CN108256385A - 基于视觉的前方车辆检测方法 - Google Patents
基于视觉的前方车辆检测方法 Download PDFInfo
- Publication number
- CN108256385A CN108256385A CN201611234581.0A CN201611234581A CN108256385A CN 108256385 A CN108256385 A CN 108256385A CN 201611234581 A CN201611234581 A CN 201611234581A CN 108256385 A CN108256385 A CN 108256385A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- hacures
- front vehicles
- pixel
- 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- Withdrawn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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Abstract
本发明公开了一种基于视觉的前方车辆检测方法,包括以下步骤:S1:采集前方车辆视频图像,对图像进行自适应二值化处理,通过腐蚀、膨胀法滤除干扰点;S2:进行阴影线的合并及ROI区域的提取;S3:利用目标区域内的信息熵、车尾对称性特征对ROI区域进行筛选和判别;S4:使用改进的Robinson方向检测算子提取车辆边界,从而实现前方车辆的检测。本发明提出了一种面向智能车辆与结构化道路的前方移动车辆检测方法,在二值化的过程中,采取局部统计与双最大类间相结合的方法,选取最优阈值,使算法对参数不同的图像具有更强的包容性,增强系统的鲁棒性。
Description
技术领域
本发明涉及一种基于视觉的前方车辆检测方法。
背景技术
统计显示,全球平均每分钟由车辆交通事故造成的直接经济损失高达230亿美元。而在交通事故中车辆追尾占据着最高的比例。为降低事故发生率,进行了智能车辆辅助驾驶系统的研发。其中视频车辆检测技术是该系统的核心环节,是智能交通系统的核心技术之一。使用机器视觉技术检测并跟踪前方车辆具有信息量大、成本低及鲁棒性好等优点。
在此领域内人们提出了许多技术。有的检测方法虽然定位比较准确,但计算量大,需要特殊硬件支持;有的方法复杂环境下的误检率会明显增加;有的方法计算量过大并且需要设计并行SIMD硬件结构。
发明内容
本发明要解决的技术问题是提供一种基于视觉的前方车辆检测方法。
基于视觉的前方车辆检测方法,包括以下步骤:
S1:采集前方车辆视频图像,对图像进行自适应二值化处理,通过腐蚀、膨胀法滤除干扰点;
S2:进行阴影线的合并及ROI区域的提取;
S3:利用目标区域内的信息熵、车尾对称性特征对ROI区域进行筛选和判别;
S4:使用改进的Robinson方向检测算子提取车辆边界,从而实现前方车辆的检测。
进一步的,所述自适应二值化处理的具体方法如下:
S1-1:对图像进行灰度化处理,采用如下公式:
;
S1-2:最大类间方差(OTSU)法:
计算灰度图像的特征参数,计算公式如下:
;
;
式中,分别为背景及目标区域像素点灰度值出现的概率;分别为背景及目标区域像素点的平均灰度值;为整体图像灰度的统计均值;为背景区域与目标区域的组间方差;在1,2,…,m之间改变K,求使方差取得最大值时的K,即时的K值为最优阈值;
S1-3:使用双OTSU法对图像进行分割,方法如下:
1)首先使用OTSU法计算图像整体的阈值T1;
2)遍历图中的所有像素点,以阈值T1进行分类,大于T1的则归类为背景;
3)对2)中筛选过后保留的目标像素再次使用OTSU法,得到新阈值T2;
4)以T2为分割阈值对图像再次进行二值化,大于T2的归类为背景,像素值设置为255,小于T2的设置为目标像素,像素值设置为0;
S1-4:路面局部灰度值提取与双OTSU相结合的提取方法:
1)假设处理的视频图像分辨率为640*480,则在灰度图像上选取5个长宽均为25个像素的路面区域,统计5个路面区域的平均灰度值及标准差,去除大于180及大于90的区域;
2)设剩下的路面区域个数为N,经过计算可以求得这N个区域的平均灰度值,及平均方差,可得到最优阈值为:
;
3)当N过小时或T3<0时,通过以下公式进行算法的选取:
进一步的,所述阴影线的合并方法如下:
S2-1:首先从上至下、从左至右逐行搜索阴影线的起始位置和终止位置,从而确定其长度和位置,当满足下式则认为找到了阴影线的起点xstart;
当满足下式时,则认为找到了阴影线的终点xend;
S2-2:为每行选取一个阈值,若检测到的阴影线长度length=xend-xstart与此阈值相差过多,则可以滤除掉该阴影线的干扰,对应的关系式为:
,
