CN110321973A - 一种基于视觉的组合车辆检测方法 - Google Patents
一种基于视觉的组合车辆检测方法 Download PDFInfo
- Publication number
- CN110321973A CN110321973A CN201910664284.7A CN201910664284A CN110321973A CN 110321973 A CN110321973 A CN 110321973A CN 201910664284 A CN201910664284 A CN 201910664284A CN 110321973 A CN110321973 A CN 110321973A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- region
- image
- shadow
- width
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002070 germicidal effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于视觉的组合车辆检测方法,该方法包括:(1)确定目标智能车辆、确定待检测车辆样本集并对车辆样本集中的图像进行预处理;(2)采用自适应阈值分割算法对预处理后的图像进行车底阴影分割;(3)对图像进行形态学滤波后,根据车辆底部阴影的宽高比确定阴影位置;(4)根据所述阴影位置和大小计算生成车辆假设区域;(5)对已生成的车辆假设区域通过颜色直方图比对与所述目标智能车辆的相关性,确定其是否为智能车辆进行组合。本发明采用计算车辆假设区域阶段,从而避免对整张图像进行遍历,提高了检测的效率。
Description
技术领域
本发明涉及车辆检测技术领域,具体涉及一种基于视觉的组合车辆检测方法。
背景技术
随着经济的快速增长,私家车的数量也在逐年增加。车辆数量的激增给人们出行带来了方便,但是也产生了越来越多的社会问题,主要包括严重的交通拥堵,较高的交通事故率,能源消耗所带来的环境污染,停车困难等。严重的交通拥堵给出行带来了许多不便,加重了汽车尾气的排放及环境的污染,同时造成了严重的经济损失。
为了减轻交通拥堵,降低交通事故率,减轻能源消耗所带来的环境污染问题,结合现有的智能车辆技术,本发明提出一种新型出行方式——组合车辆出行。
组合车辆出行是一种介于公共交通与个人交通之间的出行方式,其工作原理是:最初由驾驶人员操控每辆智能车并将导航数据上传到智能交通网络系统,系统负责调配交通资源,从而局部路径相似的智能车组成一个车队。当车队到达目的地附近的时候,智能车可自行脱离车队,由驾驶人员接管智能车。组合车辆出行一方面大大缩短车与车之间的距离,节约道路资源,降低堵车的风险;另一方面可以降低风阻,节省能源;再者车队中除头车之外可以实现自动驾驶,解放驾驶人员的双手,并且减少人为因素所导致的交通事故。
智能车行驶过程中,若智能交通网络系统检测到道路前方一定距离以内存在与本车局部路径相似的智能车,智能交通网络系统首先将该目标智能车的车牌号码发送给本车,然后引导本车行驶至目标智能车后方进行车辆组合。本发明所要解决的问题是如何高精度的检测出目标车辆并与其进行组合,现有车辆检测技术一般是对所有的车辆进行检测,用于统计车流或者防碰撞预警等。但是对已知车辆的检测的场景极为有限,故对已知车辆的检测技术很少也极不成熟。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于视觉的组合车辆检测方法,该方法可以解决对已知车辆的识别中精度低和实时性差的问题。
技术方案:本发明所述的基于视觉的组合车辆检测方法,该方法包括:
(1)确定目标智能车辆、确定待检测车辆样本集并对车辆样本集中的图像进行预处理;
(2)采用自适应阈值分割算法对预处理后的图像进行车底阴影分割;
(3)对图像进行形态学滤波后,根据车辆底部阴影的宽高比确定阴影位置;
(4)根据所述阴影位置和大小计算生成车辆假设区域;
(5)对已生成的车辆假设区域通过颜色直方图比对与所述目标智能车辆的相关性,确定其是否为智能车辆进行组合。
进一步地,包括:
所述步骤(2)具体包括:
(21)对所述图像下方路面区域进行n个矩形窗口的采样,每个大小为M×M像素。n个窗口排成一排,窗口间距为N像素;
(22)计算每个小窗口的灰度值,并计算所有窗口灰度值的均值mp与方差σp,1≤p≤n,将灰度方差最大和最小的两个窗口去除,然后求出剩余(n-2)个窗口的灰度均值m和方差σ;
