基于图像识别的车进隧道前大灯自动提前开启方法与流程

本发明属于图像处理领域，具体地说是基于图像识别的车进隧道前大灯自动提前开启方法。

背景技术：

现有技术都是利用光感元件来控智能大灯在进入隧道时是否开启，光感的缺点是当它遇到黑暗区域时才开启大灯，往往这个时候汽车已经进入到隧道内，在隧道开始阶段没有开启大灯，造成低光度运行，这段距离视觉较长，因此非常危险。

技术实现要素：

本发明提供基于图像识别的车进隧道前大灯自动提前开启方法，用以解决现有技术中的缺陷。

本发明通过以下技术方案予以实现：

基于图像识别的车进隧道前大灯自动提前开启方法，包括训练过程和识别开启过程： 训练过程包括下述步骤：①安装在车辆前部的摄像头获取进入隧道前20-160m的所有图像； ②每一帧图像被由大到小的数个框分割，每个框的确定过程为：摄像头获取距离隧道的距离为L，框的数量为n，每到L/n处获得一帧图像，该图像投射到距离隧道最远的获取的图像中，距离隧道最远的图像中与该图像相同部分的边框即为一个框，n=8-16； ③绘制直方图：纵坐标为取相邻框之间图案的亮度均值，横坐标为自内向外排列的每个相邻的框； ④利用步骤③得到的均值图训练支持向量机，得到通过隧道样本的特征分类器； 识别开启过程包括下述步骤：①对安装在车辆前部的摄像头获取的图像，获取的图像按照所述的训练过程②得到的框进行分割，再按照训练过程③绘制直方图； ②将识别开启过程步骤①得到直方图输入至通过隧道样本的特征分类器，得到识别结果，并计算该识别结果的置信度；该过程是空间坐标向摄像头坐标变换的过程。 ③置信度进行判断或投票法进行仲裁，最终输出识别结果。

如上所述的基于图像识别的车进隧道前大灯自动提前开启方法，所述的识别开启过程中，训练过程②得到的框的水平位置随汽车前轮转角a变动，汽车的轴距为h，框水平位置偏移量l=（1-cos（L×sina/h））×h/sina。

如上所述的基于图像识别的车进隧道前大灯自动提前开启方法，所述的识别开启过程步骤①采集的图像进行加权滤波器处理：1为全明的场景的亮度值，0为全暗的场景的亮度值，通过下述迭代公式获得：R_T=w×R_T-1+(1-w)R_T R_T-1=R_T 其中R_T代表当前的场景加权之后获得的值，R_T-1上一个时刻检测到的值，两个时刻相隔的时间是摄像头所采集的每相邻两帧图像之间的间隔时间Δt；w是加权系数,并且0≤w≤1, T-1时刻的摄像头的视觉区域面积为s，T时刻时摄像头的视觉区与S之间的重叠面积为s1，w=s₁/s。

如上所述的基于图像识别的车进隧道前大灯自动提前开启方法，所述的Δt=1/30秒。

本发明的优点是：本发明能够在汽车进入隧道前能够自动开启智能大灯，提升行车的安全性；利用车载摄像头完全代替光感元件，减少设备投入，降低成本。本方法不仅仅是通过一帧图像获取，而是通过一个连续多帧图像来实现判断，有效提高判断的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明中图像分割图；图2是本发明的直方图；图3是每个框的确定过程示意图；图4是图像进行加权滤波器处理过程的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

基于图像识别的车进隧道前大灯自动提前开启方法，包括训练过程和识别开启过程： 训练过程包括下述步骤：①安装在车辆前部的摄像头获取进入隧道前20-160m的所有图像； ②每一帧图像被由大到小的数个框分割，如图1所示，通过8个框分割。框所在的区域感兴趣区域（ROI（region of interest））。机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，ROI。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子（Operator）和函数来求得感兴趣区域ROI，并进行图像的下一步处理。在图像处理领域，感兴趣区域(ROI) 是从图像中选择的一个图像区域，这个区域是你的图像分析所关注的重点。圈定该区域以便进行进一步处理。使用ROI圈定你想读的目标，可以减少处理时间，增加精度。每个框的确定过程为，如图3所示：摄像头获取距离隧道的距离为L，框的数量为n，每到L/n处获得一帧图像，该图像投射到距离隧道最远的获取的图像中，距离隧道最远的图像中与该图像相同部分的边框即为一个框，n=8-16，图3中方框为车轮，每条线位置为获得图像的位置； ③绘制直方图：纵坐标为取相邻框之间图案的亮度均值，横坐标为自内向外排列的每个相邻的框，如图2所示，其中亮度均值的获取方法是，将图像分解成多个像素点，每个像素点有256个可能值。像素的亮度值在0至255之间，靠近255的像素亮度较高，靠近0的亮度较低。在进入到隧道前，图像均值的直方图如图2中的A图，每个区域的亮度均值没有明显的规律，都在一定范围内波动；当遇到前方是隧道时，亮度均值的直方图会逐渐变化成图2中的B图，继续变化成图2中C图，出现明显的规律，该规律通过下述步骤获得通过隧道样本的特征分类器； ④利用步骤③得到的均值图训练支持向量机，得到通过隧道样本的特征分类器； 识别开启过程包括下述步骤：①对安装在车辆前部的摄像头获取的图像，获取的图像按照所述的训练过程②得到的框进行分割，再按照训练过程③绘制直方图； ②将识别开启过程步骤①得到直方图输入至通过隧道样本的特征分类器，得到识别结果，并计算该识别结果的置信度； ③置信度进行判断或投票法进行仲裁，最终输出识别结果，根据识别结果，判断是否需要开启大灯。如置信度较高，则需要开启大灯，如置信度较低，则无需开启大灯。

所述的识别开启过程中，训练过程②得到的框的水平位置随汽车前轮转角a变动，汽车的轴距为h，框水平位置偏移量l=（1-cos（L×sina/h））×h/sina。通过更新率的调整，在转弯的时候让更新率变快，让车子适应新的场景。

为了消除异常场景造成的影响，导致车灯会不断开关和操作、甚至闪坏情况的发生，所述的识别开启过程步骤①采集的图像进行加权滤波器处理：1为全明的场景的亮度值，0为全暗的场景的亮度值，通过下述迭代公式获得：R_T=w×R_T-1+(1-w)R_T R_T-1=R_T 其中R_T代表当前的场景加权之后获得的值，R_T-1上一个时刻检测到的值，两个时刻相隔的时间是摄像头所采集的每相邻两帧图像之间的间隔时间Δt；w是加权系数,并且0≤w≤1, T-1时刻的摄像头的视觉区域面积为s，T时刻时摄像头的视觉区与S之间的重叠面积为s1，w=s₁/s。所述的Δt=1/30秒。

如图4所示，三角形区域s是，两个三角形叠加的面积为s1，那么w=s1/s。其中s1与车速有关，在摄像头同等帧率的情况下，速度越大，叠加区域越小，也就是w越小。

对象不仅仅是一个图像，而是一个连续的过程，通过连续多幅图像，这些图像都是因子。仅对一个图像进行判断，容易产生失误，针对连续的因子进行判断，更加准确。另外，结合车速还能提升判断的更新率，也就是车速越快，我们在一定提前距离的情况下，需要的时间更短。传感器可以根据车速来进行采集，越快的车速采集也越快。通过关联车速，还可以规避一个例外：比如晚上行驶过程中，前面有一个箱式大卡车，车灯把车厢照射的通亮。在关联车速后，避免车灯会被系统给误操作关掉。本方法能够通过车速提高鲁棒性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。