CN111723650A - 夜间车辆检测方法、装置、设备及存储介质 - Google Patents
夜间车辆检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111723650A CN111723650A CN202010385632.XA CN202010385632A CN111723650A CN 111723650 A CN111723650 A CN 111723650A CN 202010385632 A CN202010385632 A CN 202010385632A CN 111723650 A CN111723650 A CN 111723650A
- Authority
- CN
- China
- Prior art keywords
- image
- connected region
- reflected light
- vehicle
- segmentation
- 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.)
- Pending
Links
Images
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Abstract
本申请公开了一种夜间车辆检测方法、装置、设备及存储介质,涉及但不限于车辆检测技术领域,其中,一种夜间车辆检测方法包括:获取车辆图像,对车辆图像进行预处理,得到预处理图像;预处理包括图像分割和形态学处理;对预处理图像进行连通区域分析,获取车灯图像;连通区域分析包括:提取预处理图像的连通区域,连通区域包括车灯连通区域和反射光连通区域;计算连通区域的边界点到质心的距离,并根据边界点到质心的距离获取反射光连通区域;消除反射光连通区域,获取车灯图像。本申请公开的一种夜间车辆检测方法、装置、设备及存储介质,能够有效地消除反射光,减少路面反射光对车灯提取造成的干扰,提高夜间车辆检测的准确性。
Description
技术领域
本申请实施例涉及但不限于车辆检测技术领域,尤其是涉及一种夜间车辆检测方法、装置、设备及存储介质。
背景技术
车辆检测是在采集的图像中将车辆提取出来,但在夜间环境下,光照条件较差,车身能见度较低,因此夜间车辆检测一直是一个难题。车辆在夜间行驶时,会打开车灯,于是车灯就成了夜间车辆最明显的特征,通过检测车灯进而检测车辆则成了目前最常用的方法。但车灯会形成大面积的路面反射光,反射光对车灯的提取工作造成干扰,导致夜间车辆检测的准确率较低。
发明内容
本申请实施例旨在至少在一定程度上解决现有技术中存在的技术问题之一。为此,本申请实施例提出一种夜间车辆检测方法,能够减少路面反射光对车灯提取造成的干扰,提高夜间车辆检测的准确性。
本申请实施例还提出一种夜间车辆检测装置。
本申请实施例还提出一种夜间车辆检测设备。
本申请实施例还提出一种计算机可读存储介质。
第一方面,本申请的一个实施例提供了一种夜间车辆检测方法,包括:
获取车辆图像,对车辆图像进行预处理,得到预处理图像;预处理包括图像分割和形态学处理;
对预处理图像进行连通区域分析,获取车灯图像;
连通区域分析包括:
提取预处理图像的连通区域,连通区域包括车灯连通区域和反射光连通区域;
计算连通区域的边界点到质心的距离,并根据边界点到质心的距离获取反射光连通区域;
消除反射光连通区域,获取车灯图像。
本申请实施例的夜间车辆检测方法至少具有如下有益效果:
1.能够有效地区分车辆图像中的车灯和反射光,进而消除反射光,得到车灯图像;
2.能够减少路面反射光对车灯提取造成的干扰,提高夜间车辆检测的准确性。
根据本申请的另一些实施例的夜间车辆检测方法,根据边界点到质心的距离获取反射光连通区域,包括:
对边界点到质心的距离进行统计学计算,统计学计算包括计算以下至少一种:方差、标准差和平均差;
根据统计学计算的结果,获取反射光连通区域。
本申请实施例的夜间车辆检测方法,对边界点到质心的距离进行统计学计算,利用统计学规律总结出车灯连通区域与反射光连通区域的特性,进而能够区分开车灯连通区域与反射光连通区域。
根据本申请的另一些实施例的夜间车辆检测方法,图像分割包括:
对车辆图像进行灰度转换,得到灰度图像;
对灰度图像进行阈值分析,确定分割阈值;
使用分割阈值对灰度图像进行分割,得到阈值分割图。
本申请实施例的夜间车辆检测方法,首先将车辆图像转换为灰度图像,再使用分割阈值对灰度图像进行二值化分割,能够有效地分割开图像中的目标和背景。
根据本申请的另一些实施例的夜间车辆检测方法,阈值分析包括:
