（信号与信息处理专业论文）基于风险贝叶斯的mpeg行车障碍检测算法研究.pdf

基于风险贝叶斯的m p e g 行车障碍检测算 学科：信号与信息处理 研究生签字0 已 指导教师签字： 摘要 法研究 删舢伽 y 17 5 0 h 1 i i ! 垮。 汽车驾驶者精力不集中等原因极易引发交通事故，各国的科研工作者研究了多种方法 来解决这一问题。行车障碍检测算法实用性的重要指标之一是其虚警率是否在可以接受的 范围内。论文在分析车辆行驶状态、障碍物出现的情况和深入研究基于m p e g 运动矢量 行车障碍检测算法的基础上，对实际拍摄的行车连续视频进行人工判读，统计了原有算法 的检出率和虚警率，得出的实验数据表明：原算法的检出率较高但虚警率也较高。 有鉴于此，文中对原有算法的滤除噪声方法和判决规则提出了改进，使其能在检出率 和虚警率之间达到平衡。课题提出了利用运动矢量的方向特性来滤除噪声的方法。判决规 则的改进是建立在最小风险贝叶斯原理的基础上：通过统计分析与人工判读的手段，可以 获得某一路况下运动矢量场中危险运动矢量与非危险运动矢量的先验概率、类条件概率以 及门限阈值；利用这些数据，可以计算得出此路况下的判决损失，还可应用贝叶斯公式计 算出待分类运动矢量的后验概率；利用后验概率和判决损失可以计算得出待分类运动矢量 的两种条件风险，一是判运动矢量属于危险运动矢量的条件风险，二是判运动矢量属于非 危险运动矢量的条件风险；比较这两种条件风险，将运动矢量归属于条件风险较小的那一 类，以此实现对运动矢量的最优决策。 实验方法是应用m a t l a b 搭建基于风险贝叶斯的m p e g 行车障碍检测算法检测平 台。该平台能够将行车连续视频流按帧分解成单帧图像，对其进行逐帧分析，从帧图像中 提取出行车图像的运动矢量场图。对其中的运动矢量应用检测算法进行检测分类，完成对 基于风险贝叶斯的m p e g 行车障碍检测算法的实现。 论文将改进算法应用于实际路况的视频，实验统计对比了原有算法与改进后算法的检 测效果，实验结果表明，改进算法在准确性方面优于原算法。 关键词：最小风险贝叶斯；m p e g 运动矢量；虚警；最优决策 d i s c i p l i n e ：s i s t u d yo fm p e gd r i v i n go b s t a c l ed e t e c t i o n a l g o r i t h mb a s e do nb a y e sr i s k s u p e r v i s o rs i g n a t u r ： p r o c e s s i n g a b s t r a c t i tw i l le a s i l yl e a dt ot r a f f i ca c c i d e n t sw h e nd r i v e r sa r en e g l i g e n c e i no r d e rt os o l v et h i s p r o b l e m ，s c i e n t i s t so f e a c hc o u n t r i e sh a v es t u d i e dv a r i o u sm e t h o d s o n ei m p o r t a n ti n d i c a t o ro fa d r i v i n go b s t a c l ed e t e c t i o na l g o r i t h mi st h a tw e a t h e rt h ef a l s ea l a r mr a t ei sa c c e p t a b l e t h i sp a p e r a n a l y z e st h es t a t e so fv e h i c l e sa n dt h es i t u a t i o nb o b s t a c l e sa p p e a r a n c e i ts t u d i e st h ea l g o r i t h m w h i c hi sd r i v i n gb a r r i e rd e t e c t i n gb a s e do nm p e gm o t i o nv e c t o r b a s e do nt h e s e ，i td e t e c t st h e a c t u a lp h o t o g r p h yo fv e h i c l e s ，i tc o u n t st h ed e t e c t i o nr a t ea n df a l s ea l a r mr a t eo fh eo r i g i n a l a l g o r i t h m t h ed a t a ss h o wt h a tb o t ht h ed e t e c t i o nr a