(23)确定图像中路面区域的灰度值范围,表示为:m-3σ<f(i,j)<m+3σ,其中,f(i,j)是像素点(i,j)的灰度值;
(24)由于车底阴影区域的灰度值比路面区域灰度值低,选取路面区域灰度最小值作为车底阴影分割的阈值,计算为:T=m-3σ。
进一步地,包括:
所述步骤(3)中,根据车辆底部阴影的宽高比确定阴影位置,包括:
车辆底部阴影形状接近矩形,其宽高比在一定的范围内,根据区域的矩形度RM和宽高比EQ来提取目标阴影,范围如下:其中,在其范围的区域判断为车底阴影区域,否则判定为干扰区域。
进一步地,包括:
所述步骤(4)计算车辆假设区域的方法具体包括:
(41)由于车辆顶部光照角度的不同,车辆底部阴影位置相对于车辆本身会产生偏移,为了使车辆假设区域完整的包括整个车体,Rh的宽度要大于Rs的宽度;
Rh的宽度按照下式计算:Rh_w=δ1×Rs_w;
Rh左上角顶点的横坐标按照下式计算:其中,δ1=1.1;
(42)将车辆假设区域Rh的高度设置为车辆底部阴影宽度的δ2倍,Rh_h=δ2×Rs_w,其中,δ2=1.2;
(43)车辆假设区域Rh左上角顶点的纵坐标计算如下式所示:Rh_y=Rs_y+Rs_h-Rh_h,其中,Rh为车辆假设区域,(Rh_x,Rh_y)为其左上角坐标,宽度、高度分别为Rh_w,Rh_h,Rs为车底阴影区域,(Rs_x,Rs_y)为其左上角坐标,宽度、高度分别为Rs_w,Rs_h。
进一步地,包括:
所述步骤(5)中,对已生成的车辆假设区域通过颜色直方图比对与所述目标智能车辆的相关性,具体包括:
(51)将所述车辆假设区域的RGB彩色图像转换为HSV颜色直方图;
(52)将H分量直方图量化为Q个子区间,采用相关性来评价二者的相似度,相关性计算公式为:
其中,H1,H2代表直方图,Q等于直方图中子区间的个数;
(53)将匹配值d与阈值X进行比较,若d<X,则判断的假设区域中不存在智能车辆,然后对下一帧画面进行车辆检测;若d≥X,则将此区域作为车辆假设区域,进行基于支持向量机与HOG特征的验证,其他区域作为环境干扰或者非智能车辆进行舍弃。
进一步地,包括:
所述步骤(3)中,对图像进行形态学滤波包括对预处理后的图像先进行一次开运算,再进行一次闭运算处理。
有益效果:本发明与现有技术相比,其显著优点是:1、本发明采用计算车辆假设区域阶段,从而避免对整张图像进行遍历,提高了检测的效率;2、本发明提出在车辆假设区域生成和车辆假设区域验证之间插入颜色直方图比对来排除与目标车辆颜色差异较大的车辆或者干扰,提高了检测的实时性。
附图说明
图1为本发明所述的检测方法的流程图;
图2为本发明实施例中车辆假设区域生成阶段对路面灰度采集窗口的示意图;
图3为本发明实施例中车辆假设区域生成阶段定车辆底部阴影位置效果图;
图4为本发明实施例中生成的车辆假设区域示意图;
图5为本发明实施例中HSV颜色空间图;
图6为本发明实施例中颜色直方图比对图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,并不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于视觉的车辆检测主要分为两个步骤:车辆假设区域生成和车辆假设区域验证。生成车辆假设区域阶段,图像中可能存在车辆的区域被假设出来,从而避免对整张图像进行遍历,提高了检测的效率。传统的车辆检测算法在生成车辆假设区域之后便对这些区域进行车辆假设区域验证。由于生成的车辆假设区域可能较多,若对所有的车辆假设区域进行验证,则算法计算量过大,无法达到实时检测的目的。针对这种情况,本发明提出在车辆假设区域生成和车辆假设区域验证之间插入颜色直方图比对来排除与目标车辆颜色差异较大的车辆或者干扰,如图1所示。
S1确定目标智能车辆、确定待检测车辆样本集并对车辆样本集中的图像进行预处理。
在对车辆视频采集、传输、存储的过程中,摄像机的抖动、随机噪声、外界环境变化等干扰因素会导致图像包含的信息受到一定的影响,进而影响到后续的车辆检测与跟踪的效果。为了提高图像处理的效果和速度,需要对采集的图像进行预处理。主要包括:图像灰度化、图像滤波、边缘检测、形态学处理等。
在实际交通场景中,车辆底部的阴影比车辆所在的路面更暗,而且随着车辆的移动而移动。可以通过将车辆底部阴影分割出来,以此大致确定车辆所在的位置,从而生成车辆假设区域。在本发明中,车辆底部阴影检测主要包括四个步骤:阴影分割、形态学滤波、确定阴影位置、车辆假设区域生成。
S2采用自适应阈值分割算法对预处理后的图像进行车底阴影分割;
