杂度较 高的问题，能够满足实时性应用需求;并可以克服由于车辆标志尺寸较小带来的识别准确 率较低的问题，增加了大规模实战应用的可行性，同时去除了车前脸区域的冗余信息，提高 了识别效率。
[0038]在其中一个实施例中，如图2所示，所述对所述车辆图像中的车前灯进行定位，获 得车前灯区域的过程可以包括：
[0039]步骤S201:对所述车辆图像进行灰度化处理得到所述车前灯区域的灰度图像； [0040]步骤S202:将所述灰度图像的各像素点的灰度差值对第一设定方向做叠加投影运 算，获得第一灰度差值数组；
[0041 ]这里，所述第一设定方向与如下的第二设定方向垂直，一般地，第一设定方向可以 为水平方向；
[0042]这里，灰度差值的定义如公式（1):
[0043] AG(x,y)=max( |G(x+l，y_l)_G(x，y) |，|G(x+l，y)_G(x，y) |，|G(x+l，y+l)_G(x，y) )(1)
[0044]其中，AG(x,y)表示灰度差值，G(x，y)表示坐标位置为(x，y)点的像素点的灰度值， max表示取最大值；
[0045]这里，第一灰度差值数组表示的是沿着水平方向各个像素点的像素差值的叠加投 影;具体地，可以参见公式(2)
[0047] 0V[i]表示第i行像素点的灰度差值数组，COL由第i行像素点的个数确定，若第i行 像素点的个数为n，则C0L = n-l;
[0048] 步骤S203:根据所述第一灰度差值数组获取位于第一方向的第一鼓形区域，根据 所述第一鼓形区域选取若干候选车前灯区域；
[0049] 其中，车前灯所在区域位于水平投影方向的某个鼓形区域(呈现出凸出形状的区 域，可能有多个），根据采集装置的位置关系和拍摄角度，可以设定一个预定高度阈值H，然 后根据公式(3)、（4)计算得到鼓形区域的平均值和方差：
[0052]如果出现灰度集中而且方差较小的水平带状区域，则可以认为该区域是候选车前 灯区域，在实际系统中，可以采用公式(5)进行判断，
[0054]对应的鼓形区域的起始编号可以用以下方法进行判断：
[0056] 在获取鼓形区域的起始编号之后，就可以得到若干个候选车前灯区域，一般在实 际检测中取3个候选编号即可，分别记为lu、k 2、k3;
[0057] 步骤S204:将所述灰度图像的各像素点的灰度差值对第二设定方向做叠加投影运 算，获得第二灰度差值数组，其中，所述第二设定方向与所述第一设定方向垂直；
[0058]步骤S205:根据所述第二灰度差值数组获取位于第二方向的第二鼓形区域；
[0059] 利用车前灯分布的对称性，对候选区域进行二次筛选，此时可将所述灰度图像的 各像素点的灰度差值对第二设定方向做叠加投影运算，并根据所述第二灰度差值数组获取 位于第二方向的第二鼓形区域，步骤S204、步骤S205采用了和前述步骤S202、步骤S203相同 的原理，在此不予赘述；
[0060] 步骤S205:根据所述第一鼓形区域、所述第二鼓形区域，将在所述第一设定方向、 所述第一设定方向均存在鼓形区域的候选车前灯区域确定为所述车前灯区域；
[0061] 具体地，可以从上述候选编号khkhfe中一一计算第二方向的叠加投影的均值和 方差，当某个候选车前灯区在两个方向（所述第一设定方向、所述第一设定方向）上均存在 鼓形区域时，则判定该候选车前灯区是车前灯所在区域，即所述车前灯区域。
[0062] 在本实施例中，基于灰度差值定位车前灯区域，可以有效的提高定位的准确性。
[0063] 在其中一个实施例中，是以目标特征向量为H0G(Histogram of Oriented Gradi ent，方向梯度直方图)特征向量为例，说明提取所述车前灯区域的目标特征向量的过 程。HOG特征向量作为所述目标特征向量，可以充分利用车前灯区域包含的丰富的形状信 息。
[0064] 如图3所示，本实施例中的提取所述车前灯区域的目标特征向量的过程包括:将车 前灯区域进行区域划分，得到车前灯区域的各子图像SI。，分别获取各子图像的H0G特征向 量；
[0065] 其中，对于当前子图像(任意一个子图像），获取当前子图像的H0G特征向量的过程 包括如下步骤：
[0066]步骤S301:对所述当前子图像进行平滑处理，对平滑处理后的所述当前子图像实 施以一维滤波模板，得到所述当前子图像的各像素点的梯度方向；
[0067] 对所述当前子图像进行平滑处理，可以去除噪点，可以利用离散高斯平滑模板进 行平滑
[0068] 其中，对平滑处理后的所述当前子图像实施以一维滤波模板可以得到所述当前子 图像的各像素点的梯度值和梯度方向；
[0069] 步骤S302:根据预设的单元格划分方式以及图像块划分方式对所述当前子图像进 行划分，划分后的各图像块分别包括若干个相邻接的单元格，划分后的各单元格分别分包 括若干个相邻接的像素点；
[0070] 参见图4所示，为单元格、图像块的构成示意图，图4中的每个小方格代表一个像素 点，按照图4中的方式，2 X 2个像素点构成一个单元格，2 X 2个单元格构成一个图像块，但单 元格划分方式和图像块划分方式不限于此；
[0071 ]步骤S303:根据所述梯度方向分别获取划分后的各单元格的方向梯度直方图； [0072]例如，对于当前单元格，根据当前单元格内的各像素点的梯度方向求取直方图，得 到当前单元格内的方向梯度直方图；
[0073]当前单元格内的方向梯度直方图为当前单元格内部像素点的梯度方向的加权平 均，可用公式(7)进行计算。
[0075] 其中，w(x，y)是为像素点(x，y)设置的权重，权重的取值可取为该像素点的梯度模 或者亮度值；
[0076] 其中，求取直方图是指对计算得到梯度方向进行量化，映射到N个方向上，如图5所 示;在图5中选取的N=8,梯度的值进行量化之后的值就是图中的区域编号；
[0077] 步骤S304:分别对各图像块中的各单元格的方向梯度直方图进行规范化运算，得 到所述当前子图像的经过规范化后的各图像块中的各单元格的梯度直方图构成的向量，该 向量为所述当前子图像的H0G特征向量；
[0078] 其中，可以对方向梯度直方图进行2-范数规范化运算，具体地，将图像块内所有的 直方图用向量的形式白哦是，记为丁二⑴山…^山夂采用公式⑴计算向量扣仙-范数；
[0080] 其中，ε是一个很小的正数，引入此变量的原因是为了防止分母为0的情况出现，经 过规范化处理之后的描述算子，能够较好的抑制光照不均和阴影带来的影响；
[0081] 最终车前灯子图像的H0G描述算子为经过规范化之后的所有图像块中所有单元格 的方向梯度直方图构成的向量。
[0082] 在其中一个实施例中，所述多分类器的构造过程可以包括:选取径向基核函数为 所述多分类器的核函数，使用网格搜索法确定所述径向基核函数的核函数参数和惩罚因 子，每两类车前灯图像样本间设计一个SVM子分类器，若包括m类车前灯图像样本，则共需要 m*(m-l)