1. 現(xiàn)有評(píng)價(jià)體系難以保證車(chē)輛識(shí)別的實(shí)時(shí)性

對(duì)于自主車(chē)輛而言，識(shí)別障礙車(chē)輛是自主車(chē)輛環(huán)境感知系統(tǒng)中的關(guān)鍵技術(shù)。準(zhǔn)確地檢測(cè)前方車(chē)輛，對(duì)于自主車(chē)輛避障具有重要的意義。目前國(guó)內(nèi)外學(xué)者已經(jīng)研究出許多車(chē)輛識(shí)別的算法，如基于視覺(jué)信息以及基于激光雷達(dá)信息等方法。

由于視覺(jué)圖像獲取較易、處理方法多樣，所以視覺(jué)技術(shù)是現(xiàn)階段自主車(chē)輛研究中的主要獲取信息手段。其中視覺(jué)技術(shù)主要分為單目視覺(jué)和雙目視覺(jué)。單目視覺(jué)識(shí)別技術(shù)多采用基于車(chē)輛特征的方法，該方法主要利用車(chē)輛與背景有差異的特征，如紋理、邊緣和底部陰影等。

但這種方法獲取的信息量不足，缺乏深度信息，而且易受外部環(huán)境的干擾，諸如光照和陰影等因素。雙目視覺(jué)識(shí)別技術(shù)雖然可以取得較好的效果，但其計(jì)算量較大，算法復(fù)雜，難以保證車(chē)輛識(shí)別的實(shí)時(shí)性。

激光雷達(dá)能夠獲得場(chǎng)景的距離信息，不易受光照等外部條件的影響，但其獲取的外部信息不充分，易造成誤判。而采用多傳感器融合技術(shù)可以克服單一傳感器獲取信息量不足，探測(cè)范圍小的缺點(diǎn)。

曾杰等分別通過(guò)毫米波雷達(dá)和攝像頭對(duì)前方車(chē)輛進(jìn)行檢測(cè)，然后分別對(duì)雷達(dá)和攝像頭檢測(cè)到的目標(biāo)進(jìn)行目標(biāo)一致性檢測(cè)，可以較為準(zhǔn)確地檢測(cè)出前方車(chē)輛的寬度、位置等信息，但此方法需要處理整幅圖像，運(yùn)算量較大，且面對(duì)尾部特征復(fù)雜的情況時(shí)易出現(xiàn)漏檢情況。

楊磊等通過(guò)對(duì)雷達(dá)信號(hào)進(jìn)行預(yù)處理，確定感興趣區(qū)域，采用 Canny 算子進(jìn)行邊緣檢測(cè)，確定車(chē)輛的具體位置，雖然算法較為簡(jiǎn)單，但易受外部光照環(huán)境影響，準(zhǔn)確率不夠理想。高德芝等采用基于密度的空間聚類算法對(duì)雷達(dá)信息進(jìn)行聚類確定感興趣區(qū)域，利用 T- 模糊推理系統(tǒng)融合車(chē)輛的灰度、寬高比和信息熵等多個(gè)特征驗(yàn)證車(chē)輛假設(shè)，可以實(shí)現(xiàn)較好的識(shí)別效果，但是算法較為復(fù)雜，難以滿足實(shí)時(shí)性要求。

為了使車(chē)輛識(shí)別算法具有較好的準(zhǔn)確性，同時(shí)減少算法的復(fù)雜程度，本文采用激光雷達(dá)和單目視覺(jué)兩種傳感器相結(jié)合的車(chē)輛識(shí)別方法，即先對(duì)激光雷達(dá)信號(hào)進(jìn)行預(yù)處理，并采用最鄰近距離法進(jìn)行聚類，初步確定感興趣區(qū)域，然后對(duì)感興趣區(qū)域進(jìn)行預(yù)處理操作，計(jì)算感興趣區(qū)域的熵值歸一化對(duì)稱性測(cè)度，對(duì)初步確定的感興趣區(qū)域進(jìn)行驗(yàn)證，完成對(duì)前方車(chē)輛的識(shí)別。

2. 傳感器配置及初步確認(rèn)感興趣區(qū)域

2.1 傳感器配置

本文進(jìn)行分析的數(shù)據(jù)來(lái)自 KITTI 數(shù)據(jù)庫(kù)，KITTI 數(shù)據(jù)庫(kù)是目前為止地面自主車(chē)輛研究中最大最全的公布數(shù)據(jù)庫(kù)。

該數(shù)據(jù)庫(kù)提供了慣導(dǎo)系統(tǒng)、64 線激光雷達(dá)、黑白立體攝像機(jī)、彩色立體攝像機(jī)的同步數(shù)據(jù)，其中攝像機(jī)提供的是去除畸變之后的圖像。

激光雷達(dá)以 10 幀 / 秒的速度觸發(fā)攝像機(jī)進(jìn)行拍攝，因此其時(shí)間同步性也得到了保證，同時(shí)該數(shù)據(jù)庫(kù)對(duì)各傳感器都進(jìn)行了標(biāo)定，標(biāo)定參數(shù)已知。該數(shù)據(jù)庫(kù)進(jìn)行測(cè)試的車(chē)輛的傳感器安裝位置，由于只選取了該數(shù)據(jù)庫(kù)中的激光雷達(dá)和其中一個(gè)彩色攝像頭的數(shù)據(jù)，故只標(biāo)出了這兩個(gè)傳感器的安裝位置。

2.2 雷達(dá)信號(hào)的預(yù)處理

本文所研究數(shù)據(jù)的雷達(dá)信息由 Velodyne HDL64 線三維激光雷達(dá)采集。64 線激光雷達(dá)的點(diǎn)云數(shù)據(jù)量非常大，約 100 萬(wàn)個(gè)點(diǎn) / 秒。若直接對(duì)雷達(dá)數(shù)據(jù)進(jìn)行分析，系統(tǒng)所需處理的信息量過(guò)大，難以滿足實(shí)時(shí)性的要求。因此，在通過(guò)雷達(dá)數(shù)據(jù)獲取感興趣區(qū)域前，需要對(duì)雷達(dá)數(shù)據(jù)進(jìn)行預(yù)處理。

可以看出，未處理的雷達(dá)信號(hào)將路面也掃描在內(nèi)，由于本文主要對(duì)前方車(chē)輛進(jìn)行檢測(cè)，因此將高度低于 0.2 m 的雷達(dá)信號(hào)剔除。汽車(chē)在行駛中，位于不同車(chē)道內(nèi)行駛的車(chē)輛對(duì)于自車(chē)的影響程度不同，位于本車(chē)同車(chē)道的前方車(chē)輛和相鄰車(chē)道的前方車(chē)輛對(duì)自車(chē)的安全影響最大，為了減少處理的數(shù)據(jù)量，本文算法主要對(duì)主車(chē)道和旁側(cè)車(chē)道的目標(biāo)進(jìn)行識(shí)別。

在縱向距離 40 m 之后，激光雷達(dá)的數(shù)據(jù)點(diǎn)越來(lái)越稀疏，難以提取有效的障礙物信息，而且視覺(jué)傳感器難以表現(xiàn) 40 m 外目標(biāo)的特征。綜上，將前方縱向 40 m，橫向 10 m 作為雷達(dá)的有效區(qū)域。

2.3 聚類處理及感興趣區(qū)域的獲取

經(jīng)過(guò)預(yù)處理的激光雷達(dá)點(diǎn)較為分散，對(duì)于同一個(gè)目標(biāo)，雷達(dá)會(huì)返回多個(gè)值。因此，為了從雷達(dá)數(shù)據(jù)中提取出有效的障礙物信息，需要對(duì)雷達(dá)數(shù)據(jù)進(jìn)行聚類。

聚類分析作為一種常用的模式識(shí)別方法，在處理數(shù)據(jù)集中發(fā)揮著重要的作用，通過(guò)對(duì)雷達(dá)數(shù)據(jù)進(jìn)行聚類處理，可以使雷達(dá)數(shù)據(jù)得到簡(jiǎn)化，判斷出車(chē)前障礙物的數(shù)量和位置。

常用的聚類方法主要有柵格聚類法、距離聚類法和密度聚類法等，為了減少算法的復(fù)雜程度，本文采用最臨近距離法對(duì)目標(biāo)進(jìn)行聚類。

具體步驟如下：把經(jīng)過(guò)預(yù)處理的雷達(dá)數(shù)據(jù)按照與自車(chē)的縱向距離由近及遠(yuǎn)進(jìn)行重新排列，并按照順序?yàn)楦髡系K點(diǎn)編號(hào)。給 1 號(hào)障礙點(diǎn)賦值類別編號(hào)為 1，然后按順序計(jì)算之后障礙點(diǎn)與之前所有同類別障礙點(diǎn)之間的歐氏距離。并根據(jù)普通車(chē)輛的寬度設(shè)定預(yù)設(shè)閾值。

對(duì)雷達(dá)進(jìn)行聚類處理后，將雷達(dá)信號(hào)由世界坐標(biāo)系轉(zhuǎn)換至圖像坐標(biāo)系中。對(duì)每個(gè)類別進(jìn)行如下操作：在圖像坐標(biāo)系中，將該類別內(nèi)最左側(cè)的點(diǎn)和最右側(cè)的點(diǎn)分別向左和向右移動(dòng) 5 個(gè)像素點(diǎn)，并將這兩個(gè)點(diǎn)所在的列作為矩形區(qū)域的左右邊界。

將該類別內(nèi)最上面和最下面的點(diǎn)分別向上和向下移動(dòng) 5 個(gè)像素點(diǎn)，這兩個(gè)點(diǎn)所在的行為矩形區(qū)域的上下邊界。

3. 車(chē)輛特征識(shí)別

對(duì)雷達(dá)信號(hào)進(jìn)行處理之后，初步獲得的感興趣區(qū)域可能有多個(gè)，路牌、樹(shù)木等無(wú)關(guān)物體也被檢測(cè)在內(nèi)。因此需要對(duì)感興趣區(qū)域進(jìn)一步驗(yàn)證，剔除非車(chē)輛的干擾。本文通過(guò)檢測(cè)感興趣區(qū)域的熵值歸一化對(duì)稱性測(cè)度來(lái)驗(yàn)證目標(biāo)車(chē)輛。

3.1 圖像預(yù)處理

通過(guò)視覺(jué)傳感器采集的前方道路信息會(huì)受到光照等因素的影響，降低其成像質(zhì)量，因此需要對(duì)感興趣區(qū)域進(jìn)行預(yù)處理。

通過(guò)預(yù)處理之后的圖像，可以突出有用的信息，去除背景環(huán)境的干擾。本文采取的預(yù)處理流程包括圖像灰度化、圖像灰度增強(qiáng)和濾波去噪。

由于獲取的圖像為彩色圖像，信息量較大，為了減少計(jì)算量，需要首先對(duì)原始感興趣區(qū)域進(jìn)行灰度化處理。獲取灰度化圖像之后，采用直方圖均衡化的方法進(jìn)行灰度增強(qiáng)，增加圖像的全局對(duì)比度。

同時(shí)，經(jīng)過(guò)灰度處理的圖像往往存在噪聲干擾，因此需要對(duì)圖像進(jìn)行濾波，由于中值濾波在一定程度上可以保留圖像細(xì)節(jié)，而且算法簡(jiǎn)單，故本文采取中值濾波對(duì)圖像進(jìn)行處理。

3.2 車(chē)輛驗(yàn)證

感興趣區(qū)域圖像中的車(chē)輛尾部具有非常好的灰度對(duì)稱性?；叶葘?duì)稱性指以車(chē)輛區(qū)域中線為軸，左右區(qū)域的灰度值為軸對(duì)稱圖形。設(shè) R（x） 為 ROI 區(qū)域內(nèi)某一行灰度數(shù)據(jù)的一維函數(shù)，因此其可以被表達(dá)為奇函數(shù)和偶函數(shù)的形式，對(duì)應(yīng)感興趣區(qū)域的對(duì)稱性測(cè)度可以通過(guò)其分離出的偶函數(shù)所占的比重來(lái)決定。

對(duì)感興趣區(qū)域逐行計(jì)算其對(duì)稱性測(cè)度，然后求取其平均值，從而獲得感興趣區(qū)域的水平灰度對(duì)稱性測(cè)度。

但是通常情況下，圖像中道路及部分背景的灰度圖像也具有水平對(duì)稱性的特點(diǎn)，僅通過(guò)灰度圖像的水平對(duì)稱性測(cè)度來(lái)判斷是不夠的，容易造成誤判，因此需要檢測(cè)其他特征來(lái)增加判斷的準(zhǔn)確率。本文采用熵值歸一化的對(duì)稱性測(cè)度來(lái)驗(yàn)證車(chē)輛的存在。

通常情況下車(chē)輛所在區(qū)域所含的信息量要比背景區(qū)域多，因此可以將其作為識(shí)別車(chē)輛的依據(jù)之一。在信息論中，信息熵可以作為特定區(qū)域包含信息量的度量。

4. 仿真實(shí)驗(yàn)

4.1 實(shí)例分析

為驗(yàn)證上述車(chē)輛檢測(cè)算法的性能，本文選擇 KITTI 數(shù)據(jù)庫(kù)中的部分?jǐn)?shù)據(jù)進(jìn)行離線數(shù)據(jù)驗(yàn)證。算法采用 Matlab 編寫(xiě)，圖像分辨率為 750×375。

識(shí)別結(jié)果其中（a）為激光雷達(dá)采集到的原始數(shù)據(jù)，（b）為經(jīng)過(guò)預(yù)處理之后的激光雷達(dá)數(shù)據(jù)，（c）為車(chē)輛檢測(cè)結(jié)果及對(duì)應(yīng)結(jié)果的熵值歸一化對(duì)稱性測(cè)度。

4.2 實(shí)驗(yàn)分析

除此之外，本文采用上述算法對(duì) KIT?TI 數(shù)據(jù)庫(kù)中城市道路總計(jì) 572 幀的數(shù)據(jù)進(jìn)行分析驗(yàn)證。采用本文算法正確識(shí)別車(chē)輛的數(shù)量和處理時(shí)間等數(shù)據(jù)。

可得，采用本文方法的正確檢測(cè)率為 91.3%，誤檢率為 3.5%，漏檢率為 8.7%。實(shí)驗(yàn)表明該算法在城市道路環(huán)境下，具有較好的適應(yīng)性，能夠排除樹(shù)木、建筑等無(wú)關(guān)物體的干擾，能較為準(zhǔn)確地識(shí)別前方車(chē)輛，可以滿足自主車(chē)輛對(duì)前方車(chē)輛識(shí)別精度的要求。

由于 KITTI 數(shù)據(jù)庫(kù)采集數(shù)據(jù)的頻率為 10 Hz，本文算法的平均處理時(shí)間為 34 ms，可以滿足實(shí)時(shí)性的要求。

漏檢分析：由于選取的雷達(dá)識(shí)別區(qū)域?yàn)楣潭ㄖ担?dāng)車(chē)輛在道路邊緣行駛時(shí)，可能會(huì)出現(xiàn)對(duì)識(shí)別范圍外的車(chē)輛信息不敏感的情況，從而造成外側(cè)車(chē)輛的漏判，對(duì)自車(chē)安全造成威脅。

針對(duì)此種情況，可以將雷達(dá)的識(shí)別范圍動(dòng)態(tài)化，使識(shí)別范圍隨車(chē)輛行駛的條件而變化，即首先進(jìn)行道路識(shí)別，提取可通行道路區(qū)域，然后根據(jù)可通行道路區(qū)域識(shí)別的結(jié)果確定雷達(dá)的有效識(shí)別區(qū)域，降低漏判率，提升自主車(chē)輛的安全性能。

誤檢分析：當(dāng)依靠自然光獲取圖像時(shí)難免會(huì)受到光照的影響，在光照不足時(shí)，會(huì)導(dǎo)致圖像細(xì)節(jié)模糊不清，紋理特征不明顯，從而使感興趣區(qū)域的熵值歸一化對(duì)稱性測(cè)度產(chǎn)生較大幅度變化，非車(chē)輛目標(biāo)被檢測(cè)為車(chē)輛目標(biāo)，造成誤檢。

針對(duì)此種情況，可以在原有基礎(chǔ)上進(jìn)一步檢測(cè)感興趣區(qū)域的其他特征，例如底部陰影、寬高比和邊緣特征等，綜合考慮多種特征，減少非車(chē)輛目標(biāo)對(duì)檢測(cè)算法的影響。

5. 結(jié)論

本文提出了一種模型較為簡(jiǎn)練的基于雷達(dá)信息和單目視覺(jué)信息的前方車(chē)輛檢測(cè)方法。該方法利用激光雷達(dá)信息初步劃分車(chē)輛檢測(cè)的感興趣區(qū)域，并通過(guò)檢測(cè)感興趣區(qū)域的熵值歸一化對(duì)稱性測(cè)度完成對(duì)前方車(chē)輛的確認(rèn)。

實(shí)驗(yàn)表明該方法在城市道路環(huán)境下，正確檢測(cè)率為 91.3%，可以實(shí)現(xiàn)較好的識(shí)別效果。同時(shí)該算法模型較為簡(jiǎn)練，單幀圖像的平均處理時(shí)間為 34 ms，在保證車(chē)輛識(shí)別準(zhǔn)確率的同時(shí)，也能保證車(chē)輛識(shí)別的實(shí)時(shí)性，降低了自主車(chē)輛對(duì)于處理器硬件的需求，具有較好的工程應(yīng)用前景。
責(zé)任編輯：tzh