專利名稱：智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法
智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法技術(shù)領(lǐng)域
本發(fā)明屬于光電技術(shù)領(lǐng)域，具體涉及一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特 征提取方法。
背景技術(shù)：
智能交通系統(tǒng)ITS (Intelligent Transportation System),是指在現(xiàn)有的交通狀 況下，運(yùn)用現(xiàn)代高科技使交通系統(tǒng)智能化，大幅提高路網(wǎng)的通行能力。ITS是當(dāng)前全球交通 領(lǐng)域的研究熱點(diǎn)，專家們希望采用智能控制技術(shù)、計(jì)算機(jī)技術(shù)和信息通信技術(shù)改造傳統(tǒng)交 通系統(tǒng)，以提高系統(tǒng)的安全性。汽車防撞預(yù)警系統(tǒng)是智能交通系統(tǒng)的一個(gè)部分。它是在汽 車行進(jìn)時(shí)檢測其周圍的車輛等障礙物，當(dāng)與障礙物的距離小于安全距離時(shí)報(bào)警，使駕駛員 采取減速或制動等措施避障。這樣可以提高汽車行駛的安全性。
目前，汽車防撞預(yù)警系統(tǒng)有雷達(dá)汽車防撞預(yù)警系統(tǒng)、機(jī)器視覺防撞預(yù)警系統(tǒng)、交互 式智能化防撞預(yù)警系統(tǒng)、激光防撞預(yù)警系統(tǒng)、超聲波防撞預(yù)警系統(tǒng)、紅外汽車防撞預(yù)警系統(tǒng) 以及綜合型汽車防撞預(yù)警系統(tǒng)。對于雷達(dá)汽車防撞預(yù)警系統(tǒng)，其原理是利用電磁波發(fā)射后 遇到障礙物反射的回波，不斷地計(jì)算與前方障礙物的距離，對構(gòu)成威脅的目標(biāo)進(jìn)行報(bào)警。對 于綜合型汽車防撞預(yù)警系統(tǒng)，自80年代以來，美國的300多家公司以及世界上許多著名大 學(xué)和研究機(jī)構(gòu)都著手研究。比如關(guān)于毫米波雷達(dá)的研究，用30GHZ以上的毫米波雷達(dá)可以 減小由天線輻射的電磁波射束角幅度以及各種干擾和誤動作。
分析發(fā)現(xiàn)，目前已有的各種防撞預(yù)警系統(tǒng)有一些缺陷，應(yīng)從以下幾個(gè)方面進(jìn)行修 補(bǔ)不同的天氣和車型對安全時(shí)間和安全距離要求不同，所以可通過形成智能型專家系統(tǒng) 來提高報(bào)警的準(zhǔn)確性和實(shí)時(shí)性；碰撞事故中駕駛員的疲勞駕駛和汽車的性能可引發(fā)碰撞事 故，因此需增加對駕駛員和汽車的檢測；為了提高監(jiān)控的范圍，需要增加視覺的角度；汽車 和危險(xiǎn)物的距離是激光、超聲波、雷達(dá)等系統(tǒng)報(bào)警的因素，所以應(yīng)該考慮相對加速度、相對 速度、天氣和車型；行業(yè)標(biāo)準(zhǔn)是產(chǎn)品成功應(yīng)用所離不開的，當(dāng)務(wù)之急是形成行業(yè)標(biāo)準(zhǔn)；減少 漏報(bào)、誤報(bào)，以增強(qiáng)穩(wěn)定性；提高預(yù)警系統(tǒng)的抗干擾能力。
對于汽車防撞預(yù)警系統(tǒng)采集的夜間圖像，目前國內(nèi)外測距的方法包括提取車尾燈 和車體輪廓兩種。其中，對于車尾燈的提取方法主要包括以下6種
(I)基于灰度圖像變化的變形梯度的算法。該方法的精確度不夠。
(2)基于直方圖的圖像分割的方法。該方法的針對性不夠。
