一种重型卡车夜间前方车辆检测方法
【技术领域】
[0001] 本发明涉及一种重型卡车夜间前方车辆检测方法，属于车辆安全技术领域。
【背景技术】
[0002] 经济社会的前进带来的交通物流业的迅猛发展给社会及人们的生活带来了很大 的方便，与此同时，汽车数量急剧增加，这就导致了道路交通状况的日益恶化。辅助驾驶系 统（DAS)能够通过分析当前车辆的行驶环境帮助司机操控车辆，提高交通安全性，防止事 故发生。辅助驾驶系统的输入一般为数字图像（如来自CCD相机或CMOS相机）、红外线图 像、激光、雷达、超声波或者GPS信号。
[0003] 已投入使用的传统夜视技术主要有三大类：微光夜视技术、主动红外夜视技术、红 外热成像技术。微光夜视系统将微弱的自然光图像通过影像增强器转变为增强了百倍甚至 几万倍的电子图像，再将增强的电子图像转变成为可视的光学图像。微光夜视仪只能在有 月光或星光而无烟雾的夜间工作，并且，作用距离随亮度下降速度而下降。在军事上，主要 用作头盔夜视眼睛，目前主要作为轻武器瞄准镜、夜间驾驶以及意见观察监视装置使用。主 动红外夜视系统由红外探照灯和红外观察镜组成。红外探照灯用于发射人眼不可见的波长 范围即0. 9~1. 2微米的近红外光，以照射被观察的景物；红外观察镜是把被观察的反射光 所形成的红外图像转变成人眼可视图像。主动红外夜视仪的作用距离取决于所佩戴的红外 探照灯的功率，功率越大，作用距离越远。主动红外夜视仪主要用于步枪、坦克等军事设备。 红外热成像夜视系统工作时也不需要附加的光源，是一种被动夜视系统。但是，它与微光夜 视仪的工作原理截然不同，微光夜视仪依靠增强自然光进行工作，而红外热像仪是利用景 物本身各部位的温差及其景物与背景间的温差来成像，即红外热成像系统是通过直接接收 目标物体自身发出的红外光来成像的，具有很高的检测率。夜视技术都具有很高的探测性 能，但是价格较昂贵，一般都用于各国国防军事部门。试想在每辆汽车上安装上述任何一种 夜视仪，都需要一定的成本。而且这些传统夜视仪器都具有较强的针对性，就一种夜视仪而 言，不能在每一种环境中都表现出较好的效果。
[0004] 基于计算机视觉的辅助驾驶系统主要用于检测当前车辆周围的行人、障碍物、交 通标牌和其他车辆等影响当前车辆的物体，前方车辆的检测能够有效减少交通事故的发 生。基于计算机视觉的夜晚车辆检测系统更适合普通汽车使用，现在计算机视觉、图像处理 和模式识别等各方面的算法发展已相对成熟，计算机硬件性能也大幅度提高，并且使用普 通CCD摄像头就可以采集所需视频数据，这就使采用计算机视觉方法进行夜晚车辆预警的 研宄无论从成本、算法、硬件还是软件方面都有了保障。白天进行车辆检测光照强、可见度 高，目标颜色、边缘、轮廓、对称性等特征信息突出，易于提取车辆目标信息，白天车道上车 辆检测算法已经相对成熟。夜间驾驶场景光照条件较差，驾驶员视距不佳，夜间驾驶成为令 人担心、事故频发的驾驶状态之一。
[0005] 由于光照不足，用于白天车辆检测的方法的并不适用于夜晚。夜间情况下，一对 对称的尾灯是前方车辆呈现出的最明显的特征，也是我们唯一可以利用的检测信息。一些 研宄者利用尾灯的颜色和运动信息定位车辆，通过分析尾灯区域R、G、B三个通道信息设 置合适阈值，提取红色强度值大于阈值的像素，然后通过验证两个尾灯的空间关系判断两 个车灯是否属于同一辆车，进而确定车辆位置。另外，许多研宄者分析同一辆车的一对车 灯的对称性，通过对比每个高亮度区域块的大小、面积等信息判断是否属于同一车辆。目 前，随着集成芯片的快速发展，有研宄者提出使用Haar-like特征表示前方车辆区域，使用 Adaboost算法训练夜间车辆检测分类器，该方法比单纯提取特征、根据尾灯对称性定位车 辆具有鲁棒性。
[0006] 传统训练分类器的方法是从原图像中截取正负样本，并在原图或平滑处理后的图 像中进行检测，这样训练分类器需要更多的正负样本，并且在检测过程中由于多种干扰因 素存在很大的误检。
