不同光照條件下前方車輛識(shí)別方法資料

1、不同光照條件下前方車輛識(shí)別方法馬雷臧俊杰張潤生（燕山大學(xué)車輛與能源學(xué)院，秦皇島066004;）摘要選取車輛底部水平方向特征和車輛左右兩側(cè)垂直方向特征，提取岀受全局灰度影響較小的局部灰度 特征、局部梯度特征和局部波動(dòng)特征。應(yīng)用加權(quán)證據(jù)理論將車輛水平和垂直方向的特征分別進(jìn)行信息融合，并 根據(jù)光強(qiáng)的不同調(diào)整各特征權(quán)重。為提高識(shí)別的實(shí)時(shí)性，將人工魚群算法應(yīng)用于識(shí)別中，并提岀車輛識(shí)別模塊 以增強(qiáng)人工魚的引導(dǎo)能力。根據(jù)人工魚群的搜索結(jié)果，通過對稱性特征進(jìn)行進(jìn)一步判定，實(shí)現(xiàn)前方車輛的準(zhǔn)確 定位。實(shí)驗(yàn)表明本方法可以在不同光照條件下對前方車輛進(jìn)行識(shí)別并準(zhǔn)確定位，具有良好的適應(yīng)性、準(zhǔn)確性和 實(shí)時(shí)性。關(guān)鍵詞：車輛識(shí)

2、別；不同光照；加權(quán)證據(jù)理論；魚群算法Vehicle Identification Method Under Different LightingMa Lei Zang Junjie Zhang Run she ngCollege of Vehicle and En ergy, Yan sha n Uni versity, Qin hua ngdao 066004Abstract The vehicle features of horizontal and vertical direction are selected, and the local features of gray, gradi

3、ent and wave which are less affected by the global gray are extracted. Vehicle horizontal and vertical features are fused respectively by applying weighted evidential theory, and each weight of feature is adjusted according to different lighting. In order to enhance real-time quality, artificial fis

4、h algorithm is applied into reorganization， and vehicle reorganization module is put forward to enhance fish-swarm guiding ability. According to the searching results, vehicle is fixed position accurately by using symmetrical feature. Experiments show that frontal vehicles can be identified and fixe

5、d position accurately by applying this method with good adaptability, accuracy and real-time quality.Key words: Vehicle identification; Different lighting; Weight evidential theory; Fish-swarm algorithm刖言智能車載系統(tǒng)關(guān)鍵技術(shù)是智能交通系統(tǒng)（ITS） 研究領(lǐng)域的熱點(diǎn)之一，主要包括車輛精準(zhǔn)定位與高 可靠通信技術(shù)、車輛行駛安全狀態(tài)及環(huán)境感知技術(shù) 和車載一體化集成技術(shù)。車輛識(shí)別是智能車載系統(tǒng) 關(guān)鍵技術(shù)

6、研究領(lǐng)域的重點(diǎn)之一，目前國內(nèi)外對本車 前方車輛識(shí)別通常采用基于機(jī)器視覺、基于激光雷 達(dá)、基于熱紅外和利用多種傳感器信息融合技術(shù)等 識(shí)別方法。由于機(jī)器視覺數(shù)據(jù)量大、冗余度高、 成本低在車輛識(shí)別中應(yīng)用較多，可作為信息融合識(shí) 別傳感器之一，根據(jù)邊緣或紋理等信息對圖像中的 車輛進(jìn)行分割和識(shí)別2-4,所提出的方法僅適用于路 面條件較好、車輛目標(biāo)明晰的環(huán)境。國外有基于模 板匹配5和基于馬爾科夫鏈-蒙特卡洛算法的方 法，這些方法適應(yīng)性好一些，但缺點(diǎn)是實(shí)時(shí)性較差。 由于傳統(tǒng)的識(shí)別方法存在受環(huán)境制約大和實(shí)時(shí)性差 等不足，文獻(xiàn)7提出基于灰度圖像上車輛底部的灰 度、梯度及方差特征構(gòu)造車輛識(shí)別目標(biāo)函數(shù)的方法， 該方法

