本发明专利技术涉及一种基于路面约束的图像分割法提取行人感兴趣区域的方法，属于车载行人检测感兴趣区域提取领域。包括读入待检测图像、判断图像I是否为灰度图像，对图像进行中值滤波处理后得图像，利用直方图均衡化技术对图像进行灰度增强，利用模糊C均值聚类算法训练出一般行车图像的最优的灰度图像分割阈值得出二值图像，对图像进行边缘检测，对图像进行霍夫变换得出直线方程切割路面，对图像进行连通区域标记，提取可能存在行人的感兴趣区域，对提取的ROIs感兴趣区域使用HOG+SVM进行精确行人检测，在原始图像I上，绘制128*64像素大小矩形框。本发明专利技术有效的减少了遍历窗口的数量，从而提高了检测速度和检测精度。
【技术实现步骤摘要】
本专利技术属于车载行人检测感兴趣区域提取领域。
技术介绍
行人检测可定义为：判断输入图片（或视频帧）是否包含行人，如果有，给出位 置信息·。行人检测系统（PDS:Pedestrian Detection System)旨在行进的汽车上建立一 个自主、智能的行人检测、智能辅助驾驶系统，具有提高驾驶安全性、保障行人生命财产安 全的重要意义和实用价值。在行人检测系统中，通常包括感兴趣区域提取、特征提取、目标 识别，三个阶段。 在行人检测系统中，根据所用信息的不同可以将感兴趣区域（ROIs :Regions of Interest)分割算法大体分为基于运动，基于立体视觉，基于图像特征、基于雷达、以及基于 规则、基于显著区域提取等。滑动窗口在ROIs提取中得到了广泛的应用，滑动窗口法扫描 窗口以固定的长度步进，当进行密集扫描时会产生大量没有目标的负窗口，从而降低了检 测速度，若步长过大又会造成量漏检的发生；基于图像特征的方法在静态图片提取ROIs主 要优点是简单直接，但是需要针对特定的应用场景进行具体的分析。在基于图像特征的方 法提取行人检测感兴趣区域中，通过对原始图像阈值分割和形态学处理提取感兴趣区域的 方法有效的减少了待检测窗口的数量，但是该方法也存在鲁棒性较低，复杂背景下检测效 果不佳、感兴趣窗口中包含了大量数目天空等负检测窗口的问题。在《基于多特征的行人 层级识别研究》中利用了显著区域提取的方式缩小搜索范围，设计了多层分类器，第一层采 用HSCENTRIST特征进行初步识别，排除了大量非行人区域，这一层分类器提取了部分感兴 趣区域，然后进行再次精细的分类，文中行人检测的速度获得了很大的提升，但是算法较为 复杂，需要多次的提取特征来进行分类导致算法的执行时间过长，检测时间提高。
技术实现思路
本专利技术提供一种，以解决 滑动窗口遍历算法检测效率低、耗时长、检测窗口过多问题、及解决传统图像特征的方法包 含了大量树木、天空等负检测窗口问题、及解决多层分类器算法较为复杂，算法执行时间长 问题。该算法先对图像进行灰度分割，得出行人可能位置；使用霍夫变换，阈值分割等技术 提取路面区域；根据路面区域来约束行人可能位置，排除了天空等负检测窗口，最终通过矩 形框在行人图片上标注行人位置即为ROIs区域。 本专利技术采取的技术方案是，包括以下步骤： (1)读入待检测图像I ; (2)判断图像I是否为灰度图像，若是实施步骤（3)若不是则转化为灰度图像 I . 丄gray， (3)对图像Igray进行中值滤波处理后得图像I 采用3*3的中值滤波模板，中值滤波模型为： g (mx, my) = med {f (mx-3, my-3)式（I) 其中g(mx, my)表示处理后的图像f(mx-3, my-3)表示原始图像以（mx, my)为中心 的3*3领域内的像素值，med操作为取像素中值操作； (4)利用直方图均衡化技术对图像Inred进行灰度增强，增强后图像I hlsW (5)判断是否有最优灰度分割阈值Θ，如果有执行步骤（7)，没有执行步骤（6); (6)利用模糊C均值聚类（Fuzzy C-means, FCM)算法训练出一般行车图像的最优 的灰度图像分割阈值Θ ; 