灰度图像包括0到255共256级,直接对灰度图进行处理运算量较大,所以可以通过阈值分割将图像进行二值化处理,将图像分为前景和背景两部分。本发明中前景是图像中车辆底部阴影区域,图像中的其他区域则被视作背景。由于车辆底部阴影会随着光照或者环境的变化而发生变化,故无法选取固定的阈值进行分割。
本发明采用结合路面灰度值的自适应阈值分割算法。该算法的主要思想是提取前方车辆所在路面的平均灰度值作为图像分割的阈值。算法的主要步骤为:
a)对图像下方的区域进行小窗口采样,如图2所示,对所述图像下方路面区域进行n个矩形窗口的采样,每个大小为M×M像素。n个窗口排成一排,窗口间距为N像素,本实施例中,一共采集5个矩形窗口,每个大小为50×50(像素)。5个窗口排成一排,窗口间距为100像素。
b)统计每个小窗口的灰度值,分别计算出灰度值的均值mp与方差σp。σp代表了灰度值的均匀程度,σp越小表示该窗口灰度值越均匀,σp越大表示该窗口灰度值越不均匀,可能存在车道线等干扰。将灰度方差最大和最小的两个窗口去除,然后求出剩余三个窗口的灰度均值m和方差σ。此均值和方差可以作为路面区域的灰度值和方差。
c)通常情况下,路面区域的灰度值范围可以通过下式计算:
m-3σ<f(i,j)<m+3σ (1)
其中,f(i,j)是像素点(i,j)的灰度值。
d)由于车底阴影区域的灰度值比路面灰度值低,因此选取路面区域灰度最小值作为车底阴影分割的阈值:
T=m-3σ (2)
S3对图像进行形态学滤波后,根据车辆底部阴影的宽高比确定阴影位置;
二值化的图像容易出现孔洞、小缺口、粘连等情况,为了更好的分割出车辆底部阴影,本发明对二值化的图像先进行一次开运算,再进行一次闭运算处理。并对小孔洞进行小面积填充。
白色矩形框为目标位置,但是仍然存在其他白色区域,也就是存在很多干扰,但是目标区域跟干扰区域有着较大的区别。主要体现在目标区域的形状较为接近矩形,干扰区域则没有固定的形状。车辆底部阴影的宽高比随着前后车距的改变而变化,但是仍然在一定的范围以内。可根据区域的矩形度(RM)和宽高比(EQ)来提取目标阴影。本发明采用的RM与EQ的范范围如下:其中,在其范围的区域判断为车底阴影区域,否则判定为干扰区域。
该公式主要是排除图像中:①不太像矩形;②宽高比数值范围较大的区域。车辆底部阴影生成效果如图3所示,绿色矩形框内为车辆底部阴影轮廓:
S4根据所述阴影位置和大小计算生成车辆假设区域;
车辆位于自身底部阴影的正上方,且二者的宽度相近,车辆的高度与底部阴影的高度的比值在一定的范围以内。可以根据底部阴影的位置和大小推测出目标车辆的大致位置。
令Rh为车辆假设区域,(Rh_x,Rh_y)为其左上角坐标,宽度、高度分别为Rh_w,Rh_h。令Rs为车底阴影区域,(Rs_x,Rs_y)为其左上角坐标,宽度、高度分别为Rs_w,Rs_h。则生成车辆假设区域Rh的步骤如下:
a)由于车辆顶部光照角度的不同,车辆底部阴影位置相对于车辆本身会产生偏移,为了使车辆假设区域完整的包括整个车体,Rh的宽度要大于Rs的宽度。Rh的宽度按照下式计算:
Rh_w=δ1×Rs_w (5)
Rh左上角顶点的横坐标按照下式计算,其中δ1=1.1,
b)将车辆假设区域Rh的高度设置为车辆底部阴影宽度的δ2倍,其中,δ2=1.2,
Rh_h=δ2×Rs_w (7)
c)车辆假设区域Rh左上角顶点的纵坐标计算如下式所示:
Rh_y=Rs_y+Rs_h-Rh_h (8)
图4为按照上述步骤生成车辆假设区域,采用矩形框标出。
S5对已生成的车辆假设区域通过颜色直方图比对与所述目标智能车辆的相关性,确定其是否为智能车辆进行组合。
HSV颜色空间是根据人眼观察色彩的生理特征而提出的模型。包括三个参数:色调(Hue)、饱和度(Saturation)和亮度(Value)。本发明采集的图像为RGB彩色图像,RGB是根据人眼适合的颜色定义出的空间,可以表示大部分颜色,其中,R,G,B的取值范围是[0,255]。如图5所示,H分量的取值范围是[0,360];S分量的取值范围是[0,1];V分量的取值范围是[0,255]。H分量不易受到光照变化、外界环境的干扰。RGB转换为HSV的公式为:
颜色直方图用于描述图像中每个亮度值的像素数量分布状况,能够反映图像颜色的统计分布和基本色调,对物体的形状变化、旋转等具有较好的鲁棒性。
本发明选用HSV颜色空间来描述智能车辆的颜色。本发明目标车辆为红色,HSV空间H分量集中分布在0°(360)左右。为了减少运算时间,本发明将H分量直方图量化为10个子区间,采用相关性来评价二者的相似度,相关性计算公式为:
其中,H1,H2代表直方图;Q等于直方图中子区间的个数,本发明N=10。d的大小代表匹配的程度,数值越大代表匹配程度越高,如图6所示:
