CN102354364A - 一种单摄像机监控系统的立体障碍物检测方法 - Google Patents

Abstract

本发明提出了一种单摄像机监控系统的立体障碍物检测方法，在安装好监控系统之后，控制云台旋转，随意调整摄像头的两个不同角度，拍摄待监控的场景的两幅图像，分别通过齐次变换，获得两幅图像地面的单应关系，使两个不同监控角度下的地面像素点重合，同时使其中的一幅图像中的立体障碍物部分产生错切，由此判断出立体障碍物在监控场景中的位置及大小，获得立体障碍物的坐在位置。本发明方法为解决监控视场中，运动目标是否是被暂时遮挡提供了准确的依据。

Description

一种单摄像机监控系统的立体障碍物检测方法

技术领域

本发明属于视频监控技术领域，用于识别监控场景中高出地面的建筑物等障碍物，采用单个摄像机，以不同的角度获得两个视场间的相互变换，获得能够适用于视频监控系统判断遮挡运动目标的立体障碍物，具体涉及一种单摄像机监控系统的立体障碍物检测方法。

背景技术

视频监控系统中，对运动目标的行为分析，以及对进入监控视场范围内的运动目标计数等操作中，在进行运动目标跟踪过程中，处理运动目标暂时被某个场景中的障碍物遮挡的处理是保证视频监控系统有效性的关键。然而，当运动目标进入图中与视场边界相连通的墙体的遮挡范围之后，将一直被遮挡直至离开视场范围，此时由于目标物不在视场的自然边界处消失，因此无法通过机器视觉判断目标物是否离开，往往在采用运动估计时，被判为暂时遮挡，由此将产生判断错误。

发明内容

本发明的目的是提供一种单摄像机监控系统的立体障碍物检测方法，解决了现有技术在监控视场中，对于目标物穿行过程中暂时遮挡与连接于视场边缘遮挡物遮挡后消失的两种不同情况，很难正确判断运动性质的问题。

本发明所采用的技术方案是，一种单摄像机监控系统的立体障碍物检测方法，其特征在于，在安装好监控系统之后，控制云台旋转，随意调整摄像头的两个不同角度，拍摄待监控的场景的两幅图像，分别通过齐次变换，获得两幅图像地面的单应关系，使两个不同监控角度下的地面像素点重合，同时使其中的一幅图像中的立体障碍物部分产生错切，由此判断出立体障碍物在监控场景中的位置及大小，

具体按照以下步骤实施：

步骤1.采集两幅不同视角的图像

控制云台转动，获得两个不同视角的图像，将其中一幅作为参考图像，用F⁰＝[f⁰(i，j)]_m×n表示，f⁰(i，j)为图像在坐标为(i，j)上的像素值，m，n分别为图像的行数与列数，即i＝1，2，...，m，j＝1，2，...，n；

另一幅最终用以视频监控的那个视角下的图像设为输入图像，用F¹＝[f¹(i，j)]_m×n表示；

步骤2.采用Soble算子提取图像的景物边缘

为了便于在复杂环境中寻找特征点，首先采用Sobel算子分别对参考图像和输入图像进行景物边界的提取，设摄像头采集到的图像[f^K(i，j)]_m×n，K＝0，1，采用Sobel算子进行边缘检测的计算公式为：

${\▿f}^K(i,j)=\sqrt{{D_x}^K{(i,j)}^2+{D_y}^K{(i,j)}^2},i=2,...,m-1,j=2,...,n-1,K=\mathrm{0,1}---\left(1\right)$

其中，m为图像的行数，n为图像的列数，

D_x ^K(i，j)＝[f^K(i+1，j-1)-f^K(i-1，j-1)]+2[f^K(i+1，j)-f^K(i-1，j)]+[f^K(i+1，j+1)-f^K(i-1，j+1)]

(2)

D_y ^K(i，j)＝[f^K(i-1，j+1)-f^K(i-1，j-1)]+2[f^K(i，j+1)-f^K(i，j-1)]+[f^K(i+1，j+1)-f^K(i+1，j-1)]

(3)

