CN105701844B - 基于颜色特征的障碍物或阴影检测方法 - Google Patents
基于颜色特征的障碍物或阴影检测方法 Download PDFInfo
- Publication number
- CN105701844B CN105701844B CN201610027826.6A CN201610027826A CN105701844B CN 105701844 B CN105701844 B CN 105701844B CN 201610027826 A CN201610027826 A CN 201610027826A CN 105701844 B CN105701844 B CN 105701844B
- Authority
- CN
- China
- Prior art keywords
- component
- barrier
- component map
- shade
- image
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于颜色特征的障碍物或阴影检测方法，该方法为：对图像进行边缘检测，将图像按所检测出的边缘区分为不同对象；基于HSV颜色模型提取出图像的H分量和S分量，获得图像的H分量图和S分量图；对H分量图和S分量图分别进行特征统计，获得不同对象分别在H分量图和S分量图中的平均灰度级和平均对比度；对所获得的平均灰度级和平均对比度进行分析，判断图像中是否包含阴影或障碍物。本发明将基于颜色空间的阴影检测算法和基于纹理的阴影检测算法相结合，综合利用了颜色空间和纹理参数来对阴影或障碍物进行检测，易于实现和应用。
Description
技术领域
本发明涉及一种用于对图像进行检测以分辨其中所包含的阴影或障碍物的方法。
背景技术
在某些领域中，如有轨电车的行驶方向前方的行驶环境的检测，需要对障碍物或是阴影区域进行分辨，通常采用计算机视觉技术来实现，从而为有轨电车的行驶提供支持。
目前常用的阴影检测方法分为两类：基于几何模型的方法和基于阴影特征的方法。基于几何模型的方法是利用场景、运动目标、光照条件的先验信息，建立阴影模型，此方法通常在特定场景中使用。基于阴影特征的方法是利用阴影的几何特点、亮度、色彩、纹理等信息来标识阴影区域，其中颜色和纹理是当前使用最为广泛的两种性质。基于阴影特征的方法中，最常见的几种检测算法如下：
1、基于HSV空间特征和纹理特征的阴影检测算法：该算法将含有运动目标和阴影的RGB图像转化到HSV空间，利用阴影覆盖区色调变化不大，饱和度相对变大，亮度相对变小的特点逐像素与背景帧图像比较而进行初判断，再对初判断的区域用基于统计方法的纹理特征进行纹理相似的判断，进一步确定阴影区域。该方法在夜晚或强光状态下无法进行对饮用的检测。
2、基于颜色和纹理的阴影检测算法：该算法先利用SNP算法根据阴影覆盖区域像素点亮度值比背景亮度值低，通过计算各像素点颜色畸变、亮度畸变，并与背景各像素点进行比较初步检测出阴影区域。但当物体的颜色和阴影的颜色相近时便无法区分，所以再利用一阶梯度来表示纹理特征，通过设定相应阈值区分阴影和非阴影。
3、比率边缘检测和局部二元模式LBP两种纹理特征阴影检测法。
4、基于对立色彩空间和基于色彩特征不变量的阴影检测算法。
上述各个方法均具有一定的局限性，且其实现过程均较复杂繁琐。
发明内容
本发明的目的是提供一种易于实现的基于颜色特征的障碍物或阴影检测方法。
为达到上述目的，本发明采用的技术方案是：
一种基于颜色特征的障碍物或阴影检测方法，用于对图像进行分析以检测出其中是否包含障碍物或阴影，该方法为：首先对所述图像进行边缘检测，将所述图像按所检测出的边缘区分为不同对象；然后基于HSV颜色模型提取出所述图像的H分量和S分量，从而获得所述图像的H分量图和S分量图；接着对所述H分量图和所述S分量图分别进行特征统计，获得不同所述对象分别在所述H分量图和所述S分量图中的平均灰度级和平均对比度；最后对所获得的平均灰度级和平均对比度进行分析，若相邻所述对象在所述H分量图中的平均灰度级之差、在所述S分量图中的平均灰度级之差均小于设定的允许值a，且相邻所述对象在所述H分量图中的平均对比度之差、在所述S分量图中的平均对比度之差均小于设定的允许值b，则相邻所述对象中包含阴影；否则，相邻所述对象中包含障碍物。
该方法应用于有轨电车上而对所述有轨电车行驶方向前方的区域是否包含障碍物或阴影进行检测。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明将基于颜色空间的阴影检测算法和基于纹理的阴影检测算法相结合，综合利用了颜色空间和纹理参数来对阴影或障碍物进行检测，易于实现和应用。
附图说明
附图1为本发明的实施例中涉及的图像。
附图2为本发明的实施例中涉及的边缘检测后的图像。
附图3为本发明的实施例中涉及的H分量图。
附图4为本发明的实施例中涉及的S分量图。
附图5为本发明的实施例中涉及的V分量图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
