本發(fā)明屬于夜間目標檢測方法技術(shù)領(lǐng)域，具體涉及一種基于單目視覺的夜間前方車輛檢測方法。

背景技術(shù)：

汽車的飛躍式增長，加劇了道路交通事故的發(fā)生，特別是夜間交通事故的頻發(fā)，給人們的生命財產(chǎn)帶來巨大的損失?；谝曈X的目標檢測技術(shù)為夜間交通場景目標檢測提供了可能，由于多目(包含雙目)視覺系統(tǒng)相鄰幀間特征點匹配計算量大，當車輛數(shù)目較多時，實時性差，所以基于單目視覺的車輛檢測技術(shù)應(yīng)運而生。然而，現(xiàn)有的基于單目視覺的車輛檢測技術(shù)大多適應(yīng)于白天交通環(huán)境，由于夜間駕駛環(huán)境變差導致夜間交通事故較白天更為頻發(fā)，因此，研究基于單目視覺的夜間前方車輛檢測方法對于改善駕駛環(huán)境，減少交通事故具有重要的意義。

夜晚光照條件差，車輛的外形特征很難被檢測到，夜間車輛最顯著的特征是高亮度的車燈，因此，大多夜間車輛檢測方法都是通過檢測車燈從而檢測車輛的。Junbin Guo等人統(tǒng)計300幅不同環(huán)境下尾燈亮度的分布，使用最大類間方差法(Otsu)確定最佳分割閾值，并根據(jù)HSV顏色空間的紅色閾值剔除非尾燈目標，最后進行基于位置、面積等先驗知識的尾燈配對。

Wei Zhang等人基于光散射衰減模型得出車頭燈的反射灰度圖和反射抑制圖，作為馬爾科夫隨機場的輸入向量，但是如果車輛距離攝像頭很近，反射系數(shù)很難計算。

Jiann-Der Lee等人使用LoG算子和光散射模型得出車燈區(qū)域并使用光流法對車輛進行跟蹤，使用LoG算子，解決了近距離車輛難檢測的問題。

O’Malley等人基于HSV顏色空間提出紅色閾值分割方法，并根據(jù)互相關(guān)性系數(shù)驗證車燈的對稱性及使用卡爾曼濾波進行跟蹤，但是只根據(jù)互相關(guān)性系數(shù)進行車燈配對，誤差較大。

Naoya Kosaka等人采用雙層中心環(huán)繞濾波器來近似LoG算子，篩選出響應(yīng)值高的特征點，再對特征點使用支持向量機(SVM)進行分類，并通過車道線檢測及運動軌跡排除噪聲點，檢測出車燈正確率高，但進行配對時只根據(jù)濾波器響應(yīng)值一致的原則，致使配對誤差較大。

Hulin Kuang等人使用EdgeBoxes尋找多尺度Retinex增強后圖像中得分較高的感興趣區(qū)域(ROI)，提取ROI5個特征后，由SVM訓練每個特征的權(quán)重，修改最終得分，得分高的ROI則為車輛。該方法不需要進行車燈配對，減少了一些誤差，但是對于昏暗的交通場景，增強算法不是很有效，得出的ROI準確度也隨之下降。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種基于單目視覺的夜間前方車輛檢測方法，解決了現(xiàn)有夜間車輛檢測方法中，配對誤差較大，檢測目標不準確的問題。

本發(fā)明一種基于單目視覺的夜間前方車輛檢測方法所采用的技術(shù)方案是，包括以下步驟：

步驟1，采集圖像，基于CenSurE算子對夜間前方車輛進行車燈檢測，得到強角點；

步驟2，基于車燈顏色信息進行夜間前方車輛的分割，得到分割區(qū)域；

步驟3，選擇步驟2的分割區(qū)域中占有步驟1的強角點最多的區(qū)域，得到檢測區(qū)域；

步驟4，對步驟3中的檢測區(qū)域進行車燈配對，確定目標車輛的位置。

本發(fā)明的特征還在于，

步驟1的操作步驟具體為：

步驟1.1，拍照采集圖像，根據(jù)采集圖像計算對應(yīng)的積分圖的值，積分圖中任一點I(x，y)的值均為原圖像中對應(yīng)位置左上角區(qū)域所有值的總和，如式(1)，

