CN110502971B - 基于单目视觉的道路车辆识别方法及系统 - Google Patents

基于单目视觉的道路车辆识别方法及系统 Download PDF

Info

Publication number
CN110502971B
CN110502971B CN201910601986.0A CN201910601986A CN110502971B CN 110502971 B CN110502971 B CN 110502971B CN 201910601986 A CN201910601986 A CN 201910601986A CN 110502971 B CN110502971 B CN 110502971B
Authority
CN
China
Prior art keywords
vehicle
road
image
edge
region
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.)
Active
Application number
CN201910601986.0A
Other languages
English (en)
Other versions
CN110502971A (zh
Inventor
朱茂桃
刘庄
邢浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201910601986.0A priority Critical patent/CN110502971B/zh
Publication of CN110502971A publication Critical patent/CN110502971A/zh
Application granted granted Critical
Publication of CN110502971B publication Critical patent/CN110502971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06V10/40—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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了基于单目视觉的道路车辆识别方法及系统，属于智能车辆道路环境感知领域，涉及利用机器视觉的方法感知道路车辆的方法。所述方法包括：图像预处理，感兴趣区域提取，感兴趣区域验证。本方法通过路面附着系数获得图像分割阈值，将道路与非道路区域分隔开；通过对车辆尾灯颜色特征提取，划定感兴趣区域，缩小车辆搜索范围，降低运算复杂度；利用边缘检测算法，识别车辆尾部边缘，进一步利用车辆尾部对称性特征，验证感兴趣区域内车辆的存在，提高了算法对车辆识别的准确性和可靠性。

