摘要：車輛檢測已成為交通運輸工程（ACC）和先進輔助駕駛系統（ADAS）中的核心技術之一。該算法利用車輛的邊緣特征與BagofFeatures（BoF）模型的融合對前方運動車輛進行實時檢測，主要包含車輛假設存在區域生成和假設區域驗證兩部分。首先，對圖像進行預處理后利用Sobel邊緣檢測處理得到車輛假設存在的區域；然后，利用BagofFeatures的K最近鄰域算法對假設存在區域進行驗證。該算法與其他算法最大的區別在于將邊緣和BagofFeatures相結合來提高檢測率。通過對實際道路視頻進行測試，結果表明，該方法能夠實時準確地檢測出道路上前方運動車輛。

　　關鍵詞：Bag-of-Features；Sobel邊緣檢測；車輛檢測；K最近鄰域

0引言

　　車輛已成為人們日常生活中的必需品。然而，由車輛交通事故所導致的死亡人數、經濟損失等也都在逐年遞增。因此，研究先進的輔助駕駛系統變得越來越有意義，而車輛檢測作為先進輔助駕駛系統中的核心技術勢必會成為近些年來研究的重點。

　　近幾年，關于車輛實時檢測的研究日益增多，其所用方法也多種多樣。如參考文獻［1］基于車輛底部的陰影特征對車輛進行檢測；文獻［2］使用車輛的角點特征進行車輛的檢測；文獻［3］中Syed Jahanzeb Hussain Pirzada等人利用Canny邊緣檢測和BoF特征相結合對前方運動車輛進行檢測；文獻［4］中Matthews等人通過檢測車輛的垂直邊緣，得到了車輛左右邊緣的位置。在圖像處理中通過邊緣檢測能夠有效地提取出車輛假設存在的初始區域，為了在檢測過程中能有效濾除虛警目標提高檢測的準確性，從而增加了對假設存在區域進行驗證的步驟。因此，本文提出了通過Sobel檢測算子進行邊緣檢測生成車輛假設存在區域的方法。但是，僅僅使用邊緣不能夠準確地實現較高的檢測率。所以，增加了驗證級算法，即利用BagofFeatures（BoF）的K最近鄰域算法對區域進行驗證。

1車輛檢測方法設計

　　本文提出的算法主要包含兩個步驟：首先，對圖像進行預處理后使用Sobel邊緣檢測提取出車輛假設存在的區域；然后，利用BoF的K最近鄰域算法對假設區域進行驗證以排除虛警目標，提高車輛檢測的準確性。主算法流程如圖1所示。　

2車輛假設存在

　　邊緣是圖像最基本的特征之一，也是目標物體與背景圖像的分界，其包含很多重要的信息，包括方向、形狀、階躍性質等［5］。因此，使用Sobel邊緣檢測算子提取出車輛假設存在的區域對提高整個車輛檢測系統的實時性和準確性有很大的作用。

　　2.1Sobel邊緣檢測算子

　　邊緣作為物體的一個重要特征，攜帶了圖像中目標物體的大量重要信息，因此邊緣檢測在圖像處理中的目標檢測和識別領域具有重要的研究價值。邊緣檢測算子主要包含Canny算子、Robert算子、Prewitt算子和Sobel算子等［6］。其中Sobel算子憑借其算法簡單、計算量小、速度快等優勢得到了廣泛的應用。所以，本文選用Sobel檢測算子對車輛邊緣進行檢測。

　　Sobel算子的基本原理是利用水平模板和垂直模板對一些離散的數據（圖像）進行鄰域平均或加權平均運算，從而檢測出圖像的邊緣點。Sobel算子模板如圖2所示，包含兩組3×3的矩陣，分別為橫向及縱向。將其與圖像作平面卷積運算，即可分別得出橫向和縱向的亮度差分近似值。其公式如式（1）：

