CN110084111B - 一种应用于自适应远光灯的快速夜间车辆检测方法 - Google Patents
一种应用于自适应远光灯的快速夜间车辆检测方法 Download PDFInfo
- Publication number
- CN110084111B CN110084111B CN201910208692.1A CN201910208692A CN110084111B CN 110084111 B CN110084111 B CN 110084111B CN 201910208692 A CN201910208692 A CN 201910208692A CN 110084111 B CN110084111 B CN 110084111B
- Authority
- CN
- China
- Prior art keywords
- grid
- bright
- suspected
- light
- rapid
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种应用于自适应远光灯的快速夜间车辆检测方法,包括步骤1:图像采集模块采集车辆前方道路交通图像,并将图像数据信息传输到图像处理模块;步骤2:图像处理模块对图像数据信息进行处理,采用网格聚类算法,判断疑似车灯区域;步骤3:对疑似车灯区域采用腐蚀算法确定光晕范围,通过快速算法计算光晕颜色,判断大灯和尾灯;步骤4:根据几何关系分别进行配对,识别车辆,计算车辆坐标位置信息,实现夜间车辆检测;步骤5:数据传输模块将图像处理模块计算得到的车辆坐标信息传输到远光灯控制模块。本发明图像处理最终的车灯信息不仅可以作为自适应远光灯的控制依据,还可以为其他需要车灯信息的模块提供支持。
Description
技术领域
本发明涉及数字图像处理领域,具体涉及一种应用于自适应远光灯的快速夜间车辆检测方法。
背景技术
汽车远光灯作为汽车上重要零部件之一,主要在夜间或照明不良条件下扩大视野范围,提供足够的亮度。然而由于一些原因,比如驾驶员的不良驾驶习惯,或是新手驾驶车辆,在夜间会车时不能及时切换远近光灯,导致对方驾驶员炫目,看不清道路状况,极有可能导致车祸。基于此,需要开发一种自适应远光灯***,能够自动检测左侧车道对向来车和当前车道前方车辆,自动调节相应区域的远光灯亮度,避免炫目,提高驾驶安全性,保证驾驶员生命安全。
在自适应远光灯***中,最重要的是对左侧车道对向来车和当前车道前方车辆的检测。目前夜间车辆检测方法主要有基于检测车灯的方法和基于机器学习的方法。
基于检测车灯的方法主要依据夜间车辆最明显的特征就是车灯,目前现有的方法中有基于车灯的亮度信息、形态信息以及颜色信息等特征进行夜间场景下的车辆检测。此方法简单,易提取特征,但是干扰光源太多,现有算法处理干扰光源耗时长,准确度不高,不能满足实时性和准确性要求,同时很多对于车尾灯的检测研究都是基于颜色信息,但是由于尾灯的高亮度,摄像头采集显示的尾灯实际为白色,大大降低了检测的准确性。
基于机器学习的方法主要通过大量样本训练,创建出一个能正确检测车辆的精准模型,但是现实生活中,车辆多种多样,没有特别特殊的特征描述车辆。而且检测耗时长和检测率低也是亟待解决的问题。
发明内容
根据国家标准规定,汽车远光灯,近光灯为白色,后位灯为红色,本发明提出一种应用于自适应远光灯的快速夜间车辆检测***及方法,主要基于车灯检测车辆和光晕颜色判断大灯和尾灯,并解决目前基于车灯检测算法中存在的图像处理耗时长,准确度不高,不能满足实时性和准确性要求等问题。
本发明是通过以下技术手段实现上述技术目的的。
一种应用于自适应远光灯的快速夜间车辆检测***,包括图像采集模块,图像处理模块,数据传输模块。
所述图像采集模块用来采集车辆前方道路交通图像,并将图像信息传输到所述图像处理模块,所述图像处理模块用来接收所述图像采集模块采集的图像信息,并使用特定的内置算法进行计算,得到前方其他车辆的位置坐标信息,所述数据传输模块将图像处理模块计算得到的车辆坐标信息传输到远光灯控制模块。
一种应用于自适应远光灯的快速夜间车辆检测方法,包括以下步骤:
步骤1:图像采集模块采集车辆前方道路交通图像,并将图像数据信息传输到图像处理模块;
步骤2:图像处理模块对图像数据信息进行处理,采用网格聚类算法,判断疑似车灯区域;
