一種基于視覺的道路信息檢測及前方車輛識別方法
【專利摘要】本發(fā)明屬于智能汽車道路檢測領(lǐng)域，涉及一種基于視覺的道路信息檢測及前方車輛識別方法。所述方法包括：圖像預(yù)處理；車道線特征參數(shù)提?。桓信d趣區(qū)域分割；車輛輪廓識別。本發(fā)明通過提取感興趣區(qū)域，過濾背景區(qū)域，縮小處理范圍，簡化了計算的復(fù)雜度；采用逐行檢索的方法經(jīng)過固定的計算次數(shù)獲取每幀圖像的處理結(jié)果，區(qū)別于Hough變換對每一個亮點點都要進(jìn)行線性擬合的特征，在算法實時性上有突出的優(yōu)勢；對Robinson方向模板算子進(jìn)行實時性改進(jìn)，設(shè)置中間變量減少了每個像素點的計算次數(shù)。利用目標(biāo)區(qū)域內(nèi)的信息熵、車尾對稱性特征對感興趣區(qū)域篩選和判別，降低了算法的漏檢率和誤檢率。
【專利說明】一種基于視覺的道路信息檢測及前方車輛識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于智能汽車道路檢測領(lǐng)域，具體涉及一種基于視覺的道路信息檢測及前 方車輛識別方法。

【背景技術(shù)】：
[0002] 智能車輛是一個集環(huán)境感知、規(guī)劃決策、多等級輔助駕駛等功能于一體的綜合系 統(tǒng)，它集中運(yùn)用了計算機(jī)、現(xiàn)代傳感、信息融合、通訊、人工智能及自動控制等技術(shù)，是典型 的高新技術(shù)綜合體。目前對智能車輛的研究主要致力于提高汽車的安全性、舒適性，以及提 供優(yōu)良的人車交互界面。近年來，智能車輛己經(jīng)成為世界車輛工程領(lǐng)域研究的熱點和汽車 工業(yè)增長的新動力，很多發(fā)達(dá)國家都已將其納入各自重點發(fā)展的智能交通系統(tǒng)當(dāng)中。道路 信息檢測技術(shù)一直是智能車駕駛系統(tǒng)的核心環(huán)節(jié)，是智能交通系統(tǒng)的重要技術(shù)。而車道線 及前方車輛的檢測與識別是實現(xiàn)這一技術(shù)的首要問題。
[0003] 在此領(lǐng)域內(nèi)人們提出了許多技術(shù)，VisLab研制的無人駕駛車輛ARG0系統(tǒng)使用視 覺作為主要的傳感器，通過建立車輛的二自由度動力學(xué)模型和預(yù)瞄跟隨模型，引入反饋監(jiān) 督信號。因為在圖像重建道路環(huán)境之后，需要通過復(fù)雜的擬合過程才能得到合適的方向盤 輸出，所以方法的計算復(fù)雜度很高，硬件資源的消耗很大。Tzomakas和Seelen實現(xiàn)了一種 獲取路面灰度閾值的方法，但無法解決路面灰度變化的問題。Marola的研究屬于基于知識 的方法，此方法的不足之處在于復(fù)雜環(huán)境下的誤檢率會明顯增加。Wang等人提出基于B樣 條的車道線檢測方法。得益于樣條函數(shù)對輪廓表達(dá)的任意性，該方法能準(zhǔn)確識別直道和彎 道，并對路面陰影具有一定的魯棒性。B樣條的外形定位控制點位于曲線外部，因此收斂需 要多次迭代來完成，增加了系統(tǒng)復(fù)雜度。在國內(nèi)，陳智提出一種基于小波變換的車輛識別方 法，但卻無法滿足系統(tǒng)匹配的廣泛適應(yīng)性?，F(xiàn)今主流算法是通過Hough變換識別圖像中最 符合車道特征的直線，從而進(jìn)行標(biāo)定。此算法的優(yōu)點是實時性高，不足之處在于處理結(jié)果 以直線段為主，難以在車輛進(jìn)行轉(zhuǎn)彎的過程中提供有效的參數(shù)，且計算量大，實時性難以保 證。


