基于亮度方差特征的夜间道路车辆检测方法
【专利摘要】本发明公开了一种基于亮度方差特征的夜间道路车辆检测方法。针对夜间道路监控的车辆检测，本发明以道路监控摄像机为视频来源输入，利用直方图双峰法对图像进行阈值分割，利用大气散射原理对夜间车辆图像进行预处理，再根据图像中的车灯和反射光的亮度方差的数据统计特征差别，采用基于决策树学习法区分图像中的反射光和车灯，并剔除图像中的反射光；最终实现夜间车灯的检测。本发明较好的提高夜间车辆检测方法的准确率以及检测的时间性能。
【专利说明】
基于亮度方差特征的夜间道路车辆检测方法
技术领域
[0001] 本发明涉及图像处理技术领域，尤其涉及监控场景下夜间道路车辆检测，基于图 像的亮度方差特征，利用决策树学习法的夜间道路反射光筛选、分割剔除方法，减少路面反 光对夜间车灯检测的干扰，提高利用车灯的夜间车辆检测方法的准确率以及检测的时间性 能。
【背景技术】
[0002] 近些年来，针对基于监控视频的白天道路车辆检测技术已经较为成熟；而针对夜 间道路监控的车辆检测，由于一般利用车灯特征实现车辆检测，容易受到夜间道路的路面 反射光干扰影响，导致基于车灯的夜间车辆检测准确率较低。
[0003] 夜间道路监控的车辆测算法主要分为：（1)基于机器学习的检测方法，这种方法主 要是提取出车辆的一些描述特征，实行图像特征的训练分类，这个方法需要一个比较能全 面描述车辆的特征，并建立样本库进行训练，这个过程的计算量过大，可能会存在时间性能 问题，而车辆检测的一个重要需求是达到实时检测；（2)基于尾灯的车辆检测方法，该方法 主要是通过尾灯的颜色信息或形态特征来实现车辆检测，但是利用颜色信息进行检测会局 限于固定的颜色阈值，对环境关照变化的鲁棒性过低；同时，车尾灯的形态多样，仅仅依靠 形态信息中的一种条件来筛选车灯，并不能将道路上的车辆完全检测出来，适应性较差；
[3] 基于车前灯的车辆检测方法，由于车前灯是车辆最显著的特征，利用车前灯的亮度信 息、形态信息等特征对车灯进行检测，使用车前灯检测算法相对机器学习对特征进行分类 的方法计算复杂度更低，能比较好的达到实时性，同时，相对尾灯检测方法来说，更少的局 限于环境变化，对环境的适应性更强。但是，基于车前灯的车辆检测算法也存在一个问题， 那就是车灯在路面上形成的反射光会对车灯的检测形成干扰，对车灯的正确检测造成影 响。已有的解决方法中依据车灯与干扰之间的形态差异来对干扰进行筛除，该方法能在原 先基础上减少干扰，但是仍然无法排除一些与车灯的形态机器相似的路面反光干扰。
【发明内容】
[0004] 针对夜间道路监控的车辆检测，本发明公开了基于亮度方差特征的夜间车辆检测 方法，该方法以道路监控摄像机为视频来源输入，利用直方图双峰法对图像进行阈值分割， 利用大气散射原理对夜间车辆图像进行预处理，再根据图像中的车灯和反射光的亮度方差 的数据统计特征差别，采用基于决策树学习法区分图像中的反射光和车灯，并剔除图像中 的反射光;最终实现夜间车灯的检测。
[0005] 本发明解决其技术问题采用的技术方案步骤如下：
[0006] 步骤1:根据车灯区域与反射光区域在亮度方差特征上的差异，计算原始图像中车 灯区域与反射光区域的像素点对应的方差值，得到对应的方差结果图VR，作为检测过程中 的特征；
[0007] 利用大气散射原理对原始图像进行处理，得到反射图RI;
[0008] 利用直方图双峰法对原始图像中的车辆进行阈值分割，得到灰度特征图I;
[0009] 步骤2:对于步骤1得到的三种结果图，分别提取结果图中车灯位置的像素值和反 射光位置的像素值，构成三维向量作为检测特征；
[0010] 步骤3:将提取出来的车灯位置的像素值特征作为正样本，反射光位置的像素为负 样本;然后利用决策树学习法，对正负样本进行学习训练，得到对应的决策树；
[0011] 步骤4:利用步骤3构建的决策树结果对检测过程中出现的光亮区域像素点实行分 类决策，将分类得到是反光区域的像素点消除，得到剩下车灯像素点的二值图像，其中的亮 区域就是检测到的车灯区域。
[0012] 所述步骤1具体实现过程如下：