进一步,所述步骤2具体如下:
步骤2.1:对图像采集模块采集到的图像信息imgsrc进行镜像处理,得到镜像数据imgcpy,并存储在内存中,对镜像数据imgcpy预处理,提取与车灯分布相关的区域,去除天空和地面等无关区域,并对相关区域划分网格,记所有网格集合为grid,即grid=[grid1,grid2,……,gridm]。
步骤2.2:计算镜像数据imgcpy相关区域中像素点的灰度值G,与阈值T进行判断(T由不同图像采集模块试验确定),去除灰度G<T的背景,留下灰度值高的亮点和光晕点,计算每个网格中亮像素点的数目,若亮像素点的数目num多于设定值min_num(min_num根据划分的网格大小确定),判断此网格为亮网格,记所有亮网格集合为bright_grid,即bright_grid=[bright_grid1,bright_grid2,……,bright_gridn]。
进一步,所述像素点的灰度值G的计算公式如下:
G=(R+G<<1+B)>>2,式中R,G,B是像素点红、绿、蓝三个通道的值。
步骤2.3:采用网格聚类算法,将所有的亮网格进行聚类处理,找到相关区域中所有光斑,记所有类的集合为cluster,即cluster=[cluster1,cluster2,……,clusterj]
进一步,所述网格聚类算法具体流程如下所示:
步骤2.3.1:任意选取集合bright_grid中一个没有被处理的亮网格bright_gridi作为核心网格,标记为已处理;
步骤2.3.2:对核心网格的ε邻域内的所有网格进行计算,判断是否是亮网格;
步骤2.3.3:若是,执行步骤2.3.4;若都不是,一类聚类结束,执行步骤2.3.5;
步骤2.3.4:将此网格和核心网格合并成为一类,标记此亮网格已处理,并将此网格作为核心网格,转到步骤2.3.2;
步骤2.3.5:判断集合bright_grid中所有亮网格是否都已处理,若是,结束聚类;若不是,执行步骤2.3.1。
进一步,所述ε邻域满足表达式:Nε(bright_gridi)={y|y∈grid:d(gridx,bright_gridi)≤ε},式中grid为所有网格集合,d(gridx,bright_gridi)表示核心网格bright_gridi和任意网格gridx之间的距离。
步骤2.4:计算每个聚类的面积,若面积S满足公式S1<S<S2(S1和S2根据摄像头像素和焦距确定),判定为疑似车灯,面积不在此范围的光斑,判定为干扰光源。
记所有疑似车灯的集合为sus_light,即sus_light=[sus_light1,sus_light2,……,sus_lightk]
步骤3:对疑似车灯区域采用腐蚀算法确定光晕范围,通过快速算法计算光晕颜色,判断大灯和尾灯;
进一步,所述疑似车灯区域的光晕范围和颜色确定流程如下:
步骤3.1:顺序选取集合sus_light中未处理的疑似车灯sus_lighti,标记为已处理,对疑似车灯sus_lighti采用腐蚀算法,腐蚀次数times为3次;
步骤3.2:对腐蚀后的图像边缘像素点采用快速算法转化成HSI数据信息,进行颜色判断,记白色像素点数为white_num,边缘总像素点数为pixel_num,若white_num>2/3*pixel_num,执行步骤3.3,否则执行步骤3.4;
步骤3.3:腐蚀范围即为光晕范围,对原图像imgsrc中对应的车灯光晕范围数据信息采用快速算法转化成HSI数据信息,记红色像素点数为red_num,光晕范围总像素点数为pixel_sum,若red_num>2/3*pixel_sum,判断为尾灯,否则判断为大灯,执行步骤3.5;
步骤3.4:对图像继续进行腐蚀操作,腐蚀次数times+1,若腐蚀次数times>10,执行步骤3.3,否则执行步骤3.2;
步骤3.5:判断集合sus_light中所有疑似车灯是否都已处理,若是,结束腐蚀;若不是,执行步骤3.1。
进一步,所述腐蚀算法公式:X为原图像,S为结构元素对象,x为腐蚀之后的图像。
进一步,所述对原图像imgsrc中对应的车灯光晕范围数据信息转化成HSI数据信息,计算公式如下:
其中/>
其中,H是像素点色调值,S是像素点饱和度值,I是像素点亮度值,R,G,B是像素点红、绿、蓝三个通道的值。
进一步,所述快速算法采用查表和插值的方法计算θ值;
