一种重型卡车夜间前方车辆检测方法

摘要

一种重型卡车夜间前方车辆检测方法，获取分类器：阈值处理方法去除重型卡车行驶前方行驶环境灰度图像中干扰；截取车灯对区域为正样本，截取非车灯对区域为负样本；基于haar-like特征的adaboost算法训练正样本及负样本，得到分类器。实现车辆检测：实时读取视频的当前帧灰度图像并执行以下操作：阈值处理方法去除当前帧灰度图像中的干扰，得到检测处理后的当前帧灰度图像，加载分类器，检测处理后的当前帧灰度图像中的车灯对区域，并在拷贝的当前帧灰度图像中标记车灯对区域。本发明去除了尾灯干扰，完好保留车灯对形状，干扰减少，简化了样本数量，提高了分类器的检测率；在原图中标记检测结果，验证了装置的实用性。

说明书

技术领域

本发明涉及一种重型卡车夜间前方车辆检测方法，属于车辆安全技术领域。

背景技术

经济社会的前进带来的交通物流业的迅猛发展给社会及人们的生活带来了很大的方便，与此同时，汽车数量急剧增加，这就导致了道路交通状况的日益恶化。辅助驾驶系统(DAS)能够通过分析当前车辆的行驶环境帮助司机操控车辆，提高交通安全性，防止事故发生。辅助驾驶系统的输入一般为数字图像(如来自CCD相机或CMOS相机)、红外线图像、激光、雷达、超声波或者GPS信号。

已投入使用的传统夜视技术主要有三大类：微光夜视技术、主动红外夜视技术、红外热成像技术。微光夜视系统将微弱的自然光图像通过影像增强器转变为增强了百倍甚至几万倍的电子图像，再将增强的电子图像转变成为可视的光学图像。微光夜视仪只能在有月光或星光而无烟雾的夜间工作，并且，作用距离随亮度下降速度而下降。在军事上，主要用作头盔夜视眼睛，目前主要作为轻武器瞄准镜、夜间驾驶以及意见观察监视装置使用。主动红外夜视系统由红外探照灯和红外观察镜组成。红外探照灯用于发射人眼不可见的波长范围即0.9～1.2微米的近红外光，以照射被观察的景物；红外观察镜是把被观察的反射光所形成的红外图像转变成人眼可视图像。主动红外夜视仪的作用距离取决于所佩戴的红外探照灯的功率，功率越大，作用距离越远。主动红外夜视仪主要用于步枪、坦克等军事设备。红外热成像夜视系统工作时也不需要附加的光源，是一种被动夜视系统。但是，它与微光夜视仪的工作原理截然不同，微光夜视仪依靠增强自然光进行工作，而红外热像仪是利用景物本身各部位的温差及其景物与背景间的温差来成像，即红外热成像系统是通过直接接收目标物体自身发出的红外光来成像的，具有很高的检测率。夜视技术都具有很高的探测性能，但是价格较昂贵，一般都用于各国国防军事部门。试想在每辆汽车上安装上述任何一种夜视仪，都需要一定的成本。而且这些传统夜视仪器都具有较强的针对性，就一种夜视仪而言，不能在每一种环境中都表现出较好的效果。

基于计算机视觉的辅助驾驶系统主要用于检测当前车辆周围的行人、障碍物、交通标牌和其他车辆等影响当前车辆的物体，前方车辆的检测能够有效减少交通事故的发生。基于计算机视觉的夜晚车辆检测系统更适合普通汽车使用，现在计算机视觉、图像处理和模式识别等各方面的算法发展已相对成熟，计算机硬件性能也大幅度提高，并且使用普通CCD摄像头就可以采集所需视频数据，这就使采用计算机视觉方法进行夜晚车辆预警的研究无论从成本、算法、硬件还是软件方面都有了保障。白天进行车辆检测光照强、可见度高，目标颜色、边缘、轮廓、对称性等特征信息突出，易于提取车辆目标信息，白天车道上车辆检测算法已经相对成熟。夜间驾驶场景光照条件较差，驾驶员视距不佳，夜间驾驶成为令人担心、事故频发的驾驶状态之一。

由于光照不足，用于白天车辆检测的方法的并不适用于夜晚。夜间情况下，一对对称的尾灯是前方车辆呈现出的最明显的特征，也是我们唯一可以利用的检测信息。一些研究者利用尾灯的颜色和运动信息定位车辆，通过分析尾灯区域R、G、B三个通道信息设置合适阈值，提取红色强度值大于阈值的像素，然后通过验证两个尾灯的空间关系判断两个车灯是否属于同一辆车，进而确定车辆位置。另外，许多研究者分析同一辆车的一对车灯的对称性，通过对比每个高亮度区域块的大小、面积等信息判断是否属于同一车辆。目前，随着集成芯片的快速发展，有研究者提出使用Haar-like特征表示前方车辆区域，使用Adaboost算法训练夜间车辆检测分类器，该方法比单纯提取特征、根据尾灯对称性定位车辆具有鲁棒性。

