一种结合空域和时域特征的车辆行驶途中摄像头遮挡检测算法制造技术

本发明专利技术创新提供了一种结合空域和时域特征的车辆行驶途中摄像头遮挡检测算法，包括图像获取步骤、帧判断步骤、第一帧判断步骤、变化判断步骤、当前帧判断步骤以及更新步骤，针对兴趣区域对摄像头是否遮挡进行判断，减少环境引起的误检情况；同时，利用局部统计信息代替全局信息，能够更好的检测摄像头局部遮挡的情况，同时，利用视频空域上的图像特征以及时域上的运动特征的结合，能够有效的提高行驶途中遮挡检测的准确性，减少误判，并对摄像头进行实时计算，提高检测准确度。提高检测准确度。提高检测准确度。

【技术实现步骤摘要】
一种结合空域和时域特征的车辆行驶途中摄像头遮挡检测算法


[0001]本专利技术涉及图像处理的
，更具体的说是涉及一种结合空域和时域特征的车辆行驶途中摄像头遮挡检测算法。

技术介绍

[0002]随着计算机视觉与模式识别的发展，视觉算法被广泛运用于自动驾驶领域，对车辆安全行驶起着至关重要的作用。然而，由于天气、路况等环境信息的影响，摄像头可能会被落叶、水滴、雾气等多种物体遮挡，导致摄像头视野范围变小甚至消失。此时，所有基于摄像头的视觉算法都将失效，为车辆行驶带来巨大的安全隐患。因此，实时检测摄像头遮挡情况，是视觉算法正常运行的关键之一，更是车辆安全行驶的一个保障。
[0003]现有摄像头遮挡检测算法主要分为两类：1).基于数据驱动的检测算法；2).基于模型驱动的检测算法。前者通过大量数据训练神经网络，进而实现遮挡检测。后者通过各种数学模型，对数据中的规律进行建模，从而实现遮挡检测。借助神经网络的方法精度高，可适用多种场景。然而，该类方法需构建大量数据，且对运算设备有一定要求。因此，在资源有限的边缘设备上，许多方案集中于研究模型驱动的检测算法。而如今模型驱动的算法仍存在着缺陷：依赖于图像亮度的算法难以在隧道等场景下正常使用；使用图像锐度的方法在阴雨等天气下精度不高；基于局部二值模式等多种特征的方法虽然精度高，但计算复杂度大。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术的目的在于提供一种结合空域和时域特征的车辆行驶途中摄像头遮挡检测算法，用于克服现有技术中的上述缺陷。
[0005]为实现上述目的，本专利技术提供了如下技术方案：
[0006]一种结合空域和时域特征的车辆行驶途中摄像头遮挡检测算法，其特征在于，包括
[0007]图像获取步骤：获取摄像头采集的图像帧，对其裁剪提取兴趣区域，并对兴趣区域切块获取若干图像块，进入帧判断步骤；
[0008]帧判断步骤：判断所述图像帧是否为第一帧，若是第一帧，则进入到第一帧判断步骤，若不是第一帧，则进入到变化判断步骤；
[0009]第一帧判断步骤：若当前是摄像头开启后的第一帧，则获取后续时间内不连续的三帧作为关键图像帧，对三组关键图像帧进行三帧差分法，利用第一计算公式计算兴趣区域中每个图像块的累积运动信息，并进入到更新步骤，所述累积运动信息不小于时间信息阈值时，判断为遮挡；
[0010]变化判断步骤：若当前摄像头已开启一段时间后，获取所有帧的画面对比信息，并进入到当前帧判断步骤，所述图像获取信息满足第二预设条件时，则判断为剧烈变化，则进
入到当前帧判断步骤，所述图像获取信息不小于运动信息阈值时，则判断为未发生剧烈变化，并进入到更新步骤；
[0011]当前帧判断步骤：对于变化剧烈的当前帧，获取后续时间内不连续的三帧作为关键图像帧，对三组关键图像帧进行三帧差分法，利用第一计算公式计算兴趣区域中每个图像块的累积运动信息，并进入到更新步骤，不小于时间信息阈值时，判断为遮挡；
[0012]更新步骤：更新当前帧队列，并重新回到图像获取步骤。
[0013]作为优选，所述第一计算公式为：
[0014][0015][0016]其中，m为图像块数量；
[0017]为图像块的二值图；
[0018]为的图像均值；
[0019]S为累积运动信息；
[0020]T
s
为设定的运动信息阈值。
[0021]作为优选，所述变化判断步骤包括以下步骤：
[0022]统计子步骤：根据每个图像块的特征，并利用第二计算公式获取整个兴趣区域的统计信息，即车辆行驶途中，摄像头在过去一段时间内获取图像的整体信息，并进入到判断子步骤；
[0023]判断子步骤：利用第三计算公式计算帧队列中所有帧的平均统计信息，并利用第四计算公式计算当前帧的统计信息与平均统计信息的均方误差，还包括有误差阈值，当误差大于误差阈值时，所述则判断为发生剧烈变化，并进入到当前帧判断步骤，若误差小于阈值时，则判断为未发生剧烈变化，并进入到更新步骤。
[0024]作为优选，其特征在于，所述第二计算公式为：