Description

基于单目视觉的道路车辆识别方法及系统
技术领域
本发明属于智能汽车道路环境感知领域，具体涉及一种基于单目视觉的车辆识别方法及系统。
背景技术
智能车辆是一个集环境感知、决策规划、控制执行等多功能于一体的综合系统，集中运用了现代传感技术、信息与通信技术、自动控制技术、计算机技术和人工智能等技术，代表着未来汽车技术的战略制高点，是汽车产业转型升级的关键，也是目前世界公认的发展方向和汽车工业增长的新动力。目前对智能车辆的研究主要集中于车辆的安全性和舒适性，道路环境感知技术是智能车辆驾驶系统中的基础和核心环节，是确保车辆行驶安全与舒适的重要技术，而道路车辆识别是实现该技术的首要环节。
在此领域内国内外专家学者提出了诸多技术，Vislab研制的无人驾驶汽车ARGO系统使用视觉作为主要的传感器，通过建立车辆二自由度动力学模型和预瞄跟随模型，引入反馈监督信号，由于在图像重建道路环境后，需要通过复杂的拟合过程才能得到合适的方向盘输出，所以方法的计算复杂度很高，硬件资源消耗大。Srinivasa等人通过基于车辆预设模型的方法，该方法虽然算法简单，处理速度快，但是对车辆模型过分依赖，由于车型的多样性，一种模型往往不能适用于所有的车辆。Bebis等人利用基于运动的方法，该方法对于旁边车道车辆具有较好的检测效果，但对于前方车辆，由于动态环境下引入较多干扰因素，算法复杂度变高，运算量增大，检测效果并不理想。国内的赵日成等人结合车道线和车辆底部阴影等识别车辆，在较好的天气状况小，车辆识别率较高，但是受天桥、路牌等的干扰因素比较大。张文桂等人利用目前较为流行的机器学习的方法进行道路车辆识别，该方法的优点是检测效率高，实时性好，但是难以寻找足够充分且恰当的训练样本以涵盖不同场景、不同车辆等变量。
发明内容
针对目前车辆识别领域存在的鲁棒性和实时性无法满足智能驾驶车辆需求的问题，本发明提出一种基于单目视觉的车辆识别方法。该方法首先建立道路附着系数与路面灰度值的关系，由实时获取的路面附着系数得到对应图像分割阈值，完成对道路与非道路区域的分割，初步缩小车辆识别范围，继而通过对车辆尾灯特征提取，划分出车辆感兴趣区域(ROI)，并进一步通过对ROI区域内车辆边界特征、对称性特征的提取验证车辆的存在，降低了算法的漏检率和误检率。
为实现上述目的本发明采用的技术方案为：
一种基于单目视觉的道路车辆识别系统，所述系统包括：摄像头、工业测控计算机、上位机、试验车。将摄像头安装于试验车内前挡风玻璃合适位置，实时采集前方道路图像，通过数据传输通道将视频图像上传至工业测控计算机，工业测控计算机对采集到的数据图像进行处理，将处理结果上传至上位机，通过分析数据结果对试验车辆作出合理的控制决策。
根据上述识别系统，本发明提出了一种基于单目视觉的道路车辆识别方法，具体步骤如下：
图像采集：利用摄像头实时采集车辆前方道路图像。
图像预处理：利用车辆轮胎模型与动力学模型，提取道路附着系数，根据不同附着系数对应不同路面，不同路面对应不同分割阈值粗略地将道路与非道路区域分割出来，缩小车辆识别范围。
ROI区域划定：在图像预处理的基础上，通过选择合适的颜色空间，对车辆尾灯进行提取，并通过预设阈值对一定范围的图像进行提取，得到ROI区域。
车辆验证：利用边缘检测算子，对车辆尾部上下左右边缘进行提取，进一步缩小车辆感兴趣区域，并通过对该区域内图像对称性特征进行分析，验证ROI区域内车辆的假设。
本发明的有益效果：
(1)根据实时获取的路面附着系数识别出当前行驶路面，能够更为准确的识别出当前路面状况下的车辆；
(2)获得的路面附着系数同时也可以作为车辆ESP的输入变量，使车辆得到更好的纵向与横向控制；
(3)通过利用车辆尾灯及对称性完成对道路车辆的提取，相比传统单一特征提取方法具有更为准确的车辆识别率。
附图说明
图1为本发明实施硬件系统组成框图
图2为本发明所述方法主流程图
图3为本发明图像预处理流程图
图4为本发明ROI区域假设流程图
图5为本发明车辆验证流程图
具体实施方式
下面结合附图对本发明作进一步说明。
本发明实施例的硬件系统组成框图如图1所示，包括：
摄像头：摄像头采用CMOS系列的产品，安装于试验车辆前挡风玻璃中间位置，通过数据连接线，通过视频采集卡连接测控计算机，随着车辆的移动，便可采集车辆前方图像。
工业测控计算机：通过其视频采集卡收集摄像头采集到的道路信息，并将其由模拟信号转变为数字信号，然后完成道路车辆识别。
上位机：用于解析来自测控计算机的数据信息，并完成对试验车辆的控制。
