CN101369312A - 检测图像中交叉口的方法和设备 - Google Patents

Abstract

公开了一种检测图像中的交叉口的方法和设备，能够自动识别图像是否在交叉口所拍摄，从而按照检测的交叉口划分拍摄的视频。该方法包括步骤：通过检测所接收的待检测图像来获得所述图像的特征参数从而确定该图像中是否具有类似倒三角形状的天空区；在确定待检测图像中具有类似倒三角形状的天空区时，判断待检测图像中包含交叉口。由于检测的目标是占据图像的较大部分的倒三角形天空区域，所以可以有效地且鲁棒地检测沿着道路拍摄的视频中的交叉口。另外，由于相邻图像的天空区域的颜色之间具有一致性，可以加速交叉口检测的速度。另外，通过对相继的视频帧进行检测，综合判断这些检测结果从而输出判断结果，能够进一步提高交叉口检测的准确度。

Description

检测图像中交叉口的方法和设备

技术领域

本发明涉及自动检测图像中特征的技术，具体涉及一种自动检测在道路上拍摄的图像中的交叉口的方法和设备，能够自动识别拍摄的图像是否在交叉口所拍摄。

背景技术

检测静态街道图像中的交叉口可以帮助人们判断图像是在街道的哪个位置拍摄的，是在街道的中间或者在交叉口附近。交叉口检测的一个典型应用是基于街道图像的虚拟导航系统。在这种系统中，在安装了摄像机和全球定位系统的汽车沿着城市的街道行进过程中，摄像机拍摄道路两侧的场景图像，而全球定位系统同时记录所拍摄的图像所对应的地理位置。因此，沿着一条道路所拍摄的视频通常覆盖了多条街道，从而需要按照不同的街道来对拍摄的视频进行划分，以方便用户对其进行管理。

另外，在虚拟导航系统中，使用了街道上的全景图像来呈现真实世界的场景。由于交叉口的场景图像通常具有不同的深度，这些区域的场景图像的缝合变得非常困难。因此，需要首先将交叉口图像与非交叉口图像区分开，进而采用‘划分并包围’的策略来对图像进行缝合。

交叉口检测也可应用于辅助驾驶系统。在辅助驾驶系统中，需要事先在地图上标出前方的交叉口，以方便驾驶员轻松驾驶车辆。这样，通过交叉口检测，可以告知驾驶员已经通过了多少交叉口，要转弯的交叉口在哪里，避免了错误转弯。

已提出了一些技术来检测沿着街道拍摄的图像中的交叉口。但是，这些技术都只能应用于交通流量小且光照条件好的街道。

例如，非专利文献1(Claus Bahlmann et.al.，A System for TrafficSign Detection，Tracking，and Recognition Using Color，Shape，andMotion Information，Proceedings of IEEE Intelligent VehiclesSymposium，2005：255-260)提出通过检测交通标志及其位置来进行交叉口检测，其通过Adaboost算法学习Harr小波特征，来检测标志牌和位置。

非专利文献2(Nelson et.al.，An Effective Video Analysis Method forDetecting Red Light Runners，IEEE Transactions on VehicularTechnology，2001，50(4)：1074-1084)提出通过检测交通信号灯来判断街道的交叉口，其中检测特定颜色的区域和道路上的停止线的位置来判断交叉口。

非专利文献3(M.S.Uddin et.al.，Bipolarity and ProjectiveInvariant-Based Zebra-Crossing Detection for the Visually Impaired，Proceedings of IEEE Conference on Computer Vision and PatternRecognition，2005，3：22-22)提出通过检测街道上的人行横道交叉线来判断交叉口，其中利用了基于双极性的分段方法和投影不变性识别方法来验证斑马线是否出现在街道图像中。

