基于機器視覺技術的車輛檢測和跟蹤方法及系統的制作方法
【專利摘要】本發明公開了一種基于機器視覺技術的車輛檢測和跟蹤方法，包括：結構化道路檢測：首先對圖片進行預處理，進行邊緣增強，并通過直線捏合，提取道路邊緣，確定道路區域；運動車輛的檢測：在確定的道路區域中車輛進行初次識別，進一步縮小感興趣區域，進行二次識別確定是否含有檢測車輛；運動車輛的跟蹤：通過均值漂移算法，反復迭代跟蹤確定目標車輛的準確位置。還公開了一種基于機器視覺技術的車輛檢測和跟蹤系統。本發明采用最大類方差提取閾值的方法，能更有效區分車輛，使融合特征算法能夠更精確的檢測車輛，確定感興趣區域，而后通過adaboost分類器對二次縮小的ROI區域檢測，使運算量大幅減少，提高了實時性，同時提高了系統對車輛檢測的準確性。
【專利說明】基于機器視覺技術的車輛檢測和跟蹤方法及系統
【技術領域】
[0001]本發明涉及圖像處理領域，特別是涉及一種基于機器視覺技術的車輛檢測和跟蹤方法及系統。
【背景技術】
[0002]我們研究智能車輛，最核心的問題就是如何讓它們能夠感知周圍環境，提取信息，區分前方障礙物，并利用這些信息完成導航任務。通過視覺導航再采集信息，因此在信息量和采集速度上比其他傳感器有更明顯的優勢，一方面視覺導航不僅能夠采集周圍環境中目標的位置，而且包括目標的外在輪廓，顏色特征，紋理特征，邊緣特征等，這些都是其他傳感器所無法比擬的；另一方面采用視覺導航可以很好的檢測出道路的邊緣，以及道路旁邊的一些人造的警示牌，路標等等非常重要的道路信息，而且攝像頭呈現的景象也符合人類認識世界的規律，先從視覺主觀認識，再進一步提取其他信息。
[0003]目前國內外眾多機器視覺的方法實現智能識別，采用利用車輛運動特性檢測車輛；采用利用車輛特征檢測車輛；采用基于統計學習檢測車輛；采用立體視覺檢測車輛的方法。采用單一的方法，勢必不能有效檢測車輛，隨著計算機硬件軟件的的提高，如何有效融合多種方法，多車輛檢測是必然的趨勢。
【發明內容】
[0004]發明目的:針對現有技術中存在的問題和不足，本發明提供一種機器視覺技術的車輛檢測和跟蹤方法及系統。
[0005]技術方案:基于機器視覺技術的車輛檢測和跟蹤方法，包括如下步驟:
[0006]結構化道路的檢測:首先對圖片進行預處理，而后進行邊緣增強，并后通過直線捏合，提取道路邊緣，確定道路區域；
[0007]運動車輛的檢測:在確定的道路區域中車輛進行初次識別，進一步縮小感興趣區域，而后進行二次識別確定是否含有檢測車輛；
[0008]運動車輛的跟蹤:通過均值漂移算法，反復迭代跟蹤確定目標車輛的準確位置。
[0009]基于機器視覺技術的車輛檢測和跟蹤系統，所述系統包括:
[0010]道路檢測單元:用于對圖片進行預處理，而后進行邊緣增強，并后通過直線捏合，提取道路邊緣，確定道路區域；
[0011]車輛檢測單元:用于在所述確定的道路區域中對車輛進行初次識別，進一步縮小感興趣區域，而后進行二次識別確定是否含有檢測車輛；
[0012]車輛跟蹤單元:用于通過均值漂移算法，反復迭代跟蹤確定目標車輛的準確位置。
[0013]本發明采用上述技術方案，具有以下有益效果:與現有技術相比，本發明所提供的基于機器視覺技術對車輛進行檢測和跟蹤方法，采用最大類方差提取閾值的方法，能更有效的區分車輛，使融合特征算法能夠更精確的檢測車輛，確定感興趣區域，而后在通過adaboost分類器對二次縮小的ROI區域檢測，使運算量大幅減少，提高了實時性，同時提高了系統對車輛檢測的準確性。
【專利附圖】
【附圖說明】
[0014]圖1為本發明實施例的結構框圖；
[0015]圖2為本發明實施例中道路檢測流程圖；