步驟1.2，構(gòu)造CenSurE濾波器對積分圖進行對數(shù)尺度采樣，

將任一點I(x，y)的值表示的尺度空間分成三組，其中，第一組中每層的CenSurE濾波器內(nèi)核大小依次增加2，第二組中每層的CenSurE濾波器內(nèi)核大小依次增加4，第三組中每層的CenSurE濾波器內(nèi)核大小依次增加8，每一組中均選擇5層尺度圖像，CenSurE濾波器外核大小也按照上述方式進行計算；

即CenSurE濾波器的內(nèi)核尺寸應(yīng)滿足(2n+1)×(2n+1)，外核尺寸應(yīng)滿足(4n+1)×(4n+1)，為了使濾波器的DC響應(yīng)為零，對尺度空間歸一化，則內(nèi)核的權(quán)重系數(shù)I_n應(yīng)滿足式(2)，

外核的權(quán)重系數(shù)O_n應(yīng)滿足式(3)

當外核包含的像素值總和為out_value，內(nèi)核包含的像素值總和為in_value，則像素濾波響應(yīng)值L滿足式(4)，

L＝O_n·out_value-I_n·in_value， (4)

步驟1.3，對步驟1.2中的尺度空間進行極值檢測，

將經(jīng)過步驟1.2處理的圖像，按照式(4)計算圖像中每個尺度空間的像素濾波響應(yīng)值，然后在尺度空間上進行進行非極大值抑制，并記錄極值點；

步驟1.4，對步驟1.3中的極值點進行濾除不穩(wěn)定特征點，

L_x和L_y為像素濾波響應(yīng)值L在x和y方向的偏導，對L_x、L_y、L_xL_y進行高斯濾波，獲得Harris矩陣特征值，如果較小的特征值大于自適應(yīng)閾值t，則得到強角點。

步驟2的操作步驟具體為，將步驟1采集的圖像由RGB空間轉(zhuǎn)換到HSV顏色空間，使用紅色閾值分割出的所有區(qū)域，使用白色閾值分割出的所有區(qū)域中位于左側(cè)1/3的區(qū)域，共同作為HSV顏色空間分割的結(jié)果，

H表示色調(diào)，其中紅色閾值的H≥340°或H≤30°，白色閾值的H為0°～360°；S表示飽和度，紅色閾值的S≤30，白色閾值的S≤20；V表示色彩的明度，紅色閾值和白色閾值均取80≤V≤100。

步驟4的車燈配對的操作步驟具體為，假設(shè)L_i、L_j為兩候選車燈，面積分別為A_i、A_j，車燈中心的圖像坐標為(x_i,y_i)、(x_j,y_j)，配對約束條件如下：

a.當兩候選車燈高度一致，既兩車燈縱坐標應(yīng)滿足式(5)

|y_i-y_j|＜Δh， (5)

b.當兩候選車燈水平方向距離在一定范圍內(nèi)，應(yīng)滿足式(6)

Δw₁＜|x_i-x_j|＜Δw₂， (6)

c.當兩候選車燈面積一致，應(yīng)滿足式(7)

|A_i-A_j|＜ΔA， (7)

式(5)中Δh為高度差閾值，式(6)中Δw₁和Δw₂為水平差閾值，式(7)中ΔA為面積差閾值，滿足配對約束條件，配對完成后得到車燈對應(yīng)的外接矩形框應(yīng)滿足寬高比在一定范圍內(nèi)，滿足式(8)，

其中，x_i,left、x_j,right分別為區(qū)域的最左邊和最右邊坐標，y_i,top、y_j,bottom為區(qū)域的最上邊和最下邊坐標，Δration為框的寬高比閾值。

步驟1.3中的非極大值抑制的具體步驟為：尺度空間中的每個點與其26個相鄰點，其中26個相鄰點包括位于中間的檢測點和其同尺度的8個相鄰點，以及上下相鄰尺度對應(yīng)的9×2個點進行比較，然后記錄極值點。

步驟1.4中的自適應(yīng)閾值使用多級Otsu方法獲取，其具體步驟為：

在灰度直方圖中，設(shè)f_i為灰度級為i的像素點個數(shù)，N為像素點總數(shù)，則N滿足式(9)

N＝f₀+f₁+…+f_l-1， (9)

其中l(wèi)為直方圖個數(shù)，l＝1，2，3，4……，

則灰度級為i的像素點個數(shù)f_i的分布概率P_i為式(10)，

使用k個閾值T＝{t₁,…,t_n,…,t_k}，將圖像分為k+1個類別，類間方差V_BC(T)為式(11)

其中，式(11)μ_n為k＝n時的灰度均值，μ_T為總體的灰度均值，w_n和μ_n的值如式(12)，

類內(nèi)方差v_WC(T)為式(13)

