CN108229248A - 基于车底阴影的车辆检测方法 - Google Patents
基于车底阴影的车辆检测方法 Download PDFInfo
- Publication number
- CN108229248A CN108229248A CN201611152326.1A CN201611152326A CN108229248A CN 108229248 A CN108229248 A CN 108229248A CN 201611152326 A CN201611152326 A CN 201611152326A CN 108229248 A CN108229248 A CN 108229248A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- underbody
- image
- symmetry
- target
- 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- Withdrawn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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Abstract
本发明公开了一种基于车底阴影的车辆检测方法,包括以下步骤:S1:通过装置于车辆内的摄像机实时的采集车辆信息,将获得的车辆行驶视频按照帧分割成一系列的图像序列,并对图像进行灰度化、二值化及降噪预处理;S2:采用基于改进的阴影分割方法分割出车底阴影;S3:提取车底与路面交线边缘,从而定位车辆位置;S4:基于对称性验证车辆,排除虚假车辆。本发明首先采用两次自适应阈值算法为有利于提取车底和路面的交线,从而初步定位车辆的假设区域,利用垂直Sobel边缘检测和Hough变换完成车辆精确定位,提高检测效率;最后基于熵值归一化的对称性测度进行验证,剔除虚假车辆,提高检测准确度。
Description
技术领域
本发明涉及一种基于车底阴影的车辆检测方法。
背景技术
前方运动车辆检测是智能交通系统领域中一个重要研究方向。利用基于视觉获知前方车辆信息是智能车辆安全驾驶及交通系统研究领域的热点,利于减少伤亡、节约时间、降低污染。
基于视觉的车辆检测方法可归纳为以下四类:基于光流场方法[1较好处理背景运动情况,对噪声、光线变化较敏感,实时性差;基于模型方法对模型的依赖性强;基于立体视觉方法定位较准确,但特征点匹配难度大、计算量大、成本高,对车辆自身运动较敏感;基于特征的方法是利用车辆一些显著特征如车底阴影、边缘、对称性等提取车辆区域,单一特征容易受光照及周边环境影响而被弱化,结合多个特征是基于特征方法的发展趋势。
光强及周边环境会对车辆特征产生较大干扰,但车辆下方的阴影区域在整个图像中较暗,是一种较为鲁棒的特征。依据国内外文献,结合阴影特征和Haar小波来检测车辆,不能有效排除非车辆的阴影,且实时性差;利用车底阴影确定边缘线,但由天桥对路面的投影不能很好排除,并且依赖车道线检测,单帧检测耗时1~1.5s,车内安装多个传感器,成本高;用阴影和边缘特征检测车辆,若图像太亮或太暗,阴影区域检测不到;以阴影和边缘作为检测的主要特征,但路边建筑或树在路面投射大片阴影时,很难检测。
发明内容
本发明要解决的技术问题是提供一种基于车底阴影的车辆检测方法。
基于车底阴影的车辆检测方法,包括以下步骤:
S1:通过装置于车辆内的摄像机实时的采集车辆信息,将获得的车辆行驶视频按照帧分割成一系列的图像序列,并对图像进行灰度化、二值化及降噪预处理;
S2:采用基于改进的阴影分割方法分割出车底阴影;
S3:提取车底与路面交线边缘,从而定位车辆位置;
S4:基于对称性验证车辆,排除虚假车辆。
进一步的,所述基于改进的阴影分割方法具体如下:
S2-1:根据均值方差公式计算灰度图像的均值与方差:
其中,f(x,y)为灰度图像在(x,y)点处的亮度值,M、N分别为图像的宽和高,μ1、σ1分别为灰度图像均值和方差;
S2-2:第一次自适应阈值为:
Threshold1=μ1-σ1/a;
其中,a=μ1/σ1;
S2-3:对整幅灰度图像中统计低于Threshold1的像素点,对低于Threshold1的像素点利用均值方差公式计算均值μ2和方差σ2:
Threshold2=μ2-σ2/b;
其中,b=μ2/σ2;
S2-4:通过阈值Threshold2分割灰度图像,提取出车底阴影。
进一步的,提取车底与路面交线边缘的方法具体如下:
S3-1:对阴影分割后的图像搜索阴影线起始位置xstart、终点位置xend,按从上往下从左往右扫描,当符合下式时,记为起点:
f(x-1,y)-f(x,y)=255&&f(x,y)-f(x+1,y)=0;
继续扫描连续黑点,当符合下式时,记为终点:
f(x,y)-f(x-1,y)=0&&f(x+1,y)-f(x,y)=225;
S3-2:投影到图像中的车宽近似用透视投影公式表示:
其中,w为图像中目标车辆的宽度(单位:像素);wp为车辆实际宽度(单位:m);H为摄像机广州距离水平路面高度(单位:m);y为图像中目标所在的行(单位:像素);
S3-3:阴影线长度length=xend-xstart表明目标宽度,记录满足下式的阴影线起点、终点及行位置;反之剔除阴影线:
w*0.8<length=xend-xstart<w*1.2;
S3-4:按从上向下,当满足y方向上:|y1-y2|<5,则对y方向相邻阴影线进行合并,合并原则遵循左端点取靠近左边的点,右端点取靠近右边的点;阴影线变成最接近目标车底边缘线,从而确定目标车辆的假设矩形区域的位置。
进一步的,所述基于对称性验证车辆的具体方法如下:
S4-1:在假设矩形区域内,利用垂直Sobel边缘检测和Hough变换准确提取车辆的左右边界;
S4-2:将假设矩形框其列方向上灰度均值视为横坐标一维函数:
对称轴取矩形框竖直中轴xS,宽度为矩形宽度w=xend-xstart,以xS为纵轴的新坐标下,g(x)=g(xS+u)的偶函数和奇函数的分量分别为:
对偶函数O(u,xS)分量归一化,保证其均值为0,则有:
目标矩形的对称性测量为:
S4-3:从概率统计学角度,将信息量定义为:
I(li)=-lgp(li);
信息熵定义为信息量的数学期望:
对于灰度图像E(l)取值范围为[0,5.546],Em灰度图像信息熵最大值;
根据车辆对称性特点,引用熵值归一化的对称性测度排除虚假目标,定义为:
S4-4:通过公式计算精确提取的假设矩形区域内的熵值归一化的对称性测度
S4-5:当时,则目标为车辆;反之,为虚假车辆。
本发明的有益效果是:
本发明有效地解决了白天中不同时段及周边环境阴影的干扰,实时准确检测到前方目标车辆,首先,采用两次自适应阈值算法为有利于提取车底和路面的交线,从而初步定位车辆的假设区域,利用垂直Sobel边缘检测和Hough变换完成车辆精确定位,提高检测效率;最后基于熵值归一化的对称性测度进行验证,剔除虚假车辆,提高检测准确度。
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。
基于车底阴影的车辆检测方法,包括以下步骤:
S1:通过装置于车辆内的摄像机实时的采集车辆信息,将获得的车辆行驶视频按照帧分割成一系列的图像序列,并对图像进行灰度化、二值化及降噪预处理;
S2:采用基于改进的阴影分割方法分割出车底阴影;
S3:提取车底与路面交线边缘,从而定位车辆位置;
S4:基于对称性验证车辆,排除虚假车辆。
所述基于改进的阴影分割方法具体如下:
S2-1:根据均值方差公式计算灰度图像的均值与方差:
其中,f(x,y)为灰度图像在(x,y)点处的亮度值,M、N分别为图像的宽和高,μ1、σ1分别为灰度图像均值和方差;
S2-2:第一次自适应阈值为:
Threshold1=μ1-σ1/a;
其中,a=μ1/σ1;
S2-3:对整幅灰度图像中统计低于Threshold1的像素点,对低于Threshold1的像素点利用均值方差公式计算均值μ2和方差σ2:
Threshold2=μ2-σ2/b;
其中,b=μ2/σ2;
S2-4:通过阈值Threshold2分割灰度图像,提取出车底阴影。
提取车底与路面交线边缘的方法具体如下:
S3-1:对阴影分割后的图像搜索阴影线起始位置xstart、终点位置xend,按从上往下从左往右扫描,当符合下式时,记为起点:
f(x-1,y)-f(x,y)=255&&f(x,y)-f(x+1,y)=0;
继续扫描连续黑点,当符合下式时,记为终点:
f(x,y)-f(x-1,y)=0&&f(x+1,y)-f(x,y)=225;
S3-2:投影到图像中的车宽近似用透视投影公式表示:
其中,w为图像中目标车辆的宽度(单位:像素);wp为车辆实际宽度(单位:m);H为摄像机广州距离水平路面高度(单位:m);y为图像中目标所在的行(单位:像素);
S3-3:阴影线长度length=xend-xstart表明目标宽度,记录满足下式的阴影线起点、终点及行位置;反之剔除阴影线:
w*0.8<length=xend-xstart<w*1.2;
S3-4:按从上向下,当满足y方向上:|y1-y2|<5,则对y方向相邻阴影线进行合并,合并原则遵循左端点取靠近左边的点,右端点取靠近右边的点;阴影线变成最接近目标车底边缘线,从而确定目标车辆的假设矩形区域的位置。
