【技术实现步骤摘要】
一种快速检测夜间前方同向车辆方法
[0001]本专利技术涉及数字图像处理领域,具体涉及一种快速检测夜间前方同向车辆方法。
技术介绍
[0002]由于夜间照明条件较差,出现紧急情况时,驾驶员来不及反应,极易发生交通事故。近些年,随着智能驾驶的快速发展,各种辅助驾驶功能层出不穷,提高了夜间驾驶的安全性和舒适性。辅助驾驶系统中包含三大部分,检测部分,处理部分和执行部分。其中,如何在夜间检测前方同向车辆是辅助驾驶系统中的一大难点。
[0003]目前识别方法主要分为两类,一类是根据前方车辆部分明显特征进行识别,另一类根据前方车辆总体特征进行识别。
[0004]第一类方法多采用识别尾灯的方法,因为夜间前方车辆最明显的特征就是尾灯发出的红色光。目前有基于根据HSV颜色空间识别尾灯,但是转换公式复杂,计算耗时;有根据形状和光源配对识别前方车辆尾灯,但是现在尾灯的造型设计多样,一体式尾灯的使用使得配对方法失效。
[0005]第二类方法多采用车辆模型的检测方法,通过对不同的夜间车辆特征进行权重的定义,对大量的正负样本的不同特征进行权重的训练学习,再通过分类方法来决定是否为车辆。但是该方法对建立的模型有一定的依赖性,计算量较大,并且在处于比较复杂拥挤的交通环境下适应性较低。还有基于机器学习的方法实现车辆检测,主要依据分类模型训练实现车辆检测,此方法需要建立大量样本库,以满足种类,形状都相差较大的不同车辆检测,导致样本库的数目会极其巨大,样本库的建立存在困难。
技术实现思路
[0006]本专利技术采用 ...
【技术保护点】
【技术特征摘要】
1.一种快速检测夜间前方同向车辆方法,其特征在于,包括以下步骤:步骤1:采集车辆前方道路交通图像,图像以RGB格式存储;步骤2:划分车辆可能存在区域(此区域由摄像头本身参数及实际安装位置实验确定),在此区域内根据公式2R-G-B计算所有像素点颜色信息,得到图像P1,根据公式2B-R-G计算所有像素点颜色信息,得到图像P2;步骤3:计算步骤2得到图像P1和P2的划分阈值分别为T1和T2,P1中高于阈值T1的像素点为尾灯光晕像素点,低于阈值T1的像素点为背景像素点,P2中高于阈值T2的像素点为车牌像素点,低于阈值T2的像素点为背景像素点;步骤4:采用密度聚类算法,识别图像P1中尾灯光晕区域;步骤5:计算原图像像素点灰度值,得到灰度图像P3;步骤6:在灰度图像P3中,在步骤4求出的尾灯光晕范围内,判断像素点灰度值,灰度值大于230,判定为尾灯像素点,灰度值低于230判定为背景像素点;步骤7:采用密度聚类算法,识别图像P3中尾灯区域;步骤8:采用密度聚类算法,识别图像P2中车牌区域;步骤9:根据尾灯与尾灯,尾灯和车牌的几何关系,确定尾灯对,完成车辆识别。2.根据权利要求1所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述划分车辆可能存在区域公式具体如下:式中x,y是车灯可能存在区域像素点的水平坐标和垂直坐标,x1是水平坐标起始点,x2是水平坐标截止点,y1是垂直坐标起始点,y2是垂直坐标截止点。3.根据权利要求1所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述图像的划分阈值T由最大类间方差法确定,类间方差g计算公式具体如下:g=ω0×
ω1×
(μ
0-μ1)2式中,ω0为前景像素点数占整幅图像的比例,μ0为其平均灰度;ω1为背景像素点数占整幅图像的比例,μ1为其平均灰度。采用遍历的方法得到使类间方差g最大的阈值T,即为所求。4.根据权利要求1所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述步骤4中密度聚类算法采用八连通聚类,具体流程如下所示:步骤4.1:任意选取P1中一个没有被处理的尾灯光晕像素点PI作为核心点,标记为已处理;步骤4.2:对PI的ε邻域内的所有像素点进行判断,判断是否是尾灯光晕像素点;步骤4.3:若是,执行步骤4.4,若都不是,一类聚类结束,执行步骤4.5;步骤4.4:将此像素点和像素点PI合并成一类,标记此像素点已处理,并将此像素点作为核心点,转到步骤4.2;步骤4.5:判断P1中所有光晕像素点是否都已处理,若是,结束聚类,若不是,转到步骤4.1。5.根据权利要求4所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述PI的ε邻域指像素点上,下,左,右,左...
【专利技术属性】
技术研发人员:刘国学,刘威,耿国庆,罗石,
申请(专利权)人:常州通宝光电股份有限公司,
类型:发明
国别省市:
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。