一種基於高斯差分多尺度邊緣融合的車輛檢測方法

2023-06-17 07:32:11 1

一種基於高斯差分多尺度邊緣融合的車輛檢測方法
【專利摘要】一種基於高斯差分多尺度邊緣融合的車輛檢測方法，首先對圖像進行高斯尺度變換，得到四幅相鄰尺度的高斯圖像。然後對這四個尺度相鄰的高斯圖像進行相鄰尺度圖像之間差分運算，得到三個不同尺度的高斯差分圖像並對其採用Sobel算子進行邊緣檢測，再進行尺度向上搜索的邊緣融合，得到儘可能多的車輛邊緣信息同時去除大量背景邊緣，再對融合的邊緣圖像進行膨脹、閉運算、孔洞填充等一系列形態學操作，得到代表車輛的連通域圖像，最後根據連通域的位置信息在原圖像中確定出車輛所在位置的外界矩形，實現車輛檢測。本發明對多尺度圖像進行處理，降低了算法複雜度，減少了計算量，能有效提高車輛檢測的效率，得到較好的檢測結果。
【專利說明】一種基於高斯差分多尺度邊緣融合的車輛檢測方法
【技術領域】
[0001]本發明屬於視頻檢測領域，具體涉及一種基於高斯差分多尺度邊緣融合的車輛檢測方法。
【背景技術】
[0002]運動目標檢測是計算機視覺及圖像模式識別的一項關鍵技術。基於視覺的車輛檢測技術是智能交通圖像處理的研究熱點，在智能交通領域有著廣泛的應用，如車輛輔助駕駛系統，交通參數統計系統等。
[0003]基於計算機視覺的車輛檢測方法大致可分為三類:基於模型，基於神經網絡學習，基於特徵的方法。基於模型的檢測方法將檢測到的候選車輛區域與計算機資料庫中預先建立的車輛模型進行匹配從而檢測車輛，但該方法的缺點在於完全依賴於對所有不同種類車輛進行幾何建模，這是很難實現的。
[0004]基於學習的的檢測方法通過使用樣本對神經網絡進行訓練，用訓練好的網絡進行車輛識別，該方法經常用於驗證其他方法的檢測結果。基於特徵的方法通過檢測車輛的局部特徵如對稱部件(車輪、頭燈、尾燈等)、邊緣和陰影等，從而定位車輛。該方法的優點在於使用車輛在大多數環境下都可辨別的特徵來檢測車輛，適用於雨雪天甚至夜間的車輛檢測問題。通過檢測車輪實現車輛檢測的方法容易受到車輛行駛姿態、遮擋等問題的影響，而通過檢測車燈的方法也被夜間場景中的路燈及城市燈光所幹擾，影響檢測結果。而基於邊緣檢測(包括車輛陰影檢測)的車輛檢測方法由於背景邊緣(如車道線、欄杆、樹木等)的存在導致檢測結果的不準確，因此，如何最大限度地檢測出車輛邊緣同時抑制背影邊緣，成為提高該方法檢測準確率的關鍵問題。

【發明內容】

[0005]本發明的目的在於克服現有技術中的問題，提供一種基於高斯差分多尺度邊緣融合的車輛檢測方法，該方法降低了算法複雜度，減少了計算量，得到較好的檢測結果，有效地提高了檢測效率。
[0006]為了實現上述目的，本發明採取如下的技術解決方案予以實現:
[0007]步驟一，採集某路段交通視頻，對視頻中的一幅圖像灰度化並進行高斯金字塔多尺度變換，利用四個相鄰尺度參數的高斯核與圖像進行卷積運算，得到四幅相鄰尺度的高斯圖像G1，其中I表示四個相鄰尺度，I = 1,2,3,4;
[0008]步驟二，對這四幅相鄰尺度的高斯圖像G1進行相鄰尺度圖像差分運算，得到三幅相鄰尺度的高斯差分圖像D1,三幅高斯差分圖像的尺度分別為:σ，2Χ σ , 2Χ2Χ σ ;其中I = I, 2, 3, σ為平滑參數；
[0009]步驟三，對步驟二得到的三幅高斯差分圖像D1採用Sobel算子進行邊緣檢測，計算差分圖像中每個像素點在水平、垂直兩個方向上的梯度幅值，並設置閾值T1，保留梯度幅值大於T1的像素點，此像素點為邊緣點並設其灰度值為255，否則設為0，得到對應三個相鄰尺度的邊緣檢測二值圖E1，其中I = 1，2，3 ;
