實施例總體涉及道路辨識。

背景技術(shù)：
視覺成像系統(tǒng)被用于車輛中以便增強(qiáng)車輛內(nèi)的感測應(yīng)用，例如無障礙路徑探測系統(tǒng)、物體探測系統(tǒng)和其他視覺/定位系統(tǒng)。這樣的系統(tǒng)利用攝像機(jī)來捕獲圖像。對于夜間光線條件期間捕獲的圖像，可能由于照明不足的原因，可能不容易利用基于視覺的捕獲系統(tǒng)從被捕獲圖像的非道路和其他未識別區(qū)域區(qū)分出行駛路徑。如果基于視覺的攝像機(jī)系統(tǒng)不能夠在行駛道路和非行駛道路之間進(jìn)行區(qū)分，則利用被捕獲圖像信息的次級系統(tǒng)會變得低效。

技術(shù)實現(xiàn)要素：
實施例的優(yōu)點在于通過選擇建模技術(shù)來確定行駛所用的可見區(qū)域，該建模技術(shù)在替代性技術(shù)中提供最小誤差。該方法利用訓(xùn)練圖像來識別出代表從所有訓(xùn)練圖像中識別可見區(qū)域的目標(biāo)函數(shù)。所識別的可見區(qū)域用于探測無障礙路徑?；谠撃繕?biāo)函數(shù)，產(chǎn)生目標(biāo)函數(shù)值-強(qiáng)度相關(guān)曲線圖。多個建模技術(shù)使用該相關(guān)曲線圖來確定哪個技術(shù)在替代方案中將產(chǎn)生具有最小誤差的強(qiáng)度閾值。當(dāng)系統(tǒng)用于實時環(huán)境來識別可見區(qū)域時，閾值將用在被捕獲圖像上。實施例設(shè)想了在夜間光線條件期間確定捕獲的圖像中的可見區(qū)域的方法。從安裝于車輛的圖像捕獲裝置捕獲圖像。生成被捕獲圖像的強(qiáng)度直方圖。強(qiáng)度閾值被應(yīng)用到該強(qiáng)度直方圖以便識別出行駛路徑的可見候選區(qū)域。從訓(xùn)練技術(shù)來確定強(qiáng)度閾值，該訓(xùn)練技術(shù)利用各場景的多個基于訓(xùn)練的被捕獲圖像。目標(biāo)函數(shù)被用于為每個基于訓(xùn)練的被捕獲圖像的每個相關(guān)強(qiáng)度值確定目標(biāo)函數(shù)值。處理每個基于訓(xùn)練的被捕獲圖像的目標(biāo)函數(shù)值和相關(guān)聯(lián)的強(qiáng)度值以便識別出最小目標(biāo)函數(shù)值和相關(guān)聯(lián)的最佳強(qiáng)度閾值從而識別出被捕獲圖像的可見候選區(qū)域。本發(fā)明還提供了以下技術(shù)方案。方案1.一種在夜間光線條件期間確定被捕獲圖像中的可見區(qū)域的方法，該方法包括步驟：從安裝于車輛的圖像捕獲裝置捕獲圖像；生成被捕獲圖像的強(qiáng)度直方圖；應(yīng)用強(qiáng)度閾值到該強(qiáng)度直方圖以便識別出行駛路徑的可見候選區(qū)域，從利用各場景的多個基于訓(xùn)練的被捕獲圖像的訓(xùn)練技術(shù)來確定所述強(qiáng)度閾值，其中目標(biāo)函數(shù)被用于為每個基于訓(xùn)練的被捕獲圖像的每個相關(guān)強(qiáng)度值確定目標(biāo)函數(shù)值，其中處理每個所述基于訓(xùn)練的被捕獲圖像的所述目標(biāo)函數(shù)值和相關(guān)聯(lián)的強(qiáng)度值來識別出最小目標(biāo)函數(shù)值和相關(guān)聯(lián)的最佳強(qiáng)度閾值以便識別出所述被捕獲圖像的所述可見候選區(qū)域。方案2.根據(jù)方案1所述的方法，其中所述最佳強(qiáng)度閾值由多種訓(xùn)練技術(shù)中的一種來確定，其中為每種訓(xùn)練技術(shù)所確定的每個最佳強(qiáng)度閾值確定均方誤差，其中與確定的最小均方誤差相關(guān)聯(lián)的最佳強(qiáng)度閾值被選擇用于識別出所述圖像捕獲裝置所獲得的被捕獲圖像內(nèi)的所述候選區(qū)域。方案3.根據(jù)方案2所述的方法，其中應(yīng)用固定強(qiáng)度閾值技術(shù)來確定所述最佳強(qiáng)度閾值，所述固定強(qiáng)度閾值技術(shù)包括：針對每個基于訓(xùn)練的被捕獲圖像的每個相關(guān)強(qiáng)度值來求和所述目標(biāo)函數(shù)值；從求和的目標(biāo)函數(shù)值識別出所述最小目標(biāo)函數(shù)值；識別出與被識別的最小目標(biāo)函數(shù)值相關(guān)聯(lián)的強(qiáng)度閾值；以及應(yīng)用被識別的強(qiáng)度閾值到所述強(qiáng)度直方圖以便識別出與所述被捕獲圖像的所述候選區(qū)域相關(guān)聯(lián)的像素。