计算灰度图像的像素平均值,并根据像素平均值确定灰度图像的分界点;分界点用于将灰度图像划分为第一部分图像和第二部分图像;
根据分界点获取第一峰值和第二峰值,第一峰值为第一部分图像的像素最大值,第二峰值为第二部分图像的像素最大值;
根据第一峰值和第二峰值,确定分割阈值。
本申请实施例的夜间车辆检测方法,利用直方图双峰法确定灰度图像的分割阈值,进而能够使用分割阈值对灰度图像进行二值化分割。
根据本申请的另一些实施例的夜间车辆检测方法,根据像素平均值确定灰度图像的分界点,还包括:
计算灰度图像的像素中值,并根据像素中值调整分界点。
本申请实施例的夜间车辆检测方法,根据灰度图像的像素中值调整分界点,能够解决两个峰值位置距离较近而导致其中一个峰值难以分辨的问题。
根据本申请的另一些实施例的夜间车辆检测方法,形态学处理包括:
对阈值分割图进行腐蚀和膨胀,得到预处理图像。
本申请实施例的夜间车辆检测方法,对阈值分割图进行腐蚀和膨胀,既能够有效地消除图像噪声,分割开独立的图像元素和连接相邻的图像元素,又有利于找到图像中明显的极大值区域或极小值区域。
第二方面,本申请的一个实施例提供了一种夜间车辆检测装置,包括:
图像获取单元,用于获取车辆图像;
预处理单元,用于对车辆图像进行预处理,得到预处理图像;预处理包括图像分割和形态学处理;
连通区域分析单元,用于对预处理图像进行连通区域分析,获取车灯图像;
连通区域分析包括:
提取预处理图像的连通区域,连通区域包括车灯连通区域和反射光连通区域;
计算连通区域的边界点到质心的距离,并根据边界点到质心的距离获取反射光连通区域;
消除反射光连通区域,获取车灯图像;
预处理单元分别连接图像获取单元和连通区域分析单元。
本申请实施例的夜间车辆检测装置至少具有如下有益效果:
1.能够有效地区分车辆图像中的车灯和反射光,进而消除反射光,得到车灯图像;
2.能够减少路面反射光对车灯提取造成的干扰,提高夜间车辆检测的准确性。
根据本申请的另一些实施例的夜间车辆检测装置,预处理单元包括:
图像分割模块,用于对车辆图像进行阈值分割,得到阈值分割图;
形态学处理模块,用于对阈值分割图进行腐蚀和膨胀,得到预处理图像;
图像分割模块分别连接图像获取单元和形态学处理模块的一端,形态学处理模块的另一端连接连通区域分析单元。
本申请实施例的夜间车辆检测装置,图像分割模块对车辆图像进行阈值分割,能够有效地分割开图像中的目标和背景;形态学处理模块对阈值分割图进行腐蚀和膨胀,既能够有效地消除图像噪声,分割开独立的图像元素和连接相邻的图像元素,又有利于找到图像中明显的极大值区域或极小值区域。
第三方面,本申请的一个实施例提供了一种夜间车辆检测设备,包括:
至少一个处理器,以及,
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请的一些实施例的夜间车辆检测方法。
本申请实施例的夜间车辆检测设备至少具有如下有益效果:
1.能够有效地区分车辆图像中的车灯和反射光,进而消除反射光,得到车灯图像;
2.能够减少路面反射光对车灯提取造成的干扰,提高夜间车辆检测的准确性。
第四方面,本申请的一个实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行本申请的一些实施例的夜间车辆检测方法。
本申请实施例的计算机可读存储介质至少具有如下有益效果:
1.能够有效地区分车辆图像中的车灯和反射光,进而消除反射光,得到车灯图像;
2.能够减少路面反射光对车灯提取造成的干扰,提高夜间车辆检测的准确性。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
图1是本申请实施例中一种夜间车辆检测方法的一具体实施例的流程示意图;
图2是图1中步骤S1200的一具体实施例的流程示意图;
图3是本申请实施例中车辆图像的示意图;
图4是本申请实施例中车灯图像的示意图;
图5是图1中步骤S1100的一具体实施例的流程示意图;
图6是图5中步骤S5120的一具体实施例的流程示意图;
图7是图1中步骤S1100的另一具体实施例的流程示意图;
图8是本申请实施例中一种夜间车辆检测装置的一具体实施例的结构框图;
图9是图8中预处理单元的一具体实施例的模块框图。
具体实施方式
以下将结合实施例对本申请的构思及产生的技术效果进行清楚、完整地描述,以充分地理解本申请的目的、特征和效果。显然,所描述的实施例只是本申请的一部分实施例,而不是全部实施例,基于本申请的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本申请保护的范围。