[0010]步驟四，對對應三個不同尺度的三幅二值邊緣圖E1進行多尺度邊緣融合，其中，I=1，2，3，具體步驟為:
[0011](I)在四個相鄰尺度I下搜索三幅相鄰尺度的高斯差分圖像^的邊緣圖像E1中的每一個邊緣像素，由於相鄰尺度間的邊緣位移不超過1，在尺度為1-1的差分高斯圖像Dw的邊緣圖像中搜索相應的面積為3X3的區域，該區域中出現的所有邊緣點均標記為邊緣點，得到候選邊緣圖像；
[0012] (2)1 = 1-1 ;若1>1則跳轉至步驟(1)，否則執行步驟(3)；
[0013](3)1 = I時，邊緣圖像EJU為融合後的邊緣圖像；
[0014]步驟五，對步驟四得到的融合後的邊緣圖像採用膨脹模板進行形態學處理，設定閾值T2，連接像素間距小於閾值T2的邊緣點或線，得到連續邊緣；再進行形態學閉運算，彌合邊緣圖像的孔洞和裂縫，得到進一步閉合的邊緣圖像；最後經過圖像填充將閉合區域的內部空洞填充，形成完整的連通區域；
[0015]步驟六，對連通區域進行標記，計算每一個連通區域的面積，設置面積閾值T3,剔除面積小於面積閾值T3的連通域；根據連通域坐標確定各連通域的最小外接矩形的坐標，最後在原始灰度圖像中顯示出來，完成對車輛的檢測。
[0016]所述步驟一中尺度由平滑參數σ和平滑參數k共同決定，k由參數s決定，並且k= 2~(l/S)，S+3 = N，其中N為高斯金字塔每一層中的高斯圖片數，取N = 4，S=l，σ =
0.5, k = 2,則四個相鄰尺度分別為σ , k σ , 2k σ , 3k σ。
[0017]所述步驟三中Sobel算子水平方向的模板為(_1，0，I ;_2，0，2 ;_1，0，I)，垂直方向模板為(-1，_2，-1 ;0，0，O ;1，2，I)，閾值T1由最大類間方差法獲得。
[0018]所述步驟五中膨脹模板尺寸為3 X 3，形態閉運算模板尺寸為8X8，T2取值範圍為I~8,並且以像素為單位。
[0019]所述步驟六中面積閾值的設置過程為:對標記的η個連通域的面積進行排序，將最大連通域面積的1/4作為面積閾值。
[0020]與現有技術相比，本發明具有的有益效果:本發明公開了一種基於高斯差分多尺度邊緣融合的車輛檢測方法，首先利用四個相鄰尺度參數的高斯核與圖像進行卷積運算，得到四幅相鄰尺度的高斯圖像。然後對這四個相鄰尺度的高斯圖像進行差分，得到三個相鄰尺度的高斯差分圖像並對其採用Sobel算子進行邊緣檢測。然後對檢測得到的三幅不同尺度的邊緣圖像進行尺度向上搜索的邊緣融合，得到儘可能多的車輛邊緣信息同時去除大量背景邊緣。再對融合的邊緣圖像進行膨脹、閉運算、孔洞填充等一系列形態學操作，得到代表車輛的連通域圖像。最後根據連通域的位置信息在原圖像中確定出車輛所在位置的外界矩形，實現車輛檢測。本發明對非採樣的多尺度圖像進行處理，避免了圖像插值運算造成的邊緣信息缺失或出現偽邊緣；採用多尺度邊緣圖像向上搜索融合的方法在得到更多邊緣信息的同時抑制背景邊緣。該方法降低了算法複雜度，減少了計算量，能有效提高車輛檢測的效率，得到較好的檢測結果。
【專利附圖】

【附圖說明】
[0021]圖1是待檢測的灰度圖像；[0022]圖2?4是三個相鄰尺度的高斯差分圖像；
[0023]圖5是Sobel算子模板；
[0024]圖6是尺度I下的邊緣檢測結果；
[0025]圖7是融合後的邊緣圖像；
[0026]圖8為形態學閉操作得到的連通域圖像；