式中:w为阴影线在图像中的长度标量(单位:像素);wp为车辆实宽(单位:m);H为摄像机光轴距地面的高度,取值1.6m;y为目标在图像纵轴方向上的所在行数(单位:像素);h为图像的高度(单位:像素);
S2-3:当满足下式时,则可认为此阴影线为车辆底部阴影;
;
S2-4:对y轴方向的相邻阴影线进行合并,逐行遍历获取的阴影直线,当满足|y1-y2|<T时,则对这2行进行合并,T值取为4个像素点,即可把独立的阴影线合并成了阴影区域。
进一步的,所述ROI区域的提取方法具体如下:
S3-1:定义矩形度SQ为区域内面积与其外接矩形面积的比值,SQ越大则此区域愈呈矩形状;令四边形度量QM为阴影区域宽高比的量度,当QM=1时,可以近似认为四边形是等边的,利用SQ与QM对上述检测出的阴影区域进行筛选,方法如下:
S3-2:选取范围较大的RIO区域,具体方法为:
式中,为ROI区域左下角坐标点; 为阴影区域左下角坐标点;分别为ROI区域的宽度和高度;为阴影区域的宽度;参数;
S3-3:令W=640,H=480,对ROI区域进行调整,调整方法如下:
;
即可提取到ROI区域。
本发明的有益效果是:
本发明提出了一种面向智能车辆与结构化道路的前方移动车辆检测方法,在二值化的过程中,采取局部统计与双最大类间相结合的方法,选取最优阈值,使算法对参数不同的图像具有更强的包容性,增强系统的鲁棒性。
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。
基于视觉的前方车辆检测方法,包括以下步骤:
S1:采集前方车辆视频图像,对图像进行自适应二值化处理,通过腐蚀、膨胀法滤除干扰点;
S2:进行阴影线的合并及ROI区域的提取;
S3:利用目标区域内的信息熵、车尾对称性特征对ROI区域进行筛选和判别;
S4:使用改进的Robinson方向检测算子提取车辆边界,从而实现前方车辆的检测。
进一步的,所述自适应二值化处理的具体方法如下:
S1-1:对图像进行灰度化处理,采用如下公式:
;
S1-2:最大类间方差(OTSU)法:
计算灰度图像的特征参数,计算公式如下:
;
;
式中,分别为背景及目标区域像素点灰度值出现的概率;分别为背景及目标区域像素点的平均灰度值;为整体图像灰度的统计均值;为背景区域与目标区域的组间方差;在1,2,…,m之间改变K,求使方差取得最大值时的K,即时的K值为最优阈值;
S1-3:使用双OTSU法对图像进行分割,方法如下:
1)首先使用OTSU法计算图像整体的阈值T1;
2)遍历图中的所有像素点,以阈值T1进行分类,大于T1的则归类为背景;
3)对2)中筛选过后保留的目标像素再次使用OTSU法,得到新阈值T2;
4)以T2为分割阈值对图像再次进行二值化,大于T2的归类为背景,像素值设置为255,小于T2的设置为目标像素,像素值设置为0;
S1-4:路面局部灰度值提取与双OTSU相结合的提取方法:
1)假设处理的视频图像分辨率为640*480,则在灰度图像上选取5个长宽均为25个像素的路面区域,统计5个路面区域的平均灰度值及标准差,去除大于180及大于90的区域;
2)设剩下的路面区域个数为N,经过计算可以求得这N个区域的平均灰度值,及平均方差,可得到最优阈值为:
;
3)当N过小时或T3<0时,通过以下公式进行算法的选取:
进一步的,所述阴影线的合并方法如下:
S2-1:首先从上至下、从左至右逐行搜索阴影线的起始位置和终止位置,从而确定其长度和位置,当满足下式则认为找到了阴影线的起点xstart;
当满足下式时,则认为找到了阴影线的终点xend;
S2-2:为每行选取一个阈值,若检测到的阴影线长度length=xend-xstart与此阈值相差过多,则可以滤除掉该阴影线的干扰,对应的关系式为:
,
式中:w为阴影线在图像中的长度标量(单位:像素);wp为车辆实宽(单位:m);H为摄像机光轴距地面的高度,取值1.6m;y为目标在图像纵轴方向上的所在行数(单位:像素);h为图像的高度(单位:像素);
S2-3:当满足下式时,则可认为此阴影线为车辆底部阴影;
;
S2-4:对y轴方向的相邻阴影线进行合并,逐行遍历获取的阴影直线,当满足|y1-y2|<T时,则对这2行进行合并,T值取为4个像素点,即可把独立的阴影线合并成了阴影区域。
进一步的,所述ROI区域的提取方法具体如下:
S3-1:定义矩形度SQ为区域内面积与其外接矩形面积的比值,SQ越大则此区域愈呈矩形状;令四边形度量QM为阴影区域宽高比的量度,当QM=1时,可以近似认为四边形是等边的。利用SQ与QM对上述检测出的阴影区域进行筛选,方法如下:
S3-2:选取范围较大的RIO区域,具体方法为:
式中,为ROI区域左下角坐标点; 为阴影区域左下角坐标点;分别为ROI区域的宽度和高度;为阴影区域的宽度;参数;
S3-3:令W=640,H=480,对ROI区域进行调整,调整方法如下:
;
即可提取到ROI区域。
Claims (4)
1.基于视觉的前方车辆检测方法,其特征在于,包括以下步骤:
S1:采集前方车辆视频图像,对图像进行自适应二值化处理,通过腐蚀、膨胀法滤除干扰点;
S2:进行阴影线的合并及ROI区域的提取;
