CN105913004B - 基于梯度特征的隧道场景车辆光照干扰的抑制方法及系统 - Google Patents
基于梯度特征的隧道场景车辆光照干扰的抑制方法及系统 Download PDFInfo
- Publication number
- CN105913004B CN105913004B CN201610213110.5A CN201610213110A CN105913004B CN 105913004 B CN105913004 B CN 105913004B CN 201610213110 A CN201610213110 A CN 201610213110A CN 105913004 B CN105913004 B CN 105913004B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- illumination
- light
- gradient
- intensity
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于梯度特征的隧道场景车辆光照干扰的抑制方法,首先针对隧道的应用场景,通过研究光照辐射特性以及隧道空间位置关系,建立车辆光照区域的光强模型并构造其梯度函数;进而利用发现的光照区域梯度方向不变特性,筛选出非车辆光照区域并构造前景掩膜,最后与运动目标前景叠加,实现光照干扰的抑制。该方法实现了对车辆光照干扰的有效抑制,提高车辆目标识别的准确性。它能够针对隧道场景视频序列中车辆目标提取的光照干扰,进行有效的抑制,可实时、准确地解决隧道场景下车辆目标识别中光照干扰的影响,提高车辆目标提取准确性。
Description
技术领域
本发明涉及智能交通领域,特别涉及到一种基于梯度特征的隧道场景车辆光照干扰的抑制方法。
背景技术
车辆目标识别是停车识别、拥堵检测等交通事件检测的前提和基础。目前国内外研究已经提出了一些关于车辆目标识别的算法,有些算法已经在实际场景中测试运行。在一些环境较好的情况下,这些算法能够得到理想的运行效果,但是在更多的实际运行中,特别是对于隧道场景环境比较复杂,整体光线偏暗,在车辆前景提取过程中易受到车辆前灯光照的干扰,造成提取的车辆目标区域扩大、多车辆目标区域连通等问题,导致获取的车辆目标不准确,检测效果难以满足实际应用需求,极大地影响了车辆目标的识别和跟踪等后续处理效果。因此,如何有效地抑制光照干扰,是提高车辆目标提取准确性的关键和前提。
现有文献中,对车辆光照的研究主要集中于车灯的判断、车灯中心的定位以及其后续跟踪、测距等研究,主要利用车辆光照的颜色和辐射等特性,搜寻图像中亮度的极值点作为车灯的定位中心,再经过跟踪、匹配等方法进行进一步的筛选和处理,此类方法只是对车灯的一个定位,尚不满足干扰抑制的需求。而对于光照区域的界定,大多数算法是通过有监督的光照色度估计方法进行判断,利用神经网络、支持向量机等技术实现,此类方法是从大量已知光照区域的图像集中,通过学习得到该环境条件下的光照特征,在场景发生变化时需要重新收集大量样本对分类器进行训练,并不能满足场景变换的应用需求。
因此,需要一种隧道场景车辆光照干扰抑制方法。
发明内容
本发明的目的就是提供一种基于梯度特征的隧道场景车辆光照干扰的抑制方法,该方法能够对隧道场景下车辆目标提取中的光照干扰进行实时、有效、准确的抑制,提高车辆目标提取的准确性,同时适应了场景的变换,可用于对隧道场景视频序列中车辆目标提取的光照干扰进行抑制。
本发明的目的是通过这样的技术方案实现的:
本发明提供的基于梯度特征的隧道场景车辆光照干扰的抑制方法,包括以下步骤:
步骤一:根据车辆的结构特征建立车辆光照模型;
步骤二:计算车辆光照模型中光照强度梯度特征,得到光照区域的光照强度的不变特性值M(x,y);
步骤三:获取该场景的视频图像并提取前景车辆目标图像;
步骤四:根据不变特性值M(x,y)建立光照区域的前景掩膜;
步骤五:将未经处理的车辆前景图同前景掩膜叠加,得到光照抑制后的车辆目标图像。
进一步,所述车辆光照模型是通过以下步骤来建立的:
11)获得车辆光照与隧道路面间的相对位置特征;
12)根据相对位置特征、车辆光照辐射特性和漫反射特性,按照以下公式建立车辆光照模型:
其中,D(x,y)表示车辆光照区域的光照强度特性,Kd为景物表面的漫反射系数,In是点光源发出的入射光光强,Hl为车灯距离地面高度,(x,y)表示以车灯中心垂直于地面点为原点、垂直于道路方向为x轴、平行于道路方向为y轴建立的坐标系上的点。
