[发明专利]一种基于高斯差分多尺度边缘融合的车辆检测方法

说明书

技术领域

本发明属于视频检测领域，具体涉及一种基于高斯差分多尺度边缘融合的车辆检测方法。

背景技术

运动目标检测是计算机视觉及图像模式识别的一项关键技术。基于视觉的车辆检测技术是智能交通图像处理的研究热点，在智能交通领域有着广泛的应用，如车辆辅助驾驶系统，交通参数统计系统等。

基于计算机视觉的车辆检测方法大致可分为三类：基于模型，基于神经网络学习，基于特征的方法。基于模型的检测方法将检测到的候选车辆区域与计算机数据库中预先建立的车辆模型进行匹配从而检测车辆，但该方法的缺点在于完全依赖于对所有不同种类车辆进行几何建模，这是很难实现的。

基于学习的的检测方法通过使用样本对神经网络进行训练，用训练好的网络进行车辆识别，该方法经常用于验证其他方法的检测结果。基于特征的方法通过检测车辆的局部特征如对称部件(车轮、头灯、尾灯等)、边缘和阴影等，从而定位车辆。该方法的优点在于使用车辆在大多数环境下都可辨别的特征来检测车辆，适用于雨雪天甚至夜间的车辆检测问题。通过检测车轮实现车辆检测的方法容易受到车辆行驶姿态、遮挡等问题的影响，而通过检测车灯的方法也被夜间场景中的路灯及城市灯光所干扰，影响检测结果。而基于边缘检测(包括车辆阴影检测)的车辆检测方法由于背景边缘(如车道线、栏杆、树木等)的存在导致检测结果的不准确，因此，如何最大限度地检测出车辆边缘同时抑制背影边缘，成为提高该方法检测准确率的关键问题。

发明内容

本发明的目的在于克服现有技术中的问题，提供一种基于高斯差分多尺度边缘融合的车辆检测方法，该方法降低了算法复杂度，减少了计算量，得到较好的检测结果，有效地提高了检测效率。

为了实现上述目的，本发明采取如下的技术解决方案予以实现：

步骤一，采集某路段交通视频，对视频中的一幅图像灰度化并进行高斯金字塔多尺度变换，利用四个相邻尺度参数的高斯核与图像进行卷积运算，得到四幅相邻尺度的高斯图像G_l，其中l表示四个相邻尺度，l＝1,2,3,4；

步骤二，对这四幅相邻尺度的高斯图像G_l进行相邻尺度图像差分运算，得到三幅相邻尺度的高斯差分图像D_l，三幅高斯差分图像的尺度分别为：σ,2×σ,2×2×σ；其中l＝1,2,3，σ为平滑参数；

步骤三，对步骤二得到的三幅高斯差分图像D_l采用Sobel算子进行边缘检测，计算差分图像中每个像素点在水平、垂直两个方向上的梯度幅值，并设置阈值T₁，保留梯度幅值大于T₁的像素点，此像素点为边缘点并设其灰度值为255，否则设为0，得到对应三个相邻尺度的边缘检测二值图E_l，其中l＝1,2,3；

步骤四，对对应三个不同尺度的三幅二值边缘图E_l进行多尺度边缘融合，其中，l＝1,2,3，具体步骤为：

(1)在四个相邻尺度l下搜索三幅相邻尺度的高斯差分图像D_l的边缘图像E_l中的每一个边缘像素，由于相邻尺度间的边缘位移不超过1，在尺度为l-1的差分高斯图像D_l-1的边缘图像中搜索相应的面积为3×3的区域，该区域中出现的所有边缘点均标记为边缘点，得到候选边缘图像；

(2)l＝l-1；若l>1则跳转至步骤(1)，否则执行步骤(3)；

(3)l＝1时，边缘图像E_l则为融合后的边缘图像；

步骤五，对步骤四得到的融合后的边缘图像采用膨胀模板进行形态学处理，设定阈值T₂，连接像素间距小于阈值T₂的边缘点或线，得到连续边缘；再进行形态学闭运算，弥合边缘图像的孔洞和裂缝，得到进一步闭合的边缘图像；最后经过图像填充将闭合区域的内部空洞填充，形成完整的连通区域；

步骤六，对连通区域进行标记，计算每一个连通区域的面积，设置面积阈值T₃，剔除面积小于面积阈值T₃的连通域；根据连通域坐标确定各连通域的最小外接矩形的坐标，最后在原始灰度图像中显示出来，完成对车辆的检测。

所述步骤一中尺度由平滑参数σ和平滑参数k共同决定，k由参数s决定，并且k＝2^(1/S)，S+3＝N，其中N为高斯金字塔每一层中的高斯图片数，取N＝4，S＝1，σ＝0.5，k＝2，则四个相邻尺度分别为σ,kσ,2kσ,3kσ。