一种基于高斯差分多尺度边缘融合的车辆检测方法

摘要

一种基于高斯差分多尺度边缘融合的车辆检测方法，首先对图像进行高斯尺度变换，得到四幅相邻尺度的高斯图像。然后对这四个尺度相邻的高斯图像进行相邻尺度图像之间差分运算，得到三个不同尺度的高斯差分图像并对其采用Sobel算子进行边缘检测，再进行尺度向上搜索的边缘融合，得到尽可能多的车辆边缘信息同时去除大量背景边缘，再对融合的边缘图像进行膨胀、闭运算、孔洞填充等一系列形态学操作，得到代表车辆的连通域图像，最后根据连通域的位置信息在原图像中确定出车辆所在位置的外界矩形，实现车辆检测。本发明对多尺度图像进行处理，降低了算法复杂度，减少了计算量，能有效提高车辆检测的效率，得到较好的检测结果。

说明书

技术领域

本发明属于视频检测领域，具体涉及一种基于高斯差分多尺度边缘融合的 车辆检测方法。

背景技术

运动目标检测是计算机视觉及图像模式识别的一项关键技术。基于视觉的 车辆检测技术是智能交通图像处理的研究热点，在智能交通领域有着广泛的应 用，如车辆辅助驾驶系统，交通参数统计系统等。

基于计算机视觉的车辆检测方法大致可分为三类：基于模型，基于神经网 络学习，基于特征的方法。基于模型的检测方法将检测到的候选车辆区域与计 算机数据库中预先建立的车辆模型进行匹配从而检测车辆，但该方法的缺点在 于完全依赖于对所有不同种类车辆进行几何建模，这是很难实现的。

基于学习的的检测方法通过使用样本对神经网络进行训练，用训练好的网 络进行车辆识别，该方法经常用于验证其他方法的检测结果。基于特征的方法 通过检测车辆的局部特征如对称部件(车轮、头灯、尾灯等)、边缘和阴影等， 从而定位车辆。该方法的优点在于使用车辆在大多数环境下都可辨别的特征来 检测车辆，适用于雨雪天甚至夜间的车辆检测问题。通过检测车轮实现车辆检 测的方法容易受到车辆行驶姿态、遮挡等问题的影响，而通过检测车灯的方法 也被夜间场景中的路灯及城市灯光所干扰，影响检测结果。而基于边缘检测(包 括车辆阴影检测)的车辆检测方法由于背景边缘(如车道线、栏杆、树木等) 的存在导致检测结果的不准确，因此，如何最大限度地检测出车辆边缘同时抑 制背影边缘，成为提高该方法检测准确率的关键问题。

发明内容

本发明的目的在于克服现有技术中的问题，提供一种基于高斯差分多尺度 边缘融合的车辆检测方法，该方法降低了算法复杂度，减少了计算量，得到较 好的检测结果，有效地提高了检测效率。

为了实现上述目的，本发明采取如下的技术解决方案予以实现：

步骤一，采集某路段交通视频，对视频中的一幅图像灰度化并进行高斯金 字塔多尺度变换，利用四个相邻尺度参数的高斯核与图像进行卷积运算，得到 四幅相邻尺度的高斯图像G_l，其中l表示四个相邻尺度，l＝1,2,3,4；

步骤二，对这四幅相邻尺度的高斯图像G_l进行相邻尺度图像差分运算，得 到三幅相邻尺度的高斯差分图像D_l，三幅高斯差分图像的尺度分别为： σ,2×σ,2×2×σ；其中l＝1,2,3，σ为平滑参数；

步骤三，对步骤二得到的三幅高斯差分图像D_l采用Sobel算子进行边缘检 测，计算差分图像中每个像素点在水平、垂直两个方向上的梯度幅值，并设置 阈值T₁，保留梯度幅值大于T₁的像素点，此像素点为边缘点并设其灰度值为 255，否则设为0，得到对应三个相邻尺度的边缘检测二值图E_l，其中l＝1,2,3；

步骤四，对对应三个不同尺度的三幅二值边缘图E_l进行多尺度边缘融合， 其中，l＝1,2,3，具体步骤为：

(1)在四个相邻尺度l下搜索三幅相邻尺度的高斯差分图像D_l的边缘图像E_l中的每一个边缘像素，由于相邻尺度间的边缘位移不超过1，在尺度为l-1的差 分高斯图像D_l-1的边缘图像中搜索相应的面积为3×3的区域，该区域中出现的 所有边缘点均标记为边缘点，得到候选边缘图像；

(2)l＝l-1；若l>1则跳转至步骤(1)，否则执行步骤(3)；

(3)l＝1时，边缘图像E_l则为融合后的边缘图像；

步骤五，对步骤四得到的融合后的边缘图像采用膨胀模板进行形态学处理， 设定阈值T₂，连接像素间距小于阈值T₂的边缘点或线，得到连续边缘；再进行 形态学闭运算，弥合边缘图像的孔洞和裂缝，得到进一步闭合的边缘图像；最 后经过图像填充将闭合区域的内部空洞填充，形成完整的连通区域；

步骤六，对连通区域进行标记，计算每一个连通区域的面积，设置面积阈 值T₃，剔除面积小于面积阈值T₃的连通域；根据连通域坐标确定各连通域的最 小外接矩形的坐标，最后在原始灰度图像中显示出来，完成对车辆的检测。

所述步骤一中尺度由平滑参数σ和平滑参数k共同决定，k由参数s决定， 并且k＝2^(1/S)，S+3＝N，其中N为高斯金字塔每一层中的高斯图片数，取 N＝4，S＝1，σ＝0.5，k＝2，则四个相邻尺度分别为σ,kσ,2kσ,3kσ。

所述步骤三中Sobel算子水平方向的模板为(-1,0,1；-2,0,2；-1,0,1)，垂直 方向模板为(-1,-2,-1；0,0,0；1,2,1)，阈值T₁由最大类间方差法获得。

所述步骤五中膨胀模板尺寸为3×3，形态闭运算模板尺寸为8×8，T₂取 值范围为1～8，并且以像素为单位。

所述步骤六中面积阈值的设置过程为：对标记的n个连通域的面积进行排 序，将最大连通域面积的1/4作为面积阈值。

与现有技术相比，本发明具有的有益效果：本发明公开了一种基于高斯差 分多尺度边缘融合的车辆检测方法，首先利用四个相邻尺度参数的高斯核与图 像进行卷积运算，得到四幅相邻尺度的高斯图像。然后对这四个相邻尺度的高 斯图像进行差分，得到三个相邻尺度的高斯差分图像并对其采用Sobel算子进行 边缘检测。然后对检测得到的三幅不同尺度的边缘图像进行尺度向上搜索的边 缘融合，得到尽可能多的车辆边缘信息同时去除大量背景边缘。再对融合的边 缘图像进行膨胀、闭运算、孔洞填充等一系列形态学操作，得到代表车辆的连 通域图像。最后根据连通域的位置信息在原图像中确定出车辆所在位置的外界 矩形，实现车辆检测。本发明对非采样的多尺度图像进行处理，避免了图像插 值运算造成的边缘信息缺失或出现伪边缘；采用多尺度边缘图像向上搜索融合 的方法在得到更多边缘信息的同时抑制背景边缘。该方法降低了算法复杂度， 减少了计算量，能有效提高车辆检测的效率，得到较好的检测结果。

附图说明

图1是待检测的灰度图像；

图2～4是三个相邻尺度的高斯差分图像；

图5是Sobel算子模板；

图6是尺度1下的边缘检测结果；

图7是融合后的边缘图像；

图8为形态学闭操作得到的连通域图像；

图9为经孔洞填充后得到的完整连通域图像；

图10为代表车辆的连通域图像；

图11为雨天车辆检测结果。

图12为晴天车辆检测结果。

图13为高斯差分多尺度边缘融合的车辆检测算法过程示意图。

具体实施方式

本发明给出一种基于高斯差分多尺度边缘融合的车辆检测方法，对一幅大 小为W×H车辆图像在多尺度下进行边缘检测，经多尺度融合后的边缘位置信息 来确定车辆位置，从而实现车辆检测。

下面结合附图对本发明进行详细说明，参见图13，本发明的方法具体采用 以下几个步骤实现：

步骤一，采集某路段交通视频，在视频中采集一幅大小为517×363的车辆图 像I，对其灰度化得到灰度图形，再进行高斯金字塔多尺度变换。利用相邻尺 度参数的四个高斯核G与图像I进行卷积运算，得到四幅相邻尺度的非采样高 斯图像G_l(l＝1,2,3,4)，其中l表示四个相邻尺度。

尺度由平滑参数σ和平滑参数k共同决定，而平滑参数k由参数s决定。 k＝2^(1/S)，S+3＝N，其中N为高斯金字塔每一层中的高斯图片数(根据Lowe 论文)，本发明中取N＝4，S＝1，σ＝0.5，k＝2，取σ＝0.5，S＝1，k＝2，四 个相邻尺度分别为σ,kσ,2kσ,3kσ，即σ,2×σ,2×2×σ,3×2×σ。

步骤二，对这四幅未经下采样的大小相同，尺度不同的高斯图像 G_l(l＝1,2,3,4)进行相邻尺度图像差分运算，得到三幅相邻尺度的高斯差分图像 D_l，其中，l＝1,2,3和三幅高斯差分图像的尺度分别为：σ,2×σ,2×2×σ。

步骤三，对步骤二得到的三幅高斯差分图像D_l分别采用Sobel算子进行边缘 检测。Sobel算子通过计算差分图像中每个像素点在水平、垂直两个方向上的梯 度幅值，采用最大类间方差(OTSU)法设置阈值T₁，保留梯度幅值大于T₁的 像素点为边缘点并设置为1，否则置为0，得到对应三个不同尺度的边缘检测图 E_l(l＝1,2,3)。

Sobel算子水平方向的模板为(-1,0,1；-2,0,2；-1,0,1)，垂直方向模板为 (-1,-2,-1；0,0,0；1,2,1)。

步骤四，对三幅边缘检测图像E_l(l＝1,2,3)进行多尺度边缘融合，步骤为：

(1)在尺度l下搜索差分高斯图像D_l的边缘图像E_l中的每一个边缘像素，由于 相邻尺度间的边缘位移不超过1，在尺度为l-1的差分高斯图像D_l-1的边缘图像 中搜索相应的面积为3×3的区域，该区域中出现的所有边缘点均标记为边缘 点，得到候选边缘图像；

(2)l＝l-1；若l>1则跳转至步骤(1)，否则执行步骤(3)；

(3)l＝1时，边缘图像E_l即为融合后得到的边缘图像。

步骤五，对步骤四得到的边缘图像采用膨胀模板进行形态学处理，称为线 条扩充处理，连接像素间距小于阈值T₂的边缘点或线，得到连续边缘。再进行 形态学闭运算，弥合边缘图像的孔洞和裂缝，得到进一步闭合的边缘图像。最 后经过图像填充将闭合区域的内部空洞填充起来，形成完整的连通区域。

其中，膨胀模板尺寸为3×3，形态闭运算模板尺寸为8×8，T₂＝1～8(以 像素为单位)。

步骤六，对连通区域进行标记并计算每一个连通区域的面积，设置面积阈 值T₃，小于面积阈值T₃的连通域视为背景区域而被剔除。根据连通域坐标确定 各连通域的最小外接矩形的坐标，最后在原始灰度图像中显示出来，完成对车 辆的检测。

其中，面积阈值T₃的设置：对标记的N个连通域的面积进行排序，取最大 连通域面积的1/4作为面积阈值。

以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体 实施例，凡是在本申请方案基础上做的同等变换均落入本发明的保护范围。

实施例：

采集一幅大小为517×363雨天交通图像的灰度化得到灰度图，如图1所示， 选取尺度参数σ＝0.5，k＝2，用尺度分别为σ,2×σ,2×2×σ,3×2×σ的四个高斯核 分别与灰度图进行卷积运算，得到四个相邻尺度的非采样高斯模糊图像。

对四个相邻尺度的未经下采样的大小相同而尺度不同的高斯模糊图像进行 相邻尺度差分运算得到三幅相邻尺度的高斯差分图像，即尺度1与尺度2的高 斯图像差分得到尺度为的高斯差分图，图尺度2与尺度3的高斯图像差分得到 尺度为的差分图，尺度3与尺度4的高斯图像差分得到尺度为的差分图。高斯 差分图如图2～4所示。

利用如图5所示的水平方向模板(-1,0,1；-2,0,2；-1,0,1)，垂直方向模板 (-1,-2,-1；0,0,0；1,2,1)的Sobel算子对三幅高斯差分图进行边缘检测，得到三 幅相邻尺度的边缘检测图，尺度1的边缘图如图6所示。以尺度3边缘图中的 每一个边缘点为中心，在尺度2的边缘图中对其3×3邻域进行搜索，保留邻域 内的边缘点，至搜索结束，得到第一次融合后的边缘图。对此边缘图中的每一 个边缘点，在尺度为1的边缘图中继续进行上述同样操作，得到最终的边缘融 合图像，如图7所示。

取T₂＝3，对边缘融合图像以3×3模板进行形态学膨胀，再以8×8模板进 行形态学闭运算，得到边缘闭合的连通域，如图8所示。对图8进行图像填充， 弥合连通域中的孔洞，得到完整的连通域图像(如图9所示)。

对图9进行连通域标记(标记结果为16)，计算每一个连通域的面积并按从 大到小顺序排序，以最大连通域面积的1/4为阈值(本例中为2300)，剔除面积 小于阈值的连通域，得到的连通域图像(如图10所示)视为车辆所在位置。在 图1中相应位置画出连通域外接矩形，得到雨天车辆检测结果，如图11所示。 图12为对另一场景(晴天)采用本发明处理得到的检测结果。

从图11和12可以看出，按照上述方法进行车辆检测，实现了较好的检测 结果。本实例表明，本发明的方案算法简单，减少了计算量，同时实现了较好 的车辆检测。

本发明公开了一种基于高斯差分多尺度边缘融合的车辆检测方法，首先利 用四个相邻尺度参数的高斯核与图像进行卷积运算，得到四幅相邻尺度的高斯 图像。然后对这四个相邻尺度的高斯图像进行差分，得到三个相邻尺度的高斯 差分图像并对其采用Sobel算子进行边缘检测。然后对检测得到的三幅相邻尺度 的边缘图像进行尺度向上搜索的边缘融合，得到尽可能多的车辆边缘信息同时 去除大量背景边缘。再对融合的边缘图像进行膨胀、闭运算、孔洞填充等一系 列形态学操作，得到代表车辆的连通域图像。最后根据连通域的位置信息在原 图像中确定出车辆所在位置的外界矩形，实现车辆检测。本发明对非采样的多 尺度图像进行处理，避免了图像插值运算造成的边缘信息缺失或出现伪边缘； 采用多尺度边缘图像向上搜索融合的方法在得到更多边缘信息的同时抑制背景 边缘。该方法降低了算法复杂度，减少了计算量，能有效提高车辆检测的效率， 得到较好的检测结果。