lsteq，如图4所示，灰度增强后突出了行人区域；
[0055] 其中SkS新的灰度值，GNnu为当前灰度级的像素个数，GN为图像中像素总和，L为 图像中的灰度级总数；
[0056] 5.判断是否有最优灰度分割阈值Θ，如果有执行步骤7,没有执行步骤6 ;
[0057] 6.利用模糊C均值聚类（Fuzzy C-means, FCM)算法训练出一般行车图像的最佳的 灰度图像分割阈值Θ ;
[0058] 模糊C均值聚类FCM算法可以按照以下步骤完成：
[0059] (1)读入训练需要的所有行车图片形成聚类样本X = Ix1, X2，…，xn}是η个行车图 像组成的集合，设定聚类数目c，由于行车图片主要由行人，天空，树木，道路四块组成，故设 FCM的聚类数目c = 4 ;
[0060] (2)初始化各个聚类中心HIj
[0061] (3)用当前聚类中心根据式（4)计算隶属函数；
[0062] (4)用当前隶属函数按式（3)更新各类聚类中心；
[0063] (5)设置停止运算条件当t多t_，停止运算；否则t = t+Ι，返回步骤（3)，其中， t为迭代次数t，〖_为允许最大迭代数目为：
[0066] InjQ = 1，2,…，c)是每一个聚类的中心，μ .Jxi)是第i个样本关于第j类的隶属 度，b是模糊加权幂指数；
[0067] 当算法收敛时，得到各类的聚类中心和各个样本对于各类的隶属度，完成模糊聚 类划分，最后将模糊聚类结果进行去模糊化，将模糊聚类转变为确定性分类，实现最终的聚 类分割，根据分割的图片效果如图6所示，实在四个不同阈值下分割的二值图像，找出最能 突出行人位置的分割阈值Θ，并保存分割阈值Θ ;
[0068] 7.利用阈值Θ对步骤4生成的图像Ihlsteq利用式5进行阈值分割得出二值图像 Ibw，
[0070] 其中B(bw, by)为图像坐标（bw, by)上的灰度值，Θ为步骤5得出的灰度图像分 割阈值，B'（bw, by)为坐标（bw, by)上新的灰度值，得出的二值图像例如图5 ;
[0071] 8,采用二值图像Ibw连通区域进行标记，标记后图像为I lable;
[0072] 给二值图像Ibw每个连通区域分配一个唯一代表该区域的编号（1，2, 3…ni)在输 出图像Ilable中该连通区域内的所有像素的像素值就赋值为该区域的编号，输出标记图像 I Iable，
[0073] 9.对实施步骤2后的Igray图像进行区域生长得出二值图像I Bgrow;
[0074] 区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程；本发 明区域生长有三个步骤：
[0075] (1)选择合适的生长点；
[0076] 在现实的行车状态下，车前方3m_5m处为路面区域，基于该先验知识，可以选取车 正前方3m-5m的区域为区域生长所需的初始生长点Q ;
[0077] (2)确定相似性准则既生长准则；
[0078] 图Igray图像为待生长的图像，以Q点的灰度值为初始生长点的灰度值，若待测点灰 度值与生长点灰度值差小于阈值ω = 〇. 1，那么待测点的和生长点Q合并；
[0079] (3)确定生长停止条件；
[0080]当图像Igray不存在满足生长点准则像素点，生长停止，得出路面的生长区域 region ；
[0081] (4)对图像Igray* region区域所有坐标像素值赋值为1 (白色），非region区域 像素赋值为〇 (黑色），得出区域生长后的二值图像IBgrow;
[0082] 10.对图像IBgraw进行边缘检测，得出图像I edge，本发明使用canny算子；
[0083] 由于canny算子在抗噪声干扰和精确定位之间寻求折衷的方案，边缘检测的效果 要优于其他算法，本发明采用canny来进行边缘检测，例如图6所示，为使用该算法的边缘 检测效果，具体步骤如下：
[0084] (1)用高斯滤波器平滑图像IBgraw
[0085] 利用一个省略系数的高斯函数；
[0088] 其中f (X，y)是图像数据，G(x，y)为平滑后的图像，〇是标准差；
[0089] (2)用一阶偏导的有限差分来计算梯度的幅值和方向；
[0097] 其中，H1, H2为一阶差分卷积模板，约(Λ%.Γ)，分别为X方向的梯度幅值和y 方向的梯度幅值。为梯度幅值，心为梯度方向
[0098] (3)对梯度幅值进行非极大值抑制