进一步,所述判定像素点颜色为红色约束不等式如下:
步骤4:根据几何关系分别进行配对,识别车辆,计算车辆坐标位置信息,实现夜间车辆检测;
进一步,所述根据几何关系是对每个疑似车灯大小,距离,投影面积进行计算,对疑似大灯与疑似大灯进行配对,疑似尾灯与疑似尾灯进行配对。保存配对成功的两个车灯在图像中的信息,包括位置坐标,车灯属性等信息,舍弃配对失败的光斑信息。
进一步,所述根据疑似车灯大小判定公式如下:
K1*(X2-X1)≤X4-X3≤K2*(X2-X1)
K3*(Y2-Y1)≤Y4-Y3≤K4*(Y2-Y1)
式中K1,K2,K3,K4是车灯大小范围系数,X1,X2是进行匹配的第一个疑似车灯左右坐标,X3,X4是进行匹配的第二个疑似车灯左右坐标,Y1,Y2是进行匹配的第一个疑似车灯上下坐标,Y3,Y4是进行匹配的第二个疑似车灯左右坐标。
进一步,所述根据疑似车灯距离判定公式如下:
L1≤X3-X2≤L2
式中L1,L2是车灯距离范围上下限值;
进一步,所述根据疑似车灯投影面积判定公式如下:
Y4-Y1≥S1*(Y3-Y2)
式中S1是车灯投影面积范围系数;
步骤5:数据传输模块将图像处理模块计算得到的车辆坐标信息传输到远光灯控制模块。
本发明的有益效果是:
使用基于网格的聚类算法识别图像中的光斑,网格大小可根据精度要求人为设定,在满足精度要求的前提下,最大限度提高聚类速度;采用腐蚀算法确定光斑光晕范围,并使用快速算法对光斑光晕进行颜色判定,区分大灯和尾灯,消除了由于尾灯夜间亮度过高在摄像头采集的图像上呈现白色而导致的误判,同时保证图像处理的实时性;采用数据传输模块,图像处理最终的车灯信息不仅可以作为自适应远光灯的控制依据,还可以为其他需要车灯信息的模块提供支持。
附图说明
图1是本发明所述的检测***框图。
图2是本发明所述的检测方法流程图。
图3是本发明所述的网格聚类算法示例图。
图4是本发明所述的腐蚀算法示例及光晕范围确定图。
图5是根据几何规则车灯配对图。
具体实施方式
下面结合附图和实例对本发明作进一步的说明。
如图1所示,一种应用于自适应远光灯的快速夜间车辆检测***,包括图像采集模块,图像处理模块,数据传输模块。
所述图像采集模块用来采集车辆前方道路交通图像,并将图像信息传输到所述图像处理模块,所述图像处理模块用来接收所述图像采集模块采集的图像信息,并使用特定的内置算法进行计算,得到前方其他车辆的位置坐标信息,所述数据传输模块将图像处理模块计算得到的车辆坐标信息传输到远光灯控制模块。
如图2所示,一种应用于自适应远光灯的快速夜间车辆检测方法,具体步骤如下:
步骤1:图像采集模块采集车辆前方道路交通图像,并将图像数据信息传输到图像处理模块。
步骤2:图像处理模块对图像数据信息进行处理,采用网格聚类算法,判断疑似车灯区域;
进一步,所述步骤2具体如下:
步骤2.1:对图像采集模块采集到的图像信息imgsrc进行镜像处理,得到镜像数据imgcpy,并存储在内存中,对镜像数据imgcpy预处理,提取与车灯分布相关的区域,去除天空和地面等无关区域,并对相关区域划分网格,记所有网格集合为grid,即grid=[grid1,grid2,……,gridm]。
步骤2.2:计算镜像数据imgcpy相关区域中像素点的灰度值G,与阈值T进行判断(T由不同图像采集模块试验确定),去除灰度G<T的背景,留下灰度值高的亮点和光晕点,计算每个网格中亮像素点的数目,若亮像素点的数目num多于设定值min_num(min_num根据划分的网格大小确定),判断此网格为亮网格,记所有亮网格集合为bright_grid,即bright_grid=[bright_grid1,bright_grid2,……,bright_gridn]。
进一步,所述像素点的灰度值G的计算公式如下:
G=(R+G<<1+B)>>2,式中R,G,B是像素点红、绿、蓝三个通道的值。
步骤2.3:如图3所示,采用网格聚类算法,将所有的亮网格进行聚类处理,找到相关区域中所有光斑,记所有类的集合为cluster,即cluster=[cluster1,cluster2,……,clusterj]。
进一步,所述网格聚类算法具体流程如下所示:
步骤2.3.1:任意选取集合bright_grid中一个没有被处理的亮网格bright_gridi作为核心网格,标记为已处理;
