CN107133596A - 基于车底阴影的前车运动车辆检测方法 - Google Patents

基于车底阴影的前车运动车辆检测方法 Download PDF

Info

Publication number
CN107133596A
CN107133596A CN201710327870.3A CN201710327870A CN107133596A CN 107133596 A CN107133596 A CN 107133596A CN 201710327870 A CN201710327870 A CN 201710327870A CN 107133596 A CN107133596 A CN 107133596A
Authority
CN
China
Prior art keywords
vehicle
image
target
hacures
average
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.)
Withdrawn
Application number
CN201710327870.3A
Other languages
English (en)
Inventor
不公告发明人
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.)
Nanning Lehongpo Technology Co Ltd
Original Assignee
Nanning Lehongpo Technology Co Ltd
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 Nanning Lehongpo Technology Co Ltd filed Critical Nanning Lehongpo Technology Co Ltd
Priority to CN201710327870.3A priority Critical patent/CN107133596A/zh
Publication of CN107133596A publication Critical patent/CN107133596A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06V20/56—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于车底阴影的前车运动车辆检测方法，包括以下步骤：通过装置于车辆内的摄像机实时的采集车辆信息，并对图像进行灰度化、二值化及降噪预处理；已知视频图像的一帧灰度图像I，计算灰度图像I计算第一次；统计低于的像素点，计算第二次将其作为分割图像的阈值；判断并寻找阴影线的起点、终点及所在行位置；根据目标阴影线的相邻性及上下线之间关系合并阴影线，确定车底与路面的交线，从而定位目标的假设矩形区域；在假设矩形区域内，利用垂直Sobel边缘检测和Hough变换准确提取车辆的左右边界；计算精确提取的假设矩形区域内的熵值归一化的对称性测度，统计中得出

Description

基于车底阴影的前车运动车辆检测方法
技术领域
本发明具体涉及一种基于车底阴影的前车运动车辆检测方法。
背景技术
前方运动车辆检测是智能交通***领域中一个重要研究方向。利用基于视觉获知前方车辆信息是智能车辆安全驾驶及交通***研究领域的热点，利于减少伤亡、节约时间、降低污染。
基于视觉的车辆检测方法可归纳为以下4类：
基于光流场方法较好处理背景运动情况，对噪声、光线变化敏感，实时性差；基于模型方法对模型的依赖性强；基于立体视觉方法定位较准确，但特征点较敏感；基于特征的方法是利用车辆一些显著特征如车底阴影、边缘、对称性等提取车辆区域，单一特征容易受光照及周边环境影响而被弱化，结合多特征是基于特征方法的发展趋势。
光强及周边环境会对车辆特征产生较大干扰，但车辆下方的阴影区域在整个图像中较暗，是一种较为鲁棒的特征。
发明内容
本发明要解决的技术问题是提供一种基于车底阴影的前车运动车辆检测方法。
基于车底阴影的前车运动车辆检测方法，包括以下步骤：
S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；
S2：已知视频图像的一帧灰度图像I，计算灰度图像I的均值与方差以及可调参数a，利用下式计算第一次；
；
；
S3：统计低于的像素点，计算其均值与方差以及可调参数b，利用下式计算第二次将其作为分割图像的阈值；
；
；
S4：利用下列各式判断并寻找阴影线的起点、终点及所在行位置；对阴影分割后的图像搜索阴影线起始位置、终点位置；按从上往下，从左往右，当符合下式时，记为起点；
；
当符合下式时，记为终点；
；
投影到图像中的车宽近似用透视投影公式表示：
；其中，w为图像中目标的宽度（单位：像素）；为车辆实际宽度（单位：m）；H为摄像机光轴距离水平路面高度（单位：m）；y为图像中目标所在的行（单位：像素）；
记录满足下式的阴影线起点、终点及行位置，反之，删除阴影线；
；
S5：根据目标阴影线的相邻性及上下线之间关系合并阴影线，确定车底与路面的交线，从而定位目标的假设矩形区域；
S6：在假设矩形区域内，利用垂直Sobel边缘检测和Hough变换准确提取车辆的左右边界；
S7：计算精确提取的假设矩形区域内的熵值归一化的对称性测度，统计中得出时，则目标为车辆；反之，为虚假车辆。
进一步的，对称性测度的计算方法如下：
假设矩形框其列方向上灰度均值视为横坐标的一维函数：
；
对称轴取矩形框竖直中轴 ，宽度为矩形宽度，以为纵轴的新坐标下，的偶函数和奇函数分量分别为：
，
，
奇函数分量均值为0，偶函数分量均值大于0，对偶函数分量归一化，保证其均值为0，则有：
；
目标矩阵的对称度测量为：
将信息量定义为：
；
信息熵定义为信息量的数学期望：
；
对于灰度图像取值范围为，为灰度图像信息熵最大值；
引用熵值归一化的对称性测度排除虚假目标，定义为：
。
本发明的有益效果是：
本发明首先采用两次自适应阈值算法为有利于提取车底和路面的交线，从而初步定为车辆的假设区域，利用垂直Sobel边缘检测和Hough变换完成车辆精确定位，提高检测效率，最后基于熵值归一化的对称性测度进行验证，剔除虚假车辆，提高检测准确度。有效的解决了白天中不同时段及周边环境阴影的干扰，实时准确检测到前方目标车辆。
具体实施方式
以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。
基于车底阴影的前车运动车辆检测方法，包括以下步骤：
S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；
S2：已知视频图像的一帧灰度图像I，计算灰度图像I的均值与方差以及可调参数a，利用下式计算第一次；
；
；
S3：统计低于的像素点，计算其均值与方差以及可调参数b，利用下式计算第二次将其作为分割图像的阈值；
；
；
S4：利用下列各式判断并寻找阴影线的起点、终点及所在行位置；对阴影分割后的图像搜索阴影线起始位置、终点位置；按从上往下，从左往右，当符合下式时，记为起点；
；
当符合下式时，记为终点；
；
投影到图像中的车宽近似用透视投影公式表示：
；其中，w为图像中目标的宽度（单位：像素）；为车辆实际宽度（单位：m）；H为摄像机光轴距离水平路面高度（单位：m）；y为图像中目标所在的行（单位：像素）；
记录满足下式的阴影线起点、终点及行位置，反之，删除阴影线；
；
S5：根据目标阴影线的相邻性及上下线之间关系合并阴影线，确定车底与路面的交线，从而定位目标的假设矩形区域；
S6：在假设矩形区域内，利用垂直Sobel边缘检测和Hough变换准确提取车辆的左右边界；
S7：计算精确提取的假设矩形区域内的熵值归一化的对称性测度，统计中得出时，则目标为车辆；反之，为虚假车辆。
对称性测度的计算方法如下：
假设矩形框其列方向上灰度均值视为横坐标的一维函数：
；
对称轴取矩形框竖直中轴 ，宽度为矩形宽度，以为纵轴的新坐标下，的偶函数和奇函数分量分别为：
，
，
奇函数分量均值为0，偶函数分量均值大于0，对偶函数分量归一化，保证其均值为0，则有：
；
目标矩阵的对称度测量为：
将信息量定义为：
；
信息熵定义为信息量的数学期望：
；
对于灰度图像取值范围为，为灰度图像信息熵最大值；
引用熵值归一化的对称性测度排除虚假目标，定义为：
。

Claims (2)

1.基于车底阴影的前车运动车辆检测方法，其特征在于，包括以下步骤：
S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；
S2：已知视频图像的一帧灰度图像I，计算灰度图像I的均值与方差以及可调参数a，利用下式计算第一次；
；
；
S3：统计低于的像素点，计算其均值与方差以及可调参数b，利用下式计算第二次将其作为分割图像的阈值；
；
；
S4：利用下列各式判断并寻找阴影线的起点、终点及所在行位置；对阴影分割后的图像搜索阴影线起始位置、终点位置；按从上往下，从左往右，当符合下式时，记为起点；
；
当符合下式时，记为终点；
；
投影到图像中的车宽近似用透视投影公式表示：
；其中，w为图像中目标的宽度（单位：像素）；为车辆实际宽度（单位：m）；H为摄像机光轴距离水平路面高度（单位：m）；y为图像中目标所在的行（单位：像素）；
记录满足下式的阴影线起点、终点及行位置，反之，删除阴影线；
；
S5：根据目标阴影线的相邻性及上下线之间关系合并阴影线，确定车底与路面的交线，从而定位目标的假设矩形区域；
S6：在假设矩形区域内，利用垂直Sobel边缘检测和Hough变换准确提取车辆的左右边界；
S7：计算精确提取的假设矩形区域内的熵值归一化的对称性测度，统计中得出时，则目标为车辆；反之，为虚假车辆。
2.根据权利要求1所述的前车运动车辆检测方法，其特征在于，对称性测度的计算方法如下：
假设矩形框其列方向上灰度均值视为横坐标的一维函数：
；
对称轴取矩形框竖直中轴 ，宽度为矩形宽度，以为纵轴的新坐标下，的偶函数和奇函数分量分别为：
，
，
奇函数分量均值为0，偶函数分量均值大于0，对偶函数分量归一化，保证其均值为0，则有：
；
目标矩阵的对称度测量为：
将信息量定义为：
；
信息熵定义为信息量的数学期望：
；
对于灰度图像取值范围为，为灰度图像信息熵最大值；
引用熵值归一化的对称性测度排除虚假目标，定义为：
。
CN201710327870.3A 2017-05-11 2017-05-11 基于车底阴影的前车运动车辆检测方法 Withdrawn CN107133596A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710327870.3A CN107133596A (zh) 2017-05-11 2017-05-11 基于车底阴影的前车运动车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710327870.3A CN107133596A (zh) 2017-05-11 2017-05-11 基于车底阴影的前车运动车辆检测方法

Publications (1)

Publication Number Publication Date
CN107133596A true CN107133596A (zh) 2017-09-05

Family

ID=59731483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710327870.3A Withdrawn CN107133596A (zh) 2017-05-11 2017-05-11 基于车底阴影的前车运动车辆检测方法

Country Status (1)

Country Link
CN (1) CN107133596A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321973A (zh) * 2019-07-23 2019-10-11 南京信息工程大学 一种基于视觉的组合车辆检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544487A (zh) * 2013-11-01 2014-01-29 扬州瑞控汽车电子有限公司 基于单目视觉的前车识别方法
CN103679205A (zh) * 2013-12-23 2014-03-26 湖南大学 基于阴影假设和分层hog对称特征验证的前车检测方法
CN104392212A (zh) * 2014-11-14 2015-03-04 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544487A (zh) * 2013-11-01 2014-01-29 扬州瑞控汽车电子有限公司 基于单目视觉的前车识别方法
CN103679205A (zh) * 2013-12-23 2014-03-26 湖南大学 基于阴影假设和分层hog对称特征验证的前车检测方法
CN104392212A (zh) * 2014-11-14 2015-03-04 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
齐美彬 等: ""基于车底阴影的前方运动车辆检测"", 《电子测量与仪器学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321973A (zh) * 2019-07-23 2019-10-11 南京信息工程大学 一种基于视觉的组合车辆检测方法

Similar Documents

Publication Publication Date Title
Narote et al. A review of recent advances in lane detection and departure warning system
US10262216B2 (en) Hazard detection from a camera in a scene with moving shadows
CN103824066B (zh) 一种基于视频流的车牌识别方法
US9721460B2 (en) In-vehicle surrounding environment recognition device
Liu et al. Rear vehicle detection and tracking for lane change assist
CN109886215B (zh) 基于机器视觉的低速园区无人车巡航及紧急制动***
CN107891808B (zh) 行车提醒方法、装置及车辆
CN103871079A (zh) 基于机器学习和光流的车辆跟踪方法
CN110379168B (zh) 一种基于Mask R-CNN的交通车辆信息获取方法
WO2013094242A1 (ja) 立体物検出装置
CN104636724B (zh) 一种基于目标一致性的车载相机快速行人车辆检测方法
US9189691B2 (en) Three-dimensional object detection device and three-dimensional object detection method
JP6723328B2 (ja) 車両検出方法、動的光強度に基づく夜間の車両検出方法及びそのシステム
CN109948552B (zh) 一种复杂交通环境中的车道线检测的方法
CN104662560B (zh) 一种视频图像处理方法及***
CN105303160A (zh) 一种夜间车辆检测和跟踪的方法
Cheng et al. A vehicle detection approach based on multi-features fusion in the fisheye images
Ponsa et al. On-board image-based vehicle detection and tracking
US20150125031A1 (en) Three-dimensional object detection device
Lin et al. Adaptive IPM-based lane filtering for night forward vehicle detection
CN103050008A (zh) 夜间复杂交通视频中车辆检测方法
JP5760635B2 (ja) 走行支援装置
CN112348813A (zh) 雷达与车灯检测融合的夜晚车辆检测方法及装置
CN108229248A (zh) 基于车底阴影的车辆检测方法
CN108133231B (zh) 一种尺度自适应的实时车辆检测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20170905