传统训练分类器的方法是从原图像中截取正负样本，并在原图或平滑处理后的图像中进行检测，这样训练分类器需要更多的正负样本，并且在检测过程中由于多种干扰因素存在很大的误检。

但是，重型卡车在高速路上行驶时，往往行驶速度快，并且卡车前灯非常亮，路面上还存在由于重型卡车高亮的前灯形成的大片亮域、路标、路面、护栏、标牌等物体的反光等干扰，还使前方不同车道行驶的车辆尾灯呈现出一大一小、明显不对称的情况，这大大增加了夜间检测重卡前方车辆的难度，使得上述方法不能很好的滤除其他亮区的干扰，对后续的检测工作造成影响。

发明内容

针对现有技术不足，本发明公开了一种重型卡车夜间前方车辆检测方法；

本发明对拍摄的重型卡车行驶前方行驶环境的灰度图像预处理，尽可能去除其他干扰信息，例如，由重型卡车高亮的前灯在路面上形成的大面积亮区和护栏、车牌反光形成的干扰，并且完好保留前方每一类车辆尾灯对的形状。对预处理后的图像截取车辆尾灯对部分，车辆尾灯对部分作为训练分类器的正样本，预处理后的图像的其它区域作为训练分类器的负样本。使用基于haar-like特征的adaboost算法对训练分类器的正、负样本训练，得到最终检测夜间前方车辆分类器，使用此分类器在预处理后的图像中进行车辆检测，并在原图像中标记出车辆位置。由于预处理后的图像中只提取车辆尾灯对的形状，训练分类器的正样本模式减少，训练分类器的负样本也随之简化，并且在预处理后的图像中进行检测，检测环境大大简化，具有更高的准确性和更强的鲁棒性。

本发明的技术方案为：

一种重型卡车夜间前方车辆检测方法，具体步骤包括：

A、获取分类器

(1)在重型卡车行驶过程中，拍摄重型卡车行驶前方行驶环境，得到大量的8位灰度图像；

(2)采用阈值处理方法去除步骤(1)得到的大量的8位灰度图像中的每一帧灰度图像中的干扰；

(3)在步骤(2)得到的灰度图像中，截取车灯对区域作为训练分类器的正样本，截取非车灯对区域作为训练分类器的负样本；

(4)使用基于haar-like特征的adaboost算法训练步骤(3)所述正样本及负样本，得到分类器；

B、实现车辆检测

(5)实时读取视频的当前帧灰度图像并执行以下操作：拷贝当前帧灰度图像，采用阈值处理方法去除所述当前帧灰度图像中的干扰，得到检测处理后的当前帧灰度图像，加载步骤(4)得到的分类器，检测所述检测处理后的当前帧灰度图像中的车灯对区域，输出车灯对区域，并在所述拷贝的当前帧灰度图像中标记车灯对区域。

所述视频是指重型卡车行驶过程中实时拍摄的重型卡车行驶前方行驶环境的视频。

根据本发明优选的，所述阈值处理方法，具体包括：

a、计算灰度图像在感兴趣区域(0,N_cols/m,N_rows,N_cols·(m-1)/m)的像素值均值μ_l，所述感兴趣区域是指：左上角第一个像素的位置为(0,N_cols/m)，宽为N_rows，高为N_cols·(m-1)/m；m的取值范围为2～5，m的取值范围使感兴趣区域不包含天空部分。μ_l的计算公式如式(Ⅰ)所示：

$>{\mu }_l=\frac{m}{(m-1)·(N_{cols}\times N_{rows})}\underset{y>N_{cols}/m}{\Sigma }{I}_t(x,y)---\left(I\right)$>

式(Ⅰ)中，N_cols表示灰度图像的每列的像素个数，N_rows表示灰度图像的每行的像素个数，N_cols×N_rows是指灰度图像的大小，I_t(x,y)是指灰度图像中(x,y)点的像素值；

b、在灰度图像上划定感兴趣区域(0,k*N_cols/N,N_rows,N_cols/N)，1≤k≤N，N表示在灰度图像上依次等间隔划定的感兴趣区域的个数，k初始值为1；

c、在第k个感兴趣区域中，设定大小为m×n的小窗口，m＜＜N_cols，n＜＜N_rows；令i＝1；

d、使用步骤c所述小窗口遍历第k个感兴趣区域：如果所述小窗口内的局部像素均值u_i大于u_l，并且所述小窗口内的局部最大灰度值M_i大于M，则计算所述小窗口内的局部标准差σ_i，计算所述小窗口内的局部阈值T_i＝M_i-σ_i，i加1，其中，M的取值范围为240-254；

e、在第k个感兴趣区域求得i个阈值，即T_k1,T_k2,...T_ki，若k＜N，取作为第k个感兴趣区域的阈值，k加1，进入步骤c；若k＝N，取T_tN＝max{T_k1,...T_ki}，进入步骤f；

f、灰度图像的N个感兴趣区域求得N个不同的阈值T_t1,T_t2,...,T_tN。

根据本发明优选的，计算所述小窗口内的局部标准差σ_i，具体计算公式如式(Ⅱ)所示：

$>{\sigma }_i^2=\frac{1}{\left|\Omega \right|}\underset{(x,y)\in \Omega }{\Sigma }{[I_t(x,y)-{\mu }_i]}^2---\left(II\right)$>

式(Ⅱ)中，Ω表示灰度图像。

根据本发明优选的，使用基于haar-like特征的adaboost算法训练步骤(3)所述正样本及负样本，得到分类器；具体步骤包括：

g、使用基于haar-like特征的adaboost算法训练所述正样本及负样本，设定训练参数，所述训练参数包括：训练分类器的级数nstage、决定用于阶段分类器的分类器nsplits、用于训练每一级分类器的正样本数npos、用于训练每一级分类器的负样本数nneg、每一级分类器需要的最小命中率minhitrate、每一级分类器的最大虚警率maxfalsealarm、正样本或负样本的宽w、正样本或负样本的高h、可用内存mem、选择Adaboost算法类型bt，nstage的取值范围为12-20，nsplits为1或2，npos的取值范围为500-1205，nneg的取值范围为1500-2540，minhitrate的取值范围为0.95--0.999，maxfalsealarm的取值为0.5，w的取值为20，h的取值为20，mem取值为512MB，bt为离散Adaboost算法DAB，得到每层最优的弱分类器并给定权值，将若干弱分类器组成强分类器，多级强分类器形成级联分类器，即步骤(4)所述分类器。

调用现有的OpenCv中的可执行文件opencv_haartraining.exe实现基于haar-like特征的adaboost算法，训练参数作为输入值，即可实现步骤g所述操作。

根据实验验证，上述训练参数的设置得到的分类器更有利于重型卡车夜间前方车辆检测。

根据本发明优选的，nstage的取值为14，nsplits的取值为1，表示简单的二分类分类器，npos的取值为900，nneg的取值范围为1900，minhitrate的取值为0.998，bt为离散Adaboost算法DAB。

根据本发明优选的，M的取值为250；

本发明的有益效果为：

1、本发明所述阈值处理方法很大程度地去除非了车灯干扰，且完好保留了车灯对的形状，将原本截取大量正样本的工作简化为截取各类车灯对形状模型，干扰减少，负样本数量减少，大大简化了样本数量，缩短了训练时间，提高了分类器的检测率；在阈值处理后的图像中的干扰信息几乎完全被滤除，使用分类器在处理后的图像中进行检测，减少检测了时间，增强了鲁棒性；在原图中标记检测结果，验证了装置的实用性；

2、本发明通过限定每个局部区域的计算条件大大减少了阈值处理时间，并有效滤除了路面亮区，在符合条件的局部区域求得局部阈值，选取最大的局部阈值作为整幅图像的阈值，本方法有效去除了干扰信息，特别是由于重卡高亮前灯在路面形成的大片亮区，并完好保留车灯对的形状，使车灯对处Haar-like特征更加明显；

3、改进的自适应多阈值求解方法和将阈值处理与分类器相结合，对缓和重型卡车司机夜间驾驶疲劳、预防交通事故有很大的帮助，具有很大的研究价值和使用意义。

附图说明

图1为本发明工作流程图；

图2为本发明所述大量8位灰度图像中的一幅图像示意图；

图3为采用阈值处理方法去除图2中的干扰后获得的图像示意图；

图4为实施例1中当前帧灰度图像示意图；

图5为实施例1中检测处理后的当前帧灰度图像示意图；

图6为实施例1中标记之后的当前帧灰度图像示意图。

具体实施方式

下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。

实施例1

一种重型卡车夜间前方车辆检测方法，具体步骤包括：

A、获取分类器

(1)在重型卡车行驶过程中，拍摄重型卡车行驶前方行驶环境，得到大量的8位灰度图像；图2为所述大量8位灰度图像中的一幅图像示意图；

(2)采用阈值处理方法去除步骤(1)得到的大量的8位灰度图像中的每一帧灰度图像中的干扰；去除图2中的干扰后获得的图像示意图如图3所示；

(3)在步骤(2)得到的灰度图像中，截取车灯对区域作为训练分类器的正样本，截取非车灯对区域作为训练分类器的负样本；

(4)使用基于haar-like特征的adaboost算法训练步骤(3)所述正样本及负样本，得到分类器；

B、实现车辆检测

(5)实时读取视频的当前帧灰度图像并执行以下操作：当前帧灰度图像I_t如图4所示，拷贝当前帧灰度图像，采用自适应阈值处理方法去除所述当前帧灰度图像中的干扰，得到检测处理后的当前帧灰度图像，如图5所示，加载步骤(4)得到的分类器，检测所述检测处理后的当前帧灰度图像中的车灯对区域，输出车灯对区域，并在所述拷贝的当前帧灰度图像中标记车灯对区域。如图6所示。所述视频是指重型卡车行驶过程中实时拍摄的重型卡车行驶前方行驶环境的视频。

实施例2

根据实施例1所述重型卡车夜间前方车辆检测方法，其区别在于，所述阈值处理方法，具体包括：

a、计算灰度图像在感兴趣区域(0,N_cols/m,N_rows,N_cols·(m-1)/m)的像素值均值μ_l，所述感兴趣区域是指：左上角第一个像素的位置为(0,N_cols/m)，宽为N_rows，高为N_cols·(m-1)/m；m的取值为3，m的取值范围使感兴趣区域不包含天空部分。μ_l的计算公式如式(Ⅰ)所示：

$>{\mu }_l=\frac{m}{(m-1)·(N_{cols}\times N_{rows})}\underset{y>N_{cols}/m}{\Sigma }{I}_t(x,y)---\left(I\right)$>

式(Ⅰ)中，N_cols表示灰度图像的每列的像素个数，N_rows表示灰度图像的每行的像素个数，N_cols×N_rows是指灰度图像的大小，I_t(x,y)是指灰度图像中(x,y)点的像素值；

b、在灰度图像上划定感兴趣区域(0,k*N_cols/N,N_rows,N_cols/N)，1≤k≤N，N表示在灰度图像上依次等间隔划定的感兴趣区域的个数，k初始值为1；

c、在第k个感兴趣区域中，设定大小为m×n的小窗口，m＜＜N_cols，n＜＜N_rows；令i＝1；

d、使用步骤c所述小窗口遍历第k个感兴趣区域：如果所述小窗口内的局部像素均值u_i大于u_l，并且所述小窗口内的局部最大灰度值M_i大于M，则计算所述小窗口内的局部标准差σ_i，计算所述小窗口内的局部阈值T_i＝M_i-σ_i，i加1，其中，M的取值为250；

e、在第k个感兴趣区域求得i个阈值，即T_k1,T_k2,...T_ki，若k＜N，取作为第k个感兴趣区域的阈值，k加1，进入步骤c；若k＝N，取T_tN＝max{T_k1,...T_ki}，进入步骤f；

f、灰度图像的N个感兴趣区域求得N个不同的阈值T_t1,T_t2,...,T_tN。

实施例3

根据实施例2所述重型卡车夜间前方车辆检测方法，其区别在于，计算所述小窗口内的局部标准差σ_i，具体计算公式如式(Ⅱ)所示：

$>{\sigma }_i^2=\frac{1}{\left|\Omega \right|}\underset{(x,y)\in \Omega }{\Sigma }{[I_t(x,y)-{\mu }_i]}^2---\left(II\right)$>

式(Ⅱ)中，Ω表示灰度图像。

实施例4

根据实施例1所述重型卡车夜间前方车辆检测方法，其区别在于，使用基于haar-like特征的adaboost算法训练步骤(3)所述正样本及负样本，得到分类器；具体步骤包括：

g、使用基于haar-like特征的adaboost算法训练所述正样本及负样本，设定训练参数，所述训练参数包括：训练分类器的级数nstage、决定用于阶段分类器的分类器nsplits、用于训练每一级分类器的正样本数npos、用于训练每一级分类器的负样本数nneg、每一级分类器需要的最小命中率minhitrate、每一级分类器的最大虚警率maxfalsealarm、正样本或负样本的宽w、正样本或负样本的高h、可用内存mem、选择Adaboost算法类型bt，nstage的取值为14，nsplits为1，表示简单的二分类分类器，npos的取值为900，nneg的取值为1900，minhitrate的取值为0.998，maxfalsealarm的取值为0.5，w的取值为20，h的取值为20，mem取值为512MB，bt为离散Adaboost算法DAB，得到每层最优的弱分类器并给定权值，将若干弱分类器组成强分类器，多级强分类器形成级联分类器，即步骤(4)所述分类器。

调用现有的OpenCv中的可执行文件opencv_haartraining.exe实现基于haar-like特征的adaboost算法，训练参数作为输入值，即可实现步骤g所述操作。

根据实验验证，上述训练参数的设置得到的分类器更有利于重型卡车夜间前方车辆检测。