之后，对公式(1)计算得到的进行二值化处理，得到景物边缘图，计算公式如下：

$L^K(i,j)=\left\{\begin{array}{cc}1& {\▿f}^K(i,j)>{\mathrm{Th}}^K\\ 0& {\▿f}^K(i,j)\≤{\mathrm{Th}}^K\end{array}\right.,i=2,...,m-1,j=2,...,n-1,K=\mathrm{0,1}---\left(4\right)$

其中，Th^K为判断阈值，按照如下公式计算：

${\mathrm{Th}}^K=\mathrm{\α}\·\frac{1}{(m-2)\·(n-2)}\·\underset{i=2}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=2}{\overset{n-1}{\mathrm{\Σ}}}{\▿f}^K(i,j),K=\mathrm{0,1}---\left(5\right)$

其中的α是调整因子；

处理后的参考景物边缘图L⁰(i，j)，i＝2，...，m-1，j＝2，...，n-1；

处理后的输入景物边缘图L¹(i，j)，i＝2，...，m-1，j＝2，...，n-1；

步骤3.地面特征点对的选择

3.1)给定参考图像的特征点

在系统的人机交互界面上，同时显示参考景物边缘图和输入景物边缘图，在参考景物边缘图L⁰(i，j)的地面上选择出四个特征点，该四个点表示为P₁ ⁰，P₂ ⁰，P₃ ⁰，P₄ ⁰，其坐标点分别为

i＝1，2，3，4；

3.2)给定输入图像的对应特征点搜索范围

在输入景物边缘图L¹(i，j)的相应位置给出一个对应点的搜索区域；

3.3)确定输入图像的对应特征点

设定特征点确定模板大小为5×5，表示为Ω，将该模板依次覆盖参考景物边缘图中的四个特征点，模板的中心点为参考景物边缘图的特征点位置；

之后记录该模板位置上L⁰(i，j)，(i，j)∈Ω的值；

随后，将该模板Ω覆盖在输入景物边缘图中对应的搜索范围内的点，并依次移动，选择其L¹(i，j)，(i，j)∈Ω的值与L⁰(i，j)，(i，j)∈Ω的值相同最多的那个位置的模板中心点，即为输入图像对应的特征点，该四个点表示为P₁ ¹，P₂ ¹，P₃ ¹，P₄ ¹，其坐标点分别为

i＝1，2，3，4；

步骤4)对参考图像进行齐次变换

根据相同平面的单应性关系，采用步骤3得到的参考景物边缘图与输入景物边缘图的四个特征点坐标，求参考图像的齐次变换矩阵，计算公式如下：

$\mathrm{\ρ}\left[\begin{array}{c}{x_i}^0\\ {y_i}^0\\ 1\end{array}\right]=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]\·\left[\begin{array}{c}{x_i}^1\\ {y_i}^1\\ 1\end{array}\right],i=\mathrm{1,2,3,4}---\left(6\right)$

其中， $\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]$ 是齐次变换矩阵，

将步骤3得到的参考景物边缘图与输入景物边缘图的四个点坐标

i＝1，2，3，4代入公式(6)，便可计算得到齐次变换矩阵 $\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]$ 的数值，计算得到齐次变换矩阵 $\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]$ 后，对参考景物边缘图L⁰(i，j)进行齐次变换，则该图像在(i，j)坐标位置，经过变换后的坐标位置

间的相互关系为：

$\mathrm{\ρ}\left[\begin{array}{c}\hat{i}\\ \hat{j}\\ 1\end{array}\right]=\mathrm{int}(\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]\·\left[\begin{array}{c}i\\ j\\ 1\end{array}\right]),---\left(7\right)$

其中，i＝2，...，m-1，j＝2，...，n-1，int()为取整函数，

根据公式(7)得到的像素坐标对参考景物边缘图进行齐次变换得到：

${\hat{L}}^0(\hat{i},\hat{j})=L^0(i,j),i=2,...,m-1,j=2,...,n-1;---\left(8\right)$

步骤5.对地面上的立体障碍物的判断

5.1)进行图像标记

将进行齐次变换后的参考景物边缘图与输入景物边缘图进行比较，并标记相同位置上的像素点是否相同，计算公式如下：

$\mathrm{Lab}(i,j)=\left\{\begin{array}{cc}0& {\hat{L}}^0(i,j)=L^1(i,j)\\ 1& {\hat{L}}^0(i,j)\≠L^1(i,j)\end{array}\right.,i=2,...,m-1,j=2,...n-1---\left(9\right)$