[0013] 步骤101:利用直方图双峰法，对原始图像进行阈值分割，对于得到的原始图像的 灰度直方图，找到第一个峰值和第二个峰值，再找到第一和第二个峰值之间的谷值T，该谷 底值T就是原始图像分割的阈值;然后用如下公式对原始图像进行分割；
[0014] f(x,y)=0,if(f(x,y)<T)
[0015] f(x,y)=255,if(f(x,y)^T)
[0016] 其中，f(x，y)表示阈值分割结果图对应的像素点值；
[0017] 步骤 102:利用Bouguer的衰减指数定律E(d，A) = I〇(A) ? y (A) ? exp(-d)，其中 1〇 (入)为光源辐射强度，y (A)为波长的总散射系数，d为光源到屏幕的距离；
[0018] 对于灰度特征图I的像素点(x，y)，为其划分内部区域和外部区域?^7，r = 2; l
[0019] 卜）={(x + u,y + v)|-r < u < r,-r < v < r} X,\
[0020] & 二[(x +. u,y.+ v)|-2r S u ￡ -..:2r S v ￡ 2r}
[0021] 其中，u和v表示区域的范围参数；
[0022] 在内部区域中寻找像素对应的最小值MI^y和最大值假设光源为 MA^y，的散射光，贝撒射系数可以如下定义：
[0024]其中，e1为M&y、MA^.v之间的距离；
[0025]在外部区域中找到最小值MIg,y和最大值MA|,y，同时也计算两者之间的距 x,y J 离e ，最后得到反射强光图RI:
[0026] RI(x;y) = MI|y - MA|y x y (x,y) x exp (- ^y)|；
[0027]步骤103:利用概率统计中的方差来对原始图像的灰度图进行方差计算处理，得到 方差结果图VR;方差的公式为：
[0028] S2=((Xi-M)2+(X2-M) 2+--- + (Xn-M)2)/n
[0029] 其中，均值
；，n为灰度图中像素点的个数，xi、X2、…、xn为灰度图 中的像素点；
[0030] 步骤104:选取并建立车灯和反射光的样本；
[0031 ]根据步骤101选取部分具有代表性的有反射光和车灯的夜间道路监控图片作为样 本图片，然后对每张样本图片都进行步骤101到103操作，得到每张样本图片对应的I、RI、VR 三个样本图，提取同一张样本图片对应的I、RI、VR三个样本图中的车灯所在位置的像素值 作为正样本(I、RI、VR)，提取同一张样本图片对应的I、RI、VR三个样本图中的反射光所在位 置的像素值作为负样本(I、RI、VR)。
[0032]所述步骤2具体实现过程如下：
[0033]步骤201:对原始图像进行预处理，具体包括感兴趣区域提取过程；
[0034]步骤202:对于多个车灯像素和反光像素，利用步骤1所述的特征提取的方式，提取 出车灯与反光像素对应的特征值，并将这些像素的RI、VR、I的像素值作为训练样本(RI、VR、 I);
[0035]步骤203:对训练样本进行统计，建立决策树分类算法;计算样本的熵：
[0037]其中，X代表的是正负样本集合，k代表训练样本集由k类样本组成，1^ = 24:表示第 i个取值对应的概率，i = 1，2;
[0038]用属性A将训练样本集X划分以后，训练样本集X的信息熵为：
[0040]其中，I(XiA) = - @=1 % l〇g2 % ;巧广Dijl) / D，m代表的是属性A不同取值 的个数;k代表训练样本集由k类样本组成，k = 2;D代表的是按照属性A划分出来的分区; 代表的是第j类样本中的第i分区的样本数，Pu代表的是第j类样本中的第i分区所占总样本 的权重；
[0041 ]所述步骤3的具体实现过程如下：
[0042]训练决策树，输入正负训练样本:三维特征(RI，VR，I)，计算三个特征对应的信息 增益Gain，增益GaiW，A)反应了属性A对分类所提供的信息量：
[0043] GainCX7 ,A) = I(X/ )-I(X7 ,A)
[0044]其中，属性A包括三维特征中的RI，VR，I 指代训练样本集中的一个；
