CN110837772A - 一种用于夜间交通监控的汽车前照灯识别方法 - Google Patents

一种用于夜间交通监控的汽车前照灯识别方法 Download PDF

Info

Publication number
CN110837772A
CN110837772A CN201910914962.0A CN201910914962A CN110837772A CN 110837772 A CN110837772 A CN 110837772A CN 201910914962 A CN201910914962 A CN 201910914962A CN 110837772 A CN110837772 A CN 110837772A
Authority
CN
China
Prior art keywords
bright
headlamps
headlamp
traffic monitoring
night
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Withdrawn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
CN201910914962.0A
Other languages
English (en)
Inventor
刘传洋
刘景景
孙晖
汪贤才
孙佐
胡昔兵
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.)
Chizhou University
Original Assignee
Chizhou University
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 Chizhou University filed Critical Chizhou University
Priority to CN201910914962.0A priority Critical patent/CN110837772A/zh
Publication of CN110837772A publication Critical patent/CN110837772A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种用于夜间交通监控的汽车前照灯识别方法，涉及汽车前照灯识别技术领域，包括图像分割、明亮物体提取、车灯识别、前照灯检测、分类训练。本发明一种用于夜间交通监控的汽车前照灯识别方法，通过多级阈值法进行图像分割、提取，明亮感兴趣的物体可以适当地从产生的最亮的阈值图像中提取出来，分解为一组均匀的阈值图像；采用大气散射衰减模型进行车灯识别，以空间信息和时间信息构建前照灯运动轨迹，通过结构张量识别前照灯的形状特征，从而将前照灯光和路面反射光进行区分，能够对交通监控视频中的前照灯进行有效识别，有效地提高了前照灯的识别率。

