陈志猛，刘东权

（四川大学 计算机学院，四川 成都610064）

0 引 言

车辆检测技术一直是智能交通和模式识别领域的一个重要研究课题，有着十分广泛的应用。车辆检测技术作为车辆跟踪、视频测速、流量统计，车辆识别等技术的前提，其检测的速度和精准度都将直接影响着智能交通系统的整体效率和质量。车辆检测是一种典型的目标检测和目标定位技术，其主要任务是检测所拍摄的车道路图像中是否存在感兴趣的车辆并确定其位置。由于受道路图像的自然背景、车道线、光照条件、车标模糊、污损、变形倾斜等影响，车辆检测与定位一直是一个具有挑战性的热点研究课题。随着近年来计算机技术的不断提高和智能交通发展，车辆检测技术有了很大的突破。

车辆检测的常用的方法有：①帧差法［1－3］，帧差法于场景的变化具有较强的自适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部产生空洞现象，容易漏检运动速度较慢的车辆，并且常常会将一辆车分成几个部分造成多检。②光流法［4－6］，在摄像机运动的前提下也能检测出独立的运动目标，但光流计算方法相当复杂，计算量大，且去噪性能差。③基于立体视觉的车辆检测法［7－9］，运用两个或多个摄像机对同一景物从不同位置成像获得立体像对，通过各种算法匹配出相应像点，从而恢复深度 （距离）信息。该方法能在车速很小时直接检测其位置，但它要求正确标定摄像机，受车辆运动或天气等因素影响，这是很难做到的。④基于知识的方法10，利用车辆的形状、颜色、对称性等信息，以及道路和阴影等常识信息进行相关检测。该方法简单、直观，易于编程实现，但需要估计多个经验阈值，如车辆长宽的经验比值、车辆边缘的最小长 度、车辆阴影与道路的灰度差异阈值等。经验阈值准确与否，直接关系系统性能的好坏。这些方法都有一定的局限性。而且只能检测摄像头前方固定区域，检测一部分图像上的车辆。

基于以上算法的不足，本文提出了一种基于对称性的快速车辆检测新方法。该方法能在最大限度的减少非车辆图像区域带来的干扰的基础上，充分利用车辆具有对称性和车辆水平边缘等重要特性实现对图像中所有车辆的快速、精准定位。

1 对称性原理

在道路图像中，行驶的汽车具有一定程度的对称性，对称性是各种不同车型汽车所具有的一个共同特性。本文利用汽车的对称性特征检测出道路图像中的汽车。本算法的对称性描述如下：

（1）对预处理的图像做垂直边缘检测；

（2）在垂直边缘图像中，以从左至右的方向选取每一列垂直线作为中心对称轴；用中心对称轴为水平中心的矩形，其宽d：dmin＜d＜dmax；d＋＋；

d从到一个预先设置的最小值dmin到一个最大值dmax，在矩形范围内寻找关于对称轴对称的对称点数量（其中dmax为略大于最大汽车宽度，dmin为最小车宽）；

（3）计算宽度为d的矩形区域内的对称度。令对称度

sym＝s2/n

式中：s——关于对称轴对称的对称点数，n——矩形区域内所有垂直边缘点数；

计算每列对的称度sym，并判断sym＝s2/n＞T是否满足 （T为预先设定的对称度阀值）。

如果条件满足，则被认为是中心对称轴上存在车辆，并把最大对称度所对应的d值作为待检测出的汽车宽度。

2 图像预处理

一种实用的车辆检测技术，除了要考虑检测的精准性外，检测的实时性也是至关重要的。为了提高算法高效性，首先对图像进行预处理，以减少行人光线等非车辆区域因素对检测算法带来的干扰，提高检测的速度。本算法采用了去除背景的方法，以突出汽车区域。采用图像放缩的方法，提高算法的效率。用这两种方法对原始图像进行预处理。

2.1 去除道路背景

在道路车辆检测过程中，道路环境是非常复杂的，道路两边的树木、车道线、桥梁、道路路标等，都会对车辆检测带来许多干扰。因为这些干扰因素的存在，如果不对背景做预处理，车辆检测过程将变得非常复杂，将直接影响检测的实时性和准确性。

在光照条件相似的同一道路环境下，道路图像除了汽车存在的区域以外的其它区域和背景图像的相应部分基本一致，如果用道路图像对背景图像做减操作便会得到突出汽车减弱背景的图像。图1，图2，图3分别为道路车辆图像、背景图像和道路车辆图像减去背景图像后的图像。

