一种双目图像中显著性目标的距离测量方法
【技术领域】
[0001] 本发明涉及一种双目图像中目标的距离测量方法，尤其涉及一种双目图像中显著 性目标的距离测量方法，属于图像处理技术领域。
【背景技术】
[0002] 距离信息在交通图像处理当中主要应用于为汽车的控制系统提供安全判断。在智 能汽车的研宄过程中，传统的目标测量方法是利用特定波长雷达或激光对目标进行测距。 与雷达和激光相比，视觉传感器具有价格上的优势，同时视角也更加开阔。并且利用视觉传 感器在测量目标距离的同时，能判断出目标的具体内容。
[0003] 但是目前的交通图像信息相对繁杂，传统的目标距离测量算法很难在复杂图像中 得到理想结果，由于无法找到图像中显著性目标而是全局检测，使得处理速度较慢并增加 了很多的无关数据，使得算法无法满足实际应用要求。
【发明内容】
[0004] 本发明的目的是提出一种双目图像中显著性目标的距离测量方法，以解决现有的 目标距离测量方法处理速度慢的问题。
[0005] 本发明所述的一种双目图像中显著性目标的距离测量方法，是按照以下步骤实现 的：步骤一、利用视觉显著性模型对双目图像进行显著性特征提取，并标出种子点和背景 点，具体包括：
[0006] 步骤一、利用视觉显著性模型对双目图像进行显著性特征提取，并标出种子点和 背景点，具体包括：
[0007] 步骤一一、首先进行预处理，对双目图像进行边缘检测，生成双目图像的边缘图； 步骤一二、利用视觉显著性模型对双目图像进行显著性特征提取，生成显著性特征图；
[0008] 步骤一三、根据显著性特征图找出图中灰度值最大像素点，标记为种子点；并以种 子点为中心的25X25的窗口内遍历像素，找出像素点的灰度值小于0. 1的且距离种子点最 远的像素点标记为背景点；
[0009] 步骤二、对双目图像建立加权图；
[0010] 利用经典高斯权函数对双目图像建立加权图：
[0011] Wti =e~p(8r8i)1 (l)
[0012] 其中，Wu表示顶点i和顶点j之间的权值，g1表示顶点i的亮度，g」表示顶点j的 亮度，0是自由参数，e为自然底数；
[0013] 通过下式求出加权图的拉普拉斯矩阵L :
[0014]
【主权项】
1. 一种双目图像中显著性目标的距离测量方法，其特征在于所述方法包括以下步骤： 步骤一、利用视觉显著性模型对双目图像进行显著性特征提取，并标出种子点和背景 点，具体包括： 步骤一一、首先进行预处理，对双目图像进行边缘检测，生成双目图像的边缘图； 步骤一二、利用视觉显著性模型对双目图像进行显著性特征提取，生成显著性特征 图； 步骤一三、根据显著性特征图找出图中灰度值最大像素点，标记为种子点；并以种子点 为中心的25X25的窗口内遍历像素，找出像素点的灰度值小于0. 1的且距离种子点最远的 像素点标记为背景点； 步骤二、对双目图像建立加权图； 利用经典高斯权函数对双目图像建立加权图：
其中，表示顶点i和顶点j之间的权值，g1表示顶点i的亮度，g^表示顶点j的亮 度，0是自由参数，e为自然底数； 通过下式求出加权图的拉普拉斯矩阵L:
其中，Lu为拉普拉斯矩阵L中对应顶点i到j的元素，di为顶点i与周围点权值的和，
步骤三、利用步骤一中的种子点和背景点和步骤二中的加权图，通过随机游走图像分 割算法将双目图像中的显著性目标分割出来； 步骤三一、将双目图像的像素点根据步骤一标记出的种子点和背景点分出两类集合， 即标记点集合VM与未标记点集合V"，拉普拉斯矩阵L根据VjPV"，优先排列标记点然后再 排列非标记点；其中，所述L分成LM、L"、B、BT四部分，则将拉普拉斯矩阵表示如下：
其中，LM为标记点到标记点的拉普拉斯矩阵，1^为非标记点到非标记点的拉普拉斯矩 阵，B和BT分别为标记点到非标记点和非标记点到标记点的拉普拉斯矩阵； 步骤三二、根据拉普拉斯矩阵和标记点求解组合狄利克雷积分D[x]; 组合狄利克雷积分公式如下：
