基于道路辅助信息和显著性检测的红外图像车辆检测方法
【专利摘要】本发明涉及一种基于道路辅助信息和显著性检测的红外图像车辆检测方法，首先使用高斯金字塔对源图像进行背景估计，用源图像与背景估计图像相减得到的高频信息中包含了目标及背景杂波；再对源图像进行OTSU阈值分割，得到的二值图像作为道路信息的估计；高频信息与道路信息的与运算可得到感兴趣区域；再对感兴趣区域的中心与周围区域进行显著性检测；最后对候选目标进行轨迹关联，可以很好的提取出车辆目标。
【专利说明】基于道路辅助信息和显著性检测的红外图像车辆检测方法
【技术领域】
[0001] 本发明涉及一种基于道路辅助信息和显著性检测的红外图像车辆检测方法。
【背景技术】
[0002] 红外目标检测一直是红外探测系统的核心技术，也是红外图像处理的热点与难 点。其研究主要包含两个方面：一是从系统方面；二是从图像处理方面。在红外目标检测算 法中，检测算法应该具有较高的检测概率和较低的虚警概率；满足信号检测的实时性要求。 而红外目标检测的一个分支是红外车辆目标检测，一个红外监视系统中，若能自动检测出 监视区域的可疑车辆，这将大大减少人力、物力的投入，因此该方法具有较强的应用背景。
[0003] 车辆目标相对于地物背景有其固有运动特征和物理特征。车辆的运动范围是固定 的，它仅存在于道路之内，在道路已知的情况下，可以大大减小车辆的检测范围，同时也避 免了地物杂波干扰。与背景地物相比，红外图像道路目标具有以下特点：1.道路与背景之 间通常存在一定的温差，经红外传感器的成像将具有一定的灰度差异，目标与背景对应的 区域之间具有一定的边缘性状；2.道路边缘一般为两条相对的直线或曲线，根据视角的不 同其边缘为平行线或在极远处相交；3.道路目标内部区域温度特性较为均匀，故其在红外 图像中对应区域的灰度值变化较为平缓；4.道路上运动的目标可作为验证道路的依据。
[0004] 传统的车辆检测方法有光流法，时间差分法，背景减除法。但是光流法依赖于光流 估计准确度且计算量大；时间差分法速度快，但一般不能完全提取出所有相关的特征像素 点，在运动实体内部容易产生空洞现象；背景减除法对于动态场景的变化，如天气、光照以 及树木扰动等特别敏感。
[0005] 综上所述，传统目标检测方法通常利用全局信息并且有一些约束条件而忽略了道 路的信息，或是仅能检测出红外弱小目标，在车辆检测时不能取得较好的结果。
【发明内容】
[0006] 要解决的技术问题
[0007] 为了避免现有技术的不足之处，本发明提出一种基于道路辅助信息和显著性检测 的红外图像车辆检测方法，根据上述道路的红外特性并结合了一种显著性检测方法。本方 法首先使用高斯金字塔对源图像进行背景估计，用源图像与背景估计图像相减得到的高频 信息中包含了目标及背景杂波；再对源图像进行0TSU阈值分割，得到的二值图像作为道路 信息的估计；高频信息与道路信息的与运算可得到感兴趣区域；再对感兴趣区域的中心与 周围区域进行显著性检测；最后对候选目标进行轨迹关联，可以很好的提取出车辆目标。
[0008] 技术方案
[0009] 一种基于道路辅助信息和显著性检测的红外图像车辆检测方法，其特征在于步骤 如下：
[0010] 步骤1 :对源图像进行高斯滤波，去除图像中的噪声点，然后用高斯金字塔对图像 进行下采样和上采样，得到一个平滑后的红外图像；
[0011] 步骤2 :用平滑后的红外图像与源图像相减，得到一个差分图像；
[0012] 步骤3 :对差分图像阈值化处理得到一幅二值图像E1 ;对源图像采用0TSU阈值分 害I]，然后进行形态学平滑，得到平滑后的二值图像E2 ;所述阈值Θ i为20-40 ;
[0013] 步骤4 :将E1和E2作与运算，得到排除了道路外大量背景杂波的新二值图像E3 ; 获取E3中的连通域，把每个连通域都当作一个感兴趣区域；
[0014] 步骤5 :对每一个感兴趣区域，计算其灰度均值，作为中心均值只；再选取感兴趣 区域周围8个相同大小的邻域区域，计算每个邻域区域的灰度均值AG = U…，8);对8个灰 度均值中最小的三个值，计算其均值，然后用中心均值除以该均值得到权值α ;
[0015] 步骤6 :将感兴趣区域的中心均值及乘以权值α，作为该感兴趣区域新的中心均 值云；
