基于车道线的车辆种类划分方法

耿蓓 陈涛 高尚兵

摘要：针对城市道路监控视频中电动自行车目标多、难以与其他目标进行区分的特点，提出一种基于车道线的车辆种类划分算法。该算法首先对视频中的车道线进行检测，然后利用Vibe算法提取前景目标并对前景进行处理，再以车道线作为参照，根据目标的大小规模进行种类划分，从而实现汽车与电动自行车以及其他车辆类型的划分。大量的实验结果表明，该方法能有效地对车辆进行种类划分，误差很低，能够十分方便的应用到各种交通事件检测系统中，具有较好的实时性与鲁棒性。

关键词：车道线检测；Hough变换；Vibe算法；车辆种类划分

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2019）10-0230-05

开放科学（资源服务）标识码（OSID）：

Vehicle Classification Algorithm based on Lane Line

GENG Bei1，CHEN Tao2，GAO Shang-bing2*

（1. Huaian Highway Management Office， Huaian 223001， China；2.College of Computer and Software Engineering， Huaiyin Institute of Technology， Huaian 223001， China）

Abstract：Aiming at the distinguishing feature of the target of electric bicycle in the city Road surveillance video， it's difficult to distinguish with other targets， this paper proposes a kind of vehicle classification algorithm based on Lane line. The algorithm first detects the lane line in the video， then uses the Vibe algorithm to extract the foreground target and process the foreground， then the lane line as the reference， according to the size of the target， to achieve the classification of automobiles and electric bicycles and other vehicle types. A large number of experimental results show that the method can effectively classify the vehicle， the error is very low， it can be conveniently applied to various traffic incident detection systems， and has good real-time performance and robustness.

Key words： lane detection； hough transform； vibe algorithm； vehicle classification

隨着城市经济迅速发展以及电动自行车等轻量代步工具的出现，城市电动自行车规模迅速增长，相关部门难以管理，产生了极大的交通安全隐患。随着城市视频设备数量、覆盖率的迅速增长，以及计算机图像处理水平的提升，将视频图像处理技术用于城市智能交通系统进行计算机自动检测[1]已成为一种趋势。通常希望对一类事物进行单独研究，所以对车辆类型合理进行划分对于智能交通检测[2]系统的研究十分重要，各种各样的分类算法被提出。

目前几乎所有的车辆分类算法都采用特征分类器对样本进行训练学习实现。比如张伟等[3] 基于邻接传感器网络和BP神经网络提出一个有效的车辆分类算法，文学志等[4] 提出一种基于类haar特征和改进AdaBoost分类器的车辆图像识别算法。孙锐等[5] 针对车辆识别中的两类监督分类问题，提出一种基于核K-SVD字典训练结合稀疏表示的分类方法，张鹏等[6] 针对实际应用中因图像清晰度低等因素导致的车型识别误差过大的问题，提出了一种基于稀疏尺度不变转换特征的车型识别算法，陈湘军等[7]提出了车辆图像稀疏特征表示方法，并实现了基于稀疏特征的车辆图像支持向量机线性分类器，构建了基于稀疏特征和背景建模的监控车辆分类识别应用框架。王海等[8]针对已有分类器在结构形式和训练方法的不足，构建了一个以二维深度置信网络为架构的弱监督分层深度学习车辆识别算法。董恩增等[9]针对车型识别的过程中存在处理的信息量大，提取特征维数高，识别实时性较差等问题，设计了一种融入PCA的LBP特征降维车型识别算法。利用特征分类器算法进行车型识别，速度比较慢，且识别效率依赖于训练的样本量，应用到基于视频的交通研究系统中时，实时性较差，分类效率低。

针对以上问题，本文寻求一种迅速以及准确的车辆种类划分算法。本文首先提出了一种车道线检测算法用于提取车道线，其次采用了当前在交通跟踪方面识别速度最快的Vibe背景差分算法用于获取前景目标并对前景目标进行处理，再以车道线作为参照系，计算目标的实际宽度，对目标种类进行划分后，得出目标的类型。整个算法没有复杂的数学计算以及利用目标宽度总在一定范围内的特性，提高了车辆分类的准确性与实时性，算法流程图如下图1所示。

1车道线检测

利用霍夫变换提取出的直线集合含有大量干扰直线，而车道线在道路监控视频中的几何特性十分特殊，本文利用车道线的几何特性从视频画面中识别出车道线。

1.1霍夫变换提取直线

霍夫变换（Hough Transform）[10]是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。主要用来从图像中分离出具有某种相同特征的几何形状（如直线，圆等）。最基本的霍夫变换是从黑白图像中检测直线。