当算法收敛时，得到各类的聚类中心和各个样本对于各类的隶属度，最终聚类分 害J，根据分割的图片效果，找出最能突出行人位置的分割阈值Θ，并保存分割阈值Θ ; (7)利用阈值Θ对步骤⑷生成的图像Ihisteq利用式5进行阈值分割得出二值图 像 其中B(bw, by)为图像坐标（bw, by)上的灰度值，Θ为步骤（5)得出的灰度图像 分割阈值，B'（bw, by)为坐标（bw, by)上新的灰度值； (8)采用二值图像Ibw连通区域进行标记，标记后图像为I lable; 给二值图像Ibw每个连通区域分配一个唯一代表该区域的编号（1，2, 3…ni)在输 出图像Ilable中该连通区域内的所有像素的像素值就赋值为该区域的编号，输出标记图像 I Iable， (9)对实施步骤⑵后的Igray图像进行区域生长得出二值图像I Bgraw;区域生长是 根据事先定义的准则将像素或者子区域聚合成更大区域的过程； (10)对图像IBgrow进行边缘检测，得出图像I edge，使用canny算子； (11)对图像Iedge进行霍夫变换得出直线方程； (12)根据步骤11得出的直线方程对图像IBgraw切割路面； 设置直线方程的线宽Ld，对直线方程上所有点设为像素为0即黑色，得出切割后 的图像I ht5Ugh; (13)对图像Ihciugh进行连通区域标记，并找出最大的连通区域； (14)对图像Iraad进行膨胀，得到完整的路面区域I fraad; (15)提取可能存在行人的感兴趣区域； (16)获得图像Ilable中Opi区域的质心；扫描O pi区域找出像素值为该区编号的图 像（x，y)坐标，计算其平均值，得出所有Opi区域的质心位置坐标Ma Jx1^1); (17)在图像I上，以Ma1 (X1, yi)为中心点坐标，将128*64像素大小的区域保存，该 区域即为行人检测的感兴趣区域ROIs ; (18)对提取的ROIs感兴趣区域使用H0G+SVM进行精确行人检测； (19)在原始图像I上，以Ma1 (X1, yi)为中心点坐标，绘制128*64像素大小矩形框， 该128*68像素大小的矩形框是行人位置。 本专利技术的优点是：使用基于路面约束的图像分割法提取行人感兴趣区域，本方法 剔除了数目、天空等部分背景区域，，减少了检测窗口数量，减少了对非行人区域的分类识 另IJ，从而降低了整个系统的检测时间提高了检测效率。在实验中还将基于路面约束的图像 分割方法和传统的滑动窗口法进行了对比，对像素大小为305*289 (如图1)的图片来说，采 用滑动窗口法的检测行人时间为17. 52s，而在使用基于路面约束的图像分割提取感兴趣 区域的方法只用了 7. 89s，检测时间相比滑动窗口法缩短了一倍以上；本专利技术的方法采用 基本的图像处理技术，算法执行效率高，执行时间短。由于进行了路面提取、灰度增强等处 理，所有本算法在复杂光照条件下鲁棒性较高。【附图说明】图1是本专利技术实施例中使用的待检测的行车图像； 图2是实施步骤2的灰度变换后的灰度图像； 图3是实施步骤3后进过中值滤波的图像； 图4是实施步骤4进行灰度增强的图像； 图5是实施步骤7后在分割阈值Θ下得到的二值图像； 图6是实施步骤10后得出的边缘检测图像； 图7是实施步骤12后得到的路面切割的图像； 图8是实施步骤13后得到的路面区域图像； 图9是实施步骤14进行灰度膨胀后得出的路面区域； 图10是没有路面约束下进行的图像分割即执行步骤1_8、16、19后得出的图像； 图11是在基于路面约束的图像分割后即执行步骤1_17、19之后得出的图像； 图12是在执行上述全部19个步骤后即加入H0G+SVM精确检测后的结果图像。【具体实施方式】 1.读入待检测图像I 2.判断图像I是否为灰度图像，若是实施步骤3若不是则转化为灰度图像Igray，如 图2,为转换后的灰度图像。 3,对图像Igray进行中值滤波处理后得图像I 本实施方式采用3*3的中值滤波本文档来自技高网...