为了有效地突出车辆的边缘信息，提高算法的效率，对图像进行车辆边缘增强。常用边缘增强算子有Robert算子，水平差分，Sobel算子模板等。考虑到Sobel算子对噪声具有一定的抑制作用并能最大限度地检测出边界信息，本文采用对边缘响应最大的Sobel算子x和y方向模板对水平边缘和垂直边缘进行增强。

在对称性计算过程中，对称性的计算是整个算法中最主要时间的消耗部分。灰色图像有太多的细节，在计算对称性非常耗时，而且不能提供比二值图像跟多对称性。本文利用最大类间方差求图像的全局阈值，把灰度图像转化为二值图像。

对图3分别做水平和垂直边缘检测后的二值图像。如图4、图5所示。

2.2 图像放缩

在检测道路车辆图像时，由于图像中存在的车辆距离摄像头的距离有远有近，以至于汽车在图像中尺寸存在着很大差异。距离摄像头较远的汽车尺寸较小，较近的尺寸较大。因此在判断对称度sym＝s2/n＞T是否成立时，T的预设值将随车辆的远近不同有所变化，其计算T过程将是非常复杂的，甚至很难求得。因此，为解决这个难题，本文算法采用分割的方法将图5分割为远景、中景和近景图，分割后的3幅图像尺寸的宽高比保持与原始图像尺寸一致。将3幅分割图像放缩到同一的尺寸大小 （宽高比不变，尺寸大小根据实际情况相应缩小），这样一来便可以对3幅图像分别确定一个固定大小的阀值T1，T2，T3（T1，T2和T3的值略有差别）。图6表示图像分割的示意图。

图6 垂直边缘图像分割远中近景图像

此外，利用图像分割和放缩的方法还有一个很显著的优势，它能明显提高汽车检测的速度，对原始图像 （特别是具有较大尺寸的图像）进行全图对称点寻找过程的耗时是相当惊人的，即便是最后能精确检测出汽车位置，也是没有实际利用价值的。放缩后对对称点的寻找时间随放缩后的图像尺寸决定，不受原始图像尺寸大小的影响。

3 检测算法描述

本检测算法主要包括以下几步：对称轴及相应车辆宽度的寻找和计算，冗余对称轴的合并、求车辆的垂直位置、对远景、中景和近景图像的检测结果进行第二次冗余合并。

3.1 对称轴确定

利用汽车的对称性性质检测车辆是本算法思想的核心部分，因此对具有高对称度的对称轴的寻找是本算法的关键部分。以远景图为例，图7为利用对称算法sym＝s2/n对Sobel垂直增强图像的远景图的对称轴计算结果。

图7 远景图对称轴检测的结果

图7 中的彩色垂直线为对远景图对称轴的计算结果，从图中可以观察出，对每一辆汽车来说，由于汽车局部就满足对称性，通常求得的对称轴多于一条，然而对于每辆车我们只要求确定其中心对称轴，因此就有必要对图中多条对称轴进行合并。

3.2 对称轴合并

本检测算法所采用的合并算法被简要描述为：

（1）确定合并组。因为水平平行行驶的两辆车的对称轴满足一定车宽，所以我们认为同一辆汽车所检测出来的所有对称轴，其相邻对称轴之间的距离必须满足小于某个给定宽带，本实验采用的实验值为3。

（2）求出合并组内所有以对称轴为中心对应宽度的左右端点的水平最小值Xmin和最大值Xmax。

（3）合并后的对称轴。以 （Xmin＋Xmax）/2作为合并后的新的对称轴。

（4）计算Xmin－Xmax作为合并后对称轴所对应的汽车宽度值。

图8为应用此合并方法的实验结果。

图8 远景图对称轴合并后结果

3.3 汽车垂直位置的确定

汽车垂直位置的确定是在图像的水平边缘检测图的基础上求得的。在水平边缘检测过程中，道路上行驶的车辆，车辆边缘及底部有大量的阴影，像素密度比较大。本文计算方法为：对每条对称轴确定一个d＊h的矩形框 （其中d为对应对称轴相应的汽车宽度，由3.2中的步骤 （4）求得；h根据原始图像和放缩后的图像尺寸共同确定，本实验的实验值为3），从对称轴的底部向着顶部移动，当移动到某一位置时，如果这个矩形框被水平边缘点填充的填充度大于预先给的一个阀值T′，则被认为是寻找到了汽车的底部位置。矩形填充度被定义为

