具体实施方式
在以下的叙述中,为了使读者更好地理解本申请而提出了许多技术细节。但是,本领域的普通技术人员可以理解,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请各权利要求所要求保护的技术方案。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明第一实施方式涉及一种夜晚车辆检测的方法。图1是该夜晚车辆检测的方法的流程示意图。如图1所示,该夜晚车辆检测的方法包括以下步骤:
在步骤101中,预先设置各车道区域和每个车道区域中的车流迎向或背向方向。
每个车道区域可以只是一个车道,也可以是多个车道,如果有多个车道,这些车道的车流方向应当是相同的。
预先设置各车道区域及其车流方向,根据车流与摄像机的向背关系,分别使用高亮区域和红色区域进行车辆检测,能够在夜晚快速检测车辆,且有较好的稳定性和鲁棒性。
对车道信息进行设置,也可以根据场景不同进行动态设置,并不局限于预先设置方式。这是由于用于交通监控摄像机一般都是固定安装的,在视频分析前,可先进行车道设置,且设置只需要在视频分析前启用,之后采用设置的车道区域进行分析。若场景发生变化,则需要再次进行车道区域设置。
待车道信息设置结束。接下来开始对视频进行分析,对夜晚交通视频中的车辆信息进行检测。
在步骤102中,对于车流方向迎向摄像机的各车道区域,根据该车道区域中的高亮区域进行车辆检测。
在步骤103中,对于车流方向背向摄像机的各车道区域,根据该车道区域中的红色区域进行车辆检测,此后结束本流程。
作为本实施方式的一个优选例,图2是该夜晚车辆检测的方法的车道预先设置示意图。如图2所示,该夜晚车辆检测的方法的车道预先设置包括以下步骤:
首先绘画出车道的轮廓,并绘制车道内的车流方向,之后对输入的车道数据进行分析,统计出每个像素点处的车流方向,全幅图像中的每个像素点方向分为三种,上行、下行、无定义(特指非车道区域内的像素点)中任一值。
在本发明的其他某些实例中,所述设置车道在图像颜色方面,并不局限于灰度图像,还包括色彩图像;同时,在实际应用和具体情况,根据车道属性,例如弯曲、直线、陡峭、平坦、沙石、泥土等或者根据摄像机本身拍摄图像时的镜头形变,或者根据其所导致拍摄图像上的渐变差异,来对车道区域和车流方向进行相应设置。
本发明第二实施方式涉及一种夜晚车辆检测的方法。
第二实施方式在第一实施方式的基础上进行了改进,主要改进之处在于:根据车道区域中的高亮区域进行车辆检测,通过预先设置各车道区域和每个车道区域中的车流方向,获取车流方向迎向摄像机的车道区域的掩膜图像,并统计该掩膜图像得到统计直方图,采用自适应多级阈值检测算法对该掩膜图像统计直方图进行阈值分割并二值化该掩膜图像,得到车道区域中的高亮区域,从而获取车头灯前景图像,得出车流迎向车辆检测结果,利用车头灯高亮特征提取出车头灯前景图像,这种采用自适应多级阈值检测方法完成图像中高亮前景点的提取,可有效抑制非高亮车道区域的干扰,避免虚假车辆信息的检测,提高了系统的鲁棒性。
根据车道区域中的红色区域进行车辆检测,通过预先设置各车道区域和每个车道区域中的车流方向,获取车流方向背向摄像机的车道区域的掩膜图像,对于掩膜图像中的每一个像素,判断该像素的红色分量是否满足预定条件。若该像素的红色分量满足预定条件,则进一步判断该像素在背景图像中对应像素的红色分量是否满足预定条件,如果是则将该像素作为车尾灯候选像素。利用车尾灯红色特征提取出车尾灯前景图像,特征提取便捷、速度快,有利在实时系统中快速运行。
