一种基于贝叶斯分类器的车载多障碍物分类装置及方法

摘要

本发明涉及一种基于贝叶斯分类器的车载多障碍物分类装置及方法，其中，所述分类装置包括相连接的摄像头和PC机，所述PC机包括：卡尔曼滤波模块，用于对摄像头采集的车辆前方视频图像进行卡尔曼滤波，检测障碍物目标；特征提取模块，用于对检测出的障碍物目标进行特征提取，所述特征包括对称性特征、水平边缘直线度特征和长宽比特征；贝叶斯分类模块，用于根据障碍物目标的特征，采用朴素贝叶斯分类器得到障碍物目标的类别，所述类别包括骑自行车/摩托者、车辆侧面、车辆正面和行人。与现有技术相比，本发明具有识别准确率高、抗干扰能力强、高效、实时性好等优点。

说明书

技术领域

本发明涉及车载多障碍物分类技术领域，尤其是涉及一种基于贝叶斯分类器 的车载多障碍物分类装置及方法。

背景技术

车载多障碍物分类是智能交通的一个重要研究课题，是智能车辆周边环境感知 技术领域中的重要组成部分。近几年，在国内外智能交通研究领域中，关于车载多 障碍物的识别提出了很多方法，主要包括下述方法：

孟华东等人提出多传感器信息融合结合贝叶斯网络的车辆类型检测法，通过微 波和视频传感器分别得到车辆的高度轮廓和平面轮廓，采用贝叶斯网络对7类车 辆进行分类。高磊等人提出基于边缘对称性检测视频车辆的方法，计算候选区域的 对称轴和宽度，使用边缘强度、对称性和宽度验证候选区域是否是车辆。沈志熙等 人提出一种基于Boosting集成学习的二叉树支持向量机(BBT-SVM)方法，根据 城区交通环境中各类障碍物出现概率、模式间的类间差异，设计基于Boosting的 智能车辆障碍物识别的SVM树型结构。张秋豪等人应用BP神经网络进行了障碍 物分类识别。

现有技术方案存在的主要缺点是：目前贝叶斯方法存在的问题主要是类间差训 练样本较难选取，且在贝叶斯进行分类阶段，时间复杂性取决于特征值间的依赖程 度，导致正确率较低，系统的实时性不强。二叉树支持向量机(BBT-SVM)多类分 类方法构建了一个二叉树，每个树节点是一个二值向量分类器，以此分下去直至 节点中只有一个类别即叶子节点。这种方法的主要缺点是误差累积以及存在不可分 区域问题。BP神经网络分类器具有并行性、鲁棒性等特点，可以大大减少分类器 的计算时间，但是分类器的错误率较高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种识别准确率 高、抗干扰能力强、高效、实时性好的基于贝叶斯分类器的车载多障碍物分类装置 及方法。