实施例一：有轨电车作为轻型轨道车辆，依靠电力驱动在轨道上行驶，也被称作是路面电车或电车，是轻轨的一种。它通常全在街道上行驶，列车一般只有单节(最多不超过三节)。另外，在有些城市，在市区轨道中行驶的缆车也可以算作有轨电车的一种。由于有轨电车以电力作为其动力来源，因此不会排放有毒气体，属于一种无污染的，环保的交通工具。
由于有轨电车一般在街道上运行，机动车抢行拐弯，行人穿行非人行横道区域等危险行为容易酿成交通事故。因此随着有轨电车在城市公共交通中地位的提升，有轨电车的轨道障碍物检测技术也应运而生。在有轨电车系统中，对障碍物的识别是通过计算机视觉技术来实现的。当利用物体的轮廓边缘特征来检测障碍物时，由于2维平面图像丢失了场景的深度信息，障碍物和阴影就难以区分。因此，就需要研究阴影检测技术以便能够区分轨道中存在的会影响运营安全的障碍物和对运营没有影响的各种树木，电线杆的阴影，从而减少检测虚警。因此能够准确检测出阴影为有轨电车的安全运营提供了保障，对有轨电车包括轨道交通安全和城市建设具有重要的意义。
本发明提出一种基于颜色特征的障碍物或阴影检测方法，它用于对图像进行分析以检测出其中是否包含障碍物或阴影，其可以应用于有轨电车上，从而对有轨电车行驶方向前方的区域是否包含障碍物或阴影进行检测，该检测通常通过设置在有轨电车操作系统中的计算机程序而实现，通过它对所获得的有轨电车前方的图像进行分析。
该方法通过以下步骤实现：
1、首先对获得的图像(如附图1所示)进行边缘检测，获得图像中的各种边缘(包括物体的边缘以及阴影区域的边缘)，从而将图像按所检测出的边缘区分为不同对象(如附图2所示)。为判断具有边缘的对象是否为阴影，继续下一步分析。
2、然后基于HSV颜色模型提取出图像的H分量和S分量，从而获得图像的H分量图(如附图3所示)和S分量图(如附图4所示)。通过观察可以发现，阴影区域在H分量和S分量中几乎没有体现，即阴影对这两个分量的影响较大，而在V分量中，阴影依旧清晰可见(如附图5所示)，故阴影对V分量影响较大。因此，这里仅提取图像的H分量和S分量、获得图像的H分量图和S分量图。
3、接着对H分量图和S分量图分别进行特征统计，获得不同对象分别在H分量图和S分量图中的平均灰度级和平均对比度。这里的特征统计运用了纹理参数。
常见的图像统计特征包括灰度级、均值(平均灰度级)、二阶矩(方差)、三阶矩、一致性、熵等。
计算一幅图像灰度级直方图的统计矩是描述纹理最简单的方法之一，Z是代表灰度级的一个随机变量，P(zi)，i＝0,1,2,..,L-1，为该灰度值出现的概率，L是像素灰度级级数。关于Z的均值的第n阶矩可用公式(4.3.1)计算：
其中m是Z的均值(平均灰度级)，用公式(4.3.2)计算：
二阶矩(即方差)在纹理描述中特别的重要，它是灰度级对比度的量度，可以为平滑度R描绘子的建立提供基础，R的公式如(4.3.3)：
σ2(z)＝μ2(z) (4.3.4)
三阶矩的计算公式为(4.3.5)：三阶矩所体现的纹理信息只有在量度之间的变化非常大的时候才有意义。
三阶矩是表示直方图偏斜的量，四阶矩则是表示相关平直度的量。五阶矩以及更高阶矩虽然更进一步地量化了纹理信息，但与直方图形状不容易联系起来，所以不容易得到应用。
一致性U，其物理意义是：对所有灰度级都相等即所谓的极大一致性的图像有最大值且值从那个位置处开始递减。计算公式为(4.3.6)：
熵是一个可变性的量度，其值对于不变的图像为0。平均熵值量度计算公式为(4.3.7)：
为了更好的鉴别阴影，本发明中提取了均值(平均灰度级)与平均对比度作为区分阴影与障碍物的主要参数。现分别提取出附图1所示的图像中的草地、草地上的阴影、电线杆，计算这三部分对象的平均灰度级和平均对比度，如下表所示：
表4.3.1 H分量参数
| 草地H | 草地阴影H | 电线杆H | |
| 均值 | 25.1834 | 24.8062 | 92.2634 |
| 平均对比度 | 1.48405 | 1.65196 | 29.4036 |
表4.3.2 S分量参数
| 草地S | 草地阴影S | 电线杆S | |
| 均值 | 186.983 | 188.187 | 37.9172 |
| 平均对比度 | 16.0713 | 15.4277 | 19.4819 |
表4.3.3 V分量参数
| 草地V | 草地阴影V | 电线杆V | |
| 均值 | 154.419 | 91.423 | 37.5269 |
| 平均对比度 | 12.4198 | 8.42524 | 2.25804 |
由以上三张表格的对比可知，草地与草地阴影的H和S分量的均值和平均对比度相差不大，而电线杆对应的分量与之相比差别较大，因此可以用这一特性来鉴别边缘检测的物体是阴影还是电线杆之类的障碍物。而V分量三者的差别均较大，不适合用于阴影与障碍物的区分。
4、最后对所获得的平均灰度级和平均对比度进行分析，若相邻对象在H分量图中的平均灰度级之差、在S分量图中的平均灰度级之差均小于设定的允许值a，且相邻对象在H分量图中的平均对比度之差、在S分量图中的平均对比度之差均小于设定的允许值b，则相邻对象中包含阴影；否则，相邻对象中包含障碍物。
