CN108846363A - 一种基于发散式扫描的分区域车底阴影检测方法 - Google Patents
一种基于发散式扫描的分区域车底阴影检测方法 Download PDFInfo
- Publication number
- CN108846363A CN108846363A CN201810630388.1A CN201810630388A CN108846363A CN 108846363 A CN108846363 A CN 108846363A CN 201810630388 A CN201810630388 A CN 201810630388A CN 108846363 A CN108846363 A CN 108846363A
- Authority
- CN
- China
- Prior art keywords
- region
- scanning
- vehicle bottom
- vehicle
- pixel
- 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
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
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于发散式扫描的分区域车底阴影检测方法,首先,根据道路消失点以及道路二值化信息实时获得道路感兴趣区域;其次,对感兴趣区域进行子区域划分,从上到下,根据透视原理,选择分辨率为720×1280的图像进行处理,纵向距离消失点为40像素和90像素的水平线将ROI划分为三个区域;再次,以消失点为源点,沿车道反方向扫描的发射线,分别以特定大小的矩形窗口对相应的三个区域扫描线上的像素点进行遍历,进行逐点计算,确定三个区域的阈值;最后,根据车底阴影以及车身边缘特点确定最终车底阴影区域。该方法可以有效地解决复杂路面和光线较弱工况下的车辆底阴影识别的鲁棒性,准确性和实时性问题。
Description
技术领域
本发明涉及一种目标检测技术,特别是涉及车辆底部阴影检测方法。
背景技术
车辆检测***可以对驾驶员起到辅助驾驶、提前警告等作用,更好的保证人车安全。目前 常用的车辆检测方法有:单目视觉、立体视觉、多传感器融合。由于单目视觉算法成熟,实时 性高,集成成本低、功耗少、占用空间少、可监测范围较大***收集到的图像信息可以同时得 到路标、车道标志线、行人等其它有用的路况信息,因此目前车辆检测的方法多数是基于单目 视觉。
车辆检测的核心是把车辆从复杂背景中分离出来。基于单目视觉的车辆实时检测***中, 车辆最明显的特征是其底部的阴影,而准确的识别出车辆底部阴影,是识别目标车辆的前提。 目前阴影检测的方法分为,模板匹配和特征提取的方法。基于模板匹配的方法进行目标检测, 当被检测目标的位姿发生变化,会导致模板匹配相似度下降,影响检测结果。基于车辆特征提 取的方法很多,包括车底阴影突变,车尾部对称性等进行目标检测,该方法易受环境及目标位 姿的影响。
发明内容
本发明提供一种基于发散式扫描的分区域车底阴影检测方法,目的是在兼顾实时性的同 时,对于复杂路面和光线较弱工况下的车辆识别均具有较好的鲁棒性和准确性。
实现本发明的技术方案如下:
一种基于发散式扫描的分区域车底阴影检测方法,所述发散式扫描线,是以路面消失点为 发射点,沿车道反方向扫描的发射线,所述检测方法包括:
步骤1,利用车载相机拍摄的道路场景图像,实时获取感兴趣区域(RegionofInterest, ROI),减少搜索区域,ROI为图像检测区域,它是根据车辆所处环境确定扫描线边界即道路 边界的位置,具体包括步骤:
(1)根据摄像机安装位置设置道路消失点为K';
(2)选择消失点所在水平直线和纵向距离消失点150像素的水平线构成的矩形区域,进 行局部阈值计算,获得二值图像,求取阈值公式如下:
th1=μ-σ (1)
式中th1为阈值,μ为矩形区域的灰度均值,σ矩形区域的灰度方差;
(3)过道路消失点以及左、右侧边缘上适当位置的点各确定5条扫描线,统计每条扫描 线上黑色点的个数,当满足小于某一定值时记录位置,得到的扫描线及纵向距离消失点150 像素的水平线确定ROI区域;
步骤2,对ROI进行子区域划分:从上到下,根据透视原理,车底阴影面积随着距离的增 大而减小,将ROI区域按照视场分为远、中、近3个子区域;