Description

一种用于夜间交通监控的汽车前照灯识别方法
技术领域
本发明涉及汽车前照灯识别技术领域，具体涉及一种用于夜间交通监控的汽车前照灯识别方法。
背景技术
汽车产业蓬勃发展及汽车数量的不断增加，带来了巨大的交通问题，也由此引发了大量的交通事故，给人们的安全与财产造成了巨大威胁，而其中一部分交通事故是由光线问题所造成的，驾驶安全性问题越来越成为了人们关注的焦点。在夜间交通录像中，汽车前照灯是车辆探测的显著特征。汽车前照灯的主要作用是照明路面，使驾驶员能看清前方的路面情况，以及防止造成迎面而来的行人或机动车驾驶员眩光，头晕等不适。前照灯识别通常使用空间信息进行，例如形状、强度分布等，在不同的交通视频条件下空间信息有所不同。摄像机正面和斜面安装所拍摄到的视频信息不同；路面有灯和无灯所拍摄的视频也不同。如果不考虑上述因素，无法实现车辆前照灯的正常检测。
专利201710081365.5，公开了一种视觉感知下汽车前灯尾灯识别跟踪方法，该方法包括以下步骤：视频图像采集、局域空间车灯检测、全局空间车辆检测、车灯轨迹实时跟踪、矩阵式LED颗粒控制。基于智能图像识别与跟踪技术，利用摄像头对汽车前方车头和车尾目标进行采集与存储，结合目标检测跟踪技术和反馈修正模型，实现前方车辆对于本车的方位、速度和位置运动参量检测；以视觉图像感知参量为控制输入量，通过图像视野与LED光照区域映射模型，对矩阵式LED大灯中单颗或者成组灯光亮弱进行自适应控制。
专利201510179612.6，公开了一种车辆视频中机动车辆的车身颜色自动识别方法，其获取车身初步区域和车灯寻找区域，并获取两个区域中的每个像素点的颜色及置信度；利用编号为12～19的一组车身识别单元中的像素点的颜色，初步识别车身颜色；利用编号为0～11的所有车身识别单元中的像素点的颜色，初步识别车身分界线；利用编号为15～19的一组车灯寻找单元中的像素点的颜色，寻找车灯位置；再在车身初步区域中确定一个有效区域，并提取出五种颜色均作为初选彩色颜色；最后根据初选彩色颜色进行彩色颜色判断，在确定不是彩色时进行黑色、白色和灰色判断，最终自动识别得到车身颜色。
上述发明能在复杂灯光条件下实现多目标车辆稳定跟踪，基于跟踪结果实时对汽车前照灯进行调节，可用于汽车辅助驾驶中大灯智能控制服务；优点是在白天受玻璃、阴影和反光影响时也能准确的识别出多种车身颜色，识别精度高。但是由于前照灯与路面反射光存在相似性，基于图像处理的夜间车辆探测受到路面光反射的干扰，不能有效地进行前照灯识别。
发明内容
(一)解决的技术问题
本发明针对上述夜间车辆探测受到路面光反射的干扰，不能有效地进行前照灯识别的缺陷问题，提供了一种用于夜间交通监控的汽车前照灯识别方法，能够对交通监控视频中的前照灯进行有效识别。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种用于夜间交通监控的汽车前照灯识别方法，包括以下步骤：
S1、图像分割：对夜晚视频景象进行分割，通过颜色特性区分车辆前照灯和道路反射，对视频图像区域和背景区域进行区分，图像分割的结果用B表示，
Figure BDA0002215823790000021
SF为分离系数，VBC为光照强度变化量，TS为分离阈值；
S2、明亮物体提取：对提步骤S1分割后图像进行空间聚类分组，Ci为明亮物体，CCk明亮物体的分组号，CCk为Ci的集合，Ncc(CCk)为明亮物体的数量；明亮物体Ci的顶部、底部、左侧、右侧的边界坐标分别为t(Ci)、b(Ci)、l(Ci)、r(Ci)；明亮物体Ci的宽度和高度分比为W(Ci)和H(Ci)；两个明亮物体的水平距离为Dh(Ci,Cj)＝max[t(Ci),t(Cj)]-min[b(Ci),b(Cj)]；两个明亮物体的垂直距离Dv(Ci,Cj)＝max[l(Ci),l(Cj)]-min[r(Ci),r(Cj)]；两个明亮物体在水平或垂直方向如果有重叠，则Dh或Dv将是负值；Pv(Ci,Cj)表示两个明亮垂直投影之间有重叠，Pv(Ci,Cj)＝-Dv(Ci,Cj)/min[H(Ci),H(Cj)]，
如果明亮物体满足Dh(Ci,Cj)＜Td×max(H(Ci),H(Cj))，Pv(Ci,Cj)＞Tp，min(H(Ci),H(Cj))/max(H(Ci),H(Cj))＞Th，明亮物体具有相同前照灯、尾灯、街灯组别；Td、Tp、Th为设定的阈值；
S3、车灯识别：对于步骤S3明亮物体的灰度图像I像素(x,y)，
Figure BDA0002215823790000031
分别为其内部邻区和外部邻区，
Figure BDA0002215823790000032
r为内部邻区
Figure BDA0002215823790000034
的半径，外部邻区
Figure BDA0002215823790000035
的半径为2r；根据大气散射衰减定律，
Figure BDA0002215823790000036
表示同一光源的散射，令的最小强度像素为
Figure BDA0002215823790000038
的最大强度像素为
Figure BDA0002215823790000039
作为
Figure BDA00022158237900000310
的散射，得到
Figure BDA00022158237900000311
散射系数γ(x,y)，
Figure BDA0002215823790000041
其中
Figure BDA0002215823790000042
为与
Figure BDA0002215823790000044
之间的距离；