t ea n dt h ef a l s ea l a r mr a t eo ft h eo r i g i n a l a l g o r i t h ma r eh i g h i nv i e wo ft h i s ，i nc o n n e c t i o n 丽t 1 1t h en o i s ef i l t e r i n ga n dd e c i s i o nr u l e so fo r g i n a l a l g o r i t h m ，t h eb e t t e rc o m m e n ti sp r o v i d e d t h ep u r p o s ei st or e a c hb a l a c n eb e t w e e nd e t e c t i o n r a t ea n df a l s ea l a r mr a t e i no r d e rt of i l t e ro u tn o s i e ，t h i sp a p e ra d d sam e t h o dw h i c hu s e d i r e c t i o n a lp r o p e r t yo fm o t i o nv e c t o r s i m p r o v e m e n to fd e c i s i o nr u l e sb a s e do nt h er i s k m i n i m i z a t i o nb a y e sp r i n c i p l e ：t h r o u g hs t a t i s t i c a la n a l y s i sa n da r t i f i c i a ld e c i s i o n ，i to b t a i n e dt h e p r i o r ip r o b a b i l i t y , c l a s sc o n d i t i o n a lp r o b a b i l t ya n dt h r e s h o l da b o u th a z a r d o u sm o t i o nv e c t o r sa n d n o n h a z a r d o u sm o t i o nv e c t o r s u s i n gt h e s ed a m s ，i tg e t sj u d g e m e n tl o s so ft h i sr o a ds i t u a t i o n i t u s e sb a y sf o r m u l at oc o m p u t ep o s t e r i o rp r o b a b i l i t y i tu s et h ep o s t e r i o rp r o b a b i l i t ya n dl o s s a d j u d g i n gt og e tt w ok i n d so fc o n d i t i o n a lr i s k o n eo ft h er i s ki st h a ti fm o t i o nv e c t o r sb e l o n g s t oh a z a r d o u sm o t i o nv e c t o r s ，t h eo t h e ri st h er i s kt h a tm o t i o nv e c t o r sb e l o n g st on o n - h a z a r d o u s m o t i o nv e c t o r s m o t i o nv e t o r sg r o u pr e s e m b l ew h i c hr i s ki ss m a l l t h r o u g ht h e s e s t e p s ，i t a c h i e v e st h eo p t i m a ld e c i s i o no fm o t i o nv e c t o r m a t l a bi su s e dt ob u i l dp l a t f o r mo fs t u d yo fm p e g d r i v i n go b s t a c l ed e t e c t i o na l g o r i t h m b a s e do nb a y e sr i s k i tc a nd e c o m p o s ev i d e oi n f o r m a t i o ni n t oi n d e p e n d e n ts i n g l ef r a m e t h e n a n a l y s et h e s ef r a m e s ，e x t r a c tm o t i o nv e c