步骤3,根据ROI划分的三个区域分别计算各个区域的自适应阈值,以各区域的矩形扫描 窗口大小,分别对三个子区域的扫描线上的像素点,进行逐点遍历计算,最终获得各区域的阈 值,获得二值图,提取车底阴影候选区域;
步骤4,根据车底阴影以及车身边缘特点确定最终车底阴影区域。
与现有技术相比,本发明的有益效果是:
(1)实时性:本发明采用发散式扫描的方式进行图像扫描,实时获取感兴趣区域ROI, 很大程度减小了扫描像素点数量,进而减小了计算量,最终提高准确性和实时性。
(2)鲁棒性:本发明采用的分区域阈值,对于复杂路面和光线较弱工况下的车辆识别均 具有较好的鲁棒性。
附图说明
图1为本发明算法的ROI选择。
图2为本发明算法的路面示意图。
图3为本发明算法的图像示意图。
图4为图3的灰度图扫描结果。
图5为分区域阈值计算。
图6为车底阴影区域确定流程图。
图7是本发明的流程框图。
具体实施方式
以下将结合附图对本发明的优选实施例进行详细描述。优选实施例仅为了说明本发明,而 不是为了限制本发明的保护范围。
参见图7,本检测方法首先,选择分辨率为720×1280的图像进行处理,对纵向距离消失 点150像素的矩形区域进行局部阈值计算,获得二值图像,过道路消失点以及左、右侧边缘上 适当位置的点各确定5条扫描线,统计每条扫描线上黑色点的个数,当满足小于某一定值时记 录位置,得到的扫描线及纵向距离消失点150像素的水平线确定ROI区域;其次,对ROI进 行子区域划分,从上到下,根据透视原理,车底阴影面积随着距离的增大而减小,纵向距离消 失点为40像素和90像素的水平线将ROI划分为三个区域;再次,根据透视原理,以消失点 为源点,沿车道反方向扫描的发射线;从次,从上到下,分别以5×20,13×60,24×100的矩 形窗口对相应的三个区域扫描线上的像素点进行遍历,进行逐点计算,分别确定三个区域的阈 值,获得二值图,提取车底阴影候选区域;最后,根据车底阴影以及车身边缘特点确定最终车 底阴影区域。
由于车辆行驶过程中车道不断变化,导致ROI区域会发生变化,道路两边的树木信息等会 影响阈值的准确度,因此实时获得ROI区域是关键问题,本发明实时获得ROI区域的具体手 段如下,参见图1a,图1b:
1)根据摄像机安装位置设置道路消失点为K';
2)选择消失点所在水平直线和纵向距离消失点150像素的水平线构成的矩形区域,进行 局部阈值计算,获得二值图像,求取阈值公式如下:
th1=μ-σ (1)
式中th1为阈值,μ为矩形区域的灰度均值,σ矩形区域的灰度方差;
3)左侧及右侧边界距离消失点所在水平线纵向距离为40、60、80、100、120个像素的点 与消失点构成道路边缘扫描线;
4)统计扫描线上的黑色像素点的个数,从K’-A1到K’-A5当黑色点的个数小于5时记录 该扫描线位置,为得到更准确的扫描区域将选择记录位置加1,即下一个扫描线为道路边界。 经实验表明,该方法可以实时获得ROI区域。
参见图2,图3,图4:
图2中路面坐标系下的C、B(F)、A(E)和D分别对应图像坐标系的ROI顶点C'、B'(F')、 A'(E')和D',如图3所示。图像坐标系下,道路的消失点K',其在路面坐标系下为y值的正无 穷大处。路面坐标系下,直线y=a与ROI边界直线分别相交于点P0和Pn+1。取点Pi(i=1,2,3,...,n) 为直线P0-Pn+1上等距离点。由此获得平行于车道线的若干条扫描线,如图2中虚线所示。由 于常规车道宽度为3.5~3.75m,为确保有足够针对目标区域扫描点数量,应设置一定大小的扫 描线间距。经实验表明,通过设置扫描线间距|Pi-Pi+1|=0.25m可取得较好的识别效果,如图2 所示。
根据投影变换,求出路面坐标系中点Pi(xi,yi)对应图像坐标系下的点Pi'(ui,vi),如图2。 由此,可得到对应于扫描线Li(路面坐标系)的发散式扫描线L'i(i=1~n)(Pi'-K',图像坐标 系)。投影变换公式如下:
式中,h为摄像头安装高度;H为图像纵向像素大小;W为图像横向像素大小;2α为摄像机垂 直方向视角;2β为摄像机水平方向视角;γ为地平面上的最近可视点与摄像机镜头中心连线和 地平面垂线的夹角。
基于上述原理,将图3的扫描结果灰度值通过三维图的形式展现出来,从结果图中可较方 便的找到目标车辆底部阴影区域,如图4所示。结果证明,通过发射线隔行扫描的方法对ROI 进行扫描,可以在减小扫描像素点的同时得到足够的信息进行阈值计算,并且可以得到较好的 阈值分离结果。因此,基于发散式扫描原理对ROI进行扫描,是一种效果较好的扫描方法。
参见图5:
第一步:对ROI进行子区域划分,从上到下,根据透视原理,车底阴影面积随着距离的 增大而减小,选择分辨率为720×1280的图像进行处理,纵向距离消失点为40像素和90像素 的水平线将ROI划分为三个区域。划分结果如图中由点K’-q1-q4围城的区域Area1,由点 q1-q2-q3-q4围城的区域Area2,由点q2-D’-A’(E’)-B’(F’)-C’-q3围城的区域Area3;
第二步,以5×20,13×60,24×100的矩形窗口Si(i=1,2,3)分别对各区域扫描线上的像 素点进行遍历计算,最终获得各区域的阈值,计算公式如下:
Thi=Mi+Mvi (3)
式中,i=1~3;Thi为Areai区域的阈值;Mi为Areai区域矩形扫描窗口最小灰度均值;Mvi为 Areai区域最小灰度均值对应矩形扫描窗口的均值方差;G为对应坐标像素点灰度值;(ui,vi) 为Areai区域描像素点坐标;(uMi,vMi)为Areai区域最小均值矩形窗口所对应扫描点坐标;Δu、 Δv分别为矩形扫描窗口内像素点距其左上角像素点横、纵距离。
参见图6:
从阈值分割所得二值图中获取的车底阴影候选区域,需进一步进行车底阴影的确认。具体 流程,如图6所示
(1)对二值图像的候选区域K进行空穴填充,确定阴影区域的外接矩形坐标;
(2)判断矩形区域的宽度是否满足小于0.8W’1,若是执行步骤7否则执行步骤3,其中 W’1是路面坐标系下宽度为1.6m的车辆对应图像坐标系下像素宽度;
(3)判断矩形区域的宽度是否满足小于1.2W’2,若是执行步骤5,否则,将区域K进行 划分,执行步骤4,其中W’2是路面坐标系下宽度为2.5m的车辆对应图像坐标系 下像素宽度;
(4)确定K区域中非阴影区域的外接矩形坐标,非阴影区域扩展为宽度保持不变,高 度为K区域高度的矩形区域,从K区域减去上述非阴影扩展区域构成新的矩形区 域K,执行步骤5;
(5)判断区域K的矩形度是否大于0.5,若是,执行步骤6,否则执行步骤7;
(6)判断区域K的灰度图像是否满足对称性测度限制,垂直边缘对称度检测是否大于 0.4,若是,执行步骤8,否则执行步骤7;
(7)该区域K为非车辆区域;
(8)该区域K为车辆区域。
以上所述仅为本发明的优选实施例,并不用于限制本发明,显然,本领域的技术人员可以 对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和 变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在 内。
Claims (7)
1.一种基于发散式扫描的分区域车底阴影检测方法,其特征在于:所述检测方法包括:
步骤1,利用车载相机拍摄的道路场景图像,实时获取感兴趣区域ROI,ROI为图像检测区域,它是根据车辆所处环境确定扫描线边界即道路边界的位置,具体包括步骤:
(1)根据摄像机安装位置设置道路消失点为K';
(2)选择消失点所在水平直线和纵向距离消失点150像素的水平线构成的矩形区域,进行局部阈值计算,获得二值图像,求取阈值公式如下:
th1=μ-σ
式中th1为阈值,μ为矩形区域的灰度均值,σ矩形区域的灰度方差;
(3)过道路消失点以及左、右侧边缘上适当位置的点各确定5条扫描线,统计每条扫描线上黑色点的个数,当满足小于某一定值时记录位置,得到的扫描线及纵向距离消失点150像素的水平线确定ROI区域;
步骤2,对ROI进行子区域划分:从上到下,根据透视原理,车底阴影面积随着距离的增大而减小,将ROI区域按照视场分为远、中、近3个子区域;
步骤3,根据ROI划分的三个区域分别计算各个区域的自适应阈值,以各区域的矩形扫描窗口大小,分别对三个子区域的扫描线上的像素点,进行逐点遍历计算,最终获得各区域的阈值,获得二值图,提取车底阴影候选区域;
步骤4,根据车底阴影以及车身边缘特点确定最终车底阴影区域。
2.根据权利要求1所述的基于发散式扫描的分区域车底阴影检测方法,其特征在于,所述步骤1中的步骤(3)具体方法是:
(3.1)以左侧及右侧边界距离消失点所在水平线纵向距离为40、60、80、100、120个像素的点与消失点构成道路边缘扫描线;
(3.2)统计扫描线上的黑色像素点的个数,从K’-A1到K’-A5当黑色点的个数小于5时记录该扫描线位置,为得到更准确的扫描区域将选择记录位置加1,即下一个扫描线为道路边界,实时获得ROI区域。
3.根据权利要求1所述的基于发散式扫描的分区域车底阴影检测方法,其特征在于,步骤2所述的子区域,是选择分辨率为720×1280的图像进行处理,以纵向距离消失点为40像素和90像素的水平线将ROI划分为三个子区域。
4.根据权利要求1所述的基于发散式扫描的分区域车底阴影检测方法,其特征在于,所述步骤3对像素点进行遍历计算的计算公式如下
Thi=Mi+Mvi (1)
式中,i=1~3;Thi为Areai区域的阈值;Mi为Areai区域矩形扫描窗口最小灰度均值;Mvi为Areai区域最小灰度均值对应矩形扫描窗口的均值方差;G为对应坐标像素点灰度值;(ui,vi)为Areai区域描像素点坐标;(uMi,vMi)为Areai区域最小均值矩形窗口所对应扫描点坐标;Δu、Δv分别为矩形扫描窗口内像素点距其左上角像素点横、纵距离。
5.根据权利要求1所述的基于发散式扫描的分区域车底阴影检测方法,其特征在于,步骤3是以路面消失点为源点,沿车道反方向扫描的发射线,5×20,13×60,24×100的矩形窗口对相应的三个区域扫描线上的像素点进行遍历,进行逐点计算。
6.根据权利要求1所述的基于发散式扫描的分区域车底阴影检测方法,其特征在于,步骤3所述矩形扫描窗口的大小是根据近大远小的成像特点及车辆的宽度信息,确定出矩形扫描窗口的长和宽。
7.根据权利要求1所述的基于发散式扫描的分区域车底阴影检测方法,其特征在于,步骤4所述的车底阴影区域满足
(1)宽度限制,车宽满足大于0.8W’1小于1.2W’2,W’1是路面坐标系下宽度为1.6m的车辆对应图像坐标系下像素宽度,W’2是路面坐标系下宽度为2.5m的车辆对应图像坐标系下像素宽度;
(2)矩形度限制,矩形度是否大于0.5;
(3)对称性测度限制,垂直边缘对称度检测是否大于0.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630388.1A CN108846363A (zh) | 2018-06-19 | 2018-06-19 | 一种基于发散式扫描的分区域车底阴影检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630388.1A CN108846363A (zh) | 2018-06-19 | 2018-06-19 | 一种基于发散式扫描的分区域车底阴影检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108846363A true CN108846363A (zh) | 2018-11-20 |
Family
ID=64203276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810630388.1A Pending CN108846363A (zh) | 2018-06-19 | 2018-06-19 | 一种基于发散式扫描的分区域车底阴影检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846363A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109758170A (zh) * | 2019-01-10 | 2019-05-17 | 北京东软医疗设备有限公司 | X射线成像设备的曝光参数调节方法和装置 |
CN114252449A (zh) * | 2021-09-27 | 2022-03-29 | 上海电机学院 | 一种基于线结构光的铝合金焊缝表面质量检测***及方法 |
JP7340667B1 (ja) | 2022-08-25 | 2023-09-07 | 株式会社デンソーテン | 情報処理装置、情報処理方法およびプログラム |
-
2018
- 2018-06-19 CN CN201810630388.1A patent/CN108846363A/zh active Pending
Non-Patent Citations (3)
Title |
---|
范晓娟 等: "基于单目视觉的车底阴影实时检测技术", 《PROCEEDINGS OF THE 36TH CHINESE CONTROL CONFERENCE》 * |
范晓娟 等: "基于单目视觉的车辆检测技术", 《物联网技术》 * |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109758170A (zh) * | 2019-01-10 | 2019-05-17 | 北京东软医疗设备有限公司 | X射线成像设备的曝光参数调节方法和装置 |
CN114252449A (zh) * | 2021-09-27 | 2022-03-29 | 上海电机学院 | 一种基于线结构光的铝合金焊缝表面质量检测***及方法 |
CN114252449B (zh) * | 2021-09-27 | 2023-10-24 | 上海电机学院 | 一种基于线结构光的铝合金焊缝表面质量检测***及方法 |
JP7340667B1 (ja) | 2022-08-25 | 2023-09-07 | 株式会社デンソーテン | 情報処理装置、情報処理方法およびプログラム |
JP2024030900A (ja) * | 2022-08-25 | 2024-03-07 | 株式会社デンソーテン | 情報処理装置、情報処理方法およびプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11170466B2 (en) | Dense structure from motion | |
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
US20200401822A1 (en) | Monocular cued detection of three-dimensional structures from depth images | |
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
Hautière et al. | Real-time disparity contrast combination for onboard estimation of the visibility distance | |
CN108280450A (zh) | 一种基于车道线的高速公路路面检测方法 | |
Nedevschi et al. | A sensor for urban driving assistance systems based on dense stereovision | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN107045629A (zh) | 一种多车道线检测方法 | |
CN109635737B (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
JP2002175535A (ja) | 道路白線認識装置 | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
CN105678287B (zh) | 一种基于脊度量的车道线检测方法 | |
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 | |
CN105488811A (zh) | 一种基于深度梯度的目标跟踪方法与*** | |
CN106485182A (zh) | 一种基于仿射变换的模糊qr码复原方法 | |
CN108846363A (zh) | 一种基于发散式扫描的分区域车底阴影检测方法 | |
CN114719873B (zh) | 一种低成本精细地图自动生成方法、装置及可读介质 | |
CN108416798A (zh) | 一种基于光流的车辆距离估计方法 | |
CN114120283A (zh) | 一种道路场景三维语义分割中未知障碍物的判别方法 | |
CN111723778A (zh) | 基于MobileNet-SSD的车辆测距***及方法 | |
CN112906616A (zh) | 一种车道线提取与生成方法 | |
CN115100292A (zh) | 一种道路环境的激光雷达和相机之间外参在线标定方法 | |
CN116152342A (zh) | 一种基于梯度的路牌配准定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181120 |