CN107506739B - 一种夜间前向车辆检测及测距方法 - Google Patents

一种夜间前向车辆检测及测距方法 Download PDF

Info

Publication number
CN107506739B
CN107506739B CN201710771844.XA CN201710771844A CN107506739B CN 107506739 B CN107506739 B CN 107506739B CN 201710771844 A CN201710771844 A CN 201710771844A CN 107506739 B CN107506739 B CN 107506739B
Authority
CN
China
Prior art keywords
vehicle
lamp
night
row
ranging
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.)
Expired - Fee Related
Application number
CN201710771844.XA
Other languages
English (en)
Other versions
CN107506739A (zh
Inventor
辛学颖
刘海峰
赵阳
孙治刚
刘文龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Fujitsu Nanda Software Technology Co Ltd
Original Assignee
Nanjing Fujitsu Nanda Software Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Fujitsu Nanda Software Technology Co Ltd filed Critical Nanjing Fujitsu Nanda Software Technology Co Ltd
Priority to CN201710771844.XA priority Critical patent/CN107506739B/zh
Publication of CN107506739A publication Critical patent/CN107506739A/zh
Application granted granted Critical
Publication of CN107506739B publication Critical patent/CN107506739B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights

Abstract

本发明公开了一种夜间前向车辆检测及测距方法，包括：对测量车辆夜间采集的视频进行预处理，得到二值化图片，其中包含有车灯或疑似车灯的区域为前景区域；对前景区域进行匹配，定位潜在的前向车辆车灯对；通过道路检测进一步排除错误的车灯匹配，确定车辆底边搜索的范围，然后在该范围内进行底边搜索，确定前向车辆底边的位置；计算出前向车辆和测距车辆之间的车距；判断是否有发生碰撞的危险，据此发出预警信号。本发明相较于现有技术，对硬件传感器的要求低，且能够实现对车辆的精确检测和准确定位，提高了在夜间环境恶劣时车辆的识别率，能够及时发出预警信号，避免碰撞。