但是，这些现有的交叉口检测技术都要求检测对象具有很好的光照条件，并且不能有遮挡。但是实际拍摄的图像中通常包括了街灯、电线、车辆灯干扰图像。

图1的(A)示出了在街道的交叉口拍摄的图像的一个例子。如图1的(A)所示，由于拍摄角度的影响，拍摄的图像中可能不会包含信号灯，或者包含部分的信号灯，并且部分的斑马线被行驶的车辆所占据。

图1的(B)示出了在街道的交叉口拍摄的图像的另一例子。如图1的(B)所示，所拍摄的图像中根本没有出现交通信号灯和斑马线。

图1的(C)示出了在街道的交叉口拍摄的图像的又一例子。如图1的(C)所示，斑马线被相机前面的栏杆严重污染，并且复杂的图像背景使得检测斑马线和交通信号灯变得非常困难。考虑到大多数情况下，众多的车辆和行人将会出现在交叉口，这些对象之间的相互遮挡使得斑马线和交通信号灯的检测变得愈加困难。

也就是说，由于现有的交叉口检测技术都取决于对小尺寸的、容易被车辆和行人遮挡的目标的精确检测，很容易造成错误检测。因此，需要开发出能够有效地且鲁棒地检测沿着道路拍摄的视频中的交叉口的技术。

发明内容

鉴于上述问题，完成了本发明。本发明的目的是提供一种自动检测在道路上拍摄的图像中的交叉口的方法和设备，能够自动识别图像是否在交叉口所拍摄。

在本发明的一个方面，提出了一种检测图像中的交叉口的方法，包括步骤：通过检测所接收的待检测图像来获得所述图像的特征参数从而确定该图像中是否具有类似倒三角形状的天空区；在确定待检测图像中具有类似倒三角形状的天空区时，判断待检测图像中包含交叉口。

在本发明的另一方面，提出了一种检测图像中的交叉口的设备，包括：参数获得装置，通过检测所接收的待检测图像来获得所述图像的特征参数从而确定该图像中是否具有类似倒三角形状的天空区；判断装置，在确定待检测图像中具有类似倒三角形状的天空区时，判断待检测图像中包含交叉口。

利用本发明的方法和设备，由于检测的目标是占据图像的较大部分的类似倒三角形天空区域，所以可以有效地且鲁棒地检测沿着道路拍摄的视频中的交叉口。

另外，由于相邻图像的天空区域的颜色之间具有一致性，可以加速交叉口检测的速度。

另外，通过对相继的视频帧进行检测，综合判断这些检测结果从而输出判断结果，能够进一步提高交叉口检测的准确度。

附图说明

从下面结合附图的详细描述中，本发明的上述特征和优点将更明显，其中：

图1示出了在街道的交叉口拍摄的实际图像的例子；

图2示出了根据本发明第一实施例的检测交叉口的设备的示意性框图；

图3示出了根据本发明第一实施例的检测交叉口的方法的流程图；

图4示出了根据本发明第一实施例的检测交叉口的方法中所使用的Harr状矩形检测器的例子；

图5示出了根据本发明第二实施例的检测交叉口的设备的示意性框图；

图6是说明本发明第二实施例的检测交叉口的方法的示意图，其中的(A)是拍摄的原始图像，(B)是最大值影响区的示意图和(C)是说明由等值线和上边界包围的区域和包围该区域的最小矩形之间的关系的示意图；

图7示出了第二实施例的设备的改进；以及

图8是说明在视频序列的情况下检测交叉口的方法的流程图。

具体实施方式

下面，参考附图详细说明本发明的优选实施方式。在附图中，虽然示于不同的附图中，但相同的附图标记用于表示相同的或相似的组件。为了清楚和简明，包含在这里的已知的功能和结构的详细描述将被省略，否则它们将使本发明的主题不清楚。