7、存在以下三點(diǎn)不足：第一灰度特征為全局特 征，此特征易受光照條件的影響，并且僅選取了車 輛底部水平方向上的特征；第二目標(biāo)函數(shù)的建立采 用模式識(shí)別中線性分類器，雖然形式簡單易于實(shí)現(xiàn), 但可靠性有待進(jìn)一步提高；第三算法的設(shè)計(jì)很難實(shí) 現(xiàn)對前方車輛準(zhǔn)確定位。本文提出不同光照條件下前方車輛識(shí)別方法。 首先選取車輛底部水平方向特征和車輛左右兩側(cè)垂 直方向特征，提取出受全局灰度影響較小的局部灰 度特征、局部梯度特征和局部波動(dòng)特征；其次應(yīng)用 加權(quán)證據(jù)理論將車輛水平和垂直方向的特征分別進(jìn) 行信息融合，并根據(jù)光強(qiáng)不同調(diào)整各特征的權(quán)重； 再次為提高識(shí)別實(shí)時(shí)性，將人工魚群算法應(yīng)用于識(shí) 別中，并提出車輛識(shí)別模塊以增強(qiáng)人工

8、魚的引導(dǎo)能 力；最后根據(jù)人工魚群的搜索結(jié)果，通過對稱性特 征進(jìn)行進(jìn)一步判定，實(shí)現(xiàn)前方車輛的準(zhǔn)確定位。1人工河流模型建立由于所識(shí)別前方車輛只可能出現(xiàn)在道路邊界以 內(nèi)，因此利用道路邊界位置信息可以將所識(shí)別車輛 的存在區(qū)域范圍大大縮小，這可在一定程度上提高識(shí)別實(shí)時(shí)性和準(zhǔn)確性。車輛識(shí)別與道路識(shí)別常常是 同時(shí)進(jìn)行的，因此認(rèn)為道路位置信息已經(jīng)得到，并 根據(jù)道路邊界位置信息來構(gòu)造人工河流模型，利用 魚群算法識(shí)別前方車輛。根據(jù)識(shí)別方法特點(diǎn)，將道路左、右邊界設(shè)置為 河流的左、右邊界。在車輛實(shí)際行駛時(shí)，對前方太 近或太遠(yuǎn)區(qū)域的車輛識(shí)別是沒有意義的，因此在人 工河流設(shè)置近極點(diǎn)和遠(yuǎn)極點(diǎn)，反映在圖像上近極點(diǎn) 以下或遠(yuǎn)極

9、點(diǎn)以上的圖像信息不予考慮。同時(shí)人工 魚只在有效河流區(qū)域內(nèi)活動(dòng)(人工河流為平面模型， 不考慮河流深度)。近極點(diǎn)和遠(yuǎn)極點(diǎn)的位置設(shè)置與攝 像機(jī)俯仰角和實(shí)際路況條件有關(guān)，本實(shí)驗(yàn)所用圖像 為320X240像素。設(shè)置近極點(diǎn)為距圖像下方 80處, 遠(yuǎn)極點(diǎn)為距圖像下方160處，如圖1所示。0圖1車輛識(shí)別范圍與坐標(biāo)系建立2車輛識(shí)別中人工魚群算法特性2.1人工魚初始位置設(shè)定人工魚數(shù)目影響算法的自優(yōu)化效果和實(shí)時(shí)性， 數(shù)目過小容易陷入局部最優(yōu)，且精度不高；數(shù)目過 大則算法很難滿足實(shí)時(shí)性。兼顧兩者，本文設(shè)置人 工魚的數(shù)目為N=30只。根據(jù)車輛識(shí)別的特點(diǎn)，本 文將人工魚初始設(shè)置在近極點(diǎn)，各魚等間隔排列在 人工河流近極點(diǎn)截

