基于亮度方差特征的夜間道路車輛檢測方法
【專利摘要】本發明公開了一種基于亮度方差特征的夜間道路車輛檢測方法。針對夜間道路監控的車輛檢測，本發明以道路監控攝像機為視頻來源輸入，利用直方圖雙峰法對圖像進行閾值分割，利用大氣散射原理對夜間車輛圖像進行預處理，再根據圖像中的車燈和反射光的亮度方差的數據統計特征差別，采用基于決策樹學習法區分圖像中的反射光和車燈，并剔除圖像中的反射光；最終實現夜間車燈的檢測。本發明較好的提高夜間車輛檢測方法的準確率以及檢測的時間性能。
【專利說明】
基于亮度方差特征的夜間道路車輛檢測方法
技術領域
[0001] 本發明涉及圖像處理技術領域，尤其涉及監控場景下夜間道路車輛檢測，基于圖 像的亮度方差特征，利用決策樹學習法的夜間道路反射光篩選、分割剔除方法，減少路面反 光對夜間車燈檢測的干擾，提高利用車燈的夜間車輛檢測方法的準確率以及檢測的時間性 能。
【背景技術】
[0002] 近些年來，針對基于監控視頻的白天道路車輛檢測技術已經較為成熟；而針對夜 間道路監控的車輛檢測，由于一般利用車燈特征實現車輛檢測，容易受到夜間道路的路面 反射光干擾影響，導致基于車燈的夜間車輛檢測準確率較低。
[0003] 夜間道路監控的車輛測算法主要分為：（1)基于機器學習的檢測方法，這種方法主 要是提取出車輛的一些描述特征，實行圖像特征的訓練分類，這個方法需要一個比較能全 面描述車輛的特征，并建立樣本庫進行訓練，這個過程的計算量過大，可能會存在時間性能 問題，而車輛檢測的一個重要需求是達到實時檢測；（2)基于尾燈的車輛檢測方法，該方法 主要是通過尾燈的顏色信息或形態特征來實現車輛檢測，但是利用顏色信息進行檢測會局 限于固定的顏色閾值，對環境關照變化的魯棒性過低；同時，車尾燈的形態多樣，僅僅依靠 形態信息中的一種條件來篩選車燈，并不能將道路上的車輛完全檢測出來，適應性較差；
[3] 基于車前燈的車輛檢測方法，由于車前燈是車輛最顯著的特征，利用車前燈的亮度信 息、形態信息等特征對車燈進行檢測，使用車前燈檢測算法相對機器學習對特征進行分類 的方法計算復雜度更低，能比較好的達到實時性，同時，相對尾燈檢測方法來說，更少的局 限于環境變化，對環境的適應性更強。但是，基于車前燈的車輛檢測算法也存在一個問題， 那就是車燈在路面上形成的反射光會對車燈的檢測形成干擾，對車燈的正確檢測造成影 響。已有的解決方法中依據車燈與干擾之間的形態差異來對干擾進行篩除，該方法能在原 先基礎上減少干擾，但是仍然無法排除一些與車燈的形態機器相似的路面反光干擾。
【發明內容】
[0004] 針對夜間道路監控的車輛檢測，本發明公開了基于亮度方差特征的夜間車輛檢測 方法，該方法以道路監控攝像機為視頻來源輸入，利用直方圖雙峰法對圖像進行閾值分割， 利用大氣散射原理對夜間車輛圖像進行預處理，再根據圖像中的車燈和反射光的亮度方差 的數據統計特征差別，采用基于決策樹學習法區分圖像中的反射光和車燈，并剔除圖像中 的反射光;最終實現夜間車燈的檢測。
[0005] 本發明解決其技術問題采用的技術方案步驟如下：
[0006] 步驟1:根據車燈區域與反射光區域在亮度方差特征上的差異，計算原始圖像中車 燈區域與反射光區域的像素點對應的方差值，得到對應的方差結果圖VR，作為檢測過程中 的特征；
[0007] 利用大氣散射原理對原始圖像進行處理，得到反射圖RI;
[0008] 利用直方圖雙峰法對原始圖像中的車輛進行閾值分割，得到灰度特征圖I;
[0009] 步驟2:對于步驟1得到的三種結果圖，分別提取結果圖中車燈位置的像素值和反 射光位置的像素值，構成三維向量作為檢測特征；