一种基于单目视觉的道路车辆识别流程如图2所示，包括以下步骤：
步骤1，图像预处理，具体流程如图3所示。
步骤1.1建立车辆轮胎模型
设Fxi为纵向力，Fyi为侧向力，i可取1,2,3,4则可建立如下数学模型：
Figure GDA0003917200180000031
Figure GDA0003917200180000032
Figure GDA0003917200180000033
Figure GDA0003917200180000034
其中，μ为路面附着系数；Fzi为各轮上的垂向载荷；Cx为轮胎的纵向刚度；Cy为轮胎的侧偏刚度；λ为各轮胎纵向滑移率；L为边界值，表述了轮胎非线性特性；βi为各轮胎侧偏角；ε为速度影响因子，作用在于修正轮胎滑移的速度对轮胎力的影响。
步骤1.2建立车辆动力学模型
纵向运动微分方程：
Figure GDA0003917200180000041
Figure GDA0003917200180000042
其中，vx为车辆纵向速度；vy为车辆侧向速度；ax为车辆纵向加速度；m为整车质量；α为前轮转角；r为质心回转半径。Fx1、Fx2、Fx3和Fx4分别为四个车轮的纵向力；Fy1为左前轮的侧向力，Fy2为右前轮的侧向力。
侧向运动微分方程：
Figure GDA0003917200180000043
Figure GDA0003917200180000044
其中，ay为车辆侧向加速度；Fy3与Fy4分别为左后轮与右后轮上的侧向力。
横摆运动微分方程：
Figure GDA0003917200180000045
Figure GDA0003917200180000046
其中，τ为质心动量矩；Iz为绕垂直轴线的转动惯量；γ为横摆角速度；tf与tr分别为前轮距和后轮距；A与B分别为质心到前轴与后轴的距离。
步骤1.3路面附着系数提取
为了便于从车辆参数直接获得路面附着系数，结合车辆轮胎模型与动力学模型，得出附着系数测量方程如下：
Figure GDA0003917200180000047
Figure GDA0003917200180000048
Figure GDA0003917200180000049
Figure GDA0003917200180000051
Figure GDA0003917200180000052
Figure GDA0003917200180000053
Figure GDA0003917200180000054
其中βi、vi、λi、ωi分别表示各轮的侧偏角、速度、滑移率和车轮转速，vcog为质心速度，df、dr分别为前后轴轮距，轮胎模型的输入为：轮胎侧偏角β，各轮转速ω1、ω2、ω3、ω4，纵向加速度ax，侧向加速度ay，纵向车速vx，横摆角速度γ，质心侧偏角δ。
基于上述路面附着系数采集方法，通过专门路试车辆获取丰富的道路附着系数数据μ，如下表所示几种典型路面附着系数。
六种典型路面附着系数估算结果
编号 类型 变化范围
1 干沥青路面 0.85-0.98
2 湿沥青路面 0.62-0.78
3 积雪路面 0.2-0.28
4 冰路面 0-0.10
5 干水泥路面 0.6-0.75
6 湿水泥路面 0.45-0.65
步骤1.4车辆区域预提取
预先通过路试车辆对干沥青路、湿沥青路、干水泥路、湿水泥路、冰雪路等不同道路附着系数的路面数据进行采集，并通过图像灰度提取技术，获得各个路面条件下的路面灰度值G。
通过对上述大量的路面附着系数μ和路面灰度值G的分析，通过拟合建立二者关系函数如下：
ai≤μi≤bi,则G＝THi
其中ai，bi为路面附着系数波动范围区间上下限值，i分别代表不同路面，THi为不同路面条件下的灰度阈值，通过实验来拟合THi的值。
根据车辆在行驶中对道路附着系数的提取，得出对应道路灰度阈值，将道路与非道路部分分割出来，完成对道路车辆的预提取。
步骤2，ROI区域划定，其流程图如图4所示。
步骤2.1，颜色空间选择
车辆尾灯具有明显的颜色特征，是车辆尾部较为明显的特征之一，可以很好的用于车辆识别。在进行尾灯颜色特征提取之前，首先选择合适的颜色空间，将车辆尾部车灯特征进行提取，此处采用RGB(红绿蓝)颜色空间作为后续颜色提取的基础。
步骤2.2，颜色特征提取。
通过对(R-G)、(R-B)、(R-B-G)、R/(B+G)等不同组合的颜色算子对车辆尾灯特征提取效果进行对比，最终选取尾灯识别较好的(R-G)作为车辆尾灯提取算子。