10、面上。如在近極點(diǎn)處河流邊界超 越圖像，則以圖像邊界作為排列的始點(diǎn)和終點(diǎn)。 2.2人工魚群游動(dòng)特性和結(jié)構(gòu)組成在車輛識(shí)別中，所要識(shí)別的目標(biāo)是各車道中距 本車最近的前方車輛的位置。因此當(dāng)發(fā)現(xiàn)某一位置 存在車輛時(shí)，不再對此目標(biāo)更遠(yuǎn)方車輛進(jìn)行識(shí)別。 根據(jù)這一特點(diǎn)，算法中設(shè)定整個(gè)魚群的游動(dòng)方向大 致為由上游順流游向下游，從而優(yōu)先對本車最近處 的車輛進(jìn)行識(shí)別。將人工魚群中的魚分為三類：自由魚、引導(dǎo)魚 和靜態(tài)魚。自由魚指所處位置為非食物區(qū)的魚，且 不具備引導(dǎo)能力，此類魚將可能繼續(xù)向下游游動(dòng)以 尋找食物。引導(dǎo)魚指所處位置雖然為非食物區(qū)，但 是卻擁有引導(dǎo)能力，可以對本身和其它自由魚的游 動(dòng)起到引導(dǎo)作用。靜態(tài)魚指所

11、處位置為食物豐富區(qū) 的魚，此類魚由于已找到食物，將靜止在最早尋到 的食物處不再向下游游動(dòng)，并且同一位置處只允許 有一條靜態(tài)魚。一條自由魚或引導(dǎo)魚在由非食物區(qū) 游動(dòng)到食物區(qū)時(shí)，將會(huì)感知到食物而變?yōu)殪o態(tài)魚。 2.3人工魚的活動(dòng)方式算法中設(shè)定人工魚有以下幾種活動(dòng)方式8:(1)覓食行為，人工魚處于非食物區(qū)(為自由魚或 引導(dǎo)魚)，且附近沒有其它靜態(tài)魚指引其尋找食物， 此時(shí)人工魚將向下游游動(dòng)以尋找食物。(2)追尾行為，人工魚處于非食物區(qū)(為自由魚或 引導(dǎo)魚)，但某一范圍內(nèi)有其它靜態(tài)魚指引其尋找食 物，此時(shí)人工魚將會(huì)感知附近可信度最大的靜態(tài)魚 并向其游動(dòng)以尋找食物。游動(dòng)停止，當(dāng)自由魚或引導(dǎo)魚由非食物區(qū)游 動(dòng)

12、到食物區(qū)時(shí)，將會(huì)停止游動(dòng)而進(jìn)食，變?yōu)殪o態(tài)魚。3特征融合與人工魚種類判定3.1不同光照條件下前方車輛特征分析在采集夜晚圖像時(shí)，借助兩盞紅外輔助光源(射程200m,功率24W)。由于夜間道路邊界識(shí)別 時(shí)，采用波長760nm紅外濾鏡的識(shí)別效果最好，因 此夜間前方車輛識(shí)別均采用安裝760nm紅外濾鏡所采集到的圖像。(a)白天工況圖像(c)夜晚有路燈工況圖像(d)夜晚無路燈工況圖像圖2不同光照條件下的灰度圖像圖2中(a)(d)分別表示白天，黃昏，夜晚有路 燈及夜晚無路燈等典型工況下采集的圖片。從圖中 看出無論在何種光照條件下，車輛大體呈現(xiàn)矩形， 即存在著車輛底部水平方向的特征和車輛兩側(cè)垂直 方向的特征。

13、如果進(jìn)行車輛識(shí)別與準(zhǔn)確定位，需確 定出矩形的左下角和右下角，即識(shí)別出左下角L形 及右下角反L形。由于隨著光照條件變化道路圖像灰度變化明(b)黃昏工況圖像顯，識(shí)別特征應(yīng)來自圖像局部以提高在不同光照條 件下的適應(yīng)性。對于車輛而言，無論是車輛底部水 平方向還是車輛兩側(cè)垂直方向，均存在車身與路（背 景）之間的過渡，所具有特征也是相似的。以水平方 向?yàn)槔?，在車輛底部選取一小塊區(qū)域，可以看出區(qū) 域上部到區(qū)域下部存在明顯的灰度差， 即車和路（背 景）在灰度上有著明顯差異，此為車輛的局部梯度特 征。由于車與路（背景）在灰度上有明顯的差異，此 差異為灰度突變，此為車輛的局部灰度特征。由于 車輛底部結(jié)構(gòu)較為復(fù)雜，

