基于道路輔助信息和顯著性檢測的紅外圖像車輛檢測方法
【專利摘要】本發(fā)明涉及一種基于道路輔助信息和顯著性檢測的紅外圖像車輛檢測方法，首先使用高斯金字塔對源圖像進(jìn)行背景估計(jì)，用源圖像與背景估計(jì)圖像相減得到的高頻信息中包含了目標(biāo)及背景雜波；再對源圖像進(jìn)行OTSU閾值分割，得到的二值圖像作為道路信息的估計(jì)；高頻信息與道路信息的與運(yùn)算可得到感興趣區(qū)域；再對感興趣區(qū)域的中心與周圍區(qū)域進(jìn)行顯著性檢測；最后對候選目標(biāo)進(jìn)行軌跡關(guān)聯(lián)，可以很好的提取出車輛目標(biāo)。
【專利說明】基于道路輔助信息和顯著性檢測的紅外圖像車輛檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于道路輔助信息和顯著性檢測的紅外圖像車輛檢測方法。

【背景技術(shù)】
[0002] 紅外目標(biāo)檢測一直是紅外探測系統(tǒng)的核心技術(shù)，也是紅外圖像處理的熱點(diǎn)與難 點(diǎn)。其研究主要包含兩個方面：一是從系統(tǒng)方面；二是從圖像處理方面。在紅外目標(biāo)檢測算 法中，檢測算法應(yīng)該具有較高的檢測概率和較低的虛警概率；滿足信號檢測的實(shí)時性要求。 而紅外目標(biāo)檢測的一個分支是紅外車輛目標(biāo)檢測，一個紅外監(jiān)視系統(tǒng)中，若能自動檢測出 監(jiān)視區(qū)域的可疑車輛，這將大大減少人力、物力的投入，因此該方法具有較強(qiáng)的應(yīng)用背景。
[0003] 車輛目標(biāo)相對于地物背景有其固有運(yùn)動特征和物理特征。車輛的運(yùn)動范圍是固定 的，它僅存在于道路之內(nèi)，在道路已知的情況下，可以大大減小車輛的檢測范圍，同時也避 免了地物雜波干擾。與背景地物相比，紅外圖像道路目標(biāo)具有以下特點(diǎn)：1.道路與背景之 間通常存在一定的溫差，經(jīng)紅外傳感器的成像將具有一定的灰度差異，目標(biāo)與背景對應(yīng)的 區(qū)域之間具有一定的邊緣性狀；2.道路邊緣一般為兩條相對的直線或曲線，根據(jù)視角的不 同其邊緣為平行線或在極遠(yuǎn)處相交；3.道路目標(biāo)內(nèi)部區(qū)域溫度特性較為均勻，故其在紅外 圖像中對應(yīng)區(qū)域的灰度值變化較為平緩；4.道路上運(yùn)動的目標(biāo)可作為驗(yàn)證道路的依據(jù)。
[0004] 傳統(tǒng)的車輛檢測方法有光流法，時間差分法，背景減除法。但是光流法依賴于光流 估計(jì)準(zhǔn)確度且計(jì)算量大；時間差分法速度快，但一般不能完全提取出所有相關(guān)的特征像素 點(diǎn)，在運(yùn)動實(shí)體內(nèi)部容易產(chǎn)生空洞現(xiàn)象；背景減除法對于動態(tài)場景的變化，如天氣、光照以 及樹木擾動等特別敏感。
[0005] 綜上所述，傳統(tǒng)目標(biāo)檢測方法通常利用全局信息并且有一些約束條件而忽略了道 路的信息，或是僅能檢測出紅外弱小目標(biāo)，在車輛檢測時不能取得較好的結(jié)果。


【發(fā)明內(nèi)容】

[0006] 要解決的技術(shù)問題