其中，式(13)中σ_n為k＝n時的灰度方差，w_n和σ_n的值如式(14)

將式(9)～式(14)聯(lián)合，得出圖像的總方差v_T和圖像的總均值μ_T，為式(15)

定義圖像的分割因子SF為式(16)，

當SF>0.9時，停止分類，取此時的t_k為自適應(yīng)閾值。

本發(fā)明的有益效果是：本發(fā)明一種基于單目視覺的夜間前方車輛檢測方法通過采用計算多尺度下的CenSurE算子，然后檢測其結(jié)果，可進行車輛配對的運算，不僅解決了夜間車輛車燈檢測方法中，配對誤差較大，檢測目標不準確的問題，又很好的應(yīng)用價值。

附圖說明

圖1是本發(fā)明CenSurE濾波器的內(nèi)核和外核的結(jié)構(gòu)圖；

圖2是區(qū)域像素和計算示意圖。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明進行詳細說明。

本發(fā)明一種基于單目視覺的夜間前方車輛檢測方法，包括以下步驟：

步驟1，采集圖像，基于CenSurE算子對夜間前方車輛進行車燈檢測，得到強角點；

步驟2，基于車燈顏色信息進行夜間前方車輛的分割，得到分割區(qū)域；

步驟3，選擇步驟2的分割區(qū)域中占有步驟1的強角點最多的區(qū)域，得到檢測區(qū)域；

步驟4，對步驟3中的檢測區(qū)域進行車燈配對，確定目標車輛的位置。

步驟1的操作步驟具體為：

步驟1.1，拍照采集圖像，根據(jù)采集圖像計算對應(yīng)的積分圖的值，積分圖中任一點I(x，y)的值均為原圖像中對應(yīng)位置左上角區(qū)域所有值的總和，如式(1)，

步驟1.2，構(gòu)造CenSurE濾波器，對積分圖進行對數(shù)尺度采樣，目的是為了提高局部極值點的穩(wěn)定性，如圖1所示，CenSurE濾波器采用正方形核，正方形核計算效率最高，滿足了實時性要求，積分圖構(gòu)造好后，圖像中任何矩陣區(qū)域的像素累加和都可以通過簡單運算得到，如圖2所示，

將任一點I(x，y)的值表示的尺度空間分成三組，每一組中均選擇5層尺度圖像，其中，第一組中每層的CenSurE濾波器內(nèi)核大小依次增加2，選取濾波器內(nèi)核，其大小依次為3×3、5×5、7×7、9×9和11×11，第二組中每層的CenSurE濾波器內(nèi)核大小依次增加4，選取濾波器內(nèi)核，其大小依次為7×7、11×11、15×15、19×19和23×23，第三組中每層的CenSurE濾波器內(nèi)核大小依次增加8，選取濾波器內(nèi)核，其大小依次為15×15、23×23、31×31、39×39、47×47，CenSurE濾波器外核大小也按照上述方式進行計算；

即CenSurE濾波器的內(nèi)核尺寸應(yīng)滿足(2n+1)×(2n+1)，外核尺寸應(yīng)滿足(4n+1)×(4n+1)，為了使濾波器的DC響應(yīng)為零，對尺度空間歸一化，則內(nèi)核的權(quán)重系數(shù)I_n應(yīng)滿足式(2)，

外核的權(quán)重系數(shù)O_n應(yīng)滿足式(3)

當外核包含的像素值總和為out_value，內(nèi)核包含的像素值總和為in_value，則像素濾波響應(yīng)值L滿足式(4)，

L＝O_n·out_value-I_n·in_value， (4)

步驟1.3，對步驟1.2中的尺度空間進行極值檢測，

將經(jīng)過步驟1.2處理的圖像，按照式(4)計算圖像中每個尺度空間的像素濾波響應(yīng)值，然后在尺度空間上進行非極大值抑制，并記錄極值點；

步驟1.4，對步驟1.3中的極值點進行濾除不穩(wěn)定特征點，

為了得到穩(wěn)定的特征點，只根據(jù)閾值濾除弱響應(yīng)點是不夠的，因為濾波器對圖像邊緣有比較強的響應(yīng)值，一旦特征點落在圖像的邊緣上，這些點就很不穩(wěn)定。由于邊緣或線上的特征點在平行方向上具有較大主曲率而在垂直方向上具有較小主曲率，利用尺度自適應(yīng)的Harris方法計算主曲率比例H去除不穩(wěn)定響應(yīng)點，如下式所示，