[0045] 通过步骤101利用决策树方法对图像分割之后的高亮区域进行反射光分类和剔 除；利用步骤203得到的决策树，对高亮区域中的像素进行反射光分类区分，将判别为负样 本的反射光区域像素值设为零，剔除反射光，得到消除反射光干扰后的二值图像。
[0046] 所述步骤4具体实现过程如下：
[0047] 步骤401:对二值图像采用八连通区域提取，即对目标像素进行上、下、左、右、左上 角、左下角、右下角、右上角8个方向检测;检测出N个连通区域{&，&，…，Cn} ;在检测出来的 每个区域中，将其最左和最右的x值设为Left和Right;最上和最下的y值分别设为Top和 Bottom，以这四个值组成一个矩形，获得其宽度W和高度H;
[0048]步骤402:对连通区域进行如下条件的筛选：
[0049] 条件1:根据车灯区域的饱满度得到了如下的判断条件：
[0050] S/i = Si/2
[0051] Si>t
[0052] 其中SiS连通区域形成的矩形面积，S、为连通区域的实际面积，t = 12;
[0053]条件2:每辆车辆的两车灯处于相似水平线上：
[0054] (^,<(^，(^多(^，其中，(^、(^和(^、(^分别为两车灯(^和(：」的顶部、底部；
[0055] 条件3:每辆车辆两车灯的宽度与高度相似：
[0056] 1'1〈11〈1'2，1'1〈《〈1' 2，其中，11、《分别为两个车灯区域的高度比例和宽度比例;1'1、1' 2为 判断阈值，当分别为〇. 7和1.3最佳；
[0057]条件4:每辆车辆两车灯的面积相近：
」为两个车灯两区域的面积；
[0059]满足以上四个条件并检测出来的为车灯；
[0060] 步骤403:对车辆进行检测
[0061]根据车辆的两车灯之间具有相似的高度、大小以及一定范围内的距离，步骤202中 已经实现了两车灯之间的高度、大小对比；因此在步骤202的条件上加入两车灯的距离即可 完成对车灯的匹配，当两车灯的距离在一个车灯区域宽度的2倍到8倍之间，则这两个车灯 属于同一车辆，从而完成对车辆的检测。
[0062]本发明有益效果如下：
[0063]本文提出根据图像中的车灯和反射光的亮度方差统计特征的显著差别，同时利用 大气散射原理和拉普拉斯高斯滤波原理处理图像，构造基于亮度方差特征为主的车灯描述 特征，并采用基于决策树学习法区分和分割剔除图像中的反射光，较好的提高夜间车辆检 测方法的准确率以及检测的时间性能。
【附图说明】
[0064]图1为特征提取的流程图。
[0065]图2为决策树构建的流程图。
[0066]图3为对车辆车灯进行筛选的流程图。
[0067]图4为车辆检测效果图。
【具体实施方式】
[0068]下面结合附图，对本发明的具体实施方案作进一步详细描述。基于亮度方差特征 的夜间道路车辆检测方法，其具体步骤描述如图1所示：
[0069] 步骤1:根据车灯区域与反射光区域在亮度方差特征上的差异，计算原始图像中车 灯区域与反射光区域的像素点对应的方差值，得到对应的方差结果图VR，作为检测过程中 的特征。
[0070] 利用大气散射原理对原始图像进行处理，得到反射图RI。
[0071] 利用直方图双峰法对原始图像中的车辆进行阈值分割，得到灰度特征图I。
[0072] 步骤2:对于步骤1得到的三种结果图，分别提取结果图中车灯位置的像素值和反 射光位置的像素值，构成三维向量作为检测特征。
[0073]步骤3:将提取出来的车灯位置的像素值特征作为正样本，反射光位置的像素为负 样本;然后利用决策树学习法，对正负样本进行学习训练，得到对应的决策树。
[0074] 步骤4:利用步骤3构建的决策树结果对检测过程中出现的光亮区域像素点实行分 类决策，将分类得到是反光区域的像素点消除，得到剩下车灯像素点的二值图像，其中的亮 区域就是检测到的车灯区域。
[0075] 如图1所示，本发明的特征提取流程如下：
[0076] 步骤101:利用直方图双峰法，对原始图像进行阈值分割，对于得到的原始图像的 灰度直方图，第一个峰值和第二个峰值，再找到第一和第二个峰值之间的谷值T，这个谷底 值T就是原始图像分割的阈值。再用如下公式对原始图像进行分割。
[0077] f(x,y)=0,if(f(x,y)<T)
[0078] f(x,y)=255,if(f(x,y)^:T)
