专利名称:智能车载防撞预警系统中的夜间图像特征提取方法
智能车载防撞预警系统中的夜间图像特征提取方法技术领域
本发明属于光电技术领域,具体涉及一种智能车载防撞预警系统中的夜间图像特 征提取方法。
背景技术:
智能交通系统ITS (Intelligent Transportation System),是指在现有的交通状 况下,运用现代高科技使交通系统智能化,大幅提高路网的通行能力。ITS是当前全球交通 领域的研究热点,专家们希望采用智能控制技术、计算机技术和信息通信技术改造传统交 通系统,以提高系统的安全性。汽车防撞预警系统是智能交通系统的一个部分。它是在汽 车行进时检测其周围的车辆等障碍物,当与障碍物的距离小于安全距离时报警,使驾驶员 采取减速或制动等措施避障。这样可以提高汽车行驶的安全性。
目前,汽车防撞预警系统有雷达汽车防撞预警系统、机器视觉防撞预警系统、交互 式智能化防撞预警系统、激光防撞预警系统、超声波防撞预警系统、红外汽车防撞预警系统 以及综合型汽车防撞预警系统。对于雷达汽车防撞预警系统,其原理是利用电磁波发射后 遇到障碍物反射的回波,不断地计算与前方障碍物的距离,对构成威胁的目标进行报警。对 于综合型汽车防撞预警系统,自80年代以来,美国的300多家公司以及世界上许多著名大 学和研究机构都着手研究。比如关于毫米波雷达的研究,用30GHZ以上的毫米波雷达可以 减小由天线辐射的电磁波射束角幅度以及各种干扰和误动作。
分析发现,目前已有的各种防撞预警系统有一些缺陷,应从以下几个方面进行修 补不同的天气和车型对安全时间和安全距离要求不同,所以可通过形成智能型专家系统 来提高报警的准确性和实时性;碰撞事故中驾驶员的疲劳驾驶和汽车的性能可引发碰撞事 故,因此需增加对驾驶员和汽车的检测;为了提高监控的范围,需要增加视觉的角度;汽车 和危险物的距离是激光、超声波、雷达等系统报警的因素,所以应该考虑相对加速度、相对 速度、天气和车型;行业标准是产品成功应用所离不开的,当务之急是形成行业标准;减少 漏报、误报,以增强稳定性;提高预警系统的抗干扰能力。
对于汽车防撞预警系统采集的夜间图像,目前国内外测距的方法包括提取车尾灯 和车体轮廓两种。其中,对于车尾灯的提取方法主要包括以下6种
(I)基于灰度图像变化的变形梯度的算法。该方法的精确度不够。
(2)基于直方图的图像分割的方法。该方法的针对性不够。
(3)设计黑暗点包围的高亮圆区构造车灯模板检测车灯,再通过进一步计算候选 车灯区域的对称度从而确定出车灯对。该方法在构造车灯模板和计算对称度这两个点上相 对复杂。
(4)首先利用颜色信息在图像中检测出车辆尾灯,然后利用运动信息和先验知识 对车辆尾灯进行匹配。该方法不适用于灰度图像。
(5)首先采用基于色度-饱和度-亮度模型的模糊规则来提取汽车尾灯的颜色特 征;利用汽车上的反射光或阴影区域的亮度特征来进一步确认辨识结果。该方法不适用于灰度图像。
(6)首先对原图像进行WTH变换,然后进行二值化处理,最后通过颜色特征和形状 特征排除各种干扰从而得到只留车尾灯的图像。该方法的相对复杂。
随着我国城市化的不断推进和汽车的不断普及,各种各样的交通事故不断出现, 尤其是在夜间,公路事故高发。因此,智能车载防撞预警系统及其夜间图像处理技术的研究 就越来越重要。发明内容
本发明的目的在于提供一种智能车载防撞预警系统中的夜间图像特征提取方法, 该方法通过一系列的图像处理方法把车尾灯凸显、提取和配对,以定位出本车道内前方车 辆的具体位置,为智能车载防撞预警系统计算前车与本车的距离提供可靠的数据。