t o rf i l e do fd r i v i n gi m a g ef r o mt h e m ，d e t e c ta n da s s o r t t h em o t i o nv e c t o r s b a s e do nt h i s ，t h ed e t e c ta l g o r i t h mh a sb e e nc o m p l e t e d t h ei m p r o v e da l g o r i t h mw a sa p p l i e dt oa c t u a lt r a f f i cv i d e o ，a n dt h et e s tr e s u l t so fi m p r o v e d a l g o r i t h ma n do r i g i n a la l g o r i t h ma r ec o m p a t e d t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h ei m p r o v e d a l g o r i t h mi sb e t t e rt h a nt h eo r i g i n a la l g o r i t h mi nd e t e c te f f e c t k e yw o r d s ：r i s km i n i m u mb a y e s ；m p e gm o t i o nv e c t o r s ；f a l s ea l a r m ；o p t i m a ld e c i s i o n 1 1 研究背景及其意义1 1 2 基于视觉的行车障碍物检测研究现状2 1 2 1 行人检测研究现状2 1 2 2 车辆检测研究现状4 1 3 存在的主要问题5 1 4 论文的组织结构5 2 基于m p e g 的行车障碍检测算法介绍7 2 1 算法中检测规则的制定8 2 1 1 路况的运动矢量分析8 2 1 2 制定运动矢量的检测规则9 2 2 检测算法的实现1 0 2 3 检测算法的仿真及适用性分析1 2 2 4 检测算法局限性分析及改进方案制定1 2 2 4 1 检测算法局限性分析1 2 2 4 2 本文研究方案1 2 2 5 本章小结1 3 3 基于风险贝叶斯的分类决策方法介绍1 4 3 1 引言1 4 3 2 贝叶斯原理1 4 3 3 最小风险贝叶斯决策1 5 3 4 本章小结17 4 应用风险贝叶斯决策先决条件的获取1 8 4 1 提取帧图像18 4 2 危险运动矢量先验概率的获取过程和分类过程1 9 4 2 1 行人检测先验概率与类条件概率的获取1 9 4 2 2 车辆检测先验概率和类条件概率的获取4 7 4 3 判决损失数值的获取6 9 4 4 本章小结7 1 5 基于风险贝叶斯的m p e g 行车障碍检测系统实现7 2 5 1m p e g 标准在智能车辆障碍检测中的应用7 2 5 2 算法程序流程设计及实现7 2 5 2 1 检测算法程序流程7 2 i 5 2 2 检测算法的实现。7 3 5 3 算法结果与分析7 4 5 4 本章小结8 5 6 总结与展望8 7 6 1 总结8 7 6 2 展望8 8 参考文献8 9 攻读硕士学位期间发表的论文9 2 至i 谢9 3 学位论文知识产权声明9 4 学位论文独创性声明9 5 1 绪论 1 1 研究背景及其意义 1 绪论 自1 8 8 6 年世界上的第一台汽车被发明以来，汽车的安全驾驶逐渐被人们所关注。特 别是进入二十一世纪，随着私家车数量的大幅度增加，交通事故的发生数量也在逐年增加， 交通安全问题成为了全球亟待解决的严峻问题之一。 在如今的城市生活中，汽车扮演着不可缺少的角色。随着经济快速发展，城市中汽车 的数量在不断增加，随之而来的例如汽车尾气，交通堵塞，交通事故等问题亟待解决。尤 其是交通事故，不仅对事故当事人带来很大的人身财产损失，也为当事人的家庭幸福、日 后的日常生活带来了难以预计的困难。据有关资料显示，2 0 0 9 年全国共发生道路交通事 故2 3 8 3 5 1 起，造成6 7 7 5 9 人死亡、2 7 5 1 2 5 人受伤，直接财产损失9 1 倒。频繁的道路 交通伤亡事故，影响了社会的现代化水平，制约了社会经济的发展，不利于社会的和谐稳 定。因此我国制定了严格的法律法规，力图使交通事故的发生率降到最低点。 众所周知，交通事故频繁发生的主要原因之一是驾驶员的注意力涣散。有研究表明， 由于驾驶员反应不及时引起的车祸所占比例为8 0 ，车辆间追尾相撞占车祸比例6 5 ， 侧面相撞的比例为3 5 1 2 1 。其中，与人相关的交通事故所占比例为9 5 ，责任在驾驶员一 方的事故比例为7 6 i 引。欧洲的一项研究结果显示，如果能够在事故发生前0 5 秒为司机 提供预警，就可以避免一半的碰撞发生，如果能够在事故发生前1 秒为司机提供预警，就 可以避免绝大部分的碰撞事故发生1 4 l 。