方案4.根據(jù)方案2所述的方法，其中應(yīng)用固定強(qiáng)度百分比技術(shù)來確定所述最佳強(qiáng)度閾值，所述固定強(qiáng)度百分比閾值技術(shù)包括：為每個基于訓(xùn)練的被捕獲圖像確定累積強(qiáng)度直方圖；為每個基于訓(xùn)練的被捕獲圖像中的每個強(qiáng)度值確定目標(biāo)函數(shù)值；為每個基于訓(xùn)練的捕獲圖像生成累積直方圖，每個累積直方圖根據(jù)所述基于訓(xùn)練的被捕獲圖像中的強(qiáng)度值的百分比來生成；為每個基于訓(xùn)練的捕獲圖像生成目標(biāo)函數(shù)值-基于百分比的強(qiáng)度值相關(guān)曲線圖，其將每個圖像內(nèi)的每個基于百分比的強(qiáng)度值識別到相應(yīng)目標(biāo)函數(shù)值；為每個基于百分比的強(qiáng)度值對所述目標(biāo)函數(shù)值求平均；從平均的目標(biāo)函數(shù)值識別出所述最小目標(biāo)函數(shù)值；識別與所述最小目標(biāo)函數(shù)值相關(guān)聯(lián)的相應(yīng)基于百分比的強(qiáng)度值；識別與被識別的基于百分比的強(qiáng)度值相關(guān)聯(lián)的強(qiáng)度值閾值；以及應(yīng)用被識別的強(qiáng)度閾值到被捕獲圖像的所述強(qiáng)度直方圖以便識別與所述被捕獲圖像的所述候選區(qū)域相關(guān)聯(lián)的像素。方案5.根據(jù)方案2所述的方法，其中應(yīng)用強(qiáng)度閾值回歸技術(shù)來確定所述最佳強(qiáng)度閾值，所述強(qiáng)度閾值回歸技術(shù)包括：生成被捕獲圖像的累積直方圖；應(yīng)用回歸建模技術(shù)以從所述被捕獲圖像的累積直方圖確定所述強(qiáng)度閾值；應(yīng)用被識別的強(qiáng)度閾值到強(qiáng)度直方圖以便識別與所述被捕獲圖像的候選區(qū)域相關(guān)聯(lián)的像素。方案6.根據(jù)方案5所述的方法，其中被應(yīng)用于識別所述強(qiáng)度閾值的所述回歸建模技術(shù)包括最小二乘回歸法。方案7.根據(jù)方案5所述的方法，其中被應(yīng)用于識別所述強(qiáng)度閾值的所述回歸建模技術(shù)包括穩(wěn)健回歸法。方案8.根據(jù)方案5所述的方法，其中響應(yīng)確定被應(yīng)用到每個基于訓(xùn)練的被捕獲圖像的每個回歸建模技術(shù)的均方誤差，以及響應(yīng)識別產(chǎn)生被比較回歸建模技術(shù)之間的最小均方的相應(yīng)回歸建模技術(shù)，來確定被應(yīng)用于識別所述最佳強(qiáng)度閾值的所述回歸建模技術(shù)。方案9.根據(jù)方案5所述的方法，其中所述回歸建模技術(shù)包括線性回歸建模技術(shù)并且由下述公式表示：其中a0是訓(xùn)練技術(shù)期間確定的相應(yīng)建模技術(shù)所特有的初始參數(shù)，am是所述訓(xùn)練技術(shù)期間確定的相應(yīng)二進(jìn)制的相應(yīng)建模技術(shù)所特有的參數(shù)，并且cumh(m,s)是訓(xùn)練圖像s的二進(jìn)制m處的累積強(qiáng)度直方圖函數(shù)。方案10.根據(jù)方案2所述的方法，其中應(yīng)用強(qiáng)度百分比回歸技術(shù)來確定所述強(qiáng)度閾值，所述強(qiáng)度百分比回歸技術(shù)包括：生成被捕獲圖像的累積直方圖；應(yīng)用回歸建模技術(shù)來確定基于百分比的強(qiáng)度值；識別與被識別的基于百分比的強(qiáng)度值相關(guān)聯(lián)的強(qiáng)度閾值；應(yīng)用被識別的強(qiáng)度閾值到強(qiáng)度直方圖以便識別與被捕獲圖像的候選區(qū)域相關(guān)聯(lián)的像素。方案11.根據(jù)方案10所述的方法，其中被應(yīng)用于識別所述強(qiáng)度閾值的所述回歸建模技術(shù)包括最小二乘回歸法。