Description

一种夜间前向车辆检测及测距方法
技术领域
本发明属于数字图像处理领域，尤其涉及一种夜间前向车辆检测和测距方法。
背景技术
随着安全驾驶的重要性提升，各种驾驶辅助产品也不断推陈出新。该类产品依靠摄像头、超声雷达、激光雷达等一种或多种传感器获取道路周边信息，包含车道线检测、车辆检测、车辆碰撞预警等。在各种传感器之中，摄像头传感器的成本较低，由摄像头结合图像识别算法的软件系统应用也最广泛。
主流的车辆检测技术是通过机器学习方法训练适合于目标的分类器进行检测，比如基于HOG(Histogram of Oriented Gradient)特征的SVM(Support Vector Machine)分类器或者是基于HAAR特征的CASCADE分类器。但是，如果在夜间，由于摄像头传感效果(即视频质量)较差，所以目前分类器检测的误报或漏报率较高，无法满足夜间车辆检测及预警的要求。误报或漏报率较高的具体原因有以下两点：第一，夜间光照弱，车辆特征不明显，可用信息少，增加了检测难度；第二，在夜间，视频清晰度受摄像头信噪比、最低照度、动态范围等参数的影响较大。此外，主流图像处理算法对样本和硬件的依赖性较强，换一种参数的摄像头，算法可能需要重新训练，需要耗费较长时间，更新复杂。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种基于普通摄像头的夜间前向车辆检测和测距方法，该方法可以在夜间准确高效的检测前向车辆，并精确测量车距。
为了实现上述目标，本发明采用如下的技术方案：
对测量车辆采集的夜间视频进行预处理，得到包含车灯和疑似车灯的前景区域二值化图片；
对前景区域进行两两匹配，定位潜在的前向车辆车灯对；
通过道路检测进一步排除错误的车灯匹配，确定车辆底边搜索的范围，然后在该范围内进行底边搜索，确定前向车辆底边的位置；
计算出前向车辆和测距车辆之间的车距。
优选地，对测量车辆采集的视频进行预处理的方法包括以下步骤：
对采集的视频进行帧提取；
将图像转换为单通道灰度图；
对灰度图进行畸变校正和噪声滤波；
对畸变校正和噪声滤波后的灰度图进行全局图片阈值分割，得到二值化图片。
优选地，对正畸滤波后的灰度图利用固定阈值进行全局图片阈值分割时，阈值为240～250，更优选为245。
优选地，对前景区域进行两两匹配，定位前向车辆的车灯对，包括以下步骤：利用位置信息匹配；根据车宽合理性匹配；根据车灯的像素数和车灯间距关系匹配；根据前景的最小外接矩形的边缘强度信息匹配。每一步可以将部分的非车灯对关联给排除，最终通过四步检验过的车灯对可以送入下一环节进行车辆底边的检测，极大地降低了单一匹配规则或多规则并联带来的高误报率或者是过拟合。
优选地，对前向车辆的底边进行搜索，确定车底边的位置，包括：道路区域检验和车辆底边搜索。
优选地，前向车辆和测距车辆之间的车距cardis的计算公式为：
Figure BDA0001395177580000021
其中，CamHm为标定摄像头的高度，VpRow为视平线在图像中的高度，BotRow为车底边在图片中对应的行坐标，CamFp为摄像头参数。
优选地，利用位置信息匹配的方法为：属于一辆车的两个车灯大致处于一条水平线，所以待匹配的第一个前景外接矩形的位置blob1和待匹配的第二个前景外接矩形的位置blob2的上下位置差小于一定阈值，该阈值根据实验得到，即：
|center1.row-center2.row|≤Min(height1,height2)，
其中，center1.row为blob1的中心点行坐标，center2.row为blob2的中心点行坐标。
优选地，根据车宽合理性匹配的方法包括：
步骤一：根据车灯行lamp_row推算车底边行bottom_row：
Figure BDA0001395177580000022