进一步,所述不变特性值M(x,y)是通过以下步骤来实现的:
21)计算求取光照区域内的各点的光照强度梯度方向的各阶偏导:
22)根据各阶偏导按照以下公式得到光照区域的光照强度在梯度方法的各阶偏导间不变特性值M(x,y):
其中,N(x,y)只受环境影响,在同一场景相同路面条件下保持固定,而M(x,y)由车辆光照固有特性决定,对于同一车辆的照射区域保持恒定,其中由此可利用光照区域在梯度方向的偏导获得一个较为稳定的不变特征值。
进一步,所述车辆目标图像的提取是通过以下步骤来实现的:
31)获取场景的视频图像;
32)采用背景差分法处理视频图像;
33)将视频图像进行二值化,并将提取的二值化图像进行形态学处理;
34)提取前景车辆目标的区域轮廓。
进一步,所述前景掩膜建立是通过以下步骤来实现的:
41)计算各像素点梯度方向以及梯度方向的各阶梯度值,按照以下公式利用各阶梯度值求取各像素点的不变特性值M(x,y):
42)根据各像素点及其邻域的像素点的不变特性值M(x,y),按照以下公式计算像素点变化率最大差值M_Rate(x,y):
M_Rate(x,y)=max{M(xi,yi)-M(x,y)},
其中,(xi,yi)点(x,y)邻域坐标点;
43)按照以下公式选取像素点作为前景掩膜:
其中,D=1表示非光照区域,值D=0表示光照区域,Thr表示预设阈值。
本发明提供了基于梯度特征的隧道场景车辆光照干扰的抑制系统,包括车辆光照模型建立模块、光照强度特性值计算模块、车辆目标图像生成模块、前景掩膜生成模块和光照抑制后的车辆目标图像生成模块;
所述车辆光照模型建立模块,用于根据车辆的结构特征建立车辆光照模型;
所述光照强度特性值计算模块,用于计算车辆光照模型中光照强度梯度特征,得到光照区域的光照强度的不变特性值M(x,y);
所述车辆目标图像生成模块,用于获取该场景的视频图像并提取前景车辆目标图像;
所述前景掩膜生成模块,用于根据不变特性值M(x,y)建立光照区域的前景掩膜;
所述光照抑制后的车辆目标图像生成模块,用于将未经处理的车辆前景图同前景掩膜叠加,得到光照抑制后的车辆目标图像。
进一步,所述车辆光照模型建立模块中的车辆光照模型是通过以下步骤来建立的:
11)获得车辆光照与隧道路面间的相对位置特征;
12)根据相对位置特征、车辆光照辐射特性和漫反射特性,按照以下公式建立车辆光照模型:
其中,D(x,y)表示车辆光照区域的光照强度特性,Kd为景物表面的漫反射系数,In是点光源发出的入射光光强,Hl为车灯距离地面高度,(x,y)表示以车灯中心垂直于地面点为原点、垂直于道路方向为x轴、平行于道路方向为y轴建立的坐标系上的点。
进一步,所述光照强度特性值计算模块中的不变特性值M(x,y)是通过以下步骤来实现的:
21)计算求取光照区域内的各点的光照强度梯度方向的各阶偏导:
22)根据各阶偏导按照以下公式得到光照区域的光照强度在梯度方法的各阶偏导间不变特性值M(x,y):
其中,N(x,y)只受环境影响,在同一场景相同路面条件下保持固定,而M(x,y)由车辆光照固有特性决定,对于同一车辆的照射区域保持恒定,其中由此可利用光照区域在梯度方向的偏导获得一个较为稳定的不变特征值。
进一步,所述车辆目标图像生成模块中的车辆目标图像的提取是通过以下步骤来实现的:
31)获取场景的视频图像;
32)采用背景差分法处理视频图像;
33)将视频图像进行二值化,并将提取的二值化图像进行形态学处理;
34)提取前景车辆目标的区域轮廓。
进一步,所述前景掩膜生成模块中的前景掩膜建立是通过以下步骤来实现的:
41)计算各像素点梯度方向以及梯度方向的各阶梯度值,按照以下公式利用各阶梯度值求取各像素点的不变特性值M(x,y):
42)根据各像素点及其邻域的像素点的不变特性值M(x,y),按照以下公式计算像素点变化率最大差值M_Rate(x,y):
M_Rate(x,y)=max{M(xi,yi)-M(x,y)},
其中,(xi,yi)点(x,y)邻域坐标点;
43)按照以下公式选取像素点作为前景掩膜:
其中,D=1表示非光照区域,值D=0表示光照区域,Thr表示预设阈值。
由于采用了上述技术方案,本发明具有如下的优点:
本发明提供的一种基于梯度特征的隧道场景车辆光照干扰的抑制方法,首先针对隧道的应用场景,通过研究光照辐射特性以及隧道空间位置关系,建立车辆光照区域的光强模型并构造其梯度函数;进而利用发现的光照区域梯度方向不变特性,筛选出非车辆光照区域并构造前景掩膜,最后与运动目标前景叠加,实现光照干扰的抑制。该方法实现了对车辆光照干扰的有效抑制,提高车辆目标识别的准确性。它能够针对隧道场景视频序列中车辆目标提取的光照干扰,进行有效的抑制,提高车辆目标提取准确性。