在根据该车道区域中的高亮区域进行车辆检测,或者根据该车道区域中的红色区域进行车辆检测的步骤之前,预先对当前图像进行背景提取。
作为本实施方式的一个优选例,图3是该夜晚车辆检测的方法的车头灯检测流程示意图。如图3所示,该夜晚车辆检测的方法的车头灯检测包括以下步骤:
在步骤301中,输入当前视频图像帧或者当前背景图像。
此后进入步骤302,根据预先设置各车道区域和每个车道区域中的车流方向,获取车流方向迎向摄像机的车道区域的掩膜图像。
图像掩膜处理是指用预先设置的各车道区域及其车流方向,对待处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程,用于提取该车道区域中的高亮区域进行车辆检测。用于覆盖的各车道区域及其车流方向,称为掩模或模板,在光学图像处理中,掩膜可以是胶片、滤光片等。数字图像处理中,掩膜为二维矩阵数组,有时也用多值图像。
此后进入步骤303,对该掩膜图像进行统计,得到该掩膜图像的统计直方图。
此后进入步骤304,采取自适应多级阈值检测算法,对该掩膜图像的统计直方图进行自适应多级阈值分割。
此后进入步骤305,根据该多级分割阈值,二值化处理已得到的掩膜图像或者背景图像,得到车道区域中的高亮区域。
此后进入步骤306,根据该车道区域中的高亮区域,获取车头灯前景图像,此后结束本流程。
在夜晚交通视频中,根据车辆车头灯区域一般为图像中高亮区域这一特征,来实现视频图像下行车道(或车流方向迎向摄像机的车道区域)内车头灯目标的检测,以完成智能交通视频中车头灯的检测,如图像色彩RGB分量中R(red红色)、G(green绿色)和B(blue蓝色),这三种颜色每种都有0至255范围内的强度值,数字越高越亮,例如,亮红色使用R值255、G值0和B值0,有色光可被无色光冲淡并变亮。如蓝色光与白色光相遇,结果是产生更加明亮的浅蓝色光,对目标高亮区域检测造成图像噪声干扰。
在对当前帧图像和背景图像提取出图像中高亮的区域的步骤中,首先根据前面模块设置的车道信息,获取当前下行车道的马赛克图像(或称为掩膜图像),然后在此马赛克图像上进行直方图统计,本系统采用快速自动多级阈值检测算法,采用图像像素最大级别类中的下限值对当前帧图像进行二值化处理,高亮区域即多级直方图中的最大簇类所包含的像素点区域。由于在实际应用场景中,场景背景局部可能也包含高亮信息,为了抑制这种干扰对车灯检测的影响,本系统对当前图像和背景图像分别进行高亮区域的提取,获取当前帧图像和背景图像的高亮前景图,然后从当前帧前景图中减去背景高亮前景图,从而有效的抑制了背景高亮区域的干扰,完成了车头灯前景图的检测,其中背景图像是指一种表示图像中运动信息的二值化图像,各像素点的像素值用0或1表示,其中,0表示该像素点为背景,1表示该点为前景点(运动点)。经过分析和实际现场测试,自适应检测阈值根据场景的不同,会有所变化,一般表现范围在[200,240]之内。
在本发明的其他某些实例中,自适应多级阈值检测算法,也可以根据实际情况和具体应用,采取预先设定的阈值检测算法。
本实施方式中,图4是该夜晚车辆检测的方法的车头灯多级阈值检测流程示意图。具体地说,如图4所示,所述自适应多级阈值检测算法,包括以下步骤:
在步骤401中,获取当前视频图像帧或者图像背景的灰度直方图h0。
此后进入步骤402,初始化替换阈值次数Tn为0次。
此后进入步骤403,计算灰度直方图h0的均值m0和方差d0。
此后进入步骤404,以均值m0为边界将该直方图h0分为两类,判断该直方图h0的其他取值是否大于该直方图h0的均值m0,其中大于均值m0的为直方图h01,小于均值m0的为直方图h00。。