其中，lamp_row＝(blob1.y+blob2.y)/2，CamHm为摄像头高度，Vp_row为视平线在图像中对应的行坐标；
步骤二：计算像素和米的转换系数M2Pix：
Figure BDA0001395177580000023
步骤三：计算车辆宽度：
car_width＝|center1.x-center2.x|×M2Pix，
并且车宽应该满足如下条件：
car_width∈[carwid_lmt_low,carwid_lmt_high]。
优选地，根据车灯的像素数和车灯间距关系匹配的方法为：车灯间最大距离lamp_dis，左车灯最小外接矩形的宽度w1，右车灯最小外接矩形的宽度w2，左车灯的有效面积s1，右车灯的有效面积s2，应满足以下条件：
Figure BDA0001395177580000031
优选地，根据前景的最小外接矩形的边缘强度信息匹配的方法包括：
步骤一：根据连通域的查找结果，确定边缘计算的范围；
步骤二：在该范围内，利用竖直梯度计算的方式，计算边缘vedge；
步骤三：对计算的边缘求均值，并进行降噪工作：
Figure BDA0001395177580000032
其中，ratio为比例系数，一般取值1.3。
步骤四：得到每列的边缘确信值，据此计算连通域的边缘确信值：
Figure BDA0001395177580000033
如果前景区域边缘确信值得分为0，其配对将被排除。
优选地，道路区域检测包括：
步骤一：计算路面的平均灰度值，如果平均灰度值符合路面均值，则进行下一步骤，平均灰度值计算方式如下：
Figure BDA0001395177580000034
其中，路面均值根据摄像头实际情况确定；
步骤二：计算路面部分在水平和竖直两个方向的灰度方差，作为衡量路面亮度波动的指标，如果不在合理范围内，则排除该部分为路面的可能，也排除了该前景区域对的正确性，灰度方差计算方式如下：
Figure BDA0001395177580000041
其中，灰度方差的合理范围根据摄像头实际情况确定。
优选地，车辆底边搜索包括：
步骤一：计算后续局部低值需要依赖的阈值，计算方式如下：
thresh1＝(ave_h_max-ave_h_min)×1.2，
其中，ave_h_max为路面部分的最大值，ave_h_min为路面部分的最小值；
步骤二：从路面部分的顶端开始，逐行向上搜索前向车辆车底边car bottom，carbottom应同时满足以下三个条件：
mean_h-ave_h[car_bottom]＞thresh1，
Figure BDA0001395177580000042
Figure BDA0001395177580000043
优选地，计算出车距后还包括碰撞预警步骤。碰撞预警步骤中预设有碰撞时间阈值，对图像进行连续几帧的检测，获知前向车辆的相对速度，再根据测距车辆的实时速度及两者之间的车距，计算出发生碰撞的时间；判断所述碰撞时间是否小于预设的碰撞时间阈值；当碰撞时间小于预设的碰撞时间阈值时输出预警信号。
本发明的有益之处在于：
本发明充分利用了夜间车辆和道路的特征，通过在特定区域寻找局部最优值的方法找到最有可能是车底边的位置，能够实现对车辆的精确检测和准确定位，提高了在夜间环境恶劣时车辆的识别率。此外，本发明对硬件传感器的要求低，能够以低成本实现碰撞预警系统，且识别率高于主流机器学习算法的效果，并且以较短的时间完成识别，提高检测效率，能应用在更高帧率的摄像头上完成实时的检测。
附图说明
图1是本发明总体方案流程图；
图2是车灯前景区域及其最小外接矩形示意图；
图3是车辆宽度计算方法的示意图；
图4是车辆尾灯大小和尾灯间距关系示意图；
图5是前景边缘梯度大小示意图；
图6是路面检测示意图；
图7是路面到车辆的平均灰度值变化示意图；
图8是各方法平均每帧检测时间示意图；
图9是各方法在10段视频上的识别率示意图；
图10是各方法在10段视频上的误报率示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
本发明的总体方案流程图如图1所示，首先，对测量车辆夜间采集的视频进行帧提取；将3通道图像转换为单通道灰度图；对灰度图进行畸变校正和噪声滤波；对畸变校正和噪声滤波后的灰度图利用固定阈值法进行全局图片阈值分割，得到二值化图片，其中前景区域为包含车灯和疑似车灯的区域。然后，对前景区域进行两两匹配，定位前向车辆的车灯对，获得车灯对的位置和宽度，对前向车辆的底边进行搜索，确定车底边的位置。最后，计算出前向车辆和测距车辆之间的车距。利用以上方法测出车距后，根据前向车辆和测距车辆的车速，计算出发生碰撞的时间，判断所述碰撞时间是否小于预设的碰撞时间阈值，当碰撞时间小于预设的碰撞时间阈值时输出预警信号。
本发明主要包含三大步骤：输入预处理步骤、车辆初定位步骤和车辆底边检测及测距步骤。整个过程的输入是从摄像头在夜间获取的低质量视频帧序列，输出是对车辆下半身(从车灯到车底)的位置定位，以及计算出车辆和自车间的距离。
第一大步骤为输入预处理步骤，实现了图片的正畸、去噪等工作，利用双线性差值法实现广角摄像头带入的图像畸变校正，利用中值滤波去除摄像头信噪比低带入的过多噪声。然后用固定阈值法(具体阈值选择，经实验证明在240～250范围内皆可，对检测率的影响视周边环境光照而定)实现图像的二值化分割，最终将车灯或疑似车灯的区域和其他背景分割开来，便于后期对车灯实行配对。
第二大步骤车辆初定位步骤，在预处理步骤输出的二值图基础上，对车灯前景进行两两匹配。主要是为了对可能存在的车辆的车灯进行初步定位，同时预先确定了后期车底边检测的范围。
匹配方法分为四大规则，利用决策树的思想，在树的每一级上可以将部分的非车灯对关联给排除，最终通过四大规则检验过的车灯对可以送入下一环节进行车辆底边的检测，极大地降低了单一匹配规则或多规则并联带来的高误报率或者是过拟合。
四大规则依照顺序说明如下：
参照图2定义如下参数：
[x,y,width,height]：图中的实心区域表示了一个前景区域，用一个4维向量来表示这个区域的最小外接矩形。x、y表示其左上角点的坐标，width是矩形宽度，height是矩形高度；
blob1：[x1,y1,width1,height1]代表了待匹配的第一个前景外接矩形的位置；
size1：代表了blob1的有效面积(即右图中的实心区域面积)；
center1：代表了blob1的中心点坐标,计算方式如下：
Figure BDA0001395177580000061
blob2：[x2,y2,widht2,height2]代表了待匹配的第二个前景外接矩形的位置；
size2：代表了blob2的有效面积(即右图中的实心区域面积)；
center2：代表了blob2的中心点坐标，计算方式如下：
Figure BDA0001395177580000062
规则1.利用位置信息的匹配
根据先验知识，属于一辆车的两个车灯大致处于一条水平线，所以blob1和blob2的上下位置差小于一定阈值，即：
|center1.row-center2.row|≤Min(height1,height2)，
注：不等式的右半边是根据实验得到的最佳阈值获取方式。
规则2.根据车灯对估算车底边和估算车宽，根据车宽合理性的匹配
参照图3，定义如下参数：
Vp_row:视平线在图像中对应的行坐标(单位：像素)；
Lamp_row:车灯行，车灯在图片中对应的行坐标(单位：像素)；
bottom_row:车底边行，车底边在图片中对应的行坐标(单位：像素)；
摄像头高：CamHm(单位：m)(根据不同摄像头调整)；
车灯高：Lamp2Gnd(单位：m)；
车宽：car_width。
根据车灯行推算车底边行：
Figure BDA0001395177580000063