如果车辆假设区域为环境干扰(一般为路边树木、建筑物、路面等)或路面非红色车辆,其颜色与智能车辆相差较大,因而计算所得匹配值d较低。对所有已生成的车辆假设区域分别与智能车辆进行相关度计算,将最大匹配值d与阈值X进行比较;若d<X,则判断画面中不存在智能车辆,然后对下一帧画面进行车辆检测。若d≥X,则将此区域作为智能车辆假设区域,进行基于支持向量机与HOG特征的验证,其他区域作为环境干扰或者非智能车辆进行舍弃处理,结合大量实验本发明将阈值X设置为0.7。
为了适应不同条件下的智能车辆检测,训练集的正样本应尽量包含完整的智能车辆车尾,负样本应尽量包含道路的背景等非车辆图像。本发明是对已知智能车辆的检测,训练集无法采用现成的车辆数据集,只能采用人工的方式自行制作。本发明一共采集了2900张照片作为训练样本集,包括900张正样本和2000张负样本。其中,正样本包含不同天气、不同光照、不同位置等条件下拍摄的智能车辆的车尾照片,并归一化为64×64像素大小。负样本主要包含道路两旁的树木、交通标志、建筑物、行人等非车辆图像。
统计每个正样本的HOG特征。每个单元的梯度直方图是一个9维的向量,将每个块中的4个单元的梯度方向直方图的数据串联起来,每个块可以得到一个36维的向量。本发明选取的样本分辨率为64×64像素,步长为8个像素,可以得到7×7个块,将所有的块依次串联,得到该样本的36×7×7=1764维特征向量。采用的开发平台为Visual Studio 2010和OpenCV视觉开源库2.4.9版本。采用支持向量机(SVM)对采集的样本进行训练。采用的视频为车载摄像机在白天公路上采集得到,视频图像的分辨率为720*480像素,帧率为25帧每秒。
本发明通过查准率和查全率来作为实验结果的评价指标。通过实验观察分析,总体上本发明算法可以正确检测出智能车辆。当距离前车较远或者遮挡严重的时候,会存在一定的漏检;当画面中出现与智能车颜色相近车尾形状相似的车辆时,会存在一定的误检,实验得到的查准率为79.5%,查全率为82.5%,平均耗时27.9ms。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于视觉的组合车辆检测方法,其特征在于,该方法包括:
(1)确定目标智能车辆、确定待检测车辆样本集并对车辆样本集中的图像进行预处理;
(2)采用自适应阈值分割算法对预处理后的图像进行车底阴影分割;
(3)对图像进行形态学滤波后,根据车辆底部阴影的宽高比确定阴影位置;
(4)根据所述阴影位置和大小计算生成车辆假设区域;
(5)对已生成的车辆假设区域通过颜色直方图比对与所述目标智能车辆的相关性,确定其是否为智能车辆进行组合。
2.根据权利要求1所述的基于视觉的组合车辆检测方法,其特征在于,所述步骤(2)具体包括:
(21)对所述图像下方路面区域进行n个矩形窗口的采样,每个大小为M×M像素。n个窗口排成一排,窗口间距为N像素;
(22)计算每个小窗口的灰度值,并计算所有窗口灰度值的均值mp与方差σp,1≤p≤n,将灰度方差最大和最小的两个窗口去除,然后求出剩余(n-2)个窗口的灰度均值m和方差σ;
(23)确定图像中路面区域的灰度值范围,表示为:m-3σ<f(i,j)<m+3σ,其中,f(i,j)是像素点(i,j)的灰度值;
(24)由于车底阴影区域的灰度值比路面区域灰度值低,选取路面区域灰度最小值作为车底阴影分割的阈值,计算为:T=m-3σ。
3.根据权利要求1所述的基于视觉的组合车辆检测方法,其特征在于,所述步骤(3)中,根据车辆底部阴影的宽高比确定阴影位置,包括:
车辆底部阴影形状接近矩形,其宽高比在一定的范围内,根据切割出的阴影区域的矩形度RM和宽高比EQ来提取目标阴影,范围如下:其中,在其范围的区域判断为车底阴影区域,否则判定为干扰区域。
4.根据权利要求1所述的基于视觉的组合车辆检测方法,其特征在于,所述步骤(4)计算车辆假设区域的方法具体包括:
(41)由于车辆顶部光照角度的不同,车辆底部阴影位置相对于车辆本身会产生偏移,为了使车辆假设区域完整的包括整个车体,Rh的宽度要大于Rs的宽度;
Rh的宽度按照下式计算:Rh_w=δ1×Rs_w;
Rh左上角顶点的横坐标按照下式计算:其中,δ1=1.1;
(42)将车辆假设区域Rh的高度设置为车辆底部阴影宽度的δ2倍,Rh_h=δ2×Rs_w,其中,δ2=1.2;
(43)车辆假设区域Rh左上角顶点的纵坐标计算如下式所示:Rh_y=Rs_y+Rs_h-Rh_h,其中,Rh为车辆假设区域,(Rh_x,Rh_y)为其左上角坐标,宽度、高度分别为Rh_w,Rh_h,Rs为车底阴影区域,(Rs_x,Rs_y)为其左上角坐标,宽度、高度分别为Rs_w,Rs_h。