【第一实施例】

如图1的各幅图像所示，虽然在交叉口拍摄的图像中小的目标可能不清楚或者受到污染，但是这些图像都有一个共同的特征，即在交叉口拍摄的图像中存在占据较大面积的类似倒三角形的天空区，例如图1中的各幅图像中用倒三角形表示的区域。这是因为街道两边的建筑物和树木通常排成了整齐的一列，当从路中间向远端看去时，自然地形成了一个与两条相交的直线所形成的类似倒三角形的形状。因此，通过所拍摄的检测图像中是否存在类似倒三角形天空区域就可以判断该图像是否在交叉口拍摄的。

图2示出了根据本发明第一实施例的检测交叉口的设备的示意性框图。如图2所示，第一实施例中的设备包括：预处理器10，用于对输入的图像进行诸如去噪、滤波、同态运算和下采样之类的预处理；参数获得装置20，通过检测所接收的待检测图像来获得所述图像的特征参数从而确定该图像中是否具有类似倒三角形状的天空区，在本实施例中是基于特征分类技术检测待检测图像中是否存在倒三角形天空区域；交叉口判断单元30，用于将包含倒三角形天空区域的图像判断为包含交叉口。

如图2所示，本实施例中所述的参数获得装置20包括：提取单元21，采用结构化特征提取子描述待检测图像中类似倒三角形状的天空区，以获得该图像包括的多个特征值的特征参数；以及判断单元22，判断图像中是否存在倒三角形天空区，该判断单元是利用事先通过诸如Adaboost算法之类的机器学习方法或者统计学习方法而创建的分类器，对所述提取单元21所检测的特征进行分类，进而给出该图像中是否包含倒三角形天空区域。

本发明中的预处理器10通过对输入的图像进行预处理改善图像的质量，例如通过滤波来消除噪声，通过平滑操作来消除图像中非常细微的噪声点等细节，通过同态运算来消除诸如电线和路灯之类随机分布的簇状细节。另外，预处理器10也可以通过对输入的图像进行下采样来降低运算量以及消除图像中细微的影像细节。

下面对照图3详细说明第一实施例的设备的检测交叉口的过程的流程图。

如图3所示，在步骤S110，将待检测的图像输入预处理器10；

然后，在步骤S120，预处理器10对输入的图像进行如上所述的预处理；

在步骤S130，提取单元21检测预处理后的图像，以获得待检测图像的特征值，在本实施例中是采用结构化特征提取子描述待检测图像中类似倒三角形状的天空区，获得该图像包括的多个特征值的特征参数；

图4示出步骤S130中的特征提取子的示意图，它是Harr状矩形检测模板，包含有能够描述倒三角形的特征。如图4所示，检测模板(A)能够检测图像中右上对左下反差值较大的区域，而检测模板(B)能够检测图像中左上对右下反差值较大的区域。这里，反差值可以是表示颜色、亮度或者灰度等的反差的值。

如果用1表示黑色，-1表示白色，而用0表示灰色，则检测模板(A)可以表示为如图4(C)，而检测模板(B)可以表示为如图4(D)。

上述模板的尺寸是可以按照需要调整的，例如可以采用高和宽相同，例如5的模板，也可以采用高和宽不同的模板，例如高为5，而宽为3。

在提取图像的特征参数时，将该模板放置在图像中的某个位置(x，y)，然后将模板和图像中被模板覆盖的区域相乘然后求和，得到一个值，将其称为该图像的特征参数中的一个特征值。在本发明中，将位置确定、大小确定的模板称为一个特征提取子。不同的位置和不同尺寸的模板将形成成千上万个特征提取子，将这些特征提取子记为集合D。

在步骤S140，所述的判断单元22利用事先创建的分类器对获得的图像特征值进行分类，例如根据图像中的颜色特征获得图像中各个区域的面积、几何特征等，以区分倒三角形天空区域和其他区域，以此即判断出所检测的图像中是否含有倒三角形天空区域。

在步骤S150，将包含倒三角形天空区域的图像直接判断为包含交叉口，从而将待检测的图像分为包括交叉口的图像以及不包括交叉口的图像。

下面对事先创建的分类器的创建以及应用过程进行说明。

在步骤S210，输入一系列训练图像，也就是沿着街道拍摄的一组图像，并且给包含倒三角形天空区域，即交叉口的图像赋予‘1’，而给未包含倒三角形天空区域的图像赋予‘0’。