[0027]圖9為經孔洞填充後得到的完整連通域圖像；
[0028]圖10為代表車輛的連通域圖像；
[0029]圖11為雨天車輛檢測結果。
[0030]圖12為晴天車輛檢測結果。
[0031]圖13為高斯差分多尺度邊緣融合的車輛檢測算法過程示意圖。
【具體實施方式】
[0032]本發明給出一種基於高斯差分多尺度邊緣融合的車輛檢測方法，對一幅大小為WXH車輛圖像在多尺度下進行邊緣檢測，經多尺度融合後的邊緣位置信息來確定車輛位置，從而實現車輛檢測。
[0033]下面結合附圖對本發明進行詳細說明，參見圖13，本發明的方法具體採用以下幾個步驟實現:
[0034]步驟一，採集某路段交通視頻，在視頻中採集一幅大小為517X363的車輛圖像I，對其灰度化得到灰度圖形，再進行高斯金字塔多尺度變換。利用相鄰尺度參數的四個高斯核G與圖像I進行卷積運算，得到四幅相鄰尺度的非採樣高斯圖像G1Q = 1,2, 3，4)，其中I表示四個相鄰尺度。
[0035]尺度由平滑參數σ和平滑參數k共同決定，而平滑參數k由參數s決定。k =2~(1/S)，S+3 = N，其中N為高斯金字塔每一層中的高斯圖片數(根據Lowe論文)，本發明中取N = 4，S= 1，σ =0.5，k = 2，取σ = 0.5，S = 1，k = 2，四個相鄰尺度分別為σ , k σ , 2k σ , 3k σ ,即 ο，2X σ , 2Χ2Χ σ , 3Χ2Χ σ。
[0036]步驟二，對這四幅未經下採樣的大小相同，尺度不同的高斯圖像G1Q = 1,2, 3,4)進行相鄰尺度圖像差分運算，得到三幅相鄰尺度的高斯差分圖像D1,其中，I = 1，2，3和三幅高斯差分圖像的尺度分別為:σ，2Χ σ , 2Χ2Χ σ。
[0037]步驟三，對步驟二得到的三幅高斯差分圖像D1分別採用Sobel算子進行邊緣檢測。Sobel算子通過計算差分圖像中每個像素點在水平、垂直兩個方向上的梯度幅值，採用最大類間方差(OTSU)法設置閾值T1，保留梯度幅值大於T1的像素點為邊緣點並設置為1，否則置為0，得到對應三個不同尺度的邊緣檢測圖E1Q = I, 2，3)。
[0038]Sobel算子水平方向的模板為(-1，O, I ;_2，O, 2 ;_1，0，I)，垂直方向模板為(-1,-2,-1 ;0，0，0 ;1，2，I)。
[0039]步驟四，對三幅邊緣檢測圖像民(1 = 1,2, 3)進行多尺度邊緣融合，步驟為:
[0040](I)在尺度I下搜索差分高斯圖像D1的邊緣圖像E1中的每一個邊緣像素，由於相鄰尺度間的邊緣位移不超過1，在尺度為1-1的差分高斯圖像Dh的邊緣圖像中搜索相應的面積為3X3的區域，該區域中出現的所有邊緣點均標記為邊緣點，得到候選邊緣圖像；
[0041](2)1 = 1-1 ;若1>1則跳轉至步驟(I)，否則執行步驟(3)；[0042](3)1 = I時，邊緣圖像E1即為融合後得到的邊緣圖像。
[0043]步驟五，對步驟四得到的邊緣圖像採用膨脹模板進行形態學處理，稱為線條擴充處理，連接像素間距小於閾值T2的邊緣點或線，得到連續邊緣。再進行形態學閉運算，彌合邊緣圖像的孔洞和裂縫，得到進一步閉合的邊緣圖像。最後經過圖像填充將閉合區域的內部空洞填充起來，形成完整的連通區域。
[0044]其中，膨脹模板尺寸為3 X 3，形態閉運算模板尺寸為8X8，T2 = I?8(以像素為單位)。
[0045]步驟六，對連通區域進行標記並計算每一個連通區域的面積，設置面積閾值T3,小於面積閾值T3的連通域視為背景區域而被剔除。根據連通域坐標確定各連通域的最小外接矩形的坐標，最後在原始灰度圖像中顯示出來，完成對車輛的檢測。