5.根据权利求2所述的基于视觉的组合车辆检测方法,其特征在于,所述步骤(5)中,对已生成的车辆假设区域通过颜色直方图比对与所述目标智能车辆的相关性,具体包括:
(51)将所述车辆假设区域的RGB彩色图像转换为HSV颜色直方图;
(52)将H分量直方图量化为Q个子区间,采用相关性来评价二者的相似度,相关性计算公式为:
其中,H1,H2代表直方图,Q等于直方图中子区间的个数;
(53)将匹配值d与阈值X进行比较,若d<X,则判断的假设区域中不存在智能车辆,然后对下一帧画面进行车辆检测;若d≥X,则将此区域作为车辆假设区域,进行基于支持向量机与HOG特征的验证,其他区域作为环境干扰或者非智能车辆进行舍弃。
6.根据权利要求1所述的基于视觉的组合车辆检测方法,其特征在于,所述步骤(3)中,对图像进行形态学滤波包括对预处理后的图像先进行一次开运算,再进行一次闭运算处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910664284.7A CN110321973B (zh) | 2019-07-23 | 2019-07-23 | 一种基于视觉的组合车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910664284.7A CN110321973B (zh) | 2019-07-23 | 2019-07-23 | 一种基于视觉的组合车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110321973A true CN110321973A (zh) | 2019-10-11 |
CN110321973B CN110321973B (zh) | 2023-07-21 |
Family
ID=68124201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910664284.7A Active CN110321973B (zh) | 2019-07-23 | 2019-07-23 | 一种基于视觉的组合车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321973B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598907A (zh) * | 2020-12-17 | 2021-04-02 | 东风商用车有限公司 | 拥堵预测方法、装置、设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7103614B1 (en) * | 2002-05-24 | 2006-09-05 | The United States Of America As Represented By The Secretary Of The Navy | Automatic vehicle information retrieval for use at entry to a secure site |
CN105160691A (zh) * | 2015-08-29 | 2015-12-16 | 电子科技大学 | 基于颜色直方图的车身颜色识别方法 |
CN107133596A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 基于车底阴影的前车运动车辆检测方法 |
CN107644528A (zh) * | 2017-08-02 | 2018-01-30 | 浙江工业大学 | 一种基于车辆跟踪的车辆排队长度检测方法 |
CN108229244A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种智能车前方运动车辆的检测方法 |
CN108492550A (zh) * | 2018-05-17 | 2018-09-04 | 济南浪潮高新科技投资发展有限公司 | 基于区块链的v2x高速车队自组织系统 |
-
2019
- 2019-07-23 CN CN201910664284.7A patent/CN110321973B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7103614B1 (en) * | 2002-05-24 | 2006-09-05 | The United States Of America As Represented By The Secretary Of The Navy | Automatic vehicle information retrieval for use at entry to a secure site |
