[发明专利]一种车辆辅助驾驶系统中的感兴趣区域提取方法

说明书

技术领域

本方法涉及数字图像处理技术领域。

背景技术

基于视觉的车辆辅助驾驶系统一般通过摄像头采集得到路况图像，然后以路况图像作为信息来源，进行各种处理以提供各种辅助驾驶信息。然而，即使是通过单目光学摄像头摄取得到的图像，也包含了庞大的数据量，而其中的很多数据对处理过程和结果来说都是冗余的或是完全不必要的，甚至会严重影响输出信息的准确性或稳健性，此外，对冗余数据的处理显然会造成不必要的耗时，从而影响整个系统的实时性性能。感兴趣区域(Regions of Interest,ROI)是指图像中最能反映图像应用目标的区域，其中包含了使用者最感兴趣的内容。所以，如能提取得到感兴趣区域，再进行其它处理，将能够极大程度地消减以上提及的诸多缺陷。对于车辆辅助驾驶系统而言，感兴趣区域即为图像中车道与车道线部分。

目前获得车道检测感兴趣区域（ROI）的方法主要有下列3类：

1、基于初始检测结果的ROI提取方法

根据已经检测出来的车道线，定义一个小区域只包含了一条车道线的一部分，将此小区域坐标作为样本信息输入卡尔曼滤波器从而预测下一个包含本条车道线的小区域，本方法将感兴趣区域从包含所有车道线缩小到只包含一条车道线的某一部分，提高了车道线检测精度。本方法可参见文献：余厚云，张为公．基于动态感兴趣区域的车道线识别与跟踪[J].工业仪表与自动化装置，2009,5:029．

2、基于拐点的ROI提取方法

图像在内容上发生变化的区域是重要的区域。而拐点是点的几何关系发生变化的地方，是图像的重要部分，因此，可以利用拐点提取图像的感兴趣区域。本方法可参见文献：Schmid C,Mohr R.Local grayvalue invariants for image retrieval[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,1997,19(5):530-535.

3、基于视觉注意的ROI提取方法

人类视觉系统处理较为复杂的场景时，会将其视觉注意力集中于该场景的少数几个对象，并将这些对象优先处理，力求在最短时间获取场景中的主要信息，此过程称为视觉注意过程由于人是图像信息的最终受用者，因此一个好的ROI检测结果应该符合人的认知。认知心理学家提出了许多视觉注意的数学模型来模拟人的注视点的转换过程。这些模型可以分为两大类：自底向上的(BottomUp)模型和自顶向下的(Top-Down)模型。比较具有代表性的注意模型有Itti等提出的显著图(SaliencyMap)模型。本方法可参见文献：陈再良．图像感兴趣区域提取方法研究[D]．中南大学，2012．

以上三类ROI提取方法中,第1类方法需要以计算出车道线为前提,对于路况场景变化较频繁的情况，因为车道线在路况图像中所在区域可能发生变化，所以无法保证准确性；第2类方法方法通过计算感兴趣的点集自相关函数和特征向量来限定感兴趣区域范围，计算复杂度较高；而第3类方法引入视觉注意模型，需要将观察者的查询意图以及对图像的理解转换为显著图权重的方式，即通过对低层特征加以相应权重来影响显著图的求解，从而得到ROI，此类方法同样具有较高的计算复杂度。

发明内容

本发明所要解决的技术问题是，提供一种易于实现的基于灰度跃变的车辆辅助驾驶系统感兴趣区域提取方法。

本发明为解决上述技术问题所采样的技术方案是，一种车辆辅助驾驶系统中的感兴趣区域提取方法，包括：

对图像进行灰度处理；

从图像顶端向下寻找图像中两相邻行的灰度值的差值绝对值大于等于跃变门限值的作为分割图像中感兴趣区域的水平线；

提取水平线以下的图像作为感兴趣区域。

通过观察路况图像内各类场景的层次布局特性和显见程度，可粗略地把路况图像分为三大区域：车道区域、两旁背景区域和上方天空区域。一般情况下，两旁背景区域由于行人、建筑物、树木等复杂因素的存在，且又随着车辆的移动而频繁变化，所以边缘、颜色及纹理特征最为复杂；上方天空区域的视觉特征则简单许多，通常仅发生小范围的明暗变化及相对很小的边缘变化，以及由于云层、雨雾及空气粉尘的存在导致的色调变化，而对黄昏或夜间环境，这些特征的变化尤为微弱。