[0016] 步骤7 :计算均值异与周围8个邻域均值&的显著性值Dj(j = 1，. . .，8)，将其中 最大的三个显著性值的均值作为此感兴趣区域的显著性值；把显著性值大于阈值Θ 2的感 兴趣区域判定为候选目标，小于Θ 2的判定为非目标；
[0017] 所述显著性计算公式为：
【权利要求】
1. 一种基于道路辅助信息和显著性检测的红外图像车辆检测方法，其特征在于步骤 如下： 步骤1 :对源图像进行高斯滤波，去除图像中的噪声点，然后用高斯金字塔对图像进行 下采样和上采样，得到一个平滑后的红外图像； 步骤2 :用平滑后的红外图像与源图像相减，得到一个差分图像； 步骤3 :对差分图像阈值化处理得到一幅二值图像E1 ;对源图像采用OTSU阈值分割， 然后进行形态学平滑，得到平滑后的二值图像E2 ;所述阈值Θ i为20-40 ; 步骤4 :将E1和E2作与运算，得到排除了道路外大量背景杂波的新二值图像E3 ;获取 E3中的连通域，把每个连通域都当作一个感兴趣区域； 步骤5 :对每一个感兴趣区域，计算其灰度均值，作为中心均值只；再选取感兴趣区域 周围8个相同大小的邻域区域，计算每个邻域区域的灰度均值巧(j = ;对8个灰度均 值中最小的三个值，计算其均值，然后用中心均值除以该均值得到权值α ; 步骤6 :将感兴趣区域的中心均值只乘以权值α，作为该感兴趣区域新的中心均值异； 步骤7 :计算均值异与周围8个邻域均值巧的显著性值Dj (j = 1，...，8)，将其中最大 的三个显著性值的均值作为此感兴趣区域的显著性值；把显著性值大于阈值Θ 2的感兴趣 区域判定为候选目标，小于θ2的判定为非目标； 所述显著性计算公式为：异-巧|/|云+巧|，其中Α表示的是中心区域的新灰度 均值，A表示的是周围的第j个邻域区域的灰度均值（j = 1，2,. . .，8); 所述显著性阈值92为〇. 2-0.4; 步骤8 :计算每个候选目标的面积I，j = 1，2,. . .，η ;和每个候选目标的中心坐标Ρ」； η为候选目标总数； 步骤9 :在每个候选目标为中心，取一个大小为ΜΧΜ的关联域矩形框； 假设目前有k条轨迹（目标链），将每条轨迹Tji = l，2，...，k)的链尾坐标Pi和链 尾面积Si作为待搜索的项；若能在此矩形框中搜索到最近邻的Py且候选目标面积&与轨 迹链尾面积Si之差小于
则关联成功，将这个候选目标的中心坐标Pj加入轨迹Ti，并 将Μ乍为?\的新的链尾坐标，将此候选目标的面积&作为?\新的链尾面积；否则继续搜 索；所述Μ取值为10-30 ; 步骤10 :若存在没有关联成功的候选目标，则将这个候选目标当作一个新的轨迹Tk+1 的链首，也即链尾，把这个候选目标的中心坐标P作为Tk+1的链尾坐标，将此候选目标的面 积S作为T k+1的链尾面积； 步骤11 :对所有候选目标关联完成后，若有轨迹没有被任何一个候选目标关联，则此 条轨迹丢失次数加1，预测轨迹在此帧中的链尾坐标（假设轨迹当前长度为m)，预测公式 为： Pm+i = 2XPm-Pm-1 其中pm+1是预测的链尾坐标（轨迹的第m+1个坐标），Pm，Pm分别表示这条轨迹的第 m, m-1个坐标； 步骤12 :对每个轨迹进行统计，当轨迹长度大于阈值Θ 3时，判定其为车辆目标；若轨 迹的丢失次数大于丢失阈值θ4，将轨迹删除；所述轨迹长度阈值03为2-5;所述丢失阈值 Θ 4 为 2-4 ; 步骤13 :重复以上步骤，直到所有序列图像处理完毕。
2. 根据权利要求1所述基于道路辅助信息和显著性检测的红外图像车辆检测方法，其 特征在于：所述步骤1中每一次下采样与上采样的过程中都采用了 1/16*[1，4, 6, 4, 1]高斯 平滑算子对图像进行水平与垂直两个方向的滤波，采样的级数为3。
3. 根据权利要求1所述基于道路辅助信息和显著性检测的红外图像车辆检测方法，其 特征在于：所述步骤4的形态学开闭运算采用了半径为3-5的矩形结构子。
【文档编号】G08G1/01GK104050477SQ201410300769
【公开日】2014年9月17日 申请日期:2014年6月27日 优先权日:2014年6月27日
【发明者】李映, 冉辰, 覃西南 申请人:西北工业大学