而交通事故的诱发原因很难通过法律规定和对驾驶 人员实施教育来得到理想的纠正。因此，通过发达的科技手段为司机提供可靠的安全驾驶 辅助功能，必将成为解决日趋严重的交通事故问题的有效途径。如果司机在没有违规行驶 的前提下，能够尽早获得道路信息，对潜在危险做到防患于未然，将会大大降低交通事故 的发生。基于此种理念，利用高科技手段开发能提早发现道路障碍物的系统就成为了解决 人间悲剧的重要手段之一。 基于m p e g 运动矢量的行车障碍检测算法属于智能车辅助驾驶系统中的一种。它融 合了数字图像处理、模式识别以及数据通信等多项技术。其目的就是应用数字图像处理和 计算机视觉来分析处理由车辆前端单目摄像机所拍摄的车辆行驶视频图像，分析、判断所 提取出的运动矢量，最后对行车安全构成威胁的障碍物进行标注，以实现对驾驶者提供预 警的目的。经过试验表明，在一定的条件下，基于m p e g 运动矢量行车障碍检测算法具 西安工业大学硕士学位论文 1 2 基于视觉的行车障碍物检测研究现状 道路行进的主要参与者是人与车辆。因此行车障碍检测的主要研究方向是对道路上行 人和车辆的检测。 1 2 1 行人检测研究现状 实现基于视觉的道路行人检测方法步骤如下1 5 】： ( 1 ) 应用车载摄像机拍摄车辆周围图像； ( 2 ) 对获取的图像做相关预处理； ( 3 ) 在经过预处理的图像中进行行人目标的分类，确定是否真正存在行人； ( 4 ) 如果确定真正存在行人，则对目标进行定位与跟踪。 目前，在国外已经提出了很多的行人检测方法，其中常见的几种方法是是有基于运动 特性( m o t i o n b a s e d ) 的检测方法、基于形状信息( s h a p e b a s e d ) 的检测方法、基于行人 模型( m o d e l b a s e d ) 的检测方法、基于神经网络( n e u r a ln e t w o r k ) 的检测方法、基于小 波和支持向量机( s u p p o r tv e c t o rm a c h i n e ) 的检测方法等【6 】。 a ) 基于形状信息的方法 基于形状信息的方法主要依据行人形状特征来识别是否存在行人。意大利帕尔玛 ( p a r m a ) 大学的a l b e r t ob r o g g i 教授等【7 】【8 1 在a r g o 项目中就是利用形态学特征和行人 形状的对称性来探测和识别行人的。做法是：在单目序列图像中应用事先建立的一定的假 设来寻找有一定特征的行人，搜索头部的方法是通过一行表示行肩膀和人头的二值模型来 完成的，定位头部所在的位置则使用了一个简单的相关函数，最后通过基于立体视觉技术 的测距方式来求取行人的底边界。 基于形状信息的行人检测方法主要存在两大难点：一是由于行人是非刚性的物体，其 形状信息具有多样性，即使同一个人穿着不同的衣服其形状也会有很大的改变，检测算法 就需要考虑其形状的多样性，因此会增加一些不确定性，从而导致计算量的加大；二是由 于行人的运动，相对于车辆而言，行人身体的某些部分的信息可能是不完全的，这就无形 中增加了基于形状信息行人检测方法的难度。 b ) 基于运动特性的方法 行人运动具有周期性，该方法就是用这个特点来确定图像中运动着的行人。德国 d a i m l e r - b e n z 研究中心b h e i s e l e t 9 】研究的从彩色图像序列中识别行人所利用的运动特征 就是行人与像平面平行的方向行走时腿部周期性的运动特性。第一步是将图像分割成一些 子图像，对各像素按照位置颜色特征空间聚类，应用在连续图像中匹配相应的类达到对 各类跟踪的目的。第二步是利用一种快速多项式分类器估计基于类形状特征的时间变化来 初步选择可能属于人腿的类。最后通过时延神经网络( t i m ed e l a yn e u r a ln e t w o r k ) 对提 取的属于行人腿的类进行训练，从而判断是否存在行人。 基于运动特性的行人检测方法运用行人独有的运动模式或运动节奏特征来检测行人， 2 _-_-_-_i_l_，lll 1 绪论 能在摄像机运动的情况下探测到运动目标，但是对于非刚性的行人提取却有一定难度，因 为人体各部分运动是不一样的。因此，应用基于运动的行人检测局限性在于：( 1 ) 为了有 效提取出运动节奏特征，要求行人的脚或腿可见；( 2 ) 识别时需要连续几帧序列图像，这 样会延误行人的识别，增加处理时间；( 3 ) 不能识别静止的行人，特别是当行人有一些复 杂的动作如徘徊、转弯或跳跃时就会很难识别。 c ) 基于模型的方法 该方法是在图像的各个部位匹配以定义的行人形状模型来找到目标。美国马里兰 m a r y l a n d 大学的v p h i l o m i n 等【lo j 首先应用背景减法从静止c c d 获得的图像中自动分割出 行人边缘轮廓，得到行人的统计形状模型。