CN109784344B - 一种用于地平面标识识别的图像非目标滤除方法 - Google Patents

Abstract

本发明公开了一种用于地平面标识识别的图像非目标滤除方法，包括以下步骤：步骤A，获取逆透视图像，逆透视图像包括地平面标识和非目标；使用图像处理技术，对逆透视图像I_IPM进行处理得到灰度图像和二值化图像；步骤B，使用Canny边缘检测算法对灰度图像进行处理，得到边缘图像；步骤C，提取二值化图像中每个连通域的轮廓，得到轮廓图；步骤D，根据边缘图像和轮廓图，将二值化图像中的非目标滤除，仅保留在地平面上没有高度差的地平面标识，得到包括地平面标识且滤除非目标的最终待识别图像，在用于地平面标识识别时，可以很好的避免给后期的地平面标识检测识别带来干扰，大幅提高后期***对地平面标识的识别率并降低误检率。

Description

一种用于地平面标识识别的图像非目标滤除方法

技术领域

本发明属于图像信息处理领域，具体涉及一种用于地平面标识识别的图像非目标滤除方法。

背景技术

现有的诸如在路面交通标志识别、停车位识别以及360环视***等任务中，大都会先使用逆透视变换算法将相机拍摄到的图像变换到地平面，从而获得俯视图，然后再在其二值化图像上检测识别地平面上的斑马线、车道线、导向箭头以及停车位等标识。但是由于现实场景中存在很多诸如车辆、行人以及灌木丛等不在地平面上的干扰物体，对识别***造成干扰，导致最终的识别率低、误检率高等问题。

然而现有基于逆透视图像的识别技术没有考虑先滤除那些非目标干扰区域，便直接对图像中的目标进行检测识别，从而导致检测识别***的识别性能低下。

发明内容

针对现有技术问题，本发明提出一种用于地平面标识识别的图像非目标滤除方法，可以很好的滤除地平面上具有高度差的非目标区域，然后再对图像中的地平面标识进行检测识别，从而可大幅提高***对地平面标识的识别率并降低误检率。

为实现上述技术目的，本发明采用如下技术方案：

一种用于地平面标识识别的图像非目标滤除方法，包括以下步骤：

步骤A，获取逆透视图像I_IPM，并对逆透视图像I_IPM进行预处理；

所述逆透视图像I_IPM中包含地平面标识和非目标；对逆透视图像I_IPM进行预处理依次包括灰度处理和二值化处理，对逆透视图像I_IPM进行灰度处理得到灰度图像I_Gray，对灰度图像I_Gray进行二值化处理得到二值化图像I_Binary；

步骤B，使用Canny边缘检测算法对灰度图像I_Gray进行边缘检测，得到边缘图像I_Canny；

步骤C，提取二值化图像I_Binary中每个连通域的轮廓L_contour，得到轮廓图I_Countour；

步骤D，根据边缘图像I_Canny和轮廓图I_Countour，将二值化图像I_Binary中的非目标滤除，得到包括地平面标识且滤除非目标的最终待识别图像I_final；

步骤D1，遍历轮廓图I_Countour中的每一个轮廓L_contour，然后按照顺时针方向对轮廓上的像素点进行扫描，确定在轮廓L_contour上连续不与边缘检测图像I_Canny重叠的所有轮廓段中的最长轮廓段L_max，并计算最长轮廓段L_max的像素占比R_max；所述轮廓段由连续的像素点构成；

其中，Sum(L_max)表示最长轮廓段的像素点数，Sum(L_contour)表示轮廓L_contour的像素点数；

步骤D2，将最长轮廓段L_max的像素占比R_max，分别与高比例阈值R_H和低比例阈值R_L进行比较：若R_max＞R_H，则轮廓区域为地平面标识区域，保留二值化图像I_Binary中的地平面标识区域；若R_max＜R_L，则轮廓区域为非目标区域，去除二值化图像I_Binary中的非目标区域；若R_L＜R_max＜R_H，则继续步骤D3；所述轮廓区域是指位于轮廓内的区域；

