多车道复杂环境下前方车辆检测算法-IndexCopernicusJournals.pdfVIP

第 ３９卷 第２期 河 南 科 技 大 学 学 报 （自然 科 学 版 ） Ｖｏｌ．３９ Ｎｏ．２ ２０１８年　 ４月 ＪｏｕｒｎａｌｏｆＨｅｎａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ） Ａｐｒ． ２０１８ 文章编号：１６７２－６８７１（２０１８）０２－００２５－０６　 ＤＯＩ：１０．１５９２６／ｊ．ｃｎｋｉ．ｉｓｓｎ１６７２－６８７１．２０１８．０２．００５ 多车道复杂环境下前方车辆检测算法 孔　栋，黄江亮，孙　亮，钟志伟，孙一帆 （山东理工大学 交通与车辆工程学院，山东 淄博 ２５５０９１） 摘要：为了解决智能车安全辅助驾驶系统中前方车辆目标的检测问题，提出了一种基于改进阴影多特征与深 度网络学习的车辆检测算法。基于前方车辆与本车存在安全距离，选取道路图像底部几行作为候选道路背景 并对其预处理排除干扰，通过差分得到车底阴影增强图像。利用自适应阈值法确定图像灰度分割阈值并对道 路二值化图像进行形态学预处理。然后，利用最小外接矩形框选候选车辆目标，结合车底阴影几何位置特征、 对称度特征进行滤波生成车辆假设。最后，基于局部二值模式纹理特征和深度学习方法验证车辆假设。实验 结果表明：在复杂干扰的多车道环境中，算法可以有效地检测前方车辆目标。 关键词：车辆检测；改进阴影多特征；局部二值模式纹理；深度网络算法；机器视觉 中图分类号：ＴＰ３９１．４ 文献标志码：Ａ ０　引言 前方多车道复杂环境中车辆目标可靠、鲁棒的检测，是做出判断以避免碰撞的重要前提。相对于雷 达等主动传感器而言，视觉具有信息丰富、检测范围大、价格低廉、易于检测与跟踪等特点［１］。因此，通 过对视觉图像的处理，确定前方多车道车辆目标的位置信息一直是研究热点［２－３］。 目前，利用车底阴影、水平边缘以及灰度对称性等车辆某些显著特征，从道路背景图像中提取出候 选车辆假设目标的方法，是视觉特征检测车辆的主要方法。文献［４］提出了利用边缘对称性特征定位 车辆目标的方法，首先，基于Ｓｏｂｅｌ算子计算垂直边缘梯度得到候选目标；其次，计算垂直边缘对称性验 证并定位车辆目标。文献［５］利用道路图像减去道路背景图像，并对其进行预处理，以最大限度去除背 景图像中车道线等大量干扰，增强车辆图像。文献［６］基于车底阴影与车辆边缘特征，利用自适应双阈 值和能量密度检测车辆垂直边界，结合可变模型划分车辆存在区域。文献［７］利用多阈值对被分为上 下视图的道路图像进行阴影分割并二值化，进而生成车辆位置假设，基于随机抽样一致（ｒａｎｄｏｍｓａｍｐｌｅ ｃｏｎｓｅｎｓｕｓ，ＲＡＮＳＡＣ）算法的时间验证方法验证车辆假设。文献［８］提出利用车底阴影和对称性特征检 测前方车辆的算法，利用大津阈值分割法得到车底阴影特征，进而利用车辆对称性进行验证定位。文献 ［ ９］提出利用双最大类间方差法融合来确定路面灰度分割阈值，进而准确提取车辆底部阴影特征。以 上算法的不足是：部分算法选取道路背景自适应性较差，即由于道路环境复杂，不可能预先选取没有障 碍物的道路图像作为道路背景。由于光照易变性，导致车辆某些特征难以获取，因此，部分算法基于单 一特征检测车辆容易增加误检概率，且多次使用最大类间方差法会降低实时性。 鉴于此，本文提出了一种基于改进阴影多特征与深度网络学习的车辆检测算法。基于正常行驶车 辆与前方待检测车辆目标存在一定安全距离，选取几何裁剪处理的道路图像底部几行作为候选道路背 景。为排除候选道路背景受车道线的干扰，需对其预处理，将其与道路图像进行差分来增强车辆阴影特 征。结合单次最大类间方差算法确定车底阴影增强的道路图像灰度分割阈值并二值化图像。融合车底 阴影位置特征、对称度特征进一步滤波生成车辆假设。基于局部二值模式（ｌｏｃａｌｂｉｎａｒｙｐａｔｔｅｒｎ，ＬＢＰ）纹 理特征和深度学习方法验证并确定多车道道路图像中车辆目标位置。 基金项目：国家自然科学基金项目５１５０８３１５） 作者简介：孔栋（１９９１－），男，山东济宁人，硕士生；孙亮（１９７６－），男，通信作者，山东即墨人，讲师，博士，主要研究方向为智能汽 车、鲁棒优化理论及应用． 收稿日期：２０１７－０８－０６ ·２６·