若是,则进入步骤405;否则,进入步骤408。
在步骤405中,将大于均值m0的直方图归类为直方图h01。
此后进入步骤406,计算灰度直方图h01的均值m01和方差d01。
此后进入步骤407,判断灰度直方图h01的方差d01是否小于阈值(典型值15)。
若是,则进入步骤412;否则,进入步骤409。
在步骤408中,当步骤404中判定的该直方图h0的其他取值不大于该直方图h0的均值m0时,则将该类取值的直方图归类为直方图h00,此后进入步骤412。
在步骤409中,当灰度直方图h01的方差d01不小于阈值(典型值15)时,则将直方图h01替换为直方图h0。
此后进入步骤410,替换阈值次数Tn增加1次。
此后进入步骤411,判断替换次数Tn是否超过替换次数阈值(典型值10)。
若是,则进入步骤413;否则,返回步骤403,迭代计算灰度直方图h0的均值m0和方差d0。
在步骤412中,在步骤407中判定的该直方图h0的其他取值不大于该直方图h0的均值m0时,或者在步骤408中将不大于该直方图h0的均值m0的取值的直方图归类为直方图h00时,将m0作为阈值输出,此后结束本流程。
在步骤413中,在步骤411中替换次数Tn超过替换次数阈值(典型值10)时,输出固定阈值T(典型值230),此后结束本流程。
采取迭代计算阈值和比较方法,可以快速自适应地从掩膜图像统计直方图中得到高亮区域像素簇。
在本发明的某些其他实例中,也可以不用自适应多级阈值检测方法,而是根据预先设定的某个阈值对高亮区域进行检测,如果大于这个阈值就算高亮区域,如果小于这个阈值就算非高亮区域。
优选地,本实施方式中采取迭代计算阈值和比较方法,可以采取以下方式进行实现:
首先,获取图像灰度直方图H。
其次,令Hi=H。
再则,计算Hi的均值Mi。并且以均值Mi为边界将直方图Hi分为两部分:直方图Hi_L和Hi_H,其中Hi_L为小于Mi的部分,Hi_H为大于等于Mi的部分。计算Hi_H的方差Di_H.
最后,如果Di_H<Th(Th为预定义阈值,通常为15),则均值Mi为所求自适应阈值。否则令Hi=Hi_H,返回步骤3继续迭代。如果迭代次数超过阈值Tn(迭代次数阈值通常设为10),则返回固定阈值T作为结果(T通常设为230)。
本实施方式中,图5是该夜晚车辆检测的方法的车尾灯检测流程示意图。具体地说,如图5所示,根据该车道区域中的红色区域进行车辆检测的步骤103,包括以下子步骤:
在步骤501中,输入当前视频图像帧或者背景图像。
此后进入步骤502,根据预先设置各车道区域和每个车道区域中的车流方向,获取车流方向背向摄像机的车道区域的掩膜图像。在掩膜图像中,找到所有车尾灯候选像素,构成车尾灯前景图像。
找到所有车尾灯候选像素的步骤包含以下子步骤:
在步骤503中,对于当前掩膜图像中的每一个像素,判断该像素的红色分量是否满足预定条件。
若是,则进入步骤504;否则,返回步骤503。
在步骤504中,若该像素的红色分量满足预定条件,则进一步判断该像素在背景图像中对应像素的红色分量是否满足预定条件。
若是,则返回步骤503;否则,进入步骤505。
在步骤505中,如果进一步判断该像素在背景图像中对应像素的红色分量不满足预定条件,将该像素作为车尾灯候选像素,从而获取车尾灯前景图像。
利用车尾灯红色特征提取出车尾灯前景图像,主要根据车尾灯的红色特征进行分析和检测,首先获取上行车道的马赛克图(或者背向掩膜图像),再在当前帧图像和背景图像上对每个像素点进行分析判断是否有红色特征。这样,符合尾灯像素的特征为当前像素点为红色且背景像素特征非红色,车尾灯前景图为当前帧像素点有红色特征且背景像素点无红色特征的像素集合区域。其特征提取便捷、速度快,有利在实时系统中快速运行。
