CN102609724B - 一种基于双摄像头的周围环境信息提示方法 - Google Patents
一种基于双摄像头的周围环境信息提示方法 Download PDFInfo
- Publication number
- CN102609724B CN102609724B CN201210035005.9A CN201210035005A CN102609724B CN 102609724 B CN102609724 B CN 102609724B CN 201210035005 A CN201210035005 A CN 201210035005A CN 102609724 B CN102609724 B CN 102609724B
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- background
- camera
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
本发明提供一种基于双目摄像头的周围环境信息提示方法,其主要特点为:(1)由双目摄像头(即两个分开一定距离的摄像头)对环境进行取景;(2)将获取到的图像在处理器中进行处理,进行背景差分,模式识别等算法;(3)算法是经过优化了的,对实时性有良好的支持;(4)根据处理和识别的结果,通过语音和传感器等设备进行提示。本发明达到帮助盲人的目的,为盲人的出行方面提供很大的便利。
Description
技术领域
本发明涉及提醒周围环境的路况信息的技术领域,尤其涉及是一种基于双摄像头的周围环境信息提示方法。
背景技术
目前人们一直在致力于发展对残障人士的关爱和保障,但是现在很多道路上的盲道由于各种原因往往会出现了破损的状况,为盲人的出行带来了不便。对于现如今日益复杂的交通道路状况,盲人的出行更成了很困难的问题。
本发明即是想利用两个摄像头来获取周围环境的各种信息,通过语音震动等方式回馈给使用者的周围环境信息提示设备。这个设备通过优化识别和匹配算法,能为使用者实时的提醒周围的路况,在盲人的出行方面提供很大的便利。盲人行走速度不会很快,所以可以利用这个时间进行快速的识别和匹配,来达到帮助盲人的目的。
发明内容
本发明要解决的技术问题为:提供一种基于双摄像头的周围环境信息提示方法,其通过双摄像头获取周围物体距离信息,然后进行语音和传感器提示的电子便携式设备,并且其中涉及模式识别和快速匹配的优化算法,达到帮助盲人的目的,为盲人的出行方面提供很大的便利。
本发明解决上述技术问题采用的技术方案为:一种基于双摄像头的周围环境信息提示方法,其步骤如下:
步骤(1)摄像机会提取前方的图像,进行图像压缩后,然后对图像进行背景差分和模式匹配;
步骤(2)实时背景差分:对摄像机传入的图像差分出移动的前景和不变的背景,因为整套系统是在缓慢移动的,所以要保证差分算法的实时性;
步骤(3)优化模式匹配:对摄像机传入的图像进行模式匹配,由于分辨率较低,模式匹配算法需要再现有条件下进行模糊匹配;
步骤(4)匹配之后,根据匹配出的物体外形,提示使用者物体的信息。
本发明与现有技术相比的优点在于:
1、成本低,本方法对摄像头要求比较低,并不需要专门的深度摄像头,而是用两个很便宜的网络摄像头组成,所以是用算法来换取成本。
2、效率高,借助高效的视觉库和自己优化后,运行效率值得期待。
附图说明
图1为平行双目测量图示的示意图;
图2为训练、检测用矩形的示意图;
图3为处理器工作流程图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细说明,但本发明的保护范围并不仅限于下面实施例,应包括权利要求书中的全部内容。
一种基于双摄像头的周围环境信息提示方法,其步骤如下:
步骤(1)摄像机会提取前方的图像,进行图像压缩后,然后对图像进行背景差分和模式匹配;
双目成像可获得同一场景的两幅不同图像,当两个摄像头参数(摄像头的焦距f)相同且光心平行放于一条直线上时,构成平行双目立体视觉系统,通过对各个部分的几何关系的分析,可以获取目标物的距离信息。图1是一个典型的双目视觉测量系统。两台摄像头沿基线相距B,其光轴平行于Z轴,图像平面与xy平面平行。假设三维空间一点V(X,Y,Z)在左、右两个像平面上的投影分别是Pl(x1,y1)和Pr(x2,y2),则视差定义为d=|pl-pr|=|x2-x1|。由相似三角形关系可得到:
Z=B·f/d=B·f/(|x2-x1|·dx) (1)
其中d x表示每一像素在X轴方向上的物理单位。Z即是点V到摄像头的距离(即物体到两个摄像头中心连线的距离)。
步骤(2)实时背景差分:对摄像机传入的图像差分出移动的前景和不变的背景,因为整套系统是在缓慢移动的,所以要保证差分算法的实时性;
具体可由混合高斯模型背景差分进行分析:
混合高斯模型使用K(基本为3到5个)个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点。通观整个高斯模型,他主要是有方差和均值两个参数决定,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。由于是对运动目标的背景提取建模,因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率;为提高在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念,建立背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。具体更新公式如下:
μt=(1-ρ)μt-1+ρxt (1)
σ2t=(1-ρ)σ2t-1+ρ(xt-μt)T(xt-μt) (2)
ρ=αη(xt|μκ,σκ) (3)
|xt-μt-1|≤2.5σt-1 (4)
w k,t=(1-α)w k,t-1+αMk,t (5)
式中ρ为学习率,即反映当前图像融入背景的速率。
步骤(3)优化模式匹配:对摄像机传入的图像进行模式匹配,由于分辨率较低,模式匹配算法需要在现有条件下进行模糊匹配。
首先,利用样本(大约几百幅样本图片)的haar特征进行分类器训练,得到一个级联的boosted分类器。训练样本分为正例样本和反例样本,其中正例样本是指待检目标样本(例如人脸或汽车等),反例样本指其它任意图片,所有的样本图片都被归一化为同样的尺寸大小(例如,20x20)。其中,haar特征分为三类:边缘特征、线性特征、中心特征和对角线特征,组合成特征模板。特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。在确定了特征形式后haar-like特征的数量就取决于训练样本图像矩阵的大小,特征模板在子窗口内任意放置,一种形态称为一种特征,找出所有子窗口的特征是进行弱分类训练的基础。