[0007] 但是，重型卡车在高速路上行驶时，往往行驶速度快，并且卡车前灯非常亮，路面 上还存在由于重型卡车高亮的前灯形成的大片亮域、路标、路面、护栏、标牌等物体的反光 等干扰，还使前方不同车道行驶的车辆尾灯呈现出一大一小、明显不对称的情况，这大大增 加了夜间检测重卡前方车辆的难度，使得上述方法不能很好的滤除其他亮区的干扰，对后 续的检测工作造成影响。
【发明内容】
[0008] 针对现有技术不足，本发明公开了一种重型卡车夜间前方车辆检测方法；
[0009] 本发明对拍摄的重型卡车行驶前方行驶环境的灰度图像预处理，尽可能去除其他 干扰信息，例如，由重型卡车高亮的前灯在路面上形成的大面积亮区和护栏、车牌反光形成 的干扰，并且完好保留前方每一类车辆尾灯对的形状。对预处理后的图像截取车辆尾灯对 部分，车辆尾灯对部分作为训练分类器的正样本，预处理后的图像的其它区域作为训练分 类器的负样本。使用基于haar-like特征的adaboost算法对训练分类器的正、负样本训 练，得到最终检测夜间前方车辆分类器，使用此分类器在预处理后的图像中进行车辆检测， 并在原图像中标记出车辆位置。由于预处理后的图像中只提取车辆尾灯对的形状，训练分 类器的正样本模式减少，训练分类器的负样本也随之简化，并且在预处理后的图像中进行 检测，检测环境大大简化，具有更高的准确性和更强的鲁棒性。
[0010] 本发明的技术方案为：
[0011] 一种重型卡车夜间前方车辆检测方法，具体步骤包括：
[0012] A、获取分类器
[0013] (1)在重型卡车行驶过程中，拍摄重型卡车行驶前方行驶环境，得到大量的8位灰 度图像；
[0014] (2)采用阈值处理方法去除步骤⑴得到的大量的8位灰度图像中的每一帧灰度 图像中的干扰；
[0015] (3)在步骤⑵得到的灰度图像中，截取车灯对区域作为训练分类器的正样本，截 取非车灯对区域作为训练分类器的负样本；
[0016] (4)使用基于haar-like特征的adaboost算法训练步骤（3)所述正样本及负样 本，得到分类器；
[0017]B、实现车辆检测
[0018] (5)实时读取视频的当前帧灰度图像并执行以下操作：拷贝当前帧灰度图像，采 用阈值处理方法去除所述当前帧灰度图像中的干扰，得到检测处理后的当前帧灰度图像， 加载步骤（4)得到的分类器，检测所述检测处理后的当前帧灰度图像中的车灯对区域，输 出车灯对区域，并在所述拷贝的当前帧灰度图像中标记车灯对区域。
[0019] 所述视频是指重型卡车行驶过程中实时拍摄的重型卡车行驶前方行驶环境的视 频。
[0020] 根据本发明优选的，所述阈值处理方法，具体包括：
[0021] a、计算灰度图像在感兴趣区域（0,NeQls/m,NrOTS,NMls ? (m-l)/m)的像素值均值yp 所述感兴趣区域是指：左上角第一个像素的位置为（〇,NMls/m)，宽为NMWS，高为Nrals ? (m-1)/ m;m的取值范围为2~5,m的取值范围使感兴趣区域不包含天空部分。yi的计算公式如 式（I)所示：
[0022] (I) \ \ cui^
ru ws ^ co/s / m
[0023] 式（I)中，Nrals表示灰度图像的每列的像素个数，NMWS表示灰度图像的每行的像 素个数，NMlsXNMW#指灰度图像的大小，It(x，y)是指灰度图像中（x，y)点的像素值； [0024] b、在灰度图像上划定感兴趣区域（0,k*Nrals/N，Nrows，NMls/N)，1彡k彡N，N表示在 灰度图像上依次等间隔划定的感兴趣区域的个数，k初始值为1 ;
[0025] c、在第k个感兴趣区域中，设定大小为mXn的小窗口，m<<NMls，n<<NMWS;令 i= 1 ;
[0026]d、使用