文摘
感兴趣的区域(ROI)提取可能包含车辆基于复合功能车辆底部阴影和尾灯通过设置灰度阈值对车辆阴影区和一系列限制尾灯。为了确定目标车辆的存在的高级驾驶员辅助系统(ADAS)提取ROI,神经网络识别器的径向基函数(RBF)发现通过提取的一系列参数对车辆的边缘和区域特征。使用大量的收集图片,可能包含车辆的ROI提取复合功能验证是有效的车辆和尾灯的底部的影子。基于正负样本的车辆,神经网络识别器是训练和学习,可以快速实现网络融合。此外,汽车可以有效地确定在该地区的利益使用训练网络。试验结果表明,车辆检测方法基于multifeature提取和识别方法基于RBF网络性能稳定,识别精度高。
1。介绍
最近,高级驾驶员辅助系统被广泛用于提高驾驶安全的例子作为主动式车道保持辅助系统(ALKAS),前方碰撞预警(结合),自动紧急制动(AEB)和智能自适应巡航控制系统(iacc)。无论哪种助理驱动系统,它的核心技术在于雷达或机器视觉的应用快速、准确地提取前面的车辆或障碍物的信息系统,可以及时提醒司机为了避免碰撞危险或自动控制车辆,以避免碰撞(1- - - - - -5]。
越来越成熟的技术在成本效益的传感器和图像处理的普及,国内外研究人员已经做了很多研究基于机器视觉检测或识别前进目标。文献[6)与尾灯特征信息,实现车辆检测跟踪的控制车辆。然而,当单一尾灯信息用于车辆检测,可能会有一些情况下,如错过了检测或检测不到检测。文献[7)研究目标车辆的识别方法结合/ AEB系统和前面的车辆之间的距离估计和主机使用MONO-Camera汽车传感器。参考文献(8- - - - - -11)采用演方法和支持向量机分类器完成车辆检测和目标车辆图像窗口。文献[12)提出了一个自动调节的滑动窗口策略提高检测图像中目标车辆的性能。快速发展的深度学习理论,对象检测系统衍生出来,如SPP-net R-CNN,快R-CNN,快R-CNN [13- - - - - -15]。参考文献(16- - - - - -19]目前更快的提出卷积神经网络方法实现车辆识别。然而,快R-CNN结合RPN(该地区建议网络)和快速R-CNN CNN深处统一框架,收益率比其他方法更大的探测精度。
我们的目标是提出一个方法提取感兴趣的地区可能包含车辆基于车辆阴影和尾灯的复合特性。为了证实存在的车辆提取感兴趣的区域,一个RBF神经网络识别器是建立基于一系列参数的车辆的边缘和区域特性,如八离散余弦变换,六个独立不变的时刻,五个区域特征描述符。识别器不仅可以识别车辆也意识到车辆和nonvehicle的分类,如电动自行车。
本文的其余部分组织如下。节2、车辆检测方法是基于综合特征描述车辆阴影和尾灯。部分3介绍了车辆识别采用RBF神经网络,它由两部分组成:车辆特征提取和识别程序的设计。节4、汽车检测和识别的实验结果显示采用RBF网络。讨论的结论和未来的工作部分5。车辆检测过程的主要架构图描述1。
2。基于Multifeature提取车辆检测
在高级驾驶员辅助系统中,车辆检测是一个非常重要的一步。至于车辆检测,它包括两个主要部分:车辆的车辆特征提取和测定感兴趣的地区。图像序列应该预处理前的车辆特征提取,如图2,图像预处理步骤主要包括灰色图像,图像滤波、基于精明的边缘检测算子和形态学运算的图像。
2.1。汽车尾灯特征提取
图1代表尾灯组的结构图像,由左尾灯ll和右尾灯lr。
我们都知道,通常有许多明显的优势特性在汽车领域,如后挡风玻璃,尾部的保险杠,尾灯,车牌,等等。这些边缘特性为车辆定位地区是非常重要的。精明的边缘检测后,汽车尾灯的信息将包含在图像边缘检测。接下来,尾灯组的概要文件从边缘检测图像中提取基于形态学的打开和关闭操作。可以看到从图2汽车尾灯的资料对可以提取以下约束条件见公式(1)- (3)。
的距离Wlr左尾灯之间ll和右尾灯lr被限制在最小和最大像素值的范围如下:
高度差尾灯对有限范围内的阈值如下: 在哪里 代表左尾灯的高度ll,正确的尾灯lr,尾灯的高度阈值对图像,分别。
左尾灯之间的面积比ll和右尾灯lr仅限于一个范围如下: 在哪里一个最小值和一个马克斯代表的最小值和最大值的面积比,分别。