步骤2.3.2:对核心网格的ε邻域内的所有网格进行计算,判断是否是亮网格;
步骤2.3.3:若是,执行步骤2.3.4;若都不是,一类聚类结束,执行步骤2.3.5;
步骤2.3.4:将此网格和核心网格合并成为一类,标记此亮网格已处理,并将此网格作为核心网格,转到步骤2.3.2;
步骤2.3.5:判断集合bright_grid中所有亮网格是否都已处理,若是,结束聚类;若不是,执行步骤2.3.1。
进一步,所述ε邻域满足表达式:Nε(bright_gridi)={y|y∈grid:d(gridx,bright_gridi)≤ε},式中grid为所有网格集合,d(gridx,bright_gridi)表示核心网格bright_gridi和任意网格gridx之间的距离。
步骤2.4:计算每个聚类的面积,若面积S满足公式S1<S<S2(S1和S2根据摄像头像素和焦距确定),判定为疑似车灯,面积不在此范围的光斑,判定为干扰光源。
记所有疑似车灯的集合为sus_light,即sus_light=[sus_light1,sus_light2,……,sus_lightk]
步骤3:如图4所示,对疑似车灯区域采用腐蚀算法确定光晕范围,通过快速算法计算光晕颜色,判断大灯和尾灯;
进一步,所述疑似车灯区域的光晕范围和颜色确定流程如下:
步骤3.1:顺序选取集合sus_light中未处理的疑似车灯sus_lighti,标记为已处理,对疑似车灯sus_lighti采用腐蚀算法,腐蚀次数times为3次;
步骤3.2:对腐蚀后的图像边缘像素点采用快速算法转化成HSI数据信息,进行颜色判断,记白色像素点数为white_num,边缘总像素点数为pixel_num,若white_num>2/3*pixel_num,执行步骤3.3,否则执行步骤3.4;
步骤3.3:腐蚀范围即为光晕范围,对原图像imgsrc中对应的车灯光晕范围数据信息采用快速算法转化成HSI数据信息,记红色像素点数为red_num,光晕范围总像素点数为pixel_sum,若red_num>2/3*pixel_sum,判断为尾灯,否则判断为大灯,执行步骤3.5;
步骤3.4:对图像继续进行腐蚀操作,腐蚀次数times+1,若腐蚀次数times>10,执行步骤3.3,否则执行步骤3.2;
步骤3.5:判断集合sus_light中所有疑似车灯是否都已处理,若是,结束腐蚀;若不是,执行步骤3.1。
进一步,所述腐蚀算法公式:X为原图像,S为结构元素对象,x为腐蚀之后的图像。
进一步,所述对原图像imgsrc中对应的车灯光晕范围数据信息转化成HSI数据信息,计算公式如下:
其中/>
其中,H是像素点色调值,S是像素点饱和度值,I是像素点亮度值,R,G,B是像素点红、绿、蓝三个通道的值。
进一步,所述快速算法采用查表和插值的方法计算θ值;
进一步,所述判定像素点颜色为红色约束不等式如下:
步骤4:如图5所示,根据几何关系分别进行配对,识别车辆,计算车辆坐标位置信息,实现夜间车辆检测;
进一步,所述根据几何关系是对每个疑似车灯大小,距离,投影面积进行计算,对疑似大灯与疑似大灯进行配对,疑似尾灯与疑似尾灯进行配对。保存配对成功的两个车灯在图像中的信息,包括位置坐标,车灯属性等信息,舍弃配对失败的光斑信息。
进一步,所述根据疑似车灯大小判定公式如下:
K1*(X2-X1)≤X4-X3≤K2*(X2-X1)
K3*(Y2-Y1)≤Y4-Y3≤K4*(Y2-Y1)
式中K1,K2,K3,K4是车灯大小范围系数,X1,X2是进行匹配的第一个疑似车灯左右坐标,X3,X4是进行匹配的第二个疑似车灯左右坐标,Y1,Y2是进行匹配的第一个疑似车灯上下坐标,Y3,Y4是进行匹配的第二个疑似车灯左右坐标。
进一步,所述根据疑似车灯距离判定公式如下:
L1≤X3-X2≤L2
式中L1,L2是车灯距离范围上下限值;
进一步,所述根据疑似车灯投影面积判定公式如下:
Y4-Y1≥S1*(Y3-Y2)
式中S1是车灯投影面积范围系数;
步骤5:数据传输模块将图像处理模块计算得到的车辆坐标信息传输到远光灯控制模块.
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种应用于自适应远光灯的快速夜间车辆检测方法,其特征在于,包括以下步骤:
