CN108229247A - 一种移动车辆检测方法 - Google Patents

Abstract

本发明公开了一种移动车辆检测方法，包括以下步骤：S1：采集车辆视频图像，对视频图像进行灰度转换，裁剪出车辆集中的区域，然后对图像进行直方图均衡化；最后，采用3*3的核，标准差为sigma＝(3/2‑1)*0.3+0.8的方法进行高斯平滑去噪得到待检测的图像；S2：运用改进的SUSAN边缘检测算法对边缘进行提取，得到二值图像；S3：对二值图像进行膨胀，腐蚀，细化，骨架后进行Hough变换直线检测，并找出连通直线的区域，利用车辆的纹理特征提取出车辆区域。本发明针对SUSAN算法不能有效地检测移动车辆的缺点，提出一种改进的SUSAN算法，该算法对于复杂背景的鲁棒性更好，能高效准确检测移动车辆。

Description

一种移动车辆检测方法

技术领域

本发明涉及一种移动车辆检测方法。

背景技术

智能车辆技术作为提高驾驶安全性的有效途径，是目前各国重点发展的智能交通系统中一个重要组成部分。它的实现涉及模式识别、图形图像处理、机器视觉等多个交叉学科。机器视觉由于具有检测信息量大、适应范围广、智能化程度高等优点，成为了智能车辆技术的重点研究方向。由于检测过程中的众多问题如背景环境、复杂光照，复杂天气等，使得车辆检测的鲁棒性较差。

SUSAN(SmallestSegmentAssimilatingNucleus)是最小吸收核同值区的缩写，由英国牛津大学学者S.M.Smith和J.M.Brady提出，是一种基于灰度图像的特征点获取方法。它简单而有效，能较好的连接边缘，可以去除图像中的部分噪声.在SUSAN算法中，由于受车辆边缘与背景的对比度和背景的复杂度影响，阈值t的选取对提取车辆边缘的影响很大.一般情况下，阈值t主要决定了能够提取的特征点的特征数量.对于对比度较大的图像，t取大一些，也可以取得细腻的车辆边缘，但当对比度较小时，t取较小值才能取得较好的车辆边缘.对背景复杂的灰度图像，若阈值t采用全局阈值，则检测效果通常会不好。

发明内容

本发明要解决的技术问题是提供一种移动车辆检测方法。

一种移动车辆检测方法，包括以下步骤：

S1：采集车辆视频图像，对视频图像进行灰度转换，裁剪出车辆集中的区域，然后用以下方法对图像进行直方图均衡化：

1)计算输入图像的直方图H；

2)直方图归一化，因此直方块和为255；

3)计算直方图积分；

4)采用H,作为查询表：dst(x,y)＝H,(src(x,y))进行图像变换；

最后，采用3*3的核，标准差为sigma＝(3/2-1)*0.3+0.8的方法进行高斯平滑去噪得到待检测的图像；

S2：运用改进的SUSAN边缘检测算法对边缘进行提取，得到二值图像；

S3：对二值图像进行膨胀，腐蚀，细化，骨架后进行Hough变换直线检测，并找出连通直线的区域，利用车辆的纹理特征提取出车辆区域。

进一步的，改进的SUSAN边缘检测算法具体如下：

1)将Susan模板内部每个像素点的灰度值都与模板中心像素的灰度值进行比较，假如模板内某点像素的灰度值与模板中心像素(也称作核)灰度的差值小于某个阈值t，认为该点与核有相同的灰度，模板内所有与核有相同灰度的值的总和构成核值相似区(USAN)；

2)在Susan模板内，通过累积模板内像素值来确定模板内像素与模板中心像素差值的阈值t，计算方法如下：

sum＝∑img_(i,j)(s)；对于一个37像素的类似圆形模板，sum表示累积变量，img_(i,j)(k)表示中心像素在源图像中的第i行第j列，k表示模板中的第k个像素；

则第k个像素的阈值t为：

t＝sum/N；

式中，N取模板大小的二倍；

3)检测时，判断模板内像素点是否在USAN区的比较函数如下：

坐标(x_c,y_c)表示模板的该坐标；

则USAN区的大小计算公式：

n的值不大于n_max的3/4；定义几何阈值g＝3n_max/4；

4)求出第k个像素与中心像素的差值，与t作比较，若小于等于t则USAN区加1，最后判断USAN区与阈值g的大小，若小于，则当前像素为边缘点，将当前像素值设为255，否则，当前像素不是边缘点，将其设为0。

