| 主权项 |
一种基于单目视觉的前方车辆检测方法，包括下列步骤： 步骤1：采集车辆前方路况原始图像I，截取作为当前帧的原始图像I中包括两侧边界的下部区域，得到子图像Ipart，并复制子图像Ipart得到图像Ipartl； 步骤2：对子图像Ipart进行直方图均衡化； 步骤3：从经过直方图均衡化的子图像Ipart中获取车辆前方路面平均灰度阈值Tr； 步骤4：采用OTSU法对经过直方图均衡化的子图像Ipart提取灰度阈值t，从而将整个灰度范围划分为两部分[0，t]和[t，255]，然后在[0，t]的灰度范围内，再次使用OTSU法，得到灰度阈值To； 步骤5：设H为图像竖直方向的分辨率，f(i，j)为第i行第j列的像素点的灰度值，Th<sub>i</sub>为第i行二值化阈值，计算Th<sub>i</sub>＝α×To+β×Tr，其中，α＝i/H，β＝(H‑i)/H； 步骤6：对二值化结果进行评估，由评估结果判决最终用于提取目标的图像分割阈值，步骤如下： 1)将子图像Ipart划分为Ifar、Inear两个区域，Ifar区域位于Inear区域的上面，设Ifar区域的二值化评估上限值为EvaluFarUp、下限值为EvaluFarLow，Inear区域的二值化评估限值为EvaluNear； 2)分别求出区域Ifar、Inear中满足f(i，j)＜Th<sub>i</sub>的像素点，即分割为目标的像素点的个数NumFar和NumNear； 3)对于车辆前方路面平均灰度阈值Tr和灰度阈值To，定义计算各自的预备阈值的方法如下： ①如果上一帧的阈值小于当前帧阈值，则采用上一帧阈值作为预备阈值； ②如果上一帧阈值大于或等于当前帧阈值，则减小当前帧分割阈值，作为预备阈值； 4)如果NumFar＞EvaluFarUp，则利用车辆前方路面平均灰度阈值Tr和灰度阈值To的预备阈值替代相应的当前帧阈值，并重新计算Th<sub>i</sub>； 5)如果NumFar＜EvaluFarUp并且NumNear＞EvaluNear，则计算车辆前方路面平均灰度阈值Tr和灰度阈值To的预备阈值，利用各自预备阈值重新计算Th<sub>i</sub>； 6)如果NumFar＜EvaluFarLow并且NumNear＜EvaluNear，则对路面平均灰度阈值Tr做一定程度的调整，扩大分割范围； 步骤7：根据步骤6的判决结果对经过直方图均衡化的图像进行二值化，实现目标分割，得到二值图像Ibinary； 如果NumFar＜EvaluFarUp或者NumFar＜EvaluFarLow，则对区域Ifar中，目标点之间小于h×w的背景区域予以填充，实现目标的增强处理，h代表垂直方向像素点个数，w代表水平方向像素点个数； 步骤8：在图像Ipartl上，设定检测阈值G，以给定步长St移动窗口St×St，计算窗口中的图像的灰度梯度向量模，并将灰度梯度模值大于或等于G的窗口中的像素点的灰度值全部置为255，将灰度梯度模值小于G的窗口中的像素点的灰度值全部置为0； 步骤9：将二值图像Ibinary与经过步骤8处理后的图像Ipartl做与运算，得到二值图像Icalibration； 步骤10：对二值图像Icalibration，对应每一行像素各设定一个滤波范围R<sub>i</sub>＝[WLow,WHigh]，其中WLow＝a×i，WHigh＝b×i+c，a、b、c均为经验常数，逐行对满足滤波条件的目标像素予以保留，对于不满足滤波条件的目标像素予以滤除； 步骤11：获取代表同一车辆车底阴影位置的最底部线条的关键位置线条，对其进行线条融合，继而再提取图像的目标信息，作为当前帧的目标结果； 步骤12：将当前帧的目标结果与上一帧目标结果及跟踪目标结果的信息进行匹配，根据匹配结果对当前帧的目标结果进行分类判决： 1)当前帧的目标结果与上一帧目标结果及跟踪目标结果均匹配失败，则判决为伪目标； 2)当前帧的目标结果与上一帧目标结果匹配成功，但与跟踪目标结果匹配失败，则判决为新目标； 3)当前帧的目标结果与上一帧目标结果匹配失败，但与跟踪目标结果匹配成功，或者，当前帧的目标结果与二者均匹配成功，则判决为跟踪目标； 4)对于在较长一段时间稳定跟踪的目标，如果当前帧没有检测到，则将该目标上一帧的检测结果判决为跟踪目标； 步骤13：根据分类判决结果，确定当前帧前方车辆的最终检测结果。 |
