CN104537649B - 一种基于图像模糊度比较的车辆转向判断方法及*** - Google Patents
一种基于图像模糊度比较的车辆转向判断方法及*** Download PDFInfo
- Publication number
- CN104537649B CN104537649B CN201410781422.7A CN201410781422A CN104537649B CN 104537649 B CN104537649 B CN 104537649B CN 201410781422 A CN201410781422 A CN 201410781422A CN 104537649 B CN104537649 B CN 104537649B
- Authority
- CN
- China
- Prior art keywords
- roi region
- image
- image blur
- vehicle
- difference
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000035945 sensitivity Effects 0.000 claims abstract description 13
- 239000000203 mixture Substances 0.000 claims abstract description 4
- 238000003709 image segmentation Methods 0.000 claims description 19
- 239000011521 glass Substances 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 12
- 238000004040 coloring Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于图像模糊度比较的车辆转向判断方法,包括:摄像设备实时采集车辆每个时刻的行驶图像;接收行驶图像并分割为复数个子图像,提取出灰度和色阶变化敏感的子图像组成ROI区域;将ROI区域对称分为左右两个区域并计算各自的图像模糊度;统计出与不同速度对应的至少300幅行驶图像的左ROI区域与右ROI区域之间图像模糊度的差值,计算相应速度下各差值的均值与方差;由车辆当前速度下左ROI区域和右ROI区域之间图像模糊度的差值与该速度下各差值的均值与方差,判断车辆是否处于转弯状态与转弯方向。本发明计算量小,能够实时快速地对车辆进行转弯状态判断,不受白天和夜晚条件的限制,特别适用于后装便捷式导航产品。
Description
技术领域
本发明涉及图像处理领域,更具体地说,涉及一种基于图像模糊度比较的车辆转向判断方法及***。
背景技术
随着社会的不断发展,汽车越来越受到大众的欢迎,越来越多的人拥有汽车。但是,由于汽车事故的频繁发生,汽车的行驶安全却成为当今社会不可忽略的关键问题。汽车事故往往发生在转弯处,当行记录仪监测到车辆转弯并且速度过快时需要产生报警,以对驾驶员进行安全提示,特别是对便携式后装导航仪器来说,由于无法像车辆原装设备一样方便的获取汽车方向盘信号、轮轴转向信号等,往往会增加判断时长而因此来不及躲避危险,所以如何快速实时地判断汽车是否处于转弯状态是一个非常重要的问题。
传统方法检测汽车是否处于转弯状态主要由以下几种:1、依靠检测转向灯电平判断,但是这种方法无法应对驾驶人员不打转向灯转弯的情况;2、依靠检测方向盘或车轮转向器信号来检测到轮胎的转向,但是这种方法需要对原车电路进行改造和外接,往往要对原车电路进行破线安装才能获得信号,不利于车辆保养和后装便携式导航仪器的使用;3、利用GPS信号与陀螺仪进行转弯判断,但是这种方法不仅易受卫星信号影响而且还需要加装比较昂贵的陀螺仪,会增加使用成本。
由于普通行驶记录仪或行驶记录仪导航一体机都带有视频记录摄像头,所以利用摄像头采集到的图像信息进行快速的车辆转弯状态判断,是一个理想的解决途径。目前存在的相关技术,例如,2013年3月20日公告的,公告号为101782394的中国发明《判断移动对象转弯的方法及使用该方法的导航装置》,所述方法包括:根据一导航装置上之一GPS接收器取得一移动对象之目前所在位置;判断该移动对象是否距离一十字路口一预设距离;当移动对象距离该十字路口该预设距离时,利用该导航装置上之一图像撷取装置拍摄并取得一初始路口影像;利用该图像撷取装置并每隔一既定时间拍摄并取得多个连续的路口影像;根据该初始路口影像与该多个连续路口影像计算该对象与该移动对象之移动方向之一夹角,并且根据该夹角的变化判断该移动对象是否完成一转弯操作。该方案必须结合GPS与地图路口信息对采集到的影像进行计算来判断汽车是否转弯,易受卫星信号影响和地图数据实时更新的限制使得判断结果不准确。
又如,2012年11月14日公开的,公开号为102774380的中国发明《一种判断车辆行驶状态的方法》,所述方法包括,在车载环视***的合成图像中,自动寻找可以追踪的图像特征,并在下一帧中进行特征匹配,得到每个特征的移动矢量;通过每个匹配后的特征移动矢量综合计算得到车辆位移和旋转方向;通过计算前后帧车辆的位移和旋转角度来判断车辆行驶状态。该方案通过对车载环视***的合成图像匹配的方法进行转弯状态判断,由于环视图像数据量大,匹配算法计算量高,会消耗大量的计算资源和速度,从而导致判断转弯状态的时间过长,实用性不高。