根据约束条件,发现尾灯区域的质心和车辆的宽度是由连接质心之间的距离和尾灯的宽度。同时,图像中的车辆高度将决定基于获得车辆宽度结合的结构比例。到目前为止,一个类似的车辆检测区域可以被标记为一个颜色的矩形框。
2.2。基于阴影区域的车辆特征提取
车辆阴影区域通常由以下部分组成,如左和右轮轮胎,后保险杠,汽车的身体形成一个较暗的区域。一般来说,车辆阴影区域的灰度值是最低范围在整个路面图像。对于检测到的图像,的意思Gµ和均方误差Gσ道路像素灰度值列出如以下公式(见图所示3和4): 在哪里米和N代表的长度和宽度的图像的像素值,分别。f(x,y)代表了像素的灰度值x行和y列。最后,道路灰度值的阈值定义如下:
存在一个背景噪音或不连续区域的二值化图像分割车辆阴影区。因此,它需要从分离车辆阴影分割背景噪声区域尽可能的打开和关闭操作和使用形态来获得车辆阴影区域(见图5)。这样,一个类似的车辆检测区域可以通过颜色的矩形框标记,如图6。但这方面只是一个感兴趣的领域存在的车辆,和车辆的存在在这一领域仍然需要被后续步骤。
2.3。集成基于尾灯和影子的车辆检测区域特性
根据节2。2阴影区底部的目标车辆获得基于阴影的特性。然后,有必要调整汽车的现有区域的坐标点的形象。的中心点的下边缘线阴影区域为基准参考点,并标记框的宽度区域是由结合阴影的宽度(或指尾灯的宽度)。根据车辆的实际结构尺寸比例关系和图像大小(如以下公式所示),车辆高度得到图像中的坐标点,然后是矩形区域X年代目标车辆的获得: 在哪里fw1和fh1代表图像的宽度和高度标记基于阴影特征提取,分别。Vw和Vh分别代表了实际车辆的宽度和高度。α1代表一个比例系数。
以类似的方式,基于尾灯信息,尾灯的质心坐标可以根据部分2。1。选择质心的中心点作为参考点,标记框的宽度区域根据尾灯的宽度决定。结合的实际结构尺寸之间的比例关系,图像大小(见公式(8)),车辆高度可以获得图像中的坐标点,和矩形标志区XT目标车辆可以进一步获得: 在哪里fw2和fh2代表图像的宽度和高度标记尾灯特征提取的基础上,分别。α2代表一个比例系数。这些符号Vw和Vh有相同的意义如上所述。
根据阴影的特性和尾灯组特性,矩形标记区域的目标车辆,分别标记区域可以根据实际情况来确定集成独特的目标探测区域Xw(见公式(9)): 在哪里k年代和kT分别代表了矩形标记区域的权重系数。
3所示。车辆识别采用RBF神经网络
3.1。车辆特征参数选择
为了可靠地识别出车辆目标,有必要从检测到的图像中提取车辆的独特的特征。目前,目标形状识别方法可以分为两类:一个叫做基于目标边缘形状识别的边缘特征提取;该地区其他被称为基于对象特征提取区域覆盖,在混合特性的一些参数选择描述车辆目标的特性,如离散余弦描述符,独立不变的时刻,和该地区的描述符。
3.1.1。离散余弦描述符
由于离散余弦变换参数具有一系列的特点,如对象的移动,旋转和比例不变性,参数是对初始点的形状轮廓数据对象的图像。
一个复杂的序列数据对象的图像轮廓形状, ,可以通过提取图像边缘如以下公式所示: 在哪里米代表了封闭的边缘曲线的特征点变量通过边缘提取后的图像分割。f(米)代表一个一维的复杂序列。可以提取离散余弦描述符转换公式(10如以下公式所示: 在哪里N代表了封闭的边缘曲线的特征点数量通过边缘提取后的图像分割。
3.1.2。基于不变矩的独立
二进制图像, - - - - - -阶矩列出如下公式所示:
中央的目标图像区域, ,描述如下: 在哪里 。 代表目标图像的中心地区,和代表零和一阶几何矩的二进制映像所在地区。代表了该地区中心的坐标点。
3.1.3。区域描述符
五个区域描述符,由偏心的目标图像区域,短轴与长轴的比值在图像区域,区域的面积,周长的地区,和图像的压缩参数区域,选择为了更好地认识到车辆目标,图像的压缩参数区域可以表示成4π年代/l2。年代表示目标图像区域的面积l代表了目标图像的边界地区。
3.2。RBF神经网络设计车辆识别
基于RBF神经网络的方法是一种新型的学习方法扩展或输入向量进行高维空间与线性或非线性未知系统(20.,21]。网络可以快速实现神经网络的自学习,因为它不仅具有良好的推广能力的跟踪误差的快速收敛22- - - - - -24),但也像BP算法避免了繁琐的计算。
3.2.1之上。RBF网络结构设计
图7代表了RBF神经网络的结构图像。可以看到从图7,RBF神经网络由输入层、隐层和输出层。
八离散余弦描述符,六独立不变的时刻,和五个区域描述符选择作为输入向量。输出层由两个节点组成,也就是说,车辆是否确认。在图7,ɷih和ɷ接下来的表示输入层和隐层之间的权值和隐藏层和输出层之间。
3.2.2。算法的RBF神经网络自组织中心的选择
算法的RBF神经网络自组织中心选择由两个阶段组成。第一阶段是自组织过程无导师学习解决隐藏的基函数,第二阶段是与导师学习过程解决隐藏层和输出层之间的权值。选择高斯变换函数如下: 在哪里代表了欧几里得范数,c我表示高斯函数的中心σ代表高斯函数的方差。
RBF神经网络的输出被描述为如下公式所示: 在哪里 表示输入样本 。 代表样品的总数。ɷij(我= 1,2,…h;j= 1,2,…n)表示输入层和隐层之间的权值。yj代表的实际输出jRBF神经网络的节点。
假设d样本的期望输出值,那么基函数的方差可以表示为如下公式所示:
RBF神经网络学习算法的具体步骤列出了自组织的中心选择如下。(1)定义基函数的中心基于k - means聚类方法。(我)在网络初始化阶段,h训练样本是随机选择聚类中心c我(我= 1,2,…h)。(2)输入训练样本分组根据最近邻规则。分配每个集群组输入样本, 据之间的欧几里得距离中心c我输入样本 。(3)调整集群中心。在每个集群计算训练样本的平均值,新的集群中心c我。如果不改变新的集群中心,集群中心的价值c我作为最终确定RBF神经网络的基函数中心。否则,返回步骤2重新计算。(2)求解基函数的方差σ我。RBF神经网络的基函数是高斯函数和方差可以解决由以下公式: 在哪里c马克斯选择中心之间的最大距离。(3)计算隐层和输出层之间的权值。神经元的连接权值隐藏层和输出层之间可以直接最小二乘法,计算,计算公式如下:
4所示。车辆检测和识别结果
4.1。车辆检测结果和分析
为了验证本文提出的车辆检测方法的有效性,110的图像在晴天和多云的环境和90年公路车辆图像的道路车辆在夜间和雨雪条件下收集在不同的时间段。所有图像验证之前统一转换为360×240像素。所有由MATLAB图像处理(2013 b)软件结合MATLAB程序设计在测试和验证的一部分。车辆检测的结果表明,该方法基于复合功能可以准确地标记感兴趣的区域的车辆有97%的准确度。
以下4.4.1。检测结果和分析基于单一特征提取
图8的检测结果显示车辆感兴趣区域提取的尾灯特性。
(一)
(b)
(c)
(d)
数据8(一个)和8 (b)代表车辆的原始图像和提取的结果后,打开和关闭操作基于尾灯约束特征,分别。可以看到从图8 (b),尾灯特性信息后方的车辆能够可靠地检测到基于尾灯对约束条件。数据8 (c)和8 (d)显示车辆宽度确定的结果根据质心的尾灯和检测的结果感兴趣的区域的矩形范围可能存在的车辆。据尾灯组的测试结果,候选人车辆区域,也就是说,该地区可能的车辆,可以准确地标记。
图9显示车辆的检测结果的感兴趣区域提取的特征影子底部的车辆。数据9(一个)和9 (b)代表了原始图像的车辆和阴影检测结果提取基于灰度的影子。从图可以看出9 (b)底部的阴影特征的车辆能够可靠地检测到基于阴影灰色的极限阈值。数据9 (c)和9 (d)显示车辆宽度确定的结果根据阴影区域和检测的结果感兴趣的区域的矩形范围车辆可能存在的地方。从图可以看出,候选车辆区域也可以标记准确根据阴影区域的灰度值。
(一)
(b)
(c)
(d)
4.1.2。检测结果和分析基于综合特征提取
图10显示检测结果从尾灯组的综合特征提取和阴影。从图可以看出10 (b)获得的两个黄色矩形框的复合特性几乎是重合的。这表明检测结果相同的候选车辆区域使用两个特征是基本吻合的。
(一)
(b)
单一功能(如一双尾灯或阴影下汽车)可以用来标志候选车辆面积在一定程度上,但对于一些特殊的情况下,可能发生错误的检测或错误检测。