其中，标记Lab(i，j)＝1，i＝2，...，m-1，j＝2，...，n-1的点即为高出地面的立体障碍物；

5.2)判断视场边界处的立体障碍物

对标记矩阵Lab(i，j)＝1，i＝2，...，m-1，j＝2，...，n-1进行贴标签处理，对与图像的上、下、左、右边界连通的连通域，即视为处于视场边界处的障碍物。

本发明的有益效果是，只需通过控制架设摄像头的云台，调整监控摄像头对所监控的场景拍摄两幅不同视角下的图像，之后，通过建立两幅图像间的地面关系，确定场景中的立体遮挡物。本方法可满足在复杂环境的视频监控中，对运动目标正确计数，以及运动目标跟踪时判断被遮挡目标是否再现的要求。

附图说明

图1是本发明方法对立体障碍物的检测过程示意图，其中，a是参考图像，b是输入图像，c是对图a处理后的景物边缘图像，d是对图b处理后的景物边缘图像。

图中，1.立体障碍物一，2.立体障碍物二。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明提出了一种单摄像机监控系统的立体障碍物检测方法，在安装好监控系统之后，控制云台旋转，随意调整摄像头的两个不同角度，拍摄待监控的场景的两幅图像，分别通过齐次变换，获得两幅图像地面的单应关系，使两个不同监控角度下的地面像素点重合，同时使其中的一幅图像中的立体障碍物部分产生错切，由此判断出立体障碍物在监控场景中的位置及大小。

本发明方法按照以下步骤实施：

步骤1.采集两幅不同视角的图像

控制云台转动，获得两个不同视角的图像，如图1a、图1b所示，将其中一幅(图1a)作为参考图像，用F⁰＝[f⁰(i，j)]_m×n表示，f⁰(i，j)为图像在坐标为(i，j)上的像素值，m，n分别为图像的行数与列数，即i＝1，2，...，m，j＝1，2，...，n。另一幅最终用以视频监控的那个视角下的图像(图1b)设为输入图像，用F¹＝[f¹(i，j)]_m×n表示；

步骤2.采用Soble算子提取图像的景物边缘

为了便于在复杂环境中寻找特征点，首先采用Sobel算子分别对参考图像和输入图像进行景物边界的提取，设摄像头采集到的图像[f^K(i，j)]_m×n，K＝0，1，采用Sobel算子进行边缘检测的计算公式为：

${\▿f}^K(i,j)=\sqrt{{D_x}^K{(i,j)}^2+{D_y}^K{(i,j)}^2},i=2,...,m-1,j=2,...,n-1,K=\mathrm{0,1}---\left(1\right)$

其中，m为图像的行数，n为图像的列数，

D_x ^K(i，j)＝[f^K(i+1，j-1)-f^K(i-1，j-1)]+2[f^K(i+1，j)-f^K(i-1，j)]+[f^K(i+1，j+1)-f^K(i-1，j+1)]

(2)

D_y ^K(i，j)＝[f^K(i-1，j+1)-f^K(i-1，j-1)]+2[f^K(i，j+1)-f^K(i，j-1)]+[f^K(i+1，j+1)-f^K(i+1，j-1)]

(3)

之后，对公式(1)计算得到的

进行二值化处理，得到景物边缘图，计算公式如下：

$L^K(i,j)=\left\{\begin{array}{cc}1& {\▿f}^K(i,j)>{\mathrm{Th}}^K\\ 0& {\▿f}^K(i,j)\≤{\mathrm{Th}}^K\end{array}\right.,i=2,...,m-1,j=2,...,n-1,K=\mathrm{0,1}---\left(4\right)$

其中，Th^K为判断阈值，按照如下公式计算：

${\mathrm{Th}}^K=\mathrm{\α}\·\frac{1}{(m-2)\·(n-2)}\·\underset{i=2}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=2}{\overset{n-1}{\mathrm{\Σ}}}{\▿f}^K(i,j),K=\mathrm{0,1}---\left(5\right)$

