前方車輛檢測(cè),這里指的是基于車輛自身對(duì)象,而不是公路交通部分的車輛檢測(cè)。
前方車輛檢測(cè),可以用于防碰撞系統(tǒng)、進(jìn)而用于自動(dòng)巡航(ACC)等功能,應(yīng)用場(chǎng)景廣泛,所以,此技術(shù)是一項(xiàng)比較基礎(chǔ)的技術(shù)。而先前的ACC,只是基于正前方車輛的檢測(cè),對(duì)于側(cè)面的車輛或環(huán)境的跟蹤能力有限。但隨著各種傳感器和導(dǎo)航地圖的應(yīng)用,ACC的能力也會(huì)大大增強(qiáng)。ACC只用于高速行駛狀態(tài),但已有低速跟車系統(tǒng)的研究,某公司已計(jì)劃未來(lái)兩年內(nèi)上市。
1. 傳感器
前方車輛檢測(cè),常用的傳感器有高頻雷達(dá)(毫米波)、紅外激光雷達(dá)、攝像頭。
每種傳感器都有各自的優(yōu)缺點(diǎn):
雷達(dá):自己可選用的波段有限,常用24G(厘米波)、79G波段。對(duì)雨霧天氣的適應(yīng)能力好,探測(cè)距離大150米,但容易受電磁干擾影響。據(jù)傳,79G雷達(dá)技術(shù)對(duì)國(guó)內(nèi)有限制的。而歐盟和我國(guó)的工信部是建議24G作為車載雷達(dá)波段。而美國(guó)是推薦79G波段作為車載雷達(dá)的使用波段。
紅外激光:抗干擾能力強(qiáng),定向性。但對(duì)于雨霧天氣的穿透能力弱。且成本高。
攝像頭:基于視覺(jué)的探測(cè)。對(duì)距離的判斷較弱(單目視覺(jué)情況下),易受雨霧天氣的影響。
所以,想適應(yīng)各種場(chǎng)景,廠商一般會(huì)采用多種傳感器收集信息。
這里重點(diǎn)總結(jié)下,基于單目視覺(jué)的車輛檢測(cè)技術(shù)。
從視覺(jué)上來(lái)講,車輛的形狀、顏色和大小雖然限定在一定范圍,但都是不固定的,而且,其外形會(huì)受到自身姿勢(shì)和外部環(huán)境,如光照或旁邊物體的影響。
2. 基于先驗(yàn)知識(shí)的特征檢測(cè)
汽車有一些一些典型的特征, 如對(duì)稱性、顏色、陰影、幾何特征(如角點(diǎn)、邊緣)、紋理、車燈。
1)對(duì)稱性
汽車從前方和后方來(lái)看,無(wú)論是在區(qū)域面積還是邊緣特征上,具有很好的對(duì)稱性。
但是,對(duì)稱性特征易受噪聲的干擾,以及角度的影響。
2)顏色
顏色空間一般不直接使用在車輛上,而比較有效的手段是識(shí)別路面和車輛陰影。
3)陰影
車輛陰影是與車輛相關(guān)的一個(gè)重要的特征。因?yàn)檐囕v陰影一般比周圍區(qū)域都要暗。但具體的參數(shù)指標(biāo),還與光照,即天氣狀況有關(guān)。
一般做法是采用兩個(gè)閾值,一高、一低,低閾值用于確定陰影,而高閾值由陰影周圍環(huán)境來(lái)確定,如局部分割算法,均值+方差。
4)角點(diǎn)
先檢測(cè)出所有角點(diǎn),然后再根據(jù)角點(diǎn)的空間關(guān)系,如汽車的四個(gè)角點(diǎn)會(huì)形成一個(gè)矩形,來(lái)篩選汽車。
5)垂直或水平邊緣
一種方式,直接檢測(cè)垂直邊緣,利用類似直方圖計(jì)算垂直投影。然后,車輛底盤下方陰影部分也是重要的水平邊緣特征。
另外,也有采用多分辨率的方式,在每個(gè)層次都邊緣只是作為一種初步的篩選/搜索手段。
6)紋理
熵、共生矩陣都可被作為基于紋理的圖像分割的基礎(chǔ)。
7)車燈
主要是用于夜間車輛的探測(cè)。因?yàn)椋陨咸卣髟谕砩匣径紵o(wú)效了。
8)基于運(yùn)動(dòng)的方法
以上其中都是空間特征。而基于運(yùn)動(dòng)的方法是對(duì)圖像連續(xù)序列的分析。如光流法。但光流法會(huì)消耗大量的計(jì)算資源,時(shí)間和空間。
3. 識(shí)別
無(wú)論是用遍歷的方式,還是用特征篩選出的候選區(qū)域,對(duì)篩選出的子圖像需要進(jìn)一步識(shí)別,車輛還是非車輛。
1)基于模板的方法
采用簡(jiǎn)化過(guò)的車輛模板來(lái)篩選。
2)基于外觀特征的方法
車輛VS非車輛 分類
二類分類問(wèn)題,一般采用機(jī)器學(xué)習(xí)/模式識(shí)別的方法解決。