根据隧道场景光照的辐射性特征,对于路面受光照影响的点,光强变化的梯度方向为该点到光源点方向,且在梯度方向具有相同的导数特性,则路面上的所有干扰点都可用较为简单的梯度方向特征进行表征,能满足应用的需求。本方法可实时、准确地解决隧道场景下车辆目标识别中光照干扰的影响,提高了隧道场景下车辆目标提取的准确性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1车辆光照空间结构图。
图2车辆光照干扰的抑制方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1
如图所示,本实施例提供的基于梯度特征的隧道场景车辆光照干扰的抑制方法,包括以下步骤:
步骤一:根据车辆的结构特征建立车辆光照模型;
步骤二:计算车辆光照模型中光照强度梯度特征,得到光照区域的光照强度的不变特性值M(x,y);
步骤三:获取该场景的视频图像并提取前景车辆目标图像;
步骤四:根据不变特性值M(x,y)建立光照区域的前景掩膜;
步骤五:将未经处理的车辆前景图同前景掩膜叠加,得到光照抑制后的车辆目标图像。
所述车辆光照模型是通过以下步骤来建立的:
11)获得车辆光照与隧道路面间的相对位置特征;
12)根据相对位置特征、车辆光照辐射特性和漫反射特性,按照以下公式建立车辆光照模型:
其中,D(x,y)表示车辆光照区域的光照强度特性,Kd为景物表面的漫反射系数,In是点光源发出的入射光光强,Hl为车灯距离地面高度,(x,y)表示以车灯中心垂直于地面点为原点、垂直于道路方向为x轴、平行于道路方向为y轴建立的坐标系上的点。
所述不变特性值M(x,y)是通过以下步骤来实现的:
21)计算求取光照区域内的各点的光照强度梯度方向的各阶偏导:
22)根据各阶偏导按照以下公式得到光照区域的光照强度在梯度方法的各阶偏导间不变特性值M(x,y):
其中,N(x,y)只受环境影响,在同一场景相同路面条件下保持固定,而M(x,y)由车辆光照固有特性决定,对于同一车辆的照射区域保持恒定,其中由此可利用光照区域在梯度方向的偏导获得一个较为稳定的不变特征值。
所述车辆目标图像的提取是通过以下步骤来实现的:
31)获取场景的视频图像;
32)采用背景差分法处理视频图像;
33)将视频图像进行二值化,并将提取的二值化图像进行形态学处理;
34)提取前景车辆目标的区域轮廓。
所述前景掩膜建立是通过以下步骤来实现的:
41)计算各像素点梯度方向以及梯度方向的各阶梯度值,按照以下公式利用各阶梯度值求取各像素点的不变特性值M(x,y):
42)根据各像素点及其邻域的像素点的不变特性值M(x,y),按照以下公式计算像素点变化率最大差值M_Rate(x,y):
M_Rate(x,y)=max{M(xi,yi)-M(x,y)},
其中,(xi,yi)点(x,y)邻域坐标点;
43)按照以下公式选取像素点作为前景掩膜:
其中,D=1表示非光照区域,值D=0表示光照区域,Thr表示预设阈值。
本实施例还提供了一种基于梯度特征的隧道场景车辆光照干扰的抑制系统,包括车辆光照模型建立模块、光照强度特性值计算模块、车辆目标图像生成模块、前景掩膜生成模块和光照抑制后的车辆目标图像生成模块;
所述车辆光照模型建立模块,用于根据车辆的结构特征建立车辆光照模型;
所述光照强度特性值计算模块,用于计算车辆光照模型中光照强度梯度特征,得到光照区域的光照强度的不变特性值M(x,y);
所述车辆目标图像生成模块,用于获取该场景的视频图像并提取前景车辆目标图像;
所述前景掩膜生成模块,用于根据不变特性值M(x,y)建立光照区域的前景掩膜;
所述光照抑制后的车辆目标图像生成模块,用于将未经处理的车辆前景图同前景掩膜叠加,得到光照抑制后的车辆目标图像。
所述车辆光照模型建立模块中的车辆光照模型是通过以下步骤来建立的:
11)获得车辆光照与隧道路面间的相对位置特征;
12)根据相对位置特征、车辆光照辐射特性和漫反射特性,按照以下公式建立车辆光照模型:
其中,D(x,y)表示车辆光照区域的光照强度特性,Kd为景物表面的漫反射系数,In是点光源发出的入射光光强,Hl为车灯距离地面高度,(x,y)表示以车灯中心垂直于地面点为原点、垂直于道路方向为x轴、平行于道路方向为y轴建立的坐标系上的点。
