前方车辆检测的常用方法

from: http://blog.csdn.net/viewcode/article/details/20358367

前方车辆检测&＃xff0c;这里指的是基于车辆自身对象&＃xff0c;而不是公路交通部分的车辆检测。

前方车辆检测&＃xff0c;可以用于防碰撞系统、进而用于自动巡航&＃xff08;ACC&＃xff09;等功能&＃xff0c;应用场景广泛&＃xff0c;所以&＃xff0c;此技术是一项比较基础的技术。而先前的ACC&＃xff0c;只是基于正前方车辆的检测&＃xff0c;对于侧面的车辆或环境的跟踪能力有限。但随着各种传感器和导航地图的应用&＃xff0c;ACC的能力也会大大增强。ACC只用于高速行驶状态&＃xff0c;但已有低速跟车系统的研究&＃xff0c;某公司已计划未来两年内上市。

1. 传感器

前方车辆检测&＃xff0c;常用的传感器有高频雷达&＃xff08;毫米波&＃xff09;、红外激光雷达、摄像头。

每种传感器都有各自的优缺点&＃xff1a;

雷达&＃xff1a;自己可选用的波段有限&＃xff0c;常用24G&＃xff08;厘米波&＃xff09;、79G波段。对雨雾天气的适应能力好&＃xff0c;探测距离大150米&＃xff0c;但容易受电磁干扰影响。据传&＃xff0c;79G雷达技术对国内有限制的。而欧盟和我国的工信部是建议24G作为车载雷达波段。而美国是推荐79G波段作为车载雷达的使用波段。http://www.srrc.org.cn/NewsShow6038.aspx

红外激光&＃xff1a;抗干扰能力强&＃xff0c;定向性。但对于雨雾天气的穿透能力弱。且成本高。

摄像头&＃xff1a;基于视觉的探测。对距离的判断较弱&＃xff08;单目视觉情况下&＃xff09;&＃xff0c;易受雨雾天气的影响。

所以&＃xff0c;想适应各种场景&＃xff0c;厂商一般会采用多种传感器收集信息。

这里重点总结下&＃xff0c;基于单目视觉的车辆检测技术。

从视觉上来讲&＃xff0c;车辆的形状、颜色和大小虽然限定在一定范围&＃xff0c;但都是不固定的&＃xff0c;而且&＃xff0c;其外形会受到自身姿势和外部环境&＃xff0c;如光照或旁边物体的影响。

2. 基于先验知识的特征检测

汽车有一些一些典型的特征&＃xff0c; 如对称性、颜色、阴影、几何特征&＃xff08;如角点、边缘&＃xff09;、纹理、车灯。

1&＃xff09;对称性

汽车从前方和后方来看&＃xff0c;无论是在区域面积还是边缘特征上&＃xff0c;具有很好的对称性。

但是&＃xff0c;对称性特征易受噪声的干扰&＃xff0c;以及角度的影响。

2&＃xff09;颜色

颜色空间一般不直接使用在车辆上&＃xff0c;而比较有效的手段是识别路面和车辆阴影。

3&＃xff09;阴影

车辆阴影是与车辆相关的一个重要的特征。因为车辆阴影一般比周围区域都要暗。但具体的参数指标&＃xff0c;还与光照&＃xff0c;即天气状况有关。

一般做法是采用两个阈值&＃xff0c;一高、一低&＃xff0c;低阈值用于确定阴影&＃xff0c;而高阈值由阴影周围环境来确定&＃xff0c;如局部分割算法&＃xff0c;均值&＃43;方差。

4&＃xff09;角点

先检测出所有角点&＃xff0c;然后再根据角点的空间关系&＃xff0c;如汽车的四个角点会形成一个矩形&＃xff0c;来筛选汽车。

5&＃xff09;垂直或水平边缘

一种方式&＃xff0c;直接检测垂直边缘&＃xff0c;利用类似直方图计算垂直投影。然后&＃xff0c;车辆底盘下方阴影部分也是重要的水平边缘特征。

另外&＃xff0c;也有采用多分辨率的方式&＃xff0c;在每个层次都

边缘只是作为一种初步的筛选/搜索手段。

6&＃xff09;纹理

熵、共生矩阵都可被作为基于纹理的图像分割的基础。

7&＃xff09;车灯

主要是用于夜间车辆的探测。因为&＃xff0c;以上特征在晚上基本都无效了。

8&＃xff09;基于运动的方法

以上其中都是空间特征。而基于运动的方法是对图像连续序列的分析。如光流法。

但光流法会消耗大量的计算资源&＃xff0c;时间和空间。

3. 识别

无论是用遍历的方式&＃xff0c;还是用特征筛选出的候选区域&＃xff0c;对筛选出的子图像需要进一步识别&＃xff0c;车辆还是非车辆。

1&＃xff09;基于模板的方法

采用简化过的车辆模板来筛选。

2&＃xff09;基于外观特征的方法

车辆VS非车辆 分类

二类分类问题&＃xff0c;一般采用机器学习/模式识别的方法解决。

首先&＃xff0c;需要大量的训练图片。

其次&＃xff0c;选取合适的特征&＃xff0c;如PCA&＃xff0c;HOG&＃xff0c;harris&＃xff0c;haar wavelet feature, SIFT等