分类器训练完以后,就可以应用于输入图像中的感兴趣区域(与训练样本相同的尺寸)的检测。检测到目标区域(汽车或人脸)分类器输出为1,否则输出为0。为了检测整副图像,可以在图像中移动搜索窗口,检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体,分类器被设计为可以进行尺寸改变,这样比改变待检图像的尺寸大小更为有效。所以,为了在图像中检测未知大小的目标物体,扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。
分类器中的“级联”是指最终的分类器是由几个简单分类器级联组成。在图像检测中,被检窗口依次通过每一级分类器,这样在前面几层的检测中大部分的候选区域就被排除了,全部通过每一级分类器检测的区域即为目标区域。目前支持这种分类器的boosting技术有四种:Discrete Adaboost,Real Adaboost,Gentle Adaboost and Logitboost。″boosted″即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票),并利用基础分类器的自我训练得到。基础分类器是至少有两个叶结点的决策树分类器。Haar特征是基础分类器的输入,主要描述如下。目前的算法主要利用下面的Harr特征。
每个特定分类器所使用的特征用形状、感兴趣区域中的位置以及比例系数(这里的比例系数跟检测时候采用的比例系数是不一样的,尽管最后会取两个系数的乘积值)来定义。例如在第二行特征(2c)的情况下,响应计算为复盖全部特征整个矩形框(包括两个白色矩形框和一个黑色矩形框)象素的和减去黑色矩形框内象素和的三倍。每个矩形框内的象素和都可以通过积分图象很快的计算出来。
步骤(4)匹配之后,根据匹配出的物体外形,提示使用者物体的信息。
例如可以利用文本转语音进行提醒,下面是VC库中的一个例子,调用vc库函数发出
本发明未详细阐述的部分属于本领域公知技术。
Claims (1)
1.一种基于双目摄像头的周围环境信息提示方法,其特征在于:其步骤如下:
步骤(1)、两个摄像头会提取前方的图像,进行图像压缩后,然后对图像进行背景差分和模式匹配;其中,
双目成像获得同一场景的两幅不同图像,当两个摄像头参数相同且光心平行放于一条直线上时,构成平行双目立体视觉系统,通过对各个部分的几何关系的分析,能够获取目标物的距离信息,其中,摄像头的焦距为f,两个摄像头沿基线相距B,其光轴平行于Z轴,图像平面与xy平面平行,假设三维空间一点V(X,Y,Z)在左、右两个像平面上的投影分别是Pl(x1,y1)和Pr(x2,y2),则视差定义为d=|Pl-Pr|=|x2-x1|,由相似三角形关系可得到:
Z=B·f/d=B·f/(|x2-x1|·dx) (1)
其中dx表示每一像素在X轴方向上的物理单位,Z即是点V到摄像头的距离,即物体到两个摄像头中心连线的距离;
步骤(2)、实时背景差分:对摄像机传入的图像差分出移动的前景和不变的背景,因为整套系统是在缓慢移动的,所以要保证差分算法的实时性;具体由混合高斯模型背景差分进行分析:
混合高斯模型使用K个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点,通观整个高斯模型,其主要是有方差和均值两个参数决定,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性,由于是对运动目标的背景提取建模,因此需要对高斯模型中方差和均值两个参数实时更新,为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率;为提高在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念,建立背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类;
步骤(3)、优化模式匹配:对摄像机传入的图像进行模式匹配,由于分辨率较低,模式匹配算法需要在现有条件下进行模糊匹配;其中,
首先,利用样本的haar特征进行分类器训练,得到一个级联的boosted分类器,其中,haar特征分为三类:边缘特征;线性特征;中心特征和对角线特征,组合成特征模板,特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和,在确定了特征形式后haar-like特征的数量就取决于训练样本图像矩阵的大小,特征模板在子窗口内任意放置,一种形态称为一种特征,找出所有子窗口的特征是进行弱分类训练的基础;
分类器训练完以后,应用于输入图像中的感兴趣区域的检测,检测到目标区域分类器输出为1,否则输出为0,为了检测整副图像,在图像中移动搜索窗口,检测每一个位置来确定可能的目标;
步骤(4)、匹配之后,根据匹配出的物体外形,提示使用者物体的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210035005.9A CN102609724B (zh) | 2012-02-16 | 2012-02-16 | 一种基于双摄像头的周围环境信息提示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210035005.9A CN102609724B (zh) | 2012-02-16 | 2012-02-16 | 一种基于双摄像头的周围环境信息提示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102609724A CN102609724A (zh) | 2012-07-25 |
CN102609724B true CN102609724B (zh) | 2014-05-14 |
Family