在本申请的描述中,如果涉及到方位描述,例如“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。如果某一特征被称为“设置”、“固定”、“连接”、“安装”在另一个特征,它可以直接设置、固定、连接在另一个特征上,也可以间接地设置、固定、连接、安装在另一个特征上。
在本申请实施例的描述中,如果涉及到“若干”,其含义是一个以上,如果涉及到“多个”,其含义是两个以上,如果涉及到“大于”、“小于”、“超过”,均应理解为不包括本数,如果涉及到“以上”、“以下”、“以内”,均应理解为包括本数。如果涉及到“第一”、“第二”,应当理解为用于区分技术特征,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本申请实施例中,图像的最小的单位是像素,每个像素周围有8个邻接像素,常见的邻接关系有两种:4邻接与8邻接。4邻接一共4个点,即上下左右。8邻接的点一共有8个,包括了对角线位置的点。如果像素点A与B邻接,称A与B连通。如果A与B连通,B与C连通,则A与C连通。在视觉上看来,彼此连通的点形成了一个区域,而不连通的点形成了不同的区域。这样一个所有的连通点构成的集合,称为一个连通区域(Connected Component)。
连通区域是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。连通区域分析是指将图像中的各个连通区域找出并标记。二值图像的亮度值只有两个状态:黑(0)和白(255)。二值图像分析最重要的方法是连通区域标记,通过对二值图像中白色像素(目标)的标记,让每个单独的连通区域形成一个被标识的块,进一步地获取块的轮廓、外接矩形和质心等几何参数。
在本申请的一些实施例中,对连通区域进行标记包括基于行程的标记或基于轮廓的标记。
基于行程的标记包括如下具体步骤:
逐行(或逐列)扫描图像,把每一行中连续的白色像素组成一个序列,称为一个团(run),并记下团的起点(start)、终点(end)以及团所在的行号;
对于除了第一行以外的所有行里的团,如果它与前一行中的所有团都没有重合区域,则给它一个新的标号;如果它仅与上一行中一个团有重合区域,则将上一行的那个团的标号赋给它;如果它与上一行的两个以上的团有重叠区域,则给当前团赋一个相连团的最小标号,并将上一行的这几个团的标记写入等价对,说明它们属于一类;
将等价对转换为等价序列,每一个序列需要给一相同的标号,因为它们都是等价的。从1开始,给每个等价序列一个标号;
遍历开始团的标记,查找等价序列,给予它们新的标记;
将每个团的标号填入标记图像中。
基于轮廓的标记包括如下具体步骤:
从上至下,从左至右依次遍历图像;
点A为遇到一个外轮廓点(上遍历过程中第一个遇到的白点即为外轮廓点),且没有被标记过,则给A一个新的标记号。从A点出发,按照一定的规则将A所在的外轮廓点全部跟踪到,然后回到A点,并将路径上的点全部标记为A的标号;
如果遇到已经标记过的外轮廓点,则从左向右,将它右边的点都标记为A的标号,直到遇到黑色像素为止;
如果遇到了一个已经被标记的点B,且是内轮廓的点(它的正下方像素为黑色像素且不在外轮廓上),则从B点开始,跟踪内轮廓,路径上的点都设置为B的标号,因为B已经被标记过(与A的标号相同),所以内轮廓与外轮廓将标记相同的标号;
如果遍历到内轮廓上的点,则也是用轮廓的标号去标记它右侧的点,直到遇到黑色像素为止。
参照图1,示出了本申请实施例中一种夜间车辆检测方法的一具体实施例的流程示意图。如图1所示,本申请实施例的夜间车辆检测方法,包括如下具体步骤:
S1100.获取车辆图像,对车辆图像进行预处理,得到预处理图像;预处理包括图像分割和形态学处理;
S1200.对预处理图像进行连通区域分析,获取车灯图像。
参照图2,示出了图1中步骤S1200的一具体实施例的流程示意图。如图2所示,步骤S1200的连通区域分析,包括如下具体步骤:
S1210.提取预处理图像的连通区域,连通区域包括车灯连通区域和反射光连通区域;
S1220.计算连通区域的边界点到质心的距离,并根据边界点到质心的距离获取反射光连通区域;
S1230.消除反射光连通区域,获取车灯图像。
提取预处理图像的连通区域,需对连通区域进行标记,在本申请的一些实施例中,采用基于行程的标记方法或基于轮廓的标记方法对预处理图像进行连通区域标记。通过连通区域标记得到多个预处理图像的连通区域,其中包括车灯连通区域和反射光连通区域。