S3:利用目标区域内的信息熵、车尾对称性特征对ROI区域进行筛选和判别;
S4:使用改进的Robinson方向检测算子提取车辆边界,从而实现前方车辆的检测。
2.根据权利要求1所述的前方车辆检测方法,其特征在于,所述自适应二值化处理的具体方法如下:
S1-1:对图像进行灰度化处理,采用如下公式:
;
S1-2:最大类间方差(OTSU)法:
计算灰度图像的特征参数,计算公式如下:
;
;
式中,分别为背景及目标区域像素点灰度值出现的概率;分别为背景及目标区域像素点的平均灰度值;为整体图像灰度的统计均值;为背景区域与目标区域的组间方差;在1,2,…,m之间改变K,求使方差取得最大值时的K,即时的K值为最优阈值;
S1-3:使用双OTSU法对图像进行分割,方法如下:
1)首先使用OTSU法计算图像整体的阈值T1;
2)遍历图中的所有像素点,以阈值T1进行分类,大于T1的则归类为背景;
3)对2)中筛选过后保留的目标像素再次使用OTSU法,得到新阈值T2;
4)以T2为分割阈值对图像再次进行二值化,大于T2的归类为背景,像素值设置为255,小于T2的设置为目标像素,像素值设置为0;
S1-4:路面局部灰度值提取与双OTSU相结合的提取方法:
1)假设处理的视频图像分辨率为640*480,则在灰度图像上选取5个长宽均为25个像素的路面区域,统计5个路面区域的平均灰度值及标准差,去除大于180及大于90的区域;
2)设剩下的路面区域个数为N,经过计算可以求得这N个区域的平均灰度值,及平均方差,可得到最优阈值为:
;
3)当N过小时或T3<0时,通过以下公式进行算法的选取:
。
3.根据权利要求1所述的前方车辆检测方法,其特征在于,所述阴影线的合并方法如下:
S2-1:首先从上至下、从左至右逐行搜索阴影线的起始位置和终止位置,从而确定其长度和位置,当满足下式则认为找到了阴影线的起点xstart;
当满足下式时,则认为找到了阴影线的终点xend;
S2-2:为每行选取一个阈值,若检测到的阴影线长度length=xend-xstart与此阈值相差过多,则可以滤除掉该阴影线的干扰,对应的关系式为:
,
式中:w为阴影线在图像中的长度标量(单位:像素);wp为车辆实宽(单位:m);H为摄像机光轴距地面的高度,取值1.6m;y为目标在图像纵轴方向上的所在行数(单位:像素);h为图像的高度(单位:像素);
S2-3:当满足下式时,则可认为此阴影线为车辆底部阴影;
;
S2-4:对y轴方向的相邻阴影线进行合并,逐行遍历获取的阴影直线,当满足|y1-y2|<T时,则对这2行进行合并,T值取为4个像素点,即可把独立的阴影线合并成了阴影区域。
4.根据权利要求1所述的前方车辆检测方法,其特征在于,所述ROI区域的提取方法具体如下:
S3-1:定义矩形度SQ为区域内面积与其外接矩形面积的比值,SQ越大则此区域愈呈矩形状;令四边形度量QM为阴影区域宽高比的量度,当QM=1时,可以近似认为四边形是等边的,利用SQ与QM对上述检测出的阴影区域进行筛选,方法如下:
S3-2:选取范围较大的RIO区域,具体方法为:
式中,为ROI区域左下角坐标点; 为阴影区域左下角坐标点;分别为ROI区域的宽度和高度;为阴影区域的宽度;参数;
S3-3:令W=640,H=480,对ROI区域进行调整,调整方法如下:
;
即可提取到ROI区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611234581.0A CN108256385A (zh) | 2016-12-28 | 2016-12-28 | 基于视觉的前方车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611234581.0A CN108256385A (zh) | 2016-12-28 | 2016-12-28 | 基于视觉的前方车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256385A true CN108256385A (zh) | 2018-07-06 |
Family
ID=62719260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611234581.0A Withdrawn CN108256385A (zh) | 2016-12-28 | 2016-12-28 | 基于视觉的前方车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256385A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087326A (zh) * | 2018-09-18 | 2018-12-25 | 辽宁工业大学 | 基于局部自适应的Otsu算法 |
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 |