【技术保护点】
一种基于路面约束的图像分割法提取行人感兴趣区域的方法，其特征在于包括下列步骤：(1)读入待检测图像I；(2)判断图像I是否为灰度图像，若是实施步骤(3)若不是则转化为灰度图像Igray；(3)对图像Igray进行中值滤波处理后得图像Imed；采用3*3的中值滤波模板，中值滤波模型为：g(mx,my)＝med{f(mx‑3,my‑3) 式(1)其中g(mx,my)表示处理后的图像f(mx‑3,my‑3)表示原始图像以(mx,my)为中心的3*3领域内的像素值，med操作为取像素中值操作；(4)利用直方图均衡化技术对图像Imed进行灰度增强，增强后图像Ihisteq；(5)判断是否有最优灰度分割阈值θ，如果有执行步骤(7)，没有执行步骤(6)；(6)利用模糊C均值聚类(Fuzzy C‑means,FCM)算法训练出一般行车图像的最优的灰度图像分割阈值θ；当算法收敛时，得到各类的聚类中心和各个样本对于各类的隶属度，最终聚类分割，根据分割的图片效果，找出最能突出行人位置的分割阈值θ，并保存分割阈值θ；(7)利用阈值θ对步骤(4)生成的图像Ihisteq利用式5进行阈值分割得出二值图像Ibw；B′(bw,by)=1B(bw,by)>θ0B(bw,by)≤θ---(5)]]>其中B(bw,by)为图像坐标(bw,by)上的灰度值，θ为步骤(5)得出的灰度图像分割阈值，B'(bw,by)为坐标(bw,by)上新的灰度值；(8)采用二值图像Ibw连通区域进行标记，标记后图像为Ilable；给二值图像Ibw每个连通区域分配一个唯一代表该区域的编号(1,2,3…ni)在输出图像Ilable中该连通区域内的所有像素的像素值就赋值为该区域的编号，输出标记图像Ilable；(9)对实施步骤(2)后的Igray图像进行区域生长得出二值图像IBgrow；区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程；(10)对图像IBgrow进行边缘检测，得出图像Iedge，使用canny算子；(11)对图像Iedge进行霍夫变换得出直线方程；(12)根据步骤11得出的直线方程对图像IBgrow切割路面；设置直线方程的线宽Ld,对直线方程上所有点设为像素为0即黑色，得出切割后的图像Ihough；(13)对图像Ihough进行连通区域标记，并找出最大的连通区域；(14)对图像Iroad进行膨胀，得到完整的路面区域Ifroad；(15)提取可能存在行人的感兴趣区域；(16)获得图像Ilable中Opi区域的质心；扫描Opi区域找出像素值为该区编号的图像(x,y)坐标，计算其平均值，得出所有Opi区域的质心位置坐标Mai(xi,yi)；(17)在图像I上，以Mai(xi,yi)为中心点坐标，将128*64像素大小的区域保存，该区域即为行人检测的感兴趣区域ROIs；(18)对提取的ROIs感兴趣区域使用HOG+SVM进行精确行人检测；(19)在原始图像I上，以Mai(xi,yi)为中心点坐标，绘制128*64像素大小矩形框，该128*68像素大小的矩形框是行人位置。...
【技术特征摘要】
【专利技术属性】
技术研发人员：王冬梅，刘帅师，冯偲，邱东，于微波，刘德雨，戴威，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林;22
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。