令
Figure BDA0002215823790000045
的最小强度像素为
Figure BDA0002215823790000047
的最大强度像素为
Figure BDA0002215823790000048
Figure BDA0002215823790000049
为的散射，且
Figure BDA00022158237900000411
与
Figure BDA00022158237900000412
具有散射系数γ(x,y)，得到反射强度映射系数RI，
Figure BDA00022158237900000413
S4、前照灯检测：建立一个由三个方向(x、y、t)的梯度组成3乘3结构张量矩阵，结构张量以梯度协方差矩阵(Mcov)、特征向量
Figure BDA00022158237900000414
特征值(λ)的形式反映三维物体的定向和形状特征，Ix＝Ci*Gx，Iy＝Ci*Gy，It＝Ci*Gt，Ix、Iy、It分别为x、y、t方向的梯度，Gx、Gy、Gt分别为x、y、t方向的Sobel算子，*为卷积运算符，协方差矩阵
Figure BDA00022158237900000415
由|λI-Mcov|＝0，求解特征值(λ)得到
Figure BDA00022158237900000416
特征值取决于梯度分量；
S5、分类训练：利用神经网络构建分类模型对步骤S4得到的前照灯形状特征进行训练，神经网络由输入层、隐藏层和输出层三部分组成，三个输入特征来自特征值，一个输出作为识别结果。
根据本发明的一实施例，所述步骤S1分离阈值为0.85。
根据本发明的一实施例，所述步骤S2中阈值Td、Tp、Th取值分别为2.5、0.85和0.75。
根据本发明的一实施例，所述步骤S2明亮物体封闭边界框为水平矩形，满足W(CCk)/H(CCk)≥τr，其中阈值τr取值为2；明亮物体的数量满足2≤Ncc(CCk)≤4，明亮物体呈现均匀分布，满足
Figure BDA0002215823790000051
其中阈值τa1、τa2分别为0.4和2。
根据本发明的一实施例，所述步骤S3由于
Figure BDA0002215823790000052
与
Figure BDA0002215823790000053
为同一光源的散射，在前照灯周围区域反射强度映射系数RI的值较低，在前照灯反射区域反射强度映射系数RI的值比较大，通过反射强度映射系数RI区分明亮物体为前照灯还是灯光反射。
根据本发明的一实施例，所述步骤S4由于前照灯时间方向上的形状稳定，λ3值较低，接近于0，对于其他两个方向，它们的梯度分量因为圆形而相同，λ1和λ2的值接近，当满足λ1≈λ2远大于0，λ3≈0，检测到的明亮物体为前照灯。
(三)有益效果
本发明的有益效果：一种用于夜间交通监控的汽车前照灯识别方法，包括图像分割、明亮物体提取、车灯识别、前照灯检测、分类训练，通过多级阈值法进行图像分割、提取，明亮感兴趣的物体可以适当地从产生的最亮的阈值图像中提取出来，分解为一组均匀的阈值图像；采用大气散射衰减模型进行车灯识别，以空间信息和时间信息构建前照灯运动轨迹，通过结构张量识别前照灯的形状特征，从而将前照灯光和路面反射光进行区分，能够对交通监控视频中的前照灯进行有效识别，有效地提高了前照灯的识别率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法流程图；
图2为前照灯运动轨迹结构张量向量图；
图3为三种方法的归一化对比工作特性曲线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1，一种用于夜间交通监控的汽车前照灯识别方法，包括以下步骤：
S1、图像分割：对夜晚视频景象进行分割，通过颜色特性区分车辆前照灯和道路反射，对视频图像区域和背景区域进行区分，图像分割的结果用B表示，
Figure BDA0002215823790000061
SF为分离系数，VBC为光照强度变化量，TS为分离阈值，TS可以为0.85。
S2、明亮物体提取：对提步骤S1分割后图像进行空间聚类分组，Ci为明亮物体，CCk明亮物体的分组号，CCk为Ci的集合，Ncc(CCk)为明亮物体的数量；明亮物体Ci的顶部、底部、左侧、右侧的边界坐标分别为t(Ci)、b(Ci)、l(Ci)、r(Ci)；明亮物体Ci的宽度和高度分比为W(Ci)和H(Ci)；两个明亮物体的水平距离为Dh(Ci,Cj)＝max[t(Ci),t(Cj)]-min[b(Ci),b(Cj)]；两个明亮物体的垂直距离Dv(Ci,Cj)＝max[l(Ci),l(Cj)]-min[r(Ci),r(Cj)]；两个明亮物体在水平或垂直方向如果有重叠，则Dh或Dv将是负值；Pv(Ci,Cj)表示两个明亮垂直投影之间有重叠，Pv(Ci,Cj)＝-Dv(Ci,Cj)/min[H(Ci),H(Cj)]，
如果明亮物体满足Dh(Ci,Cj)＜Td×max(H(Ci),H(Cj))，Pv(Ci,Cj)＞Tp，min(H(Ci),H(Cj))/max(H(Ci),H(Cj))＞Th，明亮物体具有相同前照灯、尾灯、街灯组别；Td、Tp、Th为设定的阈值，其中阈值Td、Tp、Th可以分别取值为2.5、0.85和0.75；明亮物体封闭边界框为水平矩形，满足W(CCk)/H(CCk)≥τr，其中阈值τr取值为2；明亮物体的数量满足2≤Ncc(CCk)≤4，明亮物体呈现均匀分布，满足
Figure BDA0002215823790000071
其中阈值τa1、τa2分别为0.4和2。