然后，在步骤S220，对所输入的训练图像进行如上所述的滤波等预处理，进而改善图像的质量。

接下来，在步骤S230，用特征提取子检测训练图像，获得相应的特征值。即，D中的特征提取子d(k)对于每幅图像都输出一个实数d(k，j)。这样，在步骤S240，可以构造如下的弱分类器C_k(j)：

其中T(k)是一个实数，可以通过选择适当的数值使得该弱分类器的误差最小。分类器的误差Err定义为：

$\mathrm{Err}=\underset{j}{\mathrm{\Σ}}|C_k\left(j\right)-L\left(j\right)|---\left(2\right)$

其中L(j)是第j幅图像的标记。

在步骤S250，利用诸如Adaboost算法之类的机器学习方法或者统计学习方法来从弱分类器创建强分类器。利用Adaboost算法，可以从{C_k(j)}中选择若干个弱分类器

并且确定一组权重

和阈值T，形成如下的强分类器：

分类器的分类过程如下：采用现有的各种分类器创建方法创建本实施例中使用的分类器后，所述分类器可以根据其训练或统计得到具有一些特定特征的结果。例如，在本实施例中，根据图像上的特征判断出具有两种输出结果的分类器，即包括倒三角形天空区域的图像以及不包括倒三角形天空区域的图像。

【第二实施例】

下面对照附图详细说明本发明的第二实施例。图5示出了根据本发明第二实施例的检测交叉口的设备的示意性框图。

如图5所示，第二实施例中所述的设备包括预处理器100，参数获得装置200和交叉口判断单元300。所述预处理器100通过对输入的图像进行预处理来改善图像的质量，它和第一实施例的预处理器10的结构和功能相同，因此这里省略了对其的详细描述。

本实施例中，所述参数获得装置200包括边缘检测单元210、距离变换单元220、最大值搜索单元230、相似度计算单元240和比较单元250。

边缘检测单元210利用诸如Laplacian，Sobel或者Canny之类的边缘检测算法来对经过预处理的图像进行边缘检测，将所有的像素分成两类，用1表示的边缘像素和用0表示的非边缘像素，即形成了二值图像。

另外，距离变换单元220对上述的二值图像进行距离变换，以得到图像的距离场，对于二值图像，距离场中每个像素的值描述了该像素到图像中距离它最近的非零像素(边缘像素)的距离。

这里的距离变换可以使用Euclidean距离，在文献‘P.F.Felzenszwalb，D.P.Huttenlocher，Distance Transforms of SampledFunctions，Cornell Computing and Information Science TR2004-1963’中披露了距离变换的例子，该文献通过参考合并于此。

然后，最大值搜索单元230搜索图像距离场中的最大值。在搜索最大值的过程中，为了减小较小的最大值产生的噪声，需要将最大值与特定的阈值进行比较，大于该特定阈值的最大值才能够作为最大值搜索结果。例如，该特定阈值如下定义：

t＝μ+σ                       (4)

其中 $\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{m}_i,$ $\mathrm{\σ}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(m_i-\mathrm{\μ})}^2},$ m_i代表第i个最大值，μ表示均值，σ表示标准差。

如果图像中包括有交叉口，则图像中很有可能包含一个比较大的倒三角形天空区，也就是占据了图像较大面积的倒三角形，而该倒三角形天空区有一个影响区，如图6的(B)所示。

这里最大值影响区是指在该图像区域中，在该最大值和每个位置之间的与任何边缘没有交叉的最短路径要小于该位置和任何其它最大值之间的与任何边缘没有交叉的路径。

对于影响区达到了上边界的每个最大值，相似度计算单元240计算该影响区中的等值线，如果该等值线与上边界所包围的部分类似于一个倒三角形，则认为该图像中包含有交叉口。参照图6的(C)，相似度定义如下：