满足条件则像素值为1,否则为0进行标记,从而得到车尾灯前景图像。在实际应用中,经过现场验证和测试,阈值一般设置为25。
根据该车道区域中的高亮区域,获取车辆检测信息。其中满足的预定条件是:
像素点p(i,j)判断是否为红色特征的要求为:
其中r、g或b是指RGB色彩分量,th1是预设门限,当p(i,j)为1时表示符合红色特征,当p(i,j)为0时表示不符合红色特征。
选取当前像素RGB色彩的红色分量阈值th1进行判断,可以避免RGB色彩中蓝色和绿色分量的差别太大的情况,否则即使红色分量值再大,也不一定是红色。
此外,可以理解,符合尾灯像素的特征为:当前像素点为红色且背景像素特征非红色,车尾灯前景图为当前帧像素点有红色特征且背景像素点无红色特征的像素集合区域。
判定当前帧图像像素RGB色彩红色分量是否达到阈值。若当前帧图像像素RGB色彩红色分量达到阈值,则判定当前背景图像像素RGB色彩红色分量是否达到阈值。若当前背景图像像素RGB色彩红色分量未达到阈值,则获取车尾灯前景图像。
在本发明的其他某些实例中,也可以使用RGB以外的色彩表示方式,例如,根据YUV分量中RGB的恒等变换公式,即YUV播放文件视频帧中YUV分量与RGB的色彩分量的恒等替换关系,也可以对采取当前帧图像YUV分量进行红色判断。
在根据该车道区域中的高亮区域进行车辆检测,或者根据该车道区域中的红色区域进行车辆检测的步骤之前,还包括以下步骤:
预先对当前图像进行背景提取。
为车头灯或车尾灯检测提供背景对比支持,利用背景图像,对背景图像中有车灯特征的像素点进行过滤,降低了背景对前景提取的干扰,避免虚假车辆信息的检测,提高检测速度,校验检测结果,同时,提高了系统的稳定性和鲁棒性。由于用来道路监控的摄像机为固定的,故视频的背景为固定不变,获取背景可采用帧间差法和背景差分等方法,如多帧差分法、多帧平均法等各种背景获取方法,提取出静止的背景图像,用来作为后续的车辆检测分析。
所谓帧差法获得背景,其原理主要是利用视频中前后帧有运动物体的地方像素值会发生变化,而没有运动变化的地方,像素值相对稳定。用前帧与后帧相减,可以得到这些变化的值,滤出噪声后可以获取发生变化的前景和未发生变化的背景。
本发明第三实施方式涉及一种夜晚车辆检测的方法。
第三实施方式在第一实施方式的基础上进行了改进,主要改进之处在于:确定这些车头灯和车尾灯前景图像中的前景点的归属情况,使得车辆车灯所对应的前景点在空间上是连续的,在图像中表现为一个前景团块,即闭合的连通区域。
通过团块标记这种连通区域搜索以及跟踪的过程,每一个团块对应一个唯一的连通区域,通过寻找这些连通区域可以标记前景图像中的各个前景团块。这些标记的前景团块,即为车辆的车灯块信息。
具体地说:
根据该车道区域中的高亮区域进行车辆检测,和根据该车道区域中的红色区域进行车辆检测的步骤中,还包括以下子步骤:
获取车灯前景图像后,由于车灯局部信息不明显,导致前景图像中出现局部的破碎,不连续的状态,利用形态学中的膨胀算法,对已获取的车灯前景图像的破碎点像素进行修复,得到像素连续的车灯前景图像。本系统采用形态学中的膨胀算法对破碎点像素进行修复,从而得到比较饱满丰富的车灯前景图像。具体方法是进行5x5或3x3尺寸的形态学膨胀处理。
其中,图像修复是指对受到损坏的图像进行修复重建或者去除图像中的多余物体。图像修复者需要采取最恰当的方法恢复图像的原始状态,同时保证图像达到最理想的艺术效果。
