本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種夜間前方車輛的識(shí)別方法。

背景技術(shù)：

隨著國(guó)民經(jīng)濟(jì)的高速發(fā)展和城鎮(zhèn)化、機(jī)動(dòng)化進(jìn)程不斷加快，我國(guó)機(jī)動(dòng)車擁有量及道路交通量急劇增加。交通擁擠阻塞以及由此導(dǎo)致的一系列交通問(wèn)題己經(jīng)成為制約城市經(jīng)濟(jì)發(fā)展和人民生活水平提高的瓶頸。目前在車輛自動(dòng)識(shí)別過(guò)程中，只需要將車牌和車輪胎識(shí)別出來(lái)，就能確認(rèn)前方的是不是真實(shí)的車輛，但這種識(shí)別方式主要應(yīng)用于白天。但是在晚上，全都是黑漆漆的一片，對(duì)于車牌的識(shí)別辨識(shí)度無(wú)法達(dá)到要求。而傍晚和夜間是交通擁堵的高發(fā)時(shí)段，對(duì)于輔助駕駛系統(tǒng)或者無(wú)人駕駛系統(tǒng)來(lái)說(shuō)，更需要準(zhǔn)確、實(shí)時(shí)、穩(wěn)定的夜間前方車輛識(shí)別系統(tǒng)的方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是，提供一種基于主動(dòng)學(xué)習(xí)的夜間前方車輛識(shí)別方法，解決夜間駕駛中遇到的車輛識(shí)別和檢測(cè)困難的問(wèn)題，該方法適用于輔助駕駛系統(tǒng)的前方車輛檢測(cè)系統(tǒng)以及汽車防碰撞系統(tǒng)，提高汽車的安全性，增強(qiáng)目標(biāo)識(shí)別系統(tǒng)的準(zhǔn)確性和抗干擾性。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：

一種基于主動(dòng)學(xué)習(xí)的夜間前方車輛識(shí)別的方法，其特征在于：在車輛上配置車載相機(jī)和圖像處理系統(tǒng)，通過(guò)采集車輛尾燈圖像，并進(jìn)行大量學(xué)習(xí)訓(xùn)練，基于主動(dòng)學(xué)習(xí)的方法在夜間通過(guò)車輛尾燈識(shí)別具體車輛。

進(jìn)一步的，本發(fā)明主要包括如下步驟：

步驟1：首先利用汽車的車載相機(jī)對(duì)前方的車輛進(jìn)行拍照，提取圖像數(shù)據(jù)；然后對(duì)圖像進(jìn)行中值濾波和二值化；

步驟2：使用adaboost學(xué)習(xí)分類器，對(duì)大量的夜間車輛圖像數(shù)據(jù)集進(jìn)行學(xué)習(xí)，得到學(xué)習(xí)后的學(xué)習(xí)分類器；

步驟3：最后利用學(xué)習(xí)后的深度學(xué)習(xí)機(jī)來(lái)識(shí)別可能作為車輛的假定目標(biāo)，并將假定車輛的區(qū)域標(biāo)記為感興趣區(qū)域；根據(jù)車輛的顏色和幾何性質(zhì)，利用先驗(yàn)知識(shí)，對(duì)假定車輛的感興趣區(qū)域進(jìn)行確認(rèn)。

進(jìn)一步的，步驟1中利用車載相機(jī)采集獲得的道路上的實(shí)時(shí)圖像，然后對(duì)實(shí)施圖像進(jìn)行預(yù)處理，得到預(yù)處理之后的二值化的圖像；所述的預(yù)處理包括圖像的濾波去除噪點(diǎn)、圖像閾值分割。

進(jìn)一步的，步驟2中將二值化處理之后的圖像，統(tǒng)一放入深度學(xué)習(xí)的正樣本數(shù)據(jù)集，然后利用adaboost學(xué)習(xí)分類器調(diào)用樣本數(shù)據(jù)集，對(duì)大量的夜間車輛數(shù)據(jù)集進(jìn)行學(xué)習(xí)訓(xùn)練，得到學(xué)習(xí)后的學(xué)習(xí)分類器。

進(jìn)一步的，步驟3中，經(jīng)過(guò)訓(xùn)練后的adaboost學(xué)習(xí)分類器訓(xùn)練之后，產(chǎn)生一個(gè)訓(xùn)練文件，訓(xùn)練文件會(huì)對(duì)輸入圖片進(jìn)行標(biāo)定，我們將標(biāo)定之后的圖片，再基于先驗(yàn)知識(shí)，對(duì)假定車輛的感興趣區(qū)域進(jìn)行確認(rèn)，最終找到準(zhǔn)確的前方車輛。

