不同光照条件下前方车辆识别方法资料

1、不同光照条件下前方车辆识别方法马雷臧俊杰张润生（燕山大学车辆与能源学院，秦皇岛066004;）摘要选取车辆底部水平方向特征和车辆左右两侧垂直方向特征，提取岀受全局灰度影响较小的局部灰度 特征、局部梯度特征和局部波动特征。应用加权证据理论将车辆水平和垂直方向的特征分别进行信息融合，并 根据光强的不同调整各特征权重。为提高识别的实时性，将人工鱼群算法应用于识别中，并提岀车辆识别模块 以增强人工鱼的引导能力。根据人工鱼群的搜索结果，通过对称性特征进行进一步判定，实现前方车辆的准确 定位。实验表明本方法可以在不同光照条件下对前方车辆进行识别并准确定位，具有良好的适应性、准确性和 实时性。关键词：车辆识

2、别；不同光照；加权证据理论；鱼群算法Vehicle Identification Method Under Different LightingMa Lei Zang Junjie Zhang Run she ngCollege of Vehicle and En ergy, Yan sha n Uni versity, Qin hua ngdao 066004Abstract The vehicle features of horizontal and vertical direction are selected, and the local features of gray, gradi

3、ent and wave which are less affected by the global gray are extracted. Vehicle horizontal and vertical features are fused respectively by applying weighted evidential theory, and each weight of feature is adjusted according to different lighting. In order to enhance real-time quality, artificial fis

4、h algorithm is applied into reorganization， and vehicle reorganization module is put forward to enhance fish-swarm guiding ability. According to the searching results, vehicle is fixed position accurately by using symmetrical feature. Experiments show that frontal vehicles can be identified and fixe

5、d position accurately by applying this method with good adaptability, accuracy and real-time quality.Key words: Vehicle identification; Different lighting; Weight evidential theory; Fish-swarm algorithm刖言智能车载系统关键技术是智能交通系统（ITS） 研究领域的热点之一，主要包括车辆精准定位与高 可靠通信技术、车辆行驶安全状态及环境感知技术 和车载一体化集成技术。车辆识别是智能车载系统 关键技术

6、研究领域的重点之一，目前国内外对本车 前方车辆识别通常采用基于机器视觉、基于激光雷 达、基于热红外和利用多种传感器信息融合技术等 识别方法。由于机器视觉数据量大、冗余度高、 成本低在车辆识别中应用较多，可作为信息融合识 别传感器之一，根据边缘或纹理等信息对图像中的 车辆进行分割和识别2-4,所提出的方法仅适用于路 面条件较好、车辆目标明晰的环境。国外有基于模 板匹配5和基于马尔科夫链-蒙特卡洛算法的方 法，这些方法适应性好一些，但缺点是实时性较差。 由于传统的识别方法存在受环境制约大和实时性差 等不足，文献7提出基于灰度图像上车辆底部的灰 度、梯度及方差特征构造车辆识别目标函数的方法， 该方法

7、存在以下三点不足：第一灰度特征为全局特 征，此特征易受光照条件的影响，并且仅选取了车 辆底部水平方向上的特征；第二目标函数的建立采 用模式识别中线性分类器，虽然形式简单易于实现, 但可靠性有待进一步提高；第三算法的设计很难实 现对前方车辆准确定位。本文提出不同光照条件下前方车辆识别方法。 首先选取车辆底部水平方向特征和车辆左右两侧垂 直方向特征，提取出受全局灰度影响较小的局部灰 度特征、局部梯度特征和局部波动特征；其次应用 加权证据理论将车辆水平和垂直方向的特征分别进 行信息融合，并根据光强不同调整各特征的权重； 再次为提高识别实时性，将人工鱼群算法应用于识 别中，并提出车辆识别模块以增强人工

8、鱼的引导能 力；最后根据人工鱼群的搜索结果，通过对称性特 征进行进一步判定，实现前方车辆的准确定位。1人工河流模型建立由于所识别前方车辆只可能出现在道路边界以 内，因此利用道路边界位置信息可以将所识别车辆 的存在区域范围大大缩小，这可在一定程度上提高识别实时性和准确性。车辆识别与道路识别常常是 同时进行的，因此认为道路位置信息已经得到，并 根据道路边界位置信息来构造人工河流模型，利用 鱼群算法识别前方车辆。根据识别方法特点，将道路左、右边界设置为 河流的左、右边界。在车辆实际行驶时，对前方太 近或太远区域的车辆识别是没有意义的，因此在人 工河流设置近极点和远极点，反映在图像上近极点 以下或远极

9、点以上的图像信息不予考虑。同时人工 鱼只在有效河流区域内活动(人工河流为平面模型， 不考虑河流深度)。近极点和远极点的位置设置与摄 像机俯仰角和实际路况条件有关，本实验所用图像 为320X240像素。设置近极点为距图像下方 80处, 远极点为距图像下方160处，如图1所示。0图1车辆识别范围与坐标系建立2车辆识别中人工鱼群算法特性2.1人工鱼初始位置设定人工鱼数目影响算法的自优化效果和实时性， 数目过小容易陷入局部最优，且精度不高；数目过 大则算法很难满足实时性。兼顾两者，本文设置人 工鱼的数目为N=30只。根据车辆识别的特点，本 文将人工鱼初始设置在近极点，各鱼等间隔排列在 人工河流近极点截

10、面上。如在近极点处河流边界超 越图像，则以图像边界作为排列的始点和终点。 2.2人工鱼群游动特性和结构组成在车辆识别中，所要识别的目标是各车道中距 本车最近的前方车辆的位置。因此当发现某一位置 存在车辆时，不再对此目标更远方车辆进行识别。 根据这一特点，算法中设定整个鱼群的游动方向大 致为由上游顺流游向下游，从而优先对本车最近处 的车辆进行识别。将人工鱼群中的鱼分为三类：自由鱼、引导鱼 和静态鱼。自由鱼指所处位置为非食物区的鱼，且 不具备引导能力，此类鱼将可能继续向下游游动以 寻找食物。引导鱼指所处位置虽然为非食物区，但 是却拥有引导能力，可以对本身和其它自由鱼的游 动起到引导作用。静态鱼指所

11、处位置为食物丰富区 的鱼，此类鱼由于已找到食物，将静止在最早寻到 的食物处不再向下游游动，并且同一位置处只允许 有一条静态鱼。一条自由鱼或引导鱼在由非食物区 游动到食物区时，将会感知到食物而变为静态鱼。 2.3人工鱼的活动方式算法中设定人工鱼有以下几种活动方式8:(1)觅食行为，人工鱼处于非食物区(为自由鱼或 引导鱼)，且附近没有其它静态鱼指引其寻找食物， 此时人工鱼将向下游游动以寻找食物。(2)追尾行为，人工鱼处于非食物区(为自由鱼或 引导鱼)，但某一范围内有其它静态鱼指引其寻找食 物，此时人工鱼将会感知附近可信度最大的静态鱼 并向其游动以寻找食物。游动停止，当自由鱼或引导鱼由非食物区游 动

12、到食物区时，将会停止游动而进食，变为静态鱼。3特征融合与人工鱼种类判定3.1不同光照条件下前方车辆特征分析在采集夜晚图像时，借助两盏红外辅助光源(射程200m,功率24W)。由于夜间道路边界识别 时，采用波长760nm红外滤镜的识别效果最好，因 此夜间前方车辆识别均采用安装760nm红外滤镜所采集到的图像。(a)白天工况图像(c)夜晚有路灯工况图像(d)夜晚无路灯工况图像图2不同光照条件下的灰度图像图2中(a)(d)分别表示白天，黄昏，夜晚有路 灯及夜晚无路灯等典型工况下采集的图片。从图中 看出无论在何种光照条件下，车辆大体呈现矩形， 即存在着车辆底部水平方向的特征和车辆两侧垂直 方向的特征。

13、如果进行车辆识别与准确定位，需确 定出矩形的左下角和右下角，即识别出左下角L形 及右下角反L形。由于随着光照条件变化道路图像灰度变化明(b)黄昏工况图像显，识别特征应来自图像局部以提高在不同光照条 件下的适应性。对于车辆而言，无论是车辆底部水 平方向还是车辆两侧垂直方向，均存在车身与路（背 景）之间的过渡，所具有特征也是相似的。以水平方 向为例，在车辆底部选取一小块区域，可以看出区 域上部到区域下部存在明显的灰度差， 即车和路（背 景）在灰度上有着明显差异，此为车辆的局部梯度特 征。由于车与路（背景）在灰度上有明显的差异，此 差异为灰度突变，此为车辆的局部灰度特征。由于 车辆底部结构较为复杂，

14、反映到图像上，车辆边界 以上区域的灰度波动比较大，而路面大面积阴影（如 建筑物阴影和大的车影）虽然也存在局部梯度和局 部灰度特征，但是波动不会太大，此为车辆的局部 波动特征。车辆的局部梯度和局部灰度特征受光照 条件的影响较小，在黄昏及夜晚条件下，不存在道 路阴影和大的车影，车辆的局部波动特征不够明显， 因此车辆的局部波动特征主要应用于白天光照工 况，即随着光照条件的变化，车辆的局部梯度、灰 度和波动特征对车辆识别的影响程度也随之变化。3.2车辆特征提取3.2.1特征单元选取特征单元中部所含行数以及特征单元个数会随 着y进行变化，即在计算水平特征时所选区域长度 及宽度随着图像位置变化进行自动调整

15、。3.2.2车辆局部特征提取单个特征单元有三个特征：灰度特征、梯度特 征、波动特征。为了后续应用加权证据理论，需将 三个特征的特征值限制在0,1之间。以水平特征单 元为例，特征单元的梯度特征是特征单元上部与下 部的灰度差异，取两者比值在0,1之间，即该值距 离1越近则梯度差异越小，反之越大；特征单元的 灰度特征是特征单元中部与上部或下部的平均灰度 差异，取中部与上部和中部与下部的比值及其倒数 中最小数值作为特征单元的灰度特征值，即该值距 离1越近则灰度差异越小，反之越大；特征单元的 波动特征是特征单元上部每个子块相对于特征单元 上部灰度均值的平均波动程度，取特征单元上部每 个子块与特征单元上部

16、平均灰度比值在0,1之间的Eh 二 min(euh emh edh emhemh euh emhedh（a）垂直特征单元（b）水平特征单元图3车辆特征单元如图3所示车辆特征单元分为水平特征单元和 垂直特征单元。以水平特征单元为例，水平特征单 元分为三部分，特征单元上部、中部、下部。上部 与下部含有相同的块数，分别为3X3块（每一块代表 一个像素）。中部是上部与下部的过渡区，即车与路 （背景）的过渡，随着图像中y值增大，车与路（背景） 之间过渡带宽度也随之减小，所以中部所含的行数 应与y值存在大致的线性关系，如公式（1）所示。一200 - y n mid =（1）IL 409、min(壁,euh

17、)i 占Qh QjhiEelv emv erv emv、v=mi n(,)Onv eiv emv ervVIV9、min（鱼，氐）i #Qv 為(8)计算车辆水平特征时将N个水平特征单元在水 平方向上依次排列。水平特征单元个数N与y也存 在大致的线性关系，即随着y值的增加N值相应减 小。如公式（2）所示。Vrv式 （9）中，Th、Eh和Vh分别代表水平特征数值，进而得到这九个数值的平均数，即该值距离 1越近则波动越小，反之越大。垂直特征单元同理。(13)A -.单元梯度特征、灰度特征和波动特征；eUh、emh、 edh分别代表水平特征单元上部、中部、下部的平 均灰度；euhi代表上部第i个子块

18、的灰度值；Tv和 Ev分别代表垂直特征单元梯度特征和灰度特征；Viv和Vw分别代表车辆左侧和右侧垂直特征单元波动 特征；ev、emv、erv分别代表垂直特征单元左部、 中部、右部的平均灰度；e-vi和eivi分别代表垂直特 征单元右部和左部第i个子块的灰度值。3.3人工鱼种类判定3.3.1加权证据理论由于识别环境的不确定性，应根据光照条件变 化将车辆局部梯度特征、局部灰度特征和局部波动 特征按照不同的权重进行信息融合。加权证据理论 能够很好地表达推理中的不确定性，并在多信息融 合方面效果理想，因此加权证据理论9可以作为前 方车辆识别分类器设计的理论基础。定义1 ： 0是由相互排斥的假设组成的一

19、个完 备集，2为0的幕集。如果函数m:2 0,1满 足：m(一)= 0 , m(A) =1(10)则称m为框架0上的基本概率分配函数。式(10) 中，.一代表空集。定理1:对基本概率分配函数进行加权处理， 设证据权系数 Wm(A) 0,1, -A 0 ,则称由Wm(A)=W(A) m(A) (11)所计算得到的函数 Wm：20,1为0上的加权 概率分配函数。证据权系数体现了证据对识别框架 中各真子集识别具有不同的可靠性和权威性。_ A- ,Wm( A)称为A的加权概率分配。定义2： Wm f 0,1为：.上的加权概率 分配函数，- A、=-则称由Bel(A)=瓦 Wm(B)- (12)pl(A

20、) =1 Bel(A) = Z Wm(B)所定义函数Bel: 20,1为4上的信度函数，pl : 2 -； 0,1为Bel的似真度函数。定理2：设Bel1和Bel2是同一识别框架 4上基 于不同证据的两个信度函数，Wm1和Wm2分别是其 对应的加权概率分配函数，焦元分别为 AA ,A 和 BnB2, ,Bn，若 VA 0 且K 二 Wm/A) Wm2(Bj) 1B A三则组合后的加权概率分配函数 Wn:20,1为A =：；_Wm(A中 瓦 Wg(A) Wm)2(Bj)AiP=A式(13)中，K反映了证据间的冲突程度，其值 越大说明证据间的冲突越大。当 K值趋近于1时， 表明证据完全冲突，组合法

21、则不再适用。对基本概 率分配函数进行加权处理后，证据间的冲突被降低， K值不会趋近于1,因此加权证据理论能够更广泛 地满足各种实际应用。3.3.2人工鱼种类判定准则以所选区域单个水平(垂直)特征单元为基础， 对N个水平特征(垂直)单元进行综合考虑的原则求 得所选区域的可信度。以水平特征为例，根据所选取区域位置，由式(1)(2)得出水平特征单元中部所含行数n和水平特征单元个数N。将车辆的水平边缘识别框架定义 为几託，分别代表边缘和非边缘。将单个水平统 计单元的梯度特征、灰度特征、波动特征作为三个 独立的证据体X=T,E,V。由水平特征单元梯度特 征、灰度特征及波动特征计算公式(3)(5)可以看出

22、，当特征值距离0越近，则梯度特征、灰度特征 和波动特征越显著，反之则越微弱。经过大量样本 分析，当三个特征值在 0.5附近时，是车辆底部边 缘的置信度越大，离0.5越远即越靠近0或1时置 信度越小。大致可用正弦曲线式 (14)进行拟合，如 图4所示。根据统计单元基本可信度分配函数得出 mi(h1k),mi(h2k)(i=1,2,3), i 表示灰度、梯度及波动 三个证据体，k表示第k个水平统计单元，其中 (1 _k _ N)。根据所采集的样本进行分析，随着光强的降低， 局部灰度及梯度特征的权重逐渐升高，而方差特征车辆右下角基准点的权重逐渐减小，根据实验设定三个特征的权重， 如表1所示。表1不同

23、光照条件下特征权重选取光强特征权200Lux5或MRV51MH C5垂直引导力 弓I导鱼MLV 5且MRV 5水平引导力 弓I导鱼MLV 5且MH 5车辆左下角 静态鱼(20)MRV 5且MH 5车辆右下角 静态鱼其它无引导能力自由鱼4人工鱼群车辆识别算法设计算法中各鱼初始均以自由鱼的形式置于近极点 处,每次循环中将依次分别对鱼群中各鱼进行操作， 经多轮循环搜索，人工鱼最终在车辆左下角和右下 角聚群。下面以一次循环中某一人工鱼个体可能出 现的活动方式为例说明算法的设计和过程。4.1人工鱼种类判断在对循环中某一人工鱼个体操作时，首先由式 (20)判断其鱼类，如果人工鱼为自由鱼或引导鱼接 下来对其

24、进行操作，如此鱼为静态鱼将不对其操作。 4.2游动方式判断 4.2.1引导鱼游动方式人工鱼群由近极点处顺流向下游游动，由于河 流形状呈楔形，为了尽量防止鱼的游动越出河流边 界，将最初排列在近极点处的鱼等分为两组：左侧 的一组大致向右前方游动；右侧的一组大致向左前 方游动。对某一引导鱼个体，首先感知可信度最大 的静态鱼，如果感知到进行追尾。Xi =X +(Xsmax 一 X。)江 Rand(21) ji = yo +(ysmaxy。)汇 Ra nd式中，Rand为0,1之间均匀分布的一个随机 数；(XsmaM ysmax)为引导鱼感知到的可信度最大的静 态鱼坐标；(Xo, yo)为引导鱼当前坐标

25、；(X1, y1)为引导 鱼移动后的坐标。没有感知到静态鱼，若该引导鱼具有水平方向 引导力，则该鱼在水平方向游动：Xo +SH Rand左侧鱼X1=、Xo -SRand右侧鱼(22)y = yo式中，S为游动步长，S与人工鱼在人工河流中 的纵坐标成反比。直方向游动:M = yo +S汇 rand 丿(24)N = Xo式中，rand为-1,1之间均匀分布的一个随机 数。4.2.2自由鱼游动方式自由鱼在感知范围内，首先感知可信度最大的 静态鱼，如果感知到则进行追尾：X1 = Xo+(XsmaXXo)xRa nd丿(25)y = y。+(ysmaX yoM Rand式中， (XsmaX ysma为

26、自由鱼感知到的可信度最 大的静态鱼坐标；(Xo, yo)为自由鱼当前坐标；(X1, y1) 为自由鱼移动后的坐标。如果没有感知到静态鱼，则在感知范围内感知 可信度最大的引导鱼，根据引导鱼所具有的引导能 力朝着引导鱼的水平或垂直方向游动。如果感知到的引导鱼具有水平方向引导能力， 则朝其水平方向游动：1 = (ygmax - yo) +Sx Rand(26) iX1 = Xo如果感知到的引导鱼具有垂直方向引导能力，则朝其垂直方向游动：d =(XgmaX Xo) + S 沃 Rand(27) 1 = yo式中，(Xgmax, ygmax)为自由鱼感知到可信度最大 的引导鱼坐标。没有感知到任何静态鱼和

27、引导鱼则自由觅食。某一自由鱼自由觅食后的位置由下式计算：”xo +SH Rand左侧鱼X1 =、xo S汇Rand右侧鱼(28)yo +S沢 Rand4.3算法终止在对一帧图像进行识别时，分别对鱼群中所有 个体鱼完成操作后进入下一次循环。当满足下述条 件之一时跳出循环，识别完成。(1)所有人工鱼由自由鱼和引导鱼变为静态鱼 时。当某一条自由鱼或引导鱼游动到食物区或纵向 超越远极点时，将会变为静态鱼。所有鱼都为静态鱼时河流内将不会有鱼游动，此时算法收敛。(2)达到最大循环次数。此时河流中存在自由鱼 或引导鱼，算法未收敛，但为了满足实时性要求， 设置最大循环次数，保证即使未收敛，算法在循环 一定次数

28、后及时结束。不同光照条件下鱼群算法车 辆识别结果如图7所示。将鱼群算法应用于车辆识别中，相对于对图像 全搜索节省了大量时钟周期，并且可以取得良好的 识别效果，提高了系统实时性。实验所需仪器为：两盏红外辅助光源、红外滤 镜、可见光光强传感器(020万Lux )、工业CCD 相机、计算机、显示器。将 CCD采集的灰度图像 以及光强传感器采集的光强信息输入计算机，执行 前方车辆识别算法，最终将识别的效果在显示器上 输出，实验效果如图8所示。(a)白天识别效果(b)黄昏识别效果(a)白天识别效果一(b)白天识别效果二(c)夜晚有路灯识别效果(d)夜晚无路灯识别效果(c)黄昏识别效果一图7不同光照条件下

29、鱼群算法车辆识别结果5车辆定位(e)黄昏识别效果三(f)夜晚识别有路灯效果一在鱼群算法搜索结果的基础上，根据车辆对称 性特征进行进一步判断，对车辆进行准确定位可以 排除由于噪声引起的误判。对称性是车辆的重要特性。根据连续性对称度 量概念，引入对称距离，即把一给定的图形变换为 其相应的对称图形所需要的最小能量。对称距离 DC可从数值上刻画其对称的程度。对称距离通过求对称轴两侧对应像素灰度值gieft和gright之间的均方差获得，即2DC = E(get - gright )(29)DC越小表示当前区域内对称程度越高，当DC小于一阈值时，可认定为车辆，反之则认为不是车辆。 阈值的选取应根据先验统

30、计规律，本文设定阈值为 100。通过该方法在鱼群算法搜索结果的基础上搜索 车辆的对称轴。在确定车辆对称轴后，以鱼群算法 搜索结果位置坐标为参考验证车辆底部水平特征， 最终得到底部边线和对称轴。(g)夜晚有路灯识别效果二(h)夜晚无路灯识别效果图8不同光照条件下车辆识别及定位实验结果分析：(1)在不同光照条件下，能够对前方车辆进行识 别并准确定位，准确率达 90%以上。相对于传统的 识别算法，降低了光照对识别的影响；(2)应用鱼群算法较全搜素方法显著提高了系 统的实时性；(3)由于CCD传感器自身限制，在白天摄像头 迎向极强日光和夜晚迎面车灯照在摄像头上等极端 工况，采集的图像会出现较大白斑，无法进行识别。7结论6实验(1)选取了车辆底部的水平方向特征和车辆左 右两侧的垂直方向特征，提取出受全局灰度影响较小的局部灰度特征、局部梯度特征和局部波动特征， 提高了识别特征的适应性。(2)应用加权证据理论将车辆水平和垂直方向 的特征分别进行信息融合，并根据光强的不同调整 各特征的权重，提高识别准确性和可靠性。(3) 将人工鱼群算法应用于识别中，并提出车辆 识别模块以增强人工鱼的引导能力，提高了识别的实时性。(4)根据人工鱼群的搜索结果，通过对称性特征 进行进一步判定，实现前方车辆的准确定位。参考文献1王荣本，赵一兵，李琳辉,张明恒.智能车辆的障碍物检测研究方法综述J.