　　其中，A為原始圖像；Gx和Gy分別代表經縱向和橫向邊緣檢測的圖像。

　　圖像的每一個像素的梯度值可以由橫向及縱向梯度近似值結合式(2)計算：

　　梯度方向可由式（3）計算得到：

　　經過Sobel算子對圖像進行邊緣檢測處理后的結果如圖3(b)所示。

　　2.2車輛假設存在區域的提取

　　為了提高整個檢測過程的實時性，該方法先提取出感興趣區域(ROI)。ROI區域的生成首先是將灰度化的圖像經過Sobel邊緣檢測后，根據視覺上近大遠小的客觀規律，獲知圖像相應區域的車輛高度等參數的先驗知識；再由地面的視野最遠點出發，縮小車輛的搜索范圍，框定地面部分類似梯形的車輛搜索區域，大大減少了外界其他復雜紋理的干擾，得到車輛假設存在的區域。提取出的假設區域結果用白色矩形方框標記出來，如圖4所示。

3假設存在區域的驗證

　　本文使用的車輛檢測方法對車輛假設存在區域的驗證十分重要，它能有效濾除虛警目標以提高檢測的準確性。BoF算法是目標檢測中運用比較廣泛的技術之一，因此本文使用BoF算法對假設區域進行驗證，其算法框架如圖5所示［7］。

　　3.1Bag-of-Features算法概述

　　Bag-of-Features (BoF) 的算法思想來源于Bag-of-Words模型，該模型是文本檢索領域中最為重要的模型之一，其基本原理是把一個文本視為包含詞匯表中若干單詞的詞袋。同理，在圖像處理領域中，也可將一幀幀數字圖像視為由若干視覺單詞(Visual words)構成。如圖6所示將一張紋理圖像看作若干紋元的直方圖。

　　3.2假設區域的驗證

　　BoF是一種用于圖像和視頻檢索的算法，該算法對于不同角度、光照的圖像，基本都能在圖像庫中正確檢索，并且在目標識別領域中表現出優越的性能。使用BoF算法進行假設區域驗證主要包含三個步驟：特征提取、構建圖像碼書以及分類器設計。

　　3.2.1特征提取

　　特征提取有三種常用方法：密集采樣、隨機提取、基于特征點的塊提取方法［8］。根據以上三種方法的優缺點，本文采用基于特征點的塊提取方法中的Harris角點檢測從圖像中提取特征點。Harris是對Moravec角點檢測算子的擴展。Moravec角點檢測算法的缺點主要是不能準確找出全部角點，沒有對圖像進行降噪處理，因此其響應對噪聲敏感，尤其是對邊緣響應很敏感。而Harris算法受信號處理中自相關函數的啟發，給出了與自相關函數聯系的矩陣M。M陣的特征值是自相關函數的一階曲率，如果在圖像中某點的行列曲率值都高，則認為該點是特征點。Harris算法的表達式為：

　　其中，gx、gy分別是x、y方向上的梯度，G(s~)為高斯模板。

　　Harris算法的響應函數如式（5）：

　　R=det(M)－κ(trace(M))2(5)

　　其中，det(M)、trace(M)分別是矩陣的行列式和跡；κ為常數。角響應函數值R在角區域內為正值，因此在實際應用中，通過計算窗口中心點的R值來判斷是否為角點，如果大于某一給定的門限值，就認為這個點是角點。然后使用SURF算法對提取到的特征點進行描述。SURF算法對圖像的局部特征具有旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定的穩定性。

　　3.2.2構建圖像碼書

　　由于每張圖像的SURF特征點數量不一，所以將圖像用SURF描述符表示后，不能直接用于機器學習的分類中，需要通過BoF對其進行進一步的變換。在提取出所有車輛訓練圖像的SURF特征向量后，用KMeans聚類算法對特征向量進行聚類，生成視覺詞匯表。對特征向量進行KMeans聚類后特征向量被分成Ｋ類，每個類的中心即一個視覺單詞，并對特征向量賦予它們所在簇的索引值，有多少個簇視覺詞匯表中就有多少個視覺單詞。

　　視覺詞匯表的生成主要受特征點的個數、特征描述符的維數、視覺詞匯表的大小即Ｋ的影響。特征點個數越多，則視覺單詞越精確，可以通過增加訓練圖片的數量來達到這個目的。增加視覺詞匯表的容量Ｋ，可以更精確地描述圖像，提高分類的效果，但視覺詞匯表的容量Ｋ也不宜取過大，否則會因為訓練圖像特征點數的不足造成過匹配。本文實驗中經過比較多次實驗結果得出取K為500的效果較好。

