CN101556739A - 基于本征图像分解的车辆检测算法 - Google Patents

Abstract

本发明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。

Description

基于本征图像分解的车辆检测算法

技术领域

本发明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。

背景技术

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已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。

发明内容

本发明针对已有技术的不足，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：

i(x，y，t)＝m(x，y，t)+b(x，y)    (1)

其中i(x，y，t)代表t时刻的原始图像的梯度图，b(x，y)表示图像背景(包括路面固定物体的影子)的梯度图，m(x，y，t)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和得到

在点(x，y)处的梯度

$d\tilde{R}(x,y)=\left\{\begin{array}{c}{\tilde{R}}_x(x,y),\mathrm{if}\left|{\tilde{R}}_x(x,y)\right|>\left|{\tilde{R}}_y(x,y)\right|\\ {\tilde{R}}_y(x,y),\mathrm{otherwise}\end{array}\right.$

2)对于归一化后的绿色分量

采用同样的方法得到

在点(x，y)处的梯度

$d\tilde{G}(x,y)=\left\{\begin{array}{c}{\tilde{G}}_x(x,y),\mathrm{if}\left|{\tilde{G}}_x(x,y)\right|>\left|{\tilde{G}}_y(x,y)\right|\\ {\tilde{G}}_y(x,y),\mathrm{otherwise}\end{array}\right.$

3)将点(x，y)处的颜色特性值V(x，y)定义为：

$V(x,y)=\max \left\{\right|d\tilde{R}(x,y)|,|d\tilde{G}(x,y)\left|\right\}$

则，基于空间颜色信息的分类器定义为：

基于时域颜色信息的分类器定义为：

其中相邻两帧图像在同一像素点(x，y)处的归一化颜色组成分别为

和

4)根据前述两个分类器，联合检测器定义为：

T₁和T₂均为常数。

本发明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为本发明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。

具体实施方式：

下面，结合附图和具体实施方式对本发明作进一步的说明。

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b(x，y)和每一帧图像中的运动前景部分m(x，y，t)，具体的流程图见图2。

首先，将输入图像序列{i(t-n×Δt)，n＝0，1，2，…k}转换到对数域(算法中k＝9，间隔Δt可以自己调整)，然后经f_x＝[0，1，-1]^T和f_y＝[0，1，-1]进行求导滤波，得到：

i_x/y(x，y，t)＝f_x/y*i(x，y，t)

i_x/y(x，y，t)＝f_x/y*[b(x，y)+m(x，y，t)]

i_x/y(x，y，t)＝b_x/y(x，y)+m_x/y(x，y，t)

其中f_x/y＝{f_x，f_y}，i_x/y(x，y，t)＝{i_x(x，y，t)，i_y(x，y，t)}，*表示卷积运算。图像的背景分量b(x，y)满足：

b_x/y(x，y)＝f_x/y*b(x，y)

经求导滤波之后的输出m_x/y(x，y，t)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

${\hat{b}}_{x/y}(x,y)={\mathrm{median}}_t{i}_{x/y}(x,y,t)$

${\hat{m}}_{x/y}(x,y,t)=i_{x/y}(x,y,t)-{\hat{b}}_{x/y}(x,y)$

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m_x(x，y，t)和m_y(x，y，t)：

m_x(x，y，t)＝I_x(x，y，t)-b_x(x，y)

m_y(x，y，t)＝I_y(x，y，t)-b_y(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：

m_x/y(x，y，t)＝o_x/y(x，y，t)+s_x/y(x，y，t)

其中，o_x/y(x，y，t)为运动目标的梯度；s_x/y(x，y，t)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相结合来达到这个目的。

A.基于空间颜色信息的分类器

仅考虑当前帧图像，根据空域颜色变化信息，设计一个二值分类器对前景图像在每一个像素位置的梯度进行分类。

在RGB颜色空间，图像中的每一个像素都可以用向量(R，G，B)来表示。根据上面文献所介绍的颜色信息表示方式，RGB空间可以归一化地表示成：

$\tilde{R}=\frac{R}{R+G+B}$

$\tilde{G}=\frac{G}{R+G+B}$

$\tilde{B}=\frac{B}{R+G+B}$

分别为归一化的红色、绿色和蓝色分量，因为

可以通过 $\tilde{B}=1-\tilde{R}-\tilde{G}$ 得到，所以使用

来表示色彩组成就可以了。

的水平方向梯度和垂直方向梯度分别表示为和用

代表

在点(x，y)处的梯度，并定义它的值为：

$d\tilde{R}(x,y)=\left\{\begin{array}{c}{\tilde{R}}_x(x,y),\mathrm{if}\left|{\tilde{R}}_x(x,y)\right|>\left|{\tilde{R}}_y(x,y)\right|\\ {\tilde{R}}_y(x,y),\mathrm{otherwise}\end{array}\right.$

的梯度

可以用同样的方法得到：

$d\tilde{G}(x,y)=\left\{\begin{array}{c}{\tilde{G}}_x(x,y),\mathrm{if}\left|{\tilde{G}}_x(x,y)\right|>\left|{\tilde{G}}_y(x,y)\right|\\ {\tilde{G}}_y(x,y),\mathrm{otherwise}\end{array}\right.$

进而将点(x，y)处的颜色特性值V(x，y)定义为：

$V(x,y)=\max \left\{\right|d\tilde{R}(x,y)|,|d\tilde{G}(x,y)\left|\right\}$

将颜色特性值V(x，y)和一个阈值做比较，构成一个简单的二值分类器。具体的分类器定义为：

$\left\{\begin{array}{cc}{\hat{o}}_{x/y}(x,y)={\hat{m}}_{x/y}(x,y),{\hat{s}}_{x/y}(x,y)=0,& V(x,y)\≥T_1\\ {\hat{s}}_{x/y}(x,y)={\hat{m}}_{x/y}(x,y),{\hat{o}}_{x/y}(x,y)=0,& \mathrm{else}\end{array}\right.$

如果V(x，y)大于此阈值，则将前景图像在这一像素位置的梯度划分为属于目标图像的梯度；否则，则将前景图像在这一像素位置的梯度划分为属于光影图像的梯度。

B.基于时域颜色信息的分类器

该步建立一个二值分类器，将由反射率变化引起的时域梯度归为属于目标图像的梯度，其余梯度则保留为光影图像的梯度。

假设相邻两帧图像在同一像素点(x，y)处的颜色组成分别为C₁(x，y)和C₂(x，y)。这里C₁(x，y)和C₂(x，y)都是RGB向量。归一化C₁(x，y)和C₂(x，y)得到和

用点积

来表示在(x，y)处颜色组成时域变化的程度，如果像素时域变化是由光照引起的，则 $[{\hat{C}}_1(x,y)\·{\hat{C}}_2(x,y)]=1,$ 也就是cos(0)。考虑到噪声的影响，如果

的值低于一个略小于1的阈值，则把这一点的像素变化视为是由反射率变化引起的。具体的分类器定义为：

$\left\{\begin{array}{cc}{\hat{o}}_{x/y}(x,y)={\hat{m}}_{x/y}(x,y),{\hat{s}}_{x/y}(x,y)=0,& {\hat{C}}_1(x,y)\&CenterDot;{\hat{C}}_2(x,y)<T_2\\ {\hat{s}}_{x/y}(x,y)={\hat{m}}_{x/y}(x,y),{\hat{o}}_{x/y}(x,y)=0,& \mathrm{else}\end{array}\right.$

C.联合分类器

将前面两个分类器结合起来，规定最终的分类判据为：

$\left\{\begin{array}{c}{\hat{o}}_{x/y}(x,y)={\hat{m}}_{x/y}(x,y),{\hat{s}}_{x/y}(x,y)=0,\\ \mathrm{ifV}(x,y)\&GreaterEqual;T_1\mathrm{and}{\hat{C}}_1(x,y)\&CenterDot;{\hat{C}}_2(x,y)<T_2\\ {\hat{s}}_{x/y}(x,y)={\hat{m}}_{x/y}(x,y),{\hat{o}}_{x/y}(x,y)=0,\\ \mathrm{otherwise}\end{array}\right.$

通过该联合分类器得到的结果就是综合了两个条件之后得到的目标图像梯度图。

运动目标分割部分的具体做法是：

在目标梯度图像中，位于目标边缘像素位置的梯度值通常比其他像素位置的梯度值要大。因此，只要将目标梯度图像每一个像素位置的梯度值与一个阈值做比较就可以检测出运动目标的边缘。

用E(x，y)表示分类的结果，对

进行运算分析，如果点(x，y)属于运动目标的边缘，则E(x，y)＝1，否则E(x，y)＝0，判别准则如下：

$E_x(x,y)={\hat{o}}_x(x,y,r)+{\hat{o}}_x(x,y,g)+{\hat{o}}_x(x,y,b)$

$E_y(x,y)={\hat{o}}_y(x,y,r)+{\hat{o}}_y(x,y,g)+{\hat{o}}_y(x,y,b)$

$E(x,y)=\left\{\begin{array}{cc}1,& \mathrm{if}{E}_x(x,y)>T_3\mathrm{or}{E}_y(x,y)>T_3\\ 0,& \mathrm{else}\end{array}\right..$

其中，和

分别为点(x，y)处RGB颜色空间各个颜色分量x方向的梯度值；

和

分别为点(x，y)处RGB颜色空间各个颜色分量y方向的梯度值。

针对某一个区域，若该区域中满足E(x，y)＝1的像素点的数目占该区域内总像素点数的比例超过阈值S，判定该区域内有运动车辆通过。

Claims (4)

1、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。

2、如权利要求1所述的基于本征图像分解的车辆检测算法，其特征在于，提取背景图像部分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。

3、如权利要求1或2所述的基于本征图像分解的车辆检测算法，其特征在于，本征图像分解方法是：建立基于空间颜色信息和时域颜色信息的联合分类器，对运动前景图像中的每个像素点进行分类，从而得到最终的运动目标。

4、如权利要求3所述的基于本征图像分解的车辆检测算法，其特征在于，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

和

得到

在点(x，y)处的梯度

$d\tilde{R}(x,y)=\left\{\begin{array}{cc}{\tilde{R}}_x(x,y),& \mathrm{if}\left|{\tilde{R}}_x(x,y)\right|>\left|{\tilde{R}}_y(x,y)\right|\\ {\tilde{R}}_y(x,y),& \mathrm{otherwise}\end{array}\right.$

2)对于归一化后的绿色分量采用与

同样的方法得到在点(x，y)处的梯度

3)将点(x，y)处的颜色特性值V(x，y)定义为：

$V(x,y)=\max \left\{\right|d\tilde{R}(x,y)|,|d\tilde{G}(x,y)\left|\right\}$

则，基于空间颜色信息的分类器定义为：

基于时域颜色信息的分类器定义为：

其中相邻两帧图像在同一像素点(x，y)处的归一化颜色组成分别为

和

4)根据前述两个分类器，联合检测器定义为：

T₁和T₂均为常数。

Images