[發(fā)明專利]一種基于單目視覺的前方車輛檢測方法

有效

• 申請?zhí)枺?/td>: 201210143389.6
• 申請日: 2012-05-10
• 公開（公告）號: CN102682455A
• 公開（公告）日: 2012-09-19
• 發(fā)明（設計）人: 肖志濤;耿磊;張芳;吳駿;譚琦
• 申請（專利權）人: 天津工業(yè)大學
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發(fā)明屬于圖像處理領域，具體涉及一種在高速公路或快速公路場景下，能夠實時識別汽車前方行駛車輛的檢測方法，主要適用于智能交通領域中的智能車輛輔助駕駛系統(tǒng)，屬于汽車主動安全技術領域。

背景技術

對交通事故的統(tǒng)計分析顯示，汽車追尾在交通事故中占到了30％-40％，而追尾事故所造成的財產損失和人員傷亡更是占到了總損失的60％。駕駛員所面臨的主要危險是路面前方的車輛。根據美國的一項研究結果顯示，只要給駕駛者增加0.555秒的反應時間，就能夠減少60％的交叉路口汽車碰撞事故和30％的汽車追尾事故。另一項研究表明，僅提前1秒就可以防止90％的汽車追尾事故和60％的汽車正面對撞事故。因此，作為智能車輛系統(tǒng)的關鍵技術之一，前方車輛檢測以及在其基礎上發(fā)展起來的車距預警系統(tǒng)已經成為相關科研機構以及汽車生產公司研發(fā)的焦點。

目前，智能車輛輔助駕駛系統(tǒng)中車輛檢測的技術主要分為兩類：一類是基于雷達傳感器的超聲波檢測、微波檢測、紅外線檢測、激光檢測等。這類傳感器雖然能夠較好的完成對實體目標的檢測，但無法準確的判斷目標的類別，而且普遍價格較高；另一類是基于視覺傳感器的單目視覺檢測、雙目視覺檢測等。相對于基于雷達傳感器的檢測系統(tǒng)，視覺傳感系統(tǒng)具有信息獲取量大、直觀、通用性強等諸多優(yōu)點，特別是近十多年以來，隨著計算機硬件設備的處理速度、存儲容量大大提高及價格相對低廉，基于機器視覺的智能車輛技術成為了一種主流趨勢。

相較于基于雙目視覺的檢測方法，基于單目視覺的檢測方法具有成本低廉、對硬件設備安裝以及系統(tǒng)參數的要求較低、通用性強、算法復雜度低、計算量小、運算速度快等優(yōu)點，在車輛高速行駛的條件下，可以達到較高的實時性，為保證行車安全爭取更多的寶貴時間。

目前基于單目視覺的車輛檢測方法主要有基于運動分析的方法、基于模型的方法和基于特征的方法。基于運動分析的方法通過分析圖像序列中的相鄰幀并計算光流場，利用被檢車輛運動造成的光流場與攝像機運動造成的背景光流場的不一致確定被檢車輛的位置。這種方法被證實并不適用于動態(tài)背景下的車輛檢測。基于模型的方法則建立車輛的2維或3維模型，與待檢測圖像進行匹配從而達到車輛檢測的目的。這種方法被證明是有效的，但是其不足的地方也很明顯。首先，由于汽車車型的多樣性，形狀特征和長寬比信息變化范圍很大，建立的車輛模型很難兼顧所有車型；其次，由于視角的原因，車輛的外形輪廓會發(fā)生畸變，車輛的一些特征被破壞，模型匹配算法的計算量往往很大，大大降低了檢測方法的實時性，所以在實際應用中還有很多局限性。在基于特征的方法中，利用圖像中前方車輛的一些顯著特征來將車輛從背景中分割出來，常用的特征有陰影、邊緣等。

發(fā)明內容

本發(fā)明的目的在于針對上述技術或檢測方法的不足，提供一種基于單目視覺、實時性好、檢測準確率高、魯棒性好的前方車輛檢測方法。該方法能夠檢測出車輛前方對行車安全構成威脅的車輛。本發(fā)明采用的技術方案如下：

一種基于單目視覺的前方車輛檢測方法，包括下列步驟：

步驟1：采集車輛前方路況原始圖像I，截取作為當前幀的原始圖像I中包括兩側邊界的下部區(qū)域，得到子圖像Ipart，并復制子圖像Ipart得到圖像Ipart1；

步驟2：對子圖像Ipart進行直方圖均衡化；

步驟3：從經過直方圖均衡化的子圖像Ipart中獲取車輛前方路面平均灰度閾值Tr；

步驟4：采用OTSU法對經過直方圖均衡化的子圖像Ipart提取灰度閾值t，從而將整個灰度范圍劃分為兩部分[0，t]和[t，255]，然后在[0，t]的灰度范圍內，再次使用OTSU法，得到灰度閾值To；

步驟5：設H為圖像豎直方向的分辨率，f(i，j)為第i行第j列的像素點的灰度值，Th_i為第i行二值化閾值，計算Th_i＝α×To+β×Tr，其中，α＝i/H，β＝(H-i)/H；

步驟6：對二值化結果進行評估，由評估結果判決最終用于提取目標的圖像分割閾值，步驟如下：

7)將子圖像Ipart劃分為Ifar、Inear兩個區(qū)域，Ifar區(qū)域位于Inear區(qū)域的上面，設Ifar區(qū)域的二值化評估上限值為EvaluFarUp、下限值為EvaluFarLow，Inear區(qū)域的二值化評估限值為EvaluNear：

8)分別求出區(qū)域Ifar、Inear中滿足f(i，j)＜Th_i的像素點，即分割為目標的像素點的個數NumFar和NumNear