T′＝F/N

式中：F——矩形框内被边缘点填充的填充点数，N——矩形框所能容纳的对大点数。图9为其实验结果图。

图9 远景图车底检测结果

3.4 远景、中景和近景实验结果合并

由于本算法对图像进行了远景，中景和景图像分割，因而同一辆汽车就有可能被划分到多幅图像中，以至于同一辆车被检测多次。必须寻求一种方法能对同一辆车检测的多个结果进行合并。本算法所采用方法如下：

（1）将远景、中景和近景图像的实验结果按照相应的缩放比例还原到原始图像中，如图10所示。从图中可以观察出线3，4和线5，线8、9、10和11都为同一辆车在不同图像中所检测出的结果，需要对其进行合并。

图10 远中近景检测图像合并结果

（2）判断需要进行合并的结果。以线4和线5为例，因为它们所对应的对称轴距离有限，然而单根据它们对应的对称轴距离却不足以确定它们是否应该被合并，原因是相距很近的对称轴完全有可能是前后处于同一水平位置汽车所检测出来的。所以就有必要对其增加约束条件来判断他们是否应该被合并。从图中可以观察出，同一车道上的两辆车辆距离必能大于车长，线4和线5之间的垂直距离很明显小于汽车的长度，因而需要被合并。汽车的长度可以用4/3倍线4和线5的平均值来确定。

（3）对需要合并的结果进行取舍。其方法是选择垂直位置较低的水平线作为汽车的底部，汽车宽度值被认为是水平线宽度值。对道路车辆图像进行检测的最终试验结果如图11所示。

图11 车底及对称轴合并结果

4 实验结果及分析

实验结果分析，该算法几乎能检测到测试图片中的所有车辆的位置及其车宽，去除大量的干扰，算法高效易行。而且方向相反车辆也能够被检测到。但是，有些情况，比如车辆在图片中有方向有偏移，或者由于光线，及车辆本身存在对称性不足等原因，车辆不满足对称性，对称性检测不到车辆的存在。

在城市上下班高峰期时，路上车辆较多，车辆在图像中容易形成重叠。同时，如果路上行人太多，而且一般情况下，行人也具有对称性，行路与路面接触的地方存在阴影，能影响到检测效果。

速度分析：与本文图像为例，图像大小为352×255，对称轴计算的次数大约要2 700 000次。本算法把原图像缩放成176×140的3幅固定大小图片，对称轴计算次数为740 000次。运算速度是普通算法的3倍多，而且图像越大，本算法速度的优越性更好。

为了验证算法的有效性，用该算法对100多张视频照片，进行了检测，图像尺寸为352×288像素，计算机硬件环境为：AMD Athlon64X2Dual Core Processor3800＋，1G，XP，VC＋＋6.0。实验结果表明，基于对称性的车辆检测算法简单有效，平均检测时间为100ms。

5 结束语

车辆检测技术一直是智能交通和模式识别领域的一个具有挑战性的热点研究课题。随着社会的进步，对车辆的检测应用也越来越多。一些车辆检测方法的检测精度是随着光照的变化而变化的，当光照良好时检测精度好，反之如傍晚、雨雪天气等光照不好时则较差；另一个问题是阴影问题，阴影是造成车辆检测方法误检测的主要原因，阴影通常有3种情况：车辆自身的运动阴影、道路场景中的静态阴影、缓慢移动的阴影如浮云造成的阴影；同时车辆在道路场景中的相互遮挡也是必须考虑的一种情况。本文提出了一种基于对称性的车辆检测法，该算法充分利用了在道路上行驶的车辆满足对称性及存在水平阴影这一特征，来检测道路上行驶车辆。去除了道路背景及天气环境的影响，克服了光照及阴影的影响，对室外环境的变化有较强的适应性。该算法对于高速公路及城市周边道路的车辆检测非常高效易行。经道路试验证明，该算法比以往算法更高效，同时检测范围和准确度也得到了很大的提高。道路试验结果表明该算法的准确、易行有效，可靠，具有良好的鲁棒性。

［1］TANG Jialing，LI Xiying，LUO Donghua.Fram－e difference method based on detection of vehicles at night［J］.Vehicle and Control Computer，2008，16 （12）：1811－1813 （in Chinese）. ［唐佳林，李熙莹，罗东华.一种基于帧差法的夜间车辆检测方法 ［J］.计算机车辆与控制，2008，16 （12）：1811－1813.］