14、反映到圖像上，車輛邊界 以上區(qū)域的灰度波動(dòng)比較大，而路面大面積陰影（如 建筑物陰影和大的車影）雖然也存在局部梯度和局 部灰度特征，但是波動(dòng)不會(huì)太大，此為車輛的局部 波動(dòng)特征。車輛的局部梯度和局部灰度特征受光照 條件的影響較小，在黃昏及夜晚?xiàng)l件下，不存在道 路陰影和大的車影，車輛的局部波動(dòng)特征不夠明顯， 因此車輛的局部波動(dòng)特征主要應(yīng)用于白天光照工 況，即隨著光照條件的變化，車輛的局部梯度、灰 度和波動(dòng)特征對車輛識(shí)別的影響程度也隨之變化。3.2車輛特征提取3.2.1特征單元選取特征單元中部所含行數(shù)以及特征單元個(gè)數(shù)會(huì)隨 著y進(jìn)行變化，即在計(jì)算水平特征時(shí)所選區(qū)域長度 及寬度隨著圖像位置變化進(jìn)行自動(dòng)調(diào)整

15、。3.2.2車輛局部特征提取單個(gè)特征單元有三個(gè)特征：灰度特征、梯度特 征、波動(dòng)特征。為了后續(xù)應(yīng)用加權(quán)證據(jù)理論，需將 三個(gè)特征的特征值限制在0,1之間。以水平特征單 元為例，特征單元的梯度特征是特征單元上部與下 部的灰度差異，取兩者比值在0,1之間，即該值距 離1越近則梯度差異越小，反之越大；特征單元的 灰度特征是特征單元中部與上部或下部的平均灰度 差異，取中部與上部和中部與下部的比值及其倒數(shù) 中最小數(shù)值作為特征單元的灰度特征值，即該值距 離1越近則灰度差異越小，反之越大；特征單元的 波動(dòng)特征是特征單元上部每個(gè)子塊相對于特征單元 上部灰度均值的平均波動(dòng)程度，取特征單元上部每 個(gè)子塊與特征單元上部

16、平均灰度比值在0,1之間的Eh 二 min(euh emh edh emhemh euh emhedh（a）垂直特征單元（b）水平特征單元圖3車輛特征單元如圖3所示車輛特征單元分為水平特征單元和 垂直特征單元。以水平特征單元為例，水平特征單 元分為三部分，特征單元上部、中部、下部。上部 與下部含有相同的塊數(shù)，分別為3X3塊（每一塊代表 一個(gè)像素）。中部是上部與下部的過渡區(qū)，即車與路 （背景）的過渡，隨著圖像中y值增大，車與路（背景） 之間過渡帶寬度也隨之減小，所以中部所含的行數(shù) 應(yīng)與y值存在大致的線性關(guān)系，如公式（1）所示。一200 - y n mid =（1）IL 409、min(壁,euh

17、)i 占Qh QjhiEelv emv erv emv、v=mi n(,)Onv eiv emv ervVIV9、min（魚，氐）i #Qv 為(8)計(jì)算車輛水平特征時(shí)將N個(gè)水平特征單元在水 平方向上依次排列。水平特征單元個(gè)數(shù)N與y也存 在大致的線性關(guān)系，即隨著y值的增加N值相應(yīng)減 小。如公式（2）所示。Vrv式 （9）中，Th、Eh和Vh分別代表水平特征數(shù)值，進(jìn)而得到這九個(gè)數(shù)值的平均數(shù)，即該值距離 1越近則波動(dòng)越小，反之越大。垂直特征單元同理。(13)A -.單元梯度特征、灰度特征和波動(dòng)特征；eUh、emh、 edh分別代表水平特征單元上部、中部、下部的平 均灰度；euhi代表上部第i個(gè)子塊

