連捷

　　(中國電子科技集團公司第三十八研究所,安徽 合肥 230088)

　　摘要：為了快速定位監控場景中的車輛位置，提出了一種基于像素差值特征的車輛檢測方法。首先提取圖像的歸一化像素差值特征（NPD），之后使用深度二次樹（DQT）學習最優的特征子集，最后使用AdaBoost算法篩選最具區分力的特征構建強分類器。以含有正面、側面及背面三個角度超過3 500個樣本為測試集進行了快速車輛檢測測試，并與梯度方向直方圖（HOG）和Haar的組合特征進行了對比。對比實驗表明，基于NPD的車輛檢測方法最優，其檢測率和檢測時間分別為85.47%和200 ms。

　　關鍵詞： 車輛檢測；NPD特征；深度二次樹；級聯分類器

0引言

　　公共安全中的汽車是一個關鍵性元素，如何快速檢測出車輛，并進行后續分析具有實際意義。基于視頻分析的車輛檢測算法主要包括：幀間差分法、光流法、背景差分［13］等。這些算法要么過于簡單，檢測效果不好，要么過于復雜，計算量太大，對于海量視頻分析不太現實。基于AdaBoost 算法［4］雖然速度快，但是虛警率較高，檢測效果一般。NEGRI P等人［5］綜合了HOG特征和Haar特征，將兩種特征的融合特征作為AdaBoost訓練的輸入，該方法對單一角度的車輛檢測結果較好，但對多角度的車輛檢測擴展性能不好。本文對傳統AdaBoost 算法進行改進，結合歸一化像素差值特征（NPD）和深度二次方樹（DQT）［6］，使用多角度車輛樣本來訓練AdaBoost，實驗結果表明本文方法與參考文獻［5］中的檢測算法相比較，檢測速度更快，檢測率更高。

1基于NPD及DQT的車輛檢測方法

　　1.1歸一化像素差值特征空間

　　一幅圖像中的兩個像素的歸一化像素差值（NPD）特征可以定義如下：

　　f(x,y)=x-yx+y(1)

　　其中,x≥0,y≥0是兩個像素的灰度值，當 x=y=0 時，定義f(0,0)為0。

　　NPD特征度量兩個像素值的相對差異性。f(x,y)的符號表示像素x和y的序數關系，幅值表示兩個像素的相對差值。NPD對于灰度值的線性變化具有不變性。

　　1.2深度二次樹

　　傳統的基于AdaBoost 分類器的車輛檢測算法是將若干弱分類器通過訓練組合成一個強分類器。這種弱分類器的缺點是解析不同特征空間維數的相關性的能力較弱，另外它也忽略了特征中的高階信息。本文提出了一個更好的弱分類器,使用二次元分割策略和一個更深的樹形結構。對于一個特征x，本文使用如下函數劃分一個樹的節點:

　　ax2+bx+c<t(2)

　　其中，a、b、c是常值，t是劃分閾值，驗證其是否位于兩個學習到的閾值之間。式（2）同時考慮特征x的一階和二階信息，使其可以更好地解析劃分策略。

　　1.3車輛檢測器

　　由于 NPD特征含有很多冗余信息，本文使用AdaBoost 算法學習最有區分力的特征，構建強分類器［8］，并采用Gentle AdaBoost算法［9］來學習基于NPD特征的深度二次元樹。

　　像參考文獻［7］一樣，一個級聯分類器被進一步學習用于快速車輛檢測。這里只學習一個級聯分類器來進行車輛檢測。此外還采用了軟級聯結構［10］來快速學習和排除負樣本。軟級聯看作一個AdaBoost分類器，每個弱分類器有一個終點。每個迭代過程中，一個深度二次元樹作為弱分類器被學習，當前AdaBoost分類器的閾值也被學習。多個深度二次元樹被組合成一個強分類器。

2實驗結果

　　為對本文提出的算法進行測試，采用了合肥交通局提供的交通監控圖像。實驗圖像由10個相機在合肥不同的路口進行采集，原始圖像大小覆蓋范圍為1 920×1 080~2 448×2 048。圖1顯示了部分車輛圖像。　

　　用于訓練的樣本是1 499張圖像中的4 957個車輛，大小歸一化為24×24，負樣本由不包含車輛圖像的24 840個樣本組成。最終的檢測器包含1 226個深度二次元樹，46 401個NPD特征。NPD特征的計算可以通過查表法來加速計算。

　　使用3 568個車輛圖像對算法進行測試，正確檢測的評價標準是檢測出的目標框與標記的框交并比大于某一閾值，本文將閾值取為0.5。將車輛圖像分為較難、中等和較易3個數據集，對應每個數據集的車輛數目分別為1 073、960和1 535，每種車輛數據集對應的檢測結果如表1所示。由圖2的檢測結果可以看出，本文提出的方法對不同尺度、不同角度的車輛魯棒性較好。表1檢測結果比較較難/%中等/%較易/%NPD68.5580.0485.47HOG+Haar［5］59.5671.5679.42

　　另外，為了與之前的方法進行對比，使用NEGRI P［7］提出的HOG和Haar組合特征在相同的訓練集上訓練AdaBoost分類器，負樣本從362張不含車輛的圖片隨機裁切，使用訓練好的分類器對3個難度不同的測試集進行測試，結果如表1所示。實驗結果表明本文所使用的NPD特征在檢測性能上超越了HOG和Haar特征，對于降采樣后平均尺寸為640×480的圖像，檢測一張圖像NPD約需200 ms，而HOGHaar組合特征約需1 s。

3結論

　　針對海量視頻中的快速有效車輛檢測問題，本文提出了一種改進的AdaBoost算法，結合歸一化像素差值特征（NPD）和深度二次方樹（DQT）來提高模型的表示能力，通過各種角度的車輛樣本訓練得到改進的AdaBoost車輛檢測器。實驗結果表明，與傳統AdaBoost算法相比較，本文算法能夠快速有效地檢測前后面、側面的車輛，具有一定實用性。

參考文獻

　　［1］ SEKI M, FUJIWARA H, SUMI K. A robust background subtraction method for changing background［C］.Applications of Computer Vision, 2000, Fifth IEEE Workshop on. IEEE, 2000: 207213.

　　［2］ 李喜來, 李艾華, 白向峰. 智能交通系統運動車輛的光流法檢測［J］. 光電技術應用, 2010, 25(2):7578.

　　［3］ STAUFFER C, GRIMSON W E L. Adaptive background mixture models for realtime tracking［C］.Computer Vision and Pattern Recognition, 1999. IEEE Computer Society Conference on. IEEE, 1999, 2:252.

　　［4］ 金立生, 王巖, 劉景華, 等. 基于 Adaboost 算法的日間前方車輛檢測［J］. 吉林大學學報: 工學版, 2014, 3(6): 16041608.