方案12.根據(jù)方案10所述的方法，其中被應(yīng)用于識別所述強(qiáng)度閾值的所述回歸建模技術(shù)包括穩(wěn)健回歸法。方案13.根據(jù)方案10所述的方法，其中響應(yīng)確定被應(yīng)用到每個基于訓(xùn)練的被捕獲圖像的每個回歸建模技術(shù)的均方誤差，以及響應(yīng)識別產(chǎn)生被比較回歸建模技術(shù)之間的最小均方誤差的相應(yīng)回歸建模技術(shù)，來確定被應(yīng)用于識別所述強(qiáng)度閾值的所述回歸建模技術(shù)。方案14.根據(jù)方案5所述的方法，其中所述回歸建模技術(shù)由下述公式表示：其中b0是訓(xùn)練技術(shù)期間確定的相應(yīng)建模技術(shù)所特有的初始參數(shù)，bm是所述訓(xùn)練技術(shù)期間確定的相應(yīng)二進(jìn)制的相應(yīng)建模技術(shù)所特有的參數(shù)，并且cumh(m,s)是訓(xùn)練圖像s的二進(jìn)制m處的累積強(qiáng)度直方圖函數(shù)。方案15.根據(jù)方案1所述的方法，其中使用對采樣夜間被捕獲圖像的觀測從所述訓(xùn)練技術(shù)導(dǎo)出所述目標(biāo)函數(shù)。方案16.根據(jù)方案15所述的方法，其中所述觀測包括用于識別采樣夜間圖像的可見和不可見區(qū)域的地面實況標(biāo)記，所述地面實況標(biāo)記包括與預(yù)期在所述采樣夜間被捕獲圖像內(nèi)的感興趣區(qū)域內(nèi)可見的被標(biāo)記道路有關(guān)的觀測、與預(yù)期在所述采樣夜間被捕獲圖像內(nèi)的不可見區(qū)域內(nèi)的未標(biāo)記區(qū)域有關(guān)的觀測、以及與預(yù)期在所述采樣夜間被捕獲圖像內(nèi)不包含紋理的不可見區(qū)域有關(guān)的觀測。方案17.根據(jù)方案16所述的方法，其中所述目標(biāo)函數(shù)由下述公式表示：其中x是一個采樣夜間被捕獲圖像內(nèi)感興趣的可見區(qū)域的強(qiáng)度閾值，rdvis是所述采樣被捕獲圖像中的感興趣的可見區(qū)域內(nèi)的被標(biāo)記道路面積與所述采樣夜間被捕獲圖像中的總體被標(biāo)記區(qū)域的比例，unLvis是被分類為不可見的未標(biāo)記面積與所述采樣夜間被捕獲圖像中的總體未標(biāo)記區(qū)域面積的比例，grdmaginvis是不可見區(qū)域內(nèi)的梯度幅值，以及w是所述目標(biāo)函數(shù)中每個分量的權(quán)重。方案18.根據(jù)方案1所述的方法，其中形態(tài)學(xué)平滑被應(yīng)用到所述候選區(qū)域以便減少雜點并產(chǎn)生平滑區(qū)域。方案19.根據(jù)方案1所述的方法，其中用于輔助駕駛員確定路徑的應(yīng)用包括前視攝像機(jī)以及輸出顯示裝置。方案20.根據(jù)方案1所述的方法，其中用于輔助駕駛員確定路徑的應(yīng)用包括目標(biāo)探測感測系統(tǒng)。方案21.根據(jù)方案1所述的方法，其中照明標(biāo)準(zhǔn)化被應(yīng)用到所述被捕獲圖像以便使所述圖像的區(qū)域形成對比從而改進(jìn)圖像分類。附圖說明圖1是車輛中的成像捕獲系統(tǒng)的框圖。圖2是用于識別出行駛路徑的可見區(qū)域的方法的流程圖。圖3是通過基于視覺的成像系統(tǒng)捕獲的示例性圖像。圖4是被捕獲圖像的示例性強(qiáng)度直方圖。圖5是通過應(yīng)用被識別的強(qiáng)度閾值示出被確定候選可見區(qū)域的示例性圖像。圖6是形態(tài)學(xué)平滑之后的候選可見區(qū)域。圖7是用于確定被應(yīng)用到被捕獲圖像的強(qiáng)度閾值的訓(xùn)練技術(shù)。圖8是地面實況標(biāo)記圖像的示例。圖9是基于固定的強(qiáng)度閾值技術(shù)來識別強(qiáng)度閾值的方法的流程圖。圖10是目標(biāo)函數(shù)值-強(qiáng)度相關(guān)曲線圖的示例。圖11是求和的目標(biāo)函數(shù)值曲線圖的示例。圖12是用于基于固定的強(qiáng)度百分比技術(shù)來識別出強(qiáng)度閾值的方法的流程圖。