18、的灰度值；Tv和 Ev分別代表垂直特征單元梯度特征和灰度特征；Viv和Vw分別代表車輛左側(cè)和右側(cè)垂直特征單元波動(dòng) 特征；ev、emv、erv分別代表垂直特征單元左部、 中部、右部的平均灰度；e-vi和eivi分別代表垂直特 征單元右部和左部第i個(gè)子塊的灰度值。3.3人工魚種類判定3.3.1加權(quán)證據(jù)理論由于識(shí)別環(huán)境的不確定性，應(yīng)根據(jù)光照條件變 化將車輛局部梯度特征、局部灰度特征和局部波動(dòng) 特征按照不同的權(quán)重進(jìn)行信息融合。加權(quán)證據(jù)理論 能夠很好地表達(dá)推理中的不確定性，并在多信息融 合方面效果理想，因此加權(quán)證據(jù)理論9可以作為前 方車輛識(shí)別分類器設(shè)計(jì)的理論基礎(chǔ)。定義1 ： 0是由相互排斥的假設(shè)組成的一

19、個(gè)完 備集，2為0的幕集。如果函數(shù)m:2 0,1滿 足：m(一)= 0 , m(A) =1(10)則稱m為框架0上的基本概率分配函數(shù)。式(10) 中，.一代表空集。定理1:對基本概率分配函數(shù)進(jìn)行加權(quán)處理， 設(shè)證據(jù)權(quán)系數(shù) Wm(A) 0,1, -A 0 ,則稱由Wm(A)=W(A) m(A) (11)所計(jì)算得到的函數(shù) Wm：20,1為0上的加權(quán) 概率分配函數(shù)。證據(jù)權(quán)系數(shù)體現(xiàn)了證據(jù)對識(shí)別框架 中各真子集識(shí)別具有不同的可靠性和權(quán)威性。_ A- ,Wm( A)稱為A的加權(quán)概率分配。定義2： Wm f 0,1為：.上的加權(quán)概率 分配函數(shù)，- A、=-則稱由Bel(A)=瓦 Wm(B)- (12)pl(A

20、) =1 Bel(A) = Z Wm(B)所定義函數(shù)Bel: 20,1為4上的信度函數(shù)，pl : 2 -； 0,1為Bel的似真度函數(shù)。定理2：設(shè)Bel1和Bel2是同一識(shí)別框架 4上基 于不同證據(jù)的兩個(gè)信度函數(shù)，Wm1和Wm2分別是其 對應(yīng)的加權(quán)概率分配函數(shù)，焦元分別為 AA ,A 和 BnB2, ,Bn，若 VA 0 且K 二 Wm/A) Wm2(Bj) 1B A三則組合后的加權(quán)概率分配函數(shù) Wn:20,1為A =：；_Wm(A中 瓦 Wg(A) Wm)2(Bj)AiP=A式(13)中，K反映了證據(jù)間的沖突程度，其值 越大說明證據(jù)間的沖突越大。當(dāng) K值趨近于1時(shí)， 表明證據(jù)完全沖突，組合法

21、則不再適用。對基本概 率分配函數(shù)進(jìn)行加權(quán)處理后，證據(jù)間的沖突被降低， K值不會(huì)趨近于1,因此加權(quán)證據(jù)理論能夠更廣泛 地滿足各種實(shí)際應(yīng)用。3.3.2人工魚種類判定準(zhǔn)則以所選區(qū)域單個(gè)水平(垂直)特征單元為基礎(chǔ)， 對N個(gè)水平特征(垂直)單元進(jìn)行綜合考慮的原則求 得所選區(qū)域的可信度。以水平特征為例，根據(jù)所選取區(qū)域位置，由式(1)(2)得出水平特征單元中部所含行數(shù)n和水平特征單元個(gè)數(shù)N。將車輛的水平邊緣識(shí)別框架定義 為幾託，分別代表邊緣和非邊緣。將單個(gè)水平統(tǒng) 計(jì)單元的梯度特征、灰度特征、波動(dòng)特征作為三個(gè) 獨(dú)立的證據(jù)體X=T,E,V。由水平特征單元梯度特 征、灰度特征及波動(dòng)特征計(jì)算公式(3)(5)可以看出