通过对市面上大量的车辆尾灯进行数据采集，进行(R-G)灰度统计,并得到其最大灰度值(R-G)max。
利用最大类间方差法确定(R-G)灰度图像的归一化阈值TR，最终确定车辆尾灯提取阈值T＝(R-G)max×TR。
步骤2.3，ROI区域提取。
以提取的车辆尾灯左右边界为ROI区域左右边界，ROI区域上下边界仍为步骤1.4中的上下边界保持不变。
步骤3，ROI区域车辆验证。
步骤3.1，采用Canny算子进行车辆边缘检测
Canny算子是基于一阶导数的且常用的边缘分割，Canny算子围绕边缘检测有以下三个基本准则：信噪比准则、定位精度准则、单边缘响应准则。
信噪比准则，不遗漏重要的边缘，不产生虚假的边缘，减小错误发生率，表达式如下：
Figure GDA0003917200180000061
其中，SNR表示信噪比，f(x)表示滤波器脉冲于边界[-ω,ω]的响应，G(x)代表图像边缘信号，n0代表噪声n(x)的高斯噪声响应的均方根。
定位精度准则，做到检测所得边缘和实际目标边缘偏差最小化，即找到一个f(x)使下式中Loc尽可能大。
Figure GDA0003917200180000071
其中Loc为定位精度，G'(-x)、f'(x)分别为G(-x)、f(x)的一阶导数。
单边缘响应准则,要求相同边缘产生尽量低的响应次数。各边缘响应极大值间平均距离如下:
Figure GDA0003917200180000072
于是在2ω宽度内，极大值数目为:
Figure GDA0003917200180000073
因此，只要确定了系数K的大小，就固定了极大值的个数。
3.1.1平滑图像
Canny边缘检测算法首先通过二维高斯滤波平滑图像。高斯滤波函数形式如下:
Figure GDA0003917200180000074
即：
Figure GDA0003917200180000075
F(x)代表原图像，则平滑后图像表示为:
G(x,y)＝f(x,y)*H(x,y)…
其中，H(x,y)为省略系数的高斯函数，f(x,y)为图像数据。
3.1.2寻找图像亮度梯度。
因为图像边缘走向难以确定，所以需要对90度、0度还有±45度角的方向实施边缘检测。并对选出每一像素点的最大梯度幅值和其对应的边缘走向加以标记。然后便能根据各个像素点标记的信息，整理出平滑后图像的梯度特征及方向趋势。通过一阶偏导有限差分进行计算。
利用一阶差分卷积模板：
Figure GDA0003917200180000081
Figure GDA0003917200180000082
Figure GDA0003917200180000083
Figure GDA0003917200180000084
得到幅值：
Figure GDA0003917200180000085
得到相角:
Figure GDA0003917200180000086
3.1.3图像边缘跟踪
使边缘细化才能得到更好的边缘跟踪效果。这里需要找到图像中梯度最大值点，再将图像中梯度非极大值点置零。
3.1.4边缘连接
使用大小不同的两个阈值分别对图像进行边缘检测。高阈值所获图像误检率较低但是边缘易产生断续；低阈值所获图像边缘清晰然但是虚假边缘较多。双阈值法通过在低阈值图像中寻找边缘，完成在高阈值图像中的连接以得到较好效果，通常高阈值是低阈值的两倍。
3.2对称性检验
设R(x)为ROI区域的一次连续函数，并拆分为奇函数Ro(x)和偶函数Re(x)，通过奇偶函数在R(x)中所占的比重，即可确定区域内的对称性。假设ROI区域长宽分别为m、n，则图像中第y行的对称轴为k＝m/2，则该行所对应的奇函数与偶函数表达式如下：
奇函数：
Figure GDA0003917200180000087
偶函数：
Figure GDA0003917200180000088
由此可得奇偶函数的能量密度函数为：
Figure GDA0003917200180000089
Figure GDA0003917200180000091
由此可得第Y行对称测度公式如下:
Figure GDA0003917200180000092
则有：
Figure GDA0003917200180000093
因此，当测得ROI区域内的对称性测度大于0到1之间的某个阈值So时(该值需通过大量试验求取)，便可认为该区域具有良好的对称性，则认定该区域内存在车辆。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (9)