其中的α是调整因子，优选范围为α∈[0.9，1.1]；

如图1c，显示的是处理后的参考景物边缘图L⁰(i，j)，i＝2，...，m-1，j＝2，...，n-1；

如图1d，显示的是处理后的输入景物边缘图L¹(i，j)，i＝2，...，m-1，j＝2，...，n-1；

步骤3.地面特征点对的选择

3.1)给定参考图像的特征点

在系统的人机交互界面上，同时显示参考景物边缘图和输入景物边缘图，在参考景物边缘图L⁰(i，j)的地面上选择出四个特征点，如图1c中的圆点(A、B、C、D)所示的位置，该四个点表示为P₁ ⁰，P₂ ⁰，P₃ ⁰，P₄ ⁰，其坐标点分别为

i＝1，2，3，4；

3.2)给定输入图像的对应特征点搜索范围

在输入景物边缘图L¹(i，j)的相应位置给出一个对应点的搜索区域，如图1d中的虚线框(E、F、G、H)所示的局部区域；

3.3)确定输入图像的对应特征点

设定特征点确定模板大小为5×5，表示为Ω，将该模板依次覆盖参考景物边缘图中的四个特征点，模板的中心点为参考景物边缘图的特征点位置；

之后记录该模板位置上L⁰(i，j)，(i，j)∈Ω的值；

随后，将该模板Ω覆盖在输入景物边缘图中对应的搜索范围内的点，并依次移动，选择其L¹(i，j)，(i，j)∈Ω的值与L⁰(i，j)，(i，j)∈Ω的值相同最多的那个位置的模板中心点，即为输入图像对应的特征点，如图1d中所示的四个虚线圆框中的黑色圆点位置，该四个点表示为P₁ ¹，P₂ ¹，P₃ ¹，P₄ ¹，其坐标点分别为

i＝1，2，3，4。

步骤4)对参考图像进行齐次变换

根据相同平面的单应性关系，采用步骤3得到的参考景物边缘图与输入景物边缘图的四个特征点坐标，求参考图像的齐次变换矩阵，计算公式如下：

$\mathrm{\ρ}\left[\begin{array}{c}{x_i}^0\\ {y_i}^0\\ 1\end{array}\right]=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]\·\left[\begin{array}{c}{x_i}^1\\ {y_i}^1\\ 1\end{array}\right],i=\mathrm{1,2,3,4}---\left(6\right)$

其中， $\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]$ 是齐次变换矩阵，

将步骤3得到的参考景物边缘图与输入景物边缘图的四个点坐标

i＝1，2，3，4代入公式(6)，便可计算得到齐次变换矩阵 $\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]$ 的数值，计算得到齐次变换矩阵 $\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]$ 后，对图1c所示的参考景物边缘图L⁰(i，j)进行齐次变换，则该图像在(i，j)坐标位置，经过变换后的坐标位置

间的相互关系为：

$\mathrm{\ρ}\left[\begin{array}{c}\hat{i}\\ \hat{j}\\ 1\end{array}\right]=\mathrm{int}(\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]\·\left[\begin{array}{c}i\\ j\\ 1\end{array}\right]),---\left(7\right)$

其中，i＝2，...，m-1，j＝2，...，n-1，int()为取整函数，

根据公式(7)得到的像素坐标对参考景物边缘图进行齐次变换得到：

${\hat{L}}^0(\hat{i},\hat{j})=L^0(i,j),i=2,...,m-1,j=2,...,n-1.---\left(8\right)$

步骤5.对地面上的立体障碍物的判断

5.1)进行图像标记

将进行齐次变换后的参考景物边缘图与输入景物边缘图进行比较，并标记相同位置上的像素点是否相同，计算公式如下：

$\mathrm{Lab}(i,j)=\left\{\begin{array}{cc}0& {\hat{L}}^0(i,j)=L^1(i,j)\\ 1& {\hat{L}}^0(i,j)\≠L^1(i,j)\end{array}\right.,i=2,...,m-1,j=2,...n-1---\left(9\right)$

其中，标记Lab(i，j)＝1，i＝2，...，m-1，j＝2，...，n-1的点即为高出地面的立体障碍物；

5.2)判断视场边界处的立体障碍物

如图1c、图1d所示，立体障碍物一1处于视场边界处，立体障碍物二2则不处于视场边界处，而处于视场之内，与实际情况符合；

对于视场边界处的障碍物进行判断，以提供给系统进行目标跟踪或目标计数时使用，当运动目标进入处于视场边界处的障碍物时，将视为运动目标行走出监控视场；

对标记矩阵Lab(i，j)＝1，i＝2，...，m-1，j＝2，...，n-1进行贴标签处理，(注：贴标签处理为数字图像处理的常规做法，很多教科书上都有详细论述)，对于与图像的上、下、左、右边界连通的连通域，即视为处于视场边界处的障碍物。

本发明方法，按照以上的步骤，完成了对监控场景中的可能遮挡运动目标的建筑物等障碍物的所在位置的检测，能够用于在后续相关的判断方法中，对运动目标被遮挡的情况进行准确分析，有利于智能监控系统对运动目标的自动跟踪，以及对运动目标的自动行为分析。

Claims (2)

1.一种单摄像机监控系统的立体障碍物检测方法，其特征在于，在安装好监控系统之后，控制云台旋转，随意调整摄像头的两个不同角度，拍摄待监控的场景的两幅图像，分别通过齐次变换，获得两幅图像地面的单应关系，使两个不同监控角度下的地面像素点重合，同时使其中的一幅图像中的立体障碍物部分产生错切，由此判断出立体障碍物在监控场景中的位置及大小，

具体按照以下步骤实施：

步骤1.采集两幅不同视角的图像

控制云台转动，获得两个不同视角的图像，将其中一幅作为参考图像，用F⁰＝[f⁰(i，j)]_m×n表示，f⁰(i，j)为图像在坐标为(i，j)上的像素值，m，n分别为图像的行数与列数，即i＝1，2，...，m，j＝1，2，...，n；

另一幅最终用以视频监控的那个视角下的图像设为输入图像，用F¹＝[f¹(i，j)]_m×n表示；

步骤2.采用Soble算子提取图像的景物边缘

为了便于在复杂环境中寻找特征点，首先采用Sobel算子分别对参考图像和输入图像进行景物边界的提取，设摄像头采集到的图像[f^K(i，j)]_m×n，K＝0，1，采用Sobel算子进行边缘检测的计算公式为：

${\▿f}^K(i,j)=\sqrt{{D_x}^K{(i,j)}^2+{D_y}^K{(i,j)}^2},i=2,...,m-1,j=2,...,n-1,K=\mathrm{0,1}---\left(1\right)$

其中，m为图像的行数，n为图像的列数，

D_x ^K(i，j)＝[f^K(i+1，j-1)-f^K(i-1，j-1)]+2[f^K(i+1，j)-f^K(i-1，j)]+[f^K(i+1，j+1)-f^K(i-1，j+1)]

(2)

D_y ^K(i，j)＝[f^K(i-1，j+1)-f^K(i-1，j-1)]+2[f^K(i，j+1)-f^K(i，j-1)]+[f^K(i+1，j+1)-f^K(i+1，j-1)]

(3)

之后，对公式(1)计算得到的

进行二值化处理，得到景物边缘图，计算公式如下：

$L^K(i,j)=\left\{\begin{array}{cc}1& {\▿f}^K(i,j)>{\mathrm{Th}}^K\\ 0& {\▿f}^K(i,j)\≤{\mathrm{Th}}^K\end{array}\right.,i=2,...,m-1,j=2,...,n-1,K=\mathrm{0,1}---\left(4\right)$

其中，Th^K为判断阈值，按照如下公式计算：

${\mathrm{Th}}^K=\mathrm{\α}\·\frac{1}{(m-2)\·(n-2)}\·\underset{i=2}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=2}{\overset{n-1}{\mathrm{\Σ}}}{\▿f}^K(i,j),K=\mathrm{0,1}---\left(5\right)$

其中的α是调整因子；

处理后的参考景物边缘图L⁰(i，j)，i＝2，...，m-1，j＝2，...，n-1；

处理后的输入景物边缘图L¹(i，j)，i＝2，...，m-1，j＝2，...，n-1；

步骤3.地面特征点对的选择

3.1)给定参考图像的特征点

在系统的人机交互界面上，同时显示参考景物边缘图和输入景物边缘图，在参考景物边缘图L⁰(i，j)的地面上选择出四个特征点，该四个点表示为P₁ ⁰，P₂ ⁰，P₃ ⁰，P₄ ⁰，其坐标点分别为

i＝1，2，3，4；

3.2)给定输入图像的对应特征点搜索范围

在输入景物边缘图L¹(i，j)的相应位置给出一个对应点的搜索区域；

3.3)确定输入图像的对应特征点

设定特征点确定模板大小为5×5，表示为Ω，将该模板依次覆盖参考景物边缘图中的四个特征点，模板的中心点为参考景物边缘图的特征点位置；

之后记录该模板位置上L⁰(i，j)，(i，j)∈Ω的值；

随后，将该模板Ω覆盖在输入景物边缘图中对应的搜索范围内的点，并依次移动，选择其L¹(i，j)，(i，j)∈Ω的值与L⁰(i，j)，(i，j)∈Ω的值相同最多的那个位置的模板中心点，即为输入图像对应的特征点，该四个点表示为P₁ ¹，P₂ ¹，P₃ ¹，P₄ ¹，其坐标点分别为

i＝1，2，3，4；

步骤4)对参考图像进行齐次变换

根据相同平面的单应性关系，采用步骤3得到的参考景物边缘图与输入景物边缘图的四个特征点坐标，求参考图像的齐次变换矩阵，计算公式如下：

$\mathrm{\ρ}\left[\begin{array}{c}{x_i}^0\\ {y_i}^0\\ 1\end{array}\right]=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]\·\left[\begin{array}{c}{x_i}^1\\ {y_i}^1\\ 1\end{array}\right],i=\mathrm{1,2,3,4}---\left(6\right)$

其中， $\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]$ 是齐次变换矩阵，

将步骤3得到的参考景物边缘图与输入景物边缘图的四个点坐标

i＝1，2，3，4代入公式(6)，便可计算得到齐次变换矩阵 $\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]$ 的数值，计算得到齐次变换矩阵 $\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]$ 后，对参考景物边缘图L⁰(i，j)进行齐次变换，则该图像在(i，j)坐标位置，经过变换后的坐标位置

间的相互关系为：

$\mathrm{\ρ}\left[\begin{array}{c}\hat{i}\\ \hat{j}\\ 1\end{array}\right]=\mathrm{int}(\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]\·\left[\begin{array}{c}i\\ j\\ 1\end{array}\right]),---\left(7\right)$

其中，i＝2，...，m-1，j＝2，...，n-1，int()为取整函数，

根据公式(7)得到的像素坐标

对参考景物边缘图进行齐次变换得到：

${\hat{L}}^0(\hat{i},\hat{j})=L^0(i,j),i=2,...,m-1,j=2,...,n-1;---\left(8\right)$

步骤5.对地面上的立体障碍物的判断

5.1)进行图像标记

将进行齐次变换后的参考景物边缘图与输入景物边缘图进行比较，并标记相同位置上的像素点是否相同，计算公式如下：

$\mathrm{Lab}(i,j)=\left\{\begin{array}{cc}0& {\hat{L}}^0(i,j)=L^1(i,j)\\ 1& {\hat{L}}^0(i,j)\≠L^1(i,j)\end{array}\right.,i=2,...,m-1,j=2,...n-1---\left(9\right)$

其中，标记Lab(i，j)＝1，i＝2，...，m-1，j＝2，...，n-1的点即为高出地面的立体障碍物；

5.2)判断视场边界处的立体障碍物

对标记矩阵Lab(i，j)＝1，i＝2，...，m-1，j＝2，...，n-1进行贴标签处理，对与图像的上、下、左、右边界连通的连通域，即视为处于视场边界处的障碍物。

2.根据权利要求1所述的单摄像机监控系统的立体障碍物检测方法，其特征在于：所述的步骤2中的调整因子α范围为α∈[0.9，1.1]。

Images