[0046]其中，面積閾值T3的設置:對標記的N個連通域的面積進行排序，取最大連通域面積的1/4作為面積閾值。
[0047]以下給出本發明的具體實施例，需要說明的是本發明並不局限於以下具體實施例，凡是在本申請方案基礎上做的同等變換均落入本發明的保護範圍。
[0048]實施例:
[0049]採集一幅大小為517X363雨天交通圖像的灰度化得到灰度圖，如圖1所示，選取尺度參數σ = 0.5，k = 2，用尺度分別為σ，2Χ σ ,2X2X σ，3Χ2Χ σ的四個高斯核分別與灰度圖進行卷積運算，得到四個相鄰尺度的非採樣高斯模糊圖像。
[0050]對四個相鄰尺度的未經下採樣的大小相同而尺度不同的高斯模糊圖像進行相鄰尺度差分運算得到三幅相鄰尺度的高斯差分圖像，即尺度I與尺度2的高斯圖像差分得到尺度為的高斯差分圖，圖尺度2與尺度3的高斯圖像差分得到尺度為的差分圖，尺度3與尺度4的高斯圖像差分得到尺度為的差分圖。高斯差分圖如圖2?4所示。
[0051]利用如圖5所示的水平方向模板(_1，0，I ;_2，0，2 ;_1，0，1)，垂直方向模板(-1，-2，-1 ;0，0，O ;1，2，I)的Sobel算子對三幅高斯差分圖進行邊緣檢測，得到三幅相鄰尺度的邊緣檢測圖，尺度I的邊緣圖如圖6所示。以尺度3邊緣圖中的每一個邊緣點為中心，在尺度2的邊緣圖中對其3 X 3鄰域進行搜索，保留鄰域內的邊緣點，至搜索結束，得到第一次融合後的邊緣圖。對此邊緣圖中的每一個邊緣點，在尺度為I的邊緣圖中繼續進行上述同樣操作，得到最終的邊緣融合圖像，如圖7所示。
[0052]取1~2 = 3，對邊緣融合圖像以3X3模板進行形態學膨脹，再以8X8模板進行形態學閉運算，得到邊緣閉合的連通域，如圖8所示。對圖8進行圖像填充，彌合連通域中的孔洞，得到完整的連通域圖像(如圖9所示)。
[0053]對圖9進行連通域標記(標記結果為16)，計算每一個連通域的面積並按從大到小順序排序，以最大連通域面積的1/4為閾值(本例中為2300)，剔除面積小於閾值的連通域，得到的連通域圖像(如圖10所示)視為車輛所在位置。在圖1中相應位置畫出連通域外接矩形，得到雨天車輛檢測結果，如圖11所示。圖12為對另一場景(晴天)採用本發明處理得到的檢測結果。
[0054]從圖11和12可以看出，按照上述方法進行車輛檢測，實現了較好的檢測結果。本實例表明，本發明的方案算法簡單，減少了計算量，同時實現了較好的車輛檢測。
[0055]本發明公開了一種基於高斯差分多尺度邊緣融合的車輛檢測方法，首先利用四個相鄰尺度參數的高斯核與圖像進行卷積運算，得到四幅相鄰尺度的高斯圖像。然後對這四個相鄰尺度的高斯圖像進行差分，得到三個相鄰尺度的高斯差分圖像並對其採用Sobel算子進行邊緣檢測。然後對檢測得到的三幅相鄰尺度的邊緣圖像進行尺度向上搜索的邊緣融合，得到儘可能多的車輛邊緣信息同時去除大量背景邊緣。再對融合的邊緣圖像進行膨脹、閉運算、孔洞填充等一系列形態學操作，得到代表車輛的連通域圖像。最後根據連通域的位置信息在原圖像中確定出車輛所在位置的外界矩形，實現車輛檢測。本發明對非採樣的多尺度圖像進行處理，避免了圖像插值運算造成的邊緣信息缺失或出現偽邊緣；採用多尺度邊緣圖像向上搜索融合的方法在得到更多邊緣信息的同時抑制背景邊緣。該方法降低了算法複雜度，減少了計算量，能有效提高車輛檢測的效率，得到較好的檢測結果。
【權利要求】
