2。2  基于车底阴影的车辆检测算法一

2。2。1  提取车辆阴影与路面的交线

上文提出了三种阈值选取方法，此处我们使用灰度直方图方法。灰度直方图能很好地反映整幅图像的灰度值分布情况，阴影区域中像素点的灰度值通常情况下处于灰度直方图较低的灰度级内。故使用一个自适应的阈值 threshold _ BW对灰度直方图 进行分割即可提取出图像中的车底阴影区域。为了使算法能检测出多种光照条件下的车底阴影，本文采用如下公式提取原图像对应的阴影区域图像。

   公式（2。1）中，  I _ shadow， I _ grayscale分别为原图像对应的阴影区域图像和灰度图像。在公式(2。3）中， 为灰度直方图前 k 级对应的像素点个数占灰度图像整体像素的百分比，  为灰度直方图的第 j 级的 bin 值，L 为灰度直方图的级数，N 为灰度图像的像素点数。设定固定阈值 th _ BW，按照公式（2。2），若前k-1级对应的像素点个数占灰度图像整体像素的百分比  小于阈值 th _BW 且前 k 级对应的像素点个数占灰度图像整体像素的百分比  大于阈值 th _BW。即可通过灰度直方图第 k 级所对应的灰度值确定阈值公式(2。1）中的阈值 threshold _BW ，这样就能根据原图2。1得到如图 2。2所示的阴影区域二值图像。

    对图2。3中的阴影区域图像进行X,Y轴的像素扫描，得到对应的像素曲线如图2。4与图2。5。分别对X,Y取固定阈值5，便得到阴影图的矩形框，取矩形框的中心线即为地面与车底阴影的交线，如图2。6。

2。2。2  水平边缘检测

    图像中的车辆在不同视角下都存在着边缘特征，特别是前视视角和后视视角下的车辆水平方向边缘特征尤为明显。基于这一特征，本文提出了一种基于水平边缘车辆波的车辆检测方法。首先使用边缘检测方法提取整幅图像的水平边缘，一种常用的边缘检测算子是 Sobel 文献综述

算子，其不仅能直接获取图像水平边缘的边缘检测算子，也能较好地抑制平滑噪声从而使检测结果更为准确。更重要的是 Sobel 算子是一种梯度幅值，通常以数字化方式用如式 （2。4）所示的卷积核来实现，使用该卷积核可以直接地提取出车辆的水平边缘。

                 （2。4）   

 图2。8即是由式（2。4）从原图直接提取出来的水平边缘图。车体的水平边缘数量多，且比较规则，故水平边缘是表现车辆的一个很好特征。由车载相机采集的图像的上部通常为天空，为了减少计算量，将图像的下 2/3 区域设置为检测区域 region_Detection 。随后计算出检测区域 region_Detection的水平边缘直方图，即统计感兴趣区域每一列上的边缘像素点个数。水平边缘直方图的级数等于感兴趣区域的宽度，每一级的bin 值为对应列上的边缘像素点个数。为了准确地定位出车辆区域，需要对水平边缘直方图进行相应的滤波处理，这里我们使用的是中值滤波，得到了如图 2。9所示的车辆波，通过对多个车辆波进行分析并结合公式（2。5）得到一个阈值Threshold_HorHis:

                        （2。5） 

其中,Width_roi为检测区域region_ Detection 的宽， 为检测区域内每一列上的水平边缘像素点个数。求直线   与车辆波的交点，两个交点所在列之间的长度为疑似车辆区域的宽度。为了准确地确定车底及车顶位置，在水平边缘图中以两个交点为左右边界，感兴趣区域的第一行和最后一行为上下边界取一个矩形区域 Detection_region_s。矩形区域中包含多条水平线段。通过对多个矩形区域进行分析发现，在矩形区域中属于同一个物体（如车辆）的水平线段的纵向间距较小。假设矩形区域内存在着从上到下依次排列的物体，考虑到不同物体具有不同的比例，且不同物体包含的水平线段之间存在不同的间距，因此我们需要自适应地设置一个距离阈值 Threshold_dis来确定物体的上下边界。经分析阈值和确定的矩形区域的宽度有关，本文使用如下公式选取阈值 Threshold_dis来区分不同宽度的车辆。