然后建立线性点分布模型，利用主分量分析 ( p c a ) 来简化维数，找到8 维变形模型空间。系统的线性行人模型是从训练形状样本中 建立紧凑线性形状模型有效的方法，这些点连接成为一个形状向量，所有训练得到的这些 形状向量用p r o c r u s t e s 形状分析方法进行排列。然后用主分量分析法产生普通形状和一系 列这些形状的变化模式。最后结合凝聚跟踪器( c o n d e n s a t i o n a l g o r i t h m ) 来获得检测结果， 跟踪在轮廓模型参数的高维空间中实现，凝聚跟踪器采用在准随机点上采样，提高了鲁棒 性。 利用轮廓模型进行跟踪有利于减少计算的复杂度，如果开始能够合理地分开每个运 动目标并实现轮廓初始化的话，既使在有部分遮挡存在的情况下也能连续地进行跟踪，然 而模型的初始化通常是很困难的。 d ) 基于小波变换和支持向量的方法 美国麻省理工大学a i 实验室的m o r e n 与c p a p a g e o r g i o u 】介绍了一种可训练的目标 探测方法，用来探测图像中的相关人体。由于人体是一个非刚性的目标，并在颜色、纹理、 尺寸和形状上有一定程度的可变性。行人检测主要是基于小波模板概念，按照图像中小波 相关系数子集定义目标形状的小波模板。由于该模板在颜色和纹理变化时保持不变，可以 用来定义诸如行人等目标，小波模板的这种不变性和计算效率使之成为目标探测的一种有 效工具。作者通过大量样本的学习，发现直立人体图像经过h a r r 小波变换后的系数有特 定的规律，可以用一个模板来表示。他们对图像中每个特定大小的窗口以及该窗口进行一 定范围的比例缩放得到的窗口进行h a r r 小波变换，然后利用支持向量机检测变换的结果 是否与小波模板匹配，如果匹配成功则认为检测到一个行人。 e ) 基于神经网络的方法 人工神经网络在行人识别技术中的应用主要是对利用视觉信息探测到的可能含有行 人区域进行分类识别。如l i a n gz h a o 和c t h o r p e 0 2 1 首先利用立体视觉进行目标区域分割， 然后合并和分离子目标候选图像成满足行人尺寸和形状约束的子图像，最有将所有探测到 的可能含有行人目标的矩形区域输入到b p 神经网络进行行人的识别。c w o h l e r 1 3 】开发了 一套实时探测与跟踪可能包含行人图像区域的立体视觉算法，然后根据行人腿典型运动模 式应用延时神经网络来对行人进行分类。b h e i s e l e t l 4 】将时延神经网络用于实现对行人腿 西安工业大学硕士学位论文 的分类。 基于小波变换和支持向量机的方法需要按不同尺度搜索整幅图像来找到行人，这样计 算量很大，不适合于实车应用。为了实现对行人进行实时的检测与跟踪，需要减少小波特 征，降低支持向量机的维数。 1 2 2 车辆检测研究现状 a ) 利用灰度图像的方法 目前，研究最为广泛的是采用灰度图像对前方车辆进行检测。这主要是由于硬件性能 可以满足检测需求且价格合理，以及对灰度图像处理的算法经过多年的研究发展已经相当 成熟，同时还能满足高实时性的应用需求。处理的方法包括： ( 1 ) 阈值法【1 5 】【1 6 】：车辆是致密运动物体，和周围静止背景的灰度图存在差异。这样通 过设定阈值就可以将车辆从背景中提取出来； ( 2 ) 检测线法【l7 】：检测线的方向处置与车辆行驶方向，当车辆经过检测线时，检测线 位置上的图像就会由于车辆的覆盖而发生改变，当运动物体覆盖检测线的宽度大于某个阈 值时，就认为检测到一辆车辆。 ( 3 ) 边缘检测线法【1 8 之o 】：基于车辆边缘的边缘检测法通常效率较高，甚至可以检测出 静止车辆。用于检测车辆边缘的方法有多种，如梯度算子、l a p l a c i a n 算子、k i r s c h 算子 在占 专手o ( 4 ) 模型法【2 1 】【2 2 】：基于模型的方法是直接得到车辆的长、宽、高及车辆类型等信息， 它是一个二维到三维的匹配过程。 目前，基于灰度图像进行车辆识别的研究最为广泛，所涉及的算法也较多。算法相对 简单，具有较强的实时性。但是，单目视觉的缺点也较为明显，容易受外界环境如光线的 变化、阴影以及天气等影响，使其可靠性下降；而且，单目视觉无法可靠测距。 b1 基于彩色图像的检测方法 在对实时性要求不高且应用环境比较复杂的情况下，例如需要检测道路中行人，自行 车等有别于前向运动车辆的其他目标时，使用彩色图像检测方法可获得比灰度图像更多的 信息和更好的检测效果。该方法的步骤如下【2 0 之3 】：应用有颜色量化和聚类分析来完成图像 的初始分割预处理；二是根据区域可靠性测度最小和运动轨迹的长度最小这两个判断规则 对运动目标进行提取。 c ) 基于立体视觉的检测方法【2 4 1 立体视觉是计算机被动测距方法中最重要的距离感知技术。它直接模拟了人类视觉处 理景物的方式，可以在多种条件下灵活地测量景物的立体信息。