所述基于对称性验证车辆的具体方法如下:
S4-1:在假设矩形区域内,利用垂直Sobel边缘检测和Hough变换准确提取车辆的左右边界;
S4-2:将假设矩形框其列方向上灰度均值视为横坐标一维函数:
对称轴取矩形框竖直中轴xS,宽度为矩形宽度w=xend-xstart,以xS为纵轴的新坐标下,g(x)=g(xS+u)的偶函数和奇函数的分量分别为:
对偶函数O(u,xS)分量归一化,保证其均值为0,则有:
目标矩形的对称性测量为:
S4-3:从概率统计学角度,将信息量定义为:
I(li)=-lgp(li);
信息熵定义为信息量的数学期望:
对于灰度图像E(l)取值范围为[0,5.546],Em灰度图像信息熵最大值;
根据车辆对称性特点,引用熵值归一化的对称性测度排除虚假目标,定义为:
S4-4:通过公式计算精确提取的假设矩形区域内的熵值归一化的对称性测度
S4-5:当时,则目标为车辆;反之,为虚假车辆。
Claims (4)
1.基于车底阴影的车辆检测方法,其特征在于,包括以下步骤:
S1:通过装置于车辆内的摄像机实时的采集车辆信息,将获得的车辆行驶视频按照帧分割成一系列的图像序列,并对图像进行灰度化、二值化及降噪预处理;
S2:采用基于改进的阴影分割方法分割出车底阴影;
S3:提取车底与路面交线边缘,从而定位车辆位置;
S4:基于对称性验证车辆,排除虚假车辆。
2.根据权利要求1所述的车辆检测方法,其特征在于,所述基于改进的阴影分割方法具体如下:
S2-1:根据均值方差公式计算灰度图像的均值与方差:
其中,f(x,y)为灰度图像在(x,y)点处的亮度值,M、N分别为图像的宽和高,μ1、σ1分别为灰度图像均值和方差;
S2-2:第一次自适应阈值为:
Threshold1=μ1-σ1/a;
其中,a=μ1/σ1;
S2-3:对整幅灰度图像中统计低于Threshold1的像素点,对低于Threshold1的像素点利用均值方差公式计算均值μ2和方差σ2:
Threshold2=μ2-σ2/b;
其中,b=μ2/σ2;
S2-4:通过阈值Threshold2分割灰度图像,提取出车底阴影。
3.根据权利要求1所述的车辆检测方法,其特征在于,提取车底与路面交线边缘的方法具体如下:
S3-1:对阴影分割后的图像搜索阴影线起始位置xstart、终点位置xend,按从上往下从左往右扫描,当符合下式时,记为起点:
f(x-1,y)-f(x,y)=255&&f(x,y)-f(x+1,y)=0;
继续扫描连续黑点,当符合下式时,记为终点:
f(x,y)-f(x-1,y)=0&&f(x+1,y)-f(x,y)=225;
S3-2:投影到图像中的车宽近似用透视投影公式表示:
其中,w为图像中目标车辆的宽度(单位:像素);wp为车辆实际宽度(单位:m);H为摄像机广州距离水平路面高度(单位:m);y为图像中目标所在的行(单位:像素);
S3-3:阴影线长度length=xend-xstart表明目标宽度,记录满足下式的阴影线起点、终点及行位置;反之剔除阴影线:
w*0.8<length=xend-xstart<w*1.2;
S3-4:按从上向下,当满足y方向上:|y1-y2|<5,则对y方向相邻阴影线进行合并,合并原则遵循左端点取靠近左边的点,右端点取靠近右边的点;阴影线变成最接近目标车底边缘线,从而确定目标车辆的假设矩形区域的位置。
4.根据权利要求1所述的车辆检测方法,其特征在于,所述基于对称性验证车辆的具体方法如下:
S4-1:在假设矩形区域内,利用垂直Sobel边缘检测和Hough变换准确提取车辆的左右边界;
S4-2:将假设矩形框其列方向上灰度均值视为横坐标一维函数:
对称轴取矩形框竖直中轴xS,宽度为矩形宽度w=xend-xstart,以xS为纵轴的新坐标下,g(x)=g(xS+u)的偶函数和奇函数的分量分别为:
对偶函数O(u,xS)分量归一化,保证其均值为0,则有:
目标矩形的对称性测量为:
S4-3:从概率统计学角度,将信息量定义为:
I(li)=-lgp(li);
信息熵定义为信息量的数学期望:
对于灰度图像E(l)取值范围为[0,5.546],Em灰度图像信息熵最大值;
根据车辆对称性特点,引用熵值归一化的对称性测度排除虚假目标,定义为:
S4-4:通过公式计算精确提取的假设矩形区域内的熵值归一化的对称性测度
