一种车载红外摄像头及其调光方法和装置与流程

本发明属于图像处理技术领域，具体涉及一种车载红外摄像头及其调光方法和装置。

背景技术：

红外摄像头是根据物体的热辐射来实现成像的，一般用于辅助驾驶的车载摄像头大多采用可见光和激光雷达的组合，但是在雨天，雾天，沙尘环境下，可见光和激光雷达的探测性能会急剧下载，而使用远红外摄像头，可很容易探测到每个行人、车辆、障碍物的位置信息，从而为汽车的安全驾驶提供稳定可靠的数据支持。

红外探测器能将红外光谱信号转化为数字信号，经过前端滤波算法的预处理，可以得到稳定的像素矩阵，其中的每个像素占16bit，这种像素矩阵被称为y16图像数据。y16图像数据是不能直接对用户显示出来的，还需要经过调光处理，对像素进行压缩，最终得到每个像素为8bit的数字图像矩阵，这种像素矩阵被称为y8图像数据，y8图像矩阵就能直接显示出来了。

现有的车载红外摄像头调光方法大多继承于观瞄通用的红外摄像头，使用的是全图调光，这种算法可以较好地显示出图像中的所有细节，包括天空，马路，以及道路两旁的物体，全图细节看得比较清晰，物体亮暗程度比较均衡。

通用远红外摄像头调光算法得到的图像效果中，天空、楼宇、树木、马路等信息所占图像像素比例较高，导致关键的行人、车辆的像素信息被大量衰减。对于人眼和机器视觉来讲，很难在这种图像上快速识别出行人和车辆这类关键目标，同时存在较高的误检、虚检、漏检的概率。在高温、高湿度等恶劣自然场景下，通用调光算法得到的图像整体衰退剧烈，行人、车辆目标不清晰。

技术实现要素：

本发明的目的在于克服现有技术之缺陷，提供了一种车载红外摄像头及其调光方法和装置，其能够更加方便地使得人员或者机器算法迅速识别出前方的车辆、行人目标，有效的提升了后端算法对行人、车辆、障碍物的检测率，降低了虚警率，使车辆辅助驾驶更加的安全可靠。

本发明的技术方案是这样实现的：本发明公开了一种车载红外摄像头调光方法，包括如下步骤：

获取原始图像；

对原始图像进行图像区域划分，得到包含关键信息的区域area02；

对该部分区域进行像素直方图统计，得到直方图hist[pix]；

对该直方图按照设定比例进行抛点，求出灰度变化的最大动态范围range；

根据最大动态范围range对原始图像数据进行线性调光，得到最终图像数据。

进一步地，原始图像数据为y16图像数据，最终图像数据为y8图像数据。

进一步地，进行图像区域划分，包括：将原始图像划分为上、中、下三个区域，中部区域为包含关键信息的部分区域。

进一步地，中部区域的宽度area02_width等于原始图像的宽度width，高度area02_height为原始图像高度的1/4～1/2。

进一步地，对该直方图按照设定比例进行抛点，求出灰度变化的最大动态范围range，包括：根据下抛点计算公式求出直方图下抛点pix1，根据上抛点计算公式求出直方图上抛点pix2，然后求出灰度变化的最大动态范围range，range＝pix2-pix1；

直方图下抛点pix1计算公式为：

直方图上抛点pix2计算公式为：

其中，取下抛比例k1∈[0.15，0.25]，取上抛比例k2∈[0.97，0.99]，area02_width为area02区域图像宽度，area02_height为area02区域图像高度。

进一步地，根据最大动态范围range对原始图像数据进行线性调光，得到最终图像数据，计算公式为：

y8(i)＝f(y16(i))，i∈[0，width*height]

本发明还公开了一种车载红外摄像头调光装置，包括：

图像获取模块，所述图像获取模块用于获取原始图像；

图像区域划分模块，所述图像区域划分模块用于对原始图像进行图像区域划分，得到包含关键信息的部分区域；

像素直方图统计模块，所述像素直方图统计模块用于对该部分区域进行像素直方图统计，得到直方图；

直方图抛点模块，所述直方图抛点模块用于对该直方图按照设定比例进行抛点，求出灰度变化的最大动态范围range；

线性调光模块，所述线性调光模块用于根据最大动态范围range对原始图像数据进行线性调光，得到最终图像数据。

进一步地，图像区域划分模块用于将原始图像划分为上、中、下三个区域，中部区域为包含关键信息的部分区域。

进一步地，所述直方图抛点模块用于根据下抛点计算公式求出直方图下抛点pix1以及根据上抛点计算公式求出直方图上抛点pix2，并求出灰度变化的最大动态范围range，range＝pix2-pix1；

直方图下抛点pix1计算公式为：

直方图上抛点pix2计算公式为：

其中，取下抛比例k1∈[0.15，0.25]，取上抛比例k2∈[0.97，0.99]，area02_width为area02区域图像宽度，area02_height为area02区域图像高度。

进一步地，所述线性调光模块用于根据最大动态范围range对原始图像数据进行线性调光，得到最终图像数据，计算公式为：

y8(i)＝f(y16(i))，i∈[0，width*height]

本发明还公开了一种车载红外摄像头，包括存储器，用于存储程序；

以及处理器，所述处理器用于执行所述程序时实现如上所述的车载红外摄像头调光方法的步骤。

本发明至少具有如下有益效果：绝大多数场景下，车载远红外摄像头在使用过程中，中远距离(20～150米)的行人和车辆主要集中在图像的中部区域，因此，本发明首次提出将车载视频图像划分为上中下三个区域，重点提取中部区域16位灰度图像(y16)像素按照一定比例进行直方图抛点，进而提取出像素的最有效动态范围，将中部区域抛点后得到的像素动态范围应用于全图进行线性调光，最终得到8位灰度图像(y8)。

