CN116030437A - 基于图像处理的挂车角度识别方法 - Google Patents
基于图像处理的挂车角度识别方法 Download PDFInfo
- Publication number
- CN116030437A CN116030437A CN202310318464.6A CN202310318464A CN116030437A CN 116030437 A CN116030437 A CN 116030437A CN 202310318464 A CN202310318464 A CN 202310318464A CN 116030437 A CN116030437 A CN 116030437A
- Authority
- CN
- China
- Prior art keywords
- suspected
- halation
- pixel point
- image
- area
- 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
Images
Classifications
-
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的挂车角度识别方法,属于图像数据处理技术领域;包括以下步骤:获取暗光下挂车车身转弯时的灰度图像;获取每个疑似光晕区域符合光晕区域特征的程度;获取每个疑似光晕区域中每个像素点的最终叠加系数;根据每个疑似光晕区域中每个像素点的最终叠加系数对所述二值图像通过掩模处理并与灰度图像叠加后的图像进行反锐化掩模增强,获取增强后的图像;根据增强后的图像通过识别车身轮廓获取挂车转弯时车身与车头之间的角度。本发明通过对不同高频信息在与原图像叠加时给予不同的叠加系数,从而达到增强车身轮廓,避免了同时增强光晕效应,使识别车身轮廓更加精确,最终达到精确识别挂车角度的目的。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于图像处理的挂车角度识别方法。
背景技术
大型挂车在行驶过程中不可避免地会遇到转弯路口,由于挂车车身太长,转弯半径很大,司机往往无法自己观察此时车身的情况,很难准确预判车头与车身的实际角度,进而无法进行下一步的判断,导致挂车在转弯时容易发生意外事故。目前,在车头两侧安置相机,在车身上等距安置LED灯,采集车身图片后,经过图像分析其中LED灯的位置分布,来获得此时挂车车身的具体位置,并根据畸变系数来计算获得此时挂车角度。但是在环境亮度较暗的场景下,采集的图像中会不可避免地出现光晕现象,导致LED灯的边缘轮廓减弱,无法识别得到精确的LED灯的位置,因此需要通过图像增强来增强边缘轮廓。为了能够识别出挂车车头和车身的角度,现有技术中通常采用反锐化掩模算法对图像进行增强,而常规的反锐化掩模算法在高频信息与原图像叠加时,整体的叠加系数都相同,但是LED灯在环境亮度较低时,采集的图像中,LED灯会产生一片光晕区域,光晕区域会使图像中的如车身,以及LED灯的边缘轮廓特征减弱,如果增加叠加系数,由于整体的叠加系数相同,同样也会增加光晕的轮廓,并不能达到增加LED灯以及车身的边缘轮廓,从而很少识别车身信息,进而通过车身畸变程度很难得到此时挂车的车身角度。
发明内容
为了解决现有技术中采用常规的反锐化掩模算法在高频信息与原图像叠加时,不能达到增加LED灯以及车身的边缘轮廓,从而很少识别车身信息,进而通过车身畸变程度很难得到此时挂车的车身角度的问题,本发明提供一种基于图像处理的挂车角度识别方法,该方法通过对图像中的光亮区域中表现出来的高频信息的特征,结合光晕现象以及车身轮廓特征,以及LED灯的分布特征等实际信息,对不同高频信息在与原图像叠加时给予不同的叠加系数,从而达到增强车身轮廓,避免了同时增强光晕效应,使识别车身轮廓更加精确,最终达到精确识别挂车角度的目的。
本发明的目的是提供一种基于图像处理的挂车角度识别方法,包括以下步骤:
获取暗光下挂车车身转弯时的灰度图像;其中,挂车车身下方间隔设置有多个发光体;
根据灰度图像以及灰度图像的二值图像提取灰度图像中的多个光亮区域;
获取每个光亮区域对应的疑似光晕区域;根据每个疑似光晕区域从内至外相邻层像素点灰度值的差异获取每个疑似光晕区域符合光晕区域特征的程度;
根据每个疑似光晕区域中每个像素点与其邻域像素点的灰度差异,以及所述像素点在所述疑似光晕区域中所处的位置,获取每个疑似光晕区域中每个像素点的调整系数;
根据每个疑似光晕区域符合光晕区域特征的程度,每个疑似光晕区域中每个像素点的位置及调整系数,获取每个疑似光晕区域中每个像素点的初始叠加系数;
根据每个疑似光晕区域中每个像素点的初始叠加系数,以及每个疑似光晕区域的中心位置与基准点的距离,获取每个疑似光晕区域中每个像素点的最终叠加系数;其中,将灰度图像中的左下角或右下角为基准点;
根据每个疑似光晕区域中每个像素点的最终叠加系数对灰度图像中的光亮区域进行反锐化掩模增强,获取增强后的图像;
根据增强后的图像通过识别车身轮廓获取挂车转弯时车身与车头之间的角度。
在一实施例中,所述每个疑似光晕区域从内至外相邻层是以每个疑似光晕区域中灰度值最高的像素点为中心位置,将围绕中心位置的一圈像素点为一层像素点,将从中心位置至疑似光晕区域的边缘的相邻两圈的像素点为每个疑似光晕区域从内至外相邻层。
在一实施例中,所述每个疑似光晕区域中每个像素点与其邻域像素点的灰度差异是每个疑似光晕区域中每个像素点沿周向的相邻像素点之间的灰度差异。
在一实施例中,所述像素点在所述疑似光晕区域中所处的位置是所述像素点距所述疑似光晕区域的中心位置之间的距离。
在一实施例中,所述基准点是按照以下步骤获取:当挂车向左转弯时,将采集的灰度图像中的左下角为基准点;当挂车向右转弯时,将采集的灰度图像中的右下角为基准点。
在一实施例中,所述每个光亮区域对应的疑似光晕区域是按照以下步骤获取:
将每个光亮区域中灰度值最大的像素点为中心像素点;
若中心像素点邻域内的像素点符合灰度值小于或等于中心像素点的灰度值,则中心像素点邻域内的像素点符合光晕区域的特征;
将符合光晕区域的特征的像素点为中心,判断其邻域内除判定过的像素点之外的像素点是否满足灰度值小于或等于中心像素点的灰度值,将之外的像素点满足灰度值小于或等于中心像素点的灰度值,则其邻域内除判定过的像素点之外的像素点符合光晕区域的特征;将符合光晕区域的特征的所有像素点形成的区域作为每个光亮区域对应的疑似光晕区域。
在一实施例中,所述暗光下挂车车身转弯时的灰度图像是按照以下步骤获取:在挂车车头两侧安装图像采集装置;当挂车向左转弯时,利用挂车车头左侧的图像采集装置获取车身转弯时的灰度图像;当挂车向右转弯时,利用挂车车头右侧的图像采集装置获取车身转弯时的灰度图像。
在一实施例中,所述挂车转弯时车身与车头之间的角度是按照以下步骤获取:
根据增强后的图像通过识别车身轮廓,将车身的多个边缘轮廓的端点投射到该车对应的坐标系中,通过预设的去畸变函数将增加后的图像中的车辆畸变去除,并根据反三角函数计算出车身与车头的角度。
本发明的有益效果是:本发明提供的一种基于图像处理的挂车角度识别方法,该方法通过对每个光亮区域对应的疑似光晕区域进行分析,根据每个疑似光晕区域从内至外相邻层像素点灰度值的差异获取每个疑似光晕区域符合光晕区域特征的程度;通过每个疑似光晕区域符合光晕区域特征的程度初步判断疑似光晕区域是否符合光晕区域的特征;其次通过计算每个疑似光晕区域中每个像素点的调整系数;以及计算每个疑似光晕区域中每个像素点的初始叠加系数;有效地避免了将光晕区域与车身反光区域的混淆,同时增加了对光晕区域中可能出现的车身轮廓的敏感程度,可以有效地对光晕区域中的轮廓进行程度较大的增强的同时,还能避免对光晕本身具有的纹理的增强。随后基于每个像素点的初始叠加系数计算最终的叠加系数,主要是根据其光晕区域内部灰度值的变化趋势,与反光区域进行差异区分后,最终得到自适应叠加系数。最后根据每个像素点的最终叠加系数对灰度图像中的光亮区域进行反锐化掩模增强,获取增强后的图像;根据增强后的图像通过识别车身轮廓获取挂车转弯时车身与车头之间的角度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于图像处理的挂车角度识别方法的实施例总体步骤的流程示意图。
图2为本发明中挂车左转弯时的示意图。
图3为本发明中疑似光晕区域示意图。
图4为本发明中疑似光晕区域中心位置指向边缘像素点的示意图。
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,而不是全部的实施例。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。
本发明的目的是通过在车身下方,等距安置发光体,其中发光体为LED灯,通过识别LED灯在图像中的位置分布获得车身的方位,并通过计算其对应的畸变系数,来得到当前时刻挂车车身的转向角度。
本发明针对的场景是在环境亮度较低时,通过LED灯识别车身位置,不可避免的在图像中会出现光晕现象,而这一现象会使LED灯的边缘轮廓减弱,导致得不到具体的LED灯的位置,进而导致识别车身具体位置时受到影响。
本发明提供的一种基于图像处理的挂车角度识别方法,参见图1所示,包括以下步骤:
S1、获取暗光下挂车车身转弯时的灰度图像;
其中,挂车车身下方等间隔设置有多个发光体;发光体为采用的是LED灯。
具体的,暗光下挂车车身转弯时的灰度图像是按照以下步骤获取:在挂车车头两侧安装图像采集装置;当挂车向左转弯时,利用挂车车头左侧的图像采集装置获取车身转弯时的灰度图像;当挂车向右转弯时,利用挂车车头右侧的图像采集装置获取车身转弯时的灰度图像。
在本实施例中,通过在车头两侧位置安置相机,分别采集挂车在转弯时,一侧的挂车车身轮廓以及尾部轮廓,参见图2所示,其中分别为挂车车头以及车身,为左转弯时的挂车车头以及车身,分别为置于挂车车头两侧的相机,其中所用相机与挂车转弯方向相关,即左转弯时启用相机,右转弯时启用相机。对于采集到的图像进行加权灰度化处理操作获得其对应的灰度图像。
需要说明的是,LED灯在车身上的位置是固定的,因此根据图像中LED灯的分布,可以确定车身此时的方向,并根据畸变处理可以得到此时车身的旋转角度。但是,在环境较暗时,拍摄得到LED灯会存在光晕现象,而同时车身上也会不可避免的出现反光区域,而光晕区域的亮度是呈较为稳定的从内到外逐渐递减的特征,而反光区域则是中心局部位置亮度变化较小,直至靠近边缘时出现骤降,对这一差异进行分析,并结合每一片光亮区域需要增强的程度获得调整系数,最终获得其对应的自适应叠加系数。
具体的,获取灰度图像的二值图像,根据灰度图像以及灰度图像的二值图像提取灰度图像中的多个光亮区域;
在本实施例中,此时根据车身基础转向方向,如司机此时做出向左转向的动作,此时所启用的相机应为相机,那么此时,根据近大远小的成像原理,此时获得的车身大概情况是左边为靠近车头一侧的车身,车身越小越靠近车尾。
需要说明的是,在环境亮度较低的场景下,此时LED灯的光源影响的范围其亮度是要远远高于未受光源影响的部分,而本实施例是对于光亮区域中的部分进行处理,因此通过OTSU阈值分割算法,输入相机所采集的图像,输出得到二值图像,其中,灰度值大于或等于自适应阈值的输出为1,否则输出为0;输出得到的二值图像,与原灰度图像通过掩模处理后,获得多个光亮区域。
S2、获取每个疑似光晕区域符合光晕区域特征的程度。
获取每个光亮区域对应的疑似光晕区域;根据每个疑似光晕区域从内至外相邻层像素点灰度值的差异获取每个疑似光晕区域符合光晕区域特征的程度;
在本实施例中,根据像素点的灰度值,结合光晕区域的特征进行连通域判断,并对得到的区域计算其符合光晕区域的特征,最终得到其中每一个像素点的自适应叠加系数。
具体的,每个光亮区域对应的疑似光晕区域是按照以下步骤获取:
将每个光亮区域中灰度值最大的像素点为中心像素点;
若中心像素点邻域内的像素点符合灰度值小于或等于中心像素点的灰度值,则中心像素点邻域内的像素点符合光晕区域的特征;
将符合光晕区域的特征的像素点为中心,判断其邻域内除判定过的像素点之外的像素点是否满足灰度值小于或等于中心像素点的灰度值,将之外的像素点满足灰度值小于或等于中心像素点的灰度值,则其邻域内除判定过的像素点之外的像素点符合光晕区域的特征;将符合光晕区域的特征的所有像素点形成的区域作为每个光亮区域对应的疑似光晕区域。
需要说明的是,LED灯所表现出来的光照范围大小在图像中所表现出来的范围与其距离相机远近有关,同时光照范围大小中,也存在从光源开始亮度逐渐减弱的特征。
在本实施例中,对于获得的光亮区域,以灰度值最大的像素点为中心,若该像素点邻域内的8个像素点都符合灰度值小于或等于中心点的灰度值,那么此时认为该像素点符合光晕区域的特征。再以符合条件的像素点为中心,判断其邻域范围内除判定过的像素点之外的像素点是否满足条件即灰度值小于或等于中心像素点的灰度值,若满足则其邻域范围内除判定过的像素点之外的像素点符合光晕区域的特征,直至其邻域内所有像素点都不满足,则判定结束,将符合光晕区域的特征的所有像素点形成的区域作为每个光亮区域对应的疑似光晕区域。判断完这一区域后,继续以剩余的像素点中灰度值最大的像素点为中心重复上述判断,使得每一个像素点都属于某一连通域即疑似光晕区域;即获取每个光亮区域对应的疑似光晕区域。
需要说明的是,由LED灯形成的光晕区域呈现的是局部最亮,然后呈辐射状朝外慢慢递减的特征。此时这一区域中因亮度较高,所以虽然仍存在边缘特征,但是较弱,尤其是越靠近最亮的地方,边缘特征越弱。
具体的,每个疑似光晕区域从内至外相邻层是以每个疑似光晕区域中灰度值最高的像素点为中心位置,将围绕中心位置的一圈像素点为一层像素点,将从中心位置至疑似光晕区域的边缘的相邻两圈的像素点为每个疑似光晕区域从内至外相邻层。
在本实施例中,得到的第m个疑似光晕区域,以这一区域中灰度值最高的像素点为中心位置,若其中存在的最大灰度值对应的像素点为多个,则以多个像素点的中心位置为这一光晕区域的中心位置。参见图3所示,表示一个疑似光晕区域局部的示意图,则将光亮区域中灰度值最大的像素点作为中心像素点,就是将中心像素点作为第零层像素点标记,随后以第零层像素点为中心,将其八邻域的像素点作为第一层像素点标记为,并以第一层像素点对应远离中心像素点的相邻像素点围成第二层像素点标记为,依次类推进行标记,共标记有I层像素点。
具体的,根据每个疑似光晕区域从内至外相邻层像素点灰度值的差异获取每个疑似光晕区域符合光晕区域特征的程度;
在本实施例中,每个疑似光晕区域符合光晕区域特征的程度计算公式如下:
式中,表示第m个疑似光晕区域符合光晕区域特征的程度;表示第i层像素点的灰度值均值与第i+1层像素点的灰度值均值的差值,表示第i层像素点的灰度值差值的均值。I在这里表示共有I层像素点,表示每层像素点根据自身越靠近区域外层得到的权重值,因为光晕区域和反光区域的区别于,反光区域是从内到外灰度值几乎不变,直至快到边缘的时候出现骤减的特征,因此,当一层区域越靠外,那么此时灰度值出现骤减时的影响越高。需要说明的是,由于当前层像素点与下一层进行比较的,所以第I层是没有下一层的,这里只处理到I-1层。当每层与下一层的灰度值差值计算出来的标准差越大,那么表示这一区域的灰度值变化趋势越不均匀,越不符合光晕区域的特征。但在受到光晕影响的程度随着逐渐远离光源,其本身所遮盖住的车身轮廓等有效信息逐渐显露,此时虽然并没有很明显的轮廓,但是也存在了一定的灰度上的差异,因此,这部分是需要得到增强的程度越高。
S3、获取每个疑似光晕区域中每个像素点的调整系数。
根据每个疑似光晕区域中每个像素点与其邻域像素点的灰度差异,以及像素点在疑似光晕区域中所处的位置,获取每个疑似光晕区域中每个像素点的调整系数;
具体的,每个疑似光晕区域中每个像素点与其邻域像素点的灰度差异是每个疑似光晕区域中每个像素点沿周向的相邻像素点之间的灰度差异。其中,像素点在疑似光晕区域中所处的位置是像素点距疑似光晕区域中心位置之间的距离。
在本实施例中,为了便于理解每个疑似光晕区域中每个像素点沿周向的相邻像素点之间的灰度差异,将疑似光晕区域的中心位置指向边缘为疑似光晕区域上的径向。其中,每个像素点沿周向指的是与该像素点指向处在同一圈的像素点的方向。对于所获得的每个疑似光晕区域中,通过连通域分析,获得疑似光晕区域的边缘像素点,分别连接每一个中心位置和边缘像素点,其中连线上经过的像素点都记为一列像素点,于是从中心位置为初始点,按照顺序记录列上像素点的灰度值获得其中第r列上的像素点从内到位的灰度值序列。参见图4所示,表示一个疑似光晕区域中心位置指向边缘像素点的示意图,则将光亮区域中灰度值最大的像素点作为中心像素点,就是将中心像素点作为第零层像素点标记随后以第零层像素点为中心,将其八邻域的像素点作为第一层像素点标记为,并以第一层像素点对应远离中心像素点的相邻像素点围成第二层像素点标记为。图4中将第二层像素点作为边缘像素点,通过对中心位置到边缘像素点进行连线获取有五条连线,随后对连线沿逆时针方向分别命名为1,2,3,4,5;将逆时针方向标记的命名依次进行排列形成一个序列,即序列为1,2,3,4,5;其中可以看出序列1,3,5分别经过三个像素点,具体经过、、;而序列2,4分别经过四个像素点,具体为、、、;同时序列2分别与序列1,3有重合的像素点,此时说明,当范围变得更大,此时边缘像素点连线时,相邻序列其重复的程度更高,也就是说此时,若任意一列与其相邻的两列的灰度变化出现差异,是不正常的。
进一步,每个疑似光晕区域中每个像素点的调整系数计算公式如下:
式中,表示每个疑似光晕区域中第r列中第q个像素点的调整系数;表示第r列灰度序列中第q个像素点与其相邻的(r-1)列中第q个像素点灰度值绝对差值;表示第r列灰度序列中第q个像素点与其相邻的(r+1)列中第q个像素点灰度值绝对差值;表示第r列灰度序列中第q个像素点的灰度值;表示第(r-1)列灰度序列中第q个像素点的灰度值;表示第(r+1)列灰度序列中第q个像素点的灰度值;表示第r列灰度序列中第q个像素点与其相邻的(r-1),(r+1)列同样距离的像素点灰度值差值,当这一差值越高,则越表示此时这一序列中在第q个点这里越异常,在公式中作为基础幅值;需要说明的是,每个疑似光晕区域是圆形的区域,则可认为每列是等长的;q表示第r个序列中第q个像素点;Q表示第r个序列中共有Q个像素点;则是表示当第q个点越靠近中心位置,即此时出现异常的时候,置信度越高,因为越靠近中心位置,其光晕越严重,此时出现异常时的置信度越高,因此这里作为系数值。最终因为前后特征量的逻辑与调整系数都相同,这里通过相乘进行组合。
S4、获取每个疑似光晕区域中每个像素点的初始叠加系数。
根据每个疑似光晕区域符合光晕区域特征的程度,每个疑似光晕区域中每个像素点的位置及调整系数,获取每个疑似光晕区域中每个像素点的初始叠加系数;
其中,像素点在疑似光晕区域中所处的位置是像素点距疑似光晕区域中心位置之间的距离。
在本实施例中,根据疑似光晕区域中第e个像素点根据自身与中心位置的距离以及所在区域符合光晕区域的程度。
具体的,每个疑似光晕区域中每个像素点的初始叠加系数计算公式如下:
式中,为疑似光晕区域第e个像素点与疑似光晕区域中心位置的距离,该距离为欧式距离;表示疑似光晕区域中距中心位置最远的像素点与中心位置的距离,于是这里表示像素点根据其自身与中心位置的距离所得到的权重值,使得距离越近赋予权重越大,主要是光晕区域越靠内侧,受光晕的程度越重,越靠近光晕内侧时,出现类似边缘特征时给予的权重越大。表示第e个像素点根据其所在灰度序列以及与中心位置的距离得到的调整系数;表示第m个疑似光晕区域符合光晕区域特征的程度,也就是疑似光晕区域根据其是否符合光晕特征以及符合光晕特征的程度所得到的基础幅值;权重值表示了疑似光晕区域的增强必要性。表示疑似光晕区域中第e个像素点的初始叠加系数;所以通过将基础幅值×调整系数×距离权重值的组合方式,最终表示出当疑似光晕区域其越符合光晕区域特征,同时其内部像素点在距离中心位置较近的同时,还出现了与其相邻区域灰度值异常的情况时,其得到的叠加系数就会更大。
为此,通过对叠加系数的构建,避免了将光晕区域与车身反光区域的混淆,同时增加了对光晕区域中可能出现的车身轮廓的敏感程度,可以有效的对光晕区域中的轮廓进行程度较大的增强的同时,还能避免对光晕本身具有的纹理的增强。
S5、获取每个疑似光晕区域中每个像素点的最终叠加系数。
根据每个疑似光晕区域中每个像素点的初始叠加系数,以及每个疑似光晕区域的中心位置与基准点的距离,获取每个疑似光晕区域中每个像素点的最终叠加系数;其中,将灰度图像中的左下角或右下角为基准点;
需要说明的是,由于挂车车身较长,其越靠近车尾的LED灯所产生的光晕程度越小。另外,由于车尾的LED灯与采集相机之间的距离较远,则产生的边缘特征不明显,需要对其的越大增强程度。仅仅根据区域特征得到的叠加系数是较为不准确的,因此这里还需要根据区域靠近车尾的程度获得对应的调整值。
具体的,基准点是按照以下步骤获取:当挂车向左转弯时,将采集的灰度图像中的左下角为基准点;当挂车向右转弯时,将采集的灰度图像中的右下角为基准点。
在本实施例中,每个疑似光晕区域中每个像素点的最终叠加系数计算公式如下:
式中,表示疑似光晕区域的中心位置与基准点的距离;表示距离基准点与最远的疑似光晕区域的中心位置的距离;表示疑似光晕区域中第e个像素点的初始叠加系数;表示疑似光晕区域中第e个像素点的最终叠加系数;e表示疑似光晕区域中第e个像素点;m表示第m个疑似光晕区域;需要说明的是,距离较远的区域,由于本身需要增强的需求更高,因此这里根据区域距离车尾的远近进行调整值。最终当疑似光晕区域越符合光晕区域的特征,同时距离车头越远,那么疑似光晕区域需要增强的程度越高,对应的疑似光晕区域中像素点越靠近中心位置,得到的增强程度也越高。
为此,根据得到的挂车车身图像,根据OTSU阈值分割方法,获得图像中的光亮区域,并对光亮区域中的像素点,结合光晕区域的实际特征进行连通域判断,并根据其内部灰度值的变化趋势,与反光区域进行差异区分后,再结合实际场景中,较远的部分其需要增强的必要性越高进行调整值,最终得到自适应叠加系数。
S6、获取挂车转弯时车身与车头之间的角度。
根据每个疑似光晕区域中每个像素点的最终叠加系数对灰度图像中的光亮区域进行反锐化掩模增强,获取增强后的图像;
根据增强后的图像通过识别车身轮廓获取挂车转弯时车身与车头之间的角度。
具体的,挂车转弯时车身与车头之间的角度是按照以下步骤获取:
根据增强后的图像通过识别车身轮廓,将车身的多个边缘轮廓的端点投射到该车对应的坐标系中,通过预设的去畸变函数将增加后的图像中的车辆畸变去除,并根据反三角函数计算出车身与车头的角度。
在本实施例中,根据得到的最终叠加系数,对图像进行常规反锐化掩模增强,在叠加系数中使用得到的自适应叠加系数,将高频信息与原图像进行不同程度的叠加。值得说明的是,这里处理的图像并不是原图像,而是灰度图像中的光亮区域。其中,高频信息指的是原图像减去低通滤波后的模糊图像后的就是高频信息;也就是指的梯度特征。
根据增强后的图像,通过识别车身轮廓,将车身的多个边缘轮廓的端点投射到该车对应的坐标系中,通过预设的去畸变函数包括:openCV中的undistorPoints函数,将图像中的车辆畸变去除,并根据反三角函数计算识别车身此时角度。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图像处理的挂车角度识别方法,其特征在于,包括以下步骤:
获取暗光下挂车车身转弯时的灰度图像;其中,挂车车身下方间隔设置有多个发光体;
根据灰度图像以及灰度图像的二值图像提取灰度图像中的多个光亮区域;
获取每个光亮区域对应的疑似光晕区域;根据每个疑似光晕区域从内至外相邻层像素点灰度值的差异获取每个疑似光晕区域符合光晕区域特征的程度;
根据每个疑似光晕区域中每个像素点与其邻域像素点的灰度差异,以及所述像素点在所述疑似光晕区域中所处的位置,获取每个疑似光晕区域中每个像素点的调整系数;
根据每个疑似光晕区域符合光晕区域特征的程度,每个疑似光晕区域中每个像素点的位置及调整系数,获取每个疑似光晕区域中每个像素点的初始叠加系数;
根据每个疑似光晕区域中每个像素点的初始叠加系数,以及每个疑似光晕区域的中心位置与基准点的距离,获取每个疑似光晕区域中每个像素点的最终叠加系数;其中,将灰度图像中的左下角或右下角为基准点;
根据每个疑似光晕区域中每个像素点的最终叠加系数对灰度图像中的光亮区域进行反锐化掩模增强,获取增强后的图像;
根据增强后的图像通过识别车身轮廓获取挂车转弯时车身与车头之间的角度。
2.根据权利要求1所述的基于图像处理的挂车角度识别方法,其特征在于,所述每个疑似光晕区域从内至外相邻层是以每个疑似光晕区域中灰度值最高的像素点为中心位置,将围绕中心位置的一圈像素点为一层像素点,将从中心位置至疑似光晕区域的边缘的相邻两圈的像素点为每个疑似光晕区域从内至外相邻层。
3.根据权利要求1所述的基于图像处理的挂车角度识别方法,其特征在于,所述每个疑似光晕区域中每个像素点与其邻域像素点的灰度差异是每个疑似光晕区域中每个像素点沿周向的相邻像素点之间的灰度差异。
4.根据权利要求1所述的基于图像处理的挂车角度识别方法,其特征在于,所述像素点在所述疑似光晕区域中所处的位置是所述像素点距所述疑似光晕区域的中心位置之间的距离。
5.根据权利要求1所述的基于图像处理的挂车角度识别方法,其特征在于,所述基准点是按照以下步骤获取:当挂车向左转弯时,将采集的灰度图像中的左下角为基准点;当挂车向右转弯时,将采集的灰度图像中的右下角为基准点。
6.根据权利要求1所述的基于图像处理的挂车角度识别方法,其特征在于,所述每个光亮区域对应的疑似光晕区域是按照以下步骤获取:
将每个光亮区域中灰度值最大的像素点为中心像素点;
若中心像素点邻域内的像素点符合灰度值小于或等于中心像素点的灰度值,则中心像素点邻域内的像素点符合光晕区域的特征;
将符合光晕区域的特征的像素点为中心,判断其邻域内除判定过的像素点之外的像素点是否满足灰度值小于或等于中心像素点的灰度值,将之外的像素点满足灰度值小于或等于中心像素点的灰度值,则其邻域内除判定过的像素点之外的像素点符合光晕区域的特征;将符合光晕区域的特征的所有像素点形成的区域作为每个光亮区域对应的疑似光晕区域。
7.根据权利要求1所述的基于图像处理的挂车角度识别方法,其特征在于,所述暗光下挂车车身转弯时的灰度图像是按照以下步骤获取:在挂车车头两侧安装图像采集装置;当挂车向左转弯时,利用挂车车头左侧的图像采集装置获取车身转弯时的灰度图像;当挂车向右转弯时,利用挂车车头右侧的图像采集装置获取车身转弯时的灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310318464.6A CN116030437B (zh) | 2023-03-29 | 2023-03-29 | 基于图像处理的挂车角度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310318464.6A CN116030437B (zh) | 2023-03-29 | 2023-03-29 | 基于图像处理的挂车角度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030437A true CN116030437A (zh) | 2023-04-28 |
CN116030437B CN116030437B (zh) | 2023-06-16 |
Family
ID=86079816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310318464.6A Active CN116030437B (zh) | 2023-03-29 | 2023-03-29 | 基于图像处理的挂车角度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030437B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105430352A (zh) * | 2015-12-23 | 2016-03-23 | 浙江宇视科技有限公司 | 一种视频监控图像的处理方法 |
CN108932696A (zh) * | 2017-05-26 | 2018-12-04 | 杭州海康威视数字技术股份有限公司 | 信号灯的光晕抑制方法及装置 |
CN109859148A (zh) * | 2017-11-30 | 2019-06-07 | 中国科学院苏州纳米技术与纳米仿生研究所 | 红外热图像处理方法及装置 |
CN110766755A (zh) * | 2019-10-21 | 2020-02-07 | 郑州迈拓信息技术有限公司 | 用于半挂车物料装填的车斗实时定位方法 |
US20200311887A1 (en) * | 2019-03-29 | 2020-10-01 | Wipro Limited | System and method of generating enhanced video by removing fog for vehicle navigation |
CN111758072A (zh) * | 2017-12-22 | 2020-10-09 | D2S公司 | 掩模版增强技术中的设计的建模 |
CN112419187A (zh) * | 2020-11-23 | 2021-02-26 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及设备 |
US20210183026A1 (en) * | 2019-12-11 | 2021-06-17 | Toyota Motor Engineering And Manufacturing North America, Inc. | Image and object detection enhancement based on lighting profiles |
CN115311176A (zh) * | 2022-10-12 | 2022-11-08 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115409833A (zh) * | 2022-10-28 | 2022-11-29 | 一道新能源科技(衢州)有限公司 | 基于反锐化掩模算法的光伏板的热斑缺陷检测方法 |
-
2023
- 2023-03-29 CN CN202310318464.6A patent/CN116030437B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105430352A (zh) * | 2015-12-23 | 2016-03-23 | 浙江宇视科技有限公司 | 一种视频监控图像的处理方法 |
CN108932696A (zh) * | 2017-05-26 | 2018-12-04 | 杭州海康威视数字技术股份有限公司 | 信号灯的光晕抑制方法及装置 |
CN109859148A (zh) * | 2017-11-30 | 2019-06-07 | 中国科学院苏州纳米技术与纳米仿生研究所 | 红外热图像处理方法及装置 |
CN111758072A (zh) * | 2017-12-22 | 2020-10-09 | D2S公司 | 掩模版增强技术中的设计的建模 |
US20200311887A1 (en) * | 2019-03-29 | 2020-10-01 | Wipro Limited | System and method of generating enhanced video by removing fog for vehicle navigation |
CN110766755A (zh) * | 2019-10-21 | 2020-02-07 | 郑州迈拓信息技术有限公司 | 用于半挂车物料装填的车斗实时定位方法 |
US20210183026A1 (en) * | 2019-12-11 | 2021-06-17 | Toyota Motor Engineering And Manufacturing North America, Inc. | Image and object detection enhancement based on lighting profiles |
CN112419187A (zh) * | 2020-11-23 | 2021-02-26 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及设备 |
CN115311176A (zh) * | 2022-10-12 | 2022-11-08 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115409833A (zh) * | 2022-10-28 | 2022-11-29 | 一道新能源科技(衢州)有限公司 | 基于反锐化掩模算法的光伏板的热斑缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
ROMAIN GALLEN等: "Towards night fog detection through use of in-vehicle multipurpose cameras", 《2011 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV)》, pages 399 - 404 * |
于莉媛 等: "基于尾灯的夜间前方车辆检测与跟踪方法", 《天津工业大学学报》, pages 61 - 68 * |
Also Published As
Publication number | Publication date |
---|---|
CN116030437B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111968144B (zh) | 一种图像边缘点获取方法及装置 | |
CN109635656A (zh) | 基于神经网络的车辆属性识别方法、装置、设备及介质 | |
CN106442556A (zh) | 一种板状带孔工件表面缺陷检测装置和方法 | |
Huang et al. | Sub-pixel edge detection algorithm based on canny–zernike moment method | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN109829858B (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
CN113421215A (zh) | 一种基于人工智能的汽车自动循迹系统 | |
CN107844761A (zh) | 交通标志的检测方法及装置 | |
CN108182691B (zh) | 识别限速标志的方法、装置及车辆 | |
CN111027494A (zh) | 一种基于计算机视觉的矩阵车灯识别方法 | |
CN115082887A (zh) | 机动车道路辅助线检测系统及其图像处理装置和方法 | |
KR20180115645A (ko) | 2d 영상 기반의 용접 비드 인식 장치 및 그것을 이용한 그을음 제거 방법 | |
CN113706607B (zh) | 一种基于圆环阵列图的亚像素定位方法、计算机设备与装置 | |
CN116030437B (zh) | 基于图像处理的挂车角度识别方法 | |
CN114018946A (zh) | 一种基于OpenCV的高反光瓶盖缺陷检测方法 | |
Ying et al. | An illumination-robust approach for feature-based road detection | |
JP5370375B2 (ja) | 画像認識装置 | |
CN111723805A (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
CN112184723A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
JP2010136207A (ja) | 歩行者検出表示システム | |
CN111460989A (zh) | 一种基于单目视觉的方向盘手离检测方法 | |
CN113505811A (zh) | 一种轮毂生产用机器视觉成像方法 | |
Yakimov | Preprocessing digital images for quickly and reliably detecting road signs | |
KR101865958B1 (ko) | 속도 제한 표지판 인식 장치 및 방법 |
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 |