圖13是訓(xùn)練圖像的累積強(qiáng)度直方圖的示例。圖14是目標(biāo)函數(shù)值-基于百分比的強(qiáng)度相關(guān)曲線圖的示例。圖15是平均目標(biāo)函數(shù)值-基于百分比的強(qiáng)度相關(guān)曲線圖。圖16是被捕獲圖像的累積強(qiáng)度直方圖。圖17是根據(jù)基于強(qiáng)度閾值回歸的技術(shù)來識別出強(qiáng)度閾值的方法的流程圖。圖18是示出每個訓(xùn)練圖像的最小目標(biāo)函數(shù)值的示例性曲線圖。圖19是示出每個訓(xùn)練圖像的強(qiáng)度閾值的示例性曲線圖。圖20是基于強(qiáng)度百分比回歸的技術(shù)來識別出強(qiáng)度閾值的方法的流程圖。圖21是示出每個訓(xùn)練圖的強(qiáng)度百分比值的示例性曲線圖。具體實施方式示出了車輛10內(nèi)所用的用于在夜間執(zhí)行無障礙路徑探測的成像捕獲系統(tǒng)的框圖。車輛包括圖像捕獲裝置11、視覺處理單元12和輸出應(yīng)用13。圖像捕獲裝置11包括攝像機(jī)或視頻照相機(jī)，其獲得并存儲車輛10的環(huán)境外部的圖像以便處理。圖像捕獲裝置11被安裝在車輛上以便捕獲沿行駛路徑的所需區(qū)域。優(yōu)選地，圖像捕獲裝置11被安裝在恰在前擋風(fēng)玻璃后方以便捕獲發(fā)生在車輛外部和前方的事件；不過，圖像捕獲裝置可以被安裝在適于捕獲圖像的任何其他部位。圖像捕獲裝置11是車輛內(nèi)現(xiàn)有系統(tǒng)的一部分，其通常用于辨識道路標(biāo)志、車道標(biāo)志、道路符號或車道偏離警告系統(tǒng)和無障礙路徑探測系統(tǒng)中所用的其他公路目標(biāo)。來自圖像捕獲裝置11的被捕獲圖像還被用于在日間光線條件和夜間光線條件之間進(jìn)行區(qū)分。視覺處理單元12接收被圖像捕獲裝置11捕獲的圖像并且分析圖像以便識別車輛10的行駛路徑中的可見區(qū)域。可見區(qū)域可以被用于確定無障礙路徑、行人目標(biāo)或其他障礙物。這里將具體討論處理和分析被捕獲圖像的細(xì)節(jié)。輸出應(yīng)用13包括利用行駛路徑中的被識別可見區(qū)域來增強(qiáng)駕駛員對無障礙行駛路徑的感知度的任意裝置或應(yīng)用或者利用無障礙路徑來輔助駕駛員進(jìn)行夜間增強(qiáng)操作的其他應(yīng)用。例如，輸出應(yīng)用16可以是通知駕駛員行駛路徑中的目標(biāo)的警告系統(tǒng)。系統(tǒng)利用視覺處理單元12來確定夜間條件期間圖像中的可見區(qū)域。執(zhí)行訓(xùn)練技術(shù)來確定強(qiáng)度閾值，該強(qiáng)度閾值能夠被應(yīng)用到被捕獲圖像來識別出圖像中代表可見區(qū)域的那些像素。在識別出閾值之后，強(qiáng)度閾值被應(yīng)用到代表被捕獲圖像的強(qiáng)度直方圖以便識別出圖像中的可見區(qū)域。圖2示出了用于識別被捕獲圖像的行駛路徑的可見區(qū)域的流程圖。在步驟20，通過車輛環(huán)境外部的捕獲圖像裝置來捕獲圖像。圖3示出了被基于視覺的成像系統(tǒng)所捕獲的示例性圖像。該圖像被清晰示出以便示出圖像中的目標(biāo)，不過通常在夜間捕獲的圖像將具有可見和不可見區(qū)域。在圖像中選擇感興趣區(qū)域來分析光線條件。如果通過視覺成像系統(tǒng)確定是夜間條件，則例程進(jìn)行到步驟21來確定行駛路徑中的可見區(qū)域。在步驟21，生成被捕獲圖像的強(qiáng)度直方圖。圖4示出了強(qiáng)度直方圖的示例。x軸線代表強(qiáng)度（亮度）值，并且y軸線代表圖像中每個像素強(qiáng)度值的像素數(shù)量。分析相應(yīng)圖像的感興趣區(qū)域?；诙鄠€像素中的每個像素的強(qiáng)度來生成直方圖。感興趣區(qū)域內(nèi)的每個像素具有相關(guān)聯(lián)的強(qiáng)度值。在直方圖中呈現(xiàn)圖像的每個強(qiáng)度值。在步驟22，強(qiáng)度閾值被應(yīng)用到強(qiáng)度直方圖以便識別出與被捕獲圖像的可見區(qū)域相關(guān)聯(lián)的那些強(qiáng)度值。例如，在圖4中，強(qiáng)度閾值由閾值線14代表。大于閾值線14的強(qiáng)度值被指定為代表可見區(qū)域的像素。