[发明专利]一种公路隧道LED照明灯具的鲁棒检测方法

摘要

本发明公开了一种公路隧道LED照明灯具的鲁棒检测方法。以实际工作真实视频序列作为输入，围绕隧道洞内道路环境的内装设计几何结构展开分析。首先完成基于LSD算子的线段提取以及车前消隐点的鲁棒检测。其次以车前消隐点为原点构建新坐标系，准确地分割出隧道顶部深色区域。以此为基础，采用一种自适应直方图分析方法合理选择最优分割阈值，实现LED灯具区域的二值化鲁棒分割。最后，基于隧道LED灯具的共线假设，采用随机采样一致性算法鲁棒地拟合隧道洞内左右两侧LED灯具排列而成的两条直线，这不但在屏蔽高亮干扰方面起到尤为突出的作用，而且充分获取了LED灯具区域的排列顺序，中心点坐标以及面积大小。本发明可以对公路隧道洞内复杂条件下的缺失LED照明灯具进行鲁棒地检测，对隧道照明高效交工验收以及日常养护具有重要意义。

主权项

1.一种公路隧道LED照明灯具的鲁棒检测方法，其特征在于包括如下步骤：步骤1：车前消隐点的鲁棒检测步骤1.1：基于LSD算子的线段检测采用LSD算法，从隧道LED照明原始图像中提取表征公路隧道内部环境主体几何结构信息的线段集合H，其中，s为H中的线段，s由两端点a₁和a₂来定义，s＝{a₁,a₂}＝{(x₁,y₁),(x₂,y₂)}其中，a₁＝(x₁,y₁)和a₂＝(x₂,y₂)分别表示s的起点和终点，以像素坐标表示；步骤1.2：有效平行线段集合的筛选对LSD检测线段进行简单筛选，消除干扰线段所造成的负面影响，提取有效平行线的LSD线段集合M，具体提取方法如下：设α为线段s的倾角，β为线段s的长度，分别计算如下：属于M的有效平行线段需要同时满足如下两个条件：首先，s需要具备较大的倾角α_min＜α＜α_max其中，α_min和α_max限定了有效平行线段的倾角有合适的取值范围，其次，s需要足够的长度β＞β_min步骤1.3：车前消隐点的鲁棒估计令a₁＝(x₁,y₁,1)^T，a₂＝(x₂,y₂,1)^T分别为点a₁和a₂的齐次坐标，由线段s定义的直线为s＝a₁×a₂＝(s₁,s₂,s₃)^T，设车前消隐点v的齐次坐标为v＝(x_v,y_v,1)^T，直线z＝(z₁,z₂,z₃)^T连接了消隐点v和线段s上的参考点r，r一般取为线段s的中点，即r＝(a₁+a₂)/2，车前消隐点v到线段s的距离d(s,v)可以定义为直线s与直线z之间夹角θ正弦值的绝对值：构建优化目标函数采用MSAC方法迭代求解，当满足如下条件时，鲁棒地估计得到车前消隐点步骤2：隧道顶部深色区域分割及LED灯具候选区域检测步骤2.1：基于车前消隐点的隧道顶部深色区域分割隧道顶部深色区域与白色侧壁区域的左右两条分界线分别为b_r和b_l，且b_r和b_l分别位于车前消隐点v的左右两侧，并相交于该车前消隐点v；针对b_r和b_l的检测过程分为以下两步骤，首先，以车前消隐点v为原点，在图像空间中建立坐标系XOY，属于集合M的有效平行线段可以按照下式转换到该坐标系XOY：{a₁,a₂}和分别是有效平行线段s坐标变换前后的两个端点；在新坐标系XOY中，各条有效平行线段s都只会落入一个单独的象限：b_r只会落入第四象限，而b_l只会落入第三象限。其次，在有效平行线段集合M中，b_r和b_l需要同时满足如下的一系列条件：1)b_l和b_r的两端点的纵坐标都小于0，b_l的两端点的横坐标都小于0，而b_r刚好相反；2)b_l倾角属于范围{0,90}，而b_r的倾角属于范围{90,180}；3)b_l或b_r是各自象限中具有最大长度的LSD检测线段；一旦提取到两条关键分界线b_r和b_l，分别将靠近车前消隐点v的一端直接延伸到车前消隐点v，而将远离车前消隐点的一端向外延展到与图像空间边沿相交，并分别设交点为v₅,v₂；定义图像空间左上边沿为v₄，右上边沿为v₃，