L_x和L_y為像素濾波響應(yīng)值L在x和y方向的偏導，對主曲率比例H進行高斯濾波，獲得Harris矩陣特征值，如果較小的特征值大于自適應(yīng)閾值t，則得到強角點。

由于車頭燈和車尾燈分別高亮白色和紅色，因此需分割出圖像的紅色和白色區(qū)域，則步驟2的操作步驟具體為，將步驟1采集的圖像由RGB空間轉(zhuǎn)換到HSV顏色空間，使用閾值分割紅色和白色區(qū)域，由經(jīng)驗可知，相向而來的車輛，一般出現(xiàn)在圖像的左側(cè)，檢測車頭燈，同向行駛的車輛檢測車尾燈，將紅色閾值分割出的所有區(qū)域，白色閾值分割出的所有區(qū)域中位于左側(cè)1/3的區(qū)域，共同作為HSV顏色空間分割的結(jié)果，

H表示色調(diào)，其中紅色閾值的H≥340°或H≤30°，白色閾值的H為0°～360°；S表示飽和度，紅色閾值的S≤30，白色閾值的S≤20；V表示色彩的明度，紅色閾值和白色閾值均取80≤V≤100。

步驟4的車燈配對的操作步驟具體為，假設(shè)L_i、L_j為兩候選車燈，面積分別為A_i、A_j，車燈中心的圖像坐標為(x_i,y_i)、(x_j,y_j)，配對約束條件如下：

a.當兩候選車燈高度一致，既兩車燈縱坐標應(yīng)滿足式(5)

|y_i-y_j|＜Δh， (5)

b.當兩候選車燈水平方向距離在一定范圍內(nèi)，應(yīng)滿足式(6)

Δw₁＜|x_i-x_j|＜Δw₂， (6)

c.當兩候選車燈面積一致，應(yīng)滿足式(7)

|A_i-A_j|＜ΔA， (7)

式(5)中Δh為高度差閾值，式(6)中Δw₁和Δw₂為水平差閾值，式(7)中ΔA為面積差閾值，滿足配對約束條件，配對完成后得到車燈對應(yīng)的外接矩形框應(yīng)滿足寬高比在一定范圍內(nèi)，滿足式(8)，

其中，x_i,left、x_j,right分別為區(qū)域的最左邊和最右邊坐標，y_i,top、y_j,bottom為區(qū)域的最上邊和最下邊坐標，Δration為框的寬高比閾值。

式(7)～(8)中，由于日常生活經(jīng)驗，將Δh取10像素，Δw₁取20像素，Δw₂取50像素，ΔA取30像素，Δration取10像素進行運算配對。

步驟1.3中的非極大值抑制的具體步驟為：尺度空間中的每個點與其26個相鄰點，其中26個相鄰點包括位于中間的檢測點和其同尺度的8個相鄰點，以及上下相鄰尺度對應(yīng)的9×2個點進行比較，然后記錄極值點。

步驟1.4中的自適應(yīng)閾值使用多級Otsu方法獲取，其具體步驟為：

在灰度直方圖中，設(shè)f_i為灰度級為i的像素點個數(shù)，N為像素點總數(shù)，則N滿足式(9)

N＝f₀+f₁+…+f_l-1， (9)

其中l(wèi)為直方圖個數(shù)，l＝1，2，3，4……，

則灰度級為i的像素點個數(shù)f_i的分布概率P_i為式(10)，

使用k個閾值T＝{t₁,…,t_n,…,t_k}，將圖像分為k+1個類別，類間方差V_BC(T)為式(11)

其中，式(11)μ_n為k＝n時的灰度均值，μ_T為總體的灰度均值，w_n和μ_n的值如式(12)，

類內(nèi)方差v_WC(T)為式(13)

其中，式(13)中σ_n為k＝n時的灰度方差，w_n和σ_n的值如式(14)

將式(9)～式(14)聯(lián)合，得出圖像的總方差v_T和圖像的總均值μ_T，為式(15)

定義圖像的分割因子SF為式(16)，

當SF>0.9時，停止分類，取此時的t_k為自適應(yīng)閾值。

本發(fā)明的有益效果是：本發(fā)明通過采用計算多尺度下的CenSurE算子，然后檢測其結(jié)果，可進行車輛配對的運算，不僅解決了夜間車輛車燈檢測方法中，配對誤差較大，檢測目標不準確的問題，又很好的應(yīng)用價值。