[0025][0026][0027]其中，为当前帧对应感兴趣区域第i个图像块的锐度；
[0028]为当前帧对应感兴趣区域第i个图像块的标准差；
[0029]w
i
和v
i
分别为锐度和标准差的权重；
[0030]C
q
为当前帧的加权锐度；
[0031]C
s
为当前帧的加权标准差。
[0032]作为优选，所述第三计算公式为：
[0033][0034][0035]其中，n为时间参数；
[0036]Cq
j
为过去第j个关键帧对应兴趣区域的加权锐度；
[0037]Cs
j
为过去第j个关键帧对应兴趣区域的标准差；
[0038]M
q
为兴趣区域的平均锐度；
[0039]M
s
为兴趣区域的平均标准差。
[0040]作为优选，所述第四计算公式为：
[0041][0042]其中mse为当前帧与先前帧之间的误差。
[0043]作为优选，所述当前帧判断步骤中当前帧为初始帧，并记录后续第30帧、150帧以及第300帧图像作为关键图像帧。
[0044]作为优选，所述第一帧判断步骤中的第一帧为初始帧，并记录第1帧、第30帧以及第150帧的图像作为关键图像帧。
[0045]作为优选，所述图像获取步骤中摄像头采集的图像为I,调整尺寸后的图像宽高分别为I
w
和I
h
，并截取兴趣区域I
roi
，所述兴趣区域I
roi
＝I[0:I
w
,I
h
/3:I
h
]。
[0046]作为优选，所述更新步骤包括当前帧判断结束后，判断帧队列内帧数量是否大于最大存储数量，若帧队列已满，则删除队列头部的帧，并将当前帧加入尾部
[0047]本专利技术的有益效果：本专利技术针对兴趣区域对摄像头是否遮挡进行判断，减少环境引起的误检情况；同时，利用局部统计信息代替全局信息，能够更好地检测摄像头局部遮挡的情况；同时，利用视频空域上的图像特征以及时域上的运动特征的结合，能够有效的提高行驶途中遮挡检测的准确性，减少误判，并对摄像头进行实时计算，提高检测准确度。
附图说明
[0048]图1是本专利技术摄像头遮挡检测算法的原理图；
[0049]图2是本专利技术摄像头遮挡检测算法的流程图。
具体实施方式
[0050]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合空域和时域特征的车辆行驶途中摄像头遮挡检测算法，其特征在于，包括图像获取步骤：获取摄像头采集的图像帧，对其裁剪提取兴趣区域，并对兴趣区域切块获取若干图像块，进入帧判断步骤；帧判断步骤：判断所述图像帧是否为第一帧，若是第一帧，则进入到第一帧判断步骤，若不是第一帧，则进入到变化判断步骤；第一帧判断步骤：若当前是摄像头开启后的第一帧，则获取后续时间内不连续的三帧作为关键图像帧，对三个关键图像帧进行三帧差分法，利用第一计算公式计算兴趣区域中每个图像块的累积运动信息，并进入到更新步骤，若所述累积运动信息小于运动信息阈值的图像块数量不小于设置的数量阈值时，判断为遮挡；变化判断步骤：若当前摄像头已开启一段时间后，获取所有帧的画面对比信息，并进入到当前帧判断步骤，所述图像获取信息满足第二预设条件时，则判断为剧烈变化，则进入到当前帧判断步骤，所述图像获取信息不小于运动信息阈值时，则判断为未发生剧烈变化，并进入到更新步骤；当前帧判断步骤：对于变化剧烈的当前帧，获取后续时间内不连续的三帧作为关键图像帧，对三个关键图像帧进行三帧差分法，利用第一计算公式计算兴趣区域中每个图像块的累积运动信息，并进入到更新步骤，不小于时间信息阈值时，判断为遮挡；更新步骤：更新当前帧队列，并重新回到图像获取步骤。2.根据权利要求1所述的一种结合空域和时域特征的车辆行驶途中摄像头遮挡检测算法，其特征在于，所述第一计算公式为：法，其特征在于，所述第一计算公式为：其中，m为图像块数量；为图像块的二值图；为的图像均值；S为累积运动信息；T
s
为设定的运动信息阈值。3.根据权利要求1所述的一种结合空域和时域特征的车辆行驶途中摄像头遮挡检测算法，其特征在于，所述变化判断步骤包括以下步骤：统计子步骤：根据每个图像块的特征，并利用第二计算公式获取整个兴趣区域的统计信息，即车辆行驶途中，摄像头在过去一段时间内获取图像的整体信息，并进入到判断子步骤；判断子步骤：利用第三计算公式计算帧队列中所有帧的平均统计信息，并利用第四计算公式计算当前帧的统计信息与平均统计信息的均方误差，还包括有误差阈值，当误差大于误差阈值时，所述则判断为发生剧烈变化，并进入到当前帧判断步骤，若误差小于阈值
时，则判断为未发生剧烈变化，并进入到更新步骤。4.根据权利要求3所述的一种结合空域和时域特征的车辆行驶途中摄像头遮挡检测...

【专利技术属性】
技术研发人员：沈钺，田飞，何兴诗，田锋，
申请(专利权)人：英博超算南京科技有限公司，
类型：发明
国别省市：