[0016]圖3為本發明實施例中車輛檢測流程圖；
[0017]圖4為本發明實施例中樣本圖像特征值的分布；
[0018]圖5為本發明實施例中車輛的最終檢測。
【具體實施方式】
[0019]下面結合具體實施例，進一步闡明本發明，應理解這些實施例僅用于說明本發明而不用于限制本發明的范圍，在閱讀了本發明之后，本領域技術人員對本發明的各種等價形式的修改均落于本申請所附權利要求所限定的范圍。
[0020]如圖1所述，為了實現基于機器視覺技術對車輛進行檢測和跟蹤方法，通過對輸入原始圖像進行預處理，對道路進行檢測，確定道路區域，然后在確定的ROI區域中，初步檢測車輛，進一步縮小ROI區域，而后在該區域運用分類器對車輛進行檢測，最后利用均值漂移算法對目標車輛進行跟蹤。
[0021]如圖2所述，為了實現對道路的檢測:①首先要對圖像進行預處理，采用BrightBlock算法實現白平衡處理，通過空間濾波消除一些噪聲的影響，經試驗驗證后，采用中值濾波進行平滑處理，有效濾除椒鹽噪聲；②確定有效區域，通過攝像頭標定技術，人為的濾除圖像中一些天空等沒必要檢測的區域，提高運行的實時性，并對圖像進行灰度化處理，減少圖像處理的時間，并為后續道路邊緣提取做準備；③經對比分析和試驗驗證，采用適合本系統的sobel算法對圖像邊緣進行增強，檢測道路邊緣。④通過Hough變換檢測直線，確定路面范圍，準確的判斷出非路面區域和路面區域。這樣在后續對車輛的檢測時，就可以只在道路區域內檢測，大大提聞系統運行的實時性。
[0022]如圖3所述，為了實現對車輛的檢測:首先在確定的道路區域中，通過車輛特征的先驗知識對車輛進行二次確認，包括陰影特征，車輛形狀特征，車輛邊緣水平垂直特征，車牌和尾燈特征，進一步縮小感興趣區域，左后利用離線訓練好的級聯分類器，完成對車輛的最終檢測。其中分類器的訓練可以分為離線訓練和在線測試，因為離線訓練是在線下進行的，利用車輛樣本和非車輛樣本，提取Harr特征，訓練分類器。在線檢測在系統運行時，實時進行的，所以不會消耗很長時間，經驗證該套理論體系能夠很好的檢測車輛。
[0023]為了實現對車輛的跟蹤:利用前文對輸入圖像進行的處理，準確識別出圖像中的車輛目標，記錄車輛中心的初始位置，計算出目標車輛顏色特征直方圖的概率密度分布；然后讀取下一幀圖像，并且利用均值漂移算法，反復迭代計算候選目標區域顏色特征直方圖的概率密度分布；最后通過Bhattacharyya系數來計算相似性，尋找出和車輛目標相似度最高的候選區域模型所在的位置，該位置即為下一幀圖像中車輛目標所在的位置。
[0024]本實施例還包括一種實現上述方法的基于機器視覺技術的車輛檢測和跟蹤系統，該系統包括:
[0025]道路檢測單元:用于對圖片進行預處理，而后進行邊緣增強，并后通過直線捏合，提取道路邊緣，確定道路區域；
[0026]車輛檢測單元:用于在所述確定的道路區域中對車輛進行初次識別，進一步縮小感興趣區域，而后進行二次識別確定是否含有檢測車輛；
[0027]車輛跟蹤單元:用于通過均值漂移算法，反復迭代跟蹤確定目標車輛的準確位置。
[0028]如圖4所述，車輛紋理特征值的統計分布直方圖，分別統計了 128個車輛類樣本熵值和非車輛類樣本熵值，統計圖像如圖4，橫坐標為熵值的大小，縱坐標為樣本的個數所占的比例，其中最小熵值為0.3926，最大熵值為4.814，平均熵值為2.664，將閾值30等分之后，在整個矩陣中的分布如圖所示。讀圖可知樣本分別在1.5左右和3.7左右呈現兩個峰值，分別為非車輛樣本和車輛樣本的集中分布區域，這也符合我們統計學呈正態分布的一般規律。將樣本數據運用OTSU算法計算之后，計算得到最佳閾值為3.04，經驗證該閾值能夠更有效的通過閾值區分車輛和非車輛，比單純的靠經驗值判斷具有更高的準確性。
