本發(fā)明涉及智能汽車
技術領域：
，具體涉及一種智能汽車高識別率人形識別的方法。
背景技術：
：相關技術中發(fā)展了一種智能汽車，能夠自動識別地形和規(guī)劃路線等，使車輛能夠平安到達目的地，最終實現(xiàn)無人駕駛的目的。技術實現(xiàn)要素：針對上述問題，本發(fā)明旨在提供具有高識別率人形識別的智能汽車。本發(fā)明的目的采用以下技術方案來實現(xiàn)：提供了一種具有高識別率人形識別的智能汽車以及一種智能汽車高識別率人形識別的方法，包括：車身、承載在車身上的控制系統(tǒng)和攝像系統(tǒng)，控制系統(tǒng)包括：獲取模塊，用于獲取攝像系統(tǒng)所拍攝的圖像；識別模塊，用于從拍攝圖像中識別人形；控制模塊，用于根據(jù)識別結果控制智能汽車的行駛。相關技術的智能汽車沒有針對行人做專門的識別，不利于智能汽車避讓行人，安全性較差，而本發(fā)明實現(xiàn)了對行人的專門識別，使得智能汽車能夠避讓行人，進一步提高了智能汽車的安全性。附圖說明利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構成對本發(fā)明的任何限制，對于本領域的普通技術人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。圖1示出了根據(jù)本發(fā)明一個實施例的一種具有高識別率人形識別的智能汽車的結構示意圖。具體實施方式結合以下實施例對本發(fā)明作進一步描述。圖1示出了根據(jù)本發(fā)明一個實施例的一種具有高識別率人形識別的智能汽車的結構示意圖，其包括：車身300、承載在車身300上的控制系統(tǒng)100和攝像系統(tǒng)200，控制系統(tǒng)100包括：獲取模塊10，用于獲取攝像系統(tǒng)所拍攝的圖像；識別模塊20，用于從拍攝圖像中識別人形；控制模塊30，用于根據(jù)識別結果控制智能汽車的行駛。相關技術的智能汽車沒有針對行人做專門的識別，不利于智能汽車避讓行人，安全性較差，而本實施例在普通車輛的基礎上增加了先進的攝像系統(tǒng)，并通過圖像識別技術識別到人形，從而能夠自動避讓行人，使車輛能夠平安到達目的地，最終實現(xiàn)無人駕駛的目的。優(yōu)選地，識別模塊包括灰度模塊、彩色模塊、融合模塊和判斷模塊；灰度模塊，用于在灰度空間對圖像進行處理；彩色模塊，用于在彩色空間對圖像進行處理；融合模塊，用于將灰度模塊的處理結果和彩色模塊的處理結果進行融合；判斷模塊，用于根據(jù)預設形體信息對融合結果進行比對，從中判斷人形。在光學圖像的獲取過程中，由于傳感器本身或外部因