　　構建完視覺詞匯表后，就可以用視覺單詞的直方圖來表示車輛圖像了。首先提取車輛圖像的SURF特征向量集，再計算SURF特征向量與視覺詞匯表中的視覺單詞的距離，得到SURF特征向量所屬的簇，從而建立車輛圖像的視覺單詞直方圖，即BoF描述向量，把此向量歸一化后即可作為支持向量機的輸入向量。

　　3.2.3分類器設計

　　車輛識別就是實現圖像或視頻中車輛的分類識別，BoF算法可以充分提取圖像的特征，實現車輛的有效識別。目前常用的分類器有神經網絡、Bayes分類器、支持向量機（SVM）等，其中SVM作為一種可訓練的機器學習方法，建立在結構風險最小和統計學習原理上。SVM在解決小樣本、非線性和高維模式識別問題時表現出特有的優點，在很大程度上克服了“維數災難”等問題且具有較好的魯棒性［9］。

　　如圖5所示，車輛識別的過程主要包括車輛圖像的表示與分類器的識別。按前文所述的方法得到車輛圖像的BoF描述向量后，就可以對SVM進行訓練和對車輛進行識別了。

4實驗結果分析

　　該算法在Intel i52400 CPU @310 GHz、8 GB內存，Windows7操作系統的計算機上運行，調用MATLAB函數進行處理。實驗視頻文件是在白天的城郊道路上進行采集得到，其圖像分辨率為720×480，車輛不同運行時刻下的檢測效果如圖7所示，檢測到的車輛用邊框進行標記。該算法處理單幀圖像的平均時間約為40 ms，滿足實時檢測的要求。表1給出了幾種不同算法的性能對照，從表中可以看出，本文算法相比其他算法的處理速度具有一定優勢，檢測的準確率也高于或接近其他算法。綜合各方面因素，本文所提的算法能夠滿足實時準確地檢測出前方運動車輛的要求。圖7車輛不同運行時刻下的檢測結果圖

5結論

　　本文提出的算法，首先基于邊緣特征提取出車輛可能存在的區域，然后再用BagofFeature特征對車輛可能存在的區域進行驗證。該算法有效地實現了白天環境下前方運動車輛的實時檢測。使用基于邊緣的方法和BoF算法進行驗證，消除虛警目標，兩種方法的結合能夠很好地對所有車輛進行檢測并能提升車輛的檢測速率。實驗結果表明，該算法具有較高的準確率，同時具有較好的實時性。然而本文研究中強調的是晴朗、多云的白天環境，未來，本研究將考慮更多復雜多變的環境條件。

參考文獻

　　［1］ AYTEKIN B, ALTUG E. Increasing driving safety with a multiple vehicle detection and tracking system using ongoing vehicle shadow information［J］. IEEE International Conference on

　　Systems Man and Cybernetics, 2010,25(4):3650-3656.

　　［2］ JAZAYERI A, CAI H, ZHENG J Y, et al. Vehicle detection and tracking in car video based on motion model［J］. IEEE Trans. Intell. Transp.Syst., 2011,12(2): 583-595.

　　［3］ PIRZADA S J H, HAQ E U, SHIN H. Single camera vehicle detection using edges and BagofFeatures［J］. Lecture Notes in Electrical Engineering， 2012，114：135143. DOI:10.1007/9789400727922_13.

　　［4］ MATTHEWS N, AN P, CHARNLEY

　　D, et al. Vehicle detection and recognition in greyscale imagery［J］. Control Engineering Practice, 1996,4(4):473-479.

　　［5］ 梁娟.一種基于Sobel圖像邊緣檢測的改進算法 ［J］ .軟件導刊，2014, 13(12):79-81.

　　［6］ 何春華，張雪飛，胡迎春.基于改進Sobel算子的邊緣檢測算法的研究 ［J］.光學技術，2012, 38(3):323-327.

　　［7］ 梁曄，于劍，劉宏哲.基于BoF模型的圖像表示方法研究 ［J］.計算機科學，2014,41(2):36-44.

　　［8］ 王志瑞，閆彩良.圖像特征提取方法的綜述［J］.吉首大學學報（自然科學版），2011,32(5): 43-47.

　　［9］ 何友松，吳煒，陳默，等.基于Bag-of-Features算法的車輛圖像識別研究 ［J］.視頻應用與工程，2009, 33(12)：104-107.