[0079] 其中，f(x，y)表示阈值分割结果图对应的像素点值；
[0080] 步骤 102:利用Bouguer的衰减指数定律E(d，A) = I〇(A) ? y (A) ? exp(-d)，其中 1〇 (入)为光源辐射强度，y (A)为波长A的总散射系数，d为光源到屏幕的距离。
[0081] 对于灰度特征图I的像素点（x，y)，为其划分内部区域81和外部区域@e，r = x,y x,y 2〇
[0082] ?5 = {(x + u,y + v)|-r < u < r,-r < v < r}
[0083] (m) r - {(x + u, y + v)|-2r < u < 2r; -2r < v < 2r} x，y
[0084] 其中，u和v表示区域的范围参数；
[0085]在内部区域w x y中寻找像素对应的最小值M gy和最大值.M .，假设光源为 MA1^ M_y为的散射光，则散射系数可以如下定义：
[0087] 其中，e1为M&y、间的距离。
[0088] 在外部区域中找到最小值Mg,7和最大值MA|,y，同时也计算两者之间的距 入,> 离e ，最后得到反射强光图RI: x,y
[0089] RI(x,y) = Mg,y - MA!,y x y (x,y) x exp (- t xy)。
[0090] 步骤103:利用概率统计中的方差来对原始图像的灰度图进行方差计算处理，得到 方差结果图VR。方差的公式为：
[0091] S2=((Xi-M)2+(X2-M)2+--- + (Xn-M)2)/n
[0092] 其中，均值。，n为灰度图中像素点的个数，xi、X2、…、xn为灰度图 中的像素点。
[0093] 步骤104:选取并建立车灯和反射光的样本。
[0094] 根据步骤101选取部分具有代表性的有反射光和车灯的夜间道路监控图片作为样 本图片，然后对每张样本图片都进行步骤101到103操作，得到每张样本图片对应的I、RI、VR 三个样本图，提取同一张样本图片对应的I、RI、VR三个样本图中的车灯所在位置的像素值 作为正样本(I、RI、VR)，提取同一张样本图片对应的I、RI、VR三个样本图中的反射光所在位 置的像素值作为负样本(I、RI、VR)。
[0095] 图2是决策树的学习和路面反光剔除流程图。
[0096]步骤201:对每帧道路监控图像(原始图像)进行预处理，具体包括感兴趣区域提取 过程。
[0097]步骤202:对于1500个车灯像素和2200个反光像素，利用图1中特征提取的方式，提 取出车灯与反光像素对应的特征值，以这些像素的RI、VR、I的像素值作为训练样本(RI、VR、 I)。
[0098]步骤203:对训练样本进行统计，建立决策树分类算法。计算样本的熵：
[0100] 其中，X代表的是正负样本集合，k代表训练样本集由k类样本组成，k = 2; Pi表示第 i个取值对应的概率(i = 1，2)。
[0101] 用属件A将i川练样木集X划分以后，训练样本集X的信息熵为：
[0103] 其中，I(XiA)二一:Pij l〇g2 Pij ; Pij= D# / D，m代表的是属性A不同取值 的个数;k代表训练样本集由k类样本组成，k = 2;D代表的是按照属性A划分出来的分区; 代表的是第j类样本中的第i分区的样本数，Pu代表的是第j类样本中的第i分区所占总样本 的权重。
[0104] 训练决策树，输入正负训练样本:三维特征(RI，VR，I)，计算三个特征对应的信息 增益Gain，增益GaiW，A)反应了属性A对分类所提供的信息量：
[0105] Gain(X，，A) = I(X，）-I(X，，A)
[0106]其中，属性A包括三维特征中的RI，VR，I 指代训练样本集中的一个。
[0107] 步骤204:通过步骤101利用决策树方法对图像分割之后的高亮区域进行反射光分 类和剔除。利用步骤203得到的决策树，对高亮区域中的像素进行反射光分类区分，将判别 为负样本的反射光区域像素值设为零，剔除反射光，得到消除反射光干扰后的二值图像。
[0108] 图3是对车辆车灯进行检测的流程图。具体采用如下步骤：