ROI(region of interest,感兴趣区域),在机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域。在图像处理领域,感兴趣区域是从图像中选择的一个图像区域,这个区域是你的图像分析所关注的重点,圈定该区域以便进行进一步处理,这样可以减少处理时间,增加精度。
发明内容
本发明要解决的技术问题之一,在于提供一种基于图像模糊度比较的车辆转向判断方法,根据车辆转弯时,外侧车轮速度快于内侧车轮速度,因此摄像设备所采集的图像在转弯外侧区域像素模糊度要大于转弯内侧区域像素模糊度。通过对行驶图像的左ROI区域和右ROI区域的图像模糊度进行量化与比较,从而判断车辆是否处于转弯状态和转弯方向。计算量小,能够实时快速地对车辆进行转弯状态判断,且不受白天和夜晚条件的限制,特别适用于后装便捷式导航产品。
本发明之一是这样实现的:一种基于图像模糊度比较的车辆转向判断方法,所述方法包括:图像采集过程、图像分割过程、模糊度计算过程、模糊度统计过程和转向判断过程:
所述图像采集过程:摄像设备实时采集车辆每个时刻的行驶图像;
所述图像分割过程:接收所述行驶图像并将所述行驶图像分割为复数个子图像,删除其中灰度和色阶变化平缓的子图像,从而提取出灰度和色阶变化敏感的子图像组成ROI区域;
所述模糊度计算过程:将得到的所述行驶图像的ROI区域对称分为左ROI区域和右ROI区域,采用横向灰度平均梯度算法分别计算得到左ROI区域的图像模糊度和右ROI区域的图像模糊度;
所述模糊度统计过程:结合车辆的速度信息,分别统计出与不同速度对应的至少300幅所述行驶图像的左ROI区域与右ROI区域之间图像模糊度的差值,再由各差值计算得到相应速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差并保存在本地实时更新;
所述转向判断过程:由车辆当前时刻速度下左ROI区域和右ROI区域之间图像模糊度的差值,以及保存的该速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差,判断车辆当前是否处于转弯状态以及转弯方向,并输出相应的转弯信号。
较佳的,所述摄像设备置于汽车前挡风玻璃的正中间处。
较佳的,所述图像分割过程进一步具体为:
步骤10、将接收的所述行驶图像分割为连续不重叠的N*N像素的子图像;所述N为正整数且由摄像设备的分辨率决定:分辨率越高,N越小;
步骤11、分别计算每一个子图像的熵值,并分别将各子图像的熵值与第一阈值进行比较:若熵值大于第一阈值,则表示该子图像的灰度和色阶变化敏感;若熵值小于第一阈值,则表示该子图像的灰度和色阶变化平缓;所述第一阈值是由实验获得的经验值;
步骤12、删除灰度和色阶变化平缓的子图像,提取出各灰度和色阶变化敏感的子图像组成ROI区域。
较佳的,所述横向灰度平均梯度算法的公式如下:
公式(1)中,(i+1,j)∈ROI&&(i,j)∈ROI,J-1为所述行驶图像的高,I-1为所述行驶图像宽度的一半,r(i,j)为所述行驶图像红色分量的像素值,g(i,j)为所述行驶图像绿色分量的像素值,b(i,j)为所述行驶图像蓝色分量的像素值,CountROI为左ROI区域或右ROI区域像素点的个数,GMCL表示左ROI区域的图像模糊度,GMCR表示右ROI区域的图像模糊度;
将上述各值分别代入公式(1),就能得到对应的左ROI区域或右ROI区域的图像模糊度,图像模糊度越大表示图像画面越清晰,图像模糊度越小表示图像画面越模糊。
较佳的,所述转向判断过程进一步具体为:
步骤20、接收计算得到的当前时刻速度下所述行驶图像的左ROI区域的图像模糊度GMCL和右ROI区域的图像模糊度GMCR以及两者对应的差值M;
步骤21、查询本地是否有车辆当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差以供调用:若是,则跳转步骤22;若否则返回步骤20;
步骤22、计算第二阈值Th=e+3σ,其中e表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值,σ表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的方差;
步骤23、判断M是否大于等于Th:若是,则表示车辆当前处于转弯状态,跳转步骤24;若否,则表示车辆当前不处于转弯状态,不进行转弯信号输出;
步骤24:判断GMCL是否大于GMCR:若是,则表示右ROI区域的图像画面更模糊,即右侧车轮处于弯道外侧,车辆当前是向左转弯,输出左转弯信号;若否,则表示左ROI区域的图像画面更模糊,即左侧车轮处于弯道外侧,车辆当前是向右转弯,输出右转弯信号。
本发明要解决的技术问题之二,在于提供一种基于图像模糊度比较的车辆转向判断***,根据车辆转弯时,外侧车轮速度快于内侧车轮速度,因此摄像设备所采集的图像在转弯外侧区域像素模糊度要大于转弯内侧区域像素模糊度。通过对行驶图像的左ROI区域和右ROI区域的图像模糊度进行量化与比较,从而判断车辆是否处于转弯状态和转弯方向。计算量小,能够实时快速地对车辆进行转弯状态判断,且不受白天和夜晚条件的限制,特别适用于后装便捷式导航产品。
本发明之二是这样实现的:一种基于图像模糊度比较的车辆转向判断***,所述***包括:图像采集模块、图像分割模块、模糊度计算模块、模糊度统计模块和转向判断模块:
所述图像采集模块:用于摄像设备实时采集车辆每个时刻的行驶图像;
所述图像分割模块:用于接收所述行驶图像并将所述行驶图像分割为复数个子图像,删除其中灰度和色阶变化平缓的子图像,从而提取出灰度和色阶变化敏感的子图像组成ROI区域;
所述模糊度计算模块:用于将得到的所述行驶图像的ROI区域对称分为左ROI区域和右ROI区域,采用横向灰度平均梯度算法分别计算得到左ROI区域的图像模糊度和右ROI区域的图像模糊度;
所述模糊度统计模块:用于结合车辆的速度信息,分别统计出与不同速度对应的至少300幅所述行驶图像的左ROI区域与右ROI区域之间图像模糊度的差值,再由各差值计算得到相应速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差并保存在本地实时更新;
所述转向判断模块:用于由车辆当前时刻速度下左ROI区域和右ROI区域之间图像模糊度的差值,以及保存的该速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差,判断车辆当前是否处于转弯状态以及转弯方向,并输出相应的转弯信号。
较佳的,所述摄像设备置于汽车前挡风玻璃的正中间处。
较佳的,所述图像分割模块包括提取单元,用于分割所述行驶图像并提取出ROI区域,具体过程如下:
步骤10、将接收的所述行驶图像分割为连续不重叠的N*N像素的子图像;所述N为正整数且由摄像设备的分辨率决定:分辨率越高,N越小;
步骤11、分别计算每一个子图像的熵值,并分别将各子图像的熵值与第一阈值进行比较:若熵值大于第一阈值,则表示该子图像的灰度和色阶变化敏感;若熵值小于第一阈值,则表示该子图像的灰度和色阶变化平缓;所述第一阈值是由实验获得的经验值;
步骤12、删除灰度和色阶变化平缓的子图像,提取出各灰度和色阶变化敏感的子图像组成ROI区域。
较佳的,所述横向灰度平均梯度算法的公式如下:
公式(1)中,(i+1,j)∈ROI&&(i,j)∈ROI,J-1为所述行驶图像的高,I-1为所述行驶图像宽度的一半,r(i,j)为所述行驶图像红色分量的像素值,g(i,j)为所述行驶图像绿色分量的像素值,b(i,j)为所述行驶图像蓝色分量的像素值,CountROI为左ROI区域或右ROI区域像素点的个数,GMCL表示左ROI区域的图像模糊度,GMCR表示右ROI区域的图像模糊度;
将上述各值分别代入公式(1),就能得到对应的左ROI区域或右ROI区域的图像模糊度,图像模糊度越大表示图像画面越清晰,图像模糊度越小表示图像画面越模糊。
较佳的,所述转向判断模块包括分析单元,用于计算并分析车辆的转弯状态及转弯方向,具体过程为:
步骤20、接收计算得到的当前时刻速度下所述行驶图像的左ROI区域的图像模糊度GMCL和右ROI区域的图像模糊度GMCR以及两者对应的差值M;
步骤21、查询本地是否有车辆当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差以供调用:若是,则跳转步骤22;若否则返回步骤20;
步骤22、计算第二阈值Th=e+3σ,其中e表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值,σ表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的方差;
步骤23、判断M是否大于等于Th:若是,则表示车辆当前处于转弯状态,跳转步骤24;若否,则表示车辆当前不处于转弯状态,不进行转弯信号输出;
步骤24:判断GMCL是否大于GMCR:若是,则表示右ROI区域的图像画面更模糊,即右侧车轮处于弯道外侧,车辆当前是向左转弯,输出左转弯信号;若否,则表示左ROI区域的图像画面更模糊,即左侧车轮处于弯道外侧,车辆当前是向右转弯,输出右转弯信号。
采用上述方案后,本发明具有如下优点:
1、通过图像模糊度计算方法,对图像左ROI区域和右ROI区域的图像模糊度进行量化与比较,从而判断车辆是否处于转弯状态和转弯方向,计算量小,能够实时快速地对车辆进行便捷的转弯状态判断;
2、将摄像设备安装在汽车前挡风玻璃的正中间,这样使得所采集到的行驶图像左右两边受速度差引起模糊度变化的范围和程度相同,能够保证判断的准确性;
3、通过对行驶图像的分割,并提取出子图像中灰度和色阶变化敏感的区域作为ROI区域进行分析,这样有针对性地对图像区域分析,能减少图像处理时间,目的性更强;
4、采用横向灰度平均梯度算法计算左ROI区域和右ROI区域的图像模糊度,由于车辆行驶一般只会造成横向模糊度变化,所以相较于传统灰度平均梯度算法需要计算四个方向的灰度梯度,减少了图像模糊度的计算量,提高了判断速度;
5、对本地保存的不同速度下对应的左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差进行更新,保证了数据的实时性和准确性;
6、由于车辆在不同速度下图像模糊度变化率本身会有所差别,转弯引起的模糊度差值在不同速度下的范围也会有所不同,通过统计不同速度下左ROI区域与右ROI区域的图像模糊度差值的均值与方差,可以供转向判断模块参考决策做出正确的车辆转向判断。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明方法执行流程图。
图2为本发明方法一实施例的转向判断过程流程图。
图3为本发明***的连接示意图。
具体实施方式
请参阅图1,本发明,一种基于图像模糊度比较的车辆转向判断方法,所述方法包括:图像采集过程、图像分割过程、模糊度计算过程、模糊度统计过程和转向判断过程:
所述图像采集过程:摄像设备实时采集车辆每个时刻的行驶图像;
所述图像分割过程:接收所述行驶图像并将所述行驶图像分割为复数个子图像,删除其中灰度和色阶变化平缓的子图像(例如颜色一样的天空、路面,夜晚远处黑色区域等都属于灰度和色阶变化平缓的子图像,它们对图像的模糊变化不敏感),从而提取出灰度和色阶变化敏感的子图像组成ROI区域;这样能针对性地对图像区域分析,减少图像处理时间,目的性更强;
所述模糊度计算过程:将得到的所述行驶图像的ROI区域对称分为左ROI区域和右ROI区域,采用横向灰度平均梯度算法分别计算得到左ROI区域的图像模糊度和右ROI区域的图像模糊度;
所述模糊度统计过程:结合车辆的速度信息,分别统计出与不同速度对应的至少300幅所述行驶图像的左ROI区域与右ROI区域之间图像模糊度的差值,再由各差值计算得到相应速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差并保存在本地实时更新;保证了数据的实时性和准确性。例如,汽车当前以60Km/h的速度行驶,则在汽车以该速度行驶的期间统计出摄像设备采集到的至少300幅行驶图像的左ROI区域与右ROI区域之间图像模糊度的差值,并由这些差值计算出均值与方差。
所述转向判断过程:由车辆当前时刻速度下左ROI区域和右ROI区域之间图像模糊度的差值,以及保存的该速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差,判断车辆当前是否处于转弯状态以及转弯方向,并输出相应的转弯信号。
通过上述过程,对分割提取后的子图像采用横向灰度平均梯度算法来计算所述行驶图像的左ROI区域和右ROI区域的图像模糊度,并对图像左ROI区域和右ROI区域的图像模糊度进行差值比较,能够判断车辆是否处于转弯状态以及转弯方向;
所述摄像设备置于汽车前挡风玻璃的正中间处;这样使得所采集到的行驶图像左右两边受速度差引起模糊度变化的范围和程度相同,能够保证判断的准确性。
所述图像分割过程进一步具体为:
步骤10、将接收的所述行驶图像分割为连续不重叠的N*N像素的子图像;所述N为正整数且由摄像设备的分辨率决定:分辨率越高,N越小;例如,对于1920*1080的分辨率,N可取20;
步骤11、分别计算每一个子图像的熵值,并分别将各子图像的熵值与第一阈值进行比较:若熵值大于第一阈值,则表示该子图像的灰度和色阶变化敏感;若熵值小于第一阈值,则表示该子图像的灰度和色阶变化平缓;所述第一阈值是由实验获得的经验值;
步骤12、删除灰度和色阶变化平缓的子图像,提取出各灰度和色阶变化敏感的子图像组成ROI区域。
所述横向灰度平均梯度算法的公式如下:
公式(1)中,(i+1,j)∈ROI&&(i,j)∈ROI,J-1为所述行驶图像的高,I-1为所述行驶图像宽度的一半,r(i,j)为所述行驶图像红色分量的像素值,g(i,j)为所述行驶图像绿色分量的像素值,b(i,j)为所述行驶图像蓝色分量的像素值,CountROI为左ROI区域或右ROI区域像素点的个数,GMCL表示左ROI区域的图像模糊度,GMCR表示右ROI区域的图像模糊度;
将上述各值分别代入公式(1),就能得到对应的左ROI区域或右ROI区域的图像模糊度,图像模糊度越大表示图像画面越清晰,图像模糊度越小表示图像画面越模糊;采用横向灰度平均梯度算法,相较于传统灰度平均梯度算法需要计算四个方向的灰度梯度,减少了图像模糊度的计算量,提高了判断速度。
如图3所示,所述转向判断过程进一步具体为:
步骤20、接收计算得到的当前时刻速度下所述行驶图像的左ROI区域的图像模糊度GMCL和右ROI区域的图像模糊度GMCR以及两者对应的差值M;
步骤21、查询本地是否有车辆当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差以供调用:若是,则跳转步骤22;若否则返回步骤20;
步骤22、计算第二阈值Th=e+3σ,其中e表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值,σ表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的方差;
步骤23、判断M是否大于等于Th:若是,则表示车辆当前处于转弯状态,跳转步骤24;若否,则表示车辆当前不处于转弯状态,不进行转弯信号输出;
步骤24:判断GMCL是否大于GMCR:若是,则表示右ROI区域的图像画面更模糊,即右侧车轮处于弯道外侧,车辆当前是向左转弯,输出左转弯信号;若否,则表示左ROI区域的图像画面更模糊,即左侧车轮处于弯道外侧,车辆当前是向右转弯,输出右转弯信号。
基于以上方法,如图3所示,本发明,一种基于图像模糊度比较的车辆转向判断***,所述***包括:图像采集模块、图像分割模块、模糊度计算模块、模糊度统计模块和转向判断模块:
所述图像采集模块:用于摄像设备实时采集车辆每个时刻的行驶图像;
所述图像分割模块:用于接收所述行驶图像并将所述行驶图像分割为复数个子图像,删除其中灰度和色阶变化平缓的子图像,从而提取出灰度和色阶变化敏感的子图像组成ROI区域;这样能针对性地对图像区域分析,减少图像处理时间,目的性更强;
所述模糊度计算模块:用于将得到的所述行驶图像的ROI区域对称分为左ROI区域和右ROI区域,采用横向灰度平均梯度算法分别计算得到左ROI区域的图像模糊度和右ROI区域的图像模糊度;
所述模糊度统计模块:用于结合车辆的速度信息,分别统计出与不同速度对应的至少300幅所述行驶图像的左ROI区域与右ROI区域之间图像模糊度的差值,再由各差值计算得到相应速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差并保存在本地实时更新;保证了数据的实时性和准确性。
所述转向判断模块:用于由车辆当前时刻速度下左ROI区域和右ROI区域之间图像模糊度的差值,以及保存的该速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差,判断车辆当前是否处于转弯状态以及转弯方向,并输出相应的转弯信号。
所述摄像设备置于汽车前挡风玻璃的正中间处;这样使得所采集到的行驶图像左右两边受速度差引起模糊度变化的范围和程度相同,能够保证判断的准确性。
所述图像分割模块包括提取单元,用于分割所述行驶图像并提取出ROI区域,具体过程如下:
步骤10、将接收的所述行驶图像分割为连续不重叠的N*N像素的子图像;所述N为正整数且由摄像设备的分辨率决定:分辨率越高,N越小;
步骤11、分别计算每一个子图像的熵值,并分别将各子图像的熵值与第一阈值进行比较:若熵值大于第一阈值,则表示该子图像的灰度和色阶变化敏感;若熵值小于第一阈值,则表示该子图像的灰度和色阶变化平缓;所述第一阈值是由实验获得的经验值;
步骤12、删除灰度和色阶变化平缓的子图像,提取出各灰度和色阶变化敏感的子图像组成ROI区域。
所述横向灰度平均梯度算法的公式如下:
公式(1)中,(i+1,j)∈ROI&&(i,j)∈ROI,J-1为所述行驶图像的高,I-1为所述行驶图像宽度的一半,r(i,j)为所述行驶图像红色分量的像素值,g(i,j)为所述行驶图像绿色分量的像素值,b(i,j)为所述行驶图像蓝色分量的像素值,CountROI为左ROI区域或右ROI区域像素点的个数,GMCL表示左ROI区域的图像模糊度,GMCR表示右ROI区域的图像模糊度;
将上述各值分别代入公式(1),就能得到对应的左ROI区域或右ROI区域的图像模糊度,图像模糊度越大表示图像画面越清晰,图像模糊度越小表示图像画面越模糊;采用横向灰度平均梯度算法,相较于传统灰度平均梯度算法需要计算四个方向的灰度梯度,减少了图像模糊度的计算量,提高了判断速度。
所述转向判断模块包括分析单元,用于计算并分析车辆的转弯状态及转弯方向,具体过程为:
步骤20、接收计算得到的当前时刻速度下所述行驶图像的左ROI区域的图像模糊度GMCL和右ROI区域的图像模糊度GMCR以及两者对应的差值M;
步骤21、查询本地是否有车辆当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差以供调用:若是,则跳转步骤22;若否则返回步骤20;
步骤22、计算第二阈值Th=e+3σ,其中e表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值,σ表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的方差;
步骤23、判断M是否大于等于Th:若是,则表示车辆当前处于转弯状态,跳转步骤24;若否,则表示车辆当前不处于转弯状态,不进行转弯信号输出;
步骤24:判断GMCL是否大于GMCR:若是,则表示右ROI区域的图像画面更模糊,即右侧车轮处于弯道外侧,车辆当前是向左转弯,输出左转弯信号;若否,则表示左ROI区域的图像画面更模糊,即左侧车轮处于弯道外侧,车辆当前是向右转弯,输出右转弯信号。
本发明,根据车辆转弯时,外侧车轮速度快于内侧车轮速度,因此摄像设备所采集的行驶图像在转弯外侧区域像素模糊度要大于转弯内侧区域像素模糊度。通过对行驶图像进行分割提取出的左ROI区域和右ROI区域的图像模糊度进行量化与比较,从而判断车辆是否处于转弯状态和转弯方向。计算量小,能够实时快速地对车辆进行便捷的转弯状态判断,且不受白天和夜晚条件的限制,特别适用于后装便捷式导航产品。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (2)
1.一种基于图像模糊度比较的车辆转向判断方法,其特征在于:所述方法包括:图像采集过程、图像分割过程、模糊度计算过程、模糊度统计过程和转向判断过程:
所述图像采集过程:摄像设备实时采集车辆每个时刻的行驶图像;
所述图像分割过程:接收所述行驶图像并将所述行驶图像分割为复数个子图像,删除其中灰度和色阶变化平缓的子图像,从而提取出灰度和色阶变化敏感的子图像组成ROI区域;
所述模糊度计算过程:将得到的所述行驶图像的ROI区域对称分为左ROI区域和右ROI区域,采用横向灰度平均梯度算法分别计算得到左ROI区域的图像模糊度和右ROI区域的图像模糊度;
所述模糊度统计过程:结合车辆的速度信息,分别统计出与不同速度对应的至少300幅所述行驶图像的左ROI区域与右ROI区域之间图像模糊度的差值,再由各差值计算得到相应速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差并保存在本地实时更新;
所述转向判断过程:由车辆当前时刻速度下左ROI区域和右ROI区域之间图像模糊度的差值,以及保存的该速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差,判断车辆当前是否处于转弯状态以及转弯方向,并输出相应的转弯信号;
所述横向灰度平均梯度算法的公式如下:
公式(1)中,(i+1,j)∈ROI&&(i,j)∈ROI,J-1为所述行驶图像的高,I-1为所述行驶图像宽度的一半,r(i,j)为所述行驶图像红色分量的像素值,g(i,j)为所述行驶图像绿色分量的像素值,b(i,j)为所述行驶图像蓝色分量的像素值,CountROI为左ROI区域或右ROI区域像素点的个数,GMCL表示左ROI区域的图像模糊度,GMCR表示右ROI区域的图像模糊度;GMCL/R表示左ROI区域的图像模糊度或者右ROI区域的图像模糊度;
将上述各值分别代入公式(1),就能得到对应的左ROI区域或右ROI区域的图像模糊度,图像模糊度越大表示图像画面越清晰,图像模糊度越小表示图像画面越模糊;
所述图像分割过程进一步具体为:
步骤10、将接收的所述行驶图像分割为连续不重叠的N*N像素的子图像;所述N为正整数且由摄像设备的分辨率决定:分辨率越高,N越小;
步骤11、分别计算每一个子图像的熵值,并分别将各子图像的熵值与第一阈值进行比较:若熵值大于第一阈值,则表示该子图像的灰度和色阶变化敏感;若熵值小于第一阈值,则表示该子图像的灰度和色阶变化平缓;所述第一阈值是由实验获得的经验值;
步骤12、删除灰度和色阶变化平缓的子图像,提取出各灰度和色阶变化敏感的子图像组成ROI区域;
所述转向判断过程进一步具体为:
步骤20、接收计算得到的当前时刻速度下所述行驶图像的左ROI区域的图像模糊度GMCL和右ROI区域的图像模糊度GMCR以及两者对应的差值M;
步骤21、查询本地是否有车辆当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差以供调用:若是,则跳转步骤22;若否则返回步骤20;
步骤22、计算第二阈值Th=e+3σ,其中e表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值,σ表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的方差;
步骤23、判断M是否大于等于Th:若是,则表示车辆当前处于转弯状态,跳转步骤24;若否,则表示车辆当前不处于转弯状态,不进行转弯信号输出;
步骤24:判断GMCL是否大于GMCR:若是,则表示右ROI区域的图像画面更模糊,即右侧车轮处于弯道外侧,车辆当前是向左转弯,输出左转弯信号;若否,则表示左ROI区域的图像画面更模糊,即左侧车轮处于弯道外侧,车辆当前是向右转弯,输出右转弯信号;
所述摄像设备置于汽车前挡风玻璃的正中间处。
2.一种基于图像模糊度比较的车辆转向判断***,其特征在于:所述***包括:图像采集模块、图像分割模块、模糊度计算模块、模糊度统计模块和转向判断模块:
所述图像采集模块:用于摄像设备实时采集车辆每个时刻的行驶图像;
所述图像分割模块:用于接收所述行驶图像并将所述行驶图像分割为复数个子图像,删除其中灰度和色阶变化平缓的子图像,从而提取出灰度和色阶变化敏感的子图像组成ROI区域;
所述模糊度计算模块:用于将得到的所述行驶图像的ROI区域对称分为左ROI区域和右ROI区域,采用横向灰度平均梯度算法分别计算得到左ROI区域的图像模糊度和右ROI区域的图像模糊度;
所述模糊度统计模块:用于结合车辆的速度信息,分别统计出与不同速度对应的至少300幅所述行驶图像的左ROI区域与右ROI区域之间图像模糊度的差值,再由各差值计算得到相应速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差并保存在本地实时更新;
所述转向判断模块:用于由车辆当前时刻速度下左ROI区域和右ROI区域之间图像模糊度的差值,以及保存的该速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差,判断车辆当前是否处于转弯状态以及转弯方向,并输出相应的转弯信号;
所述横向灰度平均梯度算法的公式如下:
公式(1)中,(i+1,j)∈ROI&&(i,j)∈ROI,J-1为所述行驶图像的高,I-1为所述行驶图像宽度的一半,r(i,j)为所述行驶图像红色分量的像素值,g(i,j)为所述行驶图像绿色分量的像素值,b(i,j)为所述行驶图像蓝色分量的像素值,CountROI为左ROI区域或右ROI区域像素点的个数,GMCL表示左ROI区域的图像模糊度,GMCR表示右ROI区域的图像模糊度;GMCL/R表示左ROI区域的图像模糊度或者右ROI区域的图像模糊度;
将上述各值分别代入公式(1),就能得到对应的左ROI区域或右ROI区域的图像模糊度,图像模糊度越大表示图像画面越清晰,图像模糊度越小表示图像画面越模糊;
所述图像分割模块包括提取单元,用于分割所述行驶图像并提取出ROI区域,具体过程如下:
步骤10、将接收的所述行驶图像分割为连续不重叠的N*N像素的子图像;所述N为正整数且由摄像设备的分辨率决定:分辨率越高,N越小;
步骤11、分别计算每一个子图像的熵值,并分别将各子图像的熵值与第一阈值进行比较:若熵值大于第一阈值,则表示该子图像的灰度和色阶变化敏感;若熵值小于第一阈值,则表示该子图像的灰度和色阶变化平缓;所述第一阈值是由实验获得的经验值;
步骤12、删除灰度和色阶变化平缓的子图像,提取出各灰度和色阶变化敏感的子图像组成ROI区域;
所述转向判断模块包括分析单元,用于计算并分析车辆的转弯状态及转弯方向,具体过程为:
步骤20、接收计算得到的当前时刻速度下所述行驶图像的左ROI区域的图像模糊度GMCL和右ROI区域的图像模糊度GMCR以及两者对应的差值M;
步骤21、查询本地是否有车辆当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值与方差以供调用:若是,则跳转步骤22;若否则返回步骤20;
步骤22、计算第二阈值Th=e+3σ,其中e表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的均值,σ表示当前速度下左ROI区域与右ROI区域之间图像模糊度的差值的方差;
步骤23、判断M是否大于等于Th:若是,则表示车辆当前处于转弯状态,跳转步骤24;若否,则表示车辆当前不处于转弯状态,不进行转弯信号输出;
步骤24:判断GMCL是否大于GMCR:若是,则表示右ROI区域的图像画面更模糊,即右侧车轮处于弯道外侧,车辆当前是向左转弯,输出左转弯信号;若否,则表示左ROI区域的图像画面更模糊,即左侧车轮处于弯道外侧,车辆当前是向右转弯,输出右转弯信号;
所述摄像设备置于汽车前挡风玻璃的正中间处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410781422.7A CN104537649B (zh) | 2014-12-16 | 2014-12-16 | 一种基于图像模糊度比较的车辆转向判断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410781422.7A CN104537649B (zh) | 2014-12-16 | 2014-12-16 | 一种基于图像模糊度比较的车辆转向判断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104537649A CN104537649A (zh) | 2015-04-22 |
CN104537649B true CN104537649B (zh) | 2019-07-02 |
Family
ID=52853168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410781422.7A Active CN104537649B (zh) | 2014-12-16 | 2014-12-16 | 一种基于图像模糊度比较的车辆转向判断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104537649B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846369A (zh) * | 2016-12-14 | 2017-06-13 | 广州市联奥信息科技有限公司 | 基于双目视觉的车辆转向状态判别方法及装置 |
CN107197233A (zh) * | 2017-06-23 | 2017-09-22 | 安徽大学 | 基于边缘计算模型的监控视频数据质量评测方法及装置 |
CN109887124B (zh) * | 2019-01-07 | 2022-05-13 | 平安科技(深圳)有限公司 | 车辆运动数据的处理方法、装置、计算机设备、存储介质 |
CN110880003B (zh) * | 2019-10-12 | 2023-01-17 | 中国第一汽车股份有限公司 | 一种图像匹配方法、装置、存储介质及汽车 |
CN110703750A (zh) * | 2019-10-12 | 2020-01-17 | 南京工业大学 | 基于图像匹配的自行走机器人转向判定控制装置及方法 |
CN113177508B (zh) * | 2021-05-18 | 2022-04-08 | 中移(上海)信息通信科技有限公司 | 一种行车信息的处理方法、装置及设备 |
CN114485671B (zh) * | 2022-01-24 | 2024-06-07 | 轮趣科技(东莞)有限公司 | 一种移动设备的自动转弯方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1804928A (zh) * | 2005-11-24 | 2006-07-19 | 上海交通大学 | 基于机器视觉的车道局部几何结构和车辆位置估计方法 |
CN104182991A (zh) * | 2014-08-15 | 2014-12-03 | 辽宁工业大学 | 一种车辆行驶状态估计方法及装置 |
-
2014
- 2014-12-16 CN CN201410781422.7A patent/CN104537649B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1804928A (zh) * | 2005-11-24 | 2006-07-19 | 上海交通大学 | 基于机器视觉的车道局部几何结构和车辆位置估计方法 |
CN104182991A (zh) * | 2014-08-15 | 2014-12-03 | 辽宁工业大学 | 一种车辆行驶状态估计方法及装置 |
Non-Patent Citations (1)
Title |
---|
车载航位推算组合导航算法研究;白亮;《计算机测量与控制》;20101031;第18卷(第10期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN104537649A (zh) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537649B (zh) | 一种基于图像模糊度比较的车辆转向判断方法及*** | |
CN110178167B (zh) | 基于摄像机协同接力的路口违章视频识别方法 | |
TWI452540B (zh) | 影像式之交通參數偵測系統與方法及電腦程式產品 | |
CN109977776B (zh) | 一种车道线检测方法、装置及车载设备 | |
US20200041284A1 (en) | Map road marking and road quality collecting apparatus and method based on adas system | |
CN104008645B (zh) | 一种适用于城市道路车道线预测及预警方法 | |
Chen et al. | Conflict analytics through the vehicle safety space in mixed traffic flows using UAV image sequences | |
CN105702048B (zh) | 基于行车记录仪的高速公路前车违法占道识别***及方法 | |
CN109919008A (zh) | 运动目标检测方法、装置、计算机设备及存储介质 | |
US10699567B2 (en) | Method of controlling a traffic surveillance system | |
CN103065138A (zh) | 一种机动车牌号的识别方法 | |
WO2013129361A1 (ja) | 立体物検出装置 | |
CN107529659B (zh) | 安全带佩戴检测方法、装置及电子设备 | |
KR20210080459A (ko) | 차선 검출방법, 장치, 전자장치 및 가독 저장 매체 | |
CN106326866B (zh) | 车辆碰撞的预警方法及装置 | |
CN111507237A (zh) | 一种应用在高速公路上基于视频的异常事件检测方法与装置 | |
CN112070074A (zh) | 物体检测方法、装置、终端设备和存储介质 | |
CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
EP2813973B1 (en) | Method and system for processing video image | |
JP7507930B2 (ja) | 事故分析装置 | |
CN109643488B (zh) | 交通异常事件检测装置及方法 | |
CN111915883A (zh) | 一种基于车载摄像的道路交通状况检测方法 | |
US20230085455A1 (en) | Vehicle condition estimation method, vehicle condition estimation device, and vehicle condition estimation program | |
WO2018149539A1 (en) | A method and apparatus for estimating a range of a moving object | |
CN108108680A (zh) | 一种基于双目视觉的后方车辆识别与测距方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 361009 Xiamen Torch High tech Zone Software Park Innovation Building C Area 303-E, Xiamen, Fujian Province Patentee after: Xiamen Yaxun Zhilian Technology Co.,Ltd. Country or region after: China Address before: 361009 No.46, guanri Road, phase II, software park industrial base, Xiamen City, Fujian Province Patentee before: XIAMEN YAXON NETWORK Co.,Ltd. Country or region before: China |