【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術(shù)中存在的魯棒性或?qū)崟r性無法滿足預(yù)警機(jī)制要求的問題，本發(fā)明提 出一種基于視覺的道路信息檢測及前方車輛識別方法，該方法首先對圖像進(jìn)行自適應(yīng)二值 化分割；然后對圖像中的感興趣區(qū)域ROI(RegionOfInteres)進(jìn)行提??；采用逐行檢索的 方法進(jìn)行車道線內(nèi)側(cè)特征點的篩選，從而得到實際車道的左右標(biāo)志線參數(shù)以進(jìn)行道路模型 重建。通過腐蝕、膨脹法濾除干擾點；進(jìn)行陰影線的合并及R0I區(qū)域的提取；利用目標(biāo)區(qū)域 內(nèi)的信息熵、車尾對稱性特征對R0I區(qū)域進(jìn)行篩選和判別，降低了算法的漏檢和誤檢率；使 用改進(jìn)的Robinson方向檢測算子提取車輛邊界，取得了較好的效果。
[0005] 為實現(xiàn)上述目的本發(fā)明采用的技術(shù)方案為：
[0006] -種基于視覺的道路信息檢測及前方車輛識別方法，實現(xiàn)所述方法的系統(tǒng)包括： 攝像頭，安裝視頻采集卡的測控計算機(jī)，路由器搭建的局域網(wǎng)，規(guī)劃決策上位機(jī)，智能車 BJUT-SHEV實驗平臺。攝像頭安裝在智能車BJUT-SHEV實驗平臺的頂棚前方正中位置，實 時采集道路圖像；攝像頭與測控計算機(jī)通過USB連接視頻采集卡，實現(xiàn)視頻數(shù)據(jù)采集的功 能；測控計算機(jī)處理得到的控制參數(shù)由路由器搭建的局域網(wǎng)傳遞給規(guī)劃決策上位機(jī)（測控 計算機(jī)）；規(guī)劃決策上位機(jī)解析上述信息后對BJUT-SHEV實驗平臺進(jìn)行控制。其特征在于， 所述方法在測控計算機(jī)內(nèi)執(zhí)行以下步驟：
[0007]步驟1，圖像預(yù)處理。
[0008] 包括：對彩色圖像進(jìn)行灰度化，采用單次最大類間方差0TSU法進(jìn)行二值化分割， Sobel算子邊緣檢測，圖像細(xì)化處理，確定道路區(qū)域。
[0009] 步驟2,車道線檢測及偏離預(yù)警。
[0010] 采取逐行檢索的方法獲取車道邊界點，利用最小二乘法對邊界點進(jìn)行擬合，獲取 描述車道的二次曲線。判斷車輛前方道路轉(zhuǎn)彎的方向，對車輛是否偏離車道線進(jìn)行預(yù)警。
[0011] 步驟3，R0I區(qū)域提取。
[0012] 采用道路區(qū)域灰度與雙0TSU相結(jié)合的方法分割車輛底部陰影，對分割圖像進(jìn)行 腐蝕膨脹處理，填充缺口區(qū)域，基于車底陰影獲取車輛R0I區(qū)域。
[0013] 步驟4,車輛輪廓識別。
[0014] 對區(qū)域進(jìn)行以信息熵及對稱性為主要參考依據(jù)的多特征篩選。使用改進(jìn)的 Robinson算子對經(jīng)過篩選后保留下來的部分進(jìn)行處理，求取灰度變化梯度值，并用Hough 變換法識別車輛外輪廓線。
[0015] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：
[0016] (1)本發(fā)明通過對圖像進(jìn)行自適應(yīng)二值化分割，達(dá)到了自適應(yīng)匹配圖像的效果。