其中，lamp_row＝(blob1.y+blob2.y)/2
根据车底边行bottom_row和摄像头高CamHm推算像素和米的转换系数：
Figure BDA0001395177580000071
据图像上的车灯间距计算车宽及2中计算的转换系数(单位：m)计算车辆宽度：
car_width＝|center1.x-center2.x|×M2Pix，
最终，车宽应该满足：
car_width∈[carwid_lmt_low,carwid_lmt_high]。
规则3.根据车灯的像素数和车灯间距关系的匹配
参照图4，定义如下参数：
lamp_dis:车灯间最大距离；
w1：左车灯最小外接矩形的宽度；
w2：右车灯最小外接矩形的宽度；
s1：左车灯的有效面积；
s2：右车灯的有效面积；
以上参数应当符合如下规则：
Figure BDA0001395177580000072
规则4根据前景的最小外接矩形的边缘强度信息的匹配
车辆的两侧和周边的灰度会发生跳变，在图像质量良好的情况下，可以根据求竖直方向的灰度变化处(梯度处)来求边缘，在图像质量较差的情况下，至少可以用它来减少误匹配。这里将其作为判断车灯匹配的标准之一。
参照图5，黑色区域表示各个车灯或疑似车灯的最小外接矩形，红色方框是边缘值计算的范围。车辆竖直边缘确信度的计算步骤如下：
首先，根据连通域的查找结果，确定边缘计算的范围[left,right,top,bottom]；
其次，在该范围内，利用竖直梯度计算的方式，计算边缘vedge。Vedge是一个长度等于图像宽度的一维数组，数组的每一个位置代表了这一列的梯度大小；
再次，对计算的边缘求均值，并进行降噪工作：
Figure BDA0001395177580000073
一般，ratio＝1.3，实际上ratio在1.1～1.3之间皆可。
最后，求得每列的边缘确信值，可据此计算连通域的边缘确信值
Figure BDA0001395177580000081
边缘确信值得分为0的前景区域，其配对将被排除。
第三大步骤为车底边检测和测距步骤，在上一步确定的车灯对的基础上，进一步确定该车灯对的正确性以及找到最合适的车底边所在图像的列坐标。具体还可以分为三个步骤。
步骤1：道路区域检验
该模块首先检验在匹配的车灯对下的一定范围内是否存在路面，如果存在，则进行步骤2的底边搜索，否则可以认为该车灯对匹配错误或者该车辆目标非最近的目标。参照图6，道路检验根据以下步骤进行：
首先，计算路面的平均灰度值，如果灰度值符合事先定义的路面均值，则通过，否则排除该部分为路面的可能，灰度计算方式如下：
Figure BDA0001395177580000082
其中，路面均值根据摄像头实际情况确定；
其次，计算路面部分在水平和竖直两个方向的灰度方差，作为衡量路面亮度波动的指标，如果不在合理范围内，则排除该部分为路面的可能。
Figure BDA0001395177580000083
其中，灰度方差根据摄像头实际情况确定。
步骤2：车辆底边搜索
参照图7，根据大量路面和车底边的灰度统计结果，在平滑的路面过度到车身时会有一个局部低值。
根据步骤1找到的路面部分，记录路面均值mean_h，最大值ave_h_max及最小值ave_h_min，然后计算后续局部低值需要依赖的阈值：
thresh1＝(ave_h_max-ave_h_min)×1.2。
搜索从路面部分的顶端(图6和图7的b行位置)，即车底边潜在区域的底端开始，逐行向上搜索。car_bottom需要同时满足如下三个条件:
mean_h-ave_h[car_bottom]＞thresh1，
Figure BDA0001395177580000084
Figure BDA0001395177580000091
步骤3：距离计算和预警
