基于单目视觉的日间刹车灯识别外文翻译资料

基于单目视觉的日间刹车灯识别

电气与电子工程师学会会员--陈华聪

电气与电子工程师学会学生会员--吴一建、许春建

摘要

先进的汽车安全问题是近年来在爆发式的汽车拥有者中的一个新兴话题。通过使用传感器和/或摄像机分析周围环境，已开发出越来越多的驾驶员辅助系统，用于警告驾驶员潜在危险。刹车灯是特别重要的警示信号，它表示车辆减速以及存在潜在碰撞危险，不容忽视。本文提出了一种通过使用行车记录仪，且基于视觉的日间行车刹车灯识别系统，该系统具有广泛的应用前景。在白天，车辆的视觉特征、动态和外观非常明显。然而，由于刹车灯和环境之间的对比度较低，刹车灯很难被注意到。该系统在不具备夜间灯光散射的显著特征的情况下，通过尾灯对称性验证来识别前车，然后结合亮度和径向对称性特征检测刹车灯。当该检测方法失效时，则利用时间信息的改进检测过程。通过前装式行车记录仪采集的数据进行实验，实验结果表明，该系统能够有效地检测到白天的刹车灯，在实际环境中具有良好的可行性。

索引词--刹车信号检测、车辆检测、信号处理、防撞、驾驶员辅助

1.引言

先进的汽车安全问题一直是人们热切关注的一个重要问题，也是众多研究者致力于解决的问题。随着全球汽车保有量的爆炸性增长，越来越多的驾驶员比以往任何时候都更迫切地需要各种自动/半自动车载系统来辅助驾驶。为了预防事故和提高安全，大多数驾驶员辅助系统的设计是为了提醒驾驶员注意潜在的危险，因为分心驾驶是交通事故的主要原因之一。

在相关的工作中，大量的研究工作都是针对车道标线的检测[1]-[3]（举几个例子），交通信号灯[4]–[8]、车辆[9]–[14]和车灯（尾灯、刹车灯和转向灯）[15]–[24]。为了达到预防事故的最终目的，防碰撞传感技术已成为汽车制造商研究的热点。在过去的几十年中，许多现有的最先进的系统依赖于有源传感器，例如雷达[25]或波束形成技术[26]-[28]。然而，数码相机的快速发展以及降低的成本使得安装行车记录仪（DVRs）成为可能，这种录像机在世界范围内有广泛的应用。此外，由于计算能力的指数增长和先进的计算机视觉技术的可用性，各种基于视觉的传感器可以用低成本的算法进行。与基于设备的传感器相比，基于视觉的方法的主要优点是，仅通过在现有硬件上运行软件就可以完成不同的任务，而不需要额外的设备。

视觉特征、动态和外观识别通常用于车辆检测。有关车辆检测技术的更深入讨论，请参阅Sun等人[12]的广泛论述。还存在大量利用尾灯作为前方车辆检测提示的方法，特别是在夜间，其他特征很难检测到。Orsquo;Malley等人[15] 提出了一种前向彩色视频中车辆尾灯检测与跟踪的图像处理系统，这是一种通过优化尾灯外观的摄像机配置方法。为了从低曝光度的前向彩色视频中分割后向灯，使用HSV颜色模型，并直接利用自动规则提取红色阈值，并根据实际情况进行调整。最后，利用颜色互相关对称分析对尾灯进行配对，并利用卡尔曼滤波进行跟踪。考虑到低动态范围CCD相机中明亮像素的饱和度所引起的“弥散效应”，Skodras等人[16]利用颜色和径向对称信息进行尾灯分割，并通过找到一对尾灯来检测前方车辆。首先将视频帧转换为Llowast;Alowast;blowast;颜色空间。然后，将快速径向对称变换（FRST）[29]应用于a*分量的子空间图像，以寻找候选尾灯区域。通过形态光配对方案和对称性检验过程，在启发式阈值的基础上验证了前方车辆的存在。

提示后车前车减速和存在潜在碰撞危险，刹车灯是特别重要的。Thammakaron和Tangamchit[17]提出了一种用于预测夜间刹车警告的刹车灯检测技术。要定位刹车灯，首先使用RGB颜色模型检测刹车环的红色区域。刹车灯的颜色分布是从50个采集的样本中计算出来的，以确定每个颜色通道的阈值。然后，通过计算交叉点，验证了RGB信道中的三个候选ROIs，并将交叉ROIs视为刹车灯。最后，考虑车速、最大刹车灯检测区域面积和所有刹车灯检测区域面积之和，计算出碰撞风险指数。Schamm等人[18] 提出了一种基于车辆前后灯的夜间或黄昏探测系统。该系统采用二维高斯滤波器-透视斑点滤波器来检测圆形光斑，并采用基于规则的聚类方法搜索相应的灯光对。为了验证每个灯光对是关联的，采取了对称分析方法。通过基于颜色的比较，该系统能够区分迎面驶来的车辆的前灯和前方车辆的尾灯。对于前方车辆，其刹车动作可通过检测第三刹车灯来识别。

Chen和Peng[19]以及Chen等人[20]和[21]提出了几种基于视觉的方法，利用前置摄像头在夜间检测刹车灯和转向灯。在[19]中，Chen和Peng提出了一种夜间刹车灯检测方法，该方法是通过对信号进行空间域和频域分析。他们首先使用在YCbCr颜色空间中获得的颜色特征在空间域中检测候选区域。然后将候选区域中的散射区域的Cr分量变换到频域进行进一步验证。最后，对刹车状态进行决策。利用刹车灯区域的散射特性，Chen等人[20] 利用Nakagami成像对刹车光散射进行建模，并以基于零件的方式进行检测过程。检测算法包括以下步骤：（i）利用阶跃函数进行强度计算和对比度增强；（ii）对Nakagami-m分布的尾灯区域建模；（iii）刹车灯检测的自适应决策。后来，Chen等人。进一步将此散射建模方案应用于[21]中的夜间转向信号检测，并在实际环境中证明了良好的可行性。然而，在高光照环境条件下，光散射效应变得不明显，因此不适用于日间刹车灯检测。

基于对车辆尾灯的跟踪，Almagambetov等人 [22] 提出了一种在白天和夜间检测刹车灯和转向灯的方案, 它是[23]的一个增强版本。为了提取候选尾灯对，首先检测出红白混合的区域，然后进行对称性测试，如果两个区域的垂直距离小于一个区域的高度，则认为这两个区域是对称的。利用RGB颜色信息计算每个候选对的相关系数，并消除低相关系数的候选对。将基于卡尔曼滤波的码本跟踪方法应用到候选尾灯对中，检测出跟踪尾灯的亮度变化作为刹车或转向信号。尽管在[22]中声称接近100%的检测率，但他们在4个短测试视频剪辑（总共1609帧长）上的实验似乎不足以证明该方法的有效性，这些视频剪辑只包含6个信号事件（两个转向信号灯和四个刹车灯）。另一方面，这种方法也有一些缺点。首先，这种方法高度依赖于跟踪尾灯。一旦跟踪失败，误差将传送到随后的计算中，即转向/刹车信号检测过程将不再工作。此外，在高亮度条件下，亮度变化不会如[22]所述那么明显。另外，该方法还面临着处理环境光突发变化的能力不足。

关于车辆避碰的研究已有相当多。然而，据我们所知，很少有工作集中在白天检测车辆刹车灯。本文提出了一种基于视觉的日间刹车灯检测系统。在白天，车辆的大多数视觉特征、动态和外观都是高度可见的，但由于刹车灯和环境之间的低对比度，刹车灯却很难被注意到。此外，散射光的效果不如夜间明显，使得刹车灯更难被注意到。为了引起驾驶员对前方刹车车辆的注意，日间刹车灯检测至关重要。在不考虑光散射特性的前提下，提出了一种分层的方案，该方案首先通过尾灯对称性验证提取前车，然后结合亮度和径向对称性特征检测刹车灯。如果检测失败，还采用了使用时间信息的检测改进过程。

本文的其余部分安排如下。第二节阐述了所提出的刹车灯检测的详细处理步骤，包括车辆候选检测、尾灯提取和配对、潜在刹车灯检测和刹车灯状态确定。第三节说明如何使用时间信息执行检测细化。第四节介绍并讨论了实验结果，最后第五节对本文进行了总结。

2.刹车灯检测

在夜间，散射效应使尾灯和刹车灯高度可见，而在白天，由于环境光线强，刹车信号变得不明显，容易被忽略。直接检测刹车灯，在夜间这是可行的，由于许多虚假候选区域的视觉特征类似于真正的刹车灯，所以在白天可能是不可行的。因此，我们提出了一种日间刹车灯检测的分层方案，如图1所示。在第II-A节中，我们首先在视频帧中提取前面的车辆。在II-B部分，我们执行尾灯提取和配对。在获得的尾灯区域内，我们在II-C部分检测到径向对称的斑点（RSBs）作为潜在的刹车灯。最后，在II-D部分进行刹车灯状态确定。为了更好地理解，图2预先给出了一个说明，其中青色矩形是预设的感兴趣区域（ROI），紫色矩形指示检测到的前方辆车，绿色矩形是提取的和配对的尾灯区域，小区域的内部高亮部分正是我们想要去检测的刹车灯部分。