步骤1:图像采集模块采集车辆前方道路交通图像,并将图像数据信息传输到图像处理模块;步骤2:图像处理模块对图像数据信息进行处理,采用网格聚类算法,判断疑似车灯区域;步骤3:对疑似车灯区域采用腐蚀算法确定光晕范围,通过快速算法计算光晕颜色,判断大灯和尾灯;步骤4:根据几何关系分别进行配对,识别车辆,计算车辆坐标位置信息,实现夜间车辆检测;步骤5:数据传输模块将图像处理模块计算得到的车辆坐标信息传输到远光灯控制模块;
所述步骤2具体如下:
步骤2.1:对图像采集模块采集到的图像信息imgsrc进行镜像处理,得到镜像数据imgcpy,并存储在内存中,对镜像数据imgcpy预处理,提取与车灯分布相关的区域,去除天空和地面等无关区域,并对相关区域划分网格,记所有网格集合为grid,即grid=[grid1,grid2,……,gridm];
步骤2.2:计算镜像数据imgcpy相关区域中像素点的灰度值G,与阈值T进行判断,去除灰度G<T的背景,留下灰度值高的亮点和光晕点,计算每个网格中亮像素点的数目,若亮像素点的数目num多于设定值min_num,判断此网格为亮网格,记所有亮网格集合为bright_grid,即bright_grid=[bright_grid1,bright_grid2,……,bright_gridn];
步骤2.3:采用网格聚类算法,将所有的亮网格进行聚类处理,找到相关区域中所有光斑;记所有类的集合为cluster,即cluster=[cluster1,cluster2,……,clusterj];
步骤2.4:计算每个聚类的面积,若面积S满足公式S1<S<S2,S1和S2根据摄像头像素和焦距确定,判定为疑似车灯,面积不在此范围的光斑,判定为干扰光源;
记所有疑似车灯的集合为sus_light,即sus_light=[sus_light1,sus_light2,……,sus_lightk]。
2.根据权利要求1所述的一种应用于自适应远光灯的快速夜间车辆检测方法,其特征在于,所述像素点的灰度值G的计算公式如下:
G=(R+G<<1+B)>>2,式中R,G,B是像素点红、绿、蓝三个通道的值。
3.根据权利要求1所述的一种应用于自适应远光灯的快速夜间车辆检测方法,其特征在于,所述网格聚类算法具体流程如下所示:
步骤2.3.1:任意选取集合bright_grid中一个没有被处理的亮网格bright_gridi作为核心网格,标记为已处理;
步骤2.3.2:对核心网格的ε邻域内的所有网格进行计算,判断是否是亮网格;
步骤2.3.3:若是,执行步骤2.3.4;若都不是,一类聚类结束,执行步骤2.3.5;
步骤2.3.5:判断集合bright_grid中所有亮网格是否都已处理,若是,结束聚类;若不是,执行步骤2.3.1。
4.根据权利要求3所述的一种应用于自适应远光灯的快速夜间车辆检测方法,其特征在于,所述ε邻域满足表达式:Nε(bright_gridi)={y|y∈grid:d(gridx,bright_gridi)≤ε},式中grid为所有网格集合,d(gridx,bright_gridi)表示核心网格bright_gridi和任意网格gridx之间的距离。
5.根据权利要求1所述的一种应用于自适应远光灯的快速夜间车辆检测方法,其特征在于,所述步骤3具体如下:
步骤3.1:顺序选取集合sus_light中未处理的疑似车灯sus_lighti,标记为已处理,对疑似车灯sus_lighti采用腐蚀算法,腐蚀次数times为3次;
步骤3.2:对腐蚀后的图像边缘像素点采用快速算法转化成HSI数据信息,进行颜色判断,记白色像素点数为white_num,边缘总像素点数为pixel_num,若white_num>2/3*pixel_num,执行步骤3.3,否则执行步骤3.4;
步骤3.3:腐蚀范围即为光晕范围,对原图像imgsrc中对应的车灯光晕范围数据信息采用快速算法转化成HSI数据信息,记红色像素点数为red_num,光晕范围总像素点数为pixel_sum,若red_num>2/3*pixel_sum,判断为尾灯,否则判断为大灯,执行步骤3.5;
步骤3.4:对图像继续进行腐蚀操作,腐蚀次数times+1,若腐蚀次数times>10,执行步骤3.3,否则执行步骤3.2;
步骤3.5:判断集合sus_light中所有疑似车灯是否都已处理,若是,结束腐蚀;若不是,执行步骤3.1。