進(jìn)一步的，步驟3中應(yīng)用adaboost算法的分類器，對(duì)圖像中分類器識(shí)別出來(lái)的疑似車輛進(jìn)行初步的標(biāo)定，之后對(duì)已經(jīng)初步標(biāo)定的感興趣區(qū)域進(jìn)行進(jìn)一步確認(rèn)，找到圖像中真正的車輛：過(guò)程如下：

首先，進(jìn)行水平面的坐標(biāo)系校準(zhǔn)；將給定圖像i的車道上選擇4個(gè)點(diǎn)，創(chuàng)建一個(gè)虛擬的透視圖像的轉(zhuǎn)換圖像；之后，應(yīng)用adaboost算法的分類器，對(duì)圖像中分類器識(shí)別出來(lái)的疑似車輛進(jìn)行初步的標(biāo)定，初步標(biāo)定的區(qū)域我們定義為感興趣區(qū)域：

在圖像i中，對(duì)于經(jīng)過(guò)標(biāo)定處理之后的感興趣區(qū)域，我們定義感興趣區(qū)域?yàn)閞h，包括四個(gè)要素：x，y表示圖像i中矩形感興趣的左上角的橫縱坐標(biāo)，w表示矩形感興趣區(qū)域的寬度，h表示矩形感興趣區(qū)域的高度，因此rh＝[xywh]四個(gè)參數(shù)就可以表示出感興趣區(qū)域四個(gè)角的具體坐標(biāo)；

對(duì)已經(jīng)初步標(biāo)定的感興趣區(qū)域進(jìn)行進(jìn)一步確認(rèn)，找到圖像中真正的車輛：過(guò)程如下：

如果在感興趣區(qū)域rh中，左尾燈的亮度和右尾燈的亮度分別滿足我們?cè)O(shè)定的強(qiáng)度閥值tβh和tβv，并且左右兩個(gè)尾燈區(qū)域的紅光強(qiáng)度左尾燈的紅光強(qiáng)度μltail和右尾燈的紅光強(qiáng)度μrtail分別滿足我們?cè)O(shè)定的左右尾燈的強(qiáng)度閥值tμl和tμr；如果兩個(gè)條件同時(shí)滿足，那么我們認(rèn)為感興趣區(qū)域內(nèi)的車輛是真實(shí)的；否則感興趣區(qū)域?qū)⒈慌懦?/p>

本發(fā)明基于主動(dòng)學(xué)習(xí)的方法在夜間對(duì)車輛進(jìn)行識(shí)別。本發(fā)明設(shè)計(jì)新穎，操作性強(qiáng)，能夠?yàn)槠嚨难邪l(fā)提供更安全的保障。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益技術(shù)效果是：

本發(fā)明對(duì)于夜間前方車輛識(shí)別技術(shù)的發(fā)展?fàn)顩r，提出了一種更符合實(shí)際和經(jīng)濟(jì)性能的車輛識(shí)別的方法，因?yàn)橹鲃?dòng)學(xué)習(xí)的識(shí)別速度與數(shù)據(jù)集的數(shù)量成正比，數(shù)據(jù)集越大，識(shí)別速度越快，因此經(jīng)過(guò)大量學(xué)習(xí)之后，可以很大的提高圖像處理的速度和精確率。本系統(tǒng)還可以與智能交通系統(tǒng)和汽車安全與輔助駕駛系統(tǒng)提供接口。而交通擁擠阻塞等交通問(wèn)題是制約整個(gè)智能交通系統(tǒng)的最大瓶頸。本發(fā)明尋求更符合實(shí)際的車輛識(shí)別與檢測(cè)方法，對(duì)我國(guó)智能交通和汽車安全與輔助駕駛系統(tǒng)的發(fā)展與完善有著重要意義。

附圖說(shuō)明

圖1為夜間前方車輛識(shí)別系統(tǒng)的實(shí)施流程圖。

圖2為幾何約束與單應(yīng)性的坐標(biāo)系轉(zhuǎn)換示意圖。

圖3為感興趣區(qū)域排除示例，粗線框?yàn)橐呀?jīng)確認(rèn)的車輛，細(xì)線框?yàn)榕懦母信d趣區(qū)域。

具體實(shí)施方式

下面結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步詳細(xì)地說(shuō)明。

根據(jù)本發(fā)明實(shí)施的一種基于主動(dòng)學(xué)習(xí)的夜間前方車輛識(shí)別的方法，其特征在于包括以下幾個(gè)步驟：

步驟1：對(duì)獲得的道路上的實(shí)時(shí)圖像進(jìn)行預(yù)處理，得到預(yù)處理之后的二值化的圖像；步驟(1)所述的預(yù)處理包括圖像的濾波去除噪點(diǎn)、圖像閾值分割，