22、，當(dāng)特征值距離0越近，則梯度特征、灰度特征 和波動(dòng)特征越顯著，反之則越微弱。經(jīng)過大量樣本 分析，當(dāng)三個(gè)特征值在 0.5附近時(shí)，是車輛底部邊 緣的置信度越大，離0.5越遠(yuǎn)即越靠近0或1時(shí)置 信度越小。大致可用正弦曲線式 (14)進(jìn)行擬合，如 圖4所示。根據(jù)統(tǒng)計(jì)單元基本可信度分配函數(shù)得出 mi(h1k),mi(h2k)(i=1,2,3), i 表示灰度、梯度及波動(dòng) 三個(gè)證據(jù)體，k表示第k個(gè)水平統(tǒng)計(jì)單元，其中 (1 _k _ N)。根據(jù)所采集的樣本進(jìn)行分析，隨著光強(qiáng)的降低， 局部灰度及梯度特征的權(quán)重逐漸升高，而方差特征車輛右下角基準(zhǔn)點(diǎn)的權(quán)重逐漸減小，根據(jù)實(shí)驗(yàn)設(shè)定三個(gè)特征的權(quán)重， 如表1所示。表1不同

23、光照條件下特征權(quán)重選取光強(qiáng)特征權(quán)200Lux5或MRV51MH C5垂直引導(dǎo)力 弓I導(dǎo)魚MLV 5且MRV 5水平引導(dǎo)力 弓I導(dǎo)魚MLV 5且MH 5車輛左下角 靜態(tài)魚(20)MRV 5且MH 5車輛右下角 靜態(tài)魚其它無引導(dǎo)能力自由魚4人工魚群車輛識(shí)別算法設(shè)計(jì)算法中各魚初始均以自由魚的形式置于近極點(diǎn) 處,每次循環(huán)中將依次分別對魚群中各魚進(jìn)行操作， 經(jīng)多輪循環(huán)搜索，人工魚最終在車輛左下角和右下 角聚群。下面以一次循環(huán)中某一人工魚個(gè)體可能出 現(xiàn)的活動(dòng)方式為例說明算法的設(shè)計(jì)和過程。4.1人工魚種類判斷在對循環(huán)中某一人工魚個(gè)體操作時(shí)，首先由式 (20)判斷其魚類，如果人工魚為自由魚或引導(dǎo)魚接 下來對其

24、進(jìn)行操作，如此魚為靜態(tài)魚將不對其操作。 4.2游動(dòng)方式判斷 4.2.1引導(dǎo)魚游動(dòng)方式人工魚群由近極點(diǎn)處順流向下游游動(dòng)，由于河 流形狀呈楔形，為了盡量防止魚的游動(dòng)越出河流邊 界，將最初排列在近極點(diǎn)處的魚等分為兩組：左側(cè) 的一組大致向右前方游動(dòng)；右側(cè)的一組大致向左前 方游動(dòng)。對某一引導(dǎo)魚個(gè)體，首先感知可信度最大 的靜態(tài)魚，如果感知到進(jìn)行追尾。Xi =X +(Xsmax 一 X。)江 Rand(21) ji = yo +(ysmaxy。)匯 Ra nd式中，Rand為0,1之間均勻分布的一個(gè)隨機(jī) 數(shù)；(XsmaM ysmax)為引導(dǎo)魚感知到的可信度最大的靜 態(tài)魚坐標(biāo)；(Xo, yo)為引導(dǎo)魚當(dāng)前坐標(biāo)