对它的研究，无论是从视 觉生理的角度还是在工程应用中都具有十分重要的意义。立体视觉的基本原理是从两个 ( 或多个) 视点观察同一景物，以获取在不同视角下的感知图像。通过三角测量原理计算 图像像素间的位置偏差( 即视差) 来获取景物的三维信息，这一过程与人类视觉的立体感 知过程是类似的。 4 1 绪论 虽然立体视觉能较好的获得距离信息，但无论是从视觉生理的角度，还是从实际应用 方面来看，现有的立体视觉技术还处在十分不成熟的阶段。立体匹配作为立体视觉的核心， 在理论上和技术上都存在着很多问题。例如：如何选择合理的匹配特征，以克服匹配准确 性与恢复视差全面性间的矛盾；如何选择有效的匹配准则和算法结构，以解决存在严重灰 度失真、几何畸变( 透视、旋转、缩放等) 、噪声干扰、特殊结构( 平坦区域、重复相似 结构等) 及遮挡景物的匹配问题等。 1 3 存在的主要问题 基于m p e g 运动矢量行车障碍检测算法目前研究中存在的问题主要有： 1 ) 确定危险区域方案的选取 原算法是通过固定灭点的方式来消除噪声的。车辆在理想情况下行驶时，灭点大约在 行车视角的上方三分之一处。原有的算法依照此经验，将灭点设置在了图像的三分之一处。 认为行车图像上面的三分之一为天空非危险区域，其余三分之二为地面危险区域。 但是车辆行驶的实际路况是复杂多变的。上述规定只适合车辆在平值路面上行驶的情 况。假如车辆处于在上坡仰视、下坡俯视或者前方障碍物在图像中的位置高于灭点的状态； 以及车辆转弯、左右摇摆上下震动导致实际灭点位置在行车图像之外，这些情况都会由原 算法确定出的危险区域出现偏差，进而影响到检出结果。因此寻找一种好的确定危险区域 的方案成为了提高算法实用性的重要问题之一。 21 虚警问题 虽然经实验验证，基于m p e g 运动矢量行车障碍检测算法在一定条件下具有良好的 检出性能，但是原有的算法中根据经验生硬的规定运动矢量差值的门限阈值t 为2 ，这使 得原有系统实用性大大降低。车辆前端的单目摄像机获取图像的帧频率是固定的，但是车 速会随着路况的不同而变化。这样就会导致由相邻两帧图像在不同的车速下所提取的运动 矢量模值不同。其差值的门限阈值t 也会随之变化。另外，路面环境、气候条件以及光 线条件的适应性、检测系统自身内部噪声以及在压缩域中由运动矢量所产生噪声等问题， 都会可能引发虚警问题。因此，对检测规则和门限进行适当调整会对检测算法中虚警问题 的降低起到一定的作用。 1 4 论文的组织结构 论文的具体安排如下： 第一章论述部分。主要介绍了行车障碍检测算法的意义以及研究背景，通过对目前国 内外已有的研究现状的介绍，指出其中所遇到的问题。介绍了前人所研究算法的不足之处， 根据这些缺点指明了本文所要研究的方向。最后对论文整体的组织结构进行了相关介绍。 第二章对前人的研究成果进行总结。对基于m p e g 矢量的行车障碍检测算法进行介 绍。叙述了此算法的检测规则的制定，算法的实现，以及算法的仿真结果分析。针对该算 5 西安工业大学硕士学位论文 法中存在的问题制订了改进方案，为本文在此基础上进行后续的研究工作奠定了基础。 第三章为基于风险贝叶斯的m p e g 矢量场行车障碍检测算法相关原理的介绍。着重 叙述了贝叶斯原理以及最小风险贝叶斯决策分类方法。为本文课题的研究提供了理论基 础。 第四章为应用最小风险贝叶斯决策先决条件数据的获取。将通过车辆前端单目摄像机 所拍摄的连续视频图像按帧分解成单帧图片。以这些单帧图片为基础，通过统计分析的手 段获得不同路况下运动矢量的先验概率、类条件概率以及运动矢量差值的门限阈值。计算 确定了最小风险贝叶斯决策的判决损失数值。 第五章算法的改进与实验数据的比较。主要通过实验的手段获取数据对本课题的检测 算法性能进行分析，对运动矢量实现了最小贝叶斯风险决策的分类。并与前人的障碍结果 进行了比较。 第六章总结与展望。简要回顾并总结了全文的工作，同时对本文的研究方案提出了改 进的方向和面向实际应用所需解决的问题，以及连续视频流行车障碍检测算法今后的应用 前景。 2 基于m p e g 的行车障碍检测算法介绍 2 基于m p e g 的行车障碍检测算法介绍 基于m p e g 的行车障碍检测算法是从m p e g 视频码流中的运动矢量理论出发，利用 成熟的m p e g 编解码技术提取视频码流中的运动矢量，直接利用运动矢量在压缩域内进 行检验，从而避免了空间域内检测遇到的如背景、物体颜色、形状变化等难点。 本课题所研究的对象是经过提取的行驶车辆前方道路的运动矢量场图。矢量场图是利 用成熟的m p e g 编解码技术从视频码流中提取的。这样就来可以直接在压缩域内利用运 动矢量来进行检测，从而避开了空间域内检测遇到的如背景、物体颜色、形状等变化难点， 是一种基于压缩域的行车障碍检测算法。 m p e g 的全名为：m o v i n gp i c t u r e se x p e l sg r o u p ，中文译名是动态图像专家组。