CN107220629B - 一种智能汽车高识别率人形识别的方法 - Google Patents

Abstract

本发明提供了一种智能汽车高识别率人形识别的方法，其特征在于，包括：车身、承载在车身上的控制系统和摄像系统，控制系统包括：获取模块，用于获取摄像系统所拍摄的图像；识别模块，用于从拍摄图像中识别人形；控制模块，用于根据识别结果控制智能汽车的行驶。

Description

一种智能汽车高识别率人形识别的方法

技术领域

本发明涉及智能汽车技术领域，具体涉及一种智能汽车高识别率人形识别的方法。

背景技术

相关技术中发展了一种智能汽车，能够自动识别地形和规划路线等，使车辆能够平安到达目的地，最终实现无人驾驶的目的。

发明内容

针对上述问题，本发明旨在提供具有高识别率人形识别的智能汽车。

本发明的目的采用以下技术方案来实现：

提供了一种具有高识别率人形识别的智能汽车以及一种智能汽车高识别率人形识别的方法，包括：车身、承载在车身上的控制系统和摄像系统，控制系统包括：

获取模块，用于获取摄像系统所拍摄的图像；

识别模块，用于从拍摄图像中识别人形；

控制模块，用于根据识别结果控制智能汽车的行驶。

相关技术的智能汽车没有针对行人做专门的识别，不利于智能汽车避让行人，安全性较差，而本发明实现了对行人的专门识别，使得智能汽车能够避让行人，进一步提高了智能汽车的安全性。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1示出了根据本发明一个实施例的一种具有高识别率人形识别的智能汽车的结构示意图。

具体实施方式

结合以下实施例对本发明作进一步描述。

图1示出了根据本发明一个实施例的一种具有高识别率人形识别的智能汽车的结构示意图，其包括：车身300、承载在车身300上的控制系统100和摄像系统200，控制系统100包括：

获取模块10，用于获取摄像系统所拍摄的图像；

识别模块20，用于从拍摄图像中识别人形；

控制模块30，用于根据识别结果控制智能汽车的行驶。

相关技术的智能汽车没有针对行人做专门的识别，不利于智能汽车避让行人，安全性较差，而本实施例在普通车辆的基础上增加了先进的摄像系统，并通过图像识别技术识别到人形，从而能够自动避让行人，使车辆能够平安到达目的地，最终实现无人驾驶的目的。

优选地，识别模块包括灰度模块、彩色模块、融合模块和判断模块；

灰度模块，用于在灰度空间对图像进行处理；

彩色模块，用于在彩色空间对图像进行处理；

融合模块，用于将灰度模块的处理结果和彩色模块的处理结果进行融合；

判断模块，用于根据预设形体信息对融合结果进行比对，从中判断人形。

在光学图像的获取过程中，由于传感器本身或外部因素的影响，导致一幅图像的不同区域在色彩、亮度等方面存在不同程度的差异。这种图像的不均匀光照现象由多方面原因引起，如传感器中光学透镜成像的不均匀性、地势起伏、云雾的影响等。这种不均匀光照现象不仅会直接影响到最终生成的图像产品的质量，甚至会对计算机自动地物识别、解译造成影响。为了消除不均匀光照现象的影响，需要对图像进行处理。现有的图像处理技术清晰度差，从而影响了图像的应用。而本实施例同时从灰度和彩色两种模式来分析图像，所以一定程度上消除了色彩或者亮度不足造成的影响，有利于提供人形的识别率。

优选地，所述灰度模块包括：

背景模块，用于将获取的拍摄图像作为原始图像，对原始图像进行傅里叶变换，然后在傅里叶变换后的频率域通过低通滤波器进行滤波，得到背景图像；

处理模块，用于将原始图像与背景图像进行如下处理：

式中，L(x，y)为处理后的图像，I′(x，y)为原始图像，S(x，y)为背景图像，P为原始图像灰度均值，β为拉伸参数，T为图像的灰度域。

传统的灰度处理算法中，图像的整体反差较小，而且灰度值的动态范围也较小，所以灰度处理结果不够理想。而本优选实施例灰度模块采用全新的算法对原始图像进行处理，引入了拉伸参数，可以根据用户的需求对图像的对比度进行拉伸，从而同时提高了图像的细节反差和整体反差，使得灰度处理结果更加理想。

优选地，所述彩色模块包括：

模型模块：用于在HSV空间中描述原始图像，采用倒圆锥模型进行表示，倒圆锥模型的轴线方向为亮度分量，顶部的圆心为白色，最低点为黑色，竖直轴为白色和黑色之间的过渡色，顶部的圆平面为光强度最大的点，圆锥的任一横向圆切面的径向为饱和度，圆心处饱和度为0，圆周处饱和度为1，圆切面的圆周向的角度为色调；

空间变换模块：保持H分量不变，对S分量和V分量进行小波域改进，然后将图像反变换到RGB空间。

优选地，所述对S分量和V分量进行小波域改进，具体为：

对图像S分量和V分量进行一次二维小波变换，将图像分解为4个相同大小的子带区域，进一步对子带区域进行二维小波变换，直到得到预设值的小波尺度为止，从而得到S分量和V分量在小波域中的近似系数和不同层次的细节系数，其中，采用如下方式对小波系数进行改进：

a′(x，y)＝i+θ[a(x，y)-i]+0.1δ[a(x，y)-i]²

式中，a(x，y)为小波系数，a′(x，y)为改进后的小波系数，i为该子带区域小波系数均值，θ为改进系数，θ∈[0，1)，表示对小波系数进行抑制，应用于小波分解后的近似系数，θ＞1，表示对小波系数进行增强，应用于小波分解后的细节系数。

优选地，将图像反变换到RGB空间的公式如下：

式中，R、G、B分别为原始图像RGB空间中的红色分量、绿色分量、蓝色分量，R′、G′、B′分别为处理后的图像RGB空间中的红色分量、绿色分量、蓝色分量，S、V分别为原始图像HSV空间中的饱和度分量、亮度分量，S′、V′为小波改进后的饱和度分量、亮度分量，C、D为转换系数，H为原始图像RGB空间中最大颜色分量，

本优选实施例在保持图像色调不变的前提下，对亮度和饱和度进行小波分解，减少了运行时间，提高了处理效率，从而能够快速地识别人形，以对汽车行进中的道路情况快速反应。

另外，图像经过小波变换后，得到的近似系数表征了图像中的背景信息，而细节系数表征了图像中的细节信息，对S分量和V分量在小波域中的近似系数进行抑制，同时对细节系数进行增强，达到了整体背景光照均勾，细节反差突出的效果，这有利于提高识别图像中的人形的识别率。

优选地，所述融合处理模块用于根据灰度模块和彩色模块的处理结果确定图像最终处理方式，具体为：

用M、N分别为图像的行数和列数，h(x，y)为图像第x行、第y列的灰度值，则图像的综合值F采用以下公式确定：

式中，pi为图像的灰度均值；

分别计算采用灰度模块和彩色模块处理后的图像的综合值，选取综合值大的图像作为图像最终处理方式；

本优选实施例的融合模块建立图像的综合值函数，通过计算图像的综合值来确定图像的最终处理方式，从而当光照不足，色彩正常时，能够自动地切换到彩色图像中识别人形。二挡光照充足，色彩缺乏时，则自动地切换到灰度图像中识别人形。采用这种模式，进一步可设置双摄像头模式，一个摄像头专门用于采集灰度图像，而另一个摄像头专门采集彩色图像，这可以利用本优选实施例来自动选择最优图像，从而进一步提高人形的识别率。

优选地，判断模块还用于根据人形模块在不同时间识别的人形变换，判断人形的行为目的。

如果只是识别人形，而不判断人形的行为目的，那么智能汽车当运行在行人较多的场景时，几乎寸步难行。而通过判断行为目的，可以判断该行人是否会影响智能汽车的行进，从而有针对性地控制汽车的行驶。

本发明上述实施例的智能汽车在各种场景下进行了综合测试，同未采用本发明的智能汽车相比，产生的有益效果如下表所示：

场景	人形识别率提高
		光照不足，色彩正常	57％
光照充足，色彩差异不足	39％
		正常场景	12％

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，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，而不脱离本发明技术方案的实质和范围。

Claims (6)

1.一种具有高识别率人形识别的智能汽车，其特征在于，包括：车身、承载在车身上的控制系统和摄像系统，控制系统包括：

获取模块，用于获取摄像系统所拍摄的图像；

识别模块，用于从拍摄图像中识别人形；

控制模块，用于根据识别结果控制智能汽车的行驶；

所述识别模块包括灰度模块、彩色模块、融合模块和判断模块；

灰度模块，用于在灰度空间对图像进行处理；

彩色模块，用于在彩色空间对图像进行处理；

融合模块，用于将灰度模块的处理结果和彩色模块的处理结果进行融合；

判断模块，用于根据预设形体信息对融合结果进行比对，从中判断人形；

所述灰度模块包括：

背景模块，用于将获取的拍摄图像作为原始图像，对原始图像进行傅里叶变换，然后在傅里叶变换后的频率域通过低通滤波器进行滤波，得到背景图像；

处理模块，用于将原始图像与背景图像进行如下处理：

式中，L(x,y)为处理后的图像，I′(x,y)为原始图像，S(x,y)为背景图像，P为原始图像灰度均值，β为拉伸参数，T为图像的灰度域。

2.根据权利要求1所述的智能汽车，其特征在于，所述彩色模块包括：

模型模块：用于在HSV空间中描述原始图像，采用倒圆锥模型进行表示，倒圆锥模型的轴线方向为亮度分量，顶部的圆心为白色，最低点为黑色，竖直轴为白色和黑色之间的过渡色，顶部的圆平面为光强度最大的点，圆锥的任一横向圆切面的径向为饱和度，圆心处饱和度为0，圆周处饱和度为1，圆切面的圆周向的角度为色调；

空间变换模块：保持H分量不变，对S分量和V分量进行小波域改进，然后将图像反变换到RGB空间。

3.根据权利要求2所述的智能汽车，其特征在于，所述对S分量和V分量进行小波域改进，具体为：

对图像S分量和V分量进行一次二维小波变换，将图像分解为4个相同大小的子带区域，进一步对子带区域进行二维小波变换，直到得到预设值的小波尺度为止，从而得到S分量和V分量在小波域中的近似系数和不同层次的细节系数，其中，采用如下方式对小波系数进行改进：

a′(x,y)＝i+θ[a(x,y)-i]+0.1θ[a(x,y)-i]²

式中，a(x,y)为小波系数，a′(x,y)为改进后的小波系数，i为该子带区域小波系数均值，θ为改进系数，θ∈[0,1)，表示对小波系数进行抑制，应用于小波分解后的近似系数，θ>1，表示对小波系数进行增强，应用于小波分解后的细节系数。

4.根据权利要求3所述的智能汽车，其特征在于，将图像反变换到RGB空间的公式如下：

式中，R、G、B分别为原始图像RGB空间中的红色分量、绿色分量、蓝色分量，R′、G′、B′分别为处理后的图像RGB空间中的红色分量、绿色分量、蓝色分量，S、V分别为原始图像HSV空间中的饱和度分量、亮度分量，S′、V′为小波改进后的饱和度分量、亮度分量，C、D为转换系数，H为原始图像RGB空间中最大颜色分量，

5.根据权利要求4所述的智能汽车，其特征在于，所述融合处理模块用于根据灰度模块和彩色模块的处理结果确定图像最终处理方式，具体为：

用M、N分别为图像的行数和列数，h(x,y)为图像第x行、第y列的灰度值，则图像的综合值F采用以下公式确定：

式中，pi为图像的灰度均值；

分别计算采用灰度模块和彩色模块处理后的图像的综合值，选取综合值大的图像作为图像最终处理方式。

6.根据权利要求5所述的智能汽车，其特征在于，判断模块还用于根据人形模块在不同时间识别的人形变换，判断人形的行为目的。