25、；(X1, y1)為引導(dǎo) 魚移動(dòng)后的坐標(biāo)。沒有感知到靜態(tài)魚，若該引導(dǎo)魚具有水平方向 引導(dǎo)力，則該魚在水平方向游動(dòng)：Xo +SH Rand左側(cè)魚X1=、Xo -SRand右側(cè)魚(22)y = yo式中，S為游動(dòng)步長，S與人工魚在人工河流中 的縱坐標(biāo)成反比。直方向游動(dòng):M = yo +S匯 rand 丿(24)N = Xo式中，rand為-1,1之間均勻分布的一個(gè)隨機(jī) 數(shù)。4.2.2自由魚游動(dòng)方式自由魚在感知范圍內(nèi)，首先感知可信度最大的 靜態(tài)魚，如果感知到則進(jìn)行追尾：X1 = Xo+(XsmaXXo)xRa nd丿(25)y = y。+(ysmaX yoM Rand式中， (XsmaX ysma為

26、自由魚感知到的可信度最 大的靜態(tài)魚坐標(biāo)；(Xo, yo)為自由魚當(dāng)前坐標(biāo)；(X1, y1) 為自由魚移動(dòng)后的坐標(biāo)。如果沒有感知到靜態(tài)魚，則在感知范圍內(nèi)感知 可信度最大的引導(dǎo)魚，根據(jù)引導(dǎo)魚所具有的引導(dǎo)能 力朝著引導(dǎo)魚的水平或垂直方向游動(dòng)。如果感知到的引導(dǎo)魚具有水平方向引導(dǎo)能力， 則朝其水平方向游動(dòng)：1 = (ygmax - yo) +Sx Rand(26) iX1 = Xo如果感知到的引導(dǎo)魚具有垂直方向引導(dǎo)能力，則朝其垂直方向游動(dòng)：d =(XgmaX Xo) + S 沃 Rand(27) 1 = yo式中，(Xgmax, ygmax)為自由魚感知到可信度最大 的引導(dǎo)魚坐標(biāo)。沒有感知到任何靜態(tài)魚和

27、引導(dǎo)魚則自由覓食。某一自由魚自由覓食后的位置由下式計(jì)算：”xo +SH Rand左側(cè)魚X1 =、xo S匯Rand右側(cè)魚(28)yo +S沢 Rand4.3算法終止在對一幀圖像進(jìn)行識(shí)別時(shí)，分別對魚群中所有 個(gè)體魚完成操作后進(jìn)入下一次循環(huán)。當(dāng)滿足下述條 件之一時(shí)跳出循環(huán)，識(shí)別完成。(1)所有人工魚由自由魚和引導(dǎo)魚變?yōu)殪o態(tài)魚 時(shí)。當(dāng)某一條自由魚或引導(dǎo)魚游動(dòng)到食物區(qū)或縱向 超越遠(yuǎn)極點(diǎn)時(shí)，將會(huì)變?yōu)殪o態(tài)魚。所有魚都為靜態(tài)魚時(shí)河流內(nèi)將不會(huì)有魚游動(dòng)，此時(shí)算法收斂。(2)達(dá)到最大循環(huán)次數(shù)。此時(shí)河流中存在自由魚 或引導(dǎo)魚，算法未收斂，但為了滿足實(shí)時(shí)性要求， 設(shè)置最大循環(huán)次數(shù)，保證即使未收斂，算法在循環(huán) 一定次數(shù)

28、后及時(shí)結(jié)束。不同光照條件下魚群算法車 輛識(shí)別結(jié)果如圖7所示。將魚群算法應(yīng)用于車輛識(shí)別中，相對于對圖像 全搜索節(jié)省了大量時(shí)鐘周期，并且可以取得良好的 識(shí)別效果，提高了系統(tǒng)實(shí)時(shí)性。實(shí)驗(yàn)所需儀器為：兩盞紅外輔助光源、紅外濾 鏡、可見光光強(qiáng)傳感器(020萬Lux )、工業(yè)CCD 相機(jī)、計(jì)算機(jī)、顯示器。將 CCD采集的灰度圖像 以及光強(qiáng)傳感器采集的光強(qiáng)信息輸入計(jì)算機(jī)，執(zhí)行 前方車輛識(shí)別算法，最終將識(shí)別的效果在顯示器上 輸出，實(shí)驗(yàn)效果如圖8所示。(a)白天識(shí)別效果(b)黃昏識(shí)別效果(a)白天識(shí)別效果一(b)白天識(shí)別效果二(c)夜晚有路燈識(shí)別效果(d)夜晚無路燈識(shí)別效果(c)黃昏識(shí)別效果一圖7不同光照條件下

