[发明专利]一种基于单目视觉的前方车辆检测方法

说明书

技术领域

本发明属于图像处理领域，具体涉及一种在高速公路或快速公路场景下，能够实时识别汽车前方行驶车辆的检测方法，主要适用于智能交通领域中的智能车辆辅助驾驶系统，属于汽车主动安全技术领域。

背景技术

对交通事故的统计分析显示，汽车追尾在交通事故中占到了30％-40％，而追尾事故所造成的财产损失和人员伤亡更是占到了总损失的60％。驾驶员所面临的主要危险是路面前方的车辆。根据美国的一项研究结果显示，只要给驾驶者增加0.555秒的反应时间，就能够减少60％的交叉路口汽车碰撞事故和30％的汽车追尾事故。另一项研究表明，仅提前1秒就可以防止90％的汽车追尾事故和60％的汽车正面对撞事故。因此，作为智能车辆系统的关键技术之一，前方车辆检测以及在其基础上发展起来的车距预警系统已经成为相关科研机构以及汽车生产公司研发的焦点。

目前，智能车辆辅助驾驶系统中车辆检测的技术主要分为两类：一类是基于雷达传感器的超声波检测、微波检测、红外线检测、激光检测等。这类传感器虽然能够较好的完成对实体目标的检测，但无法准确的判断目标的类别，而且普遍价格较高；另一类是基于视觉传感器的单目视觉检测、双目视觉检测等。相对于基于雷达传感器的检测系统，视觉传感系统具有信息获取量大、直观、通用性强等诸多优点，特别是近十多年以来，随着计算机硬件设备的处理速度、存储容量大大提高及价格相对低廉，基于机器视觉的智能车辆技术成为了一种主流趋势。

相较于基于双目视觉的检测方法，基于单目视觉的检测方法具有成本低廉、对硬件设备安装以及系统参数的要求较低、通用性强、算法复杂度低、计算量小、运算速度快等优点，在车辆高速行驶的条件下，可以达到较高的实时性，为保证行车安全争取更多的宝贵时间。

目前基于单目视觉的车辆检测方法主要有基于运动分析的方法、基于模型的方法和基于特征的方法。基于运动分析的方法通过分析图像序列中的相邻帧并计算光流场，利用被检车辆运动造成的光流场与摄像机运动造成的背景光流场的不一致确定被检车辆的位置。这种方法被证实并不适用于动态背景下的车辆检测。基于模型的方法则建立车辆的2维或3维模型，与待检测图像进行匹配从而达到车辆检测的目的。这种方法被证明是有效的，但是其不足的地方也很明显。首先，由于汽车车型的多样性，形状特征和长宽比信息变化范围很大，建立的车辆模型很难兼顾所有车型；其次，由于视角的原因，车辆的外形轮廓会发生畸变，车辆的一些特征被破坏，模型匹配算法的计算量往往很大，大大降低了检测方法的实时性，所以在实际应用中还有很多局限性。在基于特征的方法中，利用图像中前方车辆的一些显著特征来将车辆从背景中分割出来，常用的特征有阴影、边缘等。

发明内容

本发明的目的在于针对上述技术或检测方法的不足，提供一种基于单目视觉、实时性好、检测准确率高、鲁棒性好的前方车辆检测方法。该方法能够检测出车辆前方对行车安全构成威胁的车辆。本发明采用的技术方案如下：

一种基于单目视觉的前方车辆检测方法，包括下列步骤：

步骤1：采集车辆前方路况原始图像I，截取作为当前帧的原始图像I中包括两侧边界的下部区域，得到子图像Ipart，并复制子图像Ipart得到图像Ipart1；

步骤2：对子图像Ipart进行直方图均衡化；

步骤3：从经过直方图均衡化的子图像Ipart中获取车辆前方路面平均灰度阈值Tr；

步骤4：采用OTSU法对经过直方图均衡化的子图像Ipart提取灰度阈值t，从而将整个灰度范围划分为两部分[0，t]和[t，255]，然后在[0，t]的灰度范围内，再次使用OTSU法，得到灰度阈值To；

步骤5：设H为图像竖直方向的分辨率，f(i，j)为第i行第j列的像素点的灰度值，Th_i为第i行二值化阈值，计算Th_i＝α×To+β×Tr，其中，α＝i/H，β＝(H-i)/H；

步骤6：对二值化结果进行评估，由评估结果判决最终用于提取目标的图像分割阈值，步骤如下：

7)将子图像Ipart划分为Ifar、Inear两个区域，Ifar区域位于Inear区域的上面，设Ifar区域的二值化评估上限值为EvaluFarUp、下限值为EvaluFarLow，Inear区域的二值化评估限值为EvaluNear：

8)分别求出区域Ifar、Inear中满足f(i，j)＜Th_i的像素点，即分割为目标的像素点的个数NumFar和NumNear