本發(fā)明屬于一種圖像檢測(cè)與識(shí)別算法，具體涉及一種基于圖像灰度和Lab色彩空間的車輛陰影檢測(cè)算法。

背景技術(shù)：

目前對(duì)于運(yùn)動(dòng)車輛的檢測(cè)是智能交通系統(tǒng)中非常重要的一個(gè)項(xiàng)目，然后無(wú)處不在的車輛陰影會(huì)對(duì)運(yùn)動(dòng)檢測(cè)造成比較大的影響，為了能夠更好的進(jìn)行車輛物體定位、跟蹤，對(duì)于陰影的檢測(cè)與排除顯得尤為重要。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明是為了克服現(xiàn)有技術(shù)中存在的缺點(diǎn)而提出的，其目的是提供一種基于圖像灰度和Lab色彩空間的車輛陰影檢測(cè)算法。

本發(fā)明的技術(shù)方案是：

一種基于圖像灰度和Lab色彩空間的車輛陰影檢測(cè)算法，所述算法包括以下步驟：

（?。┩獠繄D像輸入；

（ⅱ）高斯濾波降噪

去除圖像因電路或其他圖像處理算法引起的噪聲；

（ⅲ）Canny邊緣檢測(cè)和邊緣投影積分

對(duì)整個(gè)檢測(cè)區(qū)進(jìn)行邊緣檢測(cè)并二值化，然后求出檢測(cè)區(qū)域水平方向的投影積分值G_add，當(dāng)某列積分G_add滿足：G_add>G_Th時(shí)，則認(rèn)為此列為車身所在列；

（ⅳ）RGB2Lab色彩空間變換

CIE 1976 L*a*b 中，b值表示藍(lán)色到黃色的變化，8位的圖像中，b值的范圍選取 [255,0]；

（ⅴ）Otsu大津法圖像分割

對(duì)RGB圖像求其灰度圖，做灰度的Otsu分割，在分割后的圖像上，將b值當(dāng)作灰度值再做一次Otsu分割，分割出的圖像亮的部分為非陰影區(qū)域，暗的部分為陰影區(qū)域；

（ⅵ）輸出區(qū)分陰影后的圖像。

本發(fā)明的有益效果是：

本發(fā)明排除了車輛本身的亮度和顏色對(duì)于陰影檢測(cè)的影響；很好的利用了陰影和非陰影區(qū)域的灰度、顏色的特征，能夠較為細(xì)致準(zhǔn)確的檢測(cè)出交錯(cuò)類型的陰影；適用場(chǎng)景廣泛，在色溫變化較大的場(chǎng)景下尤為突出。

附圖說(shuō)明

圖1是本發(fā)明基于圖像灰度和Lab色彩空間的車輛陰影檢測(cè)算法的流程示意圖。

具體實(shí)施方式

下面結(jié)合說(shuō)明書附圖及實(shí)施例對(duì)本發(fā)明基于圖像灰度和Lab色彩空間的車輛陰影檢測(cè)算法進(jìn)行詳細(xì)說(shuō)明：

如圖1所示，一種基于圖像灰度和Lab色彩空間的車輛陰影檢測(cè)算法，所述算法包括以下步驟：

（?。┩獠繄D像輸入；

（ⅱ）高斯濾波降噪

去除圖像因電路或其他圖像處理算法引起的噪聲；為后面做Canny邊緣檢測(cè)做準(zhǔn)備，保證檢測(cè)邊緣的準(zhǔn)確性。

（ⅲ）Canny邊緣檢測(cè)和邊緣投影積分

做Canny是為了檢測(cè)出目標(biāo)檢測(cè)區(qū)域內(nèi)車身所在位置。對(duì)于交通場(chǎng)景中，車輛本身的邊緣信息比較豐富，比起路面顆粒點(diǎn)來(lái)說(shuō)，車身邊緣梯度遠(yuǎn)大于地面。利用這一特點(diǎn)，對(duì)整個(gè)檢測(cè)區(qū)進(jìn)行邊緣檢測(cè)并二值化，然后求出檢測(cè)區(qū)域水平方向的投影積分值G_add，當(dāng)某列積分G_add滿足：G_add>G_Th時(shí)，則認(rèn)為此列為車身所在列。利用這種方法找出車身位置，以便排除車身亮度和顏色對(duì)陰影檢測(cè)的干擾。

（ⅳ）RGB2Lab色彩空間變換

CIE 1976 L*a*b 中，b值表示藍(lán)色到黃色的變化，8位的圖像中，b值的范圍選取[127,-128]，為方便計(jì)算一般取到[255,0]。在實(shí)際道路光線環(huán)境中，陰影和非陰影區(qū)域往往在b值的大小上有一定的差異，當(dāng)然L值差異也很明顯。

（ⅴ）基于圖像灰度和Lab色彩空間b值的Otsu大津法圖像分割

這個(gè)過(guò)程中，將會(huì)對(duì)RGB圖像求其灰度圖。然后利用圖像分割算法Otsu對(duì)排除了車身干擾的灰度圖進(jìn)行前景和背景的分割。分割出的圖像亮的部分為非陰影區(qū)域，暗的部分為陰影區(qū)域。但由于Otsu利用灰度分割圖像的算法只是基于灰度，并沒有利用陰影特征，往往出來(lái)的效果并不理想，這里改進(jìn)的方法為：先做灰度的Otsu分割，在分割后的圖像上，將b值當(dāng)作灰度值再做一次Otsu分割，這樣得到的圖像中，對(duì)于樹葉這樣景物形成的陰影和非陰影交錯(cuò)區(qū)域能夠有很好的區(qū)分。

（ⅵ）輸出區(qū)分陰影后的圖像。

Otsu是用于灰度圖像的前景和背景分割算法，它能夠利用圖像的灰度信息自動(dòng)尋找到合適的分割閾值，用于圖像二值化。本算法中對(duì)于陰影和非陰影正好適用，它們?cè)诨叶壬舷嗖詈艽?，很適合這種自動(dòng)算法。本發(fā)明針對(duì)Otsu已有的缺陷做了兩點(diǎn)處理：

（?。╆幱笆前殡S著物體產(chǎn)生的，車輛的陰影檢測(cè)時(shí)，大多都會(huì)受車輛本身豐富的顏色和亮度干擾，造成單一灰度上很難將陰影分割出來(lái)，所以本算法用了Canny邊緣檢測(cè)，利用車輛邊緣梯度豐富這一信息，將車輛給篩選出來(lái)，以便更好的進(jìn)行陰影檢測(cè)。

（ⅱ）有些陰影是斑駁交錯(cuò)的，這種陰影和非陰影在過(guò)渡區(qū)間是非常平緩的，往往根據(jù)灰度也很難區(qū)分開來(lái)，分割出的圖像都會(huì)帶著點(diǎn)點(diǎn)光斑，分割的不算徹底。所以本算法利用了陰影和非陰影的顏色特征，在Lab色彩空間下，室外場(chǎng)景下，陰影和非陰影區(qū)域在b值會(huì)存在著差異，而這一差異正是我們所利用的，利用b值做Otsu分割可以很好的將樹葉、樹枝這種景物形成的交錯(cuò)陰影分割開來(lái)。

本發(fā)明排除了車輛本身的亮度和顏色對(duì)于陰影檢測(cè)的影響；很好的利用了陰影和非陰影區(qū)域的灰度、顏色的特征，能夠較為細(xì)致準(zhǔn)確的檢測(cè)出交錯(cuò)類型的陰影；適用場(chǎng)景廣泛，在色溫變化較大的場(chǎng)景下尤為突出。