m p e g 标准主要有以下五创2 5 j ，m p e g 1 、m p e g 2 、m p e g 4 、m p e g 7 及m p e g 2 1 等。该专 家组建于1 9 8 8 年，专门负责为c d 建立视频和音频标准，而成员都是为视频、音频及系 统领域的技术专家。以后，他们成功将声音和影像的记录脱离了传统的模拟方式，建立了 i s o i e c l l 7 2 压缩编码标准，并制定出m p e g 格式，令视听传播方面进入了数码化时代。 因此，大家现时泛指的m p e g x 版本，就是由i s o ( i n t e m a t i o n a lo r g a n i z a t i o n f o r s t a n d a r d i z a t i o n ) 所制定而发布的视频、音频、数据的压缩标准。 m p e g 标准的视频压缩编码技术主要利用了具有运动补偿的帧间压缩编码技术以减 小时间冗余度，利用d c t 技术以减小图像的空间冗余度，利用熵编码则在信息表示方面 减小了统计冗余度。这几种技术的综合运用，大大增强了压缩性能【2 刚。 m p e g 2 的编码图像被分为三类【2 ，分别称为i 帧，p 帧和b 帧。i 帧图像采用帧内 编码方式，即只利用了单帧图像内的空间相关性，而没有利用时间相关性。p 帧和b 帧图 像采用帧间编码方式，即同时利用了空间和时间上的相关性。p 帧图像只采用前向时间预 测，可以提高压缩效率和图像质量。p 帧图像中可以包含帧内编码的部分，即p 帧中的每 一个宏块可以是前向预测，也可以是帧内编码。b 帧图像采用双向时间预测，可以大大提 高压缩倍数。i 帧编码属于帧内编码，构成是将图像行进基于( 8 * 8 ) 块的离散余弦变换 即d c t ，再经量化、扫描和比特流变长编码即生成编码比特流；p 帧和b 帧编码属于帧 间编码，过程是原始图像首相域帧存储器中的预测图像进行比较，计算出运动矢量，运动 矢量再经过变长编码生成编码比特流。由于运动矢量和参考帧生成原始图像的预测图像在 进行运动估计编码。而后，将原始图像与预测图像之间像素差值所生成的差分图像数据进 行d c t 变换，在经历过量化器和比特流编码器生成输出的编码比特流即运动补偿。解码 是整个过程的逆过程。对于接收到的编码比特流数据，通过比特流序列内不信息将码流解 码构成分为帧内解码和帧间解码。通过变长解码、反扫描、反量化和逆d c t 变化进行帧 内解码：对于帧间解码，先通过变长解码接触运动矢量，后再经过运动补偿解码得到图像 序列。 7 西安工业大学硕士学位论文 由于本文的理论及实验是基于m p e g 的行车障碍检测算法所进行的后续研究，因此 在本章将首先介绍该算法的相关技术。其中包括检测算法规则的制定、检测算法的实现、 检测算法的仿真及结果分析，最后将根据算法结果分析制定出本文的改进方案。 2 1 算法中检测规则的制定 由于本文是对前人的m p e g 运动矢量行车障碍检测算法所进行的后续研究，对其进 行的实验做实验数据统计，因此本文对有关该算法的相关技术原理及特点不做赘述。基于 m p e g 运动矢量的行车障碍检测算法是在分析已经解码提取的运动矢量规律的基础上， 来制定行车过程中遇到危险障碍时的检测规则算法。 2 1 1 路况的运动矢量分析 路况的运动矢量分析，是要根据m p e g 视频码流中已提取的不同的路况之下的运动 矢量特点，对行驶车辆前方没有障碍物和存在障碍物的情况进行运动矢量的分析，通过比 较和分析解码提取的运动矢量场图在车辆正常安全行驶情况下和车辆行驶过程中遇到危 险障碍物情况下的不同规律来制定检测障碍物的规则。 基于m p e g 的运动矢量障碍检测算法是对车辆在不同路况下，针对车辆前端运动矢 量特性的检测算法【2 引。车辆在理想道路情况下行驶过程中，通过车辆前端的单目摄像机 所采集的视频图像，提取两帧运动矢量的示意图如图2 1 ( a ) 所示。车辆在行驶过程中，通 过摄像机采集到的视频图像的背景都是动态的，因此根据m p e g 中运动矢量的特点，在 车辆前方没有突发危险障碍物的情况下，所提取的运动矢量应该符合以灭点为中心，向四 周发散且相邻矢量之间的特征均匀分布的规律，如图2 1 ( a ) 所示。如果出现危险障碍物， 则在障碍物的位置会出现杂乱无章的运动矢量。如图2 1 ( b ) 所示。 k 弋t 夕 j t 7 弋 x - j | 、心 i ( a ) 车辆正常行驶( b ) 有危险情况发生时 图2 1 车辆行驶过程中道路周围环境的运动矢量示意图 车辆在行驶过程中，危险障碍物分为三类， 1 ) 在车辆前方突然横穿行人； 2 ) 在车辆前方纵向行进且突然减速或者迎面行驶的车辆； 3 ) 静止的危险障碍物。 8 2 基于m p e g 的行车障碍检测算法介绍 2 1 2 制定运动矢量的检测规则 基于m p e g 的行车障碍检测算法规则分为危险区域的确定、危险运动矢量的确定和 危险运动矢量的判决规则【2 9 。 