至此，已经获得了车灯对的位置和宽度，车底边的位置。结合摄像头的焦距和高度，由摄像头成像原理和相似三角形法则，可以推算出目标车辆距离自车的距离。根据连续几帧的检测，可以获知目标车辆的相对速度，在根据本车辆的实时速度，即可推断发生碰撞的可能时间，据此给出报警或提示。
下面以具体实施例来说明本发明的技术方案。
实施例一：
本发明在pc上进行模拟：
第1步：输入摄像头采集的夜间视频文件；
第2步：对视频文件进行帧提取；
第3步：对RGB的图片帧进行类型转换，用加和平均法将3通道图像转换为单通道灰度图(转单通道的方法不限，对后续车辆检出率影响不大)；
第4步：输入预处理模块用双线性差值法实现广角摄像头造成的图像畸变校正，用中值滤波去除摄像头信噪比不高带来的噪声；
第5步：用阈值245进行全局图片阈值分割，得到二值化的图片，其中前景区域包含车灯和疑似车灯的亮块区域，背景为黑色区域表达；
第6步：根据规则1到规则4进行前景区域匹配(也称作车灯匹配)。规则2中，摄像头高：CamHm估计值1.3m；车灯高：Lamp2Gnd估计值0.75m；carwid_lmt_low和carwid_lmt_high分别取0.7m和2.5m；
第7步：根据底边检测方法，对于车辆目标，能够找到其对应的正确底边BotRow；对于非车辆目标，可以排除其作为目标的可能性。可以定位到车辆的下半身(从车灯行到底边行)。路面均值为180，灰度方差上限为5。
第8步：根据标定的摄像头高度CamHm和视平线在图像中的高度VpRow，计算车辆的距离car_dis，公式如下：
Figure BDA0001395177580000092
其中，CamFp为摄像头内参。
第9步：如果车距在警报范围外，则用绿色表示，如果距离较近，需要提醒，则用黄色表示，如果距离非常接近，需要紧急报警，则用红色提示。在嵌入式产品中，针对不同情况会有不同的预警方式，比如声音等。
实施例二：
针对应用场景和目的，从两方面对本发明提出的方法和主流方法进行对比评价。
其一，对车辆的识别性能。前向车辆碰撞预警的第一步是要检测出车辆目标，本发明比较了10段1分钟具有代表性的视频样本上的车辆识别率、误报率，作为衡量车辆识别性能的指标。
其二，检测时间。平均每帧检测时间越短越好，检测时间越短，其实时性能越好，即能够在帧率较高的视频中进行实时识别。
实验平台：Win7+VS2010+OpenCV2.4.9
实验方法：
HOG+SVM方法的训练参数：
1.HOG特征：窗口大小为64×64，块尺寸为16×16，胞元尺寸为8×8，直方图维度为9，特征总维度为1764。
2.SVM训练：正样本用492张，负样本用1579张。线性核，最大迭代次数1000，误差上限FLT_EPSILON(1.19209290E-07F)。
3.检测方法：遍历。
HAAR+CASCADE方法的训练参数：
1.HAAR特征：样本大小20×20。
2.训练：正样本用492张，负样本用1579张。级数为8，每一级最小识别率90％，最大误报率25％。
检测方法：遍历。
实验数据显示：
1.参照图8，本发明技术方案由于利用车灯信息进行初始定位，避免了全图遍历带来的时间消耗，检测平均用时最短，实时性能较好。
2.参照图9，在夜晚，车辆的梯度特征不明显，基于HOG特征和SVM分类器的方法基本失效；而且，除了白色车辆等车身灰度较亮的目标，大多数车辆灰度特征不具统计意义，所以基于HAAR特征和级联分类器的识别率也不高。
3.参照图9和图10，在85％的IOU(intersection-over-union，即模型产生的目标窗口和原来标记窗口的交叠率)条件下，识别率最高，识别性能最好，误报率稍有升高。(由于本发明的方法是定位车辆的下半身，故对比时也是和标注的车辆下半身进行比较)。
由实验结果可知，本发明提出的技术方案对比主流的车辆检测算法，在识别率和检测速度上有明显的优势。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (12)