本发明的目的可以通过以下技术方案来实现：

一种基于贝叶斯分类器的车载多障碍物分类装置，包括相连接的摄像头和PC 机，所述PC机包括：

卡尔曼滤波模块，用于对摄像头采集的车辆前方视频图像进行卡尔曼滤波，检 测障碍物目标；

特征提取模块，用于对检测出的障碍物目标进行特征提取，所述特征包括对称 性特征、水平边缘直线度特征和长宽比特征；

贝叶斯分类模块，用于根据障碍物目标的特征，采用朴素贝叶斯分类器得到障 碍物目标的类别。

所述摄像头安装于汽车内部后视镜处。

所述贝叶斯分类模块包括：

贝叶斯分类器建立单元，用于建立用于分类的朴素贝叶斯分类器，并根据已知 样本数据训练朴素贝叶斯分类器；

分类单元，用于利用训练好的朴素贝叶斯分类器对特征提取模块获得障碍物目 标的特征进行分类，得到障碍物目标的类别。

所述贝叶斯分类器建立单元包括：

样本特征提取子单元，用于提取已知样本数据的特征，所述已知样本数据为已 知类别的待分类项集合；

训练子单元，用于根据已知样本数据的特征对建立的朴素贝叶斯分类器进行训 练，获取每个类别在已知样本数据中出现的概率及每个特征属性划分对每个类别的 条件概率估计。

一种基于贝叶斯分类器的车载多障碍物分类方法，包括以下步骤：

1)对获取的车辆前方视频图像进行卡尔曼滤波，检测得障碍物目标；

2)对检测出的障碍物目标进行特征提取，所述特征包括对称性特征、水平边 缘直线度特征和长宽比特征；

3)根据所提取的障碍物目标的特征，采用朴素贝叶斯分类器得到障碍物目标 的类别。

所述步骤2)中，对称性特征通过以下方式提取：

a1)图像预处理，对障碍物目标图像进行灰度化和高斯平滑滤波去噪；

a2)边缘检测，对预处理后的障碍物目标图像进行Sobel算子边缘检测，得到 边缘检测垂直叠加投影；

a3)对称性检测，根据垂直叠加投影计算目标区域对称轴的列坐标位置，记为 u，对称区域宽度记为w，以列坐标位置作为横坐标，以列坐标位置对应的垂直叠 加投影作为纵坐标作函数f(x)，其中，目标区域对称轴的列坐标位置为坐标原点， x的取值范围是设f(x)＝g(x)+h(x)，其中g(x)为f(x)的奇函数分量， h(x)为f(x)的偶函数分量，则有

$g\left(x\right)=\frac{f\left(x\right)-f(-x)}{2}$

$h\left(x\right)=\frac{f\left(x\right)+f(-x)}{2}$

根据奇函数分量和偶函数分量比值获得障碍物目标的对称性特征：

$s=\frac{{\int }_{-\frac{w}{2}}^{\frac{w}{2}}{h}_e{\left(x\right)}^{2}dx-{\int }_{-\frac{w}{2}}^{\frac{w}{2}}g{\left(x\right)}^{2}dx}{{\int }_{-\frac{w}{2}}^{\frac{w}{2}}{h}_e{\left(x\right)}^{2}dx+{\int }_{-\frac{w}{2}}^{\frac{w}{2}}g{\left(x\right)}^{2}dx}$

其中，s表示对称性特征，且-1≤s≤1，当s＝1时图像左右完全对称，当s＝ -1时图像左右完全相反，$h_e\left(x\right)=h\left(x\right)-\frac{1}{w}{\int }_{-\frac{w}{2}}^{\frac{w}{2}}h\left(x\right)dx.$

所述步骤2)中，水平边缘直线度特征通过以下方式提取：

首先对障碍物目标图像进行预处理和边缘检测，然后利用霍夫变换检测直线， 标记、统计所有直线的长度，求和归一化后得到障碍物目标图像的边缘直线特征值。

所述步骤2)中，长宽比特征通过以下公式表示：

$K=\frac{x_{max}-x_{\min }+1}{y_{max}-y_{min}+1}$

式中，(x_max,y_max)和(x_min,y_min)分别是围绕一个障碍物目标的围盒的右下角 和左上角坐标，K的数值是障碍物目标对应面积图像的最小外接矩形的长宽比。

所述步骤3)中所采用的朴素贝叶斯分类器通过以下方式训练：

31)获取已知样本数据，所述已知样本数据为已知类别的待分类项集合；

32)提取已知样本数据的特征；

33)根据已知样本数据的特征对建立的朴素贝叶斯分类器进行训练，获取每个 类别在已知样本数据中出现的概率及每个特征属性划分对每个类别的条件概率估 计。

与现有技术相比，本发明具有以下有益效果：

(1)本发明基于贝叶斯分类器对车辆前方多障碍物进行分类，依据最大后验 概率进行决策分类，将样本判定为有最大概率值的类别，可以减小由于图像噪声干 扰带来的分类误差，提高识别的准确率。

(2)提取的多障碍物特征包括对称性特征、水平边缘直线度特征和长宽比特 征，具有相对独立，分类效果较好，可对多类障碍物进行分类识别；其中，采用目 标的对称性特征，有利于将车辆的正面和骑自行车/摩托者，以及行人区分开；采 用目标边缘的水平直线度特征，有利于将车辆的侧面和骑自行车/摩托者，以及行 人区分开；采用目标的长宽比有利于将行人和骑自行车/摩托者，以及车辆区分开。

(3)本发明基于贝叶斯分类器的多障碍物分类方法结构简单，抗干扰能力较 强，具有很好的健壮性，为研究汽车辅助驾驶中车辆前方障碍物的分类识别提供了 一种新的方法，对研究智能交通、无人驾驶等领域有一定的理论意义和实用价值。

(4)利用本发明进行分类的准确度高，其中，骑自行车/摩托车者的分类准确 率达到100％，车辆侧面的分类准确率达到95％，车辆正面的分类准确率达到100％， 行人分类准确率达到100％，实时性可以达到每帧0.29秒。