[0109] 步骤301:对二值图像采用八连通区域提取，即对目标像素进行上、下、左、右、左上 角、左下角、右下角、右上角8个方向检测。检测出N个连通区域{&，&，…，C n}。在检测出来的 每个区域中，将其最左和最右的x值设为Left和Right。最上和最下的y值分别设为Top和 Bottom，以这四个值组成一个矩形，获得其宽度W和高度H。
[0110] 步骤302:对连通区域进行如下条件的筛选：
[0111] 条件1:根据车灯区域的饱满度得到了如下的判断条件：
[0112] S/i = Si/2
[0113] Si>t
[0114] 其中S6为连通区域形成的矩形面积，S':为连通区域的实际面积，t = 12;
[0115] 条件2:每辆车辆的两车灯处于相似水平线上：
[0116] (^,<(^，(^多(^，其中，(^、(^和(^、(^分别为两车灯(^和(：」的顶部、底部；
[0117] 条件3:每辆车辆两车灯的宽度与高度相似：
[0118] 1'1〈11〈1'2，1'1〈《〈1' 2，其中，11、《分别为两个车灯区域的高度比例和宽度比例。1'1、1'2为 判断阈值，当分别为〇. 7和1.3最佳；
[0119]条件4:每辆车辆两车灯的面积相近：
mS、为两个车灯两区域的面积。
[0121]满足以上四个条件并检测出来的为车灯。
[0122] 条件5:车辆检测
[0123] 根据车辆的两车灯之间具有相似的高度、大小以及一定范围内的距离，在步骤202 中已经加入了两车灯之间的高度、大小对比。因此，本发明在步骤202的条件上加入两车灯 的距离即可完成对车灯的匹配，当两车灯的距离在一个车灯区域宽度的2倍到8倍之间，则 这两个车灯属于同一车辆，从而完成对车辆的检测。
【主权项】
1. 基于亮度方差特征的夜间道路车辆检测方法，其特征在于包括如下步骤： 步骤1:根据车灯区域与反射光区域在亮度方差特征上的差异，计算原始图像中车灯区 域与反射光区域的像素点对应的方差值，得到对应的方差结果图VR，作为检测过程中的特 征； 利用大气散射原理对原始图像进行处理，得到反射图RI; 利用直方图双峰法对原始图像中的车辆进行阈值分割，得到灰度特征图I; 步骤2:对于步骤1得到的三种结果图，分别提取结果图中车灯位置的像素值和反射光 位置的像素值，构成三维向量作为检测特征； 步骤3:将提取出来的车灯位置的像素值特征作为正样本，反射光位置的像素为负样 本;然后利用决策树学习法，对正负样本进行学习训练，得到对应的决策树； 步骤4:利用步骤3构建的决策树结果对检测过程中出现的光亮区域像素点实行分类决 策，将分类得到是反光区域的像素点消除，得到剩下车灯像素点的二值图像，其中的亮区域 就是检测到的车灯区域。2. 根据权利要求1所述的基于亮度方差特征的夜间道路车辆检测方法，其特征在于步 骤1具体实现过程如下： 步骤101:利用直方图双峰法，对原始图像进行阈值分割，对于得到的原始图像的灰度 直方图，找到第一个峰值和第二个峰值，再找到第一和第二个峰值之间的谷值T，该谷底值T 就是原始图像分割的阈值;然后用如下公式对原始图像进行分割； f (x,y)=0,if (f (x,y)<T) f (x,y ) = 255, if (f(x,y) ^T) 其中，f (x，y)表示阈值分割结果图对应的像素点值； 步骤 102:利用Bouguer的衰减指数定律Ε((1，λ) = Ι()(λ) · γ(λ) ·θχρ(-(1)，其中Ι〇(λ)为 光源辐射强度，γ (λ)为波长λ的总散射系数，d为光源到屏幕的距离； 对于灰度特征图I的像素点(x，y)，为其划分内部区域Θ1和外部区域€^v，r = 2; x,y其中，U和V表示区域的范围参数； 在内部区域β1中寻找像素对应的最小值Μ??