[发明专利]一种智能车前方车辆的检测方法

说明书

本发明公开了一种智能车前方车辆的检测方法，包括以下步骤：S1：采集前方视频图像，对图像进行高斯滤波去燥处理；S2：采用LoG算子对图像进行边缘检测，得到边缘检测图；S3：计算路面像素的平均值m和标准方差σ，以m‑3σ作为阈值对图像进行二值化，二值化后的图为车底阴影图像；S4：前方车辆检测假设阶段，提取出车辆假设子图像，最后把车辆假设子图像归一化成64*64像素；S5：对正样本、负样本和车辆假设子图像计算分层HOG对称特征，将此特征用于假设车辆子图像的验证；S6：前方车辆检测验证阶段，利用采集的正样本和负样本训练出一个分层HOG对称特征的分类器，将假设阶段得到的车辆假设子图像通过分类器的验证得到检测结果。

技术领域

本发明涉及一种智能车前方车辆的检测方法。

背景技术

在智能汽车行驶过程中，由于道路环境比较复杂，想要让其完全无人自主行驶，许多工作还需要我们进行深入的研究。目前基于机器视觉的智能车辆障碍物检测技术以及围绕其展开的其它相关技术是发展较快的关键技术，该项技术通过安装在智能车辆上的视觉传感器获取周围环境信息，利用获得的环境信息对车辆前方是否存在障碍物进行实时、准确地检测，而对障碍物检测的成功与否直接关系到智能车辆能否顺利躲避障碍并安全行驶。研究基于机器视觉的智能车辆前方障碍物检测技术，可以对当前行驶车辆的周围环境进行实时有效的监测，这样可以减轻驾驶人员的压力，环节疲劳程度，辅助驾驶人员更好的驾驶车辆，增强了行驶的安全性，还能够很大程度的减少交通事故的发生，提高道路通行率。

基于机器视觉的智能车辆前方障碍物检测技术中，基于特征的方法是最常见的，它是通过图像的局部和整体特征来表征车辆的，车辆的特征和非车辆的特征存在着差异。HOG特征由于其对图像几何和光学的形变都能保持很好地不变性以及光照强度有很好的鲁棒性，在户外检测中使用广泛。但是在实际检测过程中，如果采用HOG特征维数少了，检测精度难以达到，如果维数增加，检测速度又难以达到要求。

发明内容

本发明要解决的技术问题是提供一种智能车前方车辆的检测方法。

一种智能车前方车辆的检测方法，包括以下步骤：

S1：采集前方视频图像，对图像进行高斯滤波去燥处理；

S2：采用LoG算子对图像进行边缘检测，得到边缘检测图；

S3：根据边缘图通过像素由上往下的区域生长方法，生长过程中碰到边缘像素即停止，提取出部分的路面像素，计算路面像素的平均值m和标准方差σ，以m-3σ作为阈值对图像进行二值化，二值化后的图为车底阴影图像；

S4：前方车辆检测假设阶段，计算水平图像，水平图像信息与阴影图像相融合，得到水平阴影图像，加入一定的限制条件提取出车辆假设子图像，最后把车辆假设子图像归一化成64*64像素；

S5：对正样本、负样本和车辆假设子图像计算分层HOG对称特征，将此特征用于假设车辆子图像的验证；

S6：前方车辆检测验证阶段，利用采集的2500个正样本和2500个负样本训练出一个分层HOG对称特征的分类器，将假设阶段得到的车辆假设子图像通过分类器的验证得到检测结果。

进一步的，计算水平图像的具体方法如下：

1)将原灰度图像(设灰度图像为G)与水平矩阵H，如下式，进行卷积得到图像(设此图像为R)，

2)水平图像(设为HR)是由图像R的像素值除以原图像G的像素值得到的，如下式：

其中，HR(x,y)、R(x,y)G(x,y)为图HR、R、G中的(x,y)点的像素灰度值，将HR二值化得到水平图像。