[0010] 步驟3:將提取出來的車燈位置的像素值特征作為正樣本，反射光位置的像素為負 樣本;然后利用決策樹學習法，對正負樣本進行學習訓練，得到對應的決策樹；
[0011] 步驟4:利用步驟3構建的決策樹結果對檢測過程中出現的光亮區域像素點實行分 類決策，將分類得到是反光區域的像素點消除，得到剩下車燈像素點的二值圖像，其中的亮 區域就是檢測到的車燈區域。
[0012] 所述步驟1具體實現過程如下：
[0013] 步驟101:利用直方圖雙峰法，對原始圖像進行閾值分割，對于得到的原始圖像的 灰度直方圖，找到第一個峰值和第二個峰值，再找到第一和第二個峰值之間的谷值T，該谷 底值T就是原始圖像分割的閾值;然后用如下公式對原始圖像進行分割；
[0014] f(x,y)=0,if(f(x,y)<T)
[0015] f(x,y)=255,if(f(x,y)^T)
[0016] 其中，f(x，y)表示閾值分割結果圖對應的像素點值；
[0017] 步驟 102:利用Bouguer的衰減指數定律E(d，A) = I〇(A) ? y (A) ? exp(-d)，其中 1〇 (入)為光源輻射強度，y (A)為波長的總散射系數，d為光源到屏幕的距離；
[0018] 對于灰度特征圖I的像素點(x，y)，為其劃分內部區域和外部區域?^7，r = 2; l
[0019] 卜）={(x + u,y + v)|-r < u < r,-r < v < r} X,\
[0020] & 二[(x +. u,y.+ v)|-2r S u ￡ -..:2r S v ￡ 2r}
[0021] 其中，u和v表示區域的范圍參數；
[0022] 在內部區域中尋找像素對應的最小值MI^y和最大值假設光源為 MA^y，的散射光，貝撒射系數可以如下定義：
[0024]其中，e1為M&y、MA^.v之間的距離；
[0025]在外部區域中找到最小值MIg,y和最大值MA|,y，同時也計算兩者之間的距 x,y J 離e ，最后得到反射強光圖RI:
[0026] RI(x;y) = MI|y - MA|y x y (x,y) x exp (- ^y)|；
[0027]步驟103:利用概率統計中的方差來對原始圖像的灰度圖進行方差計算處理，得到 方差結果圖VR;方差的公式為：
[0028] S2=((Xi-M)2+(X2-M) 2+--- + (Xn-M)2)/n
[0029] 其中，均值
；，n為灰度圖中像素點的個數，xi、X2、…、xn為灰度圖 中的像素點；
[0030] 步驟104:選取并建立車燈和反射光的樣本；
[0031 ]根據步驟101選取部分具有代表性的有反射光和車燈的夜間道路監控圖片作為樣 本圖片，然后對每張樣本圖片都進行步驟101到103操作，得到每張樣本圖片對應的I、RI、VR 三個樣本圖，提取同一張樣本圖片對應的I、RI、VR三個樣本圖中的車燈所在位置的像素值 作為正樣本(I、RI、VR)，提取同一張樣本圖片對應的I、RI、VR三個樣本圖中的反射光所在位 置的像素值作為負樣本(I、RI、VR)。
[0032]所述步驟2具體實現過程如下：
[0033]步驟201:對原始圖像進行預處理，具體包括感興趣區域提取過程；
[0034]步驟202:對于多個車燈像素和反光像素，利用步驟1所述的特征提取的方式，提取 出車燈與反光像素對應的特征值，并將這些像素的RI、VR、I的像素值作為訓練樣本(RI、VR、 I);
[0035]步驟203:對訓練樣本進行統計，建立決策樹分類算法;計算樣本的熵：
