[发明专利]基于纹理提取和小波变换的车载鱼眼相机自诊断方法

说明书

一种基于纹理提取和小波变换的车载鱼眼相机自诊断方法及装置，直接对鱼眼相机采集到的存在畸变的原始图片进行自动检测，无需去畸变的过程，保证系统的实时性；同时考虑遮挡物的时域、频域、空域特征，将上述特征相结合，实现对多种不同遮挡情况的检测；对于频域中低频部分和高频部分做不同的处理，且这两部分可以并行运行，大大提高了系统实时性；结合IMU和轮速计的相关信息，根据车辆运动状态进行自适应调节，自动调整车辆静止/低速行驶和高速行驶的检测策略，提高了检测的准确性；使用HSV特征、区域融合、区域生长等方法对非遮挡区域进行了抑制，考虑选出区域附近的局部特征，有效地抑制了局部光照不足造成的遮挡误判。

技术领域

本发明涉及自动检测领域，特别涉及一种基于纹理提取和小波变换的车载鱼眼相机自诊断方法。

背景技术

随着科学进步和技术发展，自动驾驶技术依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，取得了长足的进步，也是驾驶领域未来发展的一大趋势。现如今，无论是基于L4的自动驾驶还是基于L2的驾驶辅助系统，都或多或少地需要视觉模块的支持，需要根据车载相机采集的视觉信息进行反馈判断从而实现自动驾驶。车载相机所采集信息的完整性、真实性和实时性直接决定了视觉反馈信息的可靠性，成为影响自动驾驶性能的主要因素。因此，为了采集更多的信息，通常采用视角范围更大的鱼眼相机作为车载相机。

为了达到较大的摄影视角，鱼眼相机的前镜片直径很短且呈抛物状向镜头前部凸出，类似鱼的眼睛，“鱼眼相机”因此而得名，其视角能够接近或等于180°。然而，较大的视角也伴随着较大的畸变，不可避免地，鱼眼相机获取的景象与真实世界的景象存在很大的差别，这给车载鱼眼相机的自诊断带来了额外的困难。传统的车载相机自诊断方法难于直接应用于车载鱼眼相机的自诊断并达到相同的检测效果。

车载鱼眼相机工作过程中，光照异常、模糊、外部遮挡、黑屏/蓝屏、较大面积雨水覆盖等的出现将极大地影响基于视觉的自动驾驶功能的正常开启，甚至危及乘客的生命安全，尤其是驾驶过程中突然被外来的异物遮挡，遮挡的异物包括溅射的泥渍、油污、雨水、树叶、雪花覆盖、人为颜料喷涂、车上其他部件(如雨刮器)遮挡等；一旦发生遮挡，需要发出警告，甚至需要关闭基于视觉的自动驾驶功能，提醒驾驶员接管，以保障驾驶安全。因此车载鱼眼相机需要具备自动诊断的功能。

对于传统车载相机自动诊断问题，模糊、光照异常、信号丢失(蓝屏或黑屏)等问题检测起来较为方便。目前已有的车载相机遮挡自检测方案主要有基于背景建模、基于直方图距离、基于边缘纹理、基于时域差分或平均背景、基于模糊边缘检测等方法，其中基于背景建模和直方图距离的方法更适用于单一场景下的固定摄像头，不适用于高速行驶的车载相机；基于边缘纹理的方法能检测出遮挡，但对地面、天空、墙壁等无纹理区域存在误判；基于时域差分或平均背景的方法对透明物遮挡以及准静态区域的检测效果有限；基于模糊边缘检测方法可以用于普通相机的检测，但因为鱼眼相机存在较大的畸变，导致这种方法的检测精度较低。其他现有的技术有的是对于特定场景下相机遮挡的检测，如监控视频、旋转扫描仪等，有的是对特定遮挡物的检测，如雨水、积雪等，但对于车载相机的遮挡检测，发生遮挡的情况更为复杂，遮挡的种类也更为繁多，而且车载相机获得图像内容的变换与车速紧密相关，进一步地，车载鱼眼相机采集到的图像又存在畸变，因此，直接使用普通的遮挡检测方法不能有效检测出镜头是否被遮挡。

中国专利文献CN103854023A(名称：基于小波变换和时域模式识别的摄像头遮挡检测方法)通过小波变换提取频域特征，然后划分成若干小块后统计每一小块内的边缘特征，对相邻且边缘信息少的小块进行聚类得到遮挡候选区域，最后用评分的方法进行判定。但这种方法应用于车载相机时不能排除环境中引入的高频噪声，而且划分很多小块再对小块进行逐一操作并聚类，时间复杂度较高，不能达到车载相机尤其是车载鱼眼相机对遮挡检测的实时性要求。