实现本发明目的的技术方案一种智能车载防撞预警系统中的夜间图像特征提取 方法,该方法包括以下步骤
(I)智能车载防撞预警系统从车辆的颜色、灰度和形状特征中选择车尾灯作为待 提取的特征;
(2)用中值滤波对所采集的图像进行去噪;
(3)用拉普拉斯锐化将所采集的图像中的边缘清晰化;
(4)用K-means算法和FCM算法判断出单阈值最适合本车道内前方车辆的尾灯提 取;
(5)利用大津阈值分割法,按照图像的灰度特性把图像分成背景和目标两个部 分;
(6)用数学形态学开运算对所采集的图像进行处理以去除背景中的小杂点;
(7)在对汽车尾灯进行特征提取和配对时,选取感兴趣的区域;
(8)从前方车辆的几何特征、亮度特征和颜色特征中选用几何特征,利用其面积的 规律以及车灯位置大致处于同一水平线来提取和配对尾灯;
(9)清除非AOI区域,求取连通域并提取其中心点,提取和配对尾灯,最终在此基 础上用矩形框表示出目标车辆;
(10)通过建模和一系列的变换得到前方障碍物与本车的距离。
所述的步骤(2)的具体步骤如下采用一个含有奇数个点的滑动窗口,用窗口中 各个点的灰度值的中值来置换指定点的灰度值,指定点通常是窗口的中心点;根据对邻域 内像素按灰度排序的结果来设定中心像素的灰度值;如果元素个数为偶数,把排序后中间 两个元素灰度值的平均值作为中值;如果元素个数是奇数,那么按照大小排序后中间的数 值即为中值。
所述的步骤(3)的具体步骤如下设拉普拉斯算子为V2/,其公式如下式所示 _
如果图像的模糊是由扩散现象引起的,则锐化后的图像g如下式所示
g = f - kV2f 。
所述的步骤⑷中的K-means算法的具体步骤如下
(4.1)从数据中随机地取K个点作为初始聚类的中心,以代表各个聚类;
(4. 2)计算数据中所有的点到这K个点的距离,将点归入离其最近的聚类里;
(4. 3)通过将聚类的中心移动到聚类的几何中心处来调整聚类中心;
(4. 4)重复步骤(4. 2)到聚类的中心不再变动为止,即此时算法收敛。
所述的步骤(5)的具体步骤如下
对于图像I (x,y),记T为前景与背景的分割阈值,前景点数占图像比例为Wtl,其平均灰度为Utl ;背景点数占图像比例为O1,平均灰度为U1 ;图像的总平均灰度记为μ,类间方差记为g ;假设图像的背景较暗,大小为MXNddN1为图像中像素灰度大于T的像素数,N0 为图像中像素灰度小于T的像素数,则有
ω0 = Ν0/ΜΧΝ
Co1 = N1ZMXN
NcrHN1 = MXN
ω 0+ω l = I
μ = ω 0* μ 0+CO1* U1
g = ω0^<(μ 0-μ ) "2+ω^(μ χ-μ ) "2
得到类间方差g= ω0*ω1*(μ 0-μ j) ~2
从最小灰度值到最大灰度值遍历Τ,当T使得值g = ω。* ( μ Q- μ ) '2+ ω 3 ( μ「μ )~2最大时,这时T的值即为分割的最佳阈值;阈值T分割出的前景和背景两部分构成了整幅图像。
所述的步骤(7)中的感兴趣区域为三角形区域,其顶点的X坐标为图片宽度的 1/2,Y坐标为图片高度的2/5 ;另外两个点分别是图片的下底边的左右两个端点。
所述的步骤(10)中的前方障碍物与本车的距离d。= h*tg(90° -y-a0) + ((YrY A(X1-X2)2)0'