[0037]其中，X代表的是正負樣本集合，k代表訓練樣本集由k類樣本組成，1^ = 24:表示第 i個取值對應的概率，i = 1，2;
[0038]用屬性A將訓練樣本集X劃分以后，訓練樣本集X的信息熵為：
[0040]其中，I(XiA) = - @=1 % l〇g2 % ;巧廣Dijl) / D，m代表的是屬性A不同取值 的個數;k代表訓練樣本集由k類樣本組成，k = 2;D代表的是按照屬性A劃分出來的分區; 代表的是第j類樣本中的第i分區的樣本數，Pu代表的是第j類樣本中的第i分區所占總樣本 的權重；
[0041 ]所述步驟3的具體實現過程如下：
[0042]訓練決策樹，輸入正負訓練樣本:三維特征(RI，VR，I)，計算三個特征對應的信息 增益Gain，增益GaiW，A)反應了屬性A對分類所提供的信息量：
[0043] GainCX7 ,A) = I(X/ )-I(X7 ,A)
[0044]其中，屬性A包括三維特征中的RI，VR，I 指代訓練樣本集中的一個；
[0045] 通過步驟101利用決策樹方法對圖像分割之后的高亮區域進行反射光分類和剔 除；利用步驟203得到的決策樹，對高亮區域中的像素進行反射光分類區分，將判別為負樣 本的反射光區域像素值設為零，剔除反射光，得到消除反射光干擾后的二值圖像。
[0046] 所述步驟4具體實現過程如下：
[0047] 步驟401:對二值圖像采用八連通區域提取，即對目標像素進行上、下、左、右、左上 角、左下角、右下角、右上角8個方向檢測;檢測出N個連通區域{&，&，…，Cn} ;在檢測出來的 每個區域中，將其最左和最右的x值設為Left和Right;最上和最下的y值分別設為Top和 Bottom，以這四個值組成一個矩形，獲得其寬度W和高度H;
[0048]步驟402:對連通區域進行如下條件的篩選：
[0049] 條件1:根據車燈區域的飽滿度得到了如下的判斷條件：
[0050] S/i = Si/2
[0051] Si>t
[0052] 其中SiS連通區域形成的矩形面積，S、為連通區域的實際面積，t = 12;
[0053]條件2:每輛車輛的兩車燈處于相似水平線上：
[0054] (^,<(^，(^多(^，其中，(^、(^和(^、(^分別為兩車燈(^和(：」的頂部、底部；
[0055] 條件3:每輛車輛兩車燈的寬度與高度相似：
[0056] 1'1〈11〈1'2，1'1〈《〈1' 2，其中，11、《分別為兩個車燈區域的高度比例和寬度比例;1'1、1' 2為 判斷閾值，當分別為〇. 7和1.3最佳；
[0057]條件4:每輛車輛兩車燈的面積相近：
」為兩個車燈兩區域的面積；
[0059]滿足以上四個條件并檢測出來的為車燈；
[0060] 步驟403:對車輛進行檢測
[0061]根據車輛的兩車燈之間具有相似的高度、大小以及一定范圍內的距離，步驟202中 已經實現了兩車燈之間的高度、大小對比；因此在步驟202的條件上加入兩車燈的距離即可 完成對車燈的匹配，當兩車燈的距離在一個車燈區域寬度的2倍到8倍之間，則這兩個車燈 屬于同一車輛，從而完成對車輛的檢測。
[0062]本發明有益效果如下：
[0063]本文提出根據圖像中的車燈和反射光的亮度方差統計特征的顯著差別，同時利用 大氣散射原理和拉普拉斯高斯濾波原理處理圖像，構造基于亮度方差特征為主的車燈描述 特征，并采用基于決策樹學習法區分和分割剔除圖像中的反射光，較好的提高夜間車輛檢 測方法的準確率以及檢測的時間性能。
【附圖說明】
[0064]圖1為特征提取的流程圖。
[0065]圖2為決策樹構建的流程圖。
[0066]圖3為對車輛車燈進行篩選的流程圖。
[0067]圖4為車輛檢測效果圖。
【具體實施方式】
[0068]下面結合附圖，對本發明的具體實施方案作進一步詳細描述。基于亮度方差特征 的夜間道路車輛檢測方法，其具體步驟描述如圖1所示：
[0069] 步驟1:根據車燈區域與反射光區域在亮度方差特征上的差異，計算原始圖像中車 燈區域與反射光區域的像素點對應的方差值，得到對應的方差結果圖VR，作為檢測過程中 的特征。
[0070] 利用大氣散射原理對原始圖像進行處理，得到反射圖RI。
[0071] 利用直方圖雙峰法對原始圖像中的車輛進行閾值分割，得到灰度特征圖I。
[0072] 步驟2:對于步驟1得到的三種結果圖，分別提取結果圖中車燈位置的像素值和反 射光位置的像素值，構成三維向量作為檢測特征。
[0073]步驟3:將提取出來的車燈位置的像素值特征作為正樣本，反射光位置的像素為負 樣本;然后利用決策樹學習法，對正負樣本進行學習訓練，得到對應的決策樹。
[0074] 步驟4:利用步驟3構建的決策樹結果對檢測過程中出現的光亮區域像素點實行分 類決策，將分類得到是反光區域的像素點消除，得到剩下車燈像素點的二值圖像，其中的亮 區域就是檢測到的車燈區域。
[0075] 如圖1所示，本發明的特征提取流程如下：
[0076] 步驟101:利用直方圖雙峰法，對原始圖像進行閾值分割，對于得到的原始圖像的 灰度直方圖，第一個峰值和第二個峰值，再找到第一和第二個峰值之間的谷值T，這個谷底 值T就是原始圖像分割的閾值。再用如下公式對原始圖像進行分割。
[0077] f(x,y)=0,if(f(x,y)<T)
[0078] f(x,y)=255,if(f(x,y)^:T)
[0079] 其中，f(x，y)表示閾值分割結果圖對應的像素點值；
[0080] 步驟 102:利用Bouguer的衰減指數定律E(d，A) = I〇(A) ? y (A) ? exp(-d)，其中 1〇 (入)為光源輻射強度，y (A)為波長A的總散射系數，d為光源到屏幕的距離。
[0081] 對于灰度特征圖I的像素點（x，y)，為其劃分內部區域81和外部區域@e，r = x,y x,y 2〇
[0082] ?5 = {(x + u,y + v)|-r < u < r,-r < v < r}
[0083] (m) r - {(x + u, y + v)|-2r < u < 2r; -2r < v < 2r} x，y
[0084] 其中，u和v表示區域的范圍參數；
[0085]在內部區域w x y中尋找像素對應的最小值M gy和最大值.M .，假設光源為 MA1^ M_y為的散射光，則散射系數可以如下定義：
[0087] 其中，e1為M&y、間的距離。
[0088] 在外部區域中找到最小值Mg,7和最大值MA|,y，同時也計算兩者之間的距 入,> 離e ，最后得到反射強光圖RI: x,y
[0089] RI(x,y) = Mg,y - MA!,y x y (x,y) x exp (- t xy)。
[0090] 步驟103:利用概率統計中的方差來對原始圖像的灰度圖進行方差計算處理，得到 方差結果圖VR。方差的公式為：
[0091] S2=((Xi-M)2+(X2-M)2+--- + (Xn-M)2)/n
[0092] 其中，均值。，n為灰度圖中像素點的個數，xi、X2、…、xn為灰度圖 中的像素點。
[0093] 步驟104:選取并建立車燈和反射光的樣本。
[0094] 根據步驟101選取部分具有代表性的有反射光和車燈的夜間道路監控圖片作為樣 本圖片，然后對每張樣本圖片都進行步驟101到103操作，得到每張樣本圖片對應的I、RI、VR 三個樣本圖，提取同一張樣本圖片對應的I、RI、VR三個樣本圖中的車燈所在位置的像素值 作為正樣本(I、RI、VR)，提取同一張樣本圖片對應的I、RI、VR三個樣本圖中的反射光所在位 置的像素值作為負樣本(I、RI、VR)。
[0095] 圖2是決策樹的學習和路面反光剔除流程圖。
[0096]步驟201:對每幀道路監控圖像(原始圖像)進行預處理，具體包括感興趣區域提取 過程。
[0097]步驟202:對于1500個車燈像素和2200個反光像素，利用圖1中特征提取的方式，提 取出車燈與反光像素對應的特征值，以這些像素的RI、VR、I的像素值作為訓練樣本(RI、VR、 I)。
[0098]步驟203:對訓練樣本進行統計，建立決策樹分類算法。計算樣本的熵：
[0100] 其中，X代表的是正負樣本集合，k代表訓練樣本集由k類樣本組成，k = 2; Pi表示第 i個取值對應的概率(i = 1，2)。
[0101] 用屬件A將i川練樣木集X劃分以后，訓練樣本集X的信息熵為：
[0103] 其中，I(XiA)二一:Pij l〇g2 Pij ; Pij= D# / D，m代表的是屬性A不同取值 的個數;k代表訓練樣本集由k類樣本組成，k = 2;D代表的是按照屬性A劃分出來的分區; 代表的是第j類樣本中的第i分區的樣本數，Pu代表的是第j類樣本中的第i分區所占總樣本 的權重。
[0104] 訓練決策樹，輸入正負訓練樣本:三維特征(RI，VR，I)，計算三個特征對應的信息 增益Gain，增益GaiW，A)反應了屬性A對分類所提供的信息量：
[0105] Gain(X，，A) = I(X，）-I(X，，A)
[0106]其中，屬性A包括三維特征中的RI，VR，I 指代訓練樣本集中的一個。
[0107] 步驟204:通過步驟101利用決策樹方法對圖像分割之后的高亮區域進行反射光分 類和剔除。利用步驟203得到的決策樹，對高亮區域中的像素進行反射光分類區分，將判別 為負樣本的反射光區域像素值設為零，剔除反射光，得到消除反射光干擾后的二值圖像。
[0108] 圖3是對車輛車燈進行檢測的流程圖。具體采用如下步驟：
[0109] 步驟301:對二值圖像采用八連通區域提取，即對目標像素進行上、下、左、右、左上 角、左下角、右下角、右上角8個方向檢測。檢測出N個連通區域{&，&，…，C n}。在檢測出來的 每個區域中，將其最左和最右的x值設為Left和Right。最上和最下的y值分別設為Top和 Bottom，以這四個值組成一個矩形，獲得其寬度W和高度H。
[0110] 步驟302:對連通區域進行如下條件的篩選：
[0111] 條件1:根據車燈區域的飽滿度得到了如下的判斷條件：
[0112] S/i = Si/2
[0113] Si>t
[0114] 其中S6為連通區域形成的矩形面積，S':為連通區域的實際面積，t = 12;
[0115] 條件2:每輛車輛的兩車燈處于相似水平線上：
[0116] (^,<(^，(^多(^，其中，(^、(^和(^、(^分別為兩車燈(^和(：」的頂部、底部；
[0117] 條件3:每輛車輛兩車燈的寬度與高度相似：
[0118] 1'1〈11〈1'2，1'1〈《〈1' 2，其中，11、《分別為兩個車燈區域的高度比例和寬度比例。1'1、1'2為 判斷閾值，當分別為〇. 7和1.3最佳；
[0119]條件4:每輛車輛兩車燈的面積相近：
mS、為兩個車燈兩區域的面積。
[0121]滿足以上四個條件并檢測出來的為車燈。
[0122] 條件5:車輛檢測
[0123] 根據車輛的兩車燈之間具有相似的高度、大小以及一定范圍內的距離，在步驟202 中已經加入了兩車燈之間的高度、大小對比。因此，本發明在步驟202的條件上加入兩車燈 的距離即可完成對車燈的匹配，當兩車燈的距離在一個車燈區域寬度的2倍到8倍之間，則 這兩個車燈屬于同一車輛，從而完成對車輛的檢測。
【主權項】
1. 基于亮度方差特征的夜間道路車輛檢測方法，其特征在于包括如下步驟： 步驟1:根據車燈區域與反射光區域在亮度方差特征上的差異，計算原始圖像中車燈區 域與反射光區域的像素點對應的方差值，得到對應的方差結果圖VR，作為檢測過程中的特 征； 利用大氣散射原理對原始圖像進行處理，得到反射圖RI; 利用直方圖雙峰法對原始圖像中的車輛進行閾值分割，得到灰度特征圖I; 步驟2:對于步驟1得到的三種結果圖，分別提取結果圖中車燈位置的像素值和反射光 位置的像素值，構成三維向量作為檢測特征； 步驟3:將提取出來的車燈位置的像素值特征作為正樣本，反射光位置的像素為負樣 本;然后利用決策樹學習法，對正負樣本進行學習訓練，得到對應的決策樹； 步驟4:利用步驟3構建的決策樹結果對檢測過程中出現的光亮區域像素點實行分類決 策，將分類得到是反光區域的像素點消除，得到剩下車燈像素點的二值圖像，其中的亮區域 就是檢測到的車燈區域。2. 根據權利要求1所述的基于亮度方差特征的夜間道路車輛檢測方法，其特征在于步 驟1具體實現過程如下： 步驟101:利用直方圖雙峰法，對原始圖像進行閾值分割，對于得到的原始圖像的灰度 直方圖，找到第一個峰值和第二個峰值，再找到第一和第二個峰值之間的谷值T，該谷底值T 就是原始圖像分割的閾值;然后用如下公式對原始圖像進行分割； f (x,y)=0,if (f (x,y)<T) f (x,y ) = 255, if (f(x,y) ^T) 其中，f (x，y)表示閾值分割結果圖對應的像素點值； 步驟 102:利用Bouguer的衰減指數定律Ε((1，λ) = Ι()(λ) · γ(λ) ·θχρ(-(1)，其中Ι〇(λ)為 光源輻射強度，γ (λ)為波長λ的總散射系數，d為光源到屏幕的距離； 對于灰度特征圖I的像素點(x，y)，為其劃分內部區域Θ1和外部區域€^v，r = 2; x,y其中，U和V表示區域的范圍參數； 在內部區域β1中尋找像素對應的最小值Μ??Λ,和最大值M ，假設光源為在外部區域@ 中找到最小值M和最大值M ，同時也計算兩者之間的距離 X,y ,3 ε_ ，最后得到反射強光圖Ri: x>y步驟103:利用概率統計中的方差來對原始圖像的灰度圖進行方差計算處理，得到方差 結果圖VR;方差的公式為： S2=((Xi-M)2+(X2_M)2+…+(X n-M)2)/n其中，均彳] η為灰度圖中像素點的個數，11、12、一^11為灰度圖中的 像素點； 步驟104:選取并建立車燈和反射光的樣本； 根據步驟101選取部分具有代表性的有反射光和車燈的夜間道路監控圖片作為樣本圖 片，然后對每張樣本圖片都進行步驟101到103操作，得到每張樣本圖片對應的I、RI、VR三個 樣本圖，提取同一張樣本圖片對應的I、RI、VR三個樣本圖中的車燈所在位置的像素值作為 正樣本（I、RI、VR)，提取同一張樣本圖片對應的I、RI、VR三個樣本圖中的反射光所在位置的 像素值作為負樣本(I、RI、VR)。3.根據權利要求2所述的基于亮度方差特征的夜間道路車輛檢測方法，其特征在于步 驟2具體實現過程如下： 步驟201:對原始圖像進行預處理，具體包括感興趣區域提取過程； 步驟202:對于多個車燈像素和反光像素，利用步驟1所述的特征提取的方式，提取出車 燈與反光像素對應的特征值，并將這些像素的RI、VR、I的像素值作為訓練樣本(RI、VR、I); 步驟203:對訓練樣本進行統計，建立決策樹分類算法;計算樣本的熵：其中，X代表的是正負樣本集合，k代表訓練樣本集由k類樣本組成，k=2;Pi表示第i個取 值對應的概率，i = l，2; 用屬性A將訓練樣本集X創分以后，訓練樣本集X的信息熵為：其牛 m代表的是屬性A不同取值的個 數；k代表訓珎杵不果田k關杵不姐肷，k = 2; U代衣的定S娼屬性A劃分出來的分區；Di j代表 的是第j類樣本中的第i分區的樣本數，Pu代表的是第j類樣本中的第i分區所占總樣本的權 重； 訓練決策樹，輸入正負訓練樣本:三維特征(RI，VR，I )，計算三個特征對應的信息增益 Gain，增益GaiW，A)反應了屬性A對分類所提供的信息量： GainCX7 ,A) = I(X/ )-I(X7 ,A) 其中，屬性A包括三維特征中的RI，VR，I，X'指代訓練樣本集中的一個。4. 根據權利要求3所述的基于亮度方差特征的夜間道路車輛檢測方法，其特征在于步 驟3具體實現過程如下： 通過步驟101利用決策樹方法對圖像分割之后的高亮區域進行反射光分類和剔除；利 用步驟203得到的決策樹，對高亮區域中的像素進行反射光分類區分，將判別為負樣本的反 射光區域像素值設為零，剔除反射光，得到消除反射光干擾后的二值圖像。5. 根據權利要求4所述的基于亮度方差特征的夜間道路車輛檢測方法，其特征在于步 驟4具體實現過程如下： 步驟401:對二值圖像采用八連通區域提取，即對目標像素進行上、下、左、右、左上角、 左下角、右下角、右上角8個方向檢測;檢測出N個連通區域IC^C2，···，(："};在檢測出來的每 個區域中，將其最左和最右的X值設為Lef t和Right;最上和最下的y值分別設為Top和 Bottom，以這四個值組成一個矩形，獲得其寬度W和高度H; 步驟402:對連通區域進行如下條件的篩選： 條件1:根據車燈區域的飽滿度得到了如下的判斷條件： S7i = SiA SiH 其中S1S為連通區域形成的矩形面積，S'i為連通區域的實際面積，t= 12; 條件2:每輛車輛的兩車燈處于相似水平線上： (^,<(^，(^多(^，其中，(^、(^和(^、(^分別為兩車燈(^和(：」的頂部、底部； 條件3:每輛車輛兩車燈的寬度與高度相似： TKKT2, TKwG2,其中，11、《分別為兩個車燈區域的高度比例和寬度比例為判斷 閾值，當分別為〇. 7和1.3最佳； 條件4:每輛車輛兩車燈的面積相近： 2/3 < < 3/2$^'溈兩個車燈兩區域的面積； sI 滿足以上四個條件并檢測出來的為車燈； 步驟403:對車輛進行檢測 根據車輛的兩車燈之間具有相似的高度、大小以及一定范圍內的距離，步驟202中已經 實現了兩車燈之間的高度、大小對比；因此在步驟202的條件上加入兩車燈的距離即可完成 對車燈的匹配，當兩車燈的距離在一個車燈區域寬度的2倍到8倍之間，則這兩個車燈屬于 同一車輛，從而完成對車輛的檢測。
【文檔編號】G06K9/62GK105893970SQ201610204298
【公開日】2016年8月24日
【申請日】2016年3月31日
【發明人】徐向華, 李姣
【申請人】杭州電子科技大學