[0017] (2)本發(fā)明通過采取以下措施提高了系統(tǒng)的實時性：對圖像中的感興趣區(qū)域進(jìn)行 提取，過濾背景區(qū)域，縮小后續(xù)算法的處理范圍，簡化了計算的復(fù)雜度；采用逐行檢索的方 法經(jīng)過固定的計算次數(shù)便可獲取每幀圖像的處理結(jié)果，區(qū)別于Hough變換對每一個亮點點 都要進(jìn)行線性擬合的特征，在算法實時性上有突出的優(yōu)勢；本發(fā)明對Robinson方向模板算 子進(jìn)行了實時性改進(jìn)，設(shè)置中間變量從而減少了對每個像素點的計算次數(shù)。
[0018] (3)與現(xiàn)有技術(shù)中常用的Hough變換不同，本發(fā)明采用逐行檢索的方法進(jìn)行車道 線內(nèi)側(cè)特征點的篩選，可以使檢測結(jié)果更貼合實際道路中的車道線，不存在線路特征的局 限性，從而在車輛過彎途中為系統(tǒng)提供更多的有效信息。
[0019] (4)針對Tzomakas和Seelen提出的方法中無法解決路面灰度變化的問題，本發(fā)明 在自適應(yīng)二值化分割的基礎(chǔ)上，進(jìn)行第二次0TSU閾值分割，準(zhǔn)確地提取出了車底陰影。通 過腐蝕、膨脹法濾除干擾點，簡化并提高了陰影線合并及R0I區(qū)域提取的效率。
[0020] (5)針對Marola基于知識的方法導(dǎo)致處于復(fù)雜環(huán)境下的誤檢率會明顯增加的問 題，本發(fā)明利用目標(biāo)區(qū)域內(nèi)的信息熵、車尾對稱性特征對R0I區(qū)域進(jìn)行篩選和判別，降低了 算法的漏檢和誤檢率，提高了在復(fù)雜環(huán)境下系統(tǒng)的可行性。

【專利附圖】

【附圖說明】
[0021] 圖1為本發(fā)明實施例硬件系統(tǒng)組成框圖；
[0022] 圖2為本發(fā)明所述方法主流程圖；
[0023] 圖3為車道線圖像預(yù)處理流程圖；
[0024] 圖4為車輛偏離預(yù)警原理示意圖；
[0025] 圖5為偏離車道線模型圖：(a)為向左偏離，（b)為向右偏離；
[0026] 圖6為車道線提取及預(yù)警方法流程圖；
[0027] 圖7為陰影線長度與圖像坐標(biāo)的位置關(guān)系；
[0028] 圖8為R0I提取流程圖；
[0029] 圖9為車輛輪廓識別流程圖。

【具體實施方式】
[0030] 下面結(jié)合附圖和實施例對本發(fā)明做進(jìn)一步說明。
[0031] 實施例采用的硬件系統(tǒng)組成框圖如圖1所示，包括：
[0032] 攝像頭：攝像頭采用風(fēng)后鏡王系列的一款，用USB線與測控計算機(jī)相連。攝像頭安 裝在智能車BJUT-SHEV實驗平臺頂棚前方正中位置，隨著智能車的前進(jìn)，便可采集到前方 道路的實時信息。
[0033] 安裝視頻采集卡的測控計算機(jī)：視頻采集卡采用思特佳圖ST-769采集卡，其將測 控計算機(jī)接收到的模擬道路信息轉(zhuǎn)換為數(shù)字圖像信息。另外，測控計算機(jī)上安裝VS2010及 0PENCV2. 4. 5并配置軟件運(yùn)行環(huán)境，以及實現(xiàn)本發(fā)明所述方法的軟件程序。
[0034] 路由器搭建的局域網(wǎng)：路由器采用Netgear公司生產(chǎn)的WNR2000。路由器搭建的 局域網(wǎng)將測控計算機(jī)打包的數(shù)據(jù)信息通過此局域網(wǎng)，上傳到規(guī)劃決策上位機(jī)供其使用。
[0035] 規(guī)劃決策上位機(jī)：用于解析前述數(shù)據(jù)信息并得到控制命令，從而對BJUT-SHEV實 驗平臺進(jìn)行控制，實施車輛轉(zhuǎn)向、抬起油門或踩下剎車等動作。
[0036] -種基于視覺的道路信息檢測及前方車輛識別方法流程圖如圖2所示，由安裝在 測控計算機(jī)內(nèi)的軟件程序?qū)崿F(xiàn)，包括以下步驟：