6.根据权利要求5所述的一种应用于自适应远光灯的快速夜间车辆检测方法,其特征在于,所述腐蚀算法公式:其中,X为原图像,S为结构元素对象,x为腐蚀之后的图像。
7.根据权利要求5所述的一种应用于自适应远光灯的快速夜间车辆检测方法,其特征在于,所述对原图像imgsrc中对应的车灯光晕范围数据信息转化成HSI数据信息,计算公式如下:
其中/>
其中,H是像素点色调值,S是像素点饱和度值,I是像素点亮度值,R,G,B是像素点红、绿、蓝三个通道的值。
8.根据权利要求5所述的一种应用于自适应远光灯的快速夜间车辆检测方法,其特征在于,所述快速算法采用查表和插值的方法计算θ值;
所述判定像素点颜色为红色约束不等式如下:
9.根据权利要求1所述的一种应用于自适应远光灯的快速夜间车辆检测方法,其特征在于,根据几何关系是对每个疑似车灯大小,距离,投影面积进行计算,对疑似大灯与疑似大灯进行配对,疑似尾灯与疑似尾灯进行配对,保存配对成功的两个车灯在图像中的信息,包括位置坐标,车灯属性等信息,舍弃配对失败的光斑信息;
所述根据疑似车灯大小判定公式如下:
K1*(X2-X1)≤X4-X3≤K2*(X2-X1)
K3*(Y2-Y1)≤Y4-Y3≤K4*(Y2-Y1)
式中K1,K2,K3,K4是车灯大小范围系数,X1,X2是进行匹配的第一个疑似车灯左右坐标,X3,X4是进行匹配的第二个疑似车灯左右坐标,Y1,Y2是进行匹配的第一个疑似车灯上下坐标,Y3,Y4是进行匹配的第二个疑似车灯左右坐标;
所述根据疑似车灯距离判定公式如下:
L1≤X3-X2≤L2
式中L1,L2是车灯距离范围上下限值;
所述根据疑似车灯投影面积判定公式如下:
Y4-Y1≥S1*(Y3-Y2)
式中S1是车灯投影面积范围系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208692.1A CN110084111B (zh) | 2019-03-19 | 2019-03-19 | 一种应用于自适应远光灯的快速夜间车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208692.1A CN110084111B (zh) | 2019-03-19 | 2019-03-19 | 一种应用于自适应远光灯的快速夜间车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084111A CN110084111A (zh) | 2019-08-02 |
CN110084111B true CN110084111B (zh) | 2023-08-25 |
Family
ID=67413312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910208692.1A Active CN110084111B (zh) | 2019-03-19 | 2019-03-19 | 一种应用于自适应远光灯的快速夜间车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084111B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688907B (zh) * | 2019-09-04 | 2024-01-23 | 火丁智能照明(广东)有限公司 | 基于夜间道路光源识别物体的方法及装置 |
CN112651269B (zh) * | 2019-10-12 | 2024-05-24 | 常州通宝光电股份有限公司 | 一种快速检测夜间前方同向车辆方法 |
CN112504638B (zh) * | 2020-12-16 | 2023-05-26 | 上汽通用汽车有限公司 | 一种自适应远光灯***的测试方法和装置 |
CN112927502B (zh) * | 2021-01-21 | 2023-02-03 | 广州小鹏自动驾驶科技有限公司 | 一种数据处理的方法和装置 |
CN113129375B (zh) * | 2021-04-21 | 2023-12-01 | 阿波罗智联(北京)科技有限公司 | 数据处理方法、装置、设备及存储介质 |