1.一種基於高斯差分多尺度邊緣融合的車輛檢測方法，其特徵在於，包括以下步驟: 步驟一，採集某路段交通視頻，對視頻中的一幅圖像灰度化得到原始灰度圖像，再進行高斯金字塔多尺度變換，利用四個相鄰尺度參數的高斯核與圖像進行卷積運算，得到四幅相鄰尺度的高斯圖像G1，其中I表示四個相鄰尺度，I = 1,2,3,4; 步驟二，對這四幅相鄰尺度的高斯圖像G1進行相鄰尺度圖像差分運算，得到三幅相鄰尺度的高斯差分圖像D1，三幅高斯差分圖像的尺度分別為:σ，2Χ σ , 2Χ2Χ σ ;其中I =1，2，3，σ為平滑參數； 步驟三，對步驟二得到的三幅高斯差分圖像D1採用Sobel算子進行邊緣檢測，計算差分圖像中每個像素點在水平、垂直兩個方向上的梯度幅值，並設置閾值T1，保留梯度幅值大於閾值T1的像素點，此像素點為邊緣點並設其灰度值為255，否則設為0，得到對應三個相鄰尺度的邊緣檢測二值圖E1，其中I = 1，2，3 ; 步驟四，對對應三個不同尺度的三幅二值邊緣圖E1進行多尺度邊緣融合，其中，I =1，2，3，具體步驟為: (1)在四個相鄰尺度I下搜索三幅相鄰尺度的高斯差分圖像D1的邊緣圖像E1中的每一個邊緣像素，由於相鄰尺度間的邊緣位移不超過1，在尺度為1-1的差分高斯圖像Dw的邊緣圖像中搜索相應的面積為3X3的區域，該區域中出現的所有邊緣點均標記為邊緣點，得到候選邊緣圖像； (2)1= 1-1 ;若1>1則跳轉至步驟(I)，否則執行步驟(3)； (3)1= I時，邊緣圖像E1則為融合後的邊緣圖像； 步驟五，對步驟四得到的融合後的邊緣圖像採用膨脹模板進行形態學處理，設定閾值T2，連接像素間距小於閾值T2的邊緣點或線，得到連續邊緣；再進行形態學閉運算，彌合邊緣圖像的孔洞和裂縫，得到進一步閉合的邊緣圖像；最後經過圖像填充將閉合區域的內部空洞填充，形成完整的連通區域； 步驟六，對連通區域進行標記，計算每一個連通區域的面積，設置面積閾值T3，剔除面積小於面積閾值T3的連通域；根據連通域坐標確定各連通域的最小外接矩形的坐標，最後在原始灰度圖像中顯示出來，完成對車輛的檢測。
2.根據權利要求1所述的一種基於高斯差分多尺度邊緣融合的車輛檢測方法，其特徵在於，所述步驟一中尺度由平滑參數σ和平滑參數k共同決定，k由參數s決定，並且k =2~(l/S)，S+3 = N，其中N為高斯金字塔每一層中的高斯圖片數，取N = 4，S= 1，σ =0.5,k = 2,則四個相鄰尺度分別為σ , k σ , 2k σ , 3k σ。
3.根據權利要求1所述的一種基於高斯差分多尺度邊緣融合的車輛檢測方法，其特徵在於，所述步驟三中Sobel算子水平方向的模板為(_1，0，I ;-2，0，2 ;-1，0，I)，垂直方向模板為(-1，-2，-1 ;0，0，O ;1，2，I)，閾值T1由最大類間方差法獲得。
4.根據權利要求1所述的一種基於高斯差分多尺度邊緣融合的車輛檢測方法，其特徵在於，所述步驟五中膨脹模板尺寸為3 X 3，形態閉運算模板尺寸為8 X 8，T2取值範圍為I?8,並且以像素為單位。
5.根據權利要求1所述的一種基於高斯差分多尺度邊緣融合的車輛檢測方法，其特徵在於，所述步驟六中面積閾值的設置過程為:對標記的η個連通域的面積進行排序，將最大連通域面積的1/4作為面積閾值。
【文檔編號】G06K9/00GK103927526SQ201410181851
【公開日】2014年7月16日 申請日期:2014年4月30日 優先權日:2014年4月30日
【發明者】趙祥模, 惠飛, 穆柯楠, 楊瀾, 史昕, 馬峻巖 申請人:長安大學