ID=46527083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210035005.9A Expired - Fee Related CN102609724B (zh) | 2012-02-16 | 2012-02-16 | 一种基于双摄像头的周围环境信息提示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102609724B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605960B (zh) * | 2013-11-15 | 2016-09-28 | 长安大学 | 一种基于不同焦距视频图像融合的交通状态识别方法 |
CN105487649B (zh) * | 2014-09-19 | 2019-01-08 | 华为技术有限公司 | 一种提示方法及移动终端 |
US9609200B2 (en) * | 2014-09-24 | 2017-03-28 | Panavision International, L.P. | Distance measurement device for motion picture camera focus applications |
CN105496740B (zh) * | 2016-01-08 | 2018-02-02 | 中国石油大学(华东) | 一种智能导盲装置及安装有该装置的导盲杖 |
JP6752024B2 (ja) * | 2016-02-12 | 2020-09-09 | 日立オートモティブシステムズ株式会社 | 画像処理装置 |
CN106408932B (zh) * | 2016-10-09 | 2018-11-16 | 南京大学 | 一种基于移动终端的“分心步行”预警系统 |
WO2018094697A1 (zh) * | 2016-11-25 | 2018-05-31 | 深圳市窝窝头科技有限公司 | 一种快速三维空间投影摄像视觉识别系统 |
CN107862721B (zh) * | 2017-12-01 | 2020-06-16 | 杭州晶一智能科技有限公司 | 一种基于双目立体视觉的草地二次识别系统 |
TWI701639B (zh) * | 2018-12-11 | 2020-08-11 | 緯創資通股份有限公司 | 辨識影像中前景物件的方法與電子裝置 |
CN110559127A (zh) * | 2019-08-27 | 2019-12-13 | 上海交通大学 | 基于听觉与触觉引导的智能助盲系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635852B (zh) * | 2009-08-26 | 2011-08-31 | 北京航空航天大学 | 一种基于自适应背景建模的实时运动目标检测方法 |
CN102217990A (zh) * | 2011-04-27 | 2011-10-19 | 南京航空航天大学 | 基于振动触觉的环境信息感知器 |
-
2012
- 2012-02-16 CN CN201210035005.9A patent/CN102609724B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102609724A (zh) | 2012-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102609724B (zh) | 一种基于双摄像头的周围环境信息提示方法 | |
CN110175576B (zh) | 一种结合激光点云数据的行驶车辆视觉检测方法 | |
Spinello et al. | People detection in RGB-D data | |
CN103971386B (zh) | 一种动态背景场景下的前景检测方法 | |
CN103310194B (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
RU2431190C2 (ru) | Способ и устройство распознавания рельефности лица | |
CN106682603B (zh) | 一种基于多源信息融合的实时驾驶员疲劳预警系统 | |
US20130010095A1 (en) | Face recognition device and face recognition method | |
CN103020606B (zh) | 一种基于时空上下文信息的行人检测方法 | |
CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
CN106485735A (zh) | 基于立体视觉技术的人体目标识别与跟踪方法 | |
CN102214291A (zh) | 一种快速准确的基于视频序列的人脸检测跟踪方法 | |
CN111160291B (zh) | 基于深度信息与cnn的人眼检测方法 | |
CN102982334B (zh) | 基于目标边缘特征与灰度相似性的稀疏视差获取方法 | |
CN103530640B (zh) | 基于AdaBoost与SVM的无牌车辆检测方法 | |
CN111611874A (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN104517095A (zh) | 一种基于深度图像的人头分割方法 | |
CN104463232A (zh) | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 | |
CN111914761A (zh) | 一种热红外人脸识别的方法及系统 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN112070010B (zh) | 一种联合多损失动态训练策略增强局部特征学习的行人重识别方法 | |
CN104899559B (zh) | 一种基于视频监控的快速行人检测方法 | |
WO2023279799A1 (zh) | 对象识别方法、装置和电子系统 | |
CN107045630B (zh) | 一种基于rgbd的行人检测和身份识别方法及系统 | |
CN108229421A (zh) | 一种基于深度视频信息的坠床行为实时检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140514 Termination date: 20150216 |
|
EXPY | Termination of patent right or utility model |