小于閾值線14的強(qiáng)度值不被看作是可見區(qū)域的一部分。在步驟23，在被捕獲圖像中識別出候選可見區(qū)域。圖5示出了通過這里描述的技術(shù)確定的被捕獲圖像的候選可見區(qū)域。加黑區(qū)域示出了由大于強(qiáng)度閾值的像素強(qiáng)度值識別出的圖像的可見候選區(qū)域。在步驟24，對候選可見區(qū)域進(jìn)行平滑操作。平滑操作可以包括打開和關(guān)閉平滑操作。任意已知的平滑操作可以被用于從候選區(qū)域識別出平滑的可見區(qū)域。可以配合地進(jìn)行打開和關(guān)閉形態(tài)學(xué)平滑，其中打開會內(nèi)部地平滑目標(biāo)區(qū)域并且關(guān)閉會外部地平滑目標(biāo)區(qū)域。打開操作會通過消除連接較大區(qū)段的狹窄區(qū)段來平滑目標(biāo)區(qū)域、消除諸如拐角的小突起并且生成新間隙。關(guān)閉操作會通過融合目標(biāo)區(qū)域的大面積之間的狹窄斷開來平滑目標(biāo)區(qū)域并填充目標(biāo)區(qū)域內(nèi)的間隙。圖6示出了應(yīng)用到圖5的候選可見區(qū)域的形態(tài)學(xué)平滑操作。在步驟25，進(jìn)行照明標(biāo)準(zhǔn)化以增強(qiáng)圖像對比度以便于更佳的圖像分類。圖7示出了用于確定被應(yīng)用到被捕獲圖像的強(qiáng)度閾值的訓(xùn)練技術(shù)。在步驟30，在夜間條件期間通過圖像捕獲裝置來捕獲多個基于訓(xùn)練的圖像?；谟?xùn)練的圖像代表來自不同夜間光線條件和地點的各種場景。在步驟31，生成目標(biāo)函數(shù)，其被用于確定強(qiáng)度閾值從而識別出從圖像捕獲裝置捕獲的圖像內(nèi)的可見區(qū)域。在訓(xùn)練階段生成目標(biāo)函數(shù)?；趯谟?xùn)練的被捕獲圖像的觀測來公式化目標(biāo)函數(shù)。所述觀測可以是觀測者分析圖像并將地面實況標(biāo)記應(yīng)用到被捕獲圖像的觀測。地面實況標(biāo)記的示例可以包括訓(xùn)練圖像的標(biāo)記區(qū)域以作為道路標(biāo)記區(qū)域、非道路標(biāo)記區(qū)域和未標(biāo)記區(qū)域。圖8示出了基于觀測的地面實況標(biāo)記的示例。被指定為道路標(biāo)記的區(qū)域總體由15表示，非道路標(biāo)記總體由16表示，并且被指定為未標(biāo)記的剩余區(qū)域由17表示?；趯D8中圖像的邏輯觀測以及對其他圖像的觀測，生成目標(biāo)函數(shù)，其能夠被用于確定夜間可見度閾值估計。圖8示出了基于邏輯觀測的示例性公式：……等式（1）其中x是采樣夜間被捕獲圖像中感興趣的可見區(qū)域的強(qiáng)度閾值，rdvis是采樣被捕獲圖像中感興趣的可見區(qū)域內(nèi)的被標(biāo)記道路面積與采樣夜間被捕獲圖像中的總體被標(biāo)記區(qū)域的比例，unLvis是被分類為不可見的未標(biāo)記面積與采樣夜間被捕獲圖像中的總體未標(biāo)記區(qū)域面積的比例，grdmaginvis是不可見區(qū)域內(nèi)的梯度幅值，以及w是目標(biāo)函數(shù)中每個分量的權(quán)重?；诖_定的目標(biāo)函數(shù)，可以利用生成的目標(biāo)函數(shù)來識別出最佳強(qiáng)度閾值。在步驟32，開始進(jìn)行強(qiáng)度閾值識別過程以便最少化目標(biāo)函數(shù)所生成的目標(biāo)值?？梢岳酶鞣N閾值識別技術(shù)來根據(jù)基于訓(xùn)練的圖像生成強(qiáng)度閾值。針對每種技術(shù)來計算強(qiáng)度閾值以及與相應(yīng)結(jié)果相關(guān)聯(lián)的對應(yīng)均方誤差?？傮w由步驟33-36代表各種方法。應(yīng)該理解，可以利用比這里描述的更多或更少的技術(shù)。之后將具體描述這些相應(yīng)技術(shù)中的每一技術(shù)。在步驟37，比較從步驟33-36中每種技術(shù)所計算的均方誤差來識別出產(chǎn)生最小均方誤差的技術(shù)。在步驟38，選擇與最小均方誤差相關(guān)聯(lián)的最佳強(qiáng)度閾值。在步驟39，步驟38中選擇的強(qiáng)度閾值被用于識別出被捕獲圖像中的可見區(qū)域。