CN109583417A (zh) * | 2018-12-13 | 2019-04-05 | 上海为森车载传感技术有限公司 | 基于fcw系统的前方车辆候选框提取方法 |
CN109934126A (zh) * | 2019-02-25 | 2019-06-25 | 北方工业大学 | 车辆尾烟检测方法及系统 |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105654091A (zh) * | 2014-11-27 | 2016-06-08 | 航天恒星科技有限公司 | 海面目标检测方法及装置 |
-
2016
- 2016-12-28 CN CN201611234581.0A patent/CN108256385A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105654091A (zh) * | 2014-11-27 | 2016-06-08 | 航天恒星科技有限公司 | 海面目标检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘冠宇: "基于视觉的车道线检测与车辆识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087326A (zh) * | 2018-09-18 | 2018-12-25 | 辽宁工业大学 | 基于局部自适应的Otsu算法 |
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 |
CN109583417A (zh) * | 2018-12-13 | 2019-04-05 | 上海为森车载传感技术有限公司 | 基于fcw系统的前方车辆候选框提取方法 |
CN109934126A (zh) * | 2019-02-25 | 2019-06-25 | 北方工业大学 | 车辆尾烟检测方法及系统 |
CN109934126B (zh) * | 2019-02-25 | 2021-01-15 | 北方工业大学 | 车辆尾烟检测方法及系统 |
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 |
---|---|---|
CN108256385A (zh) | 基于视觉的前方车辆检测方法 | |
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN107330376B (zh) | 一种车道线识别方法及系统 | |
CN109785291B (zh) | 一种车道线自适应检测方法 | |
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN104700072B (zh) | 基于车道线历史帧的识别方法 | |
CN108280450B (zh) | 一种基于车道线的高速公路路面检测方法 | |
US9990534B2 (en) | Image processing device and image processing method | |
KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN107045634B (zh) | 一种基于最大稳定极值区域与笔画宽度的文本定位方法 | |
JP4930046B2 (ja) | 路面判別方法および路面判別装置 | |
CN110414355A (zh) | 基于视觉的右方位空停车位与泊车过程中车位线检测方法 | |
WO2012081359A1 (ja) | レーン認識装置 | |
CN107832674B (zh) | 一种车道线检测方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
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 | |
CN105678287B (zh) | 一种基于脊度量的车道线检测方法 | |
JP6226368B2 (ja) | 車両監視装置、および車両監視方法 | |
CN107423735B (zh) | 一种利用水平梯度和饱和度的车牌定位方法 | |
CN107563331B (zh) | 一种基于几何关系的道路标志线检测方法及系统 | |
CN109886935A (zh) | 一种基于深度学习的道面异物检测方法 | |
CN106875430B (zh) | 动态背景下基于固定形态的单一运动目标追踪方法和装置 | |
JP5188429B2 (ja) | 環境認識装置 |
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: 20180706 |
|
WW01 | Invention patent application withdrawn after publication |