若附图1中的草地替换为水泥地面，则其各分量参数如下表：
表4.3.4 H分量参数
| 水泥地H | 水泥地阴影H | 电线杆H | |
| 均值 | 29.148 | 103.811 | 103.938 |
| 平均对比度 | 28.5617 | 2.43371 | 1.51046 |
表4.3.5 S分量参数
| 水泥地S | 水泥地阴影S | 电线杆S | |
| 均值 | 11.8823 | 57.1601 | 126.918 |
| 平均对比度 | 4.46472 | 8.11899 | 7.99483 |
表4.3.6 V分量参数
| 水泥地V | 水泥地阴影V | 电线杆V | |
| 均值 | 104.281 | 73.6461 | 61.4147 |
| 平均对比度 | 5.74616 | 5.46941 | 2.05875 |
由水泥地的数据分析可知：水泥地，水泥地阴影，水泥地中的障碍物的H、S、V分量的均值和方差均不相同，甚至阴影与障碍物更加相似，因此用此算法对水泥地阴影检测的效果不甚理想，这是水泥地的颜色特征导致的。故此方法虽然可以鉴别草地等的阴影，但对水泥地等的阴影鉴别效果不甚理想，此时需要利用到基于纹理的阴影检测算法，这也是利用颜色鉴别方法的局限之处。
OPENCV的全称是：Open Source Computer Vision Library。OPENCV是一个跨平台的计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。它量级轻而且高效，由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。例如对图像进行滤波，边缘检测，角点检测，色彩转换，形态操作等，此软件也可以实现摄像头定标，运动分析，目标识别等功能。本发明的方法即通过OPENCV实现。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种基于颜色特征的障碍物或阴影检测方法，用于对草地的图像进行分析以检测出其中是否包含障碍物或阴影，其特征在于：该方法为：首先对所述图像进行边缘检测，将所述图像按所检测出的边缘区分为不同对象；然后基于HSV颜色模型提取出所述图像的H分量和S分量，从而获得所述图像的H分量图和S分量图；接着对所述H分量图和所述S分量图分别进行特征统计，获得不同所述对象分别在所述H分量图和所述S分量图中的平均灰度级和平均对比度；最后对所获得的平均灰度级和平均对比度进行分析，若相邻所述对象在所述H分量图中的平均灰度级之差、在所述S分量图中的平均灰度级之差均小于设定的允许值a，且相邻所述对象在所述H分量图中的平均对比度之差、在所述S分量图中的平均对比度之差均小于设定的允许值b，则相邻所述对象中包含阴影；否则，相邻所述对象中包含障碍物。
2.根据权利要求1所述的基于颜色特征的障碍物或阴影检测方法，其特征在于：其应用于有轨电车上而对所述有轨电车行驶方向前方的区域是否包含障碍物或阴影进行检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610027826.6A CN105701844B (zh) | 2016-01-15 | 2016-01-15 | 基于颜色特征的障碍物或阴影检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610027826.6A CN105701844B (zh) | 2016-01-15 | 2016-01-15 | 基于颜色特征的障碍物或阴影检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105701844A CN105701844A (zh) | 2016-06-22 |
| CN105701844B true CN105701844B (zh) | 2018-11-27 |
Family
ID=56227406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610027826.6A Active CN105701844B (zh) | 2016-01-15 | 2016-01-15 | 基于颜色特征的障碍物或阴影检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105701844B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407895A (zh) * | 2016-08-30 | 2017-02-15 | 天津天地伟业数码科技有限公司 | 基于图像灰度和Lab色彩空间的车辆阴影检测算法 |