采取团块标记技术,对该修复的车灯前景图像进行连通区域标记,得到车灯块的车辆检测信息。经过前面的模块处理之后,得到了车灯前景图,但是并没有确定这些前景点的归属情况,通常目标所对应的前景点在空间上是连续的,在图像中表现为一个前景团块,这些团块的轮廓通常是闭合的。团块标记可以看作是一个轮廓搜索以及轮廓跟踪的过程,每一个团块对应一个唯一的轮廓,通过寻找这些轮廓可以标记前景图像中的各个前景团块。这些标记的前景团块,即为车辆的车灯块信息。
经过以上几个模块的处理,本系统完成了夜晚车辆信息的检测,为后续的交通事件检测和交通参数等信息的分析提供了基础信息。
对图像破碎进行形态学方法处理修复,可以根据实际和相应方法的优缺点,采取以下方法进行:
偏微分方程的方法,用户指定需要修复的区域,算法将待修补的区域边界的等值线外部的信息沿轮廓法向扩散到中间待修补的像素上。该算法利用局部颜色的光滑度沿着等值线扩散,考虑了各向异性的扩散,以保证边缘处的边界连续,但该方法计算不稳定。
整体变分方法和基于曲率的扩散模型,整体变分方法采用了欧拉-拉格朗日方程和各向异性的扩散,基于曲率的扩散模型方法是整体变分方的一种扩展,在扩散过程中考虑了轮廓的几何信息(如曲率),可以处理较大的区域,但边界处往往很模糊。
高斯卷积核对图像进行滤波的方法,利用了高斯卷积核对图像进行滤波,能快速地修复破损区域,但该算法仅考虑了破损区域边缘一周的图像颜色值,使得其仅适用于破损区域为2至3个像素宽度的情形。
纹理合成的方法,能较好地去除图像中的大块污斑,但由于算法运行时间不是与掩模区域成正比,而是与图像大小成正比,因此修复时间相对较长。
作为本发明的优选实例,图6是该夜晚车辆检测的方法的检测步骤及结果示意图。具体地说,如图6所示,该夜晚车辆检测的方法的检测,包括以下子步骤:
在步骤601中,经过车前灯和车尾灯的车辆检测之后,得到高亮车头灯10和红色车尾灯11前景图像图6(a)。
此后进入步骤602,对已得到的前景图像图6(a)进行形态学处理,得到图像图6(b)。
此后进入步骤603,对图像图6(b)进行团块标记得到图6(c),其中1、2、3及4、5及6分别为一个车辆。当车道上行驶的车辆形成车辆簇时,利用团块标记图像图6(c)中的高亮车头灯和红色车尾灯进行智能系统进行自动计算车辆数。
在本发明的其他某些实例中,对连通区域互联,并不局限于使用团块标记方法,还包括其他的方法,比如目标边缘检测方法。
在本发明的其他某些具体实例中,所述视频图像夜晚车辆检测,在实际应用和具体情况中,其图像颜色并不局限于灰度图像,还包括色彩图像,这样在根据背向车尾灯检测时,就可以利用RGB色彩分量特征进行分析检测。
本发明的各方法实施方式均可以以软件、硬件、固件等方式实现。不管本发明是以软件、硬件、还是固件方式实现,指令代码都可以存储在任何类型的计算机可访问的存储器中(例如永久的或者可修改的,易失性的或者非易失性的,固态的或者非固态的,固定的或者可更换的介质等等)。同样,存储器可以例如是可编程阵列逻辑(Programmable Array Logic,简称“PAL”)、随机存取存储器(Random Access Memory,简称“RAM”)、可编程只读存储器(Programmable Read Only Memory,简称“PROM”)、只读存储器(Read-Only Memory,简称“ROM”)、电可擦除可编程只读存储器(Electrically Erasable Programmable ROM,简称“EEPROM”)、磁盘、光盘、数字通用光盘(Digital Versatile Disc,简称“DVD”)等等。
