基于本征图像分解的车辆检测算法制造技术

本发明专利技术涉及智能交通系统中的车辆检测算法，它是一种昼夜通用的基于本征图像分解的车辆检测算法，其具体做法是：首先在对数域上，对原始输入图像进行求导滤波，将其转化到梯度域；在梯度域上，计算当前图像的梯度图和背景图像的梯度图之差，得到运动前景图像的梯度图；用本征图像分解的方法对运动前景图像的梯度图进行处理，得到光影图像的梯度图和目标图像的梯度图；提取出目标图像的梯度图中梯度幅度大于阈值Ｔ的像素点，作为运动目标点；针对某一区域，若运动目标点的数目超过该区域内像素点总数目的一定比例，则认为该区域内有车辆通过。本发明专利技术的有益效果是去除了阴影和光照的影响，能够实时准确地对白天和夜间的车辆进行检测。

【技术实现步骤摘要】

本专利技术涉及一种智能交通车辆检测算法，特别涉及一种昼夜通用的基于 本征图像分解的智能交通车辆检测技术。
技术介绍
随着智能交通系统(ITS)的发展，作为其核心技术的车辆检测算法己经成 为计算机视觉中的一个重要研究方向。能否获取车辆的准确轮廓对于之后的目 标分类，跟踪等处理十分重要，也影响到整个系统的精确度。在有阴影的条件下和夜间环境的车辆检测一直是研究的难点和热点问题。 在白天的车辆检测中，阴影是主要的干扰。而夜间车辆检测不但受到阴影的干 扰，还面对车灯的影响。首先，光线很强的车前灯足以引起整个画面光照条件 的改变，因而夜间车辆检测很难通过背景建模后减除背景的方法来实现。其次， 在车前灯的照射下，车前路面会被照的很亮，这块光亮的区域和阴影一样都是 与车辆一起运动的，如果直接进行背景差分或者帧间差分，前灯和阴影将和运 动车辆一起被检测出来，给准确分割出运动车辆造成很大的困难。当视频检测系统采用虚拟线圈的方法判断在线圈位置车辆的进入或离开状态时，就更需要 去除阴影和强烈光照的影响以便准确分割出运动车辆。已有的运动阴影检测方法可以分为以下两类第一，从空间的角度出发建 立阴影的几何模型，但是它需要场景、对象和光照等先验知识，并不适用于复 杂的情况；第二，基于阴影像素属性的方法；例如基于HSV颜色空间或者归 一化RGB颜色空间的阴影检测方法，这些方法的明显缺点是要假设阴影不改变 覆盖区域的颜色；再例如那些基于阴影的颜色、纹理或者梯度特性的方法，这 些方法在碰到车辆的某些部分和阴影性质具有相似特性是，往往会出现车身被当作阴影去除，而真正的阴影被保留的情况。而现有的夜间车辆检测技术则相对比较少，常见的夜间检测算法可以分为 基于车身特定部位(包括车前灯、尾灯和底盘等)定位的方法和基于边缘信息 的方法。这些算法都主要是针对某一些特定的场合或者某一种特定的应用，要 不然就是效果不佳。总体来说，现有的视频检测系统中一般都包含有分别针对白天和夜晚的两 套算法，现在还没有一种昼夜通用的有效的车辆检测方法。
技术实现思路
本专利技术针对己有技术的不足，提出了一种昼夜通用的基于本征图像分解 的车辆检测算法，该算法可以实时的进行车辆检测。其步骤是首先在对数域 上，对原始输入图像进行求导滤波，将其转化到梯度域；在梯度域上，计算当 前图像的梯度图和背景图像的梯度图之差，得到前景图像的梯度图；用本征图 像分解的方法对前景图像的梯度图进行处理，得到光影图像的梯度图和目标图 像的梯度图；最后，对目标图像的梯度图进行运动目标分割，提取出目标图像 的梯度图中梯度幅度大于阈值T的像素点作为运动目标点；针对某一区域，若运动目标点的数目超过该区域内像素点总数目的一定比例，则认为该区域内有 车辆通过。其中背景图像的梯度图的具体获取方法是:首先将提前保存的用于提取背 景的图像(n帧)全部转换到对数域；再对对数域的每幅图像进行二维的求导 滤波；将求导滤波后的每幅图像中同一像素点的值放在一起构成一个一维向 量，对每个这样的一维向量进行中值滤波，得到梯度域的背景图像的估计图。 即在对数域上可将原始图像分解为/(x,jv7，0 =附(X^,O + 6(X;v0 (i)其中/(x，;^)代表t时刻的原始图像的梯度图，6(x，力表示图像背景(包括路面 固定物体的影子)的梯度图，一x，y,0代表t时刻的运动前景图像的梯度图，它包含了大量运动前景信息，但还不是准确的车辆信息。本征图像分解的方法是:建立基于空间颜色信息和时域颜色信息的联合分 类器，对运动前景图像梯度图中的每个像素点进行分类，得到目标图像的梯度 图。基于空间颜色信息和时域颜色信息的联合分类器定义为1) 在归一化RGB颜色空间中，》为归一化颜色空间的红色分量，》的水 平方向梯度和垂直方向梯度分别表示为^"力和l"力，得到》在点"力处 的梯度J》(x，力<formula>formula see original document page 6</formula>2) 对于归一化后的绿色分量d，采用同样的方法得到d在点"力处的梯<formula>formula see original document page 6</formula>3) 将点"力处的颜色特性值K"力定义为<formula>formula see original document page 6</formula>贝IJ，基于空间颜色信息的分类器定义为'运动目标点 ro，力》7;光影点 dsc 基于时域颜色信息的分类器定义为运动目标点 <formula>formula see original document page 6</formula>、光影点 else 其中相邻两帧图像在同一像素点(u)处的归一化颜色组成分别为G(x,力4) 根据前述两个分类器，联合检测器定义为运动目标点 r(jc，力2 S d O， _y).C2 (;c,力< T2光影点 else7i和K均为常数。本专利技术的基于本征图像分解的车辆检测算法的有益效果是:去除了阴影和 光照的影响，能够实时准确地对白天和夜间的车辆进行检测。附图说明图1为本专利技术的一种车辆检测算法实施例的总流程图; 图2为提取运动前景模块的流程图； 图3为本征图像分解模块的流程图。具体实施例方式下面，结合附图和具体实施方式对本专利技术作进一步的说明。 如图1所示，本算法的核心部分为提取运动前景和本征图像分解，下面 结合附图对这两部分进行说明 1.提取运动前景这一步对原始的图像序列进行第一次分解，以得到背景图Wx，"和每一帧 图像中的运动前景部分"^，y力，具体的流程图见图2。首先，将输入图像序列W - " x △,)," = 0,1, 2，…W转换到对数域(算法中 k = 9，间隔"可以自己调整)，然后经/,=进行求导滤波， 得到"0，=/力"o， :m)z々0,几f) = /力*力+附O, 乂 0] ""乂 0 = 、 0，力+附力"_y, 0其中/力=[/;,/" ， "(u，0 = {"x,:MK(x，w)} ， *表示巻积运算。图像的背景分量6(U)满足经求导滤波之后的输出w々"，y，o是稀疏矩阵。分别对输出的X和y两个方向的梯度图像序列进行中值滤波，可以得到背 景图像梯度的估计值《和S。6々(jc， _y) = we(i/(3w,/々(x， _y, Z) m一 0, jf, 0 = " O, 0 - 6力(x，力求出了背景图像的梯度图后，只需要从原始图像的梯度图中减去这一部分 就可以得到前景部分(包括运动物体，运动阴影，光照变化)的梯度图w(u力 禾口^0,:m):附x (X _y, /)=厶(x, _y, 0 — ~ (x， _y) 2. 本征图像分解得到前景图像的梯度之后，这一步便是设计一个分类器将运动目标图像从 前景图像中分离出来，得到目标图像梯度图，具体的流程图见图3。前景图像可以看作照射图像和目标图像的和。在梯度域，它们的关系满足:附力0, 0 = 0力乂 0 + 、/y O, 0其中，O力(U力为运动目标的梯度；^"W,0为光影的梯度。本算法将利 用图像序列在时域和空域的颜色特征本文档来自技高网...

【技术保护点】
一种基于本征图像分解的车辆检测算法，其特征在于包含如下步骤：首先在对数域上，对原始输入图像进行求导滤波，将其转化到梯度域；在梯度域上，计算当前图像的梯度图和背景图像的梯度图之差，得到运动前景图像的梯度图；用本征图像分解的方法对前景图像的梯度图进行处理，得到光影图像的梯度图和目标图像的梯度图；提取出目标图像的梯度图中梯度幅度大于阈值Ｔ的像素点，作为运动目标点；针对某一区域，若运动目标点的数目超过该区域内像素点总数目的一定比例，则认为该区域内有车辆通过。

【技术特征摘要】

【专利技术属性】
技术研发人员：于慧敏，王婷，吴嘉，
申请(专利权)人：浙江大学，
类型：发明
国别省市：86[中国|杭州]