S3、车灯识别：对于步骤S3明亮物体的灰度图像I像素(x,y)，
Figure BDA0002215823790000072
分别为其内部邻区和外部邻区，
Figure BDA0002215823790000073
Figure BDA0002215823790000074
r为内部邻区
Figure BDA0002215823790000075
的半径，外部邻区的半径为2r；根据大气散射衰减定律，
Figure BDA0002215823790000077
表示同一光源的散射，令
Figure BDA0002215823790000078
的最小强度像素为
Figure BDA0002215823790000079
Figure BDA00022158237900000710
的最大强度像素为
Figure BDA00022158237900000711
Figure BDA00022158237900000712
作为
Figure BDA00022158237900000713
的散射，得到
Figure BDA00022158237900000714
散射系数γ(x,y)，
Figure BDA0002215823790000081
其中
Figure BDA0002215823790000082
为
Figure BDA0002215823790000083
与
Figure BDA0002215823790000084
之间的距离；
令的最小强度像素为
Figure BDA0002215823790000086
Figure BDA0002215823790000087
的最大强度像素为
Figure BDA0002215823790000089
为
Figure BDA00022158237900000810
的散射，且
Figure BDA00022158237900000811
与
Figure BDA00022158237900000812
具有散射系数γ(x,y)，得到反射强度映射系数RI，
Figure BDA00022158237900000813
由于
Figure BDA00022158237900000814
与
Figure BDA00022158237900000815
为同一光源的散射，在前照灯周围区域反射强度映射系数RI的值较低，在前照灯反射区域反射强度映射系数RI的值比较大，通过反射强度映射系数RI区分明亮物体为前照灯还是灯光反射。
S4、前照灯检测：建立一个由三个方向(x、y、t)的梯度组成3乘3结构张量矩阵，结构张量以梯度协方差矩阵(Mcov)、特征向量
Figure BDA00022158237900000816
特征值(λ)的形式反映三维物体的定向和形状特征，Ix＝Ci*Gx，Iy＝Ci*Gy，It＝Ci*Gt，Ix、Iy、It分别为x、y、t方向的梯度，Gx、Gy、Gt分别为x、y、t方向的Sobel算子，*为卷积运算符，协方差矩阵由|λI-Mcov|＝0，求解特征值(λ)得到
Figure BDA00022158237900000818
特征值取决于梯度分量，由于前照灯时间方向上的形状稳定，λ3值较低，接近于0。对于其他两个方向，它们的梯度分量因为圆形而相同，λ1和λ2的值接近，当满足λ1≈λ2远大于0，λ3≈0，检测到的明亮物体为前照灯。前照灯运动轨迹结构张量向量图如图2所示。
S5、分类训练：利用神经网络构建分类模型对步骤S4得到的前照灯形状特征进行训练，神经网络由输入层、隐藏层和输出层三部分组成，三个输入特征来自特征值，一个输出作为识别结果。
现有的前照灯识别方法普遍采用基于规则的方法和基于物理模型的方法进行实现。为了分析本发明方法的性能，Windows 10***下硬件环境采用i5-7300 HQ处理器，CPU2.6GHz，8GB内存，在MATLAB软件中设计分类器模型进行对比实验，隐藏层和输出层采用正切方型传递函数，使用10个隐藏层来优化分类器的性能。监控视频采用960×540的分辨率和25个FPS。图3给出了三种方法的归一化对比工作特性曲线。从图中可以看出本发明方法具有更好的前照灯识别能力。
综上所述，本发明实施例，一种一种用于夜间交通监控的汽车前照灯识别方法，包括图像分割、明亮物体提取、车灯识别、前照灯检测、分类训练，通过多级阈值法进行图像分割、提取，明亮感兴趣的物体可以适当地从产生的最亮的阈值图像中提取出来，分解为一组均匀的阈值图像；采用大气散射衰减模型进行车灯识别，以空间信息和时间信息构建前照灯运动轨迹，通过结构张量识别前照灯的形状特征，从而将前照灯光和路面反射光进行区分，能够对交通监控视频中的前照灯进行有效识别，有效地提高了前照灯的识别率。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种用于夜间交通监控的汽车前照灯识别方法，其特征在于：包括以下步骤：
S1、图像分割：对夜晚视频景象进行分割，通过颜色特性区分车辆前照灯和道路反射，对视频图像区域和背景区域进行区分，图像分割的结果用B表示，SF为分离系数，VBC为光照强度变化量，TS为分离阈值；
S2、明亮物体提取：对提步骤S1分割后图像进行空间聚类分组，Ci为明亮物体，CCk明亮物体的分组号，CCk为Ci的集合，Ncc(CCk)为明亮物体的数量；明亮物体Ci的顶部、底部、左侧、右侧的边界坐标分别为t(Ci)、b(Ci)、l(Ci)、r(Ci)；明亮物体Ci的宽度和高度分比为W(Ci)和H(Ci)；两个明亮物体的水平距离为Dh(Ci,Cj)＝max[t(Ci),t(Cj)]-min[b(Ci),b(Cj)]；两个明亮物体的垂直距离Dv(Ci,Cj)＝max[l(Ci),l(Cj)]-min[r(Ci),r(Cj)]；两个明亮物体在水平或垂直方向如果有重叠，则Dh或Dv将是负值；Pv(Ci,Cj)表示两个明亮垂直投影之间有重叠，Pv(Ci,Cj)＝-Dv(Ci,Cj)/min[H(Ci),H(Cj)]，
