亚洲狠狠干,亚洲国产福利精品一区二区,国产八区,激情文学亚洲色图

基于結構相似度的車輛檢測方法

文檔序號:8905470閱讀:498來源:國知局
基于結構相似度的車輛檢測方法
【技術領域】
[0001] 本發(fā)明的技術方案設及圖像的結構分析,具體地說是基于結構相似度的車輛檢測 方法。
【背景技術】
[0002] 汽車在極大地方便人類生活的同時也帶來了大量問題,如交通安全問題、經(jīng)常性 的交通擁擠和環(huán)境污染。全球每年發(fā)生的道路交通事故給人們的生命和財產(chǎn)造成巨大損 失,如何有效地提高汽車行駛安全性已經(jīng)成為各國政府和研究機構共同面對的問題。統(tǒng)計 事故表明,司機面臨的主要危險來自路面的其他車輛,研究發(fā)展車輛輔助駕駛系統(tǒng)值river AssistanceSystem,DA巧具有重要意義。
[0003] 車輛檢測是輔助駕駛系統(tǒng)中的重要組成部分,現(xiàn)有的車輛檢測方法存在的主要問 題是由于交通場景復雜,很難在保證識別率的前提下達到實時性的要求。因此,研究復雜交 通場景的車輛實時識別具有重要的科研意義。
[0004] 美國內(nèi)華達大學Sun團隊使用G油or濾波器,在不同尺寸下檢測圖像的水平邊緣 和垂直邊緣得到車輛假設,提出了一種設計G油or濾波器的通用方法,即WSVM的分類精度 為評價標準,運用遺傳算法優(yōu)化Gabor濾波器參數(shù),得到一組性能最佳的濾波器,但由于需 要捜索不同尺寸和距離的車輛帶來了巨大的計算量,所需的硬件設備性能要求較高,而識 別性能低于人們的期望。韓國全南國立大學的Song團隊利用虛擬頂點視圖和垂直對稱性 得到車輛假設,提取化ar-like小波特征,訓練AdaBoost分類器,但該方法對邊緣特征和線 特征較為敏感,當前向車輛距離較遠時,容易產(chǎn)生誤識別。另外,當圖像或視頻的背景環(huán)境 中出現(xiàn)建筑物、云彩和花弁等繁雜物體時,分類器會產(chǎn)生一定的誤識別。CN102682455A公開 了一種基于單目視覺的前方車輛檢測方法,該方法通過對采集到的圖像進行預處理,求取 路面平均灰度闊值,分割出車底陰影的位置作為假設區(qū)域,再利用濾波處理,對車底陰影線 條融合,繼而提取圖像的目標信息作為當前帖的結果,再與前一帖結果進行匹配,根據(jù)匹配 結果對當前帖進行分類判決。該方法算法上可行,但對于非陽光直射天氣下車底陰影位置 偏移,W及復雜道路環(huán)境下路面包含非車輛陰影信息未予考慮,不具有普遍的適用性。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術問題是:提供基于結構相似度的車輛檢測方法,利用車輛 本身具有的結構連續(xù)性,采用結構相似度算法,將提取到的特征數(shù)據(jù)輸入SVM中訓練分類 器,由此完成車輛檢測。該方法降低了車輛檢測系統(tǒng)的成本,提高了車輛檢測系統(tǒng)的效率和 識別精度,具有普遍的適用性。
[0006] 本發(fā)明解決該技術問題所采用的技術方案是;基于結構相似度的車輛檢測方法, 具體步驟如下:
[0007] 第一步,車輛假設區(qū)域的標記:
[0008] 車輛假設區(qū)域是指路面上可能存在車輛的區(qū)域,該區(qū)域的生成過程和方法如下:
[0009] (1)獲取路面自由駕駛區(qū)域:
[0010] 將車載攝像機采集到的道路交通情況圖像由RGB空間轉(zhuǎn)化到灰度空間,采用的公 式(1)如下:
[0011] Gray= 0. 299R+0. 587G+0. 114B (1),
[0012] 利用路面區(qū)域的平整一致的特性,將獲得的灰度圖像利用Canny邊緣檢測算法對 整幅圖像提取邊緣,將邊緣圖像中每一列的像素點自底向上進行掃描,直到遇到邊緣像素 點為止,將未掃描過的區(qū)域去除,剩下的區(qū)域設置為自由駕駛區(qū)域,Canny算子模板如下公 式(2)所示,其中SJ%水平算子,Sy為垂直算子,
[001引
尚,
[0014] (2)設置路面感興趣區(qū)域:
[0015] 在上述(1)步獲取路面自由駕駛區(qū)域后,在道路交通圖像上去除該區(qū)域,將剩余 的部分設置為路面感興趣區(qū)域;
[0016] (3)生成路面對稱區(qū)域:
[0017] 對上述(2)步設置的路面感興趣區(qū)域提取水平邊緣和垂直邊緣,利用車輛具有良 好的對稱性,且是關于中屯、軸對稱,關于兩邊垂直邊緣不對稱該一特征,利用Sobel邊緣檢 測算子對路面感興趣區(qū)域進行邊緣提取,采用3X3模板獲取邊緣信息,Sobel邊緣檢測算 子模板如公式(3)所示,其中GJ%水平算子,Gy為垂直算子,
[001引

[0019] 在用Sobel邊緣檢測算子提取完邊緣圖像后,對生成的邊緣圖像利用滑動窗口對 該區(qū)域的邊緣圖像像素進行行掃描,窗口初始大小為40X40像素,每掃描一遍上述(2)步 的路面感興趣區(qū)域,窗口大小提高1. 2倍,共掃描6次,利用如下公式(4)計算對稱度,將對 稱度較高的點擬合成對稱軸,由此生成路面對稱區(qū)域,
[0020]
(4),
[0021] 式中G(i,j-k)和G(i,j+k)為原始圖像中Wk為半徑關于(i,j)點對稱的像素點 灰度值,i和j為對稱軸的橫縱坐標,C為計算對稱軸時所考慮的寬度,bottom和top表示 滑動窗口的垂直坐標的最小值和最大值,由區(qū)域窗口大小來決定,S值越小就表示此位置對 稱度越大;
[0022] (4)標記路面車輛假設區(qū)域:
[0023]上述道路交通情況圖像中車輛寬度與車輛實際寬度存在等比的變化關系,通過統(tǒng) 計車輛在該些圖像中的寬度范圍,將寬度闊值范圍之內(nèi)的上述(3)步生成的路面對稱區(qū)域 標記為路面車輛假設區(qū)域,否則排除該區(qū)域;
[0024] 第二步,車輛假設區(qū)域的驗證:
[00巧]車輛假設區(qū)域的驗證是采用模式識別的方法完成,首先提取訓練樣本的結構相似 度特征,然后利用該些特征訓練分類器,進而對車輛假設區(qū)域進行驗證,具體步驟如下:
[0026] (5)車輛結構相似度特征的提取和訓練:
[0027] 在離線情況下,對公共車輛數(shù)據(jù)庫GTI中的數(shù)據(jù)樣本進行裁剪,并采用雙線性插 值算法實現(xiàn)圖像的尺寸歸一化,經(jīng)過歸一化的車輛圖像大小為64X64像素,對處理好的車 輛圖像提取結構相似度特征,將車輛圖像分塊,用結構相似度算法SSIM計算每塊中屯、細胞 與其他相鄰的8個細胞的結構相似度,由此獲取特征向量并組合成塊內(nèi)特征向量,再將整 幅圖像內(nèi)的所有塊的特征向量整合,形成一幅圖像的最終車輛結構相似度特征數(shù)據(jù),其中 塊大小為24X24像素,細胞大小為8X8像素,移動步長大小為8X8像素,特征維度為432 維,由此提取車輛結構相似度特征,再將提取到的車輛結構相似度特征數(shù)據(jù)輸入SVM訓練 分類器;
[0028] (6)提取車輛假設區(qū)域的車輛結構相似度特征:
[0029] 對第一步標記的車輛假設區(qū)域,利用雙線性插值算法進行尺度歸一化處理,統(tǒng)一 歸一化為64X64像素,再利用上述步驟(5)中的車輛結構相似度特征的提取方法提取該區(qū) 域的車輛結構相似度特征;
[0030] (7)對車輛假設區(qū)域的車輛結構相似度特征進行驗證:
[0031] 使用離線訓練好的SVM分類器對步驟做提取的車輛假設區(qū)域的車輛結構相似度 特征進行驗證,如果識別為車輛,則標記該車輛位置,如果識別為非車輛,則刪除該假設區(qū) 域,進而驗證下一個車輛假設區(qū)域,由此完成車輛檢測。
[0032] 上述基于結構相似度的車輛檢測方法,所述結構相似度算法SSIM,是通過亮度比 較1 (X,y)、對比度比較C(X,y)和結構比較S(X,y),W確定細胞間的相似度,最終用來整合 成結構相似度特征,其中SSIM公式如下;
[0037]上述參量式中y,和y y分別為塊內(nèi)細胞X和中屯、細胞y的平均亮度值,作為亮度 估計;曰y和0y分別為塊內(nèi)細胞X和中屯、細胞y的標準差,作為對比度估計;0。為塊內(nèi)細 胞X和中屯、細胞y的亮度相關系數(shù);Cl、C2和C3是為了避免公式中分母值較小時引起的不 穩(wěn)定而增加的極小的固定正常量;Ki、K,為固定常量,L為像素值的動態(tài)范圍。
[0038] 上述基于結構相似度的車輛檢測方法,所述SVM分類器是公知的,所設及的設備 是本技術領域熟知并可通過商購途徑獲得的。
[0039] 本發(fā)明的有益效果是:與現(xiàn)有技術相比,本發(fā)明的突出的實質(zhì)性特點和顯著進步 如下:
[0040] (1)本發(fā)明方法在車輛假設區(qū)域生成步驟中,相對于現(xiàn)有車輛檢測方法在全幅圖 像進行捜索導致的識別速度低的缺陷,通過求取自由駕駛區(qū)域來確定感興趣區(qū)域,大幅度 減小了檢測的范圍,提高了車輛檢測系統(tǒng)的效率。
[0041] (2)本發(fā)明方法克服現(xiàn)有假設區(qū)域生成中常用的車底陰影方法對光照角度、路面 陰影信息較為敏感,從而導致識別性能低、使用條件苛刻的缺陷,采用車輛對稱特征檢測車 輛位置,通過對車輛水平垂直邊緣的對稱性判斷來生成假設區(qū)域,普遍適用于各種氣候環(huán) 境下。
[0042] (3)本發(fā)明方法在車輛假設區(qū)域驗證步驟中,利用車輛本身具有的結構連續(xù)性,采 用結構相似度算法即SSIM,將提取到的結構相似度特征輸入SVM中訓練分類器。該種結構 相似度特征能夠?qū)囕v特征進行很好的描述,具有很高的識別精度,進一步提高了車輛檢
當前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1