CN103984961A - 一种用于检测车底异物的图像检测方法 - Google Patents

Abstract

本发明涉及一种用于检测车底异物的图像检测方法，依次包括以下步骤：图像输入、图像配准、获取二值图像和异物检测。本发明可用于快速识别出入道闸车辆底部是否携带异物，对车辆底盘成像系统提供的车辆底盘图像进行信号分析和处理，为车辆底盘检测提供实时可靠的异物检测方法，从而提高车辆底盘异物检测快速、准确、高效的实现，提高检测精度，杜绝人工操作及环境变换的干扰，满足国内安防市场中对车辆底部的实时检测的需求；本发明的识别所需时间不超过5秒，识别效率高。

Description

一种用于检测车底异物的图像检测方法

技术领域

本发明涉及车底异物检测技术，属于车辆安检领域；特别是一种用于检测车底异物的图像检测方法。 

背景技术

无论何时，安全问题都是人们高度重视的问题之一。为确保车辆底盘未携带危险品进出重要道闸，需要对车辆底部进行安全检查。现有的车辆底盘安检方法主要有，手持式车辆底盘安检装置及基于机器视觉的车辆底盘安全监测装置。前者用镜面，LED灯组件等查看车辆底盘的局部区域，但由于人为疲劳操作、光线、环境等原因并未能准确检测结果；后者通常是扫描车辆底盘并将扫描图像显示在计算机上，车速，光线等导致车辆底盘图像畸变，亮度不高影响图像的显示效果，操作人员长时间监视屏幕画面造成的注意力下降等原因，影响人眼对图像中异物的判断，使得该系统检测效率低。特别是对于遮挡或伪装的异物，该系统基本无法满足检测需求。因此解决现有技术检测系统在检查车辆底盘异物时存在的准确度不高，如何能够实时有效的检测出车辆底盘藏匿的异物是一个很值得研究的问题。

现有的车底检测方法，不仅存在识别耗时的缺陷，而且识别准确率也较低。

例如申请号为201110330763.9，公开号为102539436A的中国发明专利“异物检查装置及异物检查方法”，公开了一种异物检查装置，检查实施了包含印刷处理在内的表面处理的基板上是否有异物，其特征在于包括：摄像装置，拍摄所述基板并输出模拟信号；AD转换装置，将输出的模拟信号转换为数字图像；像素群设定装置，针对转换而得的数字图像的每一像素设定包含该像素的小区域的像素群；亮度确认值运算装置，针对所述每一像素运算表示所述像素群中的各像素的亮度值的偏差程度的量作为该像素的亮度确认值；以及判定装置，基于所述亮度确认值判定是否存在异物。

又例如申请号为201310004652.8，公开号为103076641A的中国发明专利“一种安全检测系统及检测方法”，公开了一种安全检测系统，其特征在于：该安全检测系统设置在检测区内，检测区设有进入自动门、离开自动门、重检自动门和安全挡杆，该安全检测系统包括用于对信息分析处理并输出控制信号的控制模块，且控制模块控制检测区的进入自动门、离开自动门、重检自动门和安全挡杆的工作状态；用于对将要进入检测区的汽车进行头部拍照存档、提取车牌号码并将牌照信息传送给控制模块的车牌检测识别模块；用于对处于检测区的汽车进行底盘快速立体图像扫描、检测底盘图像中的异物以及对异物的危险程度进行定级并将信息传递给控制模块的底盘异物检测模块；用于对处于检测区的汽车的侧面进行拍照存档并提取驾驶员的人脸图像信息、指纹图像信息并将信息传递给控制模块的生物特征识别模块。

上述两件专利的技术应用在车底异物检测中，整个车底异物检测过程还存在的缺陷有：1、整个检测系统结构复杂，检测步骤较多，使得对于车底异物的识别和判断耗时较长，2、车底异物识别方式在实际应用中准确率较低，经常出现出现错检或漏检的情况发生，存在安全隐患。 

发明内容

本发明的目的在于克服现有技术存在的上述问题，提出一种用于检测车底异物的图像检测方法。本发明可用于快速识别出入道闸车辆底部是否携带异物，对车辆底盘成像系统提供的车辆底盘图像进行信号分析和处理，为车辆底盘检测提供实时可靠的异物检测方法，从而提高车辆底盘异物检测快速、准确、高效的实现，提高检测精度，杜绝人工操作及环境变换的干扰，满足国内安防市场中对车辆底部的实时检测的需求；识别效率高。

本发明采用以下技术方案来实现：

一种用于检测车底异物的图像检测方法，其特征在于依次包括以下步骤：

图像输入：向系统主机中输入待检测的车辆底盘图像I和无异物的车辆底盘模板图像R；

图像配准：从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点；获取到匹配特征点后，根据两个图像的内容将两副图像横向分割成N个区域，N大于等于2；根据每个区域中匹配的特征点计算两副图像之间的仿射变换的参数，获得经N个区域校正后的待检测的车辆底盘图像I；最后经N个区域校正后的待检测的车辆底盘图像I与无异物的车辆底盘模板图像R进行配准后得到待检测配准图像M；

获取二值图像:首先通过迭代算法获取待检测配准图像M和无异物的车辆底盘模板图像R的阀值T；然后，利用阀值T，将待检测配准图像M的每个像素和无异物的车辆底盘模板图像R相应像素周围的所有像素进行对比，若待检测配准图像M的当前点的像素和无异物的辆底盘模板图像R相应点周围的所有像素差的绝对值都大于阀值T，则获取像素值为1，否则获取像素值为0，即通过公式：                                               得到二值图像；

是校正后的待检测图像，是模板图像的局部区域，是两幅图像的不同之处，其为二值图像,其中x，y为图像内的任意一点的横坐标和纵坐标； 

异物检测：先设置预设轮廓的面积；再采用轮廓检测统计二值图像中的轮廓数量，同时计算每个轮廓的面积，每个轮廓的面积分别与预设轮廓的面积进行对比，若轮廓的面积大于预设轮廓的面积，则有异物，并在经N个区域校正后的的待检测图像I中标定异物的区域，同时声控报警；若轮廓的面积小于等于预设轮廓的面积，否则无异物。

所述图像配准步骤中,从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点的方法包括：SURF算法、HARRIS算法、FAST算法、SIFT算法、HOG算法或ISER算法。

所述SURF算法，依次包括以下步骤：

构建hessian矩阵：图像经过高斯滤波后，对图像中每个像素点构建hessian矩阵，在原图每个像素的hessian矩阵行列式的近似值构成的变换图像中寻找特征点；

构建尺度空间：变换图像通过改变高斯模糊的尺寸获得高斯金字塔尺度空间，每层图像大小相同，每一层有几张模糊程度不同的图像；

精确定位特征点：将经过hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较，若其是这26个点中的最大值或者最小值，则保留下来，当做初步的特征点，采用3维线性插值法得到亚像素级的特征点，同时也去掉那些值小于一定阈值的点，获得精确定位的特征点；

确定特征点的主方向：统计特征点领域内的haar小波特征；在以特征点为圆心、半径为6s的圆内,s表示该点所在的尺度，统计60度扇形内所有点的水平haar小波特征和垂直haar小波特征总和，haar小波的尺寸边长为4s，这样一个扇形得到了一个值。然后60度扇形以一定间隔进行旋转，计算这些点的haar小波响应权重特征的harrx和harry方向向量，划分在同一范围上的haarx，haary相加，最后将最大值那个扇形的方向作为该特征点的主方向；

构造特征点描述算子：在特征点周围取一个正方形框，框的边长为20s，框的方向是特征点主方向。然后把该框分为16个子区域，每个子区域统计25个像素的相对主方向而言的水平方向和垂直方向的haar小波特征，该haar小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和四个值，每个特征点有16*4=64维的向量作为描述算子；

特征点的匹配：将特征点及其主方向定义为向量，待检测配准图像M的特征点，取模板图像R相同位置的最近领域的特征点集，判断两向量的欧氏距离最小为最佳匹配，设定一阀值，当最小值小于该阀值则两特征点匹配。

haar小波表示定义在[0 1]区间平均值为0的小波基构成的小波。

所述SIFT算法，依次包括以下步骤：

构建高斯差分尺度空间：设高斯金字塔的层内的尺度为sigma，高斯金字塔的第1层第1幅原图像是将原图像放大2倍且sigma =1.6模糊，第2幅图像是k*sigma模糊且k等于根号2，第3幅是k*k*sigma模糊且k等于根号2，后面类推，高斯金字塔第2层第1幅图像是由金字塔上一层中尺度空间参数为k*k*sigma的那幅图像进行降采样得到尺寸大小为原来的1/4倍的图像，如果k不等于根号2，那么取原图的2*sigma降采样得到图像，第2层第2幅图是在本层第一幅图尺度模糊系数增加k倍模糊后的图像，后面类似，每一层有5张不同模糊程度的图像；

精确定位特征点：将每个像素点与其所在的那幅图像邻域的8个像素，其所在的向量尺度空间上下2幅图对应位置邻域各9个点，其3维领域的26个点进行大小比较，如果该点是最大或者最小点，则该点当做初步的特征点，采用3维线性插值法得到亚像素级的特征点，同时也去掉那些值小于一定阈值的点，获得精确定位的特征点；

确定特征点的主方向：采用在特征点领域内统计其梯度直方图，取直方图灰度值最大的以及超过最大灰度值80%的那些方向做为特征点的主方向；

构造特征点描述算子：以特征点为中心，取邻域内16*16大小的区域，并把这个区域分成4*4个大小为4*4的小区域，每个小区域内计算加权梯度直方图，该权值分为2部分，其一是该点的梯度大小，其二是该点离特征点的距离(二维高斯的关系)，每个小区域直方图分为8个灰度，所以一个特征点的维数为4*4*8=128维；

特征点的匹配：将特征点及其主方向定义为向量，待检测配准图像M的特征点，取模板图像R相同位置的最近邻域的特征点集，判断两向量的欧氏距离最小为最佳匹配，设定一阀值，当最小值小于该阀值则两特征点匹配。

sigma是一个符号，表示尺度。

所述HARRIS算法，依次包括以下步骤：

步骤一：先利用HARRIS角点从图像的局部小窗口观察图像特征，若窗口向任意方向移动图像的灰度有明显的变化，则该中心点可能为角点；用高斯函数生成窗口w，为减少噪声的影响，对离中心点越近的像素赋予越大的权重；定义局部微小的移动向量(u,v),计算

其中，为x方向的差分，为y方向的差分，获得每个像素的M矩阵，通过M的两个特征值的大小对图像分类，若一个特征值远大于另一个特征值，图像的当前位置处于边缘；两个特征点都很大，且E在所有方向上增加，即当前的灰度变化明显，图像当前位置为角点；两个特征点都很小，且E在所有方向上变化不大，即当前的灰度变化不明显，图像当前位置为平坦区域的点；

步骤二：计算每个像素点的角点响应函数，在窗口范围内寻找极大值点，若其大于阀值，则视其为角点。

步骤三：采用NCC，计算待检测图像的特征点与模板图像的所有的特征点相关系数，并设定相关系数的阀值，若待检测图像的特征点与模板图像的某个特征点相关系数为最大值，且大于阀值，即满足双向匹配一致性约束条件，则认为这两个特征点匹配。

本发明与现有技术相比，其优点在于：

1、本发明可用于快速识别出入道闸车辆底部是否携带异物，对车辆底盘成像系统提供的车辆底盘图像进行信号分析和处理，为车辆底盘检测提供实时可靠的异物检测方法，从而提高车辆底盘异物检测快速、准确、高效的实现，提高检测精度，杜绝人工操作及环境变换的干扰，满足国内安防市场中对车辆底部的实时检测的需求；本发明的识别所需时间不超过5秒，识别效率高。

2、本发明采用SURF算法作为从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点的方法，与现有技术相比SURF算法在尺度和旋转等变换中特征保持不变、计算量小、计算速度快、适应能力强和匹配精度高的特点，满足实时性的图像匹配的要求，在保证快速的基础上保证可靠的性能。

3、本发明采用SIFT算法作为从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点的方法，与现有技术相比SIFT算法在尺度、光照、空间旋转不变性上特征保持不变，该特征对图像视角变化、仿射变换、噪声有一定程度的稳定性，可检测到较多的特征点，即使是少数几个物体的图像也可产生大量的数据，在海量特征数据中快速、准确的匹配特征点，可以解决目标遮挡、杂物场景的图像，可达到实时检测匹配的要求，可扩展性强，方便与其它形式的特征向量联合  

4、本发明采用HARRIS算法作为从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点的方法，与现有技术相比HARRIS算法的特征在图像旋转、灰度变化、噪声影响、视点变化不敏感，具有不变性，计算简单，提取的特征点均匀且合理。

5、本发明采用在获取到匹配特征点后，根据两个图像的内容将两副图像横向分割成N个区域，N大于等于2；根据每个区域中匹配的特征点计算两副图像之间的仿射变换的参数，获得经N个区域校正后的待检测的车辆底盘图像I；最后经N个区域校正后的待检测的车辆底盘图像I与无异物的车辆底盘模板图像R进行配准后得到待检测配准图像M；因车辆底盘图像在采集过程中成像设备所采集的图像和车速，车辆通过地底成像设备时的偏离程度等影响图像局部块的大小和亮度，因而采用图像分割的方法将图像分割成N个区域，实现两个图像局部区域的高效配准，与现有技术相比，通过图像局部区域的配准找到两图像之间的最佳匹配，避免光照、车速等影响图像从而导致两个图像匹配效果差。

6、本发明采用首先通过迭代算法获取待检测配准图像M和无异物的车辆底盘模板图像R的阀值T；然后，利用阀值T，将待检测配准图像M的每个像素和无异物的车辆底盘模板图像R相应像素周围的所有像素进行对比，若待检测配准图像M的当前点的像素和无异物的辆底盘模板图像R相应点周围的所有像素差的绝对值都大于阀值T，则获取像素值为1，否则获取像素值为0，即通过公式：得到二值图像；与单纯对比两幅图像相应点的像素的方法相比，该方法在保证速度的前提下通过滑动窗口的方法可以更准确的寻找两幅图像的不同，精确定位异物所在的位置，去掉像素对比中细小的区域，避免细小区域对异物检测的干扰。

7、本发明采用先设置预设轮廓的面积；再采用轮廓检测统计二值图像中的轮廓数量，同时计算每个轮廓的面积，每个轮廓的面积分别与预设轮廓的面积进行对比，若轮廓的面积大于预设轮廓的面积，则有异物，并在经N个区域校正后的待检测图像I中标定异物的区域，同时声控报警；若轮廓的面积小于等于预设轮廓的面积，否则无异物；操作方便，还可避免细小区域对异物检测的干扰。

具体实施方式

以下通过具体实施事例对本发明的技术方案进一步描述。

实施例1：

一种用于检测车底异物的图像检测方法，依次包括以下步骤：

图像输入：向系统主机中输入待检测的车辆底盘图像I和无异物的车辆底盘模板图像R；

图像配准：从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点；获取到匹配特征点后，根据两个图像的内容将两副图像横向分割成N个区域，N大于等于2；根据每个区域中匹配的特征点计算两副图像之间的仿射变换的参数，获得经N个区域校正后的待检测的车辆底盘图像I；最后经N个区域校正后的待检测的车辆底盘图像I与无异物的车辆底盘模板图像R进行配准后得到待检测配准图像M；

获取二值图像:首先通过迭代算法获取待检测配准图像M和无异物的车辆底盘模板图像R的阀值T；然后，利用阀值T，将待检测配准图像M的每个像素和无异物的车辆底盘模板图像R相应像素周围的所有像素进行对比，若待检测配准图像M的当前点的像素和无异物的辆底盘模板图像R相应点周围的所有像素差的绝对值都大于阀值T，则获取像素值为1，否则获取像素值为0，即通过公式：得到二值图像；

是校正后的待检测图像，是模板图像的局部区域，是两幅图像的不同之处，其为二值图像,其中x，y为图像内的任意一点的横坐标和纵坐标； 

异物检测：先设置预设轮廓的面积；再采用轮廓检测统计二值图像中的轮廓数量，同时计算每个轮廓的面积，每个轮廓的面积分别与预设轮廓的面积进行对比，若轮廓的面积大于预设轮廓的面积，则有异物，并在经N个区域校正后的的待检测图像I中标定异物的区域，同时声控报警；若轮廓的面积小于等于预设轮廓的面积，否则无异物。

本发明中，所述图像配准步骤中,从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点的方法为SURF算法。

本发明中，所述SURF算法，依次包括以下步骤：

构建hessian矩阵：图像经过高斯滤波后，对图像中每个像素点构建hessian矩阵，在原图每个像素的hessian矩阵行列式的近似值构成的变换图像中寻找特征点；

构建尺度空间：变换图像通过改变高斯模糊的尺寸获得高斯金字塔尺度空间，每层图像大小相同，每一层有几张模糊程度不同的图像；

精确定位特征点：将经过hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较，若其是这26个点中的最大值或者最小值，则保留下来，当做初步的特征点，采用3维线性插值法得到亚像素级的特征点，同时也去掉那些值小于一定阈值的点，获得精确定位的特征点；

确定特征点的主方向：统计特征点领域内的haar小波特征；在以特征点为圆心、半径为6s的圆内，s为该点所在的尺度，统计60度扇形内所有点的水平haar小波特征和垂直haar小波特征总和，haar小波的尺寸边长为4s，这样一个扇形得到了一个值。然后60度扇形以一定间隔进行旋转，计算这些点的haar小波响应权重特征的haarx和haary方向向量，划分在同一范围上的haarx，haary相加，最后将最大值那个扇形的方向作为该特征点的主方向；

构造特征点描述算子：在特征点周围取一个正方形框，框的边长为20s，框的方向是特征点主方向。然后把该框分为16个子区域，每个子区域统计25个像素的相对主方向而言的水平方向和垂直方向的haar小波特征，该haar小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和四个值，每个特征点有16*4=64维的向量作为描述算子；

特征点的匹配：将特征点及其主方向定义为向量，待检测配准图像M的特征点，取模板图像R相同位置的最近领域的特征点集，判断两向量的欧氏距离最小为最佳匹配，设定一阀值，当最小值小于该阀值则两特征点匹配。

实施例2：

一种用于检测车底异物的图像检测方法，依次包括以下步骤：

图像输入：向系统主机中输入待检测的车辆底盘图像I和无异物的车辆底盘模板图像R；

图像配准：从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点；获取到匹配特征点后，根据两个图像的内容将两副图像横向分割成N个区域，N大于等于2；根据每个区域中匹配的特征点计算两副图像之间的仿射变换的参数，获得经N个区域校正后的待检测的车辆底盘图像I；最后经N个区域校正后的待检测的车辆底盘图像I与无异物的车辆底盘模板图像R进行配准后得到待检测配准图像M；

获取二值图像:首先通过迭代算法获取待检测配准图像M和无异物的车辆底盘模板图像R的阀值T；然后，利用阀值T，将待检测配准图像M的每个像素和无异物的车辆底盘模板图像R相应像素周围的所有像素进行对比，若待检测配准图像M的当前点的像素和无异物的辆底盘模板图像R相应点周围的所有像素差的绝对值都大于阀值T，则获取像素值为1，否则获取像素值为0，即通过公式：得到二值图像；

是校正后的待检测图像，是模板图像的局部区域，是两幅图像的不同之处，其为二值图像,其中x，y为图像内的任意一点的横坐标和纵坐标； 

异物检测：先设置预设轮廓的面积；再采用轮廓检测统计二值图像中的轮廓数量，同时计算每个轮廓的面积，每个轮廓的面积分别与预设轮廓的面积进行对比，若轮廓的面积大于预设轮廓的面积，则有异物，并在经N个区域校正后的的待检测图像I中标定异物的区域，同时声控报警；若轮廓的面积小于等于预设轮廓的面积，否则无异物。

本发明中，所述图像配准步骤中,从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点的方法为SIFT算法。

本发明中，所述SIFT算法，依次包括以下步骤：

构建高斯差分尺度空间：设高斯金字塔的层内的尺度为sigma，高斯金字塔的第1层第1幅原图像是将原图像放大2倍且sigma=1.6模糊，第2幅图像是k*sigma模糊且k等于根号2，第3幅是k*k*sigma模糊且k等于根号2，后面类推，高斯金字塔第2层第1幅图像是选择金字塔上一层中尺度空间参数为k*k*sigma的那幅图像进行降采样得到尺寸大小为原来的1/4倍的图像，如果k不等于根号2，那么取原图的2*sigma降采样得到图像，第2层第2幅图像是在本层第一幅图像尺度模糊系数增加k倍模糊后的图像，后面类似，每一层有5张不同模糊程度的图像；

精确定位特征点：将每个像素点与其所在的那幅图像邻域的8个像素，其所在的向量尺度空间上下2幅图对应位置邻域各9个点，其3维领域的26个点进行大小比较，如果该点是最大或者最小点，则该点当做初步的特征点，采用3维线性插值法得到亚像素级的特征点，同时也去掉那些值小于一定阈值的点，获得精确定位的特征点；

确定特征点的主方向：采用在特征点领域内统计其梯度直方图，取直方图灰度值最大的以及超过最大灰度值80%的那些方向做为特征点的主方向；

构造特征点描述算子：以特征点为中心，取邻域内16*16大小的区域，并把这个区域分成4*4个大小为4*4的小区域，每个小区域内计算加权梯度直方图，该权值分为2部分，其一是该点的梯度大小，其二是该点离特征点的距离(二维高斯的关系)，每个小区域直方图分为8个灰度，所以一个特征点的维数=4*4*8=128维；

特征点的匹配：将特征点及其主方向定义为向量，待检测配准图像M的特征点，取模板图像R相同位置的最近邻域的特征点集，判断两向量的欧氏距离最小为最佳匹配，设定一阀值，当最小值小于该阀值则两特征点匹配。

实施例3：

一种用于检测车底异物的图像检测方法，依次包括以下步骤：

图像输入：向系统主机中输入待检测的车辆底盘图像I和无异物的车辆底盘模板图像R；

图像配准：从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点；获取到匹配特征点后，根据两个图像的内容将两副图像横向分割成N个区域，N大于等于2；根据每个区域中匹配的特征点计算两副图像之间的仿射变换的参数，获得经N个区域校正后的待检测的车辆底盘图像I；最后经N个区域校正后的待检测的车辆底盘图像I与无异物的车辆底盘模板图像R进行配准后得到待检测配准图像M；

获取二值图像:首先通过迭代算法获取待检测配准图像M和无异物的车辆底盘模板图像R的阀值T；然后，利用阀值T，将待检测配准图像M的每个像素和无异物的车辆底盘模板图像R相应像素周围的所有像素进行对比，若待检测配准图像M的当前点的像素和无异物的辆底盘模板图像R相应点周围的所有像素差的绝对值都大于阀值T，则获取像素值为1，否则获取像素值为0，即通过公式：得到二值图像；

是校正后的待检测图像，是模板图像的局部区域，是两幅图像的不同之处，其为二值图像,其中x，y为图像内的任意一点的横坐标和纵坐标； 

异物检测：先设置预设轮廓的面积；再采用轮廓检测统计二值图像中的轮廓数量，同时计算每个轮廓的面积，每个轮廓的面积分别与预设轮廓的面积进行对比，若轮廓的面积大于预设轮廓的面积，则有异物，并在经N个区域校正后的的待检测图像I中标定异物的区域，同时声控报警；若轮廓的面积小于等于预设轮廓的面积，否则无异物。

本发明中，所述图像配准步骤中,从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点的方法为HARRIS算法。

所述HARRIS算法，依次包括以下步骤：

步骤一：先利用HARRIS角点从图像的局部小窗口观察图像特征，若窗口向任意方向移动图像的灰度有明显的变化，则该中心点可能为角点；用高斯函数生成窗口w，为减少噪声的影响，对离中心点越近的像素赋予越大的权重；定义局部微小的移动向量(u,v),计算

其中，为x方向的差分，为y方向的差分，获得每个像素的M矩阵，通过M的两个特征值的大小对图像分类，若一个特征值远大于另一个特征值，图像的当前位置处于边缘；两个特征点都很大，且E在所有方向上增加，即当前的灰度变化明显，图像当前位置为角点；两个特征点都很小，且E在所有方向上变化不大，即当前的灰度变化不明显，图像当前位置为平坦区域的点；

步骤二：计算每个像素点的角点响应函数，在窗口范围内寻找极大值点，若其大于阀值，则视其为角点。

步骤三：采用NCC，计算待检测图像的特征点与模板图像的所有的特征点相关系数，并设定相关系数的阀值，若待检测图像的特征点与模板图像的某个特征点相关系数为最大值，且大于阀值，即满足双向匹配一致性约束条件，则认为这两个特征点匹配。

Claims (6)

1.一种用于检测车底异物的图像检测方法，其特征在于依次包括以下步骤：

图像输入：向系统主机中输入待检测的车辆底盘图像I和无异物的车辆底盘模板图像R；

图像配准：从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点；获取到匹配特征点后，根据两个图像的内容将两副图像横向分割成N个区域，N大于等于2；根据每个区域中匹配的特征点计算两副图像之间的仿射变换的参数，获得经N个区域校正后的待检测的车辆底盘图像I；最后经N个区域校正后的待检测的车辆底盘图像I与无异物的车辆底盘模板图像R进行配准后得到待检测配准图像M；

获取二值图像:首先通过迭代算法获取待检测配准图像M和无异物的车辆底盘模板图像R的阀值T；然后，利用阀值T，将待检测配准图像M的每个像素和无异物的车辆底盘模板图像R相应像素周围的所有像素进行对比，若待检测配准图像M的当前点的像素和无异物的辆底盘模板图像R相应点周围的所有像素差的绝对值都大于阀值T，则获取像素值为1，否则获取像素值为0，得到二值图像；

异物检测：先设置预设轮廓的面积；再采用轮廓检测统计二值图像中的轮廓数量，同时计算每个轮廓的面积，每个轮廓的面积分别与预设轮廓的面积进行对比，若轮廓的面积大于预设轮廓的面积，则有异物，并在经N个区域校正后的的待检测图像I中标定异物的区域，同时声控报警；若轮廓的面积小于等于预设轮廓的面积，否则无异物。

2.根据权利要求1所述的一种用于检测车底异物的图像检测方法，其特征在于：所述图像配准步骤中,从待检测的车辆底盘图像I获取与无异物的车辆底盘模板图像R匹配的匹配特征点的方法包括：SURF算法、HARRIS算法、FAST算法、SIFT算法、HOG算法或ISER算法。

3.根据权利要求2所述的一种用于检测车底异物的图像检测方法，其特征在于：所述SURF算法，依次包括以下步骤：

构建hessian矩阵：图像经过高斯滤波后，对图像中每个像素点构建hessian矩阵，在原图每个像素的hessian矩阵行列式的近似值构成的变换图像中寻找特征点；

构建尺度空间：变换图像通过改变高斯模糊的尺寸获得高斯金字塔尺度空间，每层图像大小相同，每一层有几张模糊程度不同的图像；

精确定位特征点：将经过hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较，若其是这26个点中的最大值或者最小值，则保留下来，当做初步的特征点，采用3维线性插值法得到亚像素级的特征点，同时也去掉那些值小于一定阈值的点，获得精确定位的特征点；

确定特征点的主方向：统计特征点领域内的harr小波特征；在以特征点为圆心、半径为6s的圆内，s为该点所在的尺度，统计60度扇形内所有点的水平haar小波特征和垂直haar小波特征总和，haar小波的尺寸边长为4s，这样一个扇形得到了一个值；

然后60度扇形以一定间隔进行旋转，计算这些点的harr小波响应权重特征的harrx和harry方向向量，划分在同一范围上的harrx，harry相加，最后将最大值那个扇形的方向作为该特征点的主方向；

构造特征点描述算子：在特征点周围取一个正方形框，框的边长为20s，框的方向是特征点主方向；

然后把该框分为16个子区域，每个子区域统计25个像素的相对主方向而言的水平方向和垂直方向的haar小波特征，该haar小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和四个值，每个特征点有16*4=64维的向量作为描述算子；

特征点的匹配：将特征点及其主方向定义为向量，待检测配准图像M的特征点，取模板图像R相同位置的最近领域的特征点集，判断两向量的欧氏距离最小为最佳匹配，设定一阀值，当最小值小于该阀值则两特征点匹配。

4.根据权利要求2所述的一种用于检测车底异物的图像检测方法，其特征在于：所述SIFT算法，依次包括以下步骤：

构建高斯差分尺度空间：设高斯金字塔的层内的尺度为sigma，高斯金字塔的第1层第1幅原图像是将原图像放大2倍且sigma=1.6模糊，第2幅图像是k*sigma模糊且k等于根号2，第3幅是k*k*sigma模糊且k等于根号2，后面类推，高斯金字塔第2层第1幅图像是选择金字塔上一层中尺度空间参数为k*k*sigma的那幅图像进行降采样得到尺寸大小为原来的1/4倍的图像，如果k不等于根号2，那么取原图的2*sigma降采样得到图像，第2层第2幅图是在本层第一幅图尺度模糊系数增加k倍模糊后的图像，后面类似，每一层有5张不同模糊程度的图像；

精确定位特征点：将每个像素点与其所在的那幅图像邻域的8个像素，其所在的向量尺度空间上下2幅图对应位置邻域各9个点，其3维领域的26个点进行大小比较，如果该点是最大或者最小点，则该点当做初步的特征点，采用3维线性插值法得到亚像素级的特征点，同时也去掉那些值小于一定阈值的点，获得精确定位的特征点；

确定特征点的主方向：采用在特征点领域内统计其梯度直方图，取直方图灰度值最大的以及超过最大灰度值80%的方向做为特征点的主方向；

构造特征点描述算子：以特征点为中心，取邻域内16*16大小的区域，并把这个区域分成4*4个大小为4*4的小区域，每个小区域内计算加权梯度直方图，每个小区域直方图分为8个灰度，所以一个特征点的维数=4*4*8=128维；

特征点的匹配：将特征点及其主方向定义为向量，待检测配准图像M的特征点，取模板图像R相同位置的最近邻域的特征点集，判断两向量的欧氏距离最小为最佳匹配，设定一阀值，当最小值小于该阀值则两特征点匹配。

5.根据权利要求2所述的一种用于检测车底异物的图像检测方法，其特征在于：所述HARRIS算法，依次包括以下步骤：

步骤一：先利用HARRIS角点从图像的局部小窗口观察图像特征，若窗口向任意方向移动图像的灰度有明显的变化，则该中心点可能为角点；用高斯函数生成窗口w，为减少噪声的影响，对离中心点越近的像素赋予越大的权重；定义局部微小的移动向量(u,v),计算

其中，为x方向的差分，为y方向的差分，获得每个像素的M矩阵，通过M的两个特征值的大小对图像分类，若一个特征值远大于另一个特征值，图像的当前位置处于边缘；两个特征点都很大，且E在所有方向上增加，即当前的灰度变化明显，图像当前位置为角点；两个特征点都很小，且E在所有方向上变化不大，即当前的灰度变化不明显，图像当前位置为平坦区域的点；

步骤二：计算每个像素点的角点响应函数，在窗口范围内寻找极大值点，若其大于阀值，则视其为角点；

步骤三：采用NCC，计算待检测图像的特征点与模板图像的所有的特征点相关系数，并设定相关系数的阀值，若待检测图像的特征点与模板图像的某个特征点相关系数为最大值，且大于阀值，即满足双向匹配一致性约束条件，则认为这两个特征点匹配。

6.根据权利要求1所述的一种用于检测车底异物的图像检测方法，其特征在于：计算二值图像的公式为：

 。