步骤D3，计算包围最长轮廓段L_max的最小外接矩形R_in，并将最小外接矩形R_in的四边分别往上、下、左、右四个方向分别扩展R个像素点得到扩展矩形R_out；分别统计灰度图像I_Gray中对应最小外接矩形R_in区域内的平均灰度值V_in和扩展矩形与最小外接矩形之间的矩形环R_out-R_in区域的平均灰度值V_out；若两者差值绝对值V_delta＝|V_in-V_out|低于灰度差阈值V，则轮廓区域为地平面标识区域，保留二值化图像I_Binary中的地平面标识区域；否则，轮廓区域为非目标区域，去除二值化图像I_Binary中的非目标区域。

进一步地，所述步骤A中对逆透视图像I_IPM进行灰度处理得到灰度图像I_Gray的计算公式为：

其中，(x,y)表示图像的坐标，R_IPM(x,y)、G_IPM(x,y)、B_IPM(x,y)分别表示逆透视图像I_IPM的R、G、B三个通道图像。

进一步地，所述步骤A中对灰度图像I_Gray进行二值化处理得到二值化图像I_Binary的具体过程为：

步骤A1，寻优最佳分割阈值T_best：遍历像素值为0～255分别作为分割阈值T，求各分割阈值T所对应的类间方差g，并将值最大的类间方差g所对应的分割阈值T，作为最佳分割阈值T_best，其中类间方差g的计算公式为：

g＝w₀(u₀-u)²+w₁(u₁-u)²；

其中，u表示灰度图像I_Gray的平均灰度值；w₀表示前景像素比例，u₀表示前景的平均灰度值，所述前景是指灰度图像I_Gray中像素值大于分割阈值T的所有像素点；w₁表示背景像素比例，u₁表示背景的平均灰度值，所述背景是指灰度图像I_Gray中像素值小于分割阈值T的所有像素点；且有：

w₀+w₁＝1，

u＝w₀×u₀+w₁×u₁，

其中，N₀、N₁分别表示前景和背景的像素点数，W、H分别为灰度图像I_Gray的宽和高；

步骤A2，使用最佳分割阈值T_best对灰度图像I_Gray进行二值化：将灰度图像I_Gray中像素值大于最佳分割阈值T_best的部分作为前景，像素值小于最佳分割阈值T_best的部分作为背景，得到二值化图像I_Binary。

进一步地，所述步骤B的具体过程为：

步骤B1，使用高斯平滑滤波器对灰度图像I_Gray进行卷积降噪，得到灰度图像I_Gray在x方向的亮度梯度G_u和在y方向的亮度梯度G_v：

其中，

表示卷积，高斯平滑滤波器采用二维高斯核g(u,v)，二维高斯核g(u,v)的高斯分布的标准差为σ，g_u和g_v分别表示二维高斯核g(u,v)的一阶偏导，且：

步骤B2，计算灰度图像I_Gray的梯度幅值G以及梯度方向θ:

步骤B3，将灰度图像I_Gray各像素点的梯度幅值G与高滞后阈值TH_Cany和低滞后阈值TL_Cany分别进行比较，进行边缘筛选，得到边缘图像I_Canny：

i)若像素点的梯度幅值G高于高滞后阈值TH_Cany，则保留像素点为强边缘；

ii)若像素点的梯度幅值G低于低滞后阈值TL_Cany，则排除像素点；

iii)若像素点的梯度幅值G介于高滞后阈值TH_Cany与低滞后阈值TL_Cany之间，则判断与像素点相连的相邻像素点的梯度幅值：若所有相邻像素点中，有且仅有1个像素点的梯度幅值高于高滞后阈值TH_Cany，则保留像素点为强边缘，否则排除像素点。

进一步地，高阈值TH_Canny的取值为150，低阈值TL_Canny的取值为50。

进一步地，所述步骤C的具体过程为：

步骤C1，计算二值化图像I_Binary的连通域：

步骤C1.1，从上到下、从左到右扫描二值化图像I_Binary，当扫描到一个白点时，则执行以下步骤：

步骤C1.1.1，将白点作为一个起点，将白点的标签值设为P，并将白点像素点压入栈中；

步骤C1.1.2判断栈是否为空，若不空，则将白点从栈中取出，并将其标签值设为P，然后依次访问白点的4个邻域像素点，若4个邻域像素点中存在白点，则将为白点的邻域像素点压入栈中；

