对于场景中的遮挡车辆检测研究.docxVIP

? ? 对于场景中的遮挡车辆检测研究* ? ? 秦帅昆 罗素云 （上海工程技术大学机械与汽车工程学院 上海 201620） 1 引言 随着我国智能交通系统的快速发展，车辆管控也变得越来越重要。在车辆检测中，车辆遮挡问题仍然具有很大的挑战。目前的车辆检测方法通常通过训练完整车辆轮廓来检测无遮挡或轻微遮挡的车辆，但对严重遮挡的车辆检测性能很差。Lee B G等［1］通过对遮挡面积做出估计进而判断遮挡的方法。该方法虽准确判断出遮挡位置，但计算较复杂。张桂梅等［2］通过用Kona 模板与场景匹配的方法检测T 型节点，利用该节点计算出遮挡位置。Ikemura S 等［3］通过TOF 相机获取目标深度相似特征判断目标遮挡位置，但受设备限制。在实际交通场景下，以上传统的滑窗检测方法很难满足实时性的需求，为了解决这个问题，需采用高效的特征提取方法进行特征计算［4］，或引入降低每个检测窗口分类计算耗时的策略［5］。一些研究者提出通过只选择那些更有可能包含目标的窗口，并通过这种方式获得显著的性能加速，以减少检测窗口的数量。 由于被严重遮挡的车身的大部分轮廓是不可见的，很可能会被其检测窗口内的背景区域误导，从而容易发生漏检。试图学习一组特定的局部遮挡的检测器，然后将它们适当的集成在一起，用于检测非遮挡车辆和部分遮挡车辆［6~7］。该方法基于以下假设：当检测器无法检测部分遮挡车辆时，未遮挡部分的检测器对车辆的检测值仍然较高。对于此方法，每部分检测器的设置至关重要。通常，部件检测器是单独学习的。但单独部件检测器单独学习时有两个缺点：1）忽略了部件之间的相关性，进而影响学习部件检测器的可靠性。2）应用所学部件检测器的计算耗时随检测器数量的增加呈线性增加。W.Ouyang 等［8］利用了单个卷积神经网络实现了部件检测器的学习和集成。但是，这种方法只使用了类标记，并且是以弱监督的方式隐式地学习部件检测器。 在此，初步学习一种概率混合分布，该分布根据目标的位置和尺度对观测场景进行建模。考虑到在一组训练图像上运行的检测器的输出，场景模型以非监督的方式学习。在运行时，学习的混合分布用于采样最相关的检测窗口。然后联合一种共享决策树部件检测器的多标记学习方法，利用部件之间的相关性，降低应用这些部件检测器的计算时间。 2 基于场景学习的方法 本文选用一种基于场景中车辆位置和比例的GMM 的场景相关的方法。GMM 是在无监督的情况下从一组检测中学习的，在非最大抑制之前，由检测器在场景的少量帧中提取。混合模型的每个组成部分都是一个概率分布，表示在图像区域内以特定尺度观察一辆车的期望。在GMM 拟合过程中，根据在支持区域（Region of Support，ROS）［9］内进行重要性加权实施检测。在运行过程中，最有可能包含车辆的窗口将从混合模型部件中取样，并由分类器进行评估。 2.1 场景模型表示 建立概率模型yi，场景中的任何目标检测由GMM定义θ如下： 式中θ由其混合部件和它们的混合概率共同定义（两者都需估计），如下： 每个部件GMM 值都有均值μk（其质心位置）和协方差Ck（图像中部件的空间范围），即： 式中： S是占在其ROS中其他检测器yi的相关程度，和GMM 部件θ?k的检测范围与其它检测器yi检测范围的契合概率，即： 式中： si，k依赖w(yi)，yi的相对权重按其ROS 域内的所有检测器权重归一化。 式中，Z是尺度方差的归一化因子，l(.)是一个返回尺度的函数，并且 是对部件尺度的方差，总和覆盖了所有检测器的集合，这些检测器的局部最大ROS 值为，M为集合的基数。 给出初始状态θinit，在每次迭代中一个新的配置θ通过一个目标函数来估计和评价 因子包括覆盖度（即多少部件覆盖了场景，组件扩展有多少提升）和重叠度（即部件之间的重叠度，重叠的部件将被补偿），定义如下： 这个过程重复进行，直到GMM 的组件数量等于一个固定的数量Kmin。 2.2 检测权重 支持区域ROS(yi）定义为是与给定检测yi有交集的检测集，高于或等于预定义阈值τvoc。一般τvoc设置为0.65［6］。之前，对于每个ROS，使用Hard ROS 加权集作为ROS(yi），即该区域的检测数量。这种权值集是从训练集的检测中学习而来，用于在同一场景中生成窗口建议。为每个检测yi分配一个权重w(yi)，表示它在ROS 中相对于其它检测的相关性。这种Soft ROS加权计算如下： 式中，π(yi)代表检测窗口yi的相关正确性，定义为gi-τT除以ROS中的最大值。gi是分类器分数，τT为级联分类器在yi尺度下的抑制阈值。 ρ(yi)代表yi的相关性定义如下： ?yi?是在ROS 中分类器的等级，φ∈[0，1)用于置中sigmoid函数： 具有?yi?＞φ·|ROS(yi)|的检测具有较低的权