本发明的有益技术效果在于中值滤波处理后尾灯的亮度和形状特征比原图要突出。拉普拉斯锐化算法处理后车体的轮廓更清晰,尾灯区域的边缘更突出,车辆之外的区域也得到了一定程度的清晰化。大津阈值分割法,使得尾灯更突出,减少了更多的干扰信息、 压缩了更多的数据量。利用数学形态学可消除背景中的小噪声点、物体内部的小孔和边缘处的锯齿形状,同时又得到了较为完整的轮廓。在选取感兴趣区域之后,先清除非AOI区域,只保留在AOI范围内的原始图像信息,可以避免其他景物的干扰,缩小搜索范围,减少数据处理 量,加快程序的运行速度,也为车辆尾灯的提取划定了范围。在经过预处理之后, 求取连通域能将车尾灯区域独立完整地显示出来,在筛除面积不合适的区域之后,对剩下的各个连通域求得中心点,即可用一个点来代表一个连通域。求取连通域之后,车尾灯区域很明显地表现出来了,其余各个区域也都表示出来了。
图1为本发明所提供的一种智能车载防撞预警系统中的夜间图像特征提取方法的流程图。
图2和图3为单目视觉几何投影模型的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
本车道内前方车辆的特征有几何特征、亮度特征和颜色特征等。前方车辆的两个尾灯是夜间车辆车体中最明显的特征,因此,本发明选用车尾灯作为提取的特征。
一种智能车载防撞预警系统中的夜间图像特征提取方法,该方法包括以下步骤
(I)智能车载防撞预警系统从车辆的颜色、灰度和形状特征中选择车尾灯作为待提取的特征
因为系统采集的是灰度图像,所以车辆的颜色特征不可取,只能从灰度和形状特征之中进行选择。在夜间,前方车辆的边缘轮廓和阴影等等常用的特征相对模糊,难以检测;相比而言,前方车辆的两个尾灯特征最突出。因此,本发明选用车尾灯作为提取的特征。
(2)用中值滤波对所采集的图像进行去噪
图像的中值滤波是一种非线性的图像处理方法,通常采用一个含有奇数个点的滑动窗口,用窗口中各个点的灰度值的中值来置换指定点的灰度值。指定点通常是窗口的中心点。它根据对邻域内像素按灰度排序的结果来设定中心像素的灰度值。如果元素个数为偶数,那么把排序后中间两个元素灰度值的平均值作为中值。如果元素个数是奇数,那么按照大小排序后中间的数值即为中值。由于它不是简单的取均值,所以产生的模糊比较少。
(3)用拉普拉斯锐化将所采集的图像中的边缘清晰化
拉普拉斯运算是一种旋转不变性(各向同性)的线性运算,而不仅仅是偏导数运算的线性组合。设拉普拉斯算子为V2/,其公式如下式(I)所示
权利要求
1.一种智能车载防撞预警系统中的夜间图像特征提取方法,该方法包括以下步骤(1)智能车载防撞预警系统从车辆的颜色、灰度和形状特征中选择车尾灯作为待提取 的特征;(2)用中值滤波对所采集的图像进行去噪;(3)用拉普拉斯锐化将所采集的图像中的边缘清晰化;(4)用K-means算法和FCM算法判断出单阈值最适合本车道内前方车辆的尾灯提取;(5)利用大津阈值分割法,按照图像的灰度特性把图像分成背景和目标两个部分;(6)用数学形态学开运算对所采集的图像进行处理以去除背景中的小杂点;(7)在对汽车尾灯进行特征提取和配对时,选取感兴趣的区域;(8)从前方车辆的几何特征、亮度特征和颜色特征中选用几何特征,利用其面积的规律 以及车灯位置大致处于同一水平线来提取和配对尾灯;(9)清除非AOI区域,求取连通域并提取其中心点,提取和配对尾灯,最终在此基础上 用矩形框表示出目标车辆;(10)通过建模和一系列的变换得到前方障碍物与本车的距离。