附图说明

图1为本发明分类方法的流程示意图；

图2为本发明朴素贝叶斯分类器的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方 案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范 围不限于下述的实施例。

本实施例提供一种基于贝叶斯分类器的车载多障碍物分类装置，包括相连接的 摄像头和PC机，摄像头安装于汽车内部后视镜处，用于采集车辆前方视频图像， PC机安装于车内，包括卡尔曼滤波模块、特征提取模块和贝叶斯分类模块，对摄 像头采集的车辆前方视频图像进行特征提取，利用朴素贝叶斯分类器得到障碍物目 标的类别。该分类装置所提取的特征包括对称性特征、水平边缘直线度特征和长宽 比特征，可分类的类别包括车辆正面、车辆侧面、骑摩托车或自行车者和行人四种。

如图1所示，利用上述基于贝叶斯分类器的车载多障碍物分类装置进行分类 的步骤包括：

Step1，摄像头采集车辆前方视频图像。

Step2，利用HALCON软件对视频图像实现采用卡尔曼滤波的车载多类障碍物 的检测。选定图像中的感兴趣区域，对图像进行预处理，产生背景图像，将采集的 下一帧图像和背景图像相减，得到前景图像，然后更新背景图像。通过卡尔曼滤波 更新背景图像，返回前景图像。前景图像中是提取出的运动障碍物目标。卡尔曼滤 波障碍物检测的详细方法见发明专利申请201010177661.3。

Step3，对检测出的障碍物目标进行特征提取，特征包括对称性特征、水平边缘 直线度特征和长宽比特征。

(1)首先对得到的障碍物目标进行对称性检测，以便区分车辆的正面图像和 骑自行车/摩托者，以及行人。车辆的正面图像是指汽车驶向或背离摄像头时所拍 到的车辆前部或后部的图像，车辆的正面图像对称性较好。骑自行车或摩托车者是 指从摄像头视场左侧(或右侧)驶入，横穿使用者的车辆前方，从车载摄像头视场 右侧(或左侧)驶出的障碍物。骑自行车或摩托车者的对称性较低。

具体步骤如下：首先进行图像预处理，对目标进行灰度化和高斯平滑滤波去噪。 以阈值为0.02垂直方向对图像进行Sobel算子边缘检测，将垂直边缘检测图像各 点的垂直梯度值做垂直方向投影，得到边缘检测垂直叠加投影。

$B\left(x\right)={\Sigma }_{y=0}^{H-1}G(x,y)---\left(1\right)$

其中，H为目标区域的高度，B为目标区域的垂直叠加投影，x为垂直叠加投影 的列坐标位置。

根据垂直叠加投影计算目标区域对称轴的列坐标位置，记为u，对称区域宽度 记为w，以列坐标位置作为横坐标，以列坐标位置对应的垂直叠加投影作为纵坐标 作函数f(x)，其中，目标区域对称轴的列坐标位置为坐标原点，x的取值范围是 根据如下定理：定义在R上的任一函数，总可以表示成一个奇函数与一 个偶函数的和，设f(x)＝g(x)+h(x)，其中g(x)为f(x)的奇函数分量，h(x)为f(x) 的偶函数分量，则有

$g\left(x\right)=\frac{f\left(x\right)-f(-x)}{2}---\left(2\right)$

$h\left(x\right)=\frac{f\left(x\right)+f(-x)}{2}---\left(3\right)$

将偶函数分量归一化，使其均值为0，则有：

$h_e\left(x\right)=h\left(x\right)-\frac{1}{w}{\int }_{-\frac{w}{2}}^{\frac{w}{2}}h\left(x\right)dx---\left(4\right)$

根据奇函数分量和偶函数分量比值获得障碍物目标的对称性特征：

$s=\frac{{\int }_{-\frac{w}{2}}^{\frac{w}{2}}{h}_e{\left(x\right)}^{2}dx-{\int }_{-\frac{w}{2}}^{\frac{w}{2}}g{\left(x\right)}^{2}dx}{{\int }_{-\frac{w}{2}}^{\frac{w}{2}}{h}_e{\left(x\right)}^{2}dx+{\int }_{-\frac{w}{2}}^{\frac{w}{2}}g{\left(x\right)}^{2}dx}---\left(5\right)$