1 ) 危险区域的确定 众所周知，车辆在正常行驶过程中遇到的危险绝大多数来自于道路的前方，而车辆前 端单目摄像机所拍摄的驾驶视角范围比行车道路范围宽广。因此，并不是图像中所有的区 域内都会产生危险运动矢量，最具代表性的区域就是天空部分。因此m p e g 运动矢量的 行车障碍检测算法最首要的任务是确定能够对车辆正常行驶时构成威胁的危险区域，给予 高度的重视。 基于m p e g 的行车障碍检测算法认为灭点以上为天空部分的运动矢量，不会对正常 行车构成威胁，因此予以排除。 设灭点处的坐标为( x ，l ，) ，则基于m p e g 的行车障碍检测算法对危险区域的确定规则 为： 当在y y 范围之内，该区域确定为危险区域；对于危险区域，要保留运动矢量，以 便对危险区域进行高度重视，从而危险区域内检测危险运动矢量。 当在y y 范围内，该区域内为非危险区域。对于非危险区域，可通过将其区域内的 运动矢量指定的方法将其滤除。 21 危险运动矢量的确定 危险运动矢量是车辆在行驶过程中，突发的危险运动障碍在视频图像序列中所产生的 运动矢量。危险运动矢量不符合车辆正常安全行驶过程中正常运动矢量之间的均匀规律。 基于m p e g 运动矢量的行车障碍检测算法对运动矢量分析中所述的两种情况如下： ( a ) 行人突然横穿马路等横向运动。该种情况由于人的运动为非刚性运动，所产生的 运动矢量为散乱的无规则的运动矢量。 ( b ) 前方车辆突然减速疑惑迎面行驶等纵向运动。该种情况下所产生的运动矢量由机 器视觉知识可知，在运动矢量图上体现为前方车辆存在的位置上，会出现以车辆为中心， 向外发散的杂乱运动矢量簇。 3 ) 危险运动矢量判决规则 基于m p e g 运动矢量的行车障碍检测算法对危险区域内危险运动矢量的判别规则制 定过程是通过对正常情况下运动矢量之间所遵循的渐变及均匀规律，利用此规律对危险区 域内运动矢量进行比较的方法来实现的。正常情况下，相邻运动矢量之差符合一定的阈值 门限t ；当车辆前方出现危险情况时，即不符合正常安全行驶时的相邻运动矢量之差的阈 值门限t 值。基于此特点，该算法通过判断危险区域内的各相邻运动矢量之差是否符合 安全情况下相邻运动矢量之差的阈值门限t 来确定危险运动矢量。即将危险区域内的相 邻运动矢量之差与安全情况下的相邻运动矢量之差比较，若相邻运动矢量之差符合该阈值 t ，则判为正常运动矢量，并对其置零滤除；若相邻运动矢量之差不符合该阈值t ，则判 o 两安工业大学硕士学位论文 为危险运动矢量，对其保留并检出。 具体步骤为： 设位置为( t ，y ，) 的运动矢量的水平、垂直分量为： ( ( 薯，y j ) ，k ( 誓，y j ) ) 在相邻位置( t ，y j 一。) 的运动矢量的水平、垂直分量为： ( 比( 薯，y ，- 1 ) ，巧( 葺，y 一。) ) 则判断： i 比( ，y j ) 一吆( t ，乃一1 ) y o 范围内，该区域为非危险区域。该算法灭点选在图像的1 2 或者l 3 处。 51 在危险区域内确定并提取危险运动矢量； 基于m p e g 运动矢量的行车障碍检测算法中对危险运动矢量的提取流程如图2 2 所 示。 图2 2 运动矢量筛选流程图 基于m p e g 运动矢量的行车障碍检测算法首先判断所检测的运动矢量是否在危险区 域内，若在危险区域内，则保留该运动矢量；若不在该区域内，则不保留该运动矢量，将 其置零。然后对已经保留在危险区域内的运动矢量进行判别，检测相邻运动矢量之差是否 满足车辆在正常安全行驶时相邻运动矢量之间的正常规律，即判别相邻运动矢量之差是否 满足大于车辆正常安全行驶情况下相邻运动矢量之差的阈值门限t 的条件。若不大于t ， 则认为该运动矢量是正常安全的，对行车不会构成威胁，则通过运动矢量置零将其滤除； 若大于阈值门限t ，则认为该运动矢量为危险运动矢量，将其检出。 6 ) 在视频图像中相对应区域内标注出危险障碍物 经过上述五个步骤之后，算法在危险区域内检测出了危险运动矢量，最后要在视频图 像中危险运动矢量相对应的区域内标注出威胁到车辆正常行驶安全的危险突发障碍物，以 西安工业大学硕士学位论文 便提醒驾驶员，达到预警的目的。基于m p e g 运动矢量的行车障碍检测算法通过方框标 记危险障碍物。方框的大小与危险运动矢量区域的大小相关。 2 3 检测算法的仿真及适用性分析 通过车辆前端的单目摄像机，采集大量的车辆直行过程中的视频图像序列，对采集到 的视频图像进行基于m p e g 运动矢量的行车障碍检测算法的仿真实验，该检验实验对经 常发生的威胁车辆正常安全行驶的危险行人及车辆的运动情况，在考虑不同车速的情况 下，利用m a t l a b 软件来离线实现该算法的仿真验证，对检测结果进行统计分析详见表 2 1 表2 1m p e g 运动矢量的行车障碍适用的检测对象 检测对象是否能检测出 危险的运动行人 危险的运动车辆 危险的静i ：