(3)設(shè)計(jì)黑暗點(diǎn)包圍的高亮圓區(qū)構(gòu)造車燈模板檢測車燈，再通過進(jìn)一步計(jì)算候選 車燈區(qū)域的對稱度從而確定出車燈對。該方法在構(gòu)造車燈模板和計(jì)算對稱度這兩個(gè)點(diǎn)上相 對復(fù)雜。
(4)首先利用顏色信息在圖像中檢測出車輛尾燈，然后利用運(yùn)動信息和先驗(yàn)知識 對車輛尾燈進(jìn)行匹配。該方法不適用于灰度圖像。
(5)首先采用基于色度-飽和度-亮度模型的模糊規(guī)則來提取汽車尾燈的顏色特 征；利用汽車上的反射光或陰影區(qū)域的亮度特征來進(jìn)一步確認(rèn)辨識結(jié)果。該方法不適用于灰度圖像。
(6)首先對原圖像進(jìn)行WTH變換，然后進(jìn)行二值化處理，最后通過顏色特征和形狀 特征排除各種干擾從而得到只留車尾燈的圖像。該方法的相對復(fù)雜。
隨著我國城市化的不斷推進(jìn)和汽車的不斷普及，各種各樣的交通事故不斷出現(xiàn)， 尤其是在夜間，公路事故高發(fā)。因此，智能車載防撞預(yù)警系統(tǒng)及其夜間圖像處理技術(shù)的研究 就越來越重要。發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法， 該方法通過一系列的圖像處理方法把車尾燈凸顯、提取和配對，以定位出本車道內(nèi)前方車 輛的具體位置，為智能車載防撞預(yù)警系統(tǒng)計(jì)算前車與本車的距離提供可靠的數(shù)據(jù)。
實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取 方法，該方法包括以下步驟
(I)智能車載防撞預(yù)警系統(tǒng)從車輛的顏色、灰度和形狀特征中選擇車尾燈作為待 提取的特征；
(2)用中值濾波對所采集的圖像進(jìn)行去噪；
(3)用拉普拉斯銳化將所采集的圖像中的邊緣清晰化；
(4)用K-means算法和FCM算法判斷出單閾值最適合本車道內(nèi)前方車輛的尾燈提 ?。?br> (5)利用大津閾值分割法，按照圖像的灰度特性把圖像分成背景和目標(biāo)兩個(gè)部 分；
(6)用數(shù)學(xué)形態(tài)學(xué)開運(yùn)算對所采集的圖像進(jìn)行處理以去除背景中的小雜點(diǎn)；
(7)在對汽車尾燈進(jìn)行特征提取和配對時(shí)，選取感興趣的區(qū)域；
(8)從前方車輛的幾何特征、亮度特征和顏色特征中選用幾何特征，利用其面積的 規(guī)律以及車燈位置大致處于同一水平線來提取和配對尾燈；
(9)清除非AOI區(qū)域，求取連通域并提取其中心點(diǎn)，提取和配對尾燈，最終在此基 礎(chǔ)上用矩形框表示出目標(biāo)車輛；
(10)通過建模和一系列的變換得到前方障礙物與本車的距離。
所述的步驟(2)的具體步驟如下采用一個(gè)含有奇數(shù)個(gè)點(diǎn)的滑動窗口，用窗口中 各個(gè)點(diǎn)的灰度值的中值來置換指定點(diǎn)的灰度值，指定點(diǎn)通常是窗口的中心點(diǎn)；根據(jù)對鄰域 內(nèi)像素按灰度排序的結(jié)果來設(shè)定中心像素的灰度值；如果元素個(gè)數(shù)為偶數(shù)，把排序后中間 兩個(gè)元素灰度值的平均值作為中值；如果元素個(gè)數(shù)是奇數(shù)，那么按照大小排序后中間的數(shù) 值即為中值。
所述的步驟(3)的具體步驟如下設(shè)拉普拉斯算子為V2/，其公式如下式所示 _
如果圖像的模糊是由擴(kuò)散現(xiàn)象引起的，則銳化后的圖像g如下式所示
g = f - kV2f 。
所述的步驟⑷中的K-means算法的具體步驟如下