[0037] 步驟1，圖像預(yù)處理，具體流程如圖3所示。
[0038] 步驟1. 1，彩色圖像灰度化。
[0039] 設(shè)原始彩色圖像中像素點顏色為RGB (R, G, B),處理后的像素點灰度值為Gray,彩 色圖像灰度化可表示如下：
[0040] Gray = RXO. 299+GXO. 587+BX0. 144
[0041] 步驟1. 2,單次0TSU法二值化圖像。
[0042] 0TSU法在模式識別的過程中用途比較廣泛，能夠自適應(yīng)地選取閾值，區(qū)分背景及 目標(biāo)區(qū)域。首先計算灰度圖像的特征參數(shù)：
[0043] u = co〇]i〇+c〇1]i1
[0044] 〇 2 (K) = co 〇 ( u 〇- u ) 2+ co j ( u r u )2
[0045] 其中，％、％分別為背景及目標(biāo)區(qū)域像素點灰度值出現(xiàn)的概率，"、"分別為背 景及目標(biāo)區(qū)域像素點的平均灰度值，U為整體圖像灰度的統(tǒng)計均值， 〇2 (K)為背景區(qū)域與 目標(biāo)區(qū)域組間方差，K = 1，2, 3,...，求使方差取得最大值時的K，得到最優(yōu)閾值K。
[0046] 步驟1. 3,采用Sobel算子進(jìn)行邊緣檢測。
[0047] 圖像邊緣通常呈現(xiàn)灰度級的躍變，這種躍變能夠用圖像的微分來描述。所以基于 微分算子類的圖像邊緣檢測方法是比較常用的一種。該類方法中的大部分算法使用的是濾 波器模板，即令所處理的像素與模板的中心重合，模板系數(shù)與相對應(yīng)像素值加權(quán)后，其結(jié)果 作為該像素點的梯度值。在整幅數(shù)字圖像矩陣中移動濾波器模板，就可得到一幅梯度圖。此 方法的結(jié)果反映了數(shù)字圖像中像素灰度變化的梯度，根據(jù)梯度圖中梯度的變化情況檢測出 圖像的邊緣。本發(fā)明采用Sobel算子進(jìn)行檢測，其原理模板如表1所示。
[0048]表1 Sobel算子原理模板

【權(quán)利要求】
1. 一種基于視覺的道路信息檢測及前方車輛識別方法，實現(xiàn)所述方法的系統(tǒng)包括：攝 像頭，內(nèi)部安裝視頻采集卡的測控計算機(jī)，由路由器搭建的局域網(wǎng)，規(guī)劃決策上位機(jī)，智能 車實驗平臺；攝像頭安裝在智能車實驗平臺的頂棚前方正中位置，通過USB連接所述測控 計算機(jī)內(nèi)的視頻采集卡，實時采集道路圖像；測控計算機(jī)對圖像進(jìn)行處理得到的控制參數(shù) 由路由器搭建的局域網(wǎng)傳遞給規(guī)劃決策上位機(jī)；規(guī)劃決策上位機(jī)解析上述信息后對實驗平 臺進(jìn)行控制；其特征在于，所述方法在測控計算機(jī)內(nèi)執(zhí)行以下步驟： 步驟1，圖像預(yù)處理； 步驟1.1，彩色圖像灰度化； 設(shè)原始彩色圖像中像素點顏色為RGB (R, G, B),處理后的像素點灰度值為Gray,彩色圖 像灰度化可表示如下： Gray = RXO. 299+GXO. 587+BX0. 144 步驟1. 2,單次OTSU法二值化圖像； 計算灰度圖像的特征參數(shù)： μ = ω 〇 μ 〇+ ω 1 μ 1 σ2(Κ) = ω〇(μ〇-μ)2+ωι(μ「μ)2 其中，ω(|、CO1分別為背景及目標(biāo)區(qū)域像素點灰度值出現(xiàn)的概率，μ ρ μ i分別為背景及 目標(biāo)區(qū)域像素點的平均灰度值，μ為整體圖像灰度的統(tǒng)計均值，σ 2(K)為背景區(qū)域與目標(biāo) 區(qū)域組間方差，K = 1，2, 3,...，求使方差取得最大值時的Κ，得到最優(yōu)閾值K ; 步驟1. 