CN114184358A (zh) * | 2021-12-21 | 2022-03-15 | 上汽通用汽车有限公司 | 车辆自适应远光灯的性能标定验证方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739827B (zh) * | 2009-11-24 | 2014-10-29 | 北京中星微电子有限公司 | 一种车辆检测跟踪方法和装置 |
CN101727748B (zh) * | 2009-11-30 | 2014-09-10 | 北京中星微电子有限公司 | 一种基于车辆尾灯检测的车辆监控方法、***和设备 |
CN103208185B (zh) * | 2013-03-19 | 2016-07-20 | 东南大学 | 一种基于车灯识别的夜间车辆检测方法及*** |
-
2019
- 2019-03-19 CN CN201910208692.1A patent/CN110084111B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110084111A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084111B (zh) | 一种应用于自适应远光灯的快速夜间车辆检测方法 | |
WO2018201835A1 (zh) | 信号灯状态识别方法、装置、车载控制终端及机动车 | |
O'Malley et al. | Rear-lamp vehicle detection and tracking in low-exposure color video for night conditions | |
CN110450706B (zh) | 一种自适应远光灯控制***及图像处理算法 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
US20080013789A1 (en) | Apparatus and System for Recognizing Environment Surrounding Vehicle | |
CN110688907B (zh) | 基于夜间道路光源识别物体的方法及装置 | |
CN111508260A (zh) | 车辆停车位检测方法、装置和*** | |
CN107644538B (zh) | 交通信号灯的识别方法及装置 | |
JP2014232408A (ja) | 周囲環境判定装置 | |
JP2011216051A (ja) | 信号灯識別プログラムおよび信号灯識別装置 | |
JP2009043068A (ja) | 信号機認識装置 | |
CN111027494B (zh) | 一种基于计算机视觉的矩阵车灯识别方法 | |
CN111144301A (zh) | 一种基于深度学习的道路路面缺陷快速预警装置 | |
CN107563301A (zh) | 基于图像处理技术的红灯信号检测方法 | |
CN111046741A (zh) | 车道线识别的方法和装置 | |
CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
KR20080004833A (ko) | 주간 및 야간 주행 차량을 조도상황에 따라 검출하는 방법및 장치 | |
CN109800693B (zh) | 一种基于颜色通道混合特征的夜间车辆检测方法 | |
CN105430352A (zh) | 一种视频监控图像的处理方法 | |
US20230401875A1 (en) | Method for recognizing illumination state of traffic lights, electronic device, and storage medium | |
CN113743226B (zh) | 一种日间前车灯语识别及预警方法及*** | |
CN211628409U (zh) | 一种基于鱼眼镜头的大场景识别相机 | |
JP2023546062A (ja) | 画像処理方法 | |
CN112651269B (zh) | 一种快速检测夜间前方同向车辆方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |