摘要：夜间场景光线较暗，车辆整体外观特征不显著，使得夜间视频车辆检测成为一大难点。夜间能使用的最为显著的特征就是车灯。如车灯的亮度、圆形度、面积、车灯之间的间距，距离地面的垂直间距、车灯对之间的纹理、车灯的对称性等，将它们结合自适应增强方法（AdaBoost）用于间车辆检测，能同时获得高检测率和低误检率。

关键词：表观特征；车灯对；AdaBoost；车辆检测

1 特征选取

车头灯对在夜晚可以捕获的表观特征有亮度、纹理、几何形状、面积和对称性等，这些特征分属于高层特征或低层特征。基于检测的精确度来看，利用高层特征分割图像的方法得到的分割实验结果比较粗糙。而基于低层特征（例如颜色、纹理、亮度等特征）的分割算法得到的分割结果效果良好，精度满足要求。但是仅取低层特征在夜晚受到光线的影响无法保证一定精度的车辆检测，所以，本文考虑将低层和高层特征相结合，选用一些在3D空间具有强分辨力的表观特征作为AdaBoost分类器的训练特征。有对称特征、形状特征、几何尺寸和LBP纹理等。具体本文先选择车灯亮度、面积、周长和圆形度这四个简单特征初步完成车灯的检测，然后基于车灯间距和距离地面的高度符合的GMM、对称SURF和LBP特征完成车灯的配对，定位出车辆目标。

2 Adaboost单分类器训练

本文既为保证夜间车辆不被漏检，又要保证目标没被误检，对单特征AdaBoost分类器训练规则做了改进，使得最优阈值T*不仅要满足式（1）定义的目标最小分类误差准则，还需满足式（2）定义的正样本正确分类最大准则。改进后的的单特征AdaBoost分类器训练算法见下：

（1）计算出N个训练样本的特征值，记为Fk（xi），i=1，…，N。

（2）按从小到大对特征值进行排序，生成特征增值表。

（3）计算特征增值表中前i（1≤i≤N）个元素的正样本权重和与负样本权重和，分别记为E+i和E-i。

（4）计算全部正样本的权重和与负样本权重和，分别记为B+和B-。

（5）设阈值Ti为前i（1≤i≤N）个元素的特征值平均数。

ei=min（E+i+（B--E-i），E-i+（B+-E+i））（1）

D+i=max（B+-E+iB+，E+iB+）i=1，2，…，N（2）

（6）寻找D+i≥99%的情况下使得ei最小的阈值T*。

3 Adaboost分类器级联

在车辆识别中，采用多个特征比单个特征能获得更高的检测率，但也会增加计算量。为达到最优性能，本文提出对单特征分类器不仅仅是按照权重简单叠加，按照不同特征的检测综合性能对分类器进行了分级顺序级联。各分类器的检测性能确定依赖于特征提取的复杂度和基于该特征的车辆正确检测率决定。我们先按照简单特征在前，复杂特征在后的原则将分类器分为两级，这样可以保证前一级分类器筛选掉的目标不会再被后面的分类器继续处理，从而降低提取复杂特征的目标数量，缩短算法的响应时间。然后，对同级分类器，检测率大的分类器在前，检测率小的在后，这样可以准确地排除干扰，提高车辆检测精度。在车灯提取阶段，本文选取亮度、面积、周长和圆形度这四个简单特征联合表征，最终的分类器优先级顺序按照上述分析应该为亮度、周长、面积和圆形度。

在车灯配对阶段，本文选取车灯间距和距离地面的高度GMM、LBP和SSURF这三个特征，其中SSURF特征相对简单可靠，LBP和车灯间距和距离地面的高度GMM特征次子，所以前者优先级高于后两者。但是对于同级特征LBP和GMM，由实验可知，GMM针对车辆的正确检测率相比LBP要高，所以GMM特征分类器的优先级要高于LBP特征分类器。最终，在匹配阶段，分类器的级联顺序应该是SSURF、GMM和LBP特征。

依据上述表述的规则级联的分类器能够大幅度缩减车辆检测响应的时间，而且在保证高准确检测率的同时降低了错误检测率。

4 车辆检测

车辆检测基于Adoboost 分类器包括以下几大关键步骤：

1）在每一帧提取到的逆投影图中先用亮度特征分类器快速分割出亮块区域。

2）对分割后的亮块区域用漫水填充算法进行位置标记（即定位）。

3）用第一层车灯检测器按照优先级级联顺序计算出类车灯块的响应值（即分类器的输出）进行判断，定位出车灯区域并标记为Pi（1，2，…p），pi表示第i个车灯块，其位置用其最小外接矩形（边界框）的中心像素点坐标Ci（mi，ni）表示。

4）对于相邻车灯的配对，选择自頂向下的搜索方法。当搜索到第一个车灯目标P1时，以其中心像素点C1（m1，n1）为起点，从左向右进行动态规划扫描，扫描区域定义为右方上下最佳偏移为σc的范围内。

5）当搜索到第t个目标对象Pt时，提取车灯间距、距离地面的高度、对称SURF和LBP特征输入到第二层车灯对配对分类器，通过响应输出Yt确定此配对部件是否属于同一车辆，进而完成车辆检测。

5 结语

面对夜间车辆检测这一难题，提出借助夜间车灯显著特征对Adaboost模型进行构造，实验结果验证运用多空间3D表观特征级联Adaboost分类器，通过分级按顺序级联亮度、车头灯水平对称性、车灯间距，距路面的高度和车灯区域LBP纹理等特征完成车辆的检测，平均准确度达到了96.03%，且实时性较好。

参考文献：

[1]杜悦，陈国庆.一种根据车牌识别判断车型的方法，CN 102184393 A[P].2011.

[2]李文波，王立研.一种基于Adaboost算法的车辆检测方法[J].长春理工大学学报（自然科学版），2009，32（2）：292295.

[3]金立生，王岩，刘景华，等.基于Adaboost算法的日间前方车辆检测[J].吉林大学学报（工学版），2014，44（6）：16041608.

[4]王相海，秦钜鳌，方玲玲.基于感兴趣区域AdaBoost分类器的视频车辆检测研究[J].辽宁师范大学学报（自然科学版），2014（1）：5262.

基金项目：西藏科技厅自然科学基金项目：XZ2017ZRG53（Z）

作者简介：宋俊芳 （1984），女，讲师，主要研究方向：计算机视觉、图像处理和智能交通。