(4.1)從數(shù)據(jù)中隨機(jī)地取K個(gè)點(diǎn)作為初始聚類的中心，以代表各個(gè)聚類；
(4. 2)計(jì)算數(shù)據(jù)中所有的點(diǎn)到這K個(gè)點(diǎn)的距離，將點(diǎn)歸入離其最近的聚類里；
(4. 3)通過將聚類的中心移動到聚類的幾何中心處來調(diào)整聚類中心；
(4. 4)重復(fù)步驟(4. 2)到聚類的中心不再變動為止，即此時(shí)算法收斂。
所述的步驟(5)的具體步驟如下
對于圖像I (x，y)，記T為前景與背景的分割閾值，前景點(diǎn)數(shù)占圖像比例為Wtl，其平均灰度為Utl ;背景點(diǎn)數(shù)占圖像比例為O1，平均灰度為U1 ;圖像的總平均灰度記為μ，類間方差記為g ;假設(shè)圖像的背景較暗，大小為MXNddN1為圖像中像素灰度大于T的像素?cái)?shù)，N0 為圖像中像素灰度小于T的像素?cái)?shù),則有
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
得到類間方差g= ω0*ω1*(μ 0-μ j) ~2
從最小灰度值到最大灰度值遍歷Τ,當(dāng)T使得值g = ω。* ( μ Q- μ ) '2+ ω 3 ( μ「μ )~2最大時(shí)，這時(shí)T的值即為分割的最佳閾值;閾值T分割出的前景和背景兩部分構(gòu)成了整幅圖像。
所述的步驟(7)中的感興趣區(qū)域?yàn)槿切螀^(qū)域，其頂點(diǎn)的X坐標(biāo)為圖片寬度的 1/2，Y坐標(biāo)為圖片高度的2/5 ;另外兩個(gè)點(diǎn)分別是圖片的下底邊的左右兩個(gè)端點(diǎn)。
所述的步驟(10)中的前方障礙物與本車的距離d。= h*tg(90° -y-a0) + ((YrY A(X1-X2)2)0'
本發(fā)明的有益技術(shù)效果在于中值濾波處理后尾燈的亮度和形狀特征比原圖要突出。拉普拉斯銳化算法處理后車體的輪廓更清晰，尾燈區(qū)域的邊緣更突出，車輛之外的區(qū)域也得到了一定程度的清晰化。大津閾值分割法，使得尾燈更突出，減少了更多的干擾信息、 壓縮了更多的數(shù)據(jù)量。利用數(shù)學(xué)形態(tài)學(xué)可消除背景中的小噪聲點(diǎn)、物體內(nèi)部的小孔和邊緣處的鋸齒形狀，同時(shí)又得到了較為完整的輪廓。在選取感興趣區(qū)域之后，先清除非AOI區(qū)域，只保留在AOI范圍內(nèi)的原始圖像信息，可以避免其他景物的干擾，縮小搜索范圍，減少數(shù)據(jù)處理 量，加快程序的運(yùn)行速度，也為車輛尾燈的提取劃定了范圍。在經(jīng)過預(yù)處理之后， 求取連通域能將車尾燈區(qū)域獨(dú)立完整地顯示出來，在篩除面積不合適的區(qū)域之后，對剩下的各個(gè)連通域求得中心點(diǎn)，即可用一個(gè)點(diǎn)來代表一個(gè)連通域。求取連通域之后，車尾燈區(qū)域很明顯地表現(xiàn)出來了，其余各個(gè)區(qū)域也都表示出來了。


圖1為本發(fā)明所提供的一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法的流程圖。
圖2和圖3為單目視覺幾何投影模型的示意圖。
具體實(shí)施方式
下面結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步詳細(xì)說明。
本車道內(nèi)前方車輛的特征有幾何特征、亮度特征和顏色特征等。前方車輛的兩個(gè)尾燈是夜間車輛車體中最明顯的特征，因此，本發(fā)明選用車尾燈作為提取的特征。
一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法，該方法包括以下步驟