步骤C1.1.3，重复步骤C1.1.2，直至栈为空，并将标签值为P的白点构成1个连通域C；

其中，白点是指像素值为255的像素点；

步骤C1.2，重复步骤C1.1，直至二值化图像I_Binary中的像素点被扫描标记完毕，所有连通域C组成连通域集合C_Set；

步骤C2，提取连通域轮廓；

遍历连通域集合C_Set中的所有连通域C，对每个连通域C进行如下操作：

步骤C2.1，逐行遍历连通域C，记录每行左右两端的像素点组成行像素集合P_LR，中间部分略过；

步骤C2.2，逐列遍历连通域C，记录每列上下两端的像素点组成列像素集合P_UD，中间部分略过；

步骤C2.3，求行像素集合P_LR与列像素集合P_UD的并集，得到连通域C的轮廓；

步骤C3，所有连通域C的轮廓组成轮廓图I_Countour。

进一步地，所述步骤A中获取逆透视图像I_IPM的具体过程为：

通过相机拍摄得到原始图像I_Original，将原始图像I_Original按以下公式进行逆透视变换，得到逆透视图像I_IPM：

其中，(u,v)表示原始图像I_Original的坐标，m、n分别表示原始图像的宽和高，(d,l,h)为相机在世界坐标系中的位置，γ为相机的偏航角，θ为相机的俯仰角，α、β分别为相机的水平视角与竖直视角，(x,y,z＝0)表示逆透视图像的坐标，z＝0表示在地平面。

进一步地，高比例阈值R_H的取值为0.7，低比例阈值R_L的取值为0.4。

进一步地，R的取值为5。

进一步地，V的取值为25。

有益效果

本方案通过图像处理技术对逆透视图像进行预处理，然后通过步骤D轮廓图I_Countour的各轮廓中，将连续不与边缘检测图像I_Canny重叠的最长轮廓段L_max的像素占比R_max，分别与高比例阈值R_H和低比例阈值R_L进行比较，来确定各轮廓内的区域是具有高度差的非目标所在区域或者是没有高度差的地平面标识所在区域，若是具有高度差的非目标所在区域，则将轮廓内的区域从二值化图像中滤除，若是没有高度差的地平面标识所在区域，则在二值化图像中保留轮廓内的区域通过结合边缘检测与轮廓融合实现了逆透视图像的非目标干扰，该方法运行速度快、非目标滤除率高、鲁棒性强。再将得到的包括地平面标识且滤除非目标的最终待识别图像用于地平面标识识别，可以很好的避免给后期的地平面标识检测识别带来干扰，从根源上滤除非目标干扰，相对于在地平面标识识别前不滤除非目标而言，可以大幅提高后期***对地平面标识的识别率并降低误检率(如图3所示)，具有很强的通用性和实用性。另外，在地平面标识识别前将非目标滤除，相当于减少了地平面标识识别时对二值化图像所需要处理的区域，使得地平面标识识别的速度更快；而且本方法的计算量小，相对于整个地平面标识识别的计算量而言，可以忽略不计。

附图说明

图1为本发明所述方法的整体流程图；

图2为本发明方法各步骤得到的效果图像，其中图(a)为原始图像I_Original，图(b)为逆透视图像I_IPM，图(c)为灰度图像I_Gray，图(d)为二值化图像I_Binary，图(e)为边缘图像I_Canny，图(f)为轮廓图I_Countour，图(g)为滤除非目标后得到的最终待识别图像I_final；

图3为使用和不使用本发明方法对于地平面标识的识别率和误检率对比图

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

本发明提供的一种用于地平面标识识别的图像非目标滤除方法，如图1所示，具体包括以下步骤：

步骤A，获取逆透视图像I_IPM，并对逆透视图像I_IPM进行预处理；

逆透视图像I_IPM包括地平面标识和非目标；对逆透视图像I_IPM进行预处理依次包括灰度处理和二值化处理，对逆透视图像I_IPM进行灰度处理得到灰度图像I_Gray，对灰度图像I_Gray进行二值化处理得到二值化图像I_Binary。

首先，通过相机拍摄得到原始图像I_Original(如图2(a)所示)，将原始图像I_Original按以下公式进行逆透视变换，得到逆透视图像I_IPM(如图2(b)所示)：

其中，(u,v)表示原始图像I_Original的坐标，m、n分别表示原始图像的宽和高，(d,l,h)为相机在世界坐标系中的位置，(γ,θ,ω)为相机在世界坐标系中的姿态，γ为相机的偏航角，θ为相机的俯仰角，ω为相机的旋转角，α、β分别为相机的水平视角与竖直视角，(x,y,z＝0)表示逆透视图像的坐标，z＝0表示在地平面。在本实施例中，相机的旋转角ω＝0，即不考虑相机的自身旋转角。