Λ,和最大值M ，假设光源为在外部区域@ 中找到最小值M和最大值M ，同时也计算两者之间的距离 X,y ,3 ε_ ，最后得到反射强光图Ri: x>y步骤103:利用概率统计中的方差来对原始图像的灰度图进行方差计算处理，得到方差 结果图VR;方差的公式为： S2=((Xi-M)2+(X2_M)2+…+(X n-M)2)/n其中，均彳] η为灰度图中像素点的个数，11、12、一^11为灰度图中的 像素点； 步骤104:选取并建立车灯和反射光的样本； 根据步骤101选取部分具有代表性的有反射光和车灯的夜间道路监控图片作为样本图 片，然后对每张样本图片都进行步骤101到103操作，得到每张样本图片对应的I、RI、VR三个 样本图，提取同一张样本图片对应的I、RI、VR三个样本图中的车灯所在位置的像素值作为 正样本（I、RI、VR)，提取同一张样本图片对应的I、RI、VR三个样本图中的反射光所在位置的 像素值作为负样本(I、RI、VR)。3.根据权利要求2所述的基于亮度方差特征的夜间道路车辆检测方法，其特征在于步 骤2具体实现过程如下： 步骤201:对原始图像进行预处理，具体包括感兴趣区域提取过程； 步骤202:对于多个车灯像素和反光像素，利用步骤1所述的特征提取的方式，提取出车 灯与反光像素对应的特征值，并将这些像素的RI、VR、I的像素值作为训练样本(RI、VR、I); 步骤203:对训练样本进行统计，建立决策树分类算法;计算样本的熵：其中，X代表的是正负样本集合，k代表训练样本集由k类样本组成，k=2;Pi表示第i个取 值对应的概率，i = l，2; 用属性A将训练样本集X创分以后，训练样本集X的信息熵为：其牛 m代表的是属性A不同取值的个 数；k代表训珎杵不果田k关杵不姐肷，k = 2; U代衣的定S娼属性A划分出来的分区；Di j代表 的是第j类样本中的第i分区的样本数，Pu代表的是第j类样本中的第i分区所占总样本的权 重； 训练决策树，输入正负训练样本:三维特征(RI，VR，I )，计算三个特征对应的信息增益 Gain，增益GaiW，A)反应了属性A对分类所提供的信息量： GainCX7 ,A) = I(X/ )-I(X7 ,A) 其中，属性A包括三维特征中的RI，VR，I，X'指代训练样本集中的一个。4. 根据权利要求3所述的基于亮度方差特征的夜间道路车辆检测方法，其特征在于步 骤3具体实现过程如下： 通过步骤101利用决策树方法对图像分割之后的高亮区域进行反射光分类和剔除；利 用步骤203得到的决策树，对高亮区域中的像素进行反射光分类区分，将判别为负样本的反 射光区域像素值设为零，剔除反射光，得到消除反射光干扰后的二值图像。5. 根据权利要求4所述的基于亮度方差特征的夜间道路车辆检测方法，其特征在于步 骤4具体实现过程如下： 步骤401:对二值图像采用八连通区域提取，即对目标像素进行上、下、左、右、左上角、 左下角、右下角、右上角8个方向检测;检测出N个连通区域IC^C2，···，(："};在检测出来的每 个区域中，将其最左和最右的X值设为Lef t和Right;最上和最下的y值分别设为Top和 Bottom，以这四个值组成一个矩形，获得其宽度W和高度H; 步骤402:对连通区域进行如下条件的筛选： 条件1:根据车灯区域的饱满度得到了如下的判断条件： S7i = SiA SiH 其中S1S为连通区域形成的矩形面积，S'i为连通区域的实际面积，t= 12; 条件2:每辆车辆的两车灯处于相似水平线上： (^,<(^，(^多(^，其中，(^、(^和(^、(^分别为两车灯(^和(：」的顶部、底部； 条件3:每辆车辆两车灯的宽度与高度相似： TKKT2, TKwG2,其中，11、《分别为两个车灯区域的高度比例和宽度比例为判断 阈值，当分别为〇. 7和1.3最佳； 条件4:每辆车辆两车灯的面积相近： 2/3 < < 3/2$^'沩两个车灯两区域的面积； sI 满足以上四个条件并检测出来的为车灯； 步骤403:对车辆进行检测 根据车辆的两车灯之间具有相似的高度、大小以及一定范围内的距离，步骤202中已经 实现了两车灯之间的高度、大小对比；因此在步骤202的条件上加入两车灯的距离即可完成 对车灯的匹配，当两车灯的距离在一个车灯区域宽度的2倍到8倍之间，则这两个车灯属于 同一车辆，从而完成对车辆的检测。
【文档编号】G06K9/62GK105893970SQ201610204298
【公开日】2016年8月24日
【申请日】2016年3月31日
【发明人】徐向华, 李姣
【申请人】杭州电子科技大学