1.基于单目视觉的道路车辆识别方法，其特征在于，首先建立道路附着系数与路面灰度值的关系，由实时获取的路面附着系数得到对应图像分割阈值，完成对道路与非道路区域的分割，初步缩小车辆识别范围，继而通过对车辆尾灯特征提取，划分出车辆感兴趣区域ROI，通过对ROI区域内车辆边界特征、对称性特征的提取验证车辆的存在；
所述方法的实现包括如下步骤：
步骤1，图像预处理：利用车辆轮胎模型与动力学模型，提取道路附着系数，根据不同附着系数对应不同路面，不同路面对应不同分割阈值粗略地将道路与非道路区域分割出来，缩小车辆识别范围；
步骤2，ROI区域划定：在图像预处理的基础上，通过选择合适的颜色空间，对车辆尾灯进行提取，并通过预设阈值对一定范围的图像进行提取，得到假设车辆存在的ROI区域；
步骤3，ROI区域车辆验证：利用边缘检测算子，对车辆尾部上下左右边缘进行提取，缩小车辆感兴趣区域，并通过对该区域内图像对称性特征进行分析，验证区域内车辆的假设。
2.根据权利要求1所述的基于单目视觉的道路车辆识别方法，其特征在于，所述步骤1的具体步骤包括如下：
步骤1.1建立车辆轮胎模型；
步骤1.2建立车辆动力学模型；
步骤1.3结合车辆轮胎模型与动力学模型，得出路面附着系数方程；
步骤1.4车辆区域预提取。
3.根据权利要求2所述的基于单目视觉的道路车辆识别方法，其特征在于，所述步骤1.1建立车辆轮胎模型的方法：
设Fxi为纵向力，Fyi为侧向力，i取1,2,3,4则建立如下数学模型：
Figure FDA0003917200170000011
Figure FDA0003917200170000012
Figure FDA0003917200170000021
Figure FDA0003917200170000022
其中，μ为路面附着系数；Fzi为各轮上的垂向载荷；Cx为轮胎的纵向刚度；Cy为轮胎的侧偏刚度；λ为各轮胎纵向滑移率；L为边界值，表述了轮胎非线性特性；βi为各轮胎侧偏角；ε为速度影响因子，作用在于修正轮胎滑移的速度对轮胎力的影响。
4.根据权利要求3所述的基于单目视觉的道路车辆识别方法，其特征在于，所述步骤1.2建立车辆动力学模型包括：
纵向运动微分方程：
Figure FDA0003917200170000023
Figure FDA0003917200170000024
其中，vx为车辆纵向速度；vy为车辆侧向速度；ax为车辆纵向加速度；m为整车质量；α为前轮转角；r为质心回转半径；Fx1、Fx2、Fx3和Fx4分别为四个车轮的纵向力；Fy1为左前轮的侧向力，Fy2为右前轮的侧向力；
侧向运动微分方程：
Figure FDA0003917200170000025
Figure FDA0003917200170000026
其中，ay为车辆侧向加速度；Fy3与Fy4分别为左后轮与右后轮上的侧向力；
横摆运动微分方程：
Figure FDA0003917200170000027
Figure FDA0003917200170000028
其中，τ为质心动量矩；Iz为绕垂直轴线的转动惯量；γ为横摆角速度；tf与tr分别为前轮距和后轮距；A与B分别为质心到前轴与后轴的距离。
5.根据权利要求4所述的基于单目视觉的道路车辆识别方法，其特征在于，所述步骤1.3中路面附着系数方程如下：
Figure FDA0003917200170000031
Figure FDA0003917200170000032
Figure FDA0003917200170000033
Figure FDA0003917200170000034
Figure FDA0003917200170000035
Figure FDA0003917200170000036
Figure FDA0003917200170000037
其中βi、vi、λi、ωi分别表示各轮的侧偏角、速度、滑移率和车轮转速，vcog为质心速度，df、dr分别为前后轴轮距，轮胎模型的输入为：轮胎侧偏角β，各轮转速ω1、ω2、ω3、ω4，纵向加速度ax，侧向加速度ay，纵向车速vx，横摆角速度γ，质心侧偏角δ。
6.根据权利要求5所述的基于单目视觉的道路车辆识别方法，其特征在于，所述步骤1.4的实现包括如下：
采集不同道路附着系数的路面数据，通过图像灰度提取，获得各个路面条件下的路面灰度值G；
建立路面附着系数μ和路面灰度值G关系如下：
ai≤μi≤bi,则G＝THi
其中ai，bi为路面附着系数波动范围区间上下限值，i分别代表不同路面，THi为不同路面条件下的灰度阈值；
根据车辆在行驶中对道路附着系数的提取，得出对应道路灰度阈值，将道路与非道路部分分割出来，完成对道路车辆的预提取。
7.根据权利要求2所述的基于单目视觉的道路车辆识别方法，其特征在于，所述步骤2的实现包括：
步骤2.1，颜色空间选择
选择RGB颜色空间，将车辆尾部车灯特征进行提取；
步骤2.2，颜色特征提取
通过对(R-G)、(R-B)、(R-B-G)、R/(B+G)不同组合的颜色算子对车辆尾灯特征提取效果进行对比，选取尾灯识别较好的(R-G)作为车辆尾灯提取算子；
对大量的车辆尾灯进行数据采集，进行(R-G)灰度统计,并得到其最大灰度值(R-G)max；
利用最大类间方差法确定(R-G)灰度图像的归一化阈值TR，最终确定车辆尾灯提取阈值T＝(R-G)max×TR；
步骤2.3，ROI区域提取
以提取的车辆尾灯左右边界为ROI区域左右边界，ROI区域上下边界仍为步骤1.4中的上下边界保持不变。
8.根据权利要求7所述的基于单目视觉的道路车辆识别方法，其特征在于，所述步骤3的实现包括：
步骤3.1，采用Canny算子进行车辆边缘检测
定义Canny算子边缘检测的基本准则：信噪比准则、定位精度准则、单边缘响应准则；其中：
信噪比准则，不遗漏重要的边缘，不产生虚假的边缘，减小错误发生率，表达式如下：
Figure FDA0003917200170000041
其中，SNR表示信噪比，f(x)表示滤波器脉冲于边界[-ω,ω]的响应，G(x)代表图像边缘信号，n0代表噪声n(x)的高斯噪声响应的均方根；
定位精度准则，做到检测所得边缘和实际目标边缘偏差最小化，即找到一个f(x)使下式中Loc尽可能大，表达式如下：
Figure FDA0003917200170000051
其中Loc为定位精度，G'(-x)、f'(x)分别为G(-x)、f(x)的一阶导数；
单边缘响应准则，要求相同边缘产生尽量低的响应次数，各边缘响应极大值间平均距离如下：
Figure FDA0003917200170000052
在2ω宽度内，极大值数目为：
Figure FDA0003917200170000053
3.1.1平滑图像
利用Canny边缘检测算法首先通过二维高斯滤波平滑图像，高斯滤波函数形式如下:
Figure FDA0003917200170000054
即：
Figure FDA0003917200170000055
F(x)代表原图像，则平滑后图像表示为:
G(x,y)＝f(x,y)*H(x,y)…
其中，H(x,y)为省略系数的高斯函数，f(x,y)为图像数据；
3.1.2寻找图像亮度梯度
对90度、0度以及±45度角的方向实施边缘检测；并对选出每一像素点的最大梯度幅值和其对应的边缘走向加以标记，然后便能根据各个像素点标记的信息，整理出平滑后图像的梯度特征及方向趋势，通过一阶偏导有限差分进行计算；
利用一阶差分卷积模板：
Figure FDA0003917200170000061
Figure FDA0003917200170000062
Figure FDA0003917200170000063
Figure FDA0003917200170000064
得到幅值：
Figure FDA0003917200170000065
得到相角:
Figure FDA0003917200170000066
3.1.3图像边缘跟踪
找到图像中梯度最大值点，再将图像中梯度非极大值点置零；
3.1.4边缘连接
使用大小不同的两个阈值分别对图像进行边缘检测；通过在低阈值图像中寻找边缘，完成在高阈值图像中的连接，高阈值是低阈值的两倍；
3.2对称性检验
设R(x)为ROI区域的一次连续函数，并拆分为奇函数Ro(x)和偶函数Re(x)，通过奇偶函数在R(x)中所占的比重，即可确定区域内的对称性；假设ROI区域长宽分别为m、n，则图像中第y行的对称轴为k＝m/2，则该行所对应的奇函数与偶函数表达式如下：
奇函数：
Figure FDA0003917200170000067
偶函数：
Figure FDA0003917200170000068
由此可得奇偶函数的能量密度函数为：
Figure FDA0003917200170000069
Figure FDA00039172001700000610
由此可得第Y行对称测度公式如下:
Figure FDA0003917200170000071
则有：
Figure FDA0003917200170000072
因此，当测得ROI区域内的对称性测度值大于0到1之间的某个阈值So时，认为该区域具有良好的对称性，则认定该区域内存在车辆。
9.实现如权利要求1所述的基于单目视觉的道路车辆识别方法的系统，其特征在于，包括
摄像头：安装于车辆前挡风玻璃中间位置，通过数据连接线，通过视频采集卡连接测控计算机，随着车辆的移动，采集车辆前方图像；
测控计算机：通过其视频采集卡收集摄像头采集到的道路信息，并将其由模拟信号转变为数字信号，然后通过设定的算法完成道路车辆识别：首先建立道路附着系数与路面灰度值的关系，由实时获取的路面附着系数得到对应图像分割阈值，完成对道路与非道路区域的分割，初步缩小车辆识别范围，继而通过对车辆尾灯特征提取，划分出车辆感兴趣区域ROI，通过对ROI区域内车辆边界特征、对称性特征的提取验证车辆的存在；
上位机：用于解析来自测控计算机的数据信息，并完成对车辆的控制。
CN201910601986.0A 2019-07-05 2019-07-05 基于单目视觉的道路车辆识别方法及系统 Active CN110502971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910601986.0A CN110502971B (zh) 2019-07-05 2019-07-05 基于单目视觉的道路车辆识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910601986.0A CN110502971B (zh) 2019-07-05 2019-07-05 基于单目视觉的道路车辆识别方法及系统

Publications (2)

Publication Number Publication Date
CN110502971A CN110502971A (zh) 2019-11-26
CN110502971B true CN110502971B (zh) 2023-04-07

Family

ID=68585940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910601986.0A Active CN110502971B (zh) 2019-07-05 2019-07-05 基于单目视觉的道路车辆识别方法及系统

Country Status (1)

Country Link
CN (1) CN110502971B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414857B (zh) * 2020-03-20 2023-04-18 辽宁工业大学 一种基于视觉的多特征融合的前方车辆检测方法
CN112546643B (zh) * 2020-12-29 2022-04-29 深圳市创客工场科技有限公司 模型车巡线方法及装置
CN112863247A (zh) * 2020-12-30 2021-05-28 潍柴动力股份有限公司 一种道路识别方法、装置、设备和存储介质
CN114911219A (zh) * 2021-02-07 2022-08-16 华为技术有限公司 一种用于视觉传感器的控制指令生成方法及装置、控制方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392212B (zh) * 2014-11-14 2017-09-01 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
CN106529530A (zh) * 2016-10-28 2017-03-22 上海大学 一种基于单目视觉的前方车辆检测方法

Also Published As

Publication number Publication date
CN110502971A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110502971B (zh) 基于单目视觉的道路车辆识别方法及系统
CN107330376B (zh) 一种车道线识别方法及系统
CN109460709B (zh) 基于rgb和d信息融合的rtg视觉障碍物检测的方法
CN109657632B (zh) 一种车道线检测识别方法
CN104392212B (zh) 一种基于视觉的道路信息检测及前方车辆识别方法
Kong et al. General road detection from a single image
US10467482B2 (en) Method and arrangement for assessing the roadway surface being driven on by a vehicle
WO2015010451A1 (zh) 一种从单幅图像检测道路的方法
CN111563412B (zh) 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法
Li et al. Nighttime lane markings recognition based on Canny detection and Hough transform
CN105488454A (zh) 基于单目视觉的前方车辆检测与测距
CN111563469A (zh) 一种不规范停车行为识别方法及装置
CN106682586A (zh) 一种复杂光照条件下基于视觉的实时车道线检测的方法
CN104700414A (zh) 一种基于车载双目相机的前方道路行人快速测距方法
CN104408460A (zh) 一种车道线检测及跟踪检测方法
CN104778721A (zh) 一种双目图像中显著性目标的距离测量方法
CN103605977A (zh) 一种车道线的提取方法及装置
CN102073852B (zh) 基于最优阈值和随机标号法的多车辆分割方法
CN110197494B (zh) 一种基于单目红外图像的受电弓接触点实时检测算法
CN102393902A (zh) 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法
CN104537689A (zh) 基于局部对比显著性联合特征的目标跟踪方法
CN103021183A (zh) 一种监控场景中违章机动车检测方法
Liu et al. Application of color filter adjustment and k-means clustering method in lane detection for self-driving cars
CN113221739B (zh) 基于单目视觉的车距测量方法
CN117197700B (zh) 智能化无人巡检接触网缺陷识别系统

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