[0007] 為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于道路輔助信息和顯著性檢測 的紅外圖像車輛檢測方法，根據(jù)上述道路的紅外特性并結(jié)合了一種顯著性檢測方法。本方 法首先使用高斯金字塔對源圖像進(jìn)行背景估計(jì)，用源圖像與背景估計(jì)圖像相減得到的高頻 信息中包含了目標(biāo)及背景雜波；再對源圖像進(jìn)行0TSU閾值分割，得到的二值圖像作為道路 信息的估計(jì)；高頻信息與道路信息的與運(yùn)算可得到感興趣區(qū)域；再對感興趣區(qū)域的中心與 周圍區(qū)域進(jìn)行顯著性檢測；最后對候選目標(biāo)進(jìn)行軌跡關(guān)聯(lián)，可以很好的提取出車輛目標(biāo)。
[0008] 技術(shù)方案
[0009] 一種基于道路輔助信息和顯著性檢測的紅外圖像車輛檢測方法，其特征在于步驟 如下：
[0010] 步驟1 :對源圖像進(jìn)行高斯濾波，去除圖像中的噪聲點(diǎn)，然后用高斯金字塔對圖像 進(jìn)行下采樣和上采樣，得到一個平滑后的紅外圖像；
[0011] 步驟2 :用平滑后的紅外圖像與源圖像相減，得到一個差分圖像；
[0012] 步驟3 :對差分圖像閾值化處理得到一幅二值圖像E1 ;對源圖像采用0TSU閾值分 害I]，然后進(jìn)行形態(tài)學(xué)平滑，得到平滑后的二值圖像E2 ;所述閾值Θ i為20-40 ;
[0013] 步驟4 :將E1和E2作與運(yùn)算，得到排除了道路外大量背景雜波的新二值圖像E3 ; 獲取E3中的連通域，把每個連通域都當(dāng)作一個感興趣區(qū)域；
[0014] 步驟5 :對每一個感興趣區(qū)域，計(jì)算其灰度均值，作為中心均值只；再選取感興趣 區(qū)域周圍8個相同大小的鄰域區(qū)域，計(jì)算每個鄰域區(qū)域的灰度均值A(chǔ)G = U…，8);對8個灰 度均值中最小的三個值，計(jì)算其均值，然后用中心均值除以該均值得到權(quán)值α ;
[0015] 步驟6 :將感興趣區(qū)域的中心均值及乘以權(quán)值α，作為該感興趣區(qū)域新的中心均 值云；
[0016] 步驟7 :計(jì)算均值異與周圍8個鄰域均值&的顯著性值Dj(j = 1，. . .，8)，將其中 最大的三個顯著性值的均值作為此感興趣區(qū)域的顯著性值；把顯著性值大于閾值Θ 2的感 興趣區(qū)域判定為候選目標(biāo)，小于Θ 2的判定為非目標(biāo)；
[0017] 所述顯著性計(jì)算公式為：

【權(quán)利要求】
1. 一種基于道路輔助信息和顯著性檢測的紅外圖像車輛檢測方法，其特征在于步驟 如下： 步驟1 :對源圖像進(jìn)行高斯濾波，去除圖像中的噪聲點(diǎn)，然后用高斯金字塔對圖像進(jìn)行 下采樣和上采樣，得到一個平滑后的紅外圖像； 步驟2 :用平滑后的紅外圖像與源圖像相減，得到一個差分圖像； 步驟3 :對差分圖像閾值化處理得到一幅二值圖像E1 ;對源圖像采用OTSU閾值分割， 然后進(jìn)行形態(tài)學(xué)平滑，得到平滑后的二值圖像E2 ;所述閾值Θ i為20-40 ; 步驟4 :將E1和E2作與運(yùn)算，得到排除了道路外大量背景雜波的新二值圖像E3 ;獲取 E3中的連通域，把每個連通域都當(dāng)作一個感興趣區(qū)域； 步驟5 :對每一個感興趣區(qū)域，計(jì)算其灰度均值，作為中心均值只；再選取感興趣區(qū)域 周圍8個相同大小的鄰域區(qū)域，計(jì)算每個鄰域區(qū)域的灰度均值巧(j = ;對8個灰度均 值中最小的三個值，計(jì)算其均值，然后用中心均值除以該均值得到權(quán)值α ; 步驟6 :將感興趣區(qū)域的中心均值只乘以權(quán)值α，作為該感興趣區(qū)域新的中心均值異； 步驟7 :計(jì)算均值異與周圍8個鄰域均值巧的顯著性值Dj (j = 1，...，8)，將其中最大 的三個顯著性值的均值作為此感興趣區(qū)域的顯著性值；把顯著性值大于閾值Θ 2的感興趣 區(qū)域判定為候選目標(biāo)，小于θ2的判定為非目標(biāo)； 所述顯著性計(jì)算公式為：異-巧|/|云+巧|，其中Α表示的是中心區(qū)域的新灰度 均值，A表示的是周圍的第j個鄰域區(qū)域的灰度均值（j = 1，2,. . .，8); 所述顯著性閾值92為〇. 2-0.4; 步驟8 :計(jì)算每個候選目標(biāo)的面積I，j = 1，2,. . .，η ;和每個候選目標(biāo)的中心坐標(biāo)Ρ」； η為候選目標(biāo)總數(shù)； 步驟9 :在每個候選目標(biāo)為中心，取一個大小為ΜΧΜ的關(guān)聯(lián)域矩形框； 假設(shè)目前有k條軌跡（目標(biāo)鏈），將每條軌跡Tji = l，2，...，k)的鏈尾坐標(biāo)Pi和鏈 尾面積Si作為待搜索的項(xiàng)；若能在此矩形框中搜索到最近鄰的Py且候選目標(biāo)面積&與軌 跡鏈尾面積Si之差小于
則關(guān)聯(lián)成功，將這個候選目標(biāo)的中心坐標(biāo)Pj加入軌跡Ti，并 將Μ乍為?\的新的鏈尾坐標(biāo)，將此候選目標(biāo)的面積&作為?\新的鏈尾面積；否則繼續(xù)搜 索；所述Μ取值為10-30 ; 步驟10 :若存在沒有關(guān)聯(lián)成功的候選目標(biāo)，則將這個候選目標(biāo)當(dāng)作一個新的軌跡Tk+1 的鏈?zhǔn)?，也即鏈尾，把這個候選目標(biāo)的中心坐標(biāo)P作為Tk+1的鏈尾坐標(biāo)，將此候選目標(biāo)的面 積S作為T k+1的鏈尾面積； 步驟11 :對所有候選目標(biāo)關(guān)聯(lián)完成后，若有軌跡沒有被任何一個候選目標(biāo)關(guān)聯(lián)，則此 條軌跡丟失次數(shù)加1，預(yù)測軌跡在此幀中的鏈尾坐標(biāo)（假設(shè)軌跡當(dāng)前長度為m)，預(yù)測公式 為： Pm+i = 2XPm-Pm-1 其中pm+1是預(yù)測的鏈尾坐標(biāo)（軌跡的第m+1個坐標(biāo)），Pm，Pm分別表示這條軌跡的第 m, m-1個坐標(biāo)； 步驟12 :對每個軌跡進(jìn)行統(tǒng)計(jì)，當(dāng)軌跡長度大于閾值Θ 3時，判定其為車輛目標(biāo)；若軌 跡的丟失次數(shù)大于丟失閾值θ4，將軌跡刪除；所述軌跡長度閾值03為2-5;所述丟失閾值 Θ 4 為 2-4 ; 步驟13 :重復(fù)以上步驟，直到所有序列圖像處理完畢。
2. 根據(jù)權(quán)利要求1所述基于道路輔助信息和顯著性檢測的紅外圖像車輛檢測方法，其 特征在于：所述步驟1中每一次下采樣與上采樣的過程中都采用了 1/16*[1，4, 6, 4, 1]高斯 平滑算子對圖像進(jìn)行水平與垂直兩個方向的濾波，采樣的級數(shù)為3。
3. 根據(jù)權(quán)利要求1所述基于道路輔助信息和顯著性檢測的紅外圖像車輛檢測方法，其 特征在于：所述步驟4的形態(tài)學(xué)開閉運(yùn)算采用了半徑為3-5的矩形結(jié)構(gòu)子。
【文檔編號】G08G1/01GK104050477SQ201410300769
【公開日】2014年9月17日 申請日期:2014年6月27日 優(yōu)先權(quán)日:2014年6月27日
【發(fā)明者】李映, 冉辰, 覃西南 申請人:西北工業(yè)大學(xué)