[0029]利用OTSU算法確定區分車輛的最佳閾值具體方法如下:為了能夠更好的分辨車輛，本文提出一種基于OTSU算法來確定分辨車輛的閾值，本算法又稱為大津閾值算法或者最大類間方差算法。原本是為了分析圖像特征，確定閾值分類，從圖像中分離出對象物的算法，在本系統中用來區分車輛和偽車輛。本文以確定熵值的閾值大小為例說明，提取出的眾多車輛樣本，和非車輛，偽車輛的紋理特征值，組成一個n*n的矩陣，利用最大類方差的方法來確定閾值，更準確的區分車輛。具體算法如下，有無車輛可以通過下列閾值處理來進行如下公式。
[0030]
【權利要求】
1.基于機器視覺技術的車輛檢測和跟蹤方法，其特征在于，包括如下步驟: 結構化道路的檢測:首先對圖片進行預處理，而后進行邊緣增強，并后通過直線捏合，提取道路邊緣，確定道路區域； 運動車輛的檢測:在確定的道路區域中車輛進行初次識別，進一步縮小感興趣區域，而后進行二次識別確定是否含有檢測車輛； 運動車輛的跟蹤:通過均值漂移算法，反復迭代跟蹤確定目標車輛的準確位置。
2.如權利要求1所述的基于機器視覺技術的車輛檢測和跟蹤方法，其特征在于:所述結構化道路的檢測步驟中，采用白平衡和中值濾波進行圖像預處理，采用sobel算法對圖像進行邊緣增強，通過Hough變換對圖像進行直線捏合。
3.如權利要求1所述的基于機器視覺技術的車輛檢測和跟蹤方法，其特征在于:所述運動車輛的檢測步驟中，采用特征融合的方法對車輛進行初次識別，進一步縮小感興趣區域，對車輛的紋理特征、邊緣水平垂直特征、陰影特征進行判定時，引用OTSU算法，確定圖像特征值判定的閾值，最后利用離線訓練好的Adaboost分類器完成對車輛的檢測。
4.如權利要求1所述的基于機器視覺技術的車輛檢測和跟蹤方法，其特征在于:所述運動車輛的跟蹤步驟中，利用顏色特征的統計直方圖來描述目標車輛模型，通過Bhattacharyya系數計算車輛模型在相鄰幀間的相似性度，通過反復迭代確定目標車輛的準確位置。
5.基于機器視覺技術的車輛檢測和跟蹤系統，其特征在于，所述系統包括: 道路檢測單元:用于對圖片進行預處理，而后進行邊緣增強，并后通過直線捏合，提取道路邊緣，確定道路區域； 車輛檢測單元:用于在所述確定的道路區域中對車輛進行初次識別，進一步縮小感興趣區域，而后進行二次識別確定是否含有檢測車輛； 車輛跟蹤單元:用于通過均值漂移算法，反復迭代跟蹤確定目標車輛的準確位置。
6.如權利要求5所述的基于機器視覺技術的車輛檢測和跟蹤系統，其特征在于:所述道路檢測單元中，采用白平衡和中值濾波進行圖像預處理，采用sobel算法對圖像進行邊緣增強，通過Hough變換對圖像進行直線捏合。
7.如權利要求5所述的基于機器視覺技術的車輛檢測和跟蹤系統，其特征在于:所述車輛檢測單元中，采用特征融合的方法對車輛進行初次識別，進一步縮小感興趣區域，對車輛的紋理特征、邊緣水平垂直特征、陰影特征進行判定時，引用OTSU算法，確定圖像特征值判定的閾值，最后利用離線訓練好的Adaboost分類器完成對車輛的檢測。
8.如權利要求5所述的基于機器視覺技術的車輛檢測和跟蹤系統，其特征在于:所述車輛跟蹤單元中，利用顏色特征的統計直方圖來描述目標車輛模型，通過Bhattacharyya系數計算車輛模型在相鄰幀間的相似性度，通過反復迭代確定目標車輛的準確位置。
【文檔編號】G06K9/62GK103455820SQ201310288011
【公開日】2013年12月18日 申請日期:2013年7月9日 優先權日:2013年7月9日
【發明者】李東新, 沈科磊 申請人:河海大學