分享關(guān)于檢測(cè)前方車輛的方法

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)國內(nèi)有限制的。而歐盟和我國的工信部是建議24G作為車載雷達(dá)波段。而美國是推薦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：基于視覺的探測(cè)。對(duì)距離的判斷較弱（單目視覺情況下），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，基于單目視覺的車輛檢測(cè)技術(shù)。

從視覺上來講，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看，無論是在區(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)?，以上特征在晚上基本都無效了。

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)化過的車輛模板來篩選。

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)，常見問題：

1. 選取那種分辨率來計(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。