[发明专利]基于道路辅助信息和显著性检测的红外图像车辆检测方法

摘要

本发明涉及一种基于道路辅助信息和显著性检测的红外图像车辆检测方法，首先使用高斯金字塔对源图像进行背景估计，用源图像与背景估计图像相减得到的高频信息中包含了目标及背景杂波；再对源图像进行OTSU阈值分割，得到的二值图像作为道路信息的估计；高频信息与道路信息的与运算可得到感兴趣区域；再对感兴趣区域的中心与周围区域进行显著性检测；最后对候选目标进行轨迹关联，可以很好的提取出车辆目标。

主权项

一种基于道路辅助信息和显著性检测的红外图像车辆检测方法，其特征在于步骤如下：步骤1：对源图像进行高斯滤波，去除图像中的噪声点，然后用高斯金字塔对图像进行下采样和上采样，得到一个平滑后的红外图像；步骤2：用平滑后的红外图像与源图像相减，得到一个差分图像；步骤3：对差分图像阈值化处理得到一幅二值图像E1；对源图像采用OTSU阈值分割，然后进行形态学平滑，得到平滑后的二值图像E2；所述阈值θ1为20‑40；步骤4：将E1和E2作与运算，得到排除了道路外大量背景杂波的新二值图像E3；获取E3中的连通域，把每个连通域都当作一个感兴趣区域；步骤5：对每一个感兴趣区域，计算其灰度均值，作为中心均值再选取感兴趣区域周围8个相同大小的邻域区域，计算每个邻域区域的灰度均值对8个灰度均值中最小的三个值，计算其均值，然后用中心均值除以该均值得到权值α；步骤6：将感兴趣区域的中心均值乘以权值α，作为该感兴趣区域新的中心均值步骤7：计算均值与周围8个邻域均值的显著性值Dj(j＝1,...,8)，将其中最大的三个显著性值的均值作为此感兴趣区域的显著性值；把显著性值大于阈值θ2的感兴趣区域判定为候选目标，小于θ2的判定为非目标；所述显著性值计算公式为：其中表示的是中心区域的新灰度均值，表示的是周围的第j个邻域区域的灰度均值(j＝1,2,...,8)；所述阈值θ2为0.2‑0.4；步骤8：计算每个候选目标的面积Sj，j＝1,2,...,n；和每个候选目标的中心坐标Pj；n为候选目标总数；步骤9：在每个候选目标为中心，取一个大小为M×M的关联域矩形框；假设目前有k条轨迹(目标链)，将每条轨迹Ti(i＝1,2,...,k)的链尾坐标Pi和链尾面积Si作为待搜索的项；若能在此矩形框中搜索到最近邻的Pi，且候选目标面积Sj与轨迹链尾面积Si之差小于则关联成功,将这个候选目标的中心坐标Pj加入轨迹Ti，并将Pj作为Ti的新的链尾坐标,将此候选目标的面积Sj作为Ti新的链尾面积；否则继续搜索；所述M取值为10‑30；步骤10：若存在没有关联成功的候选目标，则将这个候选目标当作一个新的轨迹Tk+1的链首，也即链尾，把这个候选目标的中心坐标P作为Tk+1的链尾坐标，将此候选目标的面积S作为Tk+1的链尾面积；步骤11：对所有候选目标关联完成后，若有轨迹没有被任何一个候选目标关联，则此条轨迹丢失次数加1，预测轨迹在此帧中的链尾坐标(假设轨迹当前长度为m),预测公式为:Pm+1＝2×Pm‑Pm‑1其中Pm+1是预测的链尾坐标(轨迹的第m+1个坐标)，Pm,Pm‑1分别表示这条轨迹的第m,m‑1个坐标；步骤12：对每个轨迹进行统计，当轨迹长度大于阈值θ3时，判定其为车辆目标；若轨迹的丢失次数大于丢失阈值θ4，将轨迹删除；所述阈值θ3为2‑5；所述丢失阈值θ4为2‑4；步骤13：重复以上步骤，直到所有序列图像处理完毕。