本发明的有益效果是：

本发明针对SUSAN算法不能有效地检测移动车辆的缺点，提出一种改进的SUSAN算法，即先对待检测像素点进行粗略的筛选，选出候选边缘点再利用自适应阈值t的方式得到边缘点。该算法对于复杂背景的鲁棒性更好，能高效准确检测移动车辆。

具体实施方式

以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。

一种移动车辆检测方法，包括以下步骤：

S1：采集车辆视频图像，对视频图像进行灰度转换，裁剪出车辆集中的区域，然后用以下方法对图像进行直方图均衡化：

1)计算输入图像的直方图H；

2)直方图归一化，因此直方块和为255；

3)计算直方图积分；

4)采用H,作为查询表：dst(x,y)＝H,(src(x,y))进行图像变换；

最后，采用3*3的核，标准差为sigma＝(3/2-1)*0.3+0.8的方法进行高斯平滑去噪得到待检测的图像；

S2：运用改进的SUSAN边缘检测算法对边缘进行提取，得到二值图像；

S3：对二值图像进行膨胀，腐蚀，细化，骨架后进行Hough变换直线检测，并找出连通直线的区域，利用车辆的纹理特征提取出车辆区域。

改进的SUSAN边缘检测算法具体如下：

1)将Susan模板内部每个像素点的灰度值都与模板中心像素的灰度值进行比较，假如模板内某点像素的灰度值与模板中心像素(也称作核)灰度的差值小于某个阈值t，认为该点与核有相同的灰度，模板内所有与核有相同灰度的值的总和构成核值相似区(USAN)；

2)在Susan模板内，通过累积模板内像素值来确定模板内像素与模板中心像素差值的阈值t，计算方法如下：

sum＝∑img_(i,j)(s)；对于一个37像素的类似圆形模板，sum表示累积变量，img_(i,j)(k)表示中心像素在源图像中的第i行第j列，k表示模板中的第k个像素；

则第k个像素的阈值t为：

t＝sum/N；

式中，N取模板大小的二倍；

3)检测时，判断模板内像素点是否在USAN区的比较函数如下：

坐标(x_c,y_c)表示模板的该坐标；

则USAN区的大小计算公式：

n的值不大于n_max的3/4；定义几何阈值g＝3n_max/4；

4)求出第k个像素与中心像素的差值，与t作比较，若小于等于t则USAN区加1，最后判断USAN区与阈值g的大小，若小于，则当前像素为边缘点，将当前像素值设为255，否则，当前像素不是边缘点，将其设为0。

Claims (2)

1.一种移动车辆检测方法，其特征在于，包括以下步骤：

S1：采集车辆视频图像，对视频图像进行灰度转换，裁剪出车辆集中的区域，然后用以下方法对图像进行直方图均衡化：

1)计算输入图像的直方图H；

2)直方图归一化，因此直方块和为255；

3)计算直方图积分；

4)采用H’作为查询表：dst(x,y)＝H’(src(x,y))进行图像变换；

最后，采用3*3的核，标准差为sigma＝(3/2-1)*0.3+0.8的方法进行高斯平滑去噪得到待检测的图像；

S2：运用改进的SUSAN边缘检测算法对边缘进行提取，得到二值图像；

S3：对二值图像进行膨胀，腐蚀，细化，骨架后进行Hough变换直线检测，并找出连通直线的区域，利用车辆的纹理特征提取出车辆区域。

2.根据权利要求1所述的移动车辆检测方法，其特征在于，改进的SUSAN边缘检测算法具体如下：

1)将Susan模板内部每个像素点的灰度值都与模板中心像素的灰度值进行比较，假如模板内某点像素的灰度值与模板中心像素(也称作核)灰度的差值小于某个阈值t，认为该点与核有相同的灰度，模板内所有与核有相同灰度的值的总和构成核值相似区(USAN)；

2)在Susan模板内，通过累积模板内像素值来确定模板内像素与模板中心像素差值的阈值t，计算方法如下：

sum＝∑img_(i,j)(s)；对于一个37像素的类似圆形模板，sum表示累积变量，img_(i,j)(k)表示中心像素在源图像中的第i行第j列，k表示模板中的第k个像素；

则第k个像素的阈值t为：

t＝sum/N；

式中，N取模板大小的二倍；

3)检测时，判断模板内像素点是否在USAN区的比较函数如下：

坐标(x_c,y_c)表示模板的该坐标；

则USAN区的大小计算公式：

n的值不大于n_max的3/4；定义几何阈值g＝3n_max/4；

4)求出第k个像素与中心像素的差值，与t作比较，若小于等于t则USAN区加1，最后判断USAN区与阈值g的大小，若小于，则当前像素为边缘点，将当前像素值设为255，否则，当前像素不是边缘点，将其设为0。