$s=1-|\frac{\#{\mathrm{\Ω}}_1}{\#{\mathrm{\Ω}}_0}-0.5|---\left(5\right)$

其中Ω₁表示由等值线和图像的上边界所包围的区域，而Ω₀表示Ω₁的最小外接矩形区域，如图6的(C)。式(4)中的算子‘#’表示对一个区域求面积。一个求相似度s的简单方法是计算Ω₁和Ω₀中分别包含的像素的数目。当Ω₁是倒三角形时，很容易验证相似度s达到最大值1。

另外，可以对一个最大值计算多个等值线，进而计算多个相似度。比较单元250将这些相似度与预定的阈值进行比较，如果相似度大于该阈值，则判断该图像中包含倒三角形天空区域。

然后，交叉口判断单元300直接将包含倒三角形天空区域的图像判断为包含交叉口。

上面描述的是针对单幅图像的情况。当沿着街道拍摄了视频时，可以利用视频中相邻图像之间的连续性来避免误检。

通常，视频序列中相邻的图像中天空区的颜色通常具有一致性，因为天空区的颜色可能迅速改变。因此，在单幅图像检测的基础上，利用相邻图像之间在天空区颜色方面的一致性，可以判断是否存在异常。

图7示出了本发明的设备在视频情况下的应用，下面采用对第二实施例所述设备的改进进行说明：如图7所示，在参数获得装置200针对单幅图像进行检测，并且由交叉口判断单元300输出检测结果后，平均颜色计算单元400利用相邻图像的天空区的颜色一致性消除异常值。例如相邻两幅图像的天空区的颜色均值差小于预定的阈值，或者用一系列图像的天空区颜色的统计特征进行异常值去除。例如，用正态分布来描述天空区颜色的分布，这样，如果用

和σ分别表示多幅图像的天空区的颜色均值和方差，而用c_i表示第i幅图像的天空区的颜色均值，则可以通过下面的不等式(6)来确定该图像的检测结果是否属于异常：

$\left|\right|{\stackrel{\&RightArrow;}{c}}_i-\stackrel{\&RightArrow;}{\mathrm{\&mu;}}\left|\right|<3\mathrm{\&sigma;}---\left(6\right)$

也就是，如果单幅图像的天空区颜色均值与多幅图像的颜色均值的差的绝对值小于3倍的方差，则认为该图像的检测结果不是异常的。否则，认为该图像的检测结果是异常的。

另外，滑窗投票器500利用基于预定大小的滑窗进行投票来进一步判断是否存在异常值。通常，交叉口都具有一定的宽度，该宽度对应于视频中的多个帧，因此可以使用具有预定宽度的滑动窗来进行投票来判断是否误检。例如，在窗口宽度为3的情况下，从第二幅开始判断是否误检，如果第一幅中认为有交叉口，第二幅中有交叉口，而第三幅中没有交叉口，则可以认为第二幅存在误检，如果第三幅中有交叉口，则认为第二幅不是误检。这是因为交叉口通常要覆盖多幅图像，仅仅覆盖一帧图像或者两帧图像的情况认为不是真正的交叉口。

当然，上述的异常值去除过程和滑窗投票过程不必要同时采用，仅仅使用其中的一方就可以满足一些应用的要求。

下面结合视频序列的情况来说明第二实施例的设备及其改进的操作过程。图8是说明在视频序列的情况下检测交叉口的方法的流程图。

如图8所示，在步骤S310，读入待检测的视频中的第一帧图像，然后在步骤S320，预处理器100对读入的图像进行预处理，以便改善图像的质量，或者进行下采样以便消除图像中小的簇状区。