其中，s表示对称性特征，且-1≤s≤1，当s＝1时图像左右完全对称，当s＝ -1时图像左右完全相反。s值越趋近1对称性越好，用s值来表示图像的对称性特 征。对本发明中待分类的障碍物，|s|的绝对值最大的为车辆的正面图像。

(2)对目标的水平直线度进行检测。首先进行图像预处理和边缘检测，然后 利用霍夫(hough)变换检测直线。标记、统计所有直线的长度，归一化后得到障 碍物边缘直线的特征值。车载多障碍物中汽车的水平边缘直线度较好，其次是骑自 行车/摩托者，最后是行人。本发明提取水平直线，统计直线斜率k在[-0.2，0.2]之 间的直线，将这些直线的长度求和，作为目标的水平直线度，这样提取特征得到的 分类结果较理想，误差较小。其中行人障碍物的边缘直线水平度的特征值是[0，0.1]， 骑自行车/摩托者障碍物的边缘直线水平度的特征值是[0.5，1.5]，车辆正面障碍物 的边缘直线水平度的特征值是[2.0，5.0]，车辆侧面障碍物的边缘直线水平度的特征 值是[3.0，7.0]。

(3)最后对目标进行长宽比的特征提取，目标的长宽比定义为：

$K=\frac{x_{max}-x_{\min }+1}{y_{max}-y_{\min }+1}---\left(6\right)$

式中，(x_max,y_max)和(x_min,y_min)分别是围绕一个障碍物目标的围盒的右下角 和左上角坐标，K的数值是障碍物目标对应面积图像的最小外接矩形的长宽比。其 中行人长宽比的典型值为[0.6,1.3]，骑自行车/摩托者的长宽比的典型值是[0.2，0.4]， 车辆正面的长宽比的典型值是[0.1,0.18]；车辆侧面的长宽比的典型值是[0.2,0.3]。

Step4，使用贝叶斯分类器对车载障碍物进行分类。在Matlab环境下建立一个 朴素贝叶斯分类器，利用提取出的障碍物特征值对障碍物进行分类。

贝叶斯分类器的分类原理是通过对象的先验概率和类条件概率密度函数，利用 贝叶斯公式计算其后验概率，即该对象属于某一类的概率，选择具有最大后验概率 的类作为该对象所属的类。它是以贝叶斯定理为基础，通过训练大量的样本来估计 后验概率，是一种重要的随机模式分类方法。采用贝叶斯分类器必须满足以下两个 条件：

①待决策分类的类别数是一定的；

②各类别总体的概率分布是已知的。

贝叶斯分类器是用于分类的贝叶斯网络，该网络中应包含类结点C，其中C的 取值来自于类集合(c₁,c₂,…,c_m)，m表示类别个数，还包含一组结点X＝(X₁,X₂,..., X_n)，表示用于分类的特征，n为特征个数。对于贝叶斯网络分类器，若某一待分类 的样本D，其分类特征值为x＝(x₁,x₂,…,x_n)，则样本D属于类别c_i的概率

P(C＝c_i|X₁＝x₁,X₂＝x₂,…,X_n＝x_n),(i＝1,2,…,m)应满足下：

P(C＝c_i|X＝x)＝Max{P(C＝c₁|X＝x),P(C＝c₂|X＝x),…,P(C＝c_i|X＝x)}(7)

贝叶斯公式：

P(C＝c_i|X＝x)＝P(X＝x|C＝c_i)×P(C＝c_i)/P(X＝x)(8)

其中，P(C＝c_i)可由经验得到，P(X＝x|C＝c_i)和P(X＝x)可由样本数据得 到。

朴素贝叶斯(NaiveBayesianClassifier,NBC)分类器是基于独立假设的，假设 各个属性是条件独立的，互不影响、互不依赖。在车载多障碍物分类中，选取的特 征具有独立性，可以采用朴素贝叶斯分类器。

朴素贝叶斯分类器分为三个阶段：

A.准备工作阶段。首先选取朴素贝叶斯分类器的训练样本，并进行样本特征 的选取。样本的特征属性决定分类器的分类质量；

B.分类器训练阶段。计算每个类别在训练样本中出现的频率，以及每个特征 属性划分对每个类别的条件概率估计，记录数据；

C.应用阶段。使用朴素贝叶斯分类器对待分类样本进行分类。

朴素贝叶斯分类是一种简单、高效的分类方法，车载多障碍物特征属性独立， 相关性小，可以采用朴素贝叶斯分类器。如图2所示，本发明利用朴素贝叶斯分类 器进行分类的具体过程如下：

