专利名称：基于历史图像的大型车辆盲区预警方法
技术领域：
本发明涉及车辆安全领域，具体涉及一种用于大型车辆的可以快速检测视觉盲区内的运动物体，并在运动物体进入预设报警区域内发出警告信息的视觉盲区预警方法。
背景技术：
近年来，大型工程车事故频发，引起了社会的广泛重视。如图1所示，对于常见的大型工程车而言，由于车身较大且驾驶人员位于左侧位置，右转弯时会产生视觉盲点。目前有一些大型车辆后视镜下方大多加装一个凸面的盲点镜，有些车辆车窗上方还安装了专门的反光镜，但是仍然无法克服视觉盲点问题，在大型车右转弯时客观存在盲区，而行人、非机动车等体积比较矮小，司机可能看不到。当非机动车或行人步入内轮的视觉盲区的范围内，就面临危险。事实上，许多发生事故的行人和电动车都是由于紧贴车身，被拐弯后的车身拖入车内并碾压致死的。除了工程车辆超载、超速、行人违章等主观原因外，其中有超过1/4的事故是由于工程车右转弯时，客观上存在的视觉盲区造成的。因此，解决工程车右转盲区问题，具有现实意义。针对大型车视觉盲区问题，国内外仍然处于初级阶段，国外主要通过对大型车的盲区进行标定，事先提醒行人、非机动车等远离盲区，主动躲避危险区域；国内一般在工程车加装了语音提示装置，即在车辆准备右转时，向外发出语音提示，提示行人等远离盲区。 但是，以上方法均是针对行人与非机动车的等，目前还没有一种方法对司机进行提前预警。
发明内容
本发明要解决的技术问题是提供一种能够监测大型车辆盲区的运动物体，提前报警减少事故的发生，安全可靠、使用方便、检测快速实时的基于历史图像的大型车辆盲区预警方法。为解决上述技术问题，本发明采用的技术方案为一种基于历史图像的大型车辆盲区预警方法，其实施步骤如下1)采集车辆的盲区图像，在盲区图像中设置危险区域；2)根据盲区图像建立背景模型，并持续根据当前盲区图像更新背景模型；3)根据所述背景模型获取当前盲区图像中的前景图像；4)对前景图像进行运动分割分别获取前景图像中的各运动区域；5)比较各运动区域与所述危险区域之间的位置关系，如果任意运动区域落入所述危险区域内则发出预警提示。作为本发明技术方案的进一步改进所述步骤4)中获取各个运动区域后，对各个运动区域进行聚合处理将大型运动物体的多个运动区域聚合成为一个运动区域。所述聚合处理的详细步骤如下①、设定聚合距离；
3
②、对前景图像进行运动分割找到第一个圆形运动区域，并以该圆形运动区域的圆心作为当前中心点建立运动区域集合，将到当前中心点距离小于聚合距离的圆形运动区域合并到该集合中形成新的圆形运动区域；③、以分别从当前中心点向外延伸获得各个新当前中心点，并以新当前中心点为中心建立运动区域集合，分别将到各当前中心点距离小于聚合距离的圆形运动区域合并到该集合中形成新的圆形运动区域，继续向外延伸处理直至将前景图像处理完毕。所述对运动区域后聚合处理后，将运动区域扩大1 5倍。所述步骤2)中根据连续的盲区图像建立背景模型的详细步骤如下(1)、将盲区图像转换为灰度图像；(2)、将灰度图像进行除噪处理；(3)、将除噪的灰度图像进行二值化获得黑白图像。所述步骤(2)中将灰度图像进行除噪处理时，采用高斯模糊算法进行除噪处理。所述步骤3)中获取当前盲区图像中的前景图像时，首先将当前盲区图像转换为灰度图像，然将该灰度图像与背景模型进行差分处理获得获取当前盲区图像中的前景图像。所述获得前景图像后，对获取的前景图像依次进行腐蚀、膨胀操作。所述步骤2)中根据acc (x, y) = (1_α) · acc (χ, y) + α · image (χ, y)更新背景模型，其中aCC(x，y)为背景模型，image (x, y)为当前盲区图像，α为更新速率。本发明具有下述优点本发明基于背景减除法，通过将当前盲区图像和历史图像建立的背景模型进行对比获取当前盲区图像中的前景图像，然后对前景图像进行运动分割分别获取前景图像中的各运动区域，比较各运动区域与所述危险区域之间的位置关系，如果任意运动区域落入所述危险区域内则发出预警提示，能够监测大型车辆盲区的运动物体，提前报警减少事故的发生，具有安全可靠、使用方便、检测快速实时的优点。
图1为大型车辆的盲区示意图。
图2为本发明实施例的流程示意图。
图3为本发明实施例中步骤2)未采用除噪处理后的图像。
图4为本发明实施例中步骤2)采用除噪处理后的图像。
图5为本发明实施例中差分处理后的图像。
图6为本发明实施例中腐蚀、膨胀后的图像。
图7为本发明实施例中经过运动分割获得的图像。
图8为本发明实施例中运动区域聚合后图像。
图9为本发明实施例中判断报警的图像示意图。
具体实施方式
如图2所示，本发明实施例的基于历史图像的大型车辆盲区预警方法的实施步骤如下1)采集车辆的盲区图像，在盲区图像中设置危险区域；2)根据盲区图像建立背景模型，并持续根据当前盲区图像更新背景模型；3)根据背景模型获取当前盲区图像中的前景图像；4)对前景图像进行运动分割分别获取前景图像中的各运动区域；5)比较各运动区域与危险区域之间的位置关系，如果任意运动区域落入危险区域内则发出预警提示。步骤2)中根据连续的盲区图像建立背景模型的详细步骤如下(1)、将盲区图像转换为灰度图像；(2)、将灰度图像进行除噪处理，本实施例中，采用高斯模糊算法进行除噪处理，由于系统使用环境比较复杂，视频监测的目标较大，平滑图像，可以采用较大的平滑因子以减少噪声；(3)、将除噪的灰度图像进行二值化获得黑白图像。图3为未采用除噪处理的图像的黑白图像，图4为采用高斯模糊算法除噪处理的图像的黑白图像，结果表明，高斯模糊后的二值化背景模型噪声明显减少。建立背景模型的步骤实际上是对图像进行预处理的过程。通过灰度处理、除噪处理和二值化预处理，图像作为背景模型可以有效提高模型适应性。由于运动目标静止则会成为背景的一部分，造成背景中目标移走造成背景中存在虚假目标的情况，本实施例中步骤2)中根据aCC(x，y) = (l-α) .acc(x,y) + a -image (χ, y)更新背景模型，其中acc(x，y)为背景模型，imageU，y)为当前盲区图像，α为更新速率，本实施例中α的取值范围为0< α <1。通过α可以动态的调整背景模型更新速率， 从而可以减少运动目标静止则会成为背景的一部分的情况，提高对运动目标的识别率。步骤3)中获取当前盲区图像中的前景图像时，首先将当前盲区图像转换为灰度图像，然将该灰度图像与背景模型进行差分处理获得获取当前盲区图像中的前景图像。差分处理获得获取当前盲区图像中的前景图像如图5所示。本发明获取前景图像的基本思路是背景减除法，背景减除法将输入的图像与背景图像或者背景模型进行比较，如果同一位置的像素特征存在一定程度的差别，则认为新的图像中的这些区域为前景区域。背景减除法主要包括背景模型建立、背景更新、背景擦除。背景模型建立就是对背景模型进行初始化，对应本实施例的步骤2)；背景模型的更新是根据输入图像修正背景模型及时反映场景的变化，对应本实施例的步骤2)；背景差是将当前图像和背景模型相比较，对应本实施例的步骤3)。本实施例在获得前景图像后，对获取的前景图像依次进行腐蚀、膨胀操作，腐蚀、 膨胀操作操作后如图6所示。通过进行腐蚀和膨胀操作，消除由光线等环境变化产生的误差，从而有效提高对运动目标的识别率。本实施例中，运动分割检测使用的是处理后的前景图像，对各运动区域的检测使用历史运动图像检测法(Motion History Image，简陈MHI)，在MHI (Motion History Image)中，运动发生的像素点设置timestamp (当前时间)，而发生较久的像素点则被清除。 经过运动分割获得的图像如图7所示，本实施例中对运动区域以半径为IOcm的圆形区域进行标记。为了实现将运动物体明确标记，以便对盲区运动物体的快速识别与预警，本实施例中通过算法可以将聚集在一起的运动区域进行聚合并标记成单一运动区域，步骤4)中获取各个运动区域后，对各个运动区域进行聚合处理将大型运动物体的多个运动区域聚合成为一个运动区域。聚合处理的详细步骤如下①、设定聚合距离；②、对前景图像进行运动分割找到第一个圆形运动区域，并以该圆形运动区域的圆心作为当前中心点建立运动区域集合，将到当前中心点距离小于聚合距离的圆形运动区域合并到该集合中形成新的圆形运动区域；③、以分别从当前中心点向外延伸获得各个新当前中心点，并以新当前中心点为中心建立运动区域集合，分别将到各当前中心点距离小于聚合距离的圆形运动区域合并到该集合中形成新的圆形运动区域，继续向外延伸处理直至将前景图像处理完毕。聚合处理的主要计算方法为P(x,y) = [P1 (χ, y) +P2 (x,y) +. . . +Pn (x，y) ] /n 和 Dk = (P1 (x，y)，P2 (x，y)，......，
Pn (X，y)}，其中，P1U, y)+P2(x, y)+... +Pn (χ, y)为各个运动分割的圆心，Dk为通过比较归纳出的不同集合，P(x, y)为最后计算出的中心位置。经过聚合处理后的图像如图8所示，同一运动目标的运动区域被聚合为一个大的运动区域，图像中运动物体已经被明确标记。本发明对运动区域后聚合处理后，将运动区域扩大1 5倍。本实施例中，半径为 10像素的圆形运动区域扩大3倍后，成为半径为30cm的圆形运动区域。通过扩大处理，可以精确实现对运动目标的运动趋势以及活动范围进行估算，从而可以更加精确地对运动目标进行检测。如图9所示，图中的矩形区域即为步骤1)在盲区图像中设置的危险区域，此时已经有一个运动目标的运动区域的圆心落入危险区域内，立即向驾驶人员发出预警提示，通过对车辆盲区运动物体的检测，达到提前预警的目的。危险区域和车辆的具体车形、大小以及摄像头的安装位置相关，一般在安装摄像头的时候根据图像进行设定，不同车辆的危险区域各不相同。以上所述仅为本发明的优选实施方式，本发明的保护范围并不仅限于上述实施方式，凡是属于本发明原理的技术方案均属于本发明的保护范围。对于本领域的技术人员而言，在不脱离本发明的原理的前提下进行的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
权利要求
1.一种基于历史图像的大型车辆盲区预警方法，其特征在于其实施步骤如下1)采集车辆的盲区图像，在盲区图像中设置危险区域；2)根据盲区图像建立背景模型，并持续根据当前盲区图像更新背景模型；3)根据所述背景模型获取当前盲区图像中的前景图像；4)对前景图像进行运动分割分别获取前景图像中的各运动区域；5)比较各运动区域与所述危险区域之间的位置关系，如果任意运动区域落入所述危险区域内则发出预警提示。
2.根据权利要求1所述的基于历史图像的大型车辆盲区预警方法，其特征在于所述步骤4)中获取各个运动区域后，对各个运动区域进行聚合处理将大型运动物体的多个运动区域聚合成为一个运动区域。
3.根据权利要求2所述的基于历史图像的大型车辆盲区预警方法，其特征在于，所述聚合处理的详细步骤如下①、设定聚合距离；②、对前景图像进行运动分割找到第一个圆形运动区域，并以该圆形运动区域的圆心作为当前中心点建立运动区域集合，将到当前中心点距离小于聚合距离的圆形运动区域合并到该集合中形成新的圆形运动区域；③、以分别从当前中心点向外延伸获得各个新当前中心点，并以新当前中心点为中心建立运动区域集合，分别将到各当前中心点距离小于聚合距离的圆形运动区域合并到该集合中形成新的圆形运动区域，继续向外延伸处理直至将前景图像处理完毕。
4.根据权利要求3所述的基于历史图像的大型车辆盲区预警方法，其特征在于所述对运动区域后聚合处理后，将运动区域扩大1 5倍。
5.根据权利要求1所述的基于历史图像的大型车辆盲区预警方法，其特征在于，所述步骤2)中根据连续的盲区图像建立背景模型的详细步骤如下(1)、将盲区图像转换为灰度图像；(2)、将灰度图像进行除噪处理；(3)、将除噪的灰度图像进行二值化获得黑白图像。
6.根据权利要求5所述的基于历史图像的大型车辆盲区预警方法，其特征在于所述步骤(2)中将灰度图像进行除噪处理时，采用高斯模糊算法进行除噪处理。
7.根据权利要求6所述的基于历史图像的大型车辆盲区预警方法，其特征在于所述步骤3)中获取当前盲区图像中的前景图像时，首先将当前盲区图像转换为灰度图像，然将该灰度图像与背景模型进行差分处理获得获取当前盲区图像中的前景图像。
8.根据权利要求7所述的基于历史图像的大型车辆盲区预警方法，其特征在于所述获得前景图像后，对获取的前景图像依次进行腐蚀、膨胀操作。
9.根据权利要求1 8中任意一项所述的基于历史图像的大型车辆盲区预警方法，其特征在于所述步骤2)中根据acc(x，y) = (1-α) · acc (χ, y) + α · image (χ, y)更新背景模型，其中aCC(x，y)为背景模型，image (x，y)为当前盲区图像，α为更新速率。
全文摘要
本发明公开了一种基于历史图像的大型车辆盲区预警方法，其实施步骤如下1)采集车辆的盲区图像，在盲区图像中设置危险区域；2)根据盲区图像建立背景模型，并持续根据当前盲区图像更新背景模型；3)根据所述背景模型获取当前盲区图像中的前景图像；4)对前景图像进行运动分割分别获取前景图像中的各运动区域；5)比较各运动区域与所述危险区域之间的位置关系，如果任意运动区域落入所述危险区域内则发出预警提示。本发明能够监测大型车辆盲区的运动物体，提前报警减少事故的发生，具有安全可靠、使用方便、检测快速实时的优点。
文档编号G06T7/20GK102314692SQ20111018942
公开日2012年1月11日 申请日期2011年7月7日 优先权日2011年7月7日
发明者周泓, 舒伟 申请人:浙江大学