(I)智能車載防撞預(yù)警系統(tǒng)從車輛的顏色、灰度和形狀特征中選擇車尾燈作為待提取的特征
因?yàn)橄到y(tǒng)采集的是灰度圖像，所以車輛的顏色特征不可取，只能從灰度和形狀特征之中進(jìn)行選擇。在夜間，前方車輛的邊緣輪廓和陰影等等常用的特征相對模糊，難以檢測；相比而言，前方車輛的兩個(gè)尾燈特征最突出。因此，本發(fā)明選用車尾燈作為提取的特征。
(2)用中值濾波對所采集的圖像進(jìn)行去噪
圖像的中值濾波是一種非線性的圖像處理方法，通常采用一個(gè)含有奇數(shù)個(gè)點(diǎn)的滑動窗口，用窗口中各個(gè)點(diǎn)的灰度值的中值來置換指定點(diǎn)的灰度值。指定點(diǎn)通常是窗口的中心點(diǎn)。它根據(jù)對鄰域內(nèi)像素按灰度排序的結(jié)果來設(shè)定中心像素的灰度值。如果元素個(gè)數(shù)為偶數(shù)，那么把排序后中間兩個(gè)元素灰度值的平均值作為中值。如果元素個(gè)數(shù)是奇數(shù)，那么按照大小排序后中間的數(shù)值即為中值。由于它不是簡單的取均值，所以產(chǎn)生的模糊比較少。
(3)用拉普拉斯銳化將所采集的圖像中的邊緣清晰化
拉普拉斯運(yùn)算是一種旋轉(zhuǎn)不變性(各向同性)的線性運(yùn)算，而不僅僅是偏導(dǎo)數(shù)運(yùn)算的線性組合。設(shè)拉普拉斯算子為V2/，其公式如下式(I)所示
權(quán)利要求
1.一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法，該方法包括以下步驟(1)智能車載防撞預(yù)警系統(tǒng)從車輛的顏色、灰度和形狀特征中選擇車尾燈作為待提取 的特征；(2)用中值濾波對所采集的圖像進(jìn)行去噪；(3)用拉普拉斯銳化將所采集的圖像中的邊緣清晰化；(4)用K-means算法和FCM算法判斷出單閾值最適合本車道內(nèi)前方車輛的尾燈提取；(5)利用大津閾值分割法，按照圖像的灰度特性把圖像分成背景和目標(biāo)兩個(gè)部分；(6)用數(shù)學(xué)形態(tài)學(xué)開運(yùn)算對所采集的圖像進(jìn)行處理以去除背景中的小雜點(diǎn)；(7)在對汽車尾燈進(jìn)行特征提取和配對時(shí)，選取感興趣的區(qū)域；(8)從前方車輛的幾何特征、亮度特征和顏色特征中選用幾何特征，利用其面積的規(guī)律 以及車燈位置大致處于同一水平線來提取和配對尾燈；(9)清除非AOI區(qū)域，求取連通域并提取其中心點(diǎn)，提取和配對尾燈，最終在此基礎(chǔ)上 用矩形框表示出目標(biāo)車輛；(10)通過建模和一系列的變換得到前方障礙物與本車的距離。
2.根據(jù)權(quán)利要求1所述的一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法，其 特征在于所述的步驟(2)的具體步驟如下采用一個(gè)含有奇數(shù)個(gè)點(diǎn)的滑動窗口，用窗口中 各個(gè)點(diǎn)的灰度值的中值來置換指定點(diǎn)的灰度值，指定點(diǎn)通常是窗口的中心點(diǎn)；根據(jù)對鄰域 內(nèi)像素按灰度排序的結(jié)果來設(shè)定中心像素的灰度值；如果元素個(gè)數(shù)為偶數(shù)，把排序后中間 兩個(gè)元素灰度值的平均值作為中值；如果元素個(gè)數(shù)是奇數(shù)，那么按照大小排序后中間的數(shù) 值即為中值。
3.根據(jù)權(quán)利要求2所述的一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法，其 特征在于所述的步驟(3)的具體步驟如下設(shè)拉普拉斯算子為V2/，其公式如下式所示