图1.日间刹车灯检测流程图

A.车辆候选检测

为了避免碰撞，提出的刹车灯检测系统主要侧重于摄像机正前方的车辆。因此，如图2所示，我们通过将ROI预设到帧的下半部分的中心区域来缩小处理区域。随后的车辆提取和刹车灯检测在ROI内进行，从而忽略旁边的车辆。这不仅节省了大量的处理时间，而且避免了驾驶员对从旁边车辆检测到的刹车灯的不必要干扰。

图2.检测到的车辆区域、尾灯区域和刹车灯的图示

方向梯度直方图（HOG）是Dalal和Triggs[31]首次提出的用于人体检测的特征描述子，在许多目标检测工作中得到了广泛的应用，显示出很好的效果。该方法基于在重叠块密集网格中评估图像梯度方向的归一化局部直方图，并采用基于线性支持向量机（SVM）的方法进行目标/非目标分类。同时也验证了HOG描述子可以减少光照变化或阴影的影响。后来，Zhu等人[32]通过使用AdaBoost从多个大小、位置和纵横比的大量块中选择特征来改进方法[31]。为了加快检测速度，提出了一种抑制级联方案。由于目标检测的有效性和对光照变化的鲁棒性，本文采用了一种具有HOG特征的级联增强分类器来定位视频帧中的候选车辆。

B.尾灯提取和配对

在视频帧中，尾灯显示为高红色色度。因此Llowast;alowast;blowast;对于尾灯提取是合适的区域。作为在感知上均匀的颜色空间，Llowast;alowast;blowast;等效地将感知的色差映射到颜色空间中的定性距离。将亮度信息（Llowast;分量）与颜色信息（alowast;和blowast;分量）分离开来，Llowast;alowast;blowast;颜色空间还有一个优点，即光照变化对颜色信息的影响很小。在我们的系统中，Llowast;alowast;blowast;的alowast;分量（红-绿）用于搜索每个被检测车辆候选区域的红色区域。如图3（a）和（b）所示，我们分割每个检测到的候选车辆，并计算其a*分量图像。如图3（c）所示，在用阈值tau;_a进行图像二值化后，可以保留高红色色度区域。然后，如图3（d）所示，应用形态学运算和连通成分分析来消除噪声并获得尾灯候选的完整区域。

图3.尾灯提取(a)为检测到的候选车辆的图像.(b)为(a)的a*分量图像. (c)为(b)的二值化. (d)为通过形态学运算和连通成分分析获得尾灯候选

在一个车辆区域中可能检测到两个以上的尾灯候选。对于尾灯的验证和配对，我们根据尾灯对称性的特点设计了如下的测试和选择程序，以验证两个给定的候选对象，这两个对象被称为C_i和C_j，它们是汽车尾灯对。

1）Y-距离测试：让h_i和h_j分别表示C_i和C_j的高度，如图4所示。假设路面是平整的，尾灯对应该在几乎相同的水平。因此，如果C_i和C_j中心之间的垂直距离d大于h_i和h_j，则两个候选C_i和C_j不应配对。受[22]的启发，这个Y距离测试T_yd（C_i，C_j）返回值是否应该保留该尾灯对（C_i，C_j），可以表述为：

（1）

图4. Y距离测试

2）尺寸形状测试：考虑到一对尾灯的尺寸和形状应该相似，我们计算C_i和C_j的交点的面积比G，以进行尺寸形状相似性评估，公式如下：

（2）

正如图5所示，如果C_i和C_j的大小和形状相似，则将获得较高的G值；否则，G值将较低。因此，低G值的尾灯对（C_i，C_j）应该被过滤掉。这个尺寸形状测试可以表述为：

（3）

图5.尺寸形状测试

3）配对选择：通过以上测试，如果没有保留尾灯配对，则此检测到的候选车辆可被视为错误检测，无需对其进行后续刹车信号检测。否则，我们必须从保留的尾灯对中选择并验证最合适的一对。由于尾灯通常是车辆后部高红色色度的最大区域，因此我们定义了一个标准H，该标准计算C_i和C_j在检测到的车辆区域中占所有候选车辆（C₁、C₂、hellip;、C_N）的面积比例，标准H的计算公式如下所示:

(4)

其中N表示车辆区域中所有尾灯候选的数量。较高的H值表明，C_i和C_j更可能是尾

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[239481]，资料为PDF文档或Word文档，PDF文档可免费转换为Word