基于光晕层次特点验证夜间尾灯提取方法.docVIP

基于光晕层次特点验证夜间尾灯提取方法 　　摘 要： 针对目前夜间场景下尾灯提取算法存在的颜色和形状适应性受限问题，提出了一种基于尾灯光晕层次特点验证的尾灯提取方法。该方法与基于颜色阈值过滤的方法、基于形状过滤的方法以及基于机器学习的方法相比，具有较好的颜色和形状适应性，算法整体具备了实时性、较高的准确率和较少的误检率。 　　关键词： 夜间场景； 尾灯提取； 颜色和形状适应性； 光晕层次 　　中图分类号：TP391.4 文献标志码：A 文章编号：1006-8228（2015）08-06-03 　　Nighttime taillight pick-up method based on halo layer structure verifying 　　Zhang Jun， Xu Xianghua， Li Jiao 　　（Hangzhou Dianzi University， Zhejiang Provincial Key Lab of Data Storage and Transmission Technology， Hangzhou， Zhejiang 310037， China） 　　Abstract： For current nighttime taillight pick-up algorithms， the color and shape adaptabilities are inadequate. This paper proposes a novel taillight pick-up algorithm based on the halo layer structure verifying. Compared with the current algorithms such as the color thresholding， the shape filtering and the machine learning， the algorithm proposed has a better color and shape adaptability， and has the features of real-time， high accuracy and low false positive rate. 　　Key words： nighttime； taillight pick-up； color and shape adaptabilities； layer structure of halo 　　0 引言 　　夜间车辆检测可以被应用于自动驾驶汽车和预警系统等。夜间场景下，尾灯是前方车辆惟一明显的特征。因此，尾灯提取是夜间车辆检测的关键和基础。现有的基于颜色阈值过滤[1-3]的尾灯提取方法是根据尾灯的颜色特征设置颜色阈值。此类方法实时性好，但易受环境光照和摄像头参数等因素影响，检测率不稳定。基于形状过滤的方法[4-6]基于形态过滤图像提取尾灯。此类方法不受图像颜色差异影响，一般以“圆形”为过滤条件，而尾灯形状多样，因此其形状适应性较弱。由于目前尚无描述能力较好的尾灯特征，因此基于机器学习的尾灯提取方法[7， 8]检测效果较差。综上可见，目前缺乏颜色和形状适应性均较好的尾灯检测方法。 　　尽管尾灯形状各异，但光晕具有同一个特性：紧贴白色区域分布，亮度从白色区域边界向外依次递减。该递减现象呈现层次性，每一层光晕层形状与白色区域边界形状相似。同时，通过对比车灯对象以及非车灯对象可知：前者的光晕亮度按层次递减，而后者的光晕亮度分布混乱。因此，通过验证该特性即可有效地区分二者。 　　1 尾灯提取 　　1.1 总体流程 　　本文算法分三步：预处理、假设产生和假设验证。在预处理步骤中，算法对图像进行宽泛的颜色阈值过滤；在假设产生步骤中，算法提取白色区域作为疑似车灯对象；在假设验证步骤中，算法基于疑似对象的白色区域计算其光晕的大致范围。接下来，使用光晕层次拓展（Halo Layers Expansion，HLE）算法基于白色区域边缘向外不规则地层层拓展，精确覆盖该对象的光晕，并得到光晕的层次结构；使用亮度递减验证（Luminance Diminishing Verification，LDV）算法验证疑似对象的光晕亮度分布；去除未通过验证的对象，得到可信度较高的车灯对象。 　　1.2 光晕层次拓展（HLE）算法 　　1.2.1 光晕区域初步确定 　　光晕区域紧贴白色区域，面积正比于白色区域，因此基于白色区域可大致确定光晕区域。算法首先提取白色区域，计算每个区域的外接矩形，记为“内矩形”；然后，根据内矩形向外拓展得到一个范围更大的矩形，记为疑似对象的“外矩形”。外矩形即为初步确定的尾灯光晕范围。利用式