再次&＃xff0c;选取分类器&＃xff0c;如NN,svm等

4. 跟踪

车辆的跟踪的好处&＃xff1a;

1&＃xff09;提前预测车辆出现的位置&＃xff0c;减少车辆检测的搜索空间&＃xff0c;节省计算时间。

2&＃xff09;区分多个车辆&＃xff0c;每辆车都有各自的特征&＃xff0c;如HOG&＃xff0c;边缘&＃xff0c;灰度密度等&＃xff0c;使用这些特征&＃xff0c;就可以区分不同类型的车辆。根据跟踪算法的结果&＃xff0c;即使是同款车辆出现在同一场景&＃xff0c;也能基本区分。

目前&＃xff0c;常用的跟踪算法&＃xff0c;有卡曼滤波算法。

5. 近几年热门的车辆检测方法

1&＃xff09;HOG 特征 &＃43; haar-like特征&＃xff1b;SVM 或 adaboost  分类器&＃xff1b; &＃xff08;HOG &＃43; SVM ; haar-like &＃43; adaboost 速度快&＃xff09;

2&＃xff09;光流法&＃xff1b;或增加一个HMM分类器&＃xff0c;或SVM分类器

--------------------------------------------

前方车辆检测技术&＃xff0c;常见问题&＃xff1a;

1. 选取那种分辨率来计算&＃xff1f;

mobileye采用的是 640×480 或 752 * 480 彩色CMOS摄像头

2. 如何选取特征&＃xff1f;

3. 如何跟踪&＃xff1f;

4. 如何计算距离&＃xff1f;

5. 如何计算前车速度&＃xff1f;

6. 如何区分多个车辆&＃xff1f;

--------------------------------------------

基于Haar和HoG特征的前车检测方法&＃xff0c;其特征在于&＃xff0c;包括以下步骤&＃xff1a; 

步骤I)人工选取出大量车辆图片和非车辆图片作为训练集的正、负样本&＃xff0c;并将正、负样本规格化到24 X 24像素下&＃xff1b; 

步骤2)使用Haar特征和HoG特征分别对规格化后的每一幅正、负样本进行表征&＃xff0c;形成特征向量&＃xff1b; 

步骤3)针对Haar特征和HoG特征形成的两种特征向量分别构建弱分类器&＃xff1b; 

步骤4)利用级联的Adaboost算法对弱分类器进行训练&＃xff0c;得到级联车辆强分类器&＃xff1b;

步骤5)针对车载摄像头获得的前方道路视频图像&＃xff0c;将其中各种尺寸、各种位置的子图像输入级联车辆强分类器中进行判断。

也有利用改进的HOG特征值&＃xff0c;和SVM训练&＃xff0c;来对车辆进行识别

harr特征、hog特征&＃xff08;大量的正、负样本图片训练&＃xff09;&＃xff0c;利用adboost算法 进行训练、级联&＃xff0c;形成强分类器

http://www.google.com/patents/CN102855500A?cl&＃61;zh

-------------------------

HOG特征的计算及一些改进&＃xff1a;

HOG&＃xff1a;histogram of oriented gradient, 方向梯度直方图&＃xff0c;就是描述物体的形状和边缘特征&＃xff0c;并且不涉及尺度和旋转。

1. 将子图像灰度化&＃xff0c;归一化&＃xff08;为了除去光照和阴影的影响&＃xff09;

2. 划分成小cells&＃xff0c;如3*3个像素块或6*6个像素块。

3. 计算每个cell中每个pixel的gradient方向&＃xff0c;或者说是边缘的方向。

4. 统计每个cell的梯度直方图&＃xff08;不同梯度的个数&＃xff09;&＃xff0c;即可形成每个cell的descriptor。

5. 连接所有cell形成一个子图像的特征描述子。

6. 子图像之间是一般是由重叠的区域的&＃xff0c;这样一个cell影响的就不是一个子图像了。一个矩形子图像&＃xff0c;一般有三个参数&＃xff1a;每个子图像有多少方格、每个方格有几个像素、以及每个方格直方图有多少頻道&＃xff08;梯度方向&＃xff09;。

由于人体轮廓在局部HOG归一化特征上有良好的稳定性&＃xff0c;最初是用于人体检测。

在Dalal和Triggs的人检测实验中&＃xff0c;发现最优的单元块划分是3x3或6x6个像素&＃xff0c;同时直方图是9通道。