也就是說，對于相應(yīng)成像系統(tǒng)，一旦被校準(zhǔn)且被投入用于車輛或其他環(huán)境內(nèi)中，則選定的強(qiáng)度閾值被應(yīng)用到針對車輛圖像捕獲裝置捕獲的任意夜間圖像而生成的強(qiáng)度直方圖，以便識別出代表被捕獲圖像內(nèi)的可見區(qū)域的那些相應(yīng)強(qiáng)度值。隨后，可見區(qū)域被用于探測車輛行駛路徑內(nèi)的無障礙路徑。圖4示出了直方圖的示例。大于強(qiáng)度閾值14的相應(yīng)強(qiáng)度值代表與被捕獲圖像的可見區(qū)域相關(guān)聯(lián)的那些圖像像素。圖9示出了用于識別出強(qiáng)度閾值的第一方法（圖7中被表示為步驟33）的流程圖。圖9所示方法利用固定強(qiáng)度閾值技術(shù)針對所有基于訓(xùn)練的圖像來識別出強(qiáng)度閾值。在步驟40，利用目標(biāo)函數(shù)針對所有訓(xùn)練圖像生成目標(biāo)函數(shù)值-強(qiáng)度值相關(guān)曲線圖。圖10示出了示例性繪圖。因此，每條繪制線代表相應(yīng)圖像。每條繪制線由從每個相應(yīng)圖像的目標(biāo)函數(shù)值和強(qiáng)度值計算的目標(biāo)函數(shù)值構(gòu)成。x軸線指定強(qiáng)度值，并且y軸線指定目標(biāo)函數(shù)值。在步驟41，每個相關(guān)強(qiáng)度值的目標(biāo)函數(shù)值被求和以便生成求和的目標(biāo)函數(shù)值的繪制線。也就是說，對于圖10所示的相應(yīng)強(qiáng)度值而言，針對相應(yīng)強(qiáng)度值，所有圖像的每個函數(shù)值被求和。圖11示出最終繪圖。在步驟42，最小目標(biāo)函數(shù)值被識別作為圖11所示的求和目標(biāo)函數(shù)值的最小值。在步驟43，強(qiáng)度閾值（例如48）被識別作為與被識別最小目標(biāo)函數(shù)值相關(guān)聯(lián)的強(qiáng)度值。除了從曲線圖識別出強(qiáng)度閾值之外，還可以通過下述公式來確定強(qiáng)度閾值：等式（2）其中s是相應(yīng)圖像，并且f(x,s)是相關(guān)聯(lián)圖像和強(qiáng)度值的目標(biāo)函數(shù)值。在步驟44，確定基于固定強(qiáng)度閾值技術(shù)的均方誤差。對于這里描述的固定強(qiáng)度閾值技術(shù)，可以通過下述公式來確定均方誤差：等式（3）均方誤差與從其他技術(shù)所確定的（圖7的步驟33-36中所生成的）均方誤差相比較以便確定將使用哪個訓(xùn)練技術(shù)。圖12示出了用于識別出強(qiáng)度閾值的第二方法（如圖7中步驟34所代表）的流程圖。第二方法利用固定強(qiáng)度百分比技術(shù)。在步驟50，利用等式（1）中所示的目標(biāo)函數(shù)來為所有基于訓(xùn)練的圖像生成目標(biāo)函數(shù)值-強(qiáng)度相關(guān)曲線圖。應(yīng)該理解的是，針對每種技術(shù)，目標(biāo)函數(shù)值-強(qiáng)度相關(guān)曲線圖是相同的，這是因為每種方法均利用相同的目標(biāo)函數(shù)和訓(xùn)練圖像。在步驟51，為每個基于訓(xùn)練的被捕獲圖像生成累積強(qiáng)度直方圖。圖13示出了累積直方圖的示例。累積強(qiáng)度直方圖示出了相應(yīng)圖像內(nèi)的像素強(qiáng)度值的累積百分比。x軸線代表了強(qiáng)度值，并且y軸線代表了累積百分比。在步驟52，針對每個基于訓(xùn)練的圖像生成目標(biāo)函數(shù)值-基于百分比的強(qiáng)度相關(guān)圖。圖14中示出了相關(guān)圖的示例。相關(guān)圖識別出每個圖像中每個基于百分比的強(qiáng)度值與相應(yīng)目標(biāo)函數(shù)值。x軸線代表強(qiáng)度值的百分比，并且y軸線代表目標(biāo)函數(shù)值。在步驟53，與每個基于百分比的強(qiáng)度值相關(guān)聯(lián)的目標(biāo)函數(shù)值被平均以生成平均目標(biāo)函數(shù)值繪制線。也就是說，對于圖14中示出的相應(yīng)基于百分比的強(qiáng)度值，對相應(yīng)基于百分比的強(qiáng)度值的所有圖像的每個目標(biāo)函數(shù)值求平均。