并将车前消隐点v重新表示为v₁；由{v₁,v₂,v₃,v₄,v₅}五点首尾依次相连组成多边形R就是隧道顶部深色区域的检测结果；步骤2.2：LED灯具候选区域检测对隧道顶部深色区域的检测结果R，采用图像灰度直方图进行自适应阈值分析，提取LED灯具候选区域，其中，所述的灰度直方图h₀(t)的各峰值对应于检测结果R中的不同均匀区域，并且在相邻两峰之间存在山谷谷底，该谷底灰度值就是区分不同区域的最优阈值；所述的自适应阈值分析方法具体如下：首先，使用高斯核函数g(u)对检测结果R的原始灰度直方图h₀(t)进行平滑处理，得到平滑后的灰度直方图h₁(t)，公式如下：其中，[·]表示整数截断操作，W≥3是高斯核函数g(u)的窗口大小，决定了平滑的程度，高斯核函数的窗口越大，所得平滑曲线h₁(t)越平坦；然后，从最高灰度值开始向灰度值小的方向对h₁(t)遍历灰度值，直到h₁(t)再次增加，h₁(T₁)＜h₁(T₁‑1)and h₁(T₁)＜h₁(T₁+1)其中，T₁表示谷底灰度值，即有效检测LED灯具的灰度阈值；最后，将隧道顶部深色区域R各像素灰度值与T₁相比较，将R分为两部分：高灰度值区域R^h和低灰度值区域R^l，分别定义为：R^h＝{(x,y)∈M|I(x,y)≥T₁}R^l＝{(x,y)∈M|other}其中，R^h代表R内LED照明灯具检测结果，I(x，y)表示像素(x，y)的灰度值，针对R^h经过连通分量分析，LED灯具候选区域就可描述为：Ψ⁽¹⁾＝{R₁,R₂,…,R_L}其中R_j是高灰度值区域R^h的一个连通集，j＝1,2,…,L；步骤2.3：LED灯具候选区域过滤对于任意候选区域R_j，进行基于尺寸大小和宽高比两项条件的区域过滤，以便有效屏蔽复杂隧道场景的很多高亮干扰；所述的区域过滤方法具体如下：首先，剔除小于给定面积阈值σ_min的LED灯具区域，并且使用最大可能的面积阈值σ_max进行限制，即LED灯具候选区域的尺寸大小可限制为σ_min＜σ_j＜σ_max其中，σ_j是LED灯具区域R_j的面积，具体表示为R_j所含像素的数目；其次，按照最小外接旋转矩形计算给定LED灯具候选区域R_j的宽度W_j和高度H_j，从而将宽高比W_j/H_j限制为ω_min＜W_j/H_j＜ω_max其中，ω_min和ω_max为两个提前设定的参数，并且ω_min·ω_max＝1；步骤3：隧道LED灯具排列直线拟合在满足隧道LED灯具共线假设的基础上，基于车前消隐点v，对LED灯具的排列进行直线拟合，具体如下：隧道LED照明灯具的排列形成左右两条直线k_l和k_r，分别紧邻两条关键分界线b_l和b_r，针对前文的LED照明灯具自适应检测及区域过滤结果，采用随机采样一致性算法RANSAC鲁棒地拟合这两条直线k_l和k_r，定义κ_l和κ_r分别是直线k_l和k_r的斜率，在RANSAC算法随机选择前景点估计初始拟合直线时，限制直线斜率κ_l和κ_r必须满足以下条件：κ_1min＜κ_l＜κ_1maxκ_2min＜κ_r＜κ_2max根据计算机图形学的基本图形扫描转换算法，沿着左右两条拟合直线k_l和k_r依次确定图像空间各像素的集合，并记录所经过的LED灯具检测区域，由此得到各LED灯具在k_l和k_r上的安装排列顺序；在沿着k_l和k_r进行像素扫描转换时，需要按照事先固定的顺序进行，对于k_l而言，需要选用由左上到右下的顺序，对于k_r而言，需要选用由右上到左下的顺序，从而保证所有LED灯具检测结果在各自拟合直线k_l或k_r上都按照相对于主体车辆由近及远的顺序依序排列，其具体可以表示为Ψ⁽²⁾＝{Q₁,Q₂,…,Q_N}其中，Q_i＝{i,c_i,σ_i}是一个三元组，i＝1,2,…,N，三元组Q_i各元素依次为LED灯具区域的排列顺序i，中心点坐标c_i以及面积大小σ_i。