［2］QIU Daoyi，ZHANG Wenjing.Frame－differenc－e method in real－time tracking moving objects in the application ［J］.Journal of North China Institute of Water Conservancy and Hydroelectric Power，2009，30 （3）：45－47 （in Chinese）. ［邱道伊，张文静.帧差法在运动目标实时跟踪中的应用 ［J］.华北水利水电学院学报，2009，30 （3）：45－47.］

［3］LI Congjun，BO Jun.Frame difference method based on urban road vehicle detection at night ［J］.Manufacturing Automation，2011，33 （4）：1009－1011 （in Chinese）. ［李从军，柏军.基于帧差法的夜间城市道路车辆检测 ［J］.制造业自动化，2011，33 （4）：1009－1011.］

［4］LI Xilai，LI Aihua，BAI Xiangfeng.Intelligen－t transportation systems optical flow motion detection vehicle ［J］.Electro－Optic Technology Application，2010，9 （2）：75－78 （in Chinese）.［李喜来，李艾华，白向峰.智能交通系统运动车辆的光流法检测 ［J］.光电技术应用，2010，9 （2）：75－78.］

［5］HU Juehui，LI Yiming，PAN Xiaoxia.Improve optical flow method for vehicle dentification and tracking ［J］.Science Technology and Engineering，2010，10 （23）：5814－5817 （in Chinese）.［胡觉晖，李一民，潘晓露.改进的光流法用于车辆识别与 跟踪 ［J］.科学 技术 与工程，2010，10 （23）：5814－5817.］

［6］HU Yijing，LI Zhengfang，HU Yueming.Optical flow motion analysis based on the theory and application ［J］.Computer Measurement ＆Control，2007，15 （2）：219－221 （in Chinese）.［胡以静，李政访，胡跃明.基于光流的运动分析理论及应用 ［J］.计算机测量与控制，2007，15 （2）：219－221.］

［7］MIAO Xiaodong，LI Xunming.Road vehicle visual detection methods ［J］.Transducer and Microsystem Technologies，2010，29 （2）：5－8 （in Chinese）. ［缪小冬，李舜酩.路面车辆的视觉检测方法 ［J］.传感器与微系统，2010，29 （2）：5－8.］

［8］SHAN Hongmei，SU Jian.Based on stereo vision about poor test new methods of wheelbase ［J］.Jouranl of Jilin University Engineering and Technology Edition，2010，40 （3）：35－38（in Chinese）.［单红梅，苏建.基于立体视觉的轴距左右差检测新方法 ［J］.吉林大学学报 （工学版），2010，40 （3）：35－38.］

［9］GUO Longyuan.Computer vision theory and related stereo matching algorithm ［D］.Journal of Nanjing University of Science and Technology，2009，32 （9）：62－70 （in Chinese）.［郭龙源.计算机视觉立体匹配相关理论与算法研究 ［D］.南京理工大学学报，2009，32 （9）：62－70.］

［10］WANG Biao，WANG Chengru，WANG Fenfen.Fixed scene detection and tracking multi－target motion ［J］.Computer Engineering and Design，2008，29 （8）：2014－2019 （in Chinese）.［王彪，王成儒，王芬芬.固定场景下多目标运动检测 与 跟 踪 ［J］. 计 算 机 工 程 与 设 计，2008，29 （8）：2014－2019.］

［11］Kastinaki V，Zervakis M，Kalaitzakis K.A survey of video processing techniques for traffic applications ［J］.Image and Vision Computing，2003，21 （4）：359－381.

［12］SUN Z，BEBIS G，MILLER R.On road vehicle detection：A review ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，21 （4）：694－711.

［13］TSAI Luowei，HSIEH Junwei，FAN Kuochin.Vehicle detection using normalized color and edge map ［J］.IEEE Transactions on Image Processing，2007，16 （3）：850－864.

［14］CHEN Y T，CHEN C S，HUANG C R，et al.Efficient hierarchiacl method for background subtration ［J］.Pattern Recognition，2007，40 （10）：2706－2715.

［15］LEE D S.Effective Gaussian mixture learning for video background subtraction ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27 （5）：827－832.

［16］Zivkovic Z，Van Der HeUden.Efficient adaptive density estimation per image Pixei for the task of background subtraction［J］.PaRem Recognition Letters，2006，27 （7）：773－780.

［17］HU Weiming，XIAO Xuejuan，XIE Dan.Traffic accident prediction using 3－D model－based vehicle tracking ［J］.IEEE Transactions on Vehicular Technology，2004，53 （3）：677－694.