如果明亮物体满足Dh(Ci,Cj)＜Td×max(H(Ci),H(Cj))，Pv(Ci,Cj)＞Tp，min(H(Ci),H(Cj))/max(H(Ci),H(Cj))＞Th，明亮物体具有相同前照灯、尾灯、街灯组别；Td、Tp、Th为设定的阈值；
S3、车灯识别：对于步骤S3明亮物体的灰度图像I像素(x,y)，
Figure FDA0002215823780000012
分别为其内部邻区和外部邻区，
Figure FDA0002215823780000022
r为内部邻区
Figure FDA0002215823780000023
的半径，外部邻区
Figure FDA0002215823780000024
的半径为2r；根据大气散射衰减定律，
Figure FDA0002215823780000025
表示同一光源的散射，令的最小强度像素为
Figure FDA0002215823780000027
的最大强度像素为作为
Figure FDA0002215823780000029
的散射，得到
Figure FDA00022158237800000210
散射系数γ(x,y)，其中
Figure FDA00022158237800000212
为
Figure FDA00022158237800000213
与
Figure FDA00022158237800000214
之间的距离；
令
Figure FDA00022158237800000215
的最小强度像素为
Figure FDA00022158237800000216
的最大强度像素为
Figure FDA00022158237800000217
Figure FDA00022158237800000218
为
Figure FDA00022158237800000219
的散射，且
Figure FDA00022158237800000220
与
Figure FDA00022158237800000221
具有散射系数γ(x,y)，得到反射强度映射系数RI，
Figure FDA00022158237800000222
S4、前照灯检测：建立一个由三个方向(x、y、t)的梯度组成3乘3结构张量矩阵，结构张量以梯度协方差矩阵(Mcov)、特征向量
Figure FDA00022158237800000223
特征值(λ)的形式反映三维物体的定向和形状特征，Ix＝Ci*Gx，Iy＝Ci*Gy，It＝Ci*Gt，Ix、Iy、It分别为x、y、t方向的梯度，Gx、Gy、Gt分别为x、y、t方向的Sobel算子，*为卷积运算符，协方差矩阵由|λI-Mcov|＝0，求解特征值(λ)得到
Figure FDA00022158237800000225
特征值取决于梯度分量；
S5、分类训练：利用神经网络构建分类模型对步骤S4得到的前照灯形状特征进行训练，神经网络由输入层、隐藏层和输出层三部分组成，三个输入特征来自特征值，一个输出作为识别结果。
2.如权利要求1所述的一种用于夜间交通监控的汽车前照灯识别方法，其特征在于，所述步骤S1分离阈值为0.85。
3.如权利要求1所述的一种用于夜间交通监控的汽车前照灯识别方法，其特征在于，所述步骤S2中阈值Td、Tp、Th取值分别为2.5、0.85和0.75。
4.如权利要求3所述的一种用于夜间交通监控的汽车前照灯识别方法，其特征在于，所述步骤S2明亮物体封闭边界框为水平矩形，满足W(CCk)/H(CCk)≥τr，其中阈值τr取值为2；明亮物体的数量满足2≤Ncc(CCk)≤4，明亮物体呈现均匀分布，满足
Figure FDA0002215823780000031
其中阈值τa1、τa2分别为0.4和2。
5.如权利要求1所述的一种用于夜间交通监控的汽车前照灯识别方法，其特征在于，所述步骤S3由于
Figure FDA0002215823780000032
与为同一光源的散射，在前照灯周围区域反射强度映射系数RI的值较低，在前照灯反射区域反射强度映射系数RI的值比较大，通过反射强度映射系数RI区分明亮物体为前照灯还是灯光反射。
6.如权利要求2所述的一种用于夜间交通监控的汽车前照灯识别方法，其特征在于，所述步骤S4由于前照灯时间方向上的形状稳定，λ3值较低，接近于0，对于其他两个方向，它们的梯度分量因为圆形而相同，λ1和λ2的值接近，当满足λ1≈λ2远大于0，λ3≈0，检测到的明亮物体为前照灯。
CN201910914962.0A 2019-09-26 2019-09-26 一种用于夜间交通监控的汽车前照灯识别方法 Withdrawn CN110837772A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910914962.0A CN110837772A (zh) 2019-09-26 2019-09-26 一种用于夜间交通监控的汽车前照灯识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910914962.0A CN110837772A (zh) 2019-09-26 2019-09-26 一种用于夜间交通监控的汽车前照灯识别方法