圖15示出了最終繪圖。x軸線代表強(qiáng)度值的百分比，并且y軸線代表平均目標(biāo)函數(shù)值。在步驟54，從平均目標(biāo)函數(shù)值識別出最小目標(biāo)函數(shù)值。最小目標(biāo)函數(shù)值是平均目標(biāo)函數(shù)值中的最小值（例如0.75）。在步驟55，確定相應(yīng)基于百分比的強(qiáng)度值。基于百分比的強(qiáng)度值（例如0.58）是與步驟54中識別出的最小目標(biāo)函數(shù)值相關(guān)聯(lián)的強(qiáng)度值。在步驟56，從捕獲圖像裝置獲得被捕獲圖像。如圖16所示，為被捕獲圖像生成累積強(qiáng)度直方圖。x軸線代表強(qiáng)度值，并且y軸線代表基于百分比的強(qiáng)度值。步驟55中識別出的基于百分比的強(qiáng)度值被用于識別強(qiáng)度閾值。利用繪制曲線（即累積強(qiáng)度直方圖），針對相關(guān)聯(lián)的基于百分比的強(qiáng)度值（例如0.58）識別出相關(guān)聯(lián)的強(qiáng)度閾值（例如48）。作為如所示從相關(guān)曲線圖來識別強(qiáng)度閾值的替代方案，可以通過下述公式來確定強(qiáng)度閾值：等式（4）其中s是相應(yīng)圖像，并且是根據(jù)基于百分比的強(qiáng)度值而定的目標(biāo)函數(shù)值。在步驟57，基于來自固定強(qiáng)度百分比技術(shù)的數(shù)據(jù)來確定均方誤差。對于這里描述的固定強(qiáng)度百分比技術(shù)，可以通過下述公式來確定均方誤差：等式（5）均方誤差與從其他技術(shù)確定的（圖7的步驟33-36所生成的）均方誤差相比較以便確定將使用哪種訓(xùn)練技術(shù)。圖17示出了用于識別強(qiáng)度閾值的第三方法（如圖7中步驟35所代表）的流程圖。第三方法針對所有基于訓(xùn)練的圖像利用基于強(qiáng)度閾值回歸的技術(shù)。在步驟60，利用如等式（1）所示的目標(biāo)函數(shù)來為所有訓(xùn)練圖像提供目標(biāo)函數(shù)值-強(qiáng)度值相關(guān)曲線圖。目標(biāo)函數(shù)值-強(qiáng)度相關(guān)曲線圖是用于每種技術(shù)的相同的曲線圖，這是因為每種方法均利用相同的目標(biāo)函數(shù)和訓(xùn)練圖像。在步驟61，針對每個訓(xùn)練圖像識別最小目標(biāo)函數(shù)值。圖18中示出了圖釋每個訓(xùn)練圖像的最小目標(biāo)函數(shù)值的示例性曲線圖。x軸線代表相應(yīng)訓(xùn)練圖像并且y軸線代表目標(biāo)函數(shù)值。在步驟62，確定與每個最小目標(biāo)函數(shù)值相關(guān)聯(lián)的強(qiáng)度值。圖19中示出了圖釋每個訓(xùn)練圖像的強(qiáng)度值的示例性曲線圖。x軸線代表相應(yīng)訓(xùn)練圖像并且y軸線代表強(qiáng)度值。在步驟63，確定回歸參數(shù)以用于訓(xùn)練階段的回歸分析?？梢酝ㄟ^下述公式來確定基于回歸的強(qiáng)度閾值：等式（6）其中a0是訓(xùn)練技術(shù)期間確定的相應(yīng)建模技術(shù)所特有的初始參數(shù)，am是訓(xùn)練技術(shù)期間確定的相應(yīng)二進(jìn)制的相應(yīng)建模技術(shù)所特有的參數(shù)，并且cumh(m,s)是訓(xùn)練圖像s的二進(jìn)制（Bin）m處的累積強(qiáng)度直方圖?？梢曰谝阎獜?qiáng)度閾值和每個訓(xùn)練圖像的累積直方圖來確定參數(shù)a0-aM。也就是說，基于等式（1）中列出的地面實況標(biāo)記，已知強(qiáng)度閾值并且已知每個訓(xùn)練圖像的累積強(qiáng)度直方圖cumh(m,s)。因此，對于作為輸入的具有相關(guān)聯(lián)的累積強(qiáng)度直方圖的至少M+1個訓(xùn)練圖像而言，作為輸出的具有強(qiáng)度閾值的至少M+1個回歸等式可以被識別為具有M+1個未知參數(shù)a0-aM。因此，可以求解出參數(shù)a0-aM。此外，M+1個標(biāo)識符可以被用于指定二進(jìn)制數(shù)量。