CN105160691A (zh) * | 2015-08-29 | 2015-12-16 | 电子科技大学 | 基于颜色直方图的车身颜色识别方法 |
CN108229244A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种智能车前方运动车辆的检测方法 |
CN107133596A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 基于车底阴影的前车运动车辆检测方法 |
CN107644528A (zh) * | 2017-08-02 | 2018-01-30 | 浙江工业大学 | 一种基于车辆跟踪的车辆排队长度检测方法 |
CN108492550A (zh) * | 2018-05-17 | 2018-09-04 | 济南浪潮高新科技投资发展有限公司 | 基于区块链的v2x高速车队自组织系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598907A (zh) * | 2020-12-17 | 2021-04-02 | 东风商用车有限公司 | 拥堵预测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110321973B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102364496B (zh) | 一种基于图像分析的汽车车牌自动识别方法及系统 | |
CN107766821B (zh) | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统 | |
CN101408942B (zh) | 一种复杂背景下的车牌定位方法 | |
CN105354530B (zh) | 一种车身颜色识别方法及装置 | |
CN108038416B (zh) | 车道线检测方法及系统 | |
CN103824081B (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN103034836B (zh) | 道路标志检测方法和道路标志检测设备 | |
CN102999753B (zh) | 车牌定位方法 | |
CN107330373A (zh) | 一种基于视频的违章停车监控系统 | |
CN109101924A (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN104036262B (zh) | 一种lpr车牌筛选识别的方法和系统 | |
CN104899554A (zh) | 一种基于单目视觉的车辆测距方法 | |
CN104318258A (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
CN102842037A (zh) | 一种基于多特征融合的车辆阴影消除方法 | |
CN103927548B (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
CN103902985B (zh) | 一种基于roi的强鲁棒性实时车道侦测算法 | |
CN105005766A (zh) | 一种车身颜色识别方法 | |
CN102750708A (zh) | 基于快速鲁棒特征匹配的仿射运动目标跟踪算法 | |
CN113128507B (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN102831420A (zh) | 基于颜色信息和随机圆检测的圆形交通标志定位方法 | |
CN111695565A (zh) | 基于道路关卡模糊图像的汽车标志精准定位方法 | |
CN103077387A (zh) | 视频中货运列车车厢自动检测方法 | |
CN112863194B (zh) | 一种图像处理方法、装置、终端及介质 | |
CN114049306A (zh) | 一种基于图像摄像机和高性能显卡的交通异常检测系统设计 | |
CN103680145A (zh) | 一种基于局部图像特征的人车自动识别方法 |
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 |