1)设x＝{a₁,a₂,a₃}为一个待分类项，而每个a为x的一个特征属性，其中 a₁表示长宽比特征，a₂表示对称性特征，a₃表示水平边缘直线度特征。

2)障碍物类别集合为C＝{y₁,y₂,y₃,y₄}。其中y₁表示骑自行车/摩托者，y₂表示 车辆侧面，y₃表示车辆正面，y₄表示行人。

3)计算后验概率计算步骤如下：

①找到一个已知分类的待分类项集合，即为训练样本集。

②根据已知样本的特征值和类别，统计得到在各类别下各个特征属性的条件概 率估计。即：

$P_{\left(a_1\right|y_1)},P_{\left(a_2\right|y_1)},P_{\left(a_3\right|y_1)};P_{\left(a_1\right|y_2)},P_{\left(a_2\right|y_2)},P_{\left(a_3\right|y_2)};...;P_{\left(a_1\right|y_4)},P_{\left(a_2\right|y_4)},$$P_{\left(a_3\right|y_4)}.$

③默认各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：

$P_{\left(y_i\right|x)}=\frac{P_{\left(x\right|y_i)}{P}_{\left(y_i\right)}}{P_{\left(x\right)}},i=1,2,3,4---\left(9\right)$

式中P_(x)为常数，比较即比较又因为各特征属性是条件独 立的，所以有：

$P_{\left(X\right|y_i)}{P}_{\left(y_i\right)}=P_{\left(a_1\right|y_i)}{P}_{\left(a_2\right|y_i)}{P}_{\left(a_3\right|y_i)}{P}_{\left(y_i\right)}=P_{\left(y_i\right)}{\Pi }_{j=1}^3{P}_{\left(a_j\right|y_i)}---\left(10\right)$

如果$P_{\left(y_k\right|x)}=max\{P_{\left(y_1\right|x)},P_{\left(y_2\right|x)},...,P_{\left(y_4\right|x)}\},$则x∈y_k。由公式(10)，贝叶 斯分类器$P_{\left(y_k\right|x)}=max\{P_{\left(y_1\right|x)},P_{\left(y_2\right|x)},...,P_{\left(y_4\right|x)}\}$可以转化为公式(11)：

$P_{\left(X\right|y_k)}{P}_{\left(y_k\right)}=max\{P_{\left(X\right|y_1)}{P}_{\left(y_1\right)},P_{\left(X\right|y_2)}{P}_{\left(y_2\right)},...,P_{\left(X\right|y_4)}{P}_{\left(y_4\right)}\}---\left(11\right)$

选取训练样本(TrainSamples)、测试样本(TestSamples)和类别数(Class Number)，作为贝叶斯分类器的输入。训练样本包含120幅障碍物图像。测试样本 包含80幅障碍物图像。类别数为4，即包含四类：骑自行车/摩托者、车辆侧面、 车辆正面和行人。对训练样本和测试样本首先进行特征提取，分别提取三个特征： 目标对称性、目标水平边缘直线度和目标长宽比，分别生成120(行)×3(列)的 训练样本特征值矩阵，以及80(行)×3(列)的测试样本特征值矩阵。根据已知 类别的120幅训练样本图像的特征值，统计得到训练样本特征值的平均值和方差， 得到条件概率估计。对测试样本，根据公式(9)-(11)得到后验概率。根据后验概率最 大值，确定待分类的测试样本的类别。

在windows7操作系统的Core^TMi7CPU3.6Ghz微机上采用 MATLAB_R2012b实现本发明的代码编程。利用本发明分类的准确度较高，其中， 骑自行车/摩托车的分类准确率达到100％，车辆侧面的分类准确率达到95％，车辆 正面的分类准确率达到100％，行人分类准确率达到100％。实时性可以达到每帧 0.29秒。

本发明基于贝叶斯分类器对车辆前方多障碍物进行分类，依据最大后验概率进 行决策分类，可以减小由于图像噪声干扰带来的分类误差。提取的多障碍物特征具 有相对独立，分类效果较好。基于贝叶斯分类器的多障碍物分类方法结构简单，抗 干扰能力较强，具有很好的健壮性，为研究汽车辅助驾驶中车辆前方障碍物的分类 识别提供了一种新的方法，对研究智能交通、无人驾驶等领域有一定的理论意义和 实用价值。