3,采用Sobel算子進(jìn)行邊緣檢測； 設(shè)圖像經(jīng)過二值化后像素點坐標(biāo)為（i，j)，對整幅圖像進(jìn)行模板運(yùn)算，從而得到每個像 素點沿1，7方向的梯度值61^_)和67(^,當(dāng)滿足下式時認(rèn)為該點為邊緣點： Gx|+|Gy| > nThreshold 其中，nThreshold為閾值； 步驟1. 4,圖像細(xì)化處理； 粗邊緣像素有一定的寬度，只保留這個寬度中間的像素，將周圍的像素"腐蝕"掉：對步 驟1. 3檢測出的每一個白色像素點進(jìn)行判斷，如果在其八鄰域中只有小于k個的白色像素， 說明該點是一個較亮的點，屬于邊緣寬度中的邊緣像素，將這樣的像素置為〇 ;k為由實驗 確定的正整數(shù)； 步驟1.5,確定道路區(qū)域； 確定道路區(qū)域上界：從圖像每一列的第一個像素開始向下檢索，找到該列的第一個黑 色像素點，標(biāo)記它的行數(shù)K，在h的最大值上增加 m個像素點得到的行數(shù)為處理區(qū)域的上 界；m的值由實驗確定； 確定道路區(qū)域的左右邊界：從圖像的正中心向左，從最下端一列向上逐行進(jìn)行搜尋，將 找到的第一個白色點作為道路內(nèi)邊界上的第一個點，然后將直線斜率k作為參數(shù)，構(gòu)建直 線方程；根據(jù)直線方程計算該直線上的白色點的個數(shù)，將取得最大白色點數(shù)的k值作為此 邊界擬合直線的斜率；直線斜率確定后，在y值上把直線抬高一個增量b得到左邊界的擬合 直線；以相同的方法確定右邊界擬合直線；兩條直線中間的區(qū)域就是道路區(qū)域； 步驟2,車道線檢測及偏離預(yù)警； 采取逐行檢索的方法確定車道邊界點，采用最小二乘法對邊界點進(jìn)行擬合，獲取描述 車道的二次曲線；判斷車輛前方道路轉(zhuǎn)彎的方向，對車輛是否偏離車道線進(jìn)行預(yù)警； 步驟3, ROI區(qū)域分割； 采用道路區(qū)域灰度與雙OTSU相結(jié)合的方法分割車輛底部陰影，對分割圖像進(jìn)行腐蝕 膨脹處理，填充缺口區(qū)域，基于車底陰影獲取車輛ROI區(qū)域； 步驟4,車輛輪廓識別； 對區(qū)域進(jìn)行以信息熵及對稱性為主要參考依據(jù)的多特征篩選；采用改進(jìn)的Robinson 算子對經(jīng)過篩選后保留下來的部分進(jìn)行處理，求取灰度變化梯度值，并用Hough變換法識 別車輛外輪廓線。
2. 根據(jù)權(quán)利要求1所述的一種基于視覺的道路信息檢測及前方車輛識別方法，其特征 在于，步驟2所述確定車道邊界點的方法如下： 從整幅圖像的最后一行向上搜索直到上限邊界，其縱向跨度為圖像高度height ;逐行 檢索白色像素的線段，記下第η條線段的長度In ;終止列坐標(biāo)不超過整幅圖像的3/4列的線 段歸為左邊道路線，起始列坐標(biāo)不少于整幅圖像1/4列的線段歸為右邊道路線；分別在左 右道路線序列中查找線段相鄰兩行間的有效行坐標(biāo)ij和ij+若它們之間的差值大于像素 距離閾值d，說明該條線段屬于噪音，則從該序列中剔除；最后，從左右道路線序列中分別 找出其中特征最明顯的一條線段，標(biāo)記該條線段的有效坐標(biāo)，左側(cè)序列線段為Q 1, J1)，右側(cè) 為（i" Jr)。
3. 根據(jù)權(quán)利要求1所述的一種基于視覺的道路信息檢測及前方車輛識別方法，其特征 在于，步驟2所述判斷車輛前方道路轉(zhuǎn)彎的方向的方法如下： 記左右邊界直線的交點為（Xc^ytl),左右道路內(nèi)邊界擬合曲線的交點為Uuy1);如 果有Xtl < X1-δ ^，則說明道路在向右轉(zhuǎn)；如果有X(l > Χι+δ ^，則說明道路在向左轉(zhuǎn)；如果 X1- δ ^彡χ〇彡χ1+ δ ^，則說明道路呈直線；δ ^為由實驗確定的一個很小的數(shù)值。