[0099] 仅仅得到全局的梯度不足以确定边缘，为确定边缘，必须保留局部梯度最大的点， 而抑制非极大值，即将非局部极大值点置零以得到细化边缘；
[0100] (4)用双阈值算法检测和连接边缘；
[0101] 使用两个阈值！\和T 2 (KT2)，从而可以得到两个阈值边缘图像N1 [i，j]和 N2[i，j]，双阈值法要在N2[i，j]中把边缘连成轮廓，在Nji，j]中收集边缘，直到将队[1，j] 连接起来为止，得到canny算子进行边缘检测后的图像I f3dgf3;
[0102] 11.对图像进行霍夫变换得出直线方程
[0103] 霍夫变换计算时，建立一个二维累加数组A(a，b)，第一维的范围是图像Iedge坐标 空间中直线斜率的可能范围，第二维的范围是图像坐标空间中直线截距的可能范围。开始 时A (a, b)初始化为0,然后对图像Iedge坐标空间的每一个前景点（X D yi)，将参数空间每一 个a的离散值带入b = -Xia+y;，计算出对应的b值，每计算出一对（a, b)，都将对应的数组 元素 A(a，b)加1，即A(a，b) = A(a，b)+1，所有的计算结束后，在参数空间表决结果中找到 A(a，b)的最大峰值，所对应的a(]、b。就是原图像中共线点数目最多（共A(a(]，b。）个共线点） 的直线方程参数；接下来可以继续寻找次峰值和第3第4峰值等，它们对应于原图中共线点 数目少一些的直线；
[0104] 12.根据步骤11得出的直线方程对步骤9得出的图像IBgraw切割路面；
[0105] 设置直线方程的线宽Ld，对直线方程上所有点设为像素为0即黑色，得出切割后 的图像I hciugh,例如图7,为切割路面后的效果；
[0106] 13.对图像Ihciugh进行连通区域标记，并找出最大的连通区域；
[0107] 给图像Ihciugh每个连通区域分配一个唯一代表该区域的编号（1，2, 3···ηΓ)在图像 Ihciugh中该连通区域内的所有像素的像素值就赋值为该区域的编号；扫描一遍图像I h_h所 有的标注信息，对像素值为该区编号的像素进行计数，计数最大值即为最大的连通区域标 记的编号，对I hciugh非编号η的区域的像素值置0,得出路面的二值图像I road，例如图8,为采 取步骤13后提取的路面区域；
[0108] 14.对图像Iraad进行膨胀，得到完整的路面区域I fraad;
[0109] 为了填补细小的空洞对图像进行膨胀处理，定义为：
[0111] 让模板SR在整个z平面上移动并与图像A去交集，填补细小的空洞，得出对图像 Iraad膨胀的I fraad，例如图9为在Iroad基础上进行膨胀的结果；
[0112] 15.提取可能存在行人的感兴趣区域，
[0113] 首先需要计算图中连通区域的面积，设实施步骤7后Ilable共有η个连通区域用 Oni (1，2, 3···，ni)表示第ni连通区域，扫描所有一遍图像IlablJ勺标注信息，对像素值为 该区编号的像素进行计数，计数最值即为连通区域Oni的面积Sqni，面积阈值为u，如果 Sqni〈 u则将〇nig域剔除，将剩连通区域0 别和路面区域I froad求交集，并判断是否这两 个区域存在交集，如果不存在剔除该区域，扫描完所有连通区域后，保存Ilable图像的剩余连 通区域〇ρι;
[0114] 16.获得图像Ilablj Opi区域的质心，扫描Opi区域找出像素值为该区编号的图像 (x，y)坐标，计算其平均值，得出所有O pi区域的质心位置坐标Ma Jhy1);
[0115] 17.在原始图像I上，以Ma1 (X1J1)为中心点坐标，将128*64像素大小的区域保 存，该区域即为行人检测的感兴趣区域ROIs ;
[0116] 18.对提取的ROIs感兴趣区域使用H0G+SVM进行精确行人检测；
[0117] 将获取的感兴趣区域提取HOG (Histogram of Oriented Gradients,梯度向量直 方图）特征，并送入SVM(Support Vector Machine支持向量机）分类器其中进行进一步的 识别，检测由步骤16提取的ROIs是否为行人区域，若判断是行人区域则执行步骤18,直到 将所有的ROIs区域检测完毕，算法结束。
[0118] 19.在原始图像I上，以Ma1(X1J1)为中心点坐标，绘制128*64像素大小矩形框， 该128*68像素大小的矩形框即为得出的行人位置。
【主权项】
1. 一种基于路面约束的图像分割法提取行人感兴趣区域的方法，其特征在于包括下列 步骤： (1