4.根據(jù)權(quán)利要求3所述的一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法，其 特征在于所述的步驟(4)中的K-means算法的具體步驟如下(4. 1)從數(shù)據(jù)中隨機(jī)地取K個(gè)點(diǎn)作為初始聚類的中心，以代表各個(gè)聚類；(4. 2)計(jì)算數(shù)據(jù)中所有的點(diǎn)到這K個(gè)點(diǎn)的距離，將點(diǎn)歸入離其最近的聚類里；(4. 3)通過將聚類的中心移動到聚類的幾何中心處來調(diào)整聚類中心；(4.4)重復(fù)步驟(4. 2)到聚類的中心不再變動為止，即此時(shí)算法收斂。
5.根據(jù)權(quán)利要求4所述的一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法，其 特征在于所述的步驟(5)的具體步驟如下對于圖像I (x，y)，記T為前景與背景的分割閾值，前景點(diǎn)數(shù)占圖像比例為，其平均灰 度為u0 ;背景點(diǎn)數(shù)占圖像比例為％，平均灰度為Ul ;圖像的總平均灰度記為y，類間方差記 為g ;假設(shè)圖像的背景較暗，大小為MXN，記隊(duì)為圖像中像素灰度大于T的像素?cái)?shù)，凡為圖 像中像素灰度小于T的像素?cái)?shù)，則有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 得到類間方差g= 0*wi*(y 0-y i)2 從最小灰度值到最大灰度值遍歷T，當(dāng)T使得值g = O0*(u 0-ur u )2最大時(shí)，這時(shí)T的值即為分割的最佳閾值；閾值T分割出的前景和背景兩部分構(gòu)成了整幅圖像。
6.根據(jù)權(quán)利要求5所述的一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法，其特征在于所述的步驟(7)中的感興趣區(qū)域?yàn)槿切螀^(qū)域，其頂點(diǎn)的X坐標(biāo)為圖片寬度的1/2，Y坐標(biāo)為圖片高度的2/5 ;另外兩個(gè)點(diǎn)分別是圖片的下底邊的左右兩個(gè)端點(diǎn)。
7.根據(jù)權(quán)利要求6所述的一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法，其特征在于所述的步驟(10)中的前方障礙物與本車的距離de = h*tg(90° -y-a0) + ((YrY2)2+(X1-X2)2) o.5。
全文摘要
本發(fā)明屬于光電技術(shù)領(lǐng)域，具體公開一種智能車載防撞預(yù)警系統(tǒng)中的夜間圖像特征提取方法選擇出汽車尾燈作為待提取的特征，之后用一系列的圖像處理方法對圖像進(jìn)行除噪、邊緣清晰化、選擇閾值數(shù)和閾值分割處理；在對汽車尾燈進(jìn)行特征提取和配對時(shí)，選取了感興趣的區(qū)域AOI，在提取并配對了汽車的尾燈之后，用矩形框表示出了目標(biāo)車輛并通過建模和一系列的變換推導(dǎo)出了測距的公式。本發(fā)明的方法通過一系列的圖像處理方法把車尾燈凸顯、提取和配對，以定位出本車道內(nèi)前方車輛的具體位置，為智能車載防撞預(yù)警系統(tǒng)計(jì)算前車與本車的距離提供可靠的數(shù)據(jù)。
文檔編號G06K9/46GK103020948SQ20111029590
公開日2013年4月3日 申請日期2011年9月28日 優(yōu)先權(quán)日2011年9月28日
發(fā)明者周刊 申請人:中國航天科工集團(tuán)第二研究院二○七所