在步骤S330，边缘检测单元210对预处理后的图像进行边缘检测，以产生边缘图像，例如用1表示边缘，用0表示非边缘。当然，也可以用其它的数值来表示上述的二值图像。

在步骤S340，距离变换单元220利用预定的距离变换算法对边缘图像进行距离变换，以得到该图像的距离场。

在步骤S350，最大值搜索单元230从该图像的距离场中搜索最大值，并且获得与该最大值相关联的影响区。

在步骤S360，对于影响区达到了上边界的每个最大值，相似度计算单元240计算该影响区中的等值线，并且参考上述的式(5)计算由该等值线和图像的上边界所包围的区域与倒三角形的相似度。

然后，在步骤S370，如果该等值线与上边界所包围的部分的相似度大于预定的阈值，也就是认为该区域类似于一个倒三角形，则认为该图像中包含有交叉口。否则，认为该图像中未包含交叉口。

在步骤S380，判断当前处理的帧是否是视频的最后一帧。如果不是最后一帧，则在步骤S390读入下一帧，流程转到步骤S320，进行与上述类似的处理过程。否则，在步骤S400，基于图像中天空区的平均颜色值来去除针对各个单幅图像所检测的结果中是否存在异常值，将存在异常值的图像去除。

最后，在步骤S410，为了进一步提高检测的准确度，如上所述，基于预定大小的滑窗进行投票来进一步判断是否存在异常值。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变换或替换，都应涵盖在本发明的包含范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (24)

1.一种检测图像中的交叉口的方法，包括步骤：

通过检测所接收的待检测图像来获得所述图像的特征参数从而确定该图像中是否具有类似倒三角形状的天空区；

在确定待检测图像中具有类似倒三角形状的天空区时，判断待检测图像中包含交叉口。

2.如权利要求1所述的方法，其特征在于，在对所述接收的待检测图像检测之前还包括步骤：

对所述待检测图像进行预处理。

3.如权利要求2所述的方法，其特征在于，所述的预处理至少包括以下处理之一：

对待检测图像进行去噪、滤波、同态运算或下采样处理。

4.如权利要求1或2所述的方法，其特征在于，所述特征参数至少包括表示结构化特征的多个特征值；

所述通过检测所接收的待检测图像来获得所述图像的特征参数从而确定该图像中是否具有类似倒三角形状的天空区的步骤包括：

采用结构化特征提取子描述待检测图像中类似倒三角形状的天空区，获得该图像的包括多个特征值的特征参数；以及

利用事先创建的分类器对获得的多个特征值进行分类来判断图像中是否具有类似倒三角形状的天空区。

5.如权利要求4所述的方法，其特征在于，所述结构化特征提取子是表示包括左上对右下的反差和右上对左下的反差的模板。

6.如权利要求4所述的方法，其特征在于，所述分类器是利用机器学习方法或者统计方法从多幅训练图像创建的。

7.如权利要求1或2所述的方法，其特征在于，所述特征参数至少包括区域相似度；

所述通过检测所接收的待检测图像来获得所述图像的特征参数从而确定该图像中是否具有类似倒三角形状的天空区的步骤包括：

对所述接收的待检测图像进行边缘检测，生成边缘图像；

对所述边缘图像进行距离变换，得到该图像的距离场；

搜索所述距离场中的影响范围的最大值，所述最大值的影响范围达到所检测图像的上边界；

计算由所述最大值相关联的等值线和图像的上边界所形成的区域与倒三角形之间的区域相似度；以及

比较计算的区域相似度与预定的阈值，在所述区域相似度大于预定的阈值时，确定所述待检测图像包括倒三角形状的天空区。

8.如权利要求7所述的方法，其特征在于，所述最大值的影响范围是指在该影响范围中，在该最大值和每个位置之间的与任何边缘没有交叉的最短路径要小于该位置和任何其它最大值之间的与任何边缘没有交叉的路径。