你可以看到这个数字(11日)和11 (b);部分车辆目标提取的尾灯失踪(见图中的红色汽车(11日)),车辆目标提取阴影灰色特性是免费的缺陷。检测到车辆的目标是完全采用复合特征尾灯和阴影。因此,基于multifeature提取候选车辆检测可以极大地提高基于单一特征检测的缺陷,如错过或检测不到(见图11 (c))。即使,有必要进一步证实混乱区域(甚至显著区域采用复合功能)一旦上述混乱发生。
(一)
(b)
(c)
(d)
(e)
(f)
图12显示了车辆检测的结果在雨,雪,晚上条件基于复合特征。重要的是要注意的是,基于复合功能的车辆检测转化为单一的尾灯特性的检测,因为丢失的影子在车的底部。它实际上是系数k年代在公式(9)= 0在雨,雪,晚上的条件。
(一)
(b)
(c)
(d)
从图可以看出12,本文提出的方法可以准确地确定车辆的检测区域条件下的雨,雪,晚上与精度高。
图13显示了两个平行的检测结果提取车辆的尾灯组和影子复合功能。
(一)
(b)
(c)
(d)
从图可以看出13 (b)一个尾灯的提取方法可能导致混乱时车辆感兴趣区域的尾灯是相似的形状和高度相等。并行车辆可以被探测到的影子特性,但车下的阴影也会干扰显著区域。为了确保车辆识别的准确性,有必要进一步证实上面的混乱地区一旦发生混乱,甚至感兴趣的区域,可以确定的综合特性。因此,RBF神经网络用于进一步确认标志区域。
4.2。车辆识别导致ROI采用RBF网络
明显的候选人(即区域。,一个reas of possible interest for vehicles), the RBF neural networks can be used for further validation adopting the MATLAB program designed in order to increase the reliability of the presence of vehicles in the ROI with composite feature markers.
图14在车辆图像的一部分示例数据库建立。所有的样品图片需要处理一致,每个图像调整到250×190像素大小,带有一个水平和垂直的96 dpi的分辨率。表1混合特征参数的提取结果显示车辆目标在某些测试样品。
为了验证本文设计RBF网络的有效性,850车辆样本(如图14)和850 nonvehicle(负样本)建立了样品,分别训练RBF神经网络。60%的阳性样本随机选择完成测试,并测试结果如表所示2。值得一提的是,该地区被中间的黄色框如图13 (b)被确定为nonvehicle,从而避免错误的检测。
图15显示了RBF神经网络的误差性能曲线测试。从图可以看出15,设计RBF网络满足训练误差要求,具有较高的识别精度和收敛速度。
5。结论
(1)本文的可能的利益地区车辆确定和验证了提取车辆的尾灯组的综合特征和影子的底部车辆基于大量的图像在各种复杂的环境。车辆检测的结果表明,该方法能够准确地标记车辆基于综合特征的感兴趣的地区有97%的准确度,极大地弥补或改善单一特征方法的缺点,如丢失或未检测。(2)找到一个RBF神经网络识别器和测试通过提取的一系列参数对车辆的边缘和区域特征。试验结果表明,车辆标志地区能够可靠地确定RBF神经网络识别器,其准确性达到高达94%。
总之,研究结果具有重要的参考价值等综合控制算法的智能安全系统反腐败大会,结合,或多传感器环境感知。本文进一步的研究旨在探索电动自行车和行人的检测方法采用智能控制理论和算法和研究车辆的实时目标跟踪控制,nonmotor,行人在深度。
数据可用性
使用的数据来支持本研究的结果可按照客户要求定制相应的作者。
的利益冲突
作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。
确认
这项工作是支持的,在某种程度上,中国自然科学基金批准号。61473139和61473139下,中国辽宁省自然科学基金(2019 - ms - 168),和项目的辽宁特聘教授。