(1-1)：濾波去除噪點(diǎn)；

選擇中值濾波方法平滑圖像，進(jìn)行去噪。中值濾波的具體過(guò)程為：首先，將具有奇數(shù)點(diǎn)的滑動(dòng)窗口遍歷整個(gè)圖像；然后，將窗口內(nèi)的像素的灰度值從小到大排列；最后位于中間值的灰度值取代窗口中心像素的灰度值。

(1-2)：圖像閾值分割；

首先，將數(shù)據(jù)集上的rgb圖像轉(zhuǎn)換為ycbcr模式。我們首先根據(jù)如下公式將數(shù)據(jù)集上的rgb圖像轉(zhuǎn)換為ycbcr模式。rgb色彩模式是工業(yè)界的一種顏色標(biāo)準(zhǔn)，是通過(guò)對(duì)紅(r)、綠(g)、藍(lán)(b)三個(gè)顏色通道的變化以及它們相互之間的疊加來(lái)得到各式各樣的顏色的，rgb即是代表紅、綠、藍(lán)三個(gè)通道的顏色；ycbcr是色彩空間的一種，通常會(huì)用于數(shù)字影像顯示中，y表示顏色的亮度成分、而cb和cr則表示藍(lán)色和紅色濃度的偏移量。

將矩陣化簡(jiǎn)，可得如下的公式：

r＝1.164×(y-16)+1.596×(cr-128)

g＝1.164×(y-16)-0.392×(cb-128)-0.813×(cr-128)

b＝1.164×(y-16)+2.017×(cb-128)

在上述兩個(gè)公式中，rgb和ycbcr各分量的取值范圍都是0-255。由于夜晚的燈光照射區(qū)域，與黑暗處的對(duì)比明顯，我們只取cb的最大值為100，cr的最小值為100。對(duì)數(shù)據(jù)集的圖像進(jìn)行二值化。

步驟2：使用adaboost學(xué)習(xí)分類器，對(duì)大量的夜間車輛數(shù)據(jù)集進(jìn)行學(xué)習(xí)；步驟(2)所屬的內(nèi)容包括haar-like特征值積分圖的計(jì)算、adaboost分類器的算法與設(shè)計(jì)，具體如下：

(2-1)：haar-like特征值積分圖的計(jì)算。只需按行或按列搜索遍歷一整張圖像，就可以得到這張圖像的積分圖，不需要重復(fù)搜索，避免了算法的耗時(shí)問(wèn)題。

(1)直立的haar-like特征的積分圖算法

我們建立以左上角的頂點(diǎn)(0,0),水平與垂直方向分別為x軸和y軸的坐標(biāo)系。對(duì)于任意一個(gè)像素點(diǎn)(a,b)所構(gòu)成的矩形內(nèi)所有像素灰度值之和構(gòu)成的積分圖。

特征圖的數(shù)學(xué)表達(dá)式為：

其中，sat(a,b)表示積分圖的面積，i(x,y)是原始圖像f(x,y)在點(diǎn)(x,y)灰度值，將表達(dá)式打開，可以得到：

sat(x,y)＝sat(x,y-1)+sat(x-1,y)+i(x,y)-sat(x-1,y-1)

無(wú)論矩形的尺寸大小，對(duì)于任意符合直立haar-like特征的矩形r＝(x,y,w,h,0)，只需查找積分圖像4次，做三次加減法運(yùn)算，就可以求得任意矩形的像素和。在實(shí)現(xiàn)時(shí)只需按行或按列搜索遍歷一整張圖像，就可以得到這張圖像的積分圖，不需要重復(fù)搜索，避免了算法的耗時(shí)問(wèn)題。

rectsum(r)＝sat(x-1,y-1)+sat(x+w-1,y+h-1)

-sat(x-1,y+h-1)-sat(x+w-1,y-1)

(2)旋轉(zhuǎn)45度的haar-like特征的積分圖算法

求取旋轉(zhuǎn)45度的haar-like特征積分圖的表達(dá)式為：

其中，satr(a,b)表示積分圖的面積，i(x,y)是原始圖像f(x,y)在點(diǎn)(x,y)灰度值，將表達(dá)式打開，可以得到：

satr(x,y)＝satr(x-1,y-1)+satr(x+1,y-1)-satr(x,y-2)

+i(x,y)+i(x,y-1)

與直立haar-like特征相類似，對(duì)于任意符合旋轉(zhuǎn)45度的haar-like特征的矩形r＝(x,y,w,h,α)，要得到像素灰度值之和，也只是需查找積分圖像4次，做3次加減法運(yùn)算就可以了。

rectsum(r)＝satr(x-h+w,y+w+h-1)+satr(x,y-1)

-satr(x-h,y+h-1)-satr(x+w,y+w-1)

在特征算法實(shí)現(xiàn)時(shí)只需按行或按列搜索遍歷一整張圖像，就可以得到這張圖像的積分圖，不需要重復(fù)搜索，避免了算法的耗時(shí)問(wèn)題。