Publications (1)

Publication Number Publication Date
CN110837772A true CN110837772A (zh) 2020-02-25

Family

ID=69575263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910914962.0A Withdrawn CN110837772A (zh) 2019-09-26 2019-09-26 一种用于夜间交通监控的汽车前照灯识别方法

Country Status (1)

Country Link
CN (1) CN110837772A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101230A (zh) * 2020-09-16 2020-12-18 招商局重庆公路工程检测中心有限公司 公路隧道通行车辆前照灯开启检测方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101230A (zh) * 2020-09-16 2020-12-18 招商局重庆公路工程检测中心有限公司 公路隧道通行车辆前照灯开启检测方法及***
CN112101230B (zh) * 2020-09-16 2024-05-14 招商局重庆公路工程检测中心有限公司 公路隧道通行车辆前照灯开启检测方法及***

Similar Documents

Publication Publication Date Title
CN107766821B (zh) 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及***
CN105981042B (zh) 车辆探测***及方法
US8199198B2 (en) Bright spot detection and classification method for a vehicular night-time video imaging system
US7566851B2 (en) Headlight, taillight and streetlight detection
US8503725B2 (en) Vehicle tracking system and tracking method thereof
US8064643B2 (en) Detecting and recognizing traffic signs
TWI607901B (zh) 影像修補系統及其方法
US20200285866A1 (en) Class labeling system for autonomous driving
Alcantarilla et al. Night time vehicle detection for driving assistance lightbeam controller
Kosaka et al. Vision-based nighttime vehicle detection using CenSurE and SVM
KR20210006276A (ko) 플리커를 약화시키기 위한 이미지 처리 방법
CN106934808A (zh) 一种视觉感知下汽车前灯尾灯识别跟踪方法
Wu et al. A Real‐Time Embedded Blind Spot Safety Assistance System
CN107622494B (zh) 面向交通视频的夜间车辆检测与跟踪方法
Lin et al. Adaptive IPM-based lane filtering for night forward vehicle detection
US20190318490A1 (en) Distance estimation of vehicle headlights
CN111046741A (zh) 车道线识别的方法和装置
Sakagawa et al. Vision based nighttime vehicle detection using adaptive threshold and multi-class classification
CN110837772A (zh) 一种用于夜间交通监控的汽车前照灯识别方法
Chen et al. Robust rear light status recognition using symmetrical surfs
Huang et al. Nighttime vehicle detection and tracking base on spatiotemporal analysis using RCCC sensor
CN113581059A (zh) 灯光调节方法及相关装置
Bogacki et al. Selected methods for increasing the accuracy of vehicle lights detection
CN111062231B (zh) 车辆侦测方法、基于光强度动态的夜间车辆侦测方法及其***
Slimani et al. Traffic Monitoring System for Vehicle Detection in Day and Night Conditions

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: 20200225