所述光照强度特性值计算模块中的不变特性值M(x,y)是通过以下步骤来实现的:
21)计算求取光照区域内的各点的光照强度梯度方向的各阶偏导:
22)根据各阶偏导按照以下公式得到光照区域的光照强度在梯度方法的各阶偏导间不变特性值M(x,y):
其中,N(x,y)只受环境影响,在同一场景相同路面条件下保持固定,而M(x,y)由车辆光照固有特性决定,对于同一车辆的照射区域保持恒定,其中由此可利用光照区域在梯度方向的偏导获得一个较为稳定的不变特征值。
所述车辆目标图像生成模块中的车辆目标图像的提取是通过以下步骤来实现的:
31)获取场景的视频图像;
32)采用背景差分法处理视频图像;
33)将视频图像进行二值化,并将提取的二值化图像进行形态学处理;
34)提取前景车辆目标的区域轮廓。
所述前景掩膜生成模块中的前景掩膜建立是通过以下步骤来实现的:
41)计算各像素点梯度方向以及梯度方向的各阶梯度值,按照以下公式利用各阶梯度值求取各像素点的不变特性值M(x,y):
42)根据各像素点及其邻域的像素点的不变特性值M(x,y),按照以下公式计算像素点变化率最大差值M_Rate(x,y):
M_Rate(x,y)=max{M(xi,yi)-M(x,y)},
其中,(xi,yi)点(x,y)邻域坐标点;
43)按照以下公式选取像素点作为前景掩膜:
其中,D=1表示非光照区域,值D=0表示光照区域,Thr表示预设阈值。
实施例2
本实施例提出的基于梯度特征的隧道场景车辆光照干扰的抑制方法,能针对隧道场景视频序列中车辆目标提取的光照干扰,进行有效的抑制,提高车辆目标提取准确性,包括以下五个步骤:
步骤一:车辆光照模型建立,主要包括以下两个部分:
1)利用车辆的结构特征,获得车辆光照与隧道路面间的相对位置特征。
2)根据相对位置特征、车辆光照辐射特性和漫反射特性,建立光照模型描述车辆光照区域的光照强度特性D(x,y)。
步骤二:光照强度梯度特征分析,主要包括以下两个部分:
1)计算求取该系列点光照强度梯度方向的各阶偏导
2)将计算出的各阶偏导进行分析,得到光照区域的光照强度在梯度方法的各阶偏导间不变特性值M(x,y),该值在光照区域保持不变,而非光照区域随机变化。
步骤三:提取前景车辆目标,主要包括以下六个部分:
1)获取该场景的视频图像;
2)采用背景差分法处理视频图像;
3)将视频图像进行二值化,并将提取的二值化图像进行形态学处理;
4)提取前景车辆目标的区域。
步骤四:前景掩膜建立,主要包括以下三个部分:
1)计算各像素点梯度方向以及梯度方向的各阶梯度值,利用各阶梯度值求取各像素点的不变特性值M(x,y);
2)根据各像素点及其邻域的像素点的不变特性值M(x,y),计算该像素点相较于领域内像素点的变化率M_Rate(x,y)。
3)根据实际情况设定阈值,筛选出变化率M_Rate(x,y)较大的像素点作为非光照区域,经过膨胀变换,获得剔除光照区域的前景掩膜。
步骤五:车辆光照干扰抑制,主要包括以下内容:
将未经处理的车辆前景图同前景掩膜叠加,抑制光照区域对车辆目标提取的干扰,实现了车辆目标的准确提取。
实施例3
本实施例结合隧道场景车辆光照干扰抑制方法流程图,从下面对五个步骤进行详细的说明:
步骤一:车辆光照模型建立,主要包括以下两个部分:
1)利用车辆的结构特征,获得车辆光照与隧道路面间的相对位置特征。对于隧道场景的监控视频,摄像头安装位置及车流行驶的方向相对比较固定,分布结构如图1所示:
2)根据相对位置特征、车辆光照辐射特性和漫反射特性,建立光照模型描述车辆光照区域的光照强度特性D(x,y)。路面漫反射特性较好且环境光照连续,可以利用传统的Lambert漫反射模型描述。建立光照强度特性方程如下:
其中,Kd为景物表面的漫反射系数,In是点光源发出的入射光光强,Hl为车灯距离地面高度,(x,y)表示以车灯中心垂直于地面点为原点、垂直于道路方向为x轴、平行于道路方向为y轴建立的坐标系上的点。
步骤二:光照强度梯度特征分析,主要包括以下两个部分:
1)按照以下公式计算求取该系列点光照强度梯度方向的各阶偏导:
车辆光照符合理想点光源辐射特性,即与点光源距离相同的球面上的任意点的光强值相同,光强变化的梯度方向为该点到光源点方向,且在梯度方向具有相同的导数特性,则可选取一组较为特殊的点表征整个路面上所有点的梯度特性。
2)将计算出的各阶偏导进行分析,得到光照区域的光照强度在梯度方法的各阶偏导间不变特性值M(x,y),该值在光照区域保持不变,而非光照区域随机变化。通过推导,可以得出各阶导数存在如下方程的关系:
