0 引言

    基于視頻的前車實(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)采集本車前方車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)別出視頻中的車輛。該類研究屬于汽車安全輔助駕駛領(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]表明車輛底部陰影特征較為顯著，因此準(zhǔn)確識(shí)別車底陰影是車輛檢測(cè)的前提。

    基于車底陰影特征車輛檢測(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)車底陰影的灰度值、紋理、形狀、梯度特征^[5-7]，將車底陰影與路面分割^[6]，通過(guò)車底陰影檢測(cè)確定車輛位置，最終達(dá)到車輛位置檢測(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)確地求出車底陰影閾值；并提出一種基于汽車尾部寬度模版的橫向遍歷最小均值法，生成車底陰影線假設(shè)的方法，以實(shí)現(xiàn)實(shí)時(shí)前車檢測(cè)。

1 車輛檢測(cè)算法

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

1.1 ROI的選取

    ROI的選取，即預(yù)估車輛可能出現(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，減小了車輛漏檢率。

1.2 車底陰影閾值的計(jì)算

    圖像中車底陰影在道路上的投影形狀通常近似為矩形^[11]，因此本文則將車底陰影的形狀視為矩形。經(jīng)大量統(tǒng)計(jì)可以得出，車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，在圖像中車底陰影同樣具有這一特征。圖1近似給出車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為車底陰影在本圖像中的真實(shí)位置，若車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，同理車底陰影大小的變化是連續(xù)的，矩形車底陰影的寬度、高度的變化也是連續(xù)的。

    由上述車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剩琖_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)車底陰影閾值計(jì)算方法與傳統(tǒng)的固定矩形窗口車底陰影閾值計(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)車底陰影閾值分割二值圖，圖2(b)、圖2(c)為固定矩形窗口車底陰影閾值分割二值圖。

1.3 車底陰影檢測(cè)

1.3.1 車底陰影線假設(shè)

    車底陰影檢測(cè)是通過(guò)檢測(cè)車底陰影與路面相交線位置，即能確定前方車輛位置。而車底陰影與路面相交線（下文統(tǒng)稱為車底陰影線）通常為水平線段，其長(zhǎng)度隨縱軸變化而連續(xù)變化；且車底陰影線上的像素點(diǎn)灰度均值小于閾值Th。基于上述車底陰影線的特征，本文提出一種基于車輛尾部寬度模版的橫向遍歷最小灰度均值法，快速生成車底陰影假設(shè)。圖3為車底陰影線假設(shè)生成過(guò)程示意圖。基于車輛尾部寬度模版，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)，以車底陰影線長(zhǎng)度為W_v的車輛尾部寬度模版，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′）為車底陰影線假設(shè)左頂點(diǎn)坐標(biāo)，車底陰影線長(zhǎng)度為W_v′。由于車底陰影形狀為矩形，因此滿足M_v<Th的車底陰影線不止一條，如圖4所示，ROI區(qū)域內(nèi)產(chǎn)生多條車底陰影線假設(shè)。將車底陰影放大后可統(tǒng)計(jì)出生成模版的車底陰影線假設(shè)共有10條(以圖4為例)，為準(zhǔn)確地檢測(cè)車輛，還需對(duì)假設(shè)結(jié)果進(jìn)行驗(yàn)證，確定出唯一車底陰影線。

1.3.2 車底陰影線驗(yàn)證

    由于車底陰影線在車底陰影正下方，因此利用車底陰影特征對(duì)車底陰影線假設(shè)進(jìn)行驗(yàn)證。已經(jīng)知道車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：

    車底陰影線驗(yàn)證按著車底陰影長(zhǎng)度W_v由大至小順序依次進(jìn)行，在驗(yàn)證過(guò)程中一旦有車底陰影線假設(shè)滿足Mean_(u，v)<Th，即確定其為唯一車底陰影線，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TMS320DM6437，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)

    在離線車輛檢測(cè)算法中用時(shí)最長(zhǎng)的部分為車底陰影閾值計(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、車底陰影線假設(shè)、車底陰影線驗(yàn)證。

3 檢測(cè)結(jié)果分析

    本文實(shí)驗(yàn)所用的視頻來(lái)源于行車記錄儀，以2015年9月20日至25日拍攝于海門市人民西路路段、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)算出車底陰影閾值；基于車輛尾部寬度模版的逐行最小均值搜索法生成車底陰影線假設(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)車底陰影提取算法的前方運(yùn)動(dòng)車輛實(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.基于車底陰影的前方運(yùn)動(dòng)車輛檢測(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）