(2-2)：adaboost算法實(shí)施過(guò)程。對(duì)于分類器的整個(gè)訓(xùn)練過(guò)程，我們可以用以下算法來(lái)構(gòu)建和描述：

①開始初始化d，kmax，w1(i)←1/n,i＝1,...,n；

②k←0；

③執(zhí)行k←k+1；

④訓(xùn)練采用按照wk(i)標(biāo)準(zhǔn)來(lái)采樣d的弱分類器

⑤ek←用按照wk(i)標(biāo)準(zhǔn)來(lái)采樣d的樣本集測(cè)量的訓(xùn)練誤差；

⑥

⑦

⑧直到k＝kmax；

⑨結(jié)束。

步驟3：利用分類器標(biāo)定感興趣區(qū)域；然后基于先驗(yàn)知識(shí)，對(duì)假定車輛的感興趣區(qū)域進(jìn)行確認(rèn)；過(guò)程如下：

首先，進(jìn)行水平面的坐標(biāo)系校準(zhǔn)；將給定圖像的車道上選擇4個(gè)點(diǎn)，創(chuàng)建一個(gè)虛擬的透視圖像的轉(zhuǎn)換圖像；

對(duì)于一張圖像，在圖像域中，對(duì)于給定的圖像i(或透視圖)，我們?cè)谲嚨郎线x擇4個(gè)點(diǎn)。然后，我們根據(jù)給定的圖像與或者透視圖，創(chuàng)建一個(gè)虛擬的透視圖像的轉(zhuǎn)換圖像，如圖2所示，圖像可以從相機(jī)的坐標(biāo)系，轉(zhuǎn)換為實(shí)際的空間坐標(biāo)系。在圖像區(qū)域中的4個(gè)點(diǎn)p到p'可以映射到轉(zhuǎn)換后的圖像中的p'1到p'4。為下一步的步驟做準(zhǔn)備。

之后，應(yīng)用adaboost算法的分類器，對(duì)圖像中分類器識(shí)別出來(lái)的疑似車輛進(jìn)行初步的標(biāo)定，初步標(biāo)定的區(qū)域我們定義為感興趣區(qū)域：

在圖像i中，對(duì)于經(jīng)過(guò)標(biāo)定處理之后的感興趣區(qū)域，我們定義感興趣區(qū)域?yàn)閞h，包括四個(gè)要素：x，y表示圖像i中矩形感興趣的左上角的橫縱坐標(biāo)，w表示矩形感興趣區(qū)域的寬度，h表示矩形感興趣區(qū)域的高度，因此rh＝[xywh]四個(gè)參數(shù)就可以表示出感興趣區(qū)域四個(gè)角的具體坐標(biāo)；

最后，對(duì)已經(jīng)初步標(biāo)定的感興趣區(qū)域進(jìn)行進(jìn)一步確認(rèn)，找到圖像中真正的車輛：過(guò)程如下：

對(duì)于假定車輛進(jìn)行確認(rèn)的第一步操作，是移除與應(yīng)用adaboost算法的分類器標(biāo)定的感興趣區(qū)域不相關(guān)的部分。給定一個(gè)標(biāo)定的感興趣區(qū)域，車輛的大小應(yīng)該在一個(gè)特定的比例，例如，當(dāng)一輛車接近另一輛車的時(shí)候，車輛的大小不能比另一個(gè)特定尺寸的車輛差距特別大，反之亦然。同時(shí)，車輛軸寬度決定了感興趣區(qū)域的寬度。

如圖3所示，粗線框?yàn)橐呀?jīng)確認(rèn)的車輛，細(xì)線框?yàn)榕懦母信d趣區(qū)域。如果在感興趣區(qū)域rh中，左尾燈的亮度和右尾燈的亮度分別滿足我們?cè)O(shè)定的強(qiáng)度閥值tβh和tβv，并且左右兩個(gè)尾燈區(qū)域的紅光強(qiáng)度左尾燈的紅光強(qiáng)度μltail和右尾燈的紅光強(qiáng)度μrtail分別滿足我們?cè)O(shè)定的左右尾燈的強(qiáng)度閥值tμl和tμr；如果兩個(gè)條件同時(shí)滿足，那么我們認(rèn)為感興趣區(qū)域內(nèi)的車輛是真實(shí)的；否則感興趣區(qū)域?qū)⒈慌懦?/p>

上面對(duì)本專利的較佳實(shí)施方式作了詳細(xì)說(shuō)明，但是本專利并不限于上述實(shí)施方式，在本領(lǐng)域的普通技術(shù)人員所具備的知識(shí)范圍內(nèi)，還可以在不脫離本專利宗旨的前提下做出各種變化。