) 读入待检测图像I; (2) 判断图像I是否为灰度图像，若是实施步骤（3)若不是则转化为灰度图像Igray; (3) 对图像Igray进行中值滤波处理后得图像I 采用3*3的中值滤波模板，中值滤波模型为： g(mx,my) =med{f(mx-3,my-3) 式（1) 其中g(mx,my)表示处理后的图像f(mx-3,my-3)表示原始图像以（mx,my)为中心的 3*3领域内的像素值，med操作为取像素中值操作； (4) 利用直方图均衡化技术对图像IMd进行灰度增强，增强后图像IhlsW (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); (6) 利用模糊C均值聚类（FuzzyC-means,FCM)算法训练出一般行车图像的最优的灰 度图像分割阈值Θ; 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，最终聚类分割，根 据分割的图片效果，找出最能突出行人位置的分割阈值Θ，并保存分割阈值Θ; (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' f5) 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； (8) 采用二值图像Ibw连通区域进行标记，标记后图像为Ilaby 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Ilaw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 (9) 对实施步骤（2)后的IgMy图像进行区域生长得出二值图像IBgraw;g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； (10) 对图像IBgra进行边缘检测，得出图像使用canny算子； (11) 对图像、_进行霍夫变换得出直线方程； (12) 根据步骤11得出的直线方程对图像IBgrow切割路面； 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 {象Ihough， (13) 对图像Ihc]Ugh进行连通区域标记，并找出最大的连通区域； (14) 对图像Iroad进行膨胀，得到完整的路面区域Ifraad; (15) 提取可能存在行人的感兴趣区域； (16) 获得图像Ilable中0P1区域的质心；扫描0P1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0P1区域的质心位置坐标Mai(Xl，yi); (17) 在图像I上，以Mai(Xl，yi)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; (18) 对提取的ROIs感兴趣区域使用HOG+SVM进行精确行人检测； (19) 在原始图像I上，以Μ&1(Χι，yi)为中心点坐标，绘制128*64像素大小矩形框，该 128*68像素大小的矩形框是行人位置。2. 根据权利要求1所述的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，其特征在于所述步骤（6)中所述：模糊C均值聚类FCM算法按照以下步骤完成： (1) 读入训练需要的所有行车图片形成聚类样本X= {Xl，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 ; (2) 初始化各个聚类中心1? (3) 用当前聚类中心根据式（4)计算隶属函数； (4) 用当前隶属函数按式（3)更新各类聚类中心； (5) 设置停止运算条件当t彡t_，停止运算；否则t=t+Ι，返回步骤（3)，其中，t为 迭代次数t，1_为允许最大迭代数目为：1?(i= 1，2,…，c)是每一个聚类的中心，μ(xj是第i个样本关于第j类的隶属度，b是模糊加权舉指数。3. 根据权利要求1所述的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，其特征在于所述步骤（9)中所述区域生长包括如下步骤： (1) 选择合适的生长点； 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; (2) 确定相似性准则既生长准则； 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； (3) 确定生长停止条件； 当图像IgMy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; (4) 对图像1_中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。4. 根据权利要求1所述的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，其特征在于所述步骤（10)中采用canny来进行边缘检测的步骤如下： (1)用高斯滤波器平滑图像IBgra 利用一个省略系数的高斯函数； (6) G(x,y) =f(x,y)*H(x,y) (7) 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； (2) 用一阶偏导的有限差分来计算梯度的幅值和方向；其中，氏，Η2为一阶差分卷积模板，奶(y)，α(λ%.ι〇分别为X方向的梯度幅值和y方向 的梯度幅值。供(&·>0为梯度幅值，&为梯度方向 (3) 对梯度幅值进行非极大值抑制 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； (4) 用双阈值算法检测和连接边缘； 使用两个阈值!\和Τ2 (Τ?)，从而可以得到两个阈值边缘图像& [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N2[i，j]连接起来 为止，得到canny算子进行边缘检测后的图像5.根据权利要求1所述的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，其特征在于所述步骤（11)中霍夫变换计算方法是： 建立一个二维累加数组A(a，b)，第一维的范围是图像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 〇,然后对图像坐标空间的每一个前景点（Xdyi)，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)+l，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apb。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。6. 根据权利要求1所述的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，其特征在于所述步骤（13)对图像Ihtiugh进行连通区域标记，并找出最大的连通区域的方 法是： 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Ihc]Ugh 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Ih_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Ihciugh非编号η的区域的像素值置0,得出路面的二值图像Iroad，为提取的路面区域。7. 根据权利要求1所述的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，其特征在于所述步骤（15)提取可能存在行人的感兴趣区域的方法如下： 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Οηι (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〇ηι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Ifroad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。
【专利摘要】本发明涉及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，属于车载行人检测感兴趣区域提取领域。包括读入待检测图像、判断图像I是否为灰度图像，对图像进行中值滤波处理后得图像，利用直方图均衡化技术对图像进行灰度增强，利用模糊C均值聚类算法训练出一般行车图像的最优的灰度图像分割阈值得出二值图像，对图像进行边缘检测，对图像进行霍夫变换得出直线方程切割路面，对图像进行连通区域标记，提取可能存在行人的感兴趣区域，对提取的ROIs感兴趣区域使用HOG+SVM进行精确行人检测，在原始图像I上，绘制128*64像素大小矩形框。本发明有效的减少了遍历窗口的数量，从而提高了检测速度和检测精度。
【IPC分类】G06T7/00, G06K9/46, G06T5/40, G06K9/00, G06K9/38
【公开号】CN105261017
【申请号】CN201510657978
【发明人】王冬梅, 刘帅师, 冯偲, 邱东, 于微波, 刘德雨, 戴威
【申请人】长春工业大学
【公开日】2016年1月20日
【申请日】2015年10月14日