2.根据权利要求1所述的一种智能车载防撞预警系统中的夜间图像特征提取方法,其 特征在于所述的步骤(2)的具体步骤如下采用一个含有奇数个点的滑动窗口,用窗口中 各个点的灰度值的中值来置换指定点的灰度值,指定点通常是窗口的中心点;根据对邻域 内像素按灰度排序的结果来设定中心像素的灰度值;如果元素个数为偶数,把排序后中间 两个元素灰度值的平均值作为中值;如果元素个数是奇数,那么按照大小排序后中间的数 值即为中值。
3.根据权利要求2所述的一种智能车载防撞预警系统中的夜间图像特征提取方法,其 特征在于所述的步骤(3)的具体步骤如下设拉普拉斯算子为V2/,其公式如下式所示
4.根据权利要求3所述的一种智能车载防撞预警系统中的夜间图像特征提取方法,其 特征在于所述的步骤(4)中的K-means算法的具体步骤如下(4. 1)从数据中随机地取K个点作为初始聚类的中心,以代表各个聚类;(4. 2)计算数据中所有的点到这K个点的距离,将点归入离其最近的聚类里;(4. 3)通过将聚类的中心移动到聚类的几何中心处来调整聚类中心;(4.4)重复步骤(4. 2)到聚类的中心不再变动为止,即此时算法收敛。
5.根据权利要求4所述的一种智能车载防撞预警系统中的夜间图像特征提取方法,其 特征在于所述的步骤(5)的具体步骤如下对于图像I (x,y),记T为前景与背景的分割阈值,前景点数占图像比例为,其平均灰 度为u0 ;背景点数占图像比例为%,平均灰度为Ul ;图像的总平均灰度记为y,类间方差记 为g ;假设图像的背景较暗,大小为MXN,记队为图像中像素灰度大于T的像素数,凡为图 像中像素灰度小于T的像素数,则有w0 = N0/MXNCO1 = N1ZMXNN0+Nx = MXN CO0+CO x = I U = CO0^Ii 0+CO1^ u xg = 0*(y 0-y )2+wi*(y i_y )2 得到类间方差g= 0*wi*(y 0-y i)2 从最小灰度值到最大灰度值遍历T,当T使得值g = O0*(u 0-ur u )2最大时,这时T的值即为分割的最佳阈值;阈值T分割出的前景和背景两部分构成了整幅图像。
6.根据权利要求5所述的一种智能车载防撞预警系统中的夜间图像特征提取方法,其特征在于所述的步骤(7)中的感兴趣区域为三角形区域,其顶点的X坐标为图片宽度的1/2,Y坐标为图片高度的2/5 ;另外两个点分别是图片的下底边的左右两个端点。
7.根据权利要求6所述的一种智能车载防撞预警系统中的夜间图像特征提取方法,其特征在于所述的步骤(10)中的前方障碍物与本车的距离de = h*tg(90° -y-a0) + ((YrY2)2+(X1-X2)2) o.5。
全文摘要
本发明属于光电技术领域,具体公开一种智能车载防撞预警系统中的夜间图像特征提取方法选择出汽车尾灯作为待提取的特征,之后用一系列的图像处理方法对图像进行除噪、边缘清晰化、选择阈值数和阈值分割处理;在对汽车尾灯进行特征提取和配对时,选取了感兴趣的区域AOI,在提取并配对了汽车的尾灯之后,用矩形框表示出了目标车辆并通过建模和一系列的变换推导出了测距的公式。本发明的方法通过一系列的图像处理方法把车尾灯凸显、提取和配对,以定位出本车道内前方车辆的具体位置,为智能车载防撞预警系统计算前车与本车的距离提供可靠的数据。
文档编号G06K9/46GK103020948SQ20111029590
公开日2013年4月3日 申请日期2011年9月28日 优先权日2011年9月28日
发明者周刊 申请人:中国航天科工集团第二研究院二○七所