1.一种夜间前向车辆检测及测距方法，其特征在于，所述方法基于车灯匹配和道路检测对前向车辆进行检测和测距，包括：
对测量车辆采集的夜间视频进行预处理，得到包含车灯和疑似车灯的前景区域二值化图片；
对前景区域进行两两匹配，定位潜在的前向车辆的车灯对，匹配方法包括四条规则，分别为：
利用位置信息匹配；
根据车宽合理性匹配；
根据车灯的像素数和车灯间距关系匹配；
根据前景的最小外接矩形的边缘强度信息匹配；
利用决策树的思想，在树的每一级上将部分的非车灯对关联给排除，将最通过四条规则检验的车灯对送入下一环节进行车辆底边的检测；
对前向车辆的底边进行搜索，确定车底边的位置；
计算出前向车辆和测距车辆之间的车距；
上述步骤中，对测量车辆采集的视频进行预处理的方法包括：
对采集的视频进行帧提取；
将图像转换为单通道灰度图；
对灰度图进行畸变校正和噪声滤波；
对畸变校正和噪声滤波后的灰度图进行全局图片阈值分割，得到包含车灯和疑似车灯的前景区域二值化图片。
2.根据权利要求1所述的一种夜间前向车辆检测及测距方法，其特征在于，对正畸滤波后的灰度图进行全局图片阈值分割的方法为固定阈值法，阈值为240～250。
3.根据权利要求1所述的一种夜间前向车辆检测及测距方法，其特征在于，对前向车辆的底边进行搜索，确定车底边的位置，包括：
道路区域检验；
车辆底边搜索。
4.根据权利要求1所述的一种夜间前向车辆检测及测距方法，其特征在于，前向车辆和测距车辆之间的车距cardis的计算公式为：
Figure FDA0002695233470000021
其中，CamHm为摄像头的高度，VpRow为视平线在图像中的高度，BotRow为车底边在图片中对应的行坐标，CamFp为摄像头参数。
5.根据权利要求1所述的一种夜间前向车辆检测及测距方法，其特征在于，利用位置信息匹配的方法为：属于一辆车的两个车灯大致处于一条水平线，所以待匹配的第一个前景外接矩形的位置blob1和待匹配的第二个前景外接矩形的位置blob2的上下位置差小于一定阈值，该阈值根据实验得到，即：
|center1.row-center2.row|≤Min(height1,height2)，
其中，center1.row为blob1的中心点行坐标，center2.row为blob2的中心点行坐标。
6.根据权利要求1所述的一种夜间前向车辆检测及测距方法，其特征在于：根据车宽合理性匹配的方法包括：
步骤一：根据车灯行lamp_row推算车底边行bottom_row：
Figure FDA0002695233470000022
其中，lamp_row＝(blob1.y+blob2.y)/2，CamHm为摄像头高度，Vp_row为视平线在图像中对应的行坐标；
步骤二：计算像素和米的转换系数M2Pix：
Figure FDA0002695233470000031
步骤三：计算车辆宽度car_width：
car_width＝|center1.x-center2.x|×M2Pix，
并且车宽应满足以下条件：
car_width∈[carwid_lmt_low,carwid_lmt_high]。
7.根据权利要求1所述的一种夜间前向车辆检测及测距方法，其特征在于：根据车灯的像素数和车灯间距关系匹配的方法为：车灯间最大距离lamp_dis，左车灯最小外接矩形的宽度w1，右车灯最小外接矩形的宽度w2，左车灯的有效面积s1，右车灯的有效面积s2，应满足以下条件：
Figure FDA0002695233470000032
8.根据权利要求1所述的一种夜间前向车辆检测及测距方法，其特征在于：根据前景的最小外接矩形的边缘强度信息匹配的方法包括：
步骤一：根据连通域的查找结果，确定边缘计算的范围；
步骤二：在该范围内，利用竖直梯度计算的方式，计算边缘vedge；
步骤三：对计算的边缘求均值，并进行降噪工作：
Figure FDA0002695233470000033
其中，ratio为比例系数；
步骤四：得到每列的边缘确信值，据此计算连通域的边缘确信值：
Figure FDA0002695233470000034
如果前景区域边缘确信值为0，其配对将被排除。
9.根据权利要求3所述的一种夜间前向车辆检测及测距方法，其特征在于：道路区域检测包括：
步骤一：计算路面的平均灰度值，如果平均灰度值符合路面均值，则进行下一步骤，平均灰度值计算方式如下：
Figure FDA0002695233470000041
其中，路面均值根据摄像头实际情况确定；
步骤二：计算路面部分在水平和竖直两个方向的灰度方差，作为衡量路面亮度波动的指标，如果不在合理范围内，则排除该部分为路面的可能，也排除了该前景区域对的正确性，灰度方差计算方式如下：
Figure FDA0002695233470000042
其中，灰度方差的合理范围根据摄像头实际情况确定。
10.根据权利要求3所述的一种夜间前向车辆检测及测距方法，其特征在于：车辆底边搜索包括：
步骤一：计算后续局部低值需要依赖的阈值，计算方式如下：
thresh1＝(ave_h_max-ave_h_min)×1.2，
其中，ave_h_max为路面部分的最大值，ave_h_min为路面部分的最小值；
步骤二：从路面部分的顶端开始，逐行向上搜索前向车辆车底边car_bottom，car_bottom应同时满足以下三个条件：
mean_h-ave_h[car_bottom]＞thresh1，
Figure FDA0002695233470000043
Figure FDA0002695233470000051
11.根据权利要求1～10中任一项所述的一种夜间前向车辆检测及测距方法，其特征在于：计算出前向车辆和测距车辆之间的车距后，还包括如果有碰撞危险，发出预警信号的步骤。
12.根据权利要求11所述的一种夜间前向车辆检测及测距方法，其特征在于：所述碰撞预警步骤中预设有碰撞时间阈值；对图像进行连续几帧的检测，获知前向车辆的相对速度，再根据测距车辆的实时速度及两者之间的车距，计算出发生碰撞的时间；判断所述碰撞时间是否小于预设的碰撞时间阈值；当碰撞时间小于预设的碰撞时间阈值时输出预警信号。
CN201710771844.XA 2017-08-31 2017-08-31 一种夜间前向车辆检测及测距方法 Expired - Fee Related CN107506739B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710771844.XA CN107506739B (zh) 2017-08-31 2017-08-31 一种夜间前向车辆检测及测距方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710771844.XA CN107506739B (zh) 2017-08-31 2017-08-31 一种夜间前向车辆检测及测距方法

Publications (2)

Publication Number Publication Date
CN107506739A CN107506739A (zh) 2017-12-22
CN107506739B true CN107506739B (zh) 2021-01-12

Family

ID=60694589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710771844.XA Expired - Fee Related CN107506739B (zh) 2017-08-31 2017-08-31 一种夜间前向车辆检测及测距方法

Country Status (1)

Country Link
CN (1) CN107506739B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154687B (zh) * 2017-12-28 2020-11-10 江苏航天大为科技股份有限公司 一种基于车灯的夜间车流量检测方法、装置及系统
GB201800811D0 (en) * 2018-01-18 2018-03-07 Univ Oxford Innovation Ltd Localising a vehicle
CN111942377B (zh) * 2019-05-17 2021-09-14 上汽通用汽车有限公司 车辆纵向运动控制方法及车辆纵向运动控制系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103453890A (zh) * 2013-08-09 2013-12-18 奇瑞汽车股份有限公司 一种基于尾灯检测的夜间车距测量方法
CN105303160A (zh) * 2015-09-21 2016-02-03 中电海康集团有限公司 一种夜间车辆检测和跟踪的方法
CN105740834A (zh) * 2016-02-05 2016-07-06 广西科技大学 夜视环境下对前方车辆的高精度检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103453890A (zh) * 2013-08-09 2013-12-18 奇瑞汽车股份有限公司 一种基于尾灯检测的夜间车距测量方法
CN105303160A (zh) * 2015-09-21 2016-02-03 中电海康集团有限公司 一种夜间车辆检测和跟踪的方法
CN105740834A (zh) * 2016-02-05 2016-07-06 广西科技大学 夜视环境下对前方车辆的高精度检测方法

Also Published As

Publication number Publication date
CN107506739A (zh) 2017-12-22

Similar Documents

Publication Publication Date Title
US10970566B2 (en) Lane line detection method and apparatus
CN111274976B (zh) 基于视觉与激光雷达多层次融合的车道检测方法及系统
CN107272021B (zh) 使用雷达和视觉定义的图像检测区域的对象检测
US10380434B2 (en) Vehicle detection system and method
US9892328B2 (en) Hazard detection from a camera in a scene with moving shadows
Siogkas et al. Traffic lights detection in adverse conditions using color, symmetry and spatiotemporal information
CN107891808B (zh) 行车提醒方法、装置及车辆
US20160104047A1 (en) Image recognition system for a vehicle and corresponding method
CN104899554A (zh) 一种基于单目视觉的车辆测距方法
US20100098297A1 (en) Clear path detection using segmentation-based method
CN108052904B (zh) 车道线的获取方法及装置
JP6723328B2 (ja) 車両検出方法、動的光強度に基づく夜間の車両検出方法及びそのシステム
CN107886034B (zh) 行车提醒方法、装置及车辆
BR112014001837B1 (pt) dispositivos e métodos de detecção de corpo em movimento
JP2018063680A (ja) 交通信号認識方法および交通信号認識装置
CN107506739B (zh) 一种夜间前向车辆检测及测距方法
TWI734472B (zh) 基於深度學習的行車輔助系統及其方法
CN112927283A (zh) 测距方法及装置、存储介质及电子设备
JP2009276910A (ja) 画像処理装置、方法及びプログラム
CN108629225B (zh) 一种基于多幅子图与图像显著性分析的车辆检测方法
US11256929B2 (en) Image-based road cone recognition method and apparatus, storage medium, and vehicle
CN113221739B (zh) 基于单目视觉的车距测量方法
CN114663859A (zh) 灵敏准确的复杂路况车道偏移实时预警系统
CN111332306A (zh) 一种基于机器视觉的交通道路感知辅助驾驶预警装置
Álvarez et al. Perception advances in outdoor vehicle detection for automatic cruise control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210112