本发明的上述方案提高了中部区域图像的对比度，使得中部区域的行人、车辆目标在整副图像中更加容易辨认。

且本发明能够较好地显示出中部图像的所有细节，主要包括远近行人、车辆以及道路两旁的物体，其中行人、车辆像素信息被大概率增强，极大地提高了后端ai检测算法的检测率。而图像上部区域的天空、楼宇、树木以及图像下部区域的马路、倒影等无效像素信息被部分衰减，从而起到了抑制虚检的效果，有效降低了后端ai检测算法的虚检率。

综上所述，本发明的主要优势在于能够更加方便，容易的使得人员或者机器算法迅速识别出前方的车辆，行人目标，提高了车载辅助驾驶的安全性。

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简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的车载红外摄像头调光方法的方法流程图；

图2为本发明的图像区域划分示意图；

图3为本发明的调光算法效果图；

图4为传统调光算法效果图。

具体实施方式

下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一

参见图1和图2，本发明实施例提供了一种车载红外摄像头调光方法，包括如下步骤：

step01：对输入的原始y16图像进行图像区域划分，得到包含关键信息的部分区域。

进一步地，进行图像区域划分，包括：将整副原始y16图像划分为上部区域area01、中部区域area02和下部区域area03。其中上部区域area01通常包含天空、楼宇、树木、交通标示牌等无效信息；中部区域area02通常包含行人、车辆、马路障碍物等关键信息；下部区域area03通常包含倒影，马路，花坛等无效信息，如图2所示，中部区域的宽度area02_width等于原始图像的宽度width，高度area02_height为原始图像高度的1/4～1/2。

step02：对中部区域进行像素直方图统计，得到直方图hist[pix]，pix∈[0，65535]。

step03：为了减少y16中少量灰度级最高点像素和最低点像素带来的干扰，需要对该直方图按照设定比例进行抛点，求出灰度变化的最大动态范围range；

进一步地，对该直方图按照设定比例进行抛点，求出灰度变化的最大动态范围range，包括：根据下抛点计算公式求出直方图下抛点pix1，根据上抛点计算公式求出直方图上抛点pix2，求出灰度变化的最大动态范围range，range＝pix2-pix1；

直方图下抛点pix1计算公式为：

直方图上抛点pix2计算公式为：

其中，直方图下抛点的比例k1为15％～25％，直方图上抛点的比例k2为97％～99％，area02_width为中部区域图像宽度，area02_height为中部区域图像高度。

step04：根据以上步骤求出的最大动态范围range对原始y16图像数据进行线性调光，最终得到y8图像数据，并输出该y8图像数据。

进一步地，根据最大动态范围range对原始y16图像数据进行线性调光，得到y8图像数据，计算公式为：

y8(i)＝f(y16(i))，i∈[0，width*height]；

实施例二

基于同一发明构思，本发明实施例还提供了一种车载红外摄像头调光装置，包括：

图像获取模块，所述图像获取模块用于获取原始y16图像；

图像区域划分模块，所述图像区域划分模块用于对原始y16图像进行图像区域划分，得到包含关键信息的部分区域；

像素直方图统计模块，所述像素直方图统计模块用于对该部分区域进行像素直方图统计，得到直方图；

直方图抛点模块，所述直方图抛点模块用于对该直方图按照设定比例进行抛点，求出灰度变化的最大动态范围range；

线性调光模块，所述线性调光模块用于根据最大动态范围range对原始y16图像数据进行线性调光，最终得到y8图像数据，并输出该y8图像数据。

进一步地，图像区域划分模块用于将原始y16图像划分为上、中、下三个区域，中部区域为包含关键信息的部分区域。

进一步地，所述直方图抛点模块用于根据下抛点计算公式求出直方图下抛点pix1以及根据上抛点计算公式求出直方图上抛点pix2，并求出灰度变化的最大动态范围range，range＝pix2-pix1；

直方图下抛点pix1计算公式为：

直方图上抛点pix2计算公式为：

其中，直方图下抛点的比例k1为15％～25％，直方图上抛点的比例k2为97％～99％，area02_width为中部区域图像宽度，area02_height为中部区域图像高度。

进一步地，所述线性调光模块用于根据最大动态范围range对原始y16图像数据进行线性调光，得到y8图像数据，计算公式为：

y8(i)＝f(y16(i))，i∈[0，width*height]；

实施例三

基于同一发明构思，本发明实施例还提供了一种车载红外摄像头，包括存储器，用于存储程序；

以及处理器，所述处理器用于执行所述程序时实现实施例一的车载红外摄像头调光方法的步骤。由于该车载红外摄像头所解决问题的原理与实施例一提供的车载红外摄像头调光方法相似，可以参见实施例一的方法的实施，重复之处不再赘述。

对比图3和图4，可以很清楚地看出本发明的车载远红外摄像头调光的方法可以对图像中部关键高温物体信息进行增强，主要包括远近行人、车辆目标，同时对道旁树木、围栏、天空、楼宇等干扰信息进行抑制，使得后端深度学习算法更容易识别出行人，车辆目标，有效的降低虚警率，在高温，高湿度等恶劣场景下也会对行人，车辆信息进行增强，有效的改善了此类场景下的成像效果，提高了深度学习算法对关键目标的检测率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。