| US11021177B2 (en) | 2016-10-20 | 2021-06-01 | Rail Vision Ltd | System and method for object and obstacle detection and classification in collision avoidance of railway applications |
| US10325163B2 (en) | 2016-11-22 | 2019-06-18 | Ford Global Technologies, Llc | Vehicle vision |
| CN110248858A (zh) * | 2016-12-07 | 2019-09-17 | 西门子交通有限责任公司 | 用于在轨道交通中的基于轨道的图像分析、尤其是用于在铁路交通中的基于铁轨的图像分析的方法、设备和轨道车辆、尤其是铁路车辆 |
| CN110087970A (zh) * | 2016-12-07 | 2019-08-02 | 西门子移动有限责任公司 | 用于在铁路交通中、尤其在轨道交通中进行障碍物识别的方法、设备和铁路车辆、尤其轨道车辆 |
| JP6710426B2 (ja) | 2016-12-19 | 2020-06-17 | 深▲せん▼前海達闥云端智能科技有限公司Ｃｌｏｕｄｍｉｎｄｓ （Ｓｈｅｎｚｈｅｎ） Ｒｏｂｏｔｉｃｓ Ｓｙｓｔｅｍｓ Ｃｏ．，Ｌｔｄ． | 障害物検出方法及び装置 |
| JP6495424B1 (ja) * | 2017-12-06 | 2019-04-03 | 東芝エレベータ株式会社 | 画像検知システム |
| US10997453B2 (en) * | 2019-01-29 | 2021-05-04 | Adobe Inc. | Image shadow detection using multiple images |
| CN110428439A (zh) * | 2019-07-18 | 2019-11-08 | 浙江树人学院（浙江树人大学） | 一种基于阴影区域颜色饱和度性质的阴影检测方法 |
| CN114494839A (zh) * | 2020-11-09 | 2022-05-13 | 苏州科瓴精密机械科技有限公司 | 一种障碍物识别方法、装置、设备、介质及除草机器人 |
| CN115266538B (zh) * | 2022-09-30 | 2022-12-09 | 维柏思特衬布（南通）有限公司 | 织带透水性能检测装置及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001038356A2 (en) * | 1999-11-23 | 2001-05-31 | Microsoft Corporation | Object recognition system and process for identifying people and objects in an image of a scene |
| CN101608924A (zh) * | 2009-05-20 | 2009-12-23 | 电子科技大学 | 一种基于灰度估计和级联霍夫变换的车道线检测方法 |
| CN102622763A (zh) * | 2012-02-21 | 2012-08-01 | 芮挺 | 阴影检测与消除方法 |
| CN104392233A (zh) * | 2014-11-21 | 2015-03-04 | 宁波大学 | 一种基于区域的图像显著图提取方法 |
-
2016
- 2016-01-15 CN CN201610027826.6A patent/CN105701844B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001038356A2 (en) * | 1999-11-23 | 2001-05-31 | Microsoft Corporation | Object recognition system and process for identifying people and objects in an image of a scene |
| CN101608924A (zh) * | 2009-05-20 | 2009-12-23 | 电子科技大学 | 一种基于灰度估计和级联霍夫变换的车道线检测方法 |
| CN102622763A (zh) * | 2012-02-21 | 2012-08-01 | 芮挺 | 阴影检测与消除方法 |
| CN104392233A (zh) * | 2014-11-21 | 2015-03-04 | 宁波大学 | 一种基于区域的图像显著图提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| Similarity of Color Images;Markus Stricker and Markus Orengo;《SPIE Proceedings：Storage and Retrieval for Image and Video Databases III》;19950323;第2420卷;全文 * |
| 基于彩色图像的非结构化道路检测;管琰平;《计算机应用》;20051231;第25卷(第12期);全文 * |
| 路轨自动检测系统及障碍物识别技术研究;宋娟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20080915;第2008年卷(第9期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105701844A (zh) | 2016-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105701844B (zh) | 基于颜色特征的障碍物或阴影检测方法 | |
| CN101783076B (zh) | 一种视频监控模式下的快速车型识别方法 | |
| CN103279736B (zh) | 一种基于多信息邻域投票的车牌检测方法 | |
| Riveiro et al. | Automatic segmentation and shape-based classification of retro-reflective traffic signs from mobile LiDAR data | |
| CN103971380B (zh) | 基于rgb-d的行人尾随检测方法 | |
| CN103522970B (zh) | 基于机器视觉的车辆行驶安全检测方法和系统 | |
| CN113370977B (zh) | 一种基于视觉的智能车辆前向碰撞预警方法及系统 | |
| CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
| Chong et al. | Integrated real-time vision-based preceding vehicle detection in urban roads | |
| CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
| CN107886034B (zh) | 行车提醒方法、装置及车辆 | |
| CN104183142A (zh) | 一种基于图像视觉处理技术的车流量统计方法 | |
| CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
| Chen | Nighttime vehicle light detection on a moving vehicle using image segmentation and analysis techniques | |
| Li et al. | A lane marking detection and tracking algorithm based on sub-regions | |
| CN105046218A (zh) | 一种基于串并行处理的多特征交通视频烟雾检测方法 | |
| CN103927548A (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
| CN109313699A (zh) | 用于对一车辆的输入图像进行目标识别的装置和方法 | |
| CN110782409A (zh) | 一种去除多运动物体阴影的方法 | |
| Kühnl et al. | Visual ego-vehicle lane assignment using spatial ray features | |
| Liu et al. | Real-time on-road vehicle detection combining specific shadow segmentation and SVM classification | |
| CN106951820B (zh) | 基于环形模板和椭圆拟合的客流统计方法 | |
| Blumer et al. | Cost-effective single-camera multi-car parking monitoring and vacancy detection towards real-world parking statistics and real-time reporting | |
| Coronado et al. | Detection and classification of road signs for automatic inventory systems using computer vision | |
| FAN et al. | Robust lane detection and tracking based on machine vision |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |