基于机器视觉技术的车辆检测和跟踪方法及系统的制作方法
【专利摘要】本发明公开了一种基于机器视觉技术的车辆检测和跟踪方法，包括：结构化道路检测：首先对图片进行预处理，进行边缘增强，并通过直线捏合，提取道路边缘，确定道路区域；运动车辆的检测：在确定的道路区域中车辆进行初次识别，进一步缩小感兴趣区域，进行二次识别确定是否含有检测车辆；运动车辆的跟踪：通过均值漂移算法，反复迭代跟踪确定目标车辆的准确位置。还公开了一种基于机器视觉技术的车辆检测和跟踪系统。本发明采用最大类方差提取阈值的方法，能更有效区分车辆，使融合特征算法能够更精确的检测车辆，确定感兴趣区域，而后通过adaboost分类器对二次缩小的ROI区域检测，使运算量大幅减少，提高了实时性，同时提高了系统对车辆检测的准确性。
【专利说明】基于机器视觉技术的车辆检测和跟踪方法及系统
【技术领域】
[0001]本发明涉及图像处理领域，特别是涉及一种基于机器视觉技术的车辆检测和跟踪方法及系统。
【背景技术】
[0002]我们研究智能车辆，最核心的问题就是如何让它们能够感知周围环境，提取信息，区分前方障碍物，并利用这些信息完成导航任务。通过视觉导航再采集信息，因此在信息量和采集速度上比其他传感器有更明显的优势，一方面视觉导航不仅能够采集周围环境中目标的位置，而且包括目标的外在轮廓，颜色特征，纹理特征，边缘特征等，这些都是其他传感器所无法比拟的；另一方面采用视觉导航可以很好的检测出道路的边缘，以及道路旁边的一些人造的警示牌，路标等等非常重要的道路信息，而且摄像头呈现的景象也符合人类认识世界的规律，先从视觉主观认识，再进一步提取其他信息。
[0003]目前国内外众多机器视觉的方法实现智能识别，采用利用车辆运动特性检测车辆；采用利用车辆特征检测车辆；采用基于统计学习检测车辆；采用立体视觉检测车辆的方法。采用单一的方法，势必不能有效检测车辆，随着计算机硬件软件的的提高，如何有效融合多种方法，多车辆检测是必然的趋势。
【发明内容】
[0004]发明目的:针对现有技术中存在的问题和不足，本发明提供一种机器视觉技术的车辆检测和跟踪方法及系统。
[0005]技术方案:基于机器视觉技术的车辆检测和跟踪方法，包括如下步骤:
[0006]结构化道路的检测:首先对图片进行预处理，而后进行边缘增强，并后通过直线捏合，提取道路边缘，确定道路区域；
[0007]运动车辆的检测:在确定的道路区域中车辆进行初次识别，进一步缩小感兴趣区域，而后进行二次识别确定是否含有检测车辆；
[0008]运动车辆的跟踪:通过均值漂移算法，反复迭代跟踪确定目标车辆的准确位置。
[0009]基于机器视觉技术的车辆检测和跟踪系统，所述系统包括:
[0010]道路检测单元:用于对图片进行预处理，而后进行边缘增强，并后通过直线捏合，提取道路边缘，确定道路区域；
[0011]车辆检测单元:用于在所述确定的道路区域中对车辆进行初次识别，进一步缩小感兴趣区域，而后进行二次识别确定是否含有检测车辆；
[0012]车辆跟踪单元:用于通过均值漂移算法，反复迭代跟踪确定目标车辆的准确位置。
[0013]本发明采用上述技术方案，具有以下有益效果:与现有技术相比，本发明所提供的基于机器视觉技术对车辆进行检测和跟踪方法，采用最大类方差提取阈值的方法，能更有效的区分车辆，使融合特征算法能够更精确的检测车辆，确定感兴趣区域，而后在通过adaboost分类器对二次缩小的ROI区域检测，使运算量大幅减少，提高了实时性，同时提高了系统对车辆检测的准确性。
【专利附图】
【附图说明】
[0014]图1为本发明实施例的结构框图；
[0015]图2为本发明实施例中道路检测流程图；
[0016]图3为本发明实施例中车辆检测流程图；
[0017]图4为本发明实施例中样本图像特征值的分布；
[0018]图5为本发明实施例中车辆的最终检测。
【具体实施方式】
[0019]下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0020]如图1所述，为了实现基于机器视觉技术对车辆进行检测和跟踪方法，通过对输入原始图像进行预处理，对道路进行检测，确定道路区域，然后在确定的ROI区域中，初步检测车辆，进一步缩小ROI区域，而后在该区域运用分类器对车辆进行检测，最后利用均值漂移算法对目标车辆进行跟踪。
[0021]如图2所述，为了实现对道路的检测:①首先要对图像进行预处理，采用BrightBlock算法实现白平衡处理，通过空间滤波消除一些噪声的影响，经试验验证后，采用中值滤波进行平滑处理，有效滤除椒盐噪声；②确定有效区域，通过摄像头标定技术，人为的滤除图像中一些天空等没必要检测的区域，提高运行的实时性，并对图像进行灰度化处理，减少图像处理的时间，并为后续道路边缘提取做准备；③经对比分析和试验验证，采用适合本系统的sobel算法对图像边缘进行增强，检测道路边缘。④通过Hough变换检测直线，确定路面范围，准确的判断出非路面区域和路面区域。这样在后续对车辆的检测时，就可以只在道路区域内检测，大大提闻系统运行的实时性。
[0022]如图3所述，为了实现对车辆的检测:首先在确定的道路区域中，通过车辆特征的先验知识对车辆进行二次确认，包括阴影特征，车辆形状特征，车辆边缘水平垂直特征，车牌和尾灯特征，进一步缩小感兴趣区域，左后利用离线训练好的级联分类器，完成对车辆的最终检测。其中分类器的训练可以分为离线训练和在线测试，因为离线训练是在线下进行的，利用车辆样本和非车辆样本，提取Harr特征，训练分类器。在线检测在系统运行时，实时进行的，所以不会消耗很长时间，经验证该套理论体系能够很好的检测车辆。
[0023]为了实现对车辆的跟踪:利用前文对输入图像进行的处理，准确识别出图像中的车辆目标，记录车辆中心的初始位置，计算出目标车辆颜色特征直方图的概率密度分布；然后读取下一帧图像，并且利用均值漂移算法，反复迭代计算候选目标区域颜色特征直方图的概率密度分布；最后通过Bhattacharyya系数来计算相似性，寻找出和车辆目标相似度最高的候选区域模型所在的位置，该位置即为下一帧图像中车辆目标所在的位置。
[0024]本实施例还包括一种实现上述方法的基于机器视觉技术的车辆检测和跟踪系统，该系统包括:
[0025]道路检测单元:用于对图片进行预处理，而后进行边缘增强，并后通过直线捏合，提取道路边缘，确定道路区域；
[0026]车辆检测单元:用于在所述确定的道路区域中对车辆进行初次识别，进一步缩小感兴趣区域，而后进行二次识别确定是否含有检测车辆；
[0027]车辆跟踪单元:用于通过均值漂移算法，反复迭代跟踪确定目标车辆的准确位置。
[0028]如图4所述，车辆纹理特征值的统计分布直方图，分别统计了 128个车辆类样本熵值和非车辆类样本熵值，统计图像如图4，横坐标为熵值的大小，纵坐标为样本的个数所占的比例，其中最小熵值为0.3926，最大熵值为4.814，平均熵值为2.664，将阈值30等分之后，在整个矩阵中的分布如图所示。读图可知样本分别在1.5左右和3.7左右呈现两个峰值，分别为非车辆样本和车辆样本的集中分布区域，这也符合我们统计学呈正态分布的一般规律。将样本数据运用OTSU算法计算之后，计算得到最佳阈值为3.04，经验证该阈值能够更有效的通过阈值区分车辆和非车辆，比单纯的靠经验值判断具有更高的准确性。
[0029]利用OTSU算法确定区分车辆的最佳阈值具体方法如下:为了能够更好的分辨车辆，本文提出一种基于OTSU算法来确定分辨车辆的阈值，本算法又称为大津阈值算法或者最大类间方差算法。原本是为了分析图像特征，确定阈值分类，从图像中分离出对象物的算法，在本系统中用来区分车辆和伪车辆。本文以确定熵值的阈值大小为例说明，提取出的众多车辆样本，和非车辆，伪车辆的纹理特征值，组成一个n*n的矩阵，利用最大类方差的方法来确定阈值，更准确的区分车辆。具体算法如下，有无车辆可以通过下列阈值处理来进行如下公式。
[0030]
【权利要求】
1.基于机器视觉技术的车辆检测和跟踪方法，其特征在于，包括如下步骤: 结构化道路的检测:首先对图片进行预处理，而后进行边缘增强，并后通过直线捏合，提取道路边缘，确定道路区域； 运动车辆的检测:在确定的道路区域中车辆进行初次识别，进一步缩小感兴趣区域，而后进行二次识别确定是否含有检测车辆； 运动车辆的跟踪:通过均值漂移算法，反复迭代跟踪确定目标车辆的准确位置。
2.如权利要求1所述的基于机器视觉技术的车辆检测和跟踪方法，其特征在于:所述结构化道路的检测步骤中，采用白平衡和中值滤波进行图像预处理，采用sobel算法对图像进行边缘增强，通过Hough变换对图像进行直线捏合。
3.如权利要求1所述的基于机器视觉技术的车辆检测和跟踪方法，其特征在于:所述运动车辆的检测步骤中，采用特征融合的方法对车辆进行初次识别，进一步缩小感兴趣区域，对车辆的纹理特征、边缘水平垂直特征、阴影特征进行判定时，引用OTSU算法，确定图像特征值判定的阈值，最后利用离线训练好的Adaboost分类器完成对车辆的检测。
4.如权利要求1所述的基于机器视觉技术的车辆检测和跟踪方法，其特征在于:所述运动车辆的跟踪步骤中，利用颜色特征的统计直方图来描述目标车辆模型，通过Bhattacharyya系数计算车辆模型在相邻帧间的相似性度，通过反复迭代确定目标车辆的准确位置。
5.基于机器视觉技术的车辆检测和跟踪系统，其特征在于，所述系统包括: 道路检测单元:用于对图片进行预处理，而后进行边缘增强，并后通过直线捏合，提取道路边缘，确定道路区域； 车辆检测单元:用于在所述确定的道路区域中对车辆进行初次识别，进一步缩小感兴趣区域，而后进行二次识别确定是否含有检测车辆； 车辆跟踪单元:用于通过均值漂移算法，反复迭代跟踪确定目标车辆的准确位置。
6.如权利要求5所述的基于机器视觉技术的车辆检测和跟踪系统，其特征在于:所述道路检测单元中，采用白平衡和中值滤波进行图像预处理，采用sobel算法对图像进行边缘增强，通过Hough变换对图像进行直线捏合。
7.如权利要求5所述的基于机器视觉技术的车辆检测和跟踪系统，其特征在于:所述车辆检测单元中，采用特征融合的方法对车辆进行初次识别，进一步缩小感兴趣区域，对车辆的纹理特征、边缘水平垂直特征、阴影特征进行判定时，引用OTSU算法，确定图像特征值判定的阈值，最后利用离线训练好的Adaboost分类器完成对车辆的检测。
8.如权利要求5所述的基于机器视觉技术的车辆检测和跟踪系统，其特征在于:所述车辆跟踪单元中，利用颜色特征的统计直方图来描述目标车辆模型，通过Bhattacharyya系数计算车辆模型在相邻帧间的相似性度，通过反复迭代确定目标车辆的准确位置。
【文档编号】G06K9/62GK103455820SQ201310288011
【公开日】2013年12月18日 申请日期:2013年7月9日 优先权日:2013年7月9日
【发明者】李东新, 沈科磊 申请人:河海大学