其中,N(x,y)只受环境影响,在同一场景相同路面条件下保持固定,而M(x,y)由车辆光照固有特性决定,对于同一车辆的照射区域保持恒定,其中由此可利用光照区域在梯度方向的偏导获得一个较为稳定的不变特征值。
步骤三:提取前景车辆目标,主要包括以下六个部分:
1)获取该场景的视频图像。当前场景的视频图像可以由摄像机或者摄像头进行拍摄获取。
2)采用背景差分法处理视频图像。背景差分的关键技术是背景建模和背景更新,采用非参数概率密度的方法进行背景建模,采用帧间差分法进行背景更新。
3)将视频图像进行二值化,并将提取的二值化图像进行形态学处理。二值化阈值的选取采用ostu算法,选择开运算的形态学处理方法去除较小的噪声并且能够填充一些空隙。
4)提取前景车辆目标的区域。提取前景目标的轮廓,并删除大小形状不符合车辆特征的前景目标,提取前景车辆目标的区域。
步骤四:前景掩膜建立,主要包括以下三个部分:
1)计算各像素点梯度方向以及梯度方向的各阶梯度值,利用各阶梯度值求取各像素点的不变特性值M(x,y);由于图像为由离散点构成的矩阵,不能获得连续的方向导数值,则选取像素点的八个邻域像素点中最大差值的点方向作为该点的梯度方向,并将不变特性值M(x,y)求取方程离散化得到:
2)根据各像素点及其邻域的像素点的不变特性值M(x,y),计算该像素点相较于领域内像素点的变化率M_Rate(x,y)。变化率M_Rate(x,y)选取像素点的八个邻域像素点中最大差值M_Rate(x,y)=max{M(xi,yi)-M(x,y)},其中(xi,yi)点(x,y)邻域坐标点。
3)根据实际情况设定阈值,按照以下公式筛选出变化率:
M_Rate(x,y)
较大的像素点作为非光照区域,经过膨胀变换,获得剔除光照区域的前景掩膜。根据实验数据分析得到变化率的判断阈值为1.32,即定义车辆匹配的最终结果:
其中,D=1表示非光照区域,值D=0表示光照区域。经过连续膨胀变换,得到光照区域的前景掩膜。
步骤五:车辆光照干扰抑制,主要包括以下内容:
将未经处理的车辆前景图同前景掩膜叠加,抑制光照区域对车辆目标提取的干扰,实现了车辆目标的准确提取。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.基于梯度特征的隧道场景车辆光照干扰的抑制方法,其特征在于:包括以下步骤:
步骤一:根据车辆的结构特征建立车辆光照模型;
步骤二:计算车辆光照模型中光照强度梯度特征,得到光照区域的光照强度的不变特性值M(x,y);
步骤三:获取该场景的视频图像并提取前景车辆目标图像;
步骤四:根据不变特性值M(x,y)建立光照区域的前景掩膜;
步骤五:将未经处理的车辆前景图同前景掩膜叠加,得到光照抑制后的车辆目标图像;
其中,步骤二所述不变特性值M(x,y)是通过以下步骤来实现的:
21)计算求取光照区域内的各点的光照强度梯度方向的各阶偏导;
22)根据各阶偏导按照以下公式得到光照区域的光照强度在梯度方法的各阶偏导间不变特性值M(x,y):
其中,(x,y)表示以车灯中心垂直于地面点为原点,垂直于道路方向为x轴,平行于道路方向为y轴建立的坐标系上的点,N(x,y)只受环境影响,在同一场景相同路面条件下保持固定,而M(x,y)由车辆光照固有特性决定,对于同一车辆的照射区域保持恒定,其中由此可利用光照区域在梯度方向的偏导获得一个较为稳定的不变特征值。
2.如权利要求1所述的基于梯度特征的隧道场景车辆光照干扰的抑制方法,其特征在于:所述车辆光照模型是通过以下步骤来建立的:
11)获得车辆光照与隧道路面间的相对位置特征;
12)根据相对位置特征、车辆光照辐射特性和漫反射特性,按照以下公式建立车辆光照模型:
其中,D(x,y)表示车辆光照区域的光照强度特性,Kd为景物表面的漫反射系数,In是点光源发出的入射光光强,Hl为车灯距离地面高度,(x,y)表示以车灯中心垂直于地面点为原点、垂直于道路方向为x轴、平行于道路方向为y轴建立的坐标系上的点。
3.如权利要求1所述的基于梯度特征的隧道场景车辆光照干扰的抑制方法,其特征在于:所述车辆目标图像的提取是通过以下步骤来实现的:
31)获取场景的视频图像;
32)采用背景差分法处理视频图像;
33)将视频图像进行二值化,并将提取的二值化图像进行形态学处理;
34)提取前景车辆目标的区域轮廓。
4.如权利要求1所述的基于梯度特征的隧道场景车辆光照干扰的抑制方法,其特征在于:所述前景掩膜建立是通过以下步骤来实现的:
41)计算各像素点梯度方向以及梯度方向的各阶梯度值,按照以下公式利用各阶梯度值求取各像素点的不变特性值M(x,y):
其中,(i,j)为像素的坐标,p(i,j)为图像在(i,j)处的像素值;
42)根据各像素点及其邻域的像素点的不变特性值M(x,y),按照以下公式计算像素点变化率最大差值M_Rate(x,y):
M_Rate(x,y)=max{M(xi,yi)-M(x,y)},
其中,(xi,yi)点(x,y)邻域坐标点;
43)按照以下公式选取像素点作为前景掩膜:
其中,D=1表示非光照区域,D=0表示光照区域,Thr表示预设阈值。
5.基于梯度特征的隧道场景车辆光照干扰的抑制系统,其特征在于:包括车辆光照模型建立模块、光照强度特性值计算模块、车辆目标图像生成模块、前景掩膜生成模块和光照抑制后的车辆目标图像生成模块;
所述车辆光照模型建立模块,用于根据车辆的结构特征建立车辆光照模型;
所述光照强度特性值计算模块,用于计算车辆光照模型中光照强度梯度特征,得到光照区域的光照强度的不变特性值M(x,y);
所述车辆目标图像生成模块,用于获取该场景的视频图像并提取前景车辆目标图像;
所述前景掩膜生成模块,用于根据不变特性值M(x,y)建立光照区域的前景掩膜;
所述光照抑制后的车辆目标图像生成模块,用于将未经处理的车辆前景图同前景掩膜叠加,得到光照抑制后的车辆目标图像;
其中,所述不变特性值M(x,y)是通过以下步骤来实现的:
21)计算求取光照区域内的各点的光照强度梯度方向的各阶偏导;
22)根据各阶偏导按照以下公式得到光照区域的光照强度在梯度方法的各阶偏导间不变特性值M(x,y):
其中,(x,y)表示以车灯中心垂直于地面点为原点,垂直于道路方向为x轴,平行于道路方向为y轴建立的坐标系上的点,N(x,y)只受环境影响,在同一场景相同路面条件下保持固定,而M(x,y)由车辆光照固有特性决定,对于同一车辆的照射区域保持恒定,其中由此可利用光照区域在梯度方向的偏导获得一个较为稳定的不变特征值。
6.如权利要求5所述的基于梯度特征的隧道场景车辆光照干扰的抑制系统,其特征在于:所述车辆光照模型建立模块中的车辆光照模型是通过以下步骤来建立的:
11)获得车辆光照与隧道路面间的相对位置特征;
12)根据相对位置特征、车辆光照辐射特性和漫反射特性,按照以下公式建立车辆光照模型:
其中,D(x,y)表示车辆光照区域的光照强度特性,Kd为景物表面的漫反射系数,In是点光源发出的入射光光强,Hl为车灯距离地面高度,(x,y)表示以车灯中心垂直于地面点为原点、垂直于道路方向为x轴、平行于道路方向为y轴建立的坐标系上的点。
7.如权利要求5所述的基于梯度特征的隧道场景车辆光照干扰的抑制系统,其特征在于:所述车辆目标图像生成模块中的车辆目标图像的提取是通过以下步骤来实现的:
31)获取场景的视频图像;
32)采用背景差分法处理视频图像;
33)将视频图像进行二值化,并将提取的二值化图像进行形态学处理;
34)提取前景车辆目标的区域轮廓。
8.如权利要求5所述的基于梯度特征的隧道场景车辆光照干扰的抑制系统,其特征在于:所述前景掩膜生成模块中的前景掩膜建立是通过以下步骤来实现的:
41)计算各像素点梯度方向以及梯度方向的各阶梯度值,按照以下公式利用各阶梯度值求取各像素点的不变特性值M(x,y):
其中,(i,j)为像素的坐标,p(i,j)为图像在(i,j)处的像素值;
42)根据各像素点及其邻域的像素点的不变特性值M(x,y),按照以下公式计算像素点变化率最大差值M_Rate(x,y):
M_Rate(x,y)=max{M(xi,yi)-M(x,y)},
其中,(xi,yi)点(x,y)邻域坐标点;
43)按照以下公式选取像素点作为前景掩膜:
其中,D=1表示非光照区域,D=0表示光照区域,Thr表示预设阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610213110.5A CN105913004B (zh) | 2016-04-07 | 2016-04-07 | 基于梯度特征的隧道场景车辆光照干扰的抑制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610213110.5A CN105913004B (zh) | 2016-04-07 | 2016-04-07 | 基于梯度特征的隧道场景车辆光照干扰的抑制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913004A CN105913004A (zh) | 2016-08-31 |
CN105913004B true CN105913004B (zh) | 2019-05-10 |
Family
ID=56745560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610213110.5A Active CN105913004B (zh) | 2016-04-07 | 2016-04-07 | 基于梯度特征的隧道场景车辆光照干扰的抑制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913004B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220586B (zh) * | 2017-04-10 | 2020-04-17 | 上海志唐健康科技有限公司 | 视频前景图像提取方法及装置 |
CN113268801B (zh) * | 2021-06-04 | 2022-09-06 | 中铁隧道局集团有限公司 | 一种基于隧道场解重构理论的隧道围岩支护方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810703A (zh) * | 2014-01-22 | 2014-05-21 | 安徽科力信息产业有限责任公司 | 一种基于图像处理的隧道视频运动目标检测方法 |
CN104778715A (zh) * | 2015-05-04 | 2015-07-15 | 福建师范大学 | 一种基于梯度特征的遥感影像建筑物区域检测方法 |
CN104778725A (zh) * | 2015-04-14 | 2015-07-15 | 长兴泛亚照明电器有限公司 | 一种背景自适应更新的地下车库及隧道运动目标检测方法 |
WO2015196616A1 (zh) * | 2014-06-23 | 2015-12-30 | 京东方科技集团股份有限公司 | 图像边缘检测方法、图像目标识别方法及装置 |
-
2016
- 2016-04-07 CN CN201610213110.5A patent/CN105913004B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810703A (zh) * | 2014-01-22 | 2014-05-21 | 安徽科力信息产业有限责任公司 | 一种基于图像处理的隧道视频运动目标检测方法 |
WO2015196616A1 (zh) * | 2014-06-23 | 2015-12-30 | 京东方科技集团股份有限公司 | 图像边缘检测方法、图像目标识别方法及装置 |
CN104778725A (zh) * | 2015-04-14 | 2015-07-15 | 长兴泛亚照明电器有限公司 | 一种背景自适应更新的地下车库及隧道运动目标检测方法 |
CN104778715A (zh) * | 2015-05-04 | 2015-07-15 | 福建师范大学 | 一种基于梯度特征的遥感影像建筑物区域检测方法 |
Non-Patent Citations (2)
Title |
---|
一种去光照干扰的运动目标图像分割算法;王维哲 等;《科技通讯》;20150630;第31卷(第6期);第166-168页 |
高速公路隧道停车检测中的车辆跟踪及状态识别方法研究;姚明明;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150115;C034-397 |
Also Published As
Publication number | Publication date |
---|---|
CN105913004A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105788142B (zh) | 一种基于视频图像处理的火灾检测系统及检测方法 | |
Wu et al. | Adaptive vehicle detector approach for complex environments | |
US8744125B2 (en) | Clustering-based object classification | |
CN103208185B (zh) | 一种基于车灯识别的夜间车辆检测方法及系统 | |
CN102509090B (zh) | 一种基于天网工程中公共安全视频图像的车辆特征识别装置 | |
CN102819764B (zh) | 一种适用于交通路口复杂场景下的多视角人流量统计方法 | |
CN106845364B (zh) | 一种快速自动目标检测方法 | |
WO2004042673A2 (en) | Automatic, real time and complete identification of vehicles | |
CN101872546A (zh) | 一种基于视频的过境车辆快速检测方法 | |
WO2015089867A1 (zh) | 一种交通违章检测方法 | |
CN101286239A (zh) | 航拍交通视频车辆快速检测方法 | |
CN106097382B (zh) | 一种基于区域离散性的隧道场景环境光照干扰抑制方法 | |
Ge et al. | Vehicle detection and tracking based on video image processing in intelligent transportation system | |
CN109086682A (zh) | 一种基于多特征融合的智能视频黑烟车检测方法 | |
CN105913004B (zh) | 基于梯度特征的隧道场景车辆光照干扰的抑制方法及系统 | |
Tao et al. | Smoky vehicle detection based on range filtering on three orthogonal planes and motion orientation histogram | |
CN106951820B (zh) | 基于环形模板和椭圆拟合的客流统计方法 | |
CN110533692B (zh) | 一种面向无人机航拍视频中移动目标的自动跟踪方法 | |
Satzoda et al. | Robust extraction of lane markings using gradient angle histograms and directional signed edges | |
FAN et al. | Robust lane detection and tracking based on machine vision | |
Wang et al. | An end-to-end traffic vision and counting system using computer vision and machine learning: the challenges in real-time processing | |
CN107240111B (zh) | 边沿连通分割客流统计方法 | |
Dong et al. | Detection method for vehicles in tunnels based on surveillance images | |
Siddiqi et al. | [Retracted] Sharpening and Detection of Road Studs for Intelligent Vehicles at Nighttime | |
CN103680148A (zh) | 一种出租车识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230309 Address after: 213399 room 5025, building B, 218 Hongkou Road, Kunlun Street, Liyang City, Changzhou City, Jiangsu Province Patentee after: Liyang Smart City Research Institute of Chongqing University Address before: 400044 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee before: Chongqing University |
|
TR01 | Transfer of patent right |