然后，使用图像处理技术对逆透视图像I_IPM(如图2(b)所示)进行灰度处理得到灰度图像I_Gray(如图2(c)所示)，其计算公式为：

其中，(x,y)表示图像的坐标，R_IPM(x,y)、G_IPM(x,y)、B_IPM(x,y)分别表示逆透视图像I_IPM的R、G、B三个通道。

再后，使用图像处理技术对灰度图像I_Gray(如图2(c)所示)进行处理得到二值化图像I_Binary(如图2(d)所示)，其具体过程为：

步骤A1，寻优最佳分割阈值T_best：遍历像素值为0～255分别作为分割阈值T，求各分割阈值T所对应的类间方差g，并将值最大的类间方差g所对应的分割阈值T，作为最佳分割阈值T_best，其中类间方差g的计算公式为：

g＝w₀(u₀-u)²+w₁(u₁-u)²；

其中，u表示灰度图像I_Gray的平均灰度值；w₀表示前景像素比例，u₀表示前景的平均灰度值，所述前景是指灰度图像I_Gray中像素值大于分割阈值T的所有像素点；w₁表示背景像素比例，u₁表示背景的平均灰度值，所述背景是指灰度图像I_Gray中像素值小于分割阈值T的所有像素点；且有：

w₀+w₁＝1，

u＝w₀×u₀+w₁×u₁，

其中，N₀、N₁分别表示前景和背景的像素点数，W、H分别为灰度图像I_Gray的宽和高；

步骤A2，使用最佳分割阈值T_best对灰度图像I_Gray进行二值化：将灰度图像I_Gray中像素值大于最佳分割阈值T_best的部分作为前景，即像素点赋值为白色255，像素值小于最佳分割阈值T_best的部分作为背景，即像素点赋值为黑色0，得到二值化图像I_Binary。

步骤B，使用Canny边缘检测算法对灰度图像I_Gray(如图2(c)所示)进行边缘检测，得到边缘图像I_Canny(如图2(e)所示)，其具体过程为：

步骤B1，使用高斯平滑滤波器对灰度图像I_Gray进行卷积降噪，得到灰度图像I_Gray在x方向的亮度梯度G_u和在y方向的亮度梯度G_v：

其中，

表示卷积，高斯平滑滤波器采用二维高斯核g(u,v)，二维高斯核g(u,v)的高斯分布的标准差为σ，在本实施例中取值为2，g_u和g_v分别表示二维高斯核g(u,v)的一阶偏导，且：

步骤B2，计算灰度图像I_Gray的梯度幅值G以及梯度方向θ:

步骤B3，将灰度图像I_Gray各像素点的梯度幅值G与高滞后阈值TH_Cany和低滞后阈值TL_Cany分别进行比较，进行边缘筛选，即对灰度图像进行边缘的提取，得到边缘图像：

i)若像素点的梯度幅值G高于高滞后阈值TH_Cany，则保留像素点为强边缘(像素值置为255)；

ii)若像素点的梯度幅值G低于低滞后阈值TL_Cany，则排除像素点(像素值置为0)；

iii)若像素点的梯度幅值G介于高滞后阈值TH_Cany与低滞后阈值TL_Cany之间，则判断与像素点相连的相邻像素点的梯度幅值：若所有相邻像素点中，有且仅有1个像素点的梯度幅值高于高滞后阈值TH_Cany，则保留像素点为强边缘(像素值置为0)，否则排除像素点(像素值置为0)

在本实施例中，高滞后阈值TH_Cany的取值为150，低滞后阈值TL_Cany的取值为50。

步骤C，提取二值化图像I_Binary(如图2(d)所示)中每个连通域的轮廓，得到轮廓图I_Countour(如图2(f)所示)，其具体过程为：

步骤C1，计算二值化图像I_Binary的连通域：

步骤C1.1，从上到下、从左到右扫描二值化图像I_Binary，当扫描到一个白点时，则执行以下步骤：

步骤C1.1.1，将白点作为一个起点，将白点的标签值设为P，并将白点压入栈中；

步骤C1.1.2判断栈是否为空，若不空，则将白点从栈中取出，并将其标签值设为P，然后依次访问白点的4个邻域像素点，若4个邻域像素点中存在白点，则将为白点的邻域像素点压入栈中；

步骤C1.1.3，重复步骤C1.1.2，直至栈为空，并将标签值为P的白点构成1个连通域C；

其中，白点是指像素值为255的像素点；

步骤C1.2，重复步骤C1.1，直至二值化图像I_Binary中的像素点被扫描标记完毕，所有连通域C组成连通域集合C_Set；

步骤C2，提取连通域轮廓，即遍历连通域集合C_Set中的所有连通域C，对每个连通域C进行如下操作：

步骤C2.1，逐行遍历连通域C，记录每行左右两端的像素点组成行像素集合P_LR，中间部分略过；

步骤C2.2，逐列遍历连通域C，记录每列上下两端的像素点组成列像素集合P_UD，中间部分略过；

步骤C2.3，求行像素集合P_LR与列像素集合P_UD的并集，得到连通域C的轮廓；

步骤C3，所有连通域C的轮廓组成轮廓图I_Countour。

步骤D，根据边缘图像I_Canny(如图2(e)所示)和轮廓图I_Countour(如图2(f)所示)，将二值化图像I_Binary(如图2(d)所示)中的非目标滤除，得到包括地平面标识且滤除非目标的最终待识别图像I_final(如图2(g)所示)，其具体过程为：

步骤D1，遍历轮廓图I_Countour中的每一个轮廓L_contour，然后按照顺时针方向对轮廓上的像素点进行扫描，确定在轮廓L_contour上连续不与边缘检测图像I_Canny重叠的所有轮廓段中的最长轮廓段L_max，并计算最长轮廓段L_max的像素占比R_max；所述轮廓段由连续的像素点构成；

其中，Sum(L_max)表示最长轮廓段的像素点数，Sum(L_contour)表示轮廓L_contour的像素点数；

步骤D2，将最长点链L_max的像素占比R_max，与高比例阈值R_H和低比例阈值R_L进行比较：若R_max＞R_H，则轮廓区域为地平面标识区域，保留二值化图像I_Binary中的地平面标识区域；若R_max＜R_L，则轮廓区域为非目标区域，去除二值化图像I_Binary中的非目标区域，即将二值化图像I_Binary中的非目标区域的像素点赋值为黑背景；若R_L＜R_max＜R_H，则继续步骤D3；在本实施例中，高比例阈值R_H的取值为0.7，低比例阈值R_L的取值为0.4。其中，轮廓区域是指位于轮廓内部的区域。

步骤D3，计算包围最长点链L_max的最小外接矩形R_in，并将最小外接矩形R_in的四边分别往上、下、左、右四个方向分别扩展R个像素点得到扩展矩形R_out(扩展时遇到图像边界则停止该方向的扩展)；分别统计灰度图像I_Gray中对应最小外接矩形R_in区域内的平均灰度值V_in和扩展矩形与最小外接矩形之间的矩形环R_out-R_in区域的平均灰度值V_out；若两者差值绝对值V_delta＝|V_in-V_out|低于灰度差阈值V，则认为轮廓区域内外灰度差值不明显，视为地平面标识区域，保留二值化图像I_Binary中的地平面标识区域；否则轮廓区域为非目标区域，去除二值化图像I_Binary中的非目标区域。

由于逆透视变换属于单应性变换，将图像从一个平面变换到另外的一个平面上，即可以将相机拍摄的原始图像从拍摄平面变换到地平面上。图像中与地平面具有高度差的物体(如车辆、行人、灌木丛等物体与地平面具有高度差)在逆透视变换到地平面时，在得到的逆透视图中被拉伸变形，那么在相应的边缘图像I_Canny与轮廓图I_Co_unto_ur这两张图中的重合度会很低；而那些位于地平面上没有高度差的地平面标识，如地面上的斑马线、导向箭头、停车位等，则在边缘检测图I_Canny与轮廓图I_Countour这两张图中的重合度会很高。因此本方案通过图像处理技术，利用具有高度差的非目标在逆透视图像对应的边缘检测图I_Canny与轮廓图I_Countour这两张图中的重合度，将其从二值化图像I_Binary中滤除，仅保留在地平面上没有高度差的地平面标识，通过结合边缘检测与轮廓融合实现了逆透视图像的非目标干扰，该方法运行速度快、非目标滤除率高、鲁棒性强。再将得到的包括地平面标识且滤除非目标的最终待识别图像I_final用于地平面标识识别，可以很好的避免给后期的地平面标识检测识别带来干扰，从根源上滤除非目标干扰，大幅提高后期***对地平面标识的识别率并降低误检率，具有很强的通用性和实用性。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (10)

1.一种用于地平面标识识别的图像非目标滤除方法，其特征在于，包括以下步骤：

步骤A，获取逆透视图像I_IPM，并对逆透视图像I_IPM进行预处理；

所述逆透视图像I_IPM中包含地平面标识和非目标；对逆透视图像I_IPM进行预处理依次包括灰度处理和二值化处理，对逆透视图像I_IPM进行灰度处理得到灰度图像I_Gray，对灰度图像I_Gray进行二值化处理得到二值化图像I_Binary；

步骤B，使用Canny边缘检测算法对灰度图像I_Gray进行边缘检测，得到边缘图像I_Canny；

步骤C，提取二值化图像I_Binary中每个连通域的轮廓L_contour，得到轮廓图I_Countour；

步骤D，根据边缘图像I_Canny和轮廓图I_Countour，将二值化图像I_Binary中的非目标滤除，得到包括地平面标识且滤除非目标的最终待识别图像I_final；

步骤D1，遍历轮廓图I_Countour中的每一个轮廓L_contour，然后按照顺时针方向对轮廓上的像素点进行扫描，确定在轮廓L_contour上连续不与边缘检测图像I_Canny重叠的所有轮廓段中的最长轮廓段L_max，并计算最长轮廓段L_max的像素占比R_max；所述轮廓段由连续的像素点构成；

其中，Sum(L_max)表示最长轮廓段的像素点数，Sum(L_contour)表示轮廓L_contour的像素点数；

步骤D2，将最长轮廓段L_max的像素占比R_max，分别与高比例阈值R_H和低比例阈值R_L进行比较：若R_max＞R_H，则轮廓区域为地平面标识区域，保留二值化图像I_Binary中的地平面标识区域；若R_max＜R_L，则轮廓区域为非目标区域，去除二值化图像I_Binary中的非目标区域；若R_L＜R_max＜R_H，则继续步骤D3；所述轮廓区域是指位于轮廓内的区域；

步骤D3，计算包围最长轮廓段L_max的最小外接矩形R_in，并将最小外接矩形R_in的四边分别往上、下、左、右四个方向分别扩展R个像素点得到扩展矩形R_out；分别统计灰度图像I_Gray中对应最小外接矩形R_in区域内的平均灰度值V_in和扩展矩形与最小外接矩形之间的矩形环R_out-R_in区域的平均灰度值V_out；若两者差值绝对值V_delta＝V_in-V_out低于灰度差阈值V，则轮廓区域为地平面标识区域，保留二值化图像I_Binary中的地平面标识区域；否则，轮廓区域为非目标区域，去除二值化图像I_Binary中的非目标区域。

2.根据权利要求1所述的方法，其特征在于，所述步骤A中对逆透视图像I_IPM进行灰度处理得到灰度图像I_Gray的计算公式为：

其中，(x,y)表示图像的坐标，R_IPM(x,y)、G_IPM(x,y)、B_IPM(x,y)分别表示逆透视图像I_IPM的R、G、B三个通道图像。

3.根据权利要求1所述的方法，其特征在于，所述步骤A中对灰度图像I_Gray进行二值化处理得到二值化图像I_Binary的具体过程为：

步骤A1，寻优最佳分割阈值T_best：遍历像素值为0～255分别作为分割阈值T，求各分割阈值T所对应的类间方差g，并将值最大的类间方差g所对应的分割阈值T，作为最佳分割阈值T_best，其中类间方差g的计算公式为：

g＝w₀(u₀-u)²+w₁(u₁-u)²；

其中，u表示灰度图像I_Gray的平均灰度值；w₀表示前景像素比例，u₀表示前景的平均灰度值，所述前景是指灰度图像I_Gray中像素值大于分割阈值T的所有像素点；w₁表示背景像素比例，u₁表示背景的平均灰度值，所述背景是指灰度图像I_Gray中像素值小于分割阈值T的所有像素点；且有：

w₀+w₁＝1，

u＝w₀×u₀+w₁×u₁，

其中，N₀、N₁分别表示前景和背景的像素点数，W、H分别为灰度图像I_Gray的宽和高；

步骤A2，使用最佳分割阈值T_best对灰度图像I_Gray进行二值化：将灰度图像I_Gray中像素值大于最佳分割阈值T_best的部分作为前景，像素值小于最佳分割阈值T_best的部分作为背景，得到二值化图像I_Binary。

4.根据权利要求1所述的方法，其特征在于，所述步骤B的具体过程为：

步骤B1，使用高斯平滑滤波器对灰度图像I_Gray进行卷积降噪，得到灰度图像I_Gray在x方向的亮度梯度G_u和在y方向的亮度梯度G_v：

其中，

表示卷积，高斯平滑滤波器采用二维高斯核g(u,v)，二维高斯核g(u,v)的高斯分布的标准差为σ，g_u和g_v分别表示二维高斯核g(u,v)的一阶偏导，且：

步骤B2，计算灰度图像I_Gray的梯度幅值G以及梯度方向θ:

步骤B3，将灰度图像I_Gray各像素点的梯度幅值G与高滞后阈值TH_Cany和低滞后阈值TL_Cany分别进行比较，进行边缘筛选，得到边缘图像I_Canny：

i)若像素点的梯度幅值G高于高滞后阈值TH_Cany，则保留像素点为强边缘；

ii)若像素点的梯度幅值G低于低滞后阈值TL_Cany，则排除像素点；

iii)若像素点的梯度幅值G介于高滞后阈值TH_Cany与低滞后阈值TL_Cany之间，则判断与像素点相连的相邻像素点的梯度幅值：若所有相邻像素点中，有且仅有1个像素点的梯度幅值高于高滞后阈值TH_Cany，则保留像素点为强边缘，否则排除像素点。

5.根据权利要求4所述的方法，其特征在于，高阈值TH_Canny的取值为150，低阈值TL_Canny的取值为50。

6.根据权利要求1所述的方法，其特征在于，所述步骤C的具体过程为：

步骤C1，计算二值化图像I_Binary的连通域：

步骤C1.1，从上到下、从左到右扫描二值化图像I_Binary，当扫描到一个白点时，则执行以下步骤：

步骤C1.1.1，将白点作为一个起点，将白点的标签值设为P，并将白点像素点压入栈中；

步骤C1.1.2判断栈是否为空，若不空，则将白点从栈中取出，并将其标签值设为P，然后依次访问白点的4个邻域像素点，若4个邻域像素点中存在白点，则将为白点的邻域像素点压入栈中；

步骤C1.1.3，重复步骤C1.1.2，直至栈为空，并将标签值为P的白点构成1个连通域C；

其中，白点是指像素值为255的像素点；

步骤C1.2，重复步骤C1.1，直至二值化图像I_Binary中的像素点被扫描标记完毕，所有连通域C组成连通域集合C_Set；

步骤C2，提取连通域轮廓；

遍历连通域集合C_Set中的所有连通域C，对每个连通域C进行如下操作：

步骤C2.1，逐行遍历连通域C，记录每行左右两端的像素点组成行像素集合P_LR，中间部分略过；

步骤C2.2，逐列遍历连通域C，记录每列上下两端的像素点组成列像素集合P_UD，中间部分略过；

步骤C2.3，求行像素集合P_LR与列像素集合P_UD的并集，得到连通域C的轮廓；

步骤C3，所有连通域C的轮廓组成轮廓图I_Countour。

7.根据权利要求1所述的方法，其特征在于，所述步骤A中获取逆透视图像I_IPM的具体过程为：

通过相机拍摄得到原始图像I_Original，将原始图像I_Original按以下公式进行逆透视变换，得到逆透视图像I_IPM：

其中，(u,v)表示原始图像I_Original的坐标，m、n分别表示原始图像的宽和高，(d,l,h)为相机在世界坐标系中的位置，γ为相机的偏航角，θ为相机的俯仰角，α、β分别为相机的水平视角与竖直视角，(x,y,z＝0)表示逆透视图像的坐标，z＝0表示在地平面。

8.根据权利要求1所述的方法，其特征在于，高比例阈值R_H的取值为0.7，低比例阈值R_L的取值为0.4。

9.根据权利要求1所述的方法，其特征在于，R的取值为5。

10.根据权利要求1所述的方法，其特征在于，V的取值为25。

Images