S4-5:当时,则目标为车辆;反之,为虚假车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611152326.1A CN108229248A (zh) | 2016-12-14 | 2016-12-14 | 基于车底阴影的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611152326.1A CN108229248A (zh) | 2016-12-14 | 2016-12-14 | 基于车底阴影的车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229248A true CN108229248A (zh) | 2018-06-29 |
Family
ID=62638363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611152326.1A Withdrawn CN108229248A (zh) | 2016-12-14 | 2016-12-14 | 基于车底阴影的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229248A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145797A (zh) * | 2018-08-13 | 2019-01-04 | 东南大学 | 基于车底阴影特征定位车牌的轻型道路救援装备正方位拖牵诱导方法 |
CN109508637A (zh) * | 2018-10-10 | 2019-03-22 | 广州鹰瞰信息科技有限公司 | 嵌入式实时车辆检测方法与系统 |
CN110414357A (zh) * | 2019-06-28 | 2019-11-05 | 上海工程技术大学 | 一种基于车辆类型识别的前方车辆定位方法 |
CN110428440A (zh) * | 2019-07-23 | 2019-11-08 | 浙江树人学院(浙江树人大学) | 一种基于灰度方差的阴影检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509098A (zh) * | 2011-10-08 | 2012-06-20 | 天津大学 | 一种鱼眼图像车辆识别方法 |
CN104182756A (zh) * | 2014-09-05 | 2014-12-03 | 大连理工大学 | 一种基于单目视觉的车辆前方障碍物检测方法 |
CN104392212A (zh) * | 2014-11-14 | 2015-03-04 | 北京工业大学 | 一种基于视觉的道路信息检测及前方车辆识别方法 |
CN104866838A (zh) * | 2015-06-02 | 2015-08-26 | 南京航空航天大学 | 一种基于视觉的前方车辆自动检测方法 |
US20160283801A1 (en) * | 2015-03-27 | 2016-09-29 | Renesas Electronics Corporation | Image recognition method, image recognition device and image recognition program |
-
2016
- 2016-12-14 CN CN201611152326.1A patent/CN108229248A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509098A (zh) * | 2011-10-08 | 2012-06-20 | 天津大学 | 一种鱼眼图像车辆识别方法 |
CN104182756A (zh) * | 2014-09-05 | 2014-12-03 | 大连理工大学 | 一种基于单目视觉的车辆前方障碍物检测方法 |
CN104392212A (zh) * | 2014-11-14 | 2015-03-04 | 北京工业大学 | 一种基于视觉的道路信息检测及前方车辆识别方法 |
US20160283801A1 (en) * | 2015-03-27 | 2016-09-29 | Renesas Electronics Corporation | Image recognition method, image recognition device and image recognition program |
CN104866838A (zh) * | 2015-06-02 | 2015-08-26 | 南京航空航天大学 | 一种基于视觉的前方车辆自动检测方法 |
Non-Patent Citations (1)
Title |
---|
潘燕: "基于车载摄像头的前方运动车辆检测与跟踪方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145797A (zh) * | 2018-08-13 | 2019-01-04 | 东南大学 | 基于车底阴影特征定位车牌的轻型道路救援装备正方位拖牵诱导方法 |