通常情况下左右两车道线分布在视频图像左右两边，且倾斜程度在一定范围内。

设两车道线的斜率分别为k1、k2，通过对大量图像样本进行计算分析得出左、右车道线的斜率约束范围：kmin<|k1∣

1.3提取车道线

a）随机地从P中选取两个点构成直线lp，并将其移除P中。

b）从P中选取一个未标记的点p，计算p到lp的距离，判断是否在threshold范围内。

c）对P中所有点执行2中操作，计算到lp的距离在threshold范围内的点的个数c，若c/np>0.95则认为轨迹为直线。

对于轨迹不为直线的目标，应当对其进行误差修正，将其移除已分类的列表。

（2）多帧统计，对于获取的车辆宽度应当计算多帧的结果取平均值操作避免某一帧提取的车辆前景不准确的情况。

4 实验结果与分析

本文实验环境为Intel（R） Core（TM）i5-2410M CPU，8G内存的PC机。实验数据由网络下载和自行拍摄的城市交通道路视频，图像大小为600×400。采用了路面存在电动自行车、小汽车与大型车的视频进行实验，并分别采用正常光线环境，暗光环境，道路目标复杂的环境进行测试。

本文采用分类准确率与识别速率两个参数对测试结果进行评价，通过对本文算法与采用稀疏SIFT特征的车型识别方法[6]对比测试，测试结果如下表：

由表2到表7中可以看出，由于本算法基于车道线获取车辆宽度，依照实际宽度对种类进行划分，没有复杂的数学运算，而稀疏SIFT特征算法依赖于样本数量，所以在本实验环境下效率较稀疏SIFT特征算法效率高，速度更快，实时性良好。从表中数据可以看出，在暗光环境与复杂环境下，分类的准确率有所下降，这是由于测试视频的清晰度不够以及光线不充足的原因所致。

本文算法首先利用霍夫变换及约束条件提取车道线，再采用Vibe背景差分法提取前景图像，并对前景图像进行优化处理，然后根据车辆宽度范围建立车辆分类器，再利用车道线作为参照获取车辆实际宽度，导入车辆分类器比对得出车辆类型，最后对车辆轨迹分析以及多帧统计对车辆进行误差分析，从而获取最终分类。整个算法没有复杂的数学计算，基于平面几何学，实时性与准确度良好，可以十分方便的应用到基于视频的交通研究中。实际上，对车辆轨迹的分析还可以进行很多的优化，可以对更多的车辆轨迹进行车辆行为分析，依照研究结果对车辆分类器进行优化，实现更好的分类效果。

参考文献：

[1] Cheng H D， Miyojim M. Automatic pavement distress detection system [J]. Journal of Information Sciences，1998， 108： 219-240.

[2] Zhang J，Wang F Y，Wang K，et al.Data-Driven Intelligent Transportation Systems： A Survey [J]，IEEE Transactions on Intelligent Transportation Systems， 2011 ， 12 （4） ：1624-1639

[3] 张伟，谭国真，丁男，等.基于邻接传感器及神经网络的车辆分类算法[J]，通信学报， 2008 ， 29 （11） ：139-144.

[4] 文学志，方巍，郑钰辉.一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J]，电子学报，2011，39（5）：1121-1126.

[5] 孙锐，王晶晶.一种基于核K-SVD和稀疏表示的车辆识别方法[J]，模式识别与人工智能， 2014， 27 （5）：435-442.

[6] 张鹏，陈湘军，阮雅端， 等.采用稀疏SIFT特征的车型识别方法[J]，西安交通大学学报，2015，49（12）：137-143.

[7] 陈湘军，阮雅端，陈启美， 等.车辆图像稀疏特征表示及其监控视频应用[J]，北京邮电大学学报，2016，39 （S1）：81-86.

[8] 王海，蔡英凤，陈龙， 等.弱监督分层深度学习的车辆识别算法[J]，数据采集与处理，2016，31（6）：1141-1147.

[9] 董恩增，魏魁祥，于晓，等.一种融入PCA的LBP特征降維车型识别算法[J]，计算机工程与科学，2017，39（2）：359-363.

[10] Kultanen P， Xu L， Oja E. Randomized Hough transform （RHT）[C]// International Conference on Pattern Recognition， 1990. Proceedings. IEEE， 2002：631-635 vol.1.

[11] Chen J Y， Taskiran C M， Albiol A， et al. ViBE： a video indexing and browsing environment[C] Photonics East. International Society for Optics and Photonics， 1999.

[13] 余烨， 曹明伟， 岳峰. EVibe：一种改进的Vibe运动目标检测算法[J]. 仪器仪表学报， 2014， 35（4）：924-931.

【通联编辑：唐一东】