本发明第四实施方式涉及一种夜晚车辆检测的系统。图7是该夜晚车辆检测的系统的结构示意图。具体地说,如图7所示,该夜晚车辆检测的系统包括以下子模块:
设置模块,用于预先设置各车道区域和每个车道区域中的车流方向。
迎向车辆检测模块,用于对于设置模块设置的车流方向迎向摄像机的各车道区域,根据该车道区域中的高亮区域进行车辆检测。
背向车辆检测模块,用于对于设置模块设置的车流方向背向摄像机的各车道区域,根据该车道区域中的红色区域进行车辆检测。
第一实施方式是与本实施方式相对应的方法实施方式,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
本发明第五实施方式涉及一种夜晚车辆检测的系统。第五实施方式在第四实施方式的基础上进行了改进,主要改进之处在于:
迎向车辆检测模块还包括子模块:迎向图像获取模块、统计模块、自适应模块、二值化模块、车头灯获取模块,其中这些子模块利用车头灯高亮特征提取出车头灯前景图像,采用自适应多级阈值检测算法完成图像中高亮前景点的提取,可有效抑制非高亮车道区域的干扰,获取高亮区域的车辆,从而检测提高了系统的鲁棒性。
背向车辆检测模块还包括子模块:背向图像获取模块、车尾灯获取模块,其中车尾灯获取模块还包括第一或第二判断模块。其中预定条件可以避免RGB色彩中蓝色和绿色分量的差别不太大的特征,是红色特征更加明显发现。
对本系统,还增加了背景提取模块,用于为迎向车辆检测模块或背向车辆检测模块提供背景图像。
本实施方式中,图8是该夜晚车辆检测的系统的迎向车辆检测模块结构示意图。具体地说,如图8所示,所述迎向车辆检测模块,还包括以下子模块:
迎向图像获取模块,用于根据预先设置各车道区域和每个车道区域中的车流方向,获取车流方向迎向摄像机的车道区域的掩膜图像。
统计模块,用于对迎向图像获取模块获取的掩膜图像进行统计,得到该掩膜图像的统计直方图。
自适应模块,用于根据自适应多级阈值检测算法,对统计模块得到的的统计直方图进行自适应多级阈值分割。
二值化模块,用于根据自适应模块输出的多级分割阈值,二值化处理掩膜图像或者背景图像,得到车道区域中的高亮区域。
车头灯获取模块,用于根据二值化模块得到的车道区域中的高亮区域,获取车头灯前景图像。
迎向车辆检测模块采用的自适应多级阈值检测算法,包括以下步骤:
获取当前帧或者背景的灰度直方图h0,并计算其均值m0和方差d0。
以均值m0为边界将直方图h0分为两类,其中大于均值m0的为直方图h01,小于均值m0的为直方图h00。
计算h01的均值m01和方差d01,如果d01小于阈值(典型值15),则将m0作为输出的阈值。否则,将h01作为h00,继续迭代。
本实施方式中,图9是该夜晚车辆检测的系统的背向车辆检测模块结构示意图。具体地说,如图9所示,背向车辆检测模块,还包括以下子模块:
背向图像获取模块,根据预先设置各车道区域和每个车道区域中的车流方向,获取车流方向背向摄像机的车道区域的掩膜图像。
车尾灯获取模块,用于在背向图像获取模块获取的掩膜图像中,找到所有车尾灯候选像素,构成车尾灯前景图像。
车尾灯获取模块还包括以下子模块:
第一判断模块,用于对于背向图像获取模块获取的掩膜图像中的每一个像素,判断该像素的红色分量是否满足预定条件。
第二判断模块,用于对于第一判断模块判定出该像素满足预定条件的红色分量,进一步判断该像素在背景图像中对应像素的红色分量是否满足预定条件,如果是则将该像素作为车尾灯候选像素。
在本发明的其他某些实例中,第一判断模块和第二判断模块可以作为车尾灯获取模块的子模块,也可以独立于车尾灯获取模块作为本发明系统的子模块,同时,第一判断模块和第二判断模块在执行判断时没有先后之分,即第一判断模块在判断掩膜图像中每一个像素的红色分量是否满足预定条件可以在第二判断模块在判断背景图像中对应像素的红色分量是否满足预定条件的步骤之前,也可以在其之后,只要保证被第一判断模块判断的掩膜图像中每一个像素是与被第二判断模块判断的背景图像中的像素是对应位置。
预定条件是:
像素点p(i,j)判断是否为红色特征的要求为:
其中r、g或b是指RGB色彩分量,th1是预设门限,当p(i,j)为1时表示符合红色特征,当p(i,j)为0时表示不符合红色特征。
选取当前像素RGB色彩的红色分量阈值th1进行判断,可以避免RGB色彩中蓝色和绿色分量的差别不太大的特征,否则即使红色分量值再大,也不一定是红色。
本系统还包括背景提取模块,用于对当前图像进行背景提取,为迎向车辆检测模块或背向车辆检测模块提供背景图像,为车辆检测模块进行车灯检测提供背景对比支持,利用背景图像,对背景图像中有车灯特征的像素点进行过滤,降低了背景对前景提取的干扰,避免虚假车辆信息的检测,提高检测速度,校验检测结果,同时,提高了系统的稳定性和鲁棒性。
第二实施方式是与本实施方式相对应的方法实施方式,本实施方式可与第二实施方式互相配合实施。第二实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第二实施方式中。
本发明第六实施方式涉及一种夜晚车辆检测的系统。
第六实施方式在第四实施方式的基础上进行了改进,主要改进之处在于:增加了以下子模块:恢复模块和标记模块,分别用于形态学修复处理车灯前景图像和标记被处理的前景图像的闭合连通区域(或团块,或车灯块信息)。
本实施方式中,图10是该夜晚车辆检测的系统的结构示意图。具体地说,如图10所示,本系统还包括以下子模块:
修复模块,用于利用形态学中的膨胀算法,对车头灯获取模块或车尾灯获取模块获取的车灯前景图像的破碎点像素进行修复,得到像素连续的车灯前景图像。
标记模块,用于采取团块标记技术,对的修复模块修复的车灯前景图像进行标记,得到车灯块的车辆检测信息。确定这些车头灯和车尾灯前景图像中的前景点的归属情况,使得车辆车灯所对应的前景点在空间上是连续的,在图像中表现为一个前景团块,即闭合的连通区域。通过团块标记这种连通区域搜索以及跟踪的过程,每一个团块对应一个唯一的闭合连通区域,通过寻找这些比环绕连通区域可以标记前景图像中的各个前景团块。这些标记的前景团块,即为车辆的车灯块信息。
第三实施方式是与本实施方式相对应的方法实施方式,本实施方式可与第三实施方式互相配合实施。第三实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第三实施方式中。
需要说明的是,本发明各模块实施方式中提到的各模块都是逻辑模块,在物理上,一个逻辑模块可以是一个物理模块,也可以是一个物理模块的一部分,还可以以多个物理模块的组合实现,这些逻辑模块本身的物理实现方式并不是最重要的,这些逻辑模块所实现的功能的组合是才解决本发明所提出的技术问题的关键。此外,为了突出本发明的创新部分,本发明上述各模块实施方式并没有将与解决本发明所提出的技术问题关系不太密切的模块引入,这并不表明上述设备实施方式并不存在其它的模块。
虽然通过参照本发明的某些优选实施方式,已经对本发明进行了图示和描述,但本领域的普通技术人员应该明白,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。