CN109508637A (zh) * | 2018-10-10 | 2019-03-22 | 广州鹰瞰信息科技有限公司 | 嵌入式实时车辆检测方法与系统 |
CN110414357A (zh) * | 2019-06-28 | 2019-11-05 | 上海工程技术大学 | 一种基于车辆类型识别的前方车辆定位方法 |
CN110414357B (zh) * | 2019-06-28 | 2023-04-07 | 上海工程技术大学 | 一种基于车辆类型识别的前方车辆定位方法 |
CN110428440A (zh) * | 2019-07-23 | 2019-11-08 | 浙江树人学院(浙江树人大学) | 一种基于灰度方差的阴影检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9721460B2 (en) | In-vehicle surrounding environment recognition device | |
US10627228B2 (en) | Object detection device | |
US9349057B2 (en) | Three-dimensional object detection device | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN101608924B (zh) | 一种基于灰度估计和级联霍夫变换的车道线检测方法 | |
CN108229248A (zh) | 基于车底阴影的车辆检测方法 | |
US10565438B2 (en) | Vehicle periphery monitor device | |
CN107891808B (zh) | 行车提醒方法、装置及车辆 | |
CN104036262B (zh) | 一种lpr车牌筛选识别的方法和系统 | |
WO2013157301A1 (ja) | 立体物検出装置及び立体物検出方法 | |
CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
JP2013109760A (ja) | 対象検知方法及び対象検知システム | |
CN104537342B (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
CN104240515A (zh) | 基于图像处理的公交专用道占道抓拍方法 | |
EP2879383B1 (en) | Three-dimensional object detection device and three-dimensional object detection method | |
KR101224027B1 (ko) | 영상의 장면 정보를 이용한 전방 차량 검출 방법 | |
Tian et al. | Fast cyclist detection by cascaded detector and geometric constraint | |
KR20110001427A (ko) | 관심영역 추출에 의한 차선 고속검출 방법 | |
CN102768726A (zh) | 一种预防行人碰撞的行人检测方法 | |
CN101639893B (zh) | 道路方向识别的方法和装置 | |
Cheng et al. | A vehicle detection approach based on multi-features fusion in the fisheye images | |
Huang et al. | Lane marking detection based on adaptive threshold segmentation and road classification | |
Ma et al. | Vision-based pedestrian detection-reliable pedestrian candidate detection by combining ipm and a 1d profile | |
JP2012150595A (ja) | 一時停止線検出装置及びプログラム | |
CN203020184U (zh) | 一种基于双ccd的纯电动汽车车道标识线检测装置 |
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 |