4. 根據(jù)權(quán)利要求1、2或3所述的一種基于視覺的道路信息檢測及前方車輛識別方法， 其特征在于，步驟2所述對車輛是否偏離車道線進(jìn)行預(yù)警的方法如下： 通過車道線擬合算法得到左右車道線的中心標(biāo)識線，即左右兩條車道線夾角的角平分 線；用一個二元一次方程表示車道中心線：
其中，V k2分別為左右車道線的斜率； 車輛行駛方向與車道中心線方向的夾角
設(shè)車輛在當(dāng)前車道中的橫向位移為d;當(dāng)(1>(1(|且Θ > 0(|時，判斷為左側(cè)偏離，發(fā)出 預(yù)警信號；當(dāng)(1>(1(|且Θ <-0。時，判斷為右側(cè)偏離，發(fā)出預(yù)警信號；若不滿足上述條件 則不發(fā)出預(yù)警信號。
5. 根據(jù)權(quán)利要求1所述的一種基于視覺的道路信息檢測及前方車輛識別方法，其特征 在于，步驟3所述分割車輛底部陰影的方法如下： 首先使用OTSU法計算圖像整體的閾值T1 ;遍歷圖中的所有像素點，以閾值T1進(jìn)行分 類，大于T1的歸類為背景；過濾掉背景區(qū)域，對原圖中像素灰度值小于T1的所有像素點再 次使用OTSU法，得到新閾值T 2 ;以T2為分割閾值對圖像再次進(jìn)行二值化，大于T2的歸類為 背景，像素值設(shè)置為255 ;小于T2的設(shè)置為目標(biāo)像素，像素值設(shè)置為0 ;在灰度圖像上選取Hi1 個長寬均為H1個像素的路面區(qū)域，H^n1根據(jù)視頻圖像分辨率確定；統(tǒng)計Hl1個路面區(qū)域的平 均灰度值μ i及標(biāo)準(zhǔn)差〇 i，去除μ i大于μ (!及〇 i大于％的區(qū)域，μ d、％由實驗確定， 便可排除路面區(qū)域窗口劃分在斑馬線或指示線上面的情況，并設(shè)剩下的路面區(qū)域個數(shù)為N ; 經(jīng)過計算可以求得這N個區(qū)域的平均灰度值
及平均方差：；可得到 最優(yōu)閾值為：

如果因 N過小或T < 0時無法進(jìn)行局部灰度值運(yùn)算，通過如下式進(jìn)行算法的選?。?br> 6. 根據(jù)權(quán)利要求1或5所述的一種基于視覺的道路信息檢測及前方車輛識別方法，其 特征在于，步驟3所述基于車底陰影獲取車輛ROI區(qū)域的方法如下： 從上至下，從左至右逐行搜索陰影線的起始位置和終止位置，從而確定其長度和位置； 當(dāng)滿足下式時則認(rèn)為分別找到了陰影線的起點Xstart及終點Xmd :
每行選取一個閾值，當(dāng)滿足下式時，此陰影線為車輛底部陰影：
其中，w為陰影線在圖像中的長度標(biāo)量,單位為像素；wp為車輛實寬；H為攝像機(jī)光軸距 地面的高度；y為目標(biāo)在圖像縱軸方向上的所在行數(shù)，單位為像素；height為圖像的高度單 位為像素； 定義矩形度SQ為區(qū)域內(nèi)面積與其外接矩形面積的比值，SQ越大則此區(qū)域愈呈矩形狀； 令四邊形度量QM為陰影區(qū)域?qū)捀弑鹊牧慷?，?dāng)QM= 1時，可以近似認(rèn)為四邊形是等邊的； 利用SQ與QM對上述檢測出的陰影區(qū)域進(jìn)行篩選，方法如下：
在提取ROI區(qū)域的過程中，考慮到陰影區(qū)域的高度、寬度、位置等的不確定性，首先選 取范圍較大的ROI區(qū)域；初步提取的過程中把車輛整體包含在區(qū)域內(nèi)，并且考慮到光照強(qiáng) 度及角度的變化會使車底陰影與車體本身呈現(xiàn)不同的比例關(guān)系，具體方法為：
其中，（Rv X，Rv y)為ROI區(qū)域左下角坐標(biāo)點，（Rs X，Rs y)為陰影區(qū)域左下角坐標(biāo)點，Rv width，Rv height分別為ROI區(qū)域的寬度和高度，Rs width為陰影區(qū)域的寬度，參數(shù)λ = 1. 2, δ = 50。
7.根據(jù)權(quán)利要求1所述的一種基于視覺的道路信息檢測及前方車輛識別方法，其特 征在于，步驟4所述對區(qū)域進(jìn)行以信息熵及對稱性為主要參考依據(jù)的多特征篩選的方法如 下： (1) 信息熵篩選 圖像的熵值在含有車輛的候選區(qū)域中明顯增大；對于路面區(qū)域，由于其灰度值比較單 一，所以包含的像素信息值較低；通過此性質(zhì)過濾掉一些熵值較小的區(qū)域；設(shè)在上述提取 的高度為h的ROI區(qū)域內(nèi)，每行的熵值為H(a)，則其均值為：
當(dāng)77(")> Γ時，認(rèn)為ROI區(qū)域包含車輛信息，否則對此ROI區(qū)域進(jìn)行濾除；T為由實驗 確定的閾值； (2) 對稱性過濾 設(shè)RU)為ROI區(qū)域內(nèi)的一次連續(xù)函數(shù)，將其拆分為奇函數(shù)Rtj(X)和偶函數(shù)R6(X);對于 上述提取到的ROI區(qū)域R來說，令區(qū)域大小為wXh，對稱軸為：，則對于圖像的第y行 線段，奇函數(shù)與偶函數(shù)的表達(dá)式分別為：

對偶函數(shù)進(jìn)行修正，使其修正后的均值同奇函數(shù)一樣，趨近于零，以便用能量函數(shù)對比 兩者的關(guān)系；修正后得：
由此得到奇函數(shù)與偶函數(shù)的能量函數(shù)分別為：
對第y行像素的對稱性進(jìn)行度量計算：
當(dāng)s > Stl時，則可判定為車輛ROI區(qū)域，否則刪除該區(qū)域；Stl為由實驗確定的閾值。
8. 根據(jù)權(quán)利要求1所述的一種基于視覺的道路信息檢測及前方車輛識別方法，其特征 在于，步驟4所述改進(jìn)Robinson算子的方法如下： 采用Robinson算子對ROI區(qū)域中的像素點進(jìn)行檢測時，任一像素點與M1模板的運(yùn)算 方法如下： e〇 = p〇+2Xp1+p2-p5-2Xp6-p 7 其中，eQ?e7分別為目標(biāo)像素點與模板MQ(丨）?M7 (\ )進(jìn)行邊緣檢測運(yùn)算的結(jié)果； Pq?P7分別為位于目標(biāo)像素點左上、正上、右上、正左、正右、左下、正下、右下像素點的灰度 值； 改進(jìn)的方法在于引入變量：
進(jìn)行運(yùn)算速度優(yōu)化處理，可得結(jié)果為：
最終分別對橫向及縱向檢測信息進(jìn)行提取。
9. 根據(jù)權(quán)利要求1或8所述的一種基于視覺的道路信息檢測及前方車輛識別方法，其 特征在于，步驟4所述采用Hough變換法識別車輛外輪廓線的方法在ROI區(qū)域內(nèi)進(jìn)行，以降 低計算量；在直線角度上進(jìn)行限定，從而進(jìn)一步加快運(yùn)算速度；提取橫向邊緣的過程中令 角度-5° < Θ <5°，提取縱向邊緣的過程中令60° < Θ <120°，令縱向左、右邊界線 分別以最左、右點為準(zhǔn)，斜率值向無窮靠攏，可獲取矩形車輛外邊界。
【文檔編號】G06T7/00GK104392212SQ201410647880
【公開日】2015年3月4日 申請日期:2014年11月14日 優(yōu)先權(quán)日:2014年11月14日
【發(fā)明者】段建民, 劉冠宇 申請人:北京工業(yè)大學(xué)