CN108229247A - 一种移动车辆检测方法 - Google Patents
一种移动车辆检测方法 Download PDFInfo
- Publication number
- CN108229247A CN108229247A CN201611152321.9A CN201611152321A CN108229247A CN 108229247 A CN108229247 A CN 108229247A CN 201611152321 A CN201611152321 A CN 201611152321A CN 108229247 A CN108229247 A CN 108229247A
- Authority
- CN
- China
- Prior art keywords
- pixel
- template
- image
- vehicle
- value
- 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.)
- Withdrawn
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
- G06V20/56—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
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
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(xc,yc)表示模板的该坐标;
则USAN区的大小计算公式:
n的值不大于nmax的3/4;定义几何阈值g=3nmax/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(xc,yc)表示模板的该坐标;
则USAN区的大小计算公式:
n的值不大于nmax的3/4;定义几何阈值g=3nmax/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(xc,yc)表示模板的该坐标;
则USAN区的大小计算公式:
n的值不大于nmax的3/4;定义几何阈值g=3nmax/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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611152321.9A CN108229247A (zh) | 2016-12-14 | 2016-12-14 | 一种移动车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611152321.9A CN108229247A (zh) | 2016-12-14 | 2016-12-14 | 一种移动车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229247A true CN108229247A (zh) | 2018-06-29 |
Family
ID=62638306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611152321.9A Withdrawn CN108229247A (zh) | 2016-12-14 | 2016-12-14 | 一种移动车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229247A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738210A (zh) * | 2019-10-09 | 2020-01-31 | 中山安信通机器人制造有限公司 | 一种基于纹理特征的车辆侦测方法 |
CN111611930A (zh) * | 2020-05-22 | 2020-09-01 | 华域汽车系统股份有限公司 | 一种基于光照一致的车位线检测方法 |
CN111767942A (zh) * | 2020-05-19 | 2020-10-13 | 中国石油天然气集团有限公司 | 一种地震断层数据处理方法及装置 |
CN113159054A (zh) * | 2021-04-29 | 2021-07-23 | 苏州弘皓光电科技有限公司 | 一种基于神经网络的字符识别方法、计算设备及可读介质 |
CN113409239A (zh) * | 2020-12-04 | 2021-09-17 | 中广核贝谷科技有限公司 | 一种基于辐射成像的集装箱空箱检测方法 |
CN114862888A (zh) * | 2022-04-24 | 2022-08-05 | 国网湖北省电力有限公司荆州供电公司 | 一种目标识别方法及远距离激光清洗方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999759A (zh) * | 2012-11-07 | 2013-03-27 | 东南大学 | 一种基于光流的车辆运动状态估计方法 |
CN105260749A (zh) * | 2015-11-02 | 2016-01-20 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN105447890A (zh) * | 2015-12-08 | 2016-03-30 | 南京航空航天大学 | 一种抗光照影响的运动车辆检测方法 |
CN105632170A (zh) * | 2014-11-26 | 2016-06-01 | 安徽中杰信息科技有限公司 | 一种基于Mean Shift跟踪算法的交通流检测方法 |
-
2016
- 2016-12-14 CN CN201611152321.9A patent/CN108229247A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999759A (zh) * | 2012-11-07 | 2013-03-27 | 东南大学 | 一种基于光流的车辆运动状态估计方法 |
CN105632170A (zh) * | 2014-11-26 | 2016-06-01 | 安徽中杰信息科技有限公司 | 一种基于Mean Shift跟踪算法的交通流检测方法 |
CN105260749A (zh) * | 2015-11-02 | 2016-01-20 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN105447890A (zh) * | 2015-12-08 | 2016-03-30 | 南京航空航天大学 | 一种抗光照影响的运动车辆检测方法 |
Non-Patent Citations (1)
Title |
---|
杨艳爽等: "基于改进SUSAN算法的移动车辆检测", 《计算机系统应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738210A (zh) * | 2019-10-09 | 2020-01-31 | 中山安信通机器人制造有限公司 | 一种基于纹理特征的车辆侦测方法 |
CN111767942A (zh) * | 2020-05-19 | 2020-10-13 | 中国石油天然气集团有限公司 | 一种地震断层数据处理方法及装置 |
CN111611930A (zh) * | 2020-05-22 | 2020-09-01 | 华域汽车系统股份有限公司 | 一种基于光照一致的车位线检测方法 |
CN111611930B (zh) * | 2020-05-22 | 2023-10-31 | 华域汽车系统股份有限公司 | 一种基于光照一致的车位线检测方法 |
CN113409239A (zh) * | 2020-12-04 | 2021-09-17 | 中广核贝谷科技有限公司 | 一种基于辐射成像的集装箱空箱检测方法 |
CN113159054A (zh) * | 2021-04-29 | 2021-07-23 | 苏州弘皓光电科技有限公司 | 一种基于神经网络的字符识别方法、计算设备及可读介质 |
CN114862888A (zh) * | 2022-04-24 | 2022-08-05 | 国网湖北省电力有限公司荆州供电公司 | 一种目标识别方法及远距离激光清洗方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229247A (zh) | 一种移动车辆检测方法 | |
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
CN108053419B (zh) | 基于背景抑制和前景抗干扰的多尺度目标跟踪方法 | |
CN107316031B (zh) | 用于行人重识别的图像特征提取方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
CN102298773B (zh) | 一种形状自适应的非局部均值去噪方法 | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN102324099B (zh) | 一种面向仿人机器人的台阶边缘检测方法 | |
Er-Sen et al. | An adaptive edge-detection method based on the canny operator | |
CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
CN103577828B (zh) | 一种基于边缘特征的道路检测方法 | |
CN110263635B (zh) | 基于结构森林和PCANet的标志物检测与识别方法 | |
CN104299009A (zh) | 基于多特征融合的车牌字符识别方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN107463939B (zh) | 一种图像关键直线检测方法 | |
CN107133600A (zh) | 一种基于帧间关联的实时车道线检测方法 | |
CN101976347A (zh) | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 | |
CN103914829A (zh) | 一种含噪图像边缘检测方法 | |
CN105046230A (zh) | 基于图像的人眼角检测的方法及系统 | |
CN111914832B (zh) | 一种rgb-d相机在动态场景下的slam方法 | |
CN102034227B (zh) | 一种图像去噪的方法 | |
Huang et al. | Unstructured lane identification based on hough transform and improved region growing |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180629 |
|
WW01 | Invention patent application withdrawn after publication |