29、魚群算法車輛識(shí)別結(jié)果5車輛定位(e)黃昏識(shí)別效果三(f)夜晚識(shí)別有路燈效果一在魚群算法搜索結(jié)果的基礎(chǔ)上，根據(jù)車輛對稱 性特征進(jìn)行進(jìn)一步判斷，對車輛進(jìn)行準(zhǔn)確定位可以 排除由于噪聲引起的誤判。對稱性是車輛的重要特性。根據(jù)連續(xù)性對稱度 量概念，引入對稱距離，即把一給定的圖形變換為 其相應(yīng)的對稱圖形所需要的最小能量。對稱距離 DC可從數(shù)值上刻畫其對稱的程度。對稱距離通過求對稱軸兩側(cè)對應(yīng)像素灰度值gieft和gright之間的均方差獲得，即2DC = E(get - gright )(29)DC越小表示當(dāng)前區(qū)域內(nèi)對稱程度越高，當(dāng)DC小于一閾值時(shí)，可認(rèn)定為車輛，反之則認(rèn)為不是車輛。 閾值的選取應(yīng)根據(jù)先驗(yàn)統(tǒng)

30、計(jì)規(guī)律，本文設(shè)定閾值為 100。通過該方法在魚群算法搜索結(jié)果的基礎(chǔ)上搜索 車輛的對稱軸。在確定車輛對稱軸后，以魚群算法 搜索結(jié)果位置坐標(biāo)為參考驗(yàn)證車輛底部水平特征， 最終得到底部邊線和對稱軸。(g)夜晚有路燈識(shí)別效果二(h)夜晚無路燈識(shí)別效果圖8不同光照條件下車輛識(shí)別及定位實(shí)驗(yàn)結(jié)果分析：(1)在不同光照條件下，能夠?qū)η胺杰囕v進(jìn)行識(shí) 別并準(zhǔn)確定位，準(zhǔn)確率達(dá) 90%以上。相對于傳統(tǒng)的 識(shí)別算法，降低了光照對識(shí)別的影響；(2)應(yīng)用魚群算法較全搜素方法顯著提高了系 統(tǒng)的實(shí)時(shí)性；(3)由于CCD傳感器自身限制，在白天攝像頭 迎向極強(qiáng)日光和夜晚迎面車燈照在攝像頭上等極端 工況，采集的圖像會(huì)出現(xiàn)較大白斑，無法進(jìn)行識(shí)別。7結(jié)論6實(shí)驗(yàn)(1)選取了車輛底部的水平方向特征和車輛左 右兩側(cè)的垂直方向特征，提取出受全局灰度影響較小的局部灰度特征、局部梯度特征和局部波動(dòng)特征， 提高了識(shí)別特征的適應(yīng)性。(2)應(yīng)用加權(quán)證據(jù)理論將車輛水平和垂直方向 的特征分別進(jìn)行信息融合，并根據(jù)光強(qiáng)的不同調(diào)整 各特征的權(quán)重，提高識(shí)別準(zhǔn)確性和可靠性。(3) 將人工魚群算法應(yīng)用于識(shí)別中，并提出車輛 識(shí)別模塊以增強(qiáng)人工魚的引導(dǎo)能力，提高了識(shí)別的實(shí)時(shí)性。(4)根據(jù)人工魚群的搜索結(jié)果，通過對稱性特征 進(jìn)行進(jìn)一步判定，實(shí)現(xiàn)前方車輛的準(zhǔn)確定位。參考文獻(xiàn)1王榮本，趙一兵，李琳輝,張明恒.智能車輛的障礙物檢測研究方法綜述J.