例如如果M+1等于八，則八個二進(jìn)制被用于累積強(qiáng)度直方圖。應(yīng)該理解，八個二進(jìn)制是示例性的并且被指定為M+1的數(shù)量可以大于或小于八。在步驟64，根據(jù)已知目標(biāo)函數(shù)值、所用的每個相應(yīng)訓(xùn)練圖像的相應(yīng)累積強(qiáng)度直方圖和確定的參數(shù)a0-aM來為所應(yīng)用的每個回歸技術(shù)確定均方誤差。在步驟65，識別出具有最小均方誤差的回歸技術(shù)。在步驟66，生成被捕獲圖像的累積直方圖。在步驟67，從訓(xùn)練階段確定的累積強(qiáng)度直方圖cumh(m,s)和參數(shù)a0-aM被用于求解強(qiáng)度閾值。圖20示出了用于識別強(qiáng)度閾值的第四方法（如圖7中步驟36所表示）的流程圖。第四方法利用基于強(qiáng)度百分比回歸的技術(shù)。在步驟70，利用等式（1）所示的目標(biāo)函數(shù)為所有訓(xùn)練圖像提供目標(biāo)函數(shù)值-強(qiáng)度值相關(guān)曲線圖。目標(biāo)函數(shù)值-強(qiáng)度相關(guān)曲線圖是用于每種技術(shù)的相同的曲線圖，這是因為每種方法均利用相同目標(biāo)函數(shù)和訓(xùn)練圖像。在步驟71，基于目標(biāo)函數(shù)值-強(qiáng)度值相關(guān)曲線圖來生成基于百分比的目標(biāo)函數(shù)值相關(guān)曲線圖。在步驟72，為每個訓(xùn)練圖像識別出最小目標(biāo)函數(shù)值。圖18示出了圖釋每個訓(xùn)練圖像的最小目標(biāo)函數(shù)值的示例性曲線圖。在步驟73，確定與每個最小目標(biāo)函數(shù)值相關(guān)聯(lián)的強(qiáng)度百分比值。圖21示出了圖釋每個訓(xùn)練圖像的強(qiáng)度百分比值的示例性曲線圖。x軸線代表相應(yīng)訓(xùn)練圖像并且y軸線代表強(qiáng)度百分比值。在步驟74，在訓(xùn)練階段為回歸分析確定回歸參數(shù)?？梢酝ㄟ^下述公式來確定基于回歸的強(qiáng)度百分比：等式（8）其中b0是訓(xùn)練技術(shù)期間確定的相應(yīng)建模技術(shù)所特有的初始參數(shù)，bm是訓(xùn)練技術(shù)期間確定的相應(yīng)二進(jìn)制的相應(yīng)建模技術(shù)所特有的參數(shù)，并且cumh(m,s)是訓(xùn)練圖像s的二進(jìn)制m處的累積強(qiáng)度直方圖?？梢曰谝阎獜?qiáng)度閾值（來獲得已知強(qiáng)度百分比閾值）和每個訓(xùn)練圖像的累積直方圖來確定參數(shù)b0-bM。也就是說，基于等式（1）中列出的地面實況標(biāo)記，從已知強(qiáng)度閾值確定基于百分比的強(qiáng)度閾值。此外，針對每個訓(xùn)練圖像，累積強(qiáng)度直方圖cumh(m,s)是已知的。因此，對于作為輸入的具有相關(guān)聯(lián)的累積強(qiáng)度直方圖的至少M+1個訓(xùn)練圖像而言，作為輸出的具有強(qiáng)度百分比閾值的至少M+1個回歸等式可以被識別為具有M+1個未知參數(shù)b0-bM。因此，可以求解參數(shù)b0-bM。在步驟75，根據(jù)已知目標(biāo)函數(shù)值、所用的每個相應(yīng)訓(xùn)練圖像的相應(yīng)累積強(qiáng)度直方圖和確定的參數(shù)b0-bM來為所應(yīng)用的每個回歸技術(shù)的強(qiáng)度百分比值數(shù)據(jù)確定均方誤差。在步驟76，識別出具有最小均方誤差的回歸技術(shù)。在步驟77，生成被捕獲圖像的累積直方圖。在步驟78，從訓(xùn)練階段確定的累積強(qiáng)度直方圖cumh(m,s)和參數(shù)b0-bM被用于求解基于百分比的強(qiáng)度閾值。在步驟79，從如圖16所示的累積強(qiáng)度直方圖根據(jù)基于百分比的相關(guān)強(qiáng)度閾值來確定強(qiáng)度閾值。雖然已經(jīng)具體描述了本發(fā)明的某些實施例，不過熟悉本發(fā)明所涉及領(lǐng)域的技術(shù)人員將意識到實踐如所附權(quán)利要求所限定的發(fā)明的各種替代性設(shè)計和實施例。