首先,需要大量的訓(xùn)練圖片。
其次,選取合適的特征,如PCA,HOG,harris,haar wavelet feature, SIFT等
再次,選取分類器,如NN,svm等
4. 跟蹤
車輛的跟蹤的好處:
1)提前預(yù)測(cè)車輛出現(xiàn)的位置,減少車輛檢測(cè)的搜索空間,節(jié)省計(jì)算時(shí)間。
2)區(qū)分多個(gè)車輛,每輛車都有各自的特征,如HOG,邊緣,灰度密度等,使用這些特征,就可以區(qū)分不同類型的車輛。根據(jù)跟蹤算法的結(jié)果,即使是同款車輛出現(xiàn)在同一場(chǎng)景,也能基本區(qū)分。
目前,常用的跟蹤算法,有卡曼濾波算法。
5. 近幾年熱門的車輛檢測(cè)方法
1)HOG 特征 + haar-like特征;SVM 或 adaboost 分類器; (HOG + SVM ; haar-like + adaboost 速度快)
2)光流法;或增加一個(gè)HMM分類器,或SVM分類器
前方車輛檢測(cè)技術(shù),常見(jiàn)問(wèn)題:
1. 選取那種分辨率來(lái)計(jì)算?
mobileye采用的是640×480 或 752 * 480 彩色CMOS攝像頭
2. 如何選取特征?
3. 如何跟蹤?
4. 如何計(jì)算距離?
5. 如何計(jì)算前車速度?
6. 如何區(qū)分多個(gè)車輛?
基于Haar和HoG特征的前車檢測(cè)方法,其特征在于,包括以下步驟:
步驟I)人工選取出大量車輛圖片和非車輛圖片作為訓(xùn)練集的正、負(fù)樣本,并將正、負(fù)樣本規(guī)格化到24 X 24像素下;
步驟2)使用Haar特征和HoG特征分別對(duì)規(guī)格化后的每一幅正、負(fù)樣本進(jìn)行表征,形成特征向量;
步驟3)針對(duì)Haar特征和HoG特征形成的兩種特征向量分別構(gòu)建弱分類器;
步驟4)利用級(jí)聯(lián)的Adaboost算法對(duì)弱分類器進(jìn)行訓(xùn)練,得到級(jí)聯(lián)車輛強(qiáng)分類器;
步驟5)針對(duì)車載攝像頭獲得的前方道路視頻圖像,將其中各種尺寸、各種位置的子圖像輸入級(jí)聯(lián)車輛強(qiáng)分類器中進(jìn)行判斷。
也有利用改進(jìn)的HOG特征值,和SVM訓(xùn)練,來(lái)對(duì)車輛進(jìn)行識(shí)別
harr特征、hog特征(大量的正、負(fù)樣本圖片訓(xùn)練),利用adboost算法 進(jìn)行訓(xùn)練、級(jí)聯(lián),形成強(qiáng)分類器
HOG特征的計(jì)算及一些改進(jìn):
HOG:histogram of oriented gradient, 方向梯度直方圖,就是描述物體的形狀和邊緣特征,并且不涉及尺度和旋轉(zhuǎn)。
1. 將子圖像灰度化,歸一化(為了除去光照和陰影的影響)
2. 劃分成小cells,如3*3個(gè)像素塊或6*6個(gè)像素塊。
3. 計(jì)算每個(gè)cell中每個(gè)pixel的gradient方向,或者說(shuō)是邊緣的方向。
4. 統(tǒng)計(jì)每個(gè)cell的梯度直方圖(不同梯度的個(gè)數(shù)),即可形成每個(gè)cell的descriptor。
5. 連接所有cell形成一個(gè)子圖像的特征描述子。
6. 子圖像之間是一般是由重疊的區(qū)域的,這樣一個(gè)cell影響的就不是一個(gè)子圖像了。一個(gè)矩形子圖像,一般有三個(gè)參數(shù):每個(gè)子圖像有多少方格、每個(gè)方格有幾個(gè)像素、以及每個(gè)方格直方圖有多少頻道(梯度方向)。
由于人體輪廓在局部HOG歸一化特征上有良好的穩(wěn)定性,最初是用于人體檢測(cè)。
在Dalal和Triggs的人檢測(cè)實(shí)驗(yàn)中,發(fā)現(xiàn)最優(yōu)的單元塊劃分是3x3或6x6個(gè)像素,同時(shí)直方圖是9通道。
-
傳感器
+關(guān)注
關(guān)注
2550文章
51038瀏覽量
753086 -
車輛檢測(cè)
+關(guān)注
關(guān)注
0文章
29瀏覽量
10856
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論