其中，x为加权图中顶点到标记点的概率矩阵，\和x」分别为顶点i和j到标记点的 概率； 根据标记点集合VM与未标记点集合Vu，将x分为xM和x。两部分，xM为标记点集合VM对 应的概率矩阵，Xu为未标记点集合￥"对应的概率矩阵；将式（4)分解为：
对于标记点s，设定ms，如果任意顶点i为s，则= 1，否则=0，对D[xu]针对乂1]求 微分，得到式（5)极小值的解即为标记点s的狄利克雷概率值：
其中，表示顶点i首次到达标记点s的概率； 根据通过组合狄利克雷积分求出的<，按照式（7)进行阈值分割，生成分割图：
其中，Si为某一顶点i在分割图中对应位置的像素大小； 其中，所述分割图中亮度为1的像素点表示为图像中的显著性目标，亮度为〇的即为背 景； 步骤三三、将分割图与原图像对应的像素相乘，生成目标图，即提取出分割出的显著性 目标，公式如下： ti=si?Ii(8) 其中，&为目标图T的某一顶点i的灰度值，Ii为输入图像1(〇)对应位置i的灰度 值； 步骤四、通过SIFT算法将显著性目标单独进行关键点匹配； 步骤四一、将目标图建立高斯金字塔，对滤波后的图像两两求差得到DOG图像，DOG图 像定义为D(x，y, 〇)，求取公式如下： D(x,y, 〇) = (G(x,y,k〇)-G(x,y, 〇))*T(x,y) (9) =C(x,y,k〇 )-C(x,y, 〇 ) 其中，
为一个变化尺度的高斯函数，P，q表示高斯模板 的维度，（x，y)为像素点在高斯金字塔图像中的位置，〇是图像的尺度空间因子，k表示 某一具体尺度值，C(x,y, 〇 )定义为G(x,y, 〇 )与目标图T(x,y)的卷积，即C(x,y, 〇 )= G(x,y, 〇 )*T(x,y)； 步骤四二、在相邻的DOG图像中求出极值点，通过拟合三维二次函数确定极值点的位 置和尺度作为关键点，并根据Hessian矩阵对关键点进行稳定性检测以消除边缘响应，具 体如下： (一）对尺度空间DOG通过进行泰勒展开求其曲线拟合D(X):
其中，X=(X，y，〇)T，D为曲线拟合，对式（10)求导并令其为0,得到极值点的偏移量 式（11):
为去除低对比度的极值点，将式（11)代入公式（10)，得到式（12):
若式（12)的值大于0.03,保留该极值点并获取该极值点的精确位置和尺度，否则丢 弃； (二）通过关键点处的Hessian矩阵筛选消除不稳定的关键点； 利用Hessian矩阵特征值之间的比率计算曲率； 根据关键点邻域的曲率判断边缘点； 曲率的比率设置为10,大于10则删除，反之，则保留，保留下来的则是稳定的关键点； 步骤四三、利用关键点邻域16X16的窗口的像素为每个关键点指定方向参数； 对于在DOG图像中检测出的关键点，梯度的大小和方向计算公式如下：
其中，C为关键点所在的尺度空间，m为关键点的梯度大小，0为所求点的梯度方向； 以关键点为中心，在周围区域划定一个16X16邻域，求出其中像素点的梯度大小和梯度方 向，使用直方图来统计这个邻域内点的梯度；直方图的横坐标为方向，将360度分为36份， 每份是10度对应直方图当中的一项，直方图的纵坐标为梯度大小，对应为相应梯度方向的 点的大小进行相加，其和作为纵坐标的大小；主方向定义为梯度大小最大为hm的区间方 向，通过梯度大小在〇8*hm之上的区间作为主方向的辅助向，以增强匹配的稳定性； 步骤四四、建立描述子表述关键点的局部特征信息 首先在关键点周围的坐标旋转为关键点的方向； 然后选取关键点周围16X16的窗口，在邻域内分为16个4X4的小窗口，在4X4的小 窗口中，计算其相对应的梯度的大小和方向，并用一个8个bin的直方图来统计每一个小窗 口的梯度信息，通过高斯加权算法对关键点