背景技术
智能交通系统是一项庞大的社会性的系统工程,包括辅助安全驾驶系统、先进的交通管理系统、商用车辆运营系统、电子收费系统、公共交通运营系统、应急管理系统、先进的车辆控制系统等。其中,智能辅助驾驶系统是这个系统之中成本较小,与民众关系较为密切,而具有相当明显的社会效应的重要组成部分,具有巨大的社会经济发展潜力,能够显著地提高交通的安全水平,增加交通的机动性,降低汽车运输对环境的影响,提高汽车运输生产率和经济效益。其中,相对雷达、激光、超声波、红外线等传感器进行感知道路环境,视觉传感系统具有不可忽视的优点。在实际生活中,驾驶员通过视觉可以获得90%以上的环境信息,并且视觉采集设备具有相对廉价,直观,通用性强等优点。详见文献:Massimo Bertozzi,Albert0 Broggi,Gianni Conte,Alessandra Fasciolj.Obstacle and Lane Detection on ARGO.1997IEEE Conf.Intelligent Transportation Systems,IEEE Press,1997,p.449等。
研究显示,若在公路交通事故发生前的1.5秒给驾驶员发出预警,则可避免的90%交通碰撞事故。因此,通过在汽车上安装车辆防碰撞预警系统,利用技术手段分析车道、周围车辆的状况等驾驶环境信息,一旦当驾驶员发生疲劳及精神分散、汽车出现车距过近,存在追尾可能时,能够及时给予驾驶主动预警,是减少公路交通事故行之有效的技术措施。车辆防碰撞预警系统的基本原理是:系统通过图像传感器获取前方车辆的几何信息,通过车辆运动参数传感器获取决策算法所必需的车辆运动参数如车速、车辆转向状态等,系统根据这些结果结合系统设定的相关参数判断是否将会发生车辆碰撞。详见文献JANSSONJ,JOHANNSSONJ.Decision making for collision avoidance system 2002 Society of Automotive Engineers.Pennsylvania:World Headquarters,2002.陈勇杨尚罡.汽车防撞预警系统的研究与发展.计算机仿真,2006,(12).
对道路上车辆检测的研究,目前大致可以分为下列几种类型的方法:
1、基于先验知识的方法:一般来说,车辆作为大规模工业生产产品,其外形比较规则。很多车辆检测计算方法都利用车辆外形的一些先验知识来实现检测图像中是否存在车辆的功 能。一般来说,被利用最多的车辆检测的知识包括:对称性、色彩、阴影、角点、竖直/水平方向边缘、纹理和车灯等。
2、基于光流场分析的方法:这类方法利用来自同一摄像机对目标车辆的连续多次观测来检测运动的目标。这类方法无需任何摄像机标定,能够检测广义障碍物,并可以计算出车辆的主运动和障碍物的相对运动。但是,对相邻两帧间图像匹配的计算量非常大,而且当障碍物静止或运动速度很慢时失效。
3、基于立体视觉的方法:这类方法使用来自不同视角的多个摄像机在同一时刻的对同一目标车辆的多次观测来测量视觉系统与目标间的深度信息来检测车辆的存在。传统的立体视觉使用基于三维重构的方法,但由于常需使用复杂的匹配算法,导致计算量相当大,不适合实时应用。
夜间车辆检测最明显的特征就是高亮的尾灯,在图像上呈高亮的白色车灯对或者是明显的红球(根据所用摄像机的不同,成像效果不一样)。利用基于先验知识的方法,形态学算子结合颜色信息能够在夜间光照条件较差的条件下提取尾灯特征,从而根据车辆大小的先验信息,检测出目标车辆的存在及其在图像上的位置,并使用卡尔曼滤波器跟踪。但由于夜间光照强度仍有强弱,往往不能得出一个通用性强的准则来进行尾灯的提取。并且由于环境的复杂,会带来例如道路反光、标示牌反光的各种极容易造成误检的信息。
发明内容
本发明提供一种基于单目视觉的夜间车辆检测方法,该方法利用图像处理技术处理采集到的视频图像,根据图片的颜色信息确定合适的阈值进行尾灯的提取,再辅以基于sift特征的adaboost分类器,可以使检测的准度高,实时性好,在减少误检的前提下依然保持高速的检测。
为了方便地描述本发明内容,首先对一些术语进行定义。
定义1:伽马校正(Gamma correction)又叫伽马非线性化(gamma nonlinearity)、伽马编码(gamma encoding)或是就只单纯叫伽马(gamma)。是用来针对影片或是影像系统里对于光线的辉度(luminance)或是三色刺激值(tristimulus values)所进行非线性的运算或反运算。最简单的例子里伽马校正是由下列幂定律公式所定义的。
VOUT=VIN γ
其中输入和输出的值都为非负值,同时一般来说值的范围都是在0到1之间。
定义2:HSV色彩属性模式是根据色彩的三个基本属性:色相、饱和度和明度来确定颜色的一种方法。
色相(H)是色彩的基本属性,就是平常所说的颜色名称,如红色、黄色等,依照标准色轮上的位置,取0-360度的数值。(也有用0~100%的方法确定的)。
饱和度(S)是指色彩的纯度,饱和度越高色彩越纯,饱和度越低则逐渐变灰,通常取0-100%的数值。
明度(V)也叫“亮度”,通常取0~100%的数值。
从RGB模式到HSV模式的转换:
一种颜色如果在三原色光模式中三个因数分别为红(R)、绿(G)和蓝(B),将0~255的数值转换为0.0~1.0,如果三个因数中最大的值为MAX,最小的值为MIN,代入下式:
V=MAX
计算结果就是在圆柱体色图中的值,其中色相(H)的值为0.0°-360.0°,饱和度(S)和明度(V)的值为0.0~1.0,再把它们转换成0~100%。
假如MAX=MIN,H=0°表示没有色彩,是纯灰色。如果H超过360°,用360除的余数为色相值。
如果MAX=0,S=0也表示是没有色彩。
如果V=0,表示没有亮度,是纯黑色。
定义3:互相关系数r:互相关是统计学中用来表示两个随机矢量X和Y之间的协方差cov(X,Y),与矢量X的“协方差”概念相区分,矢量X的“协方差”是X的各标量成分之间的协方差矩阵。
在信号处理领域中,互相关(有时也称为“互协方差”)是用来表示两个信号之间相似性的一个度量,通常通过与已知信号比较用于寻找未知信号中的特性。
在这里我们用来表示两区域的形状相似程度:
分别表示T、I的平均值,σT、σ1表示T、I的方差。
定义4:sift特征:Scale-invariant feature transform,即尺度不变特征转换,是一种电脑视觉的算法用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量。从理论上说,SIFT是一种相似不变量,即对图像尺度变化和旋转是不变量。然而,由于构造SIFT特征时,在很多细节上进行了特殊处理,使得SIFT对图像的复杂变形和光照变化具有了较强的适应性,同时运算速度比较快,定位精度比较高。
定义5:Adaboost分类器:Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。Adaboost算法是经过调整的Boosting算法,能够对弱学习得到的弱分类器的错误进行适应性调整。
本发明详细技术方案如下:
一种基于单目视觉的夜间车辆检测方法,如图1所示,包括以下步骤:
步骤1:训练Adaboost分类器。所述Adaboost分类器的正样本数量不低于1000个,负样本数量不低于3000个;其中,正样本为确定为夜间车辆尾灯的图像,样本为确定为夜间不含车辆尾灯的图像,正样本与负样本为同样大小的图像。
步骤2:图像采集。将图像采集装置(CCD或CMOS摄像机)安装于车辆后视镜下方,图像采集装置光轴与车体长度方向平行,调整图像采集装置的高度与俯仰角,使得通过图像采集装置能够在视野范围内获得车辆前方清晰的图像;安装有所述图像采集装置的车辆在夜间行进时采集车辆前方的图像,记为图像A。
步骤3:感兴趣区域(ROI)提取。具体包括以下步骤:
步骤3-1:由于图像A中上三分之一部分为天空、树木、标识牌或建筑物等干扰信息,而前方车辆只会处于图像A的下三分之二部分,因此选定图像A的下三分之二部分作为初始感兴趣区域以减少后续计算量,将该初始ROI区域图像即为图像B。
步骤3-2:利用公式VOUT=VIN γ对图像B进行伽马校正,取γ=2得到高对比图像C,取 γ=0.25得到低对比图像D,其中VIN表示图像B中每一像素点的像素值,VOUT表示低对比图像C或高对比图像D中每一像素点的像素值。
步骤3-3:将图像C由RGB模式转换为HSV模式,然后二值化,得到二值化图像E。对HSV模式的图像C进行二值化时,将340°<H<360°或0°<H<9°,且0.46<S<1、0.2<V<1的像素置“1”,表示白色像素;将其余像素置“0”,表示黑色像素。
步骤3-4:检测二值化图像E中的白色连通区域,对不同的白色连通区域进行标注,形成一个白色连通区域集合;
步骤3-5:对步骤3-4所得白色连通区域集合,计算水平高度上存在部分或全部交叉的任意两个白色连通区域之间的相关系数r,确定相关系数r>0.85、且面积最大的两个白色连通区域为车辆尾灯区域,最后确定一个能框住这两个白色连通区域的最小矩形区域为最终的ROI区域。
步骤4:Adaboost判别。在步骤3-2所得图像D中截取步骤3-5所确定的ROI区域,作为待判别图像F,所述图像F与步骤1中所述样本图像具有相同的大小;将图像F输入步骤1所得Adaboost分类器进行判别,以最终确定行驶车辆前方是否具有障碍车辆。
对行驶车辆前方的图像进行视频采集,对所采集的视频图像逐帧进行步骤2至步骤4的操作,以实时判断行驶车辆前方是否具有障碍车辆。
本发明的利用图像处理技术处理采集到的视频图像,根据图片的颜色信息确定合适的阈值进行尾灯的提取,再辅以基于sift特征的adaboost分类器,可以使检测的准度高,实时性好,在减少误检的前提下依然保持实时高速的检测。本发明首先体区采集图像的初步ROI区域,然后对初步ROI区域进行伽马校正分别获得高、低两幅对比度图像,再利用高对比度图像较少的信息量完成最终ROI区域的提取(以减少计算量,达到实时性要求),最后利用低对比度图像丰富的信息细节送入Adaboost分类器进行判别(以获得准确的判断结果),以确定夜间行驶车辆前方是否具有障碍车辆。本发明具有实时、准确性高的特点,适用于车辆辅助驾驶系统,尤其对夜间车辆驾驶具有很好的辅助作用。