Haar特征提取即利用训练过程选择的类Haar特征来计算相应的类Haar特征值,构成特征向量。Adaboost分类器利用所得到的特征向量检测待识别车辆是否存在,并确定存在车辆位于图像中的位置。
本文试验的硬件运行环境为Intel奔腾E6500CPU、内存为1G的PC机;软件环境包括WindowsXP系统,VisualC++集成开发环境和OpenCv开源计算机视觉库。在VisualC++开发环境下,借助OpenCV1.0开发平台训练Adaboost分类器,并对分类器性能进行试验。
从测试图片可以看出:在单一车辆和多车的情况下,该算法具有良好的检测效果。
提出了基于Adaboost算法的日间前方车辆检测方法,能够为建立完整的车辆预警系统提供必要的辅助信息。在提取类Haar特征时,积分图的使用有效地提高了训练速度和检测速度。试验结果表明:该方法可以快速、有效地对车辆进行识别。
Amethodfordetectionofbacksidevehicleonfreewayindaytimewasproposedtohelpthedriverchecktheexistenceofbacksidevehiclesinthetargetlane,especiallythoseintheblindzones,andtoreducetrafficaccidentsduringlanechanging.Theroadimagesareclassifiedintotwocategories:takenundernormalandweakilluminationconditionsaccordingtotheirgrayvalues.Thepossiblebacksidevehicleisrecognizedifthereisasuddenchangeingrayvalueswithintheareainthelanesofbothsidesbecausethegrayvaluesofvehicleshadowsaresmallerthantheaveragegrayvalueoftheroadsurface.Theexistenceofbacksidevehicleisconfirmedbycomparisonbetweentheratiosofwindshieldsizesextractedfromtheimageswiththoseinalistoftheknownvehiclesafteregmentationswithdifferentthresholdsfornormalandweakilluminationconditions,denoising,andboundaryextraction.Experimentalresultsshowthattheproposedalgorithmhasgoodreliabilityandrobustness.
为帮助驾驶员发现目标车道侧后方车辆尤其是视野盲区内车辆,从而避免或减少换道过程中发生的交通事故,提出了日间在高速公路上识别侧后方车辆的新方法.根据路面灰度值,将日间图像分为正常光照和弱光照两类.由于车辆阴影的灰度小于路面平均灰度,根据两侧车道区域内存在的灰度突变确定出侧后方车辆的可能存在区域.对确定的区域采用相应的阈值分割方法进行图像分割.在对分割后的二值化图像去噪、边缘提取和细化,以及提取车辆直线水平边缘基础上,根据系列车辆统计获得的先验知识(车辆前车窗的大小及比例等)验证车辆的真实存在.试验结果表明,该算法具有较好的可靠性和鲁棒性.