在本申请的另一些实施例中,根据边界点到质心的距离获取反射光连通区域,包括:对边界点到质心的距离进行统计学计算,统计学计算包括计算以下至少一种:方差、标准差和平均差;根据统计学计算的结果,获取反射光连通区域。
对边界点到质心的距离进行统计学计算,利用统计学规律总结出车灯连通区域与反射光连通区域的特性,进而区分开车灯连通区域与反射光连通区域。
使用如式(1)所示的距离公式计算每一个连通区域的边界点到质心的距离:
其中,d表示连通区域的边界点到质心的距离,(x1,y1)表示边界点的坐标,(x2,y2)表示质心的坐标。
使用如式(2)所示的方差公式计算连通区域的边界点到质心的距离的方差:
其中,σ2表示连通区域的边界点到质心的距离的方差,k表示连通区域的数目,di表示第i个连通区域的边界点到质心的距离,μ表示连通区域的边界点到质心的距离的平均值,使用如式(3)所示的平均值公式计算连通区域的边界点到质心的距离的平均值:
对式(2)进行开方,得到σ,即为连通区域的边界点到质心的距离的标准差。使用如式(4)所示的平均差公式计算连通区域的边界点到质心的距离的平均差:
其中,ω表示连通区域的边界点到质心的距离的平均差。连通区域的边界点到质心的距离d的方差σ2、标准差σ和平均差ω,均能够反映连通区域的边界点到质心的距离d的离散程度。边界点到质心的距离的离散程度越高,说明连通区域的形状越不规则,而形状越不规则的连通区域越有可能是反射光连通区域。
当统计数据为连通区域的边界点到质心的距离的方差时,经实验测算得知,车灯连通区域的边界点到质心的距离的方差远小于反射光连通区域的边界点到质心的距离的方差。利用车灯连通区域与反射光连通区域在方差特征上的差异,对连通区域进行检测。设置方差阈值τ,当连通区域的边界点到质心的距离的方差满足条件:σ2>τ,则判定连通区域为反射光连通区域,否则判定连通区域为车灯连通区域。
当统计数据为连通区域的边界点到质心的距离的标准差时,经实验测算得知,车灯连通区域的边界点到质心的距离的标准差远小于反射光连通区域的边界点到质心的距离的标准差。利用车灯连通区域与反射光连通区域在标准差特征上的差异,对连通区域进行检测。设置标准差阈值ε,当连通区域的边界点到质心的距离的标准差满足条件:σ>ε,则判定连通区域为反射光连通区域,否则判定连通区域为车灯连通区域。
当统计数据为连通区域的边界点到质心的距离的平均差时,经实验测算得知,车灯连通区域的边界点到质心的距离的平均差远小于反射光连通区域的边界点到质心的距离的平均差。利用车灯连通区域与反射光连通区域在平均差特征上的差异,对连通区域进行检测。设置平均差阈值γ,当连通区域的边界点到质心的距离的平均差满足条件:ω>γ,则判定连通区域为反射光连通区域,否则判定连通区域为车灯连通区域。
将预处理图像中的反射光连通区域全部删除,剩下的则是车灯连通区域,最终得到车灯图像。
在本申请实施例中,对如图3所示的车辆图像的示意图进行处理,最终得到如图4所示的车灯图像的示意图。
参照图5,示出了图1中步骤S1100的一具体实施例的流程示意图。如图5所示,步骤S1100的图像分割,包括如下具体步骤:
S5110.对车辆图像进行灰度转换,得到灰度图像;
S5120.对灰度图像进行阈值分析,确定分割阈值;
S5130.使用分割阈值对灰度图像进行分割,得到阈值分割图。
首先将车辆图像转换为灰度图像,再使用分割阈值对灰度图像进行二值化分割,能够有效地分割开图像中的目标和背景。通过分析灰度图像确定最佳的阈值,例如,当灰度图像明显呈现双峰的情况时,可以选择两个峰值的中点作为最佳阈值。最佳阈值是根据一定的方法(例如直方图双峰法),找出图像中目标与背景的分割最佳阈值。
使用如式(5)所示的阈值分割公式对车辆图像进行二值化分割:
其中,f(x,y)表示与坐标点(x,y)对应的像素值,T表示最佳分割阈值,二值图像(灰度图像)的亮度值只有两个状态:黑(0)和白(255)。
参照图6,示出了图5中步骤S5120的一具体实施例的流程示意图。如图6所示,步骤S5120的阈值分析,包括如下具体步骤:
S6121.计算灰度图像的像素平均值,并根据像素平均值确定灰度图像的分界点;分界点用于将灰度图像划分为第一部分图像和第二部分图像;
S6122.根据分界点获取第一峰值和第二峰值,第一峰值为第一部分图像的像素最大值,第二峰值为第二部分图像的像素最大值;
S6123.根据第一峰值和第二峰值,确定分割阈值。
利用直方图双峰法确定图像的分割阈值,首先计算灰度图像的像素平均值,再根据像素平均值确定灰度图像的分界点,然后根据分界点获取第一峰值和第二峰值。在本申请的一些实施例中,将像素平均值对应的连通区域的边界点作为灰度图像的分界点,将灰度图像划分为第一部分图像和第二部分图像;计算第一部分图像的像素最大值,得到第一峰值;计算第二部分图像的像素最大值,得到第二峰值。当灰度图像明显呈现双峰的情况时,将像素平均值对应的连通区域的边界点作为灰度图像的分界点,能够方便地找到两个峰值。然而,若灰度图像的双峰并不明显,出现两个峰值位置距离较近而导致其中一个峰值难以分辨的情况,则需要对分界点进行调整。两个峰值位置距离较近,即第一峰值对应的连通区域的第一边界点与第二峰值对应的连通区域的第二边界点的位置距离较近。
在本申请的另一些实施例中,根据像素平均值确定灰度图像的分界点,还包括:计算灰度图像的像素中值,并根据像素中值调整分界点。
计算灰度图像的像素中值,若像素中值大于像素平均值,则说明小峰在大峰左边的低灰度级部分;若像素中值小于像素平均值,则表示小峰在大峰右边的高灰度级部分。据此规则调整分界点的位置,能够解决两个峰值位置距离较近而导致其中一个峰值难以分辨的问题。
参照图7,示出了图1中步骤S1100的另一具体实施例的流程示意图。如图7所示,步骤S1100的形态学处理,包括如下具体步骤:
S7110.对阈值分割图进行腐蚀和膨胀,得到预处理图像。
因为进行阈值分割后的车灯前景一般是不规则的,而且图像存在噪声,这是由路面反射光变化引起的,所以需对阈值分割图进行形态学处理。
腐蚀(erosion)和膨胀(dilation)均是对图像的白色部分(高亮部分)进行操作,而不是对图像的黑色部分进行操作。膨胀是对图像中的高亮部分进行膨胀,即“领域扩张”,产生比原图范围更大的高亮区域。腐蚀是对图像中的高亮部分进行腐蚀,即“领域蚕食”,产生比原图范围更小的高亮区域。膨胀就是求局部最大值的操作,腐蚀与膨胀是相反的操作,腐蚀是求局部最小值的操作。
先腐蚀再膨胀是开运算,开运算会平滑物体的轮廓,断开较窄的狭颈并消除细的突出物。先膨胀再腐蚀是闭运算,闭运算也会平滑轮廓的一部分,但与开运算相反,通常会弥合较窄的间断和细长的沟壑,消除小的孔洞,填补轮廓线中的断裂。开运算能够去除孤立的小点、毛刺及小桥(即连通两块区域的小点),而图像的位置和形状不变。闭运算能够填平小湖(即小孔),弥合小裂缝,而图像的位置和形状不变。
本申请实施例对阈值分割图进行腐蚀和膨胀,既能够有效地消除图像噪声,分割开独立的图像元素和连接相邻的图像元素,又有利于找到图像中明显的极大值区域或极小值区域。
参照图8,示出了本申请实施例中一种夜间车辆检测装置的一具体实施例的结构框图。如图8所示,本申请实施例的夜间车辆检测装置,包括:图像获取单元,用于获取车辆图像;预处理单元,用于对车辆图像进行预处理,得到预处理图像;预处理包括图像分割和形态学处理;连通区域分析单元,用于对预处理图像进行连通区域分析,获取车灯图像。预处理单元分别连接图像获取单元和连通区域分析单元。
连通区域分析单元对预处理图像进行连通区域分析,包括如下具体步骤:
提取预处理图像的连通区域,连通区域包括车灯连通区域和反射光连通区域;
计算连通区域的边界点到质心的距离,并根据边界点到质心的距离获取反射光连通区域;
消除反射光连通区域,获取车灯图像。
提取预处理图像的连通区域,需对连通区域进行标记,在本申请的一些实施例中,采用基于行程的标记方法或基于轮廓的标记方法对预处理图像进行连通区域标记。通过连通区域标记得到多个预处理图像的连通区域,其中包括车灯连通区域和反射光连通区域。首先计算连通区域的边界点到质心的距离,再对连通区域的边界点到质心的距离进行统计学计算,利用车灯连通区域与反射光连通区域在边界点到质心的距离的方差、标准差或平均差等统计数据特征上的差异,对连通区域进行检测。通过设置阈值,检测出车灯连通区域与反射光连通区域。将预处理图像中的反射光连通区域全部删除,剩下的则是车灯连通区域,最终得到车灯图像。
参照图9,示出了图8中预处理单元的一具体实施例的模块框图。如图9所示,预处理单元包括:图像分割模块,用于对车辆图像进行阈值分割,得到阈值分割图;形态学处理模块,用于对阈值分割图进行腐蚀和膨胀,得到预处理图像。图像分割模块分别连接图像获取单元和形态学处理模块的一端,形态学处理模块的另一端连接连通区域分析单元。
图像分割模块对车辆图像进行阈值分割,能够有效地分割开图像中的目标和背景;形态学处理模块对阈值分割图进行腐蚀和膨胀,既能够有效地消除图像噪声,分割开独立的图像元素和连接相邻的图像元素,又有利于找到图像中明显的极大值区域或极小值区域。
本申请实施例的一种夜间车辆检测设备,包括至少一个处理器,以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请的一些实施例的夜间车辆检测方法。
本申请实施例的一种夜间车辆检测设备,既能够有效地区分车辆图像中的车灯和反射光,进而消除反射光,得到车灯图像;又能够减少路面反射光对车灯提取造成的干扰,提高夜间车辆检测的准确性。
本申请实施例的一种夜间车辆检测设备,处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是一种夜间车辆检测方法的可运行装置的控制中心,利用各种接口和线路连接整个一种夜间车辆检测方法的可运行装置的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现一种夜间车辆检测方法的可运行装置的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本申请实施例的一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行本申请的一些实施例的夜间车辆检测方法。
本申请实施例的一种计算机可读存储介质,既能够有效地区分车辆图像中的车灯和反射光,进而消除反射光,得到车灯图像;又能够减少路面反射光对车灯提取造成的干扰,提高夜间车辆检测的准确性。
上面结合附图对本申请实施例作了详细说明,但是本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下做出各种变化。此外,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容可通过其它的方式实现。其中,以上所描述的系统实施例仅是示意性的,例如所述模块的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-0nly Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种夜间车辆检测方法,其特征在于,包括:
获取车辆图像,对所述车辆图像进行预处理,得到预处理图像;所述预处理包括图像分割和形态学处理;
对所述预处理图像进行连通区域分析,获取车灯图像;
所述连通区域分析包括:
提取所述预处理图像的连通区域,所述连通区域包括车灯连通区域和反射光连通区域;
计算所述连通区域的边界点到质心的距离,并根据所述距离获取所述反射光连通区域;
消除所述反射光连通区域,获取所述车灯图像。
2.根据权利要求1所述的夜间车辆检测方法,其特征在于,所述根据所述距离获取所述反射光连通区域,包括:
对所述距离进行统计学计算,所述统计学计算包括计算以下至少一种:方差、标准差和平均差;
根据所述统计学计算的结果,获取所述反射光连通区域。
3.根据权利要求1或2所述的夜间车辆检测方法,其特征在于,所述图像分割包括:
对所述车辆图像进行灰度转换,得到灰度图像;
对所述灰度图像进行阈值分析,确定分割阈值;
使用所述分割阈值对所述灰度图像进行分割,得到阈值分割图。
4.根据权利要求3所述的夜间车辆检测方法,其特征在于,所述阈值分析包括:
计算所述灰度图像的像素平均值,并根据所述像素平均值确定所述灰度图像的分界点;所述分界点用于将所述灰度图像划分为第一部分图像和第二部分图像;
根据所述分界点获取第一峰值和第二峰值,所述第一峰值为所述第一部分图像的像素最大值,所述第二峰值为所述第二部分图像的像素最大值;
根据所述第一峰值和所述第二峰值,确定所述分割阈值。
5.根据权利要求4所述的夜间车辆检测方法,其特征在于,所述根据所述像素平均值确定所述灰度图像的分界点,还包括:
计算所述灰度图像的像素中值,并根据所述像素中值调整所述分界点。
6.根据权利要求3所述的夜间车辆检测方法,其特征在于,所述形态学处理包括:
对所述阈值分割图进行腐蚀和膨胀,得到所述预处理图像。
7.一种夜间车辆检测装置,其特征在于,包括:
图像获取单元,用于获取车辆图像;
预处理单元,用于对所述车辆图像进行预处理,得到预处理图像;所述预处理包括图像分割和形态学处理;
连通区域分析单元,用于对所述预处理图像进行连通区域分析,获取车灯图像;
所述连通区域分析包括:
提取所述预处理图像的连通区域,所述连通区域包括车灯连通区域和反射光连通区域;
计算所述连通区域的边界点到质心的距离,并根据所述距离获取所述反射光连通区域;
消除所述反射光连通区域,获取所述车灯图像;
所述预处理单元分别连接所述图像获取单元和所述连通区域分析单元。
8.根据权利要求7所述的夜间车辆检测装置,其特征在于,所述预处理单元包括:
图像分割模块,用于对所述车辆图像进行阈值分割,得到阈值分割图;
形态学处理模块,用于对所述阈值分割图进行腐蚀和膨胀,得到所述预处理图像;
所述图像分割模块分别连接所述图像获取单元和所述形态学处理模块的一端,所述形态学处理模块的另一端连接所述连通区域分析单元。
9.一种夜间车辆检测设备,其特征在于,包括:
至少一个处理器,以及,
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被至少一个所述处理器执行的指令,所述指令被至少一个所述处理器执行,以使至少一个所述处理器能够执行如权利要求1至6任一项所述的夜间车辆检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的夜间车辆检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010385632.XA CN111723650A (zh) | 2020-05-09 | 2020-05-09 | 夜间车辆检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010385632.XA CN111723650A (zh) | 2020-05-09 | 2020-05-09 | 夜间车辆检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723650A true CN111723650A (zh) | 2020-09-29 |
Family
ID=72564306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010385632.XA Pending CN111723650A (zh) | 2020-05-09 | 2020-05-09 | 夜间车辆检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723650A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991290A (zh) * | 2021-03-10 | 2021-06-18 | 北京百度网讯科技有限公司 | 图像稳像方法、装置、路侧设备、云控平台 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110255740A1 (en) * | 2010-04-15 | 2011-10-20 | National Chiao Tung University | Vehicle tracking system and tracking method thereof |
US20130027196A1 (en) * | 2011-07-26 | 2013-01-31 | Harman International Industries, Incorporated | Obstacle detection system |
CN104732235A (zh) * | 2015-03-19 | 2015-06-24 | 杭州电子科技大学 | 一种消除夜间道路反光干扰的车辆检测方法 |
CN105893970A (zh) * | 2016-03-31 | 2016-08-24 | 杭州电子科技大学 | 基于亮度方差特征的夜间道路车辆检测方法 |
-
2020
- 2020-05-09 CN CN202010385632.XA patent/CN111723650A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110255740A1 (en) * | 2010-04-15 | 2011-10-20 | National Chiao Tung University | Vehicle tracking system and tracking method thereof |
US20130027196A1 (en) * | 2011-07-26 | 2013-01-31 | Harman International Industries, Incorporated | Obstacle detection system |
CN104732235A (zh) * | 2015-03-19 | 2015-06-24 | 杭州电子科技大学 | 一种消除夜间道路反光干扰的车辆检测方法 |
CN105893970A (zh) * | 2016-03-31 | 2016-08-24 | 杭州电子科技大学 | 基于亮度方差特征的夜间道路车辆检测方法 |
Non-Patent Citations (3)
Title |
---|
柳长源 等,: "全天候车辆实时检测系统", 《测控技术》, vol. 39, no. 2, pages 126 - 131 * |
柳长源 等,: "基于车前灯的夜间车辆视频检测研究", 《计算机工程与应用》, vol. 55, no. 2, pages 253 - 255 * |
欧阳韬: "夜间车流量检测算法中路面反射光的消除方法", vol. 22, no. 20, pages 1 - 4 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991290A (zh) * | 2021-03-10 | 2021-06-18 | 北京百度网讯科技有限公司 | 图像稳像方法、装置、路侧设备、云控平台 |
CN112991290B (zh) * | 2021-03-10 | 2023-12-05 | 阿波罗智联(北京)科技有限公司 | 图像稳像方法、装置、路侧设备、云控平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mammeri et al. | A real-time lane marking localization, tracking and communication system | |
Marzougui et al. | A lane tracking method based on progressive probabilistic Hough transform | |
Daigavane et al. | Road lane detection with improved canny edges using ant colony optimization | |
CN107705301B (zh) | 一种基于无人机航拍公路图像的公路标线破损检测方法 | |
CN110879950A (zh) | 多级目标分类及交通标志检测方法和装置、设备、介质 | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
CN113538491B (zh) | 一种基于自适应阈值的边缘识别方法、系统及存储介质 | |
CN113221861B (zh) | 一种多车道线检测方法、装置及检测设备 | |
CN101634706A (zh) | 高分辨率sar图像中桥梁目标的自动检测方法 | |
CN112380973B (zh) | 交通信号灯的识别方法和系统 | |
CN111738256A (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN111488808A (zh) | 基于交通违法图像数据的车道线检测方法 | |
CN112927283A (zh) | 测距方法及装置、存储介质及电子设备 | |
CN104866838B (zh) | 一种基于视觉的前方车辆自动检测方法 | |
CN111598104A (zh) | 一种车牌字符识别方法及其系统 | |
CN111369570A (zh) | 一种视频图像的多目标检测跟踪方法 | |
CN111723650A (zh) | 夜间车辆检测方法、装置、设备及存储介质 | |
CN113297939B (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
CN111191482A (zh) | 一种刹车灯识别方法、装置及电子设备 | |
Tung et al. | Binarization of uneven-lighting image by maximizing boundary connectivity | |
CN111062309B (zh) | 一种雨天交通标志检测方法、存储介质及系统 | |
CN114529570A (zh) | 图像分割方法、图像识别方法、用户凭证补办方法及系统 | |
CN115187744A (zh) | 一种基于激光点云的机柜识别方法 | |
CN112052859B (zh) | 一种自由场景下的车牌精准定位方法及装置 | |
CN113538418A (zh) | 基于形态学分析的轮胎x射线图像缺陷提取模型构建方法 |
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 |