9.如权利要求7所述的方法，其特征在于，计算所述相似度采用如下公式：

$s=1-|\frac{\#{\mathrm{\&Omega;}}_1}{\#{\mathrm{\&Omega;}}_0}-0.5|$

其中Ω₁表示由等值线和图像的上边界所包围的区域，而Ω₀表示Ω₁的最小外接矩形区域，算子‘#’表示对一个区域求面积。

10.如权利权利要求1～9之一所述的方法，其特征在于，在对待检测图像中的多幅图像进行检测并获得检测结果后，还包括去除检测结果中的异常值的步骤。

11.根据权利要求10所述的方法，其特征在于，异常值的去除是基于图像中的等值线和图像上边界之间区域的平均颜色来实现的。

12.根据权利要求10所述的方法，其特征在于，异常值的去除是通过将检测结果为肯定的多幅图像的数目与预定的数目进行比较来实现的。

13.一种检测图像中的交叉口的设备，包括：

参数获得装置，通过检测所接收的待检测图像来获得所述图像的特征参数从而确定该图像中是否具有类似倒三角形状的天空区；

判断装置，在确定待检测图像中具有类似倒三角形状的天空区时，判断待检测图像中包含交叉口。

14.如权利要求13所述的设备，其特征在于，还包括：

预处理装置，对所述待检测图像进行预处理。

15.如权利要求14所述的设备，其特征在于，所述预处理装置至少执行以下处理之一：

对待检测图像进行去噪、滤波、同态运算或下采样处理。

16.如权利要求13或14所述的设备，其特征在于，所述特征参数至少包括表示结构化特征的多个特征值；

所述参数获得装置包括：

提取单元，采用结构化特征提取子描述待检测图像中类似倒三角形状的天空区，以获得该图像包括的多个特征值的特征参数；以及

判断单元，利用事先创建的分类器对获得的多个特征值进行分类来判断图像中是否具有类似倒三角形状的天空区。

17.如权利要求16所述的设备，其特征在于，所述结构化特征提取子是包括左上对右下的反差和右上对左下的反差的模板。

18.如权利要求16所述的设备，其特征在于，所述分类器是利用机器学习方法或者统计方法从多幅训练图像创建的。

19.如权利要求13或14所述的设备，其特征在于，所述特征参数至少包括区域相似度；

所述参数获得装置包括：

边缘检测单元，对所述接收的待检测图像进行边缘检测，以生成边缘图像；

距离变换单元，对所述边缘图像进行距离变换，以得到该图像的距离场；

最大值搜索单元，搜索所述距离场中的影响范围的最大值，所述最大值的影响范围达到了图像的上边界；

相似度计算单元，计算与所述最大值相关联的等值线和图像的上边界所形成的区域与倒三角形之间的相似度；以及

比较单元，比较计算的相似度与预定的阈值，在所述相似度大于预定的阈值时，确定所述待检测图像包括倒三角形状的天空区。

20.如权利要求19所述的设备，其特征在于，所述最大值的影响范围是指在该影响范围中，在该最大值和每个位置之间的与任何边缘没有交叉的最短路径要小于该位置和任何其它最大值之间的与任何边缘没有交叉的路径。

21.如权利要求19所述的设备，其特征在于，所述相似度计算单元采用如下公式计算所述相似度s：

$s=1-|\frac{\#{\mathrm{\&Omega;}}_1}{\#{\mathrm{\&Omega;}}_0}-0.5|$

其中Ω₁表示由等值线和图像的上边界所包围的区域，而Ω₀表示Ω₁的最小外接矩形区域，算子‘#’表示对一个区域求面积。

22.如权利要求13～21之一所述的设备，其特征在于，还包括异常值去除装置，用于去除检测结果中的异常值。

23.根据权利要求22所述的设备，其特征在于，异常值去除装置包括：平均颜色计算单元，用于基于图像中的等值线和图像上边界之间区域的平均颜色来去除检测结果中的异常值。

24.根据权利要求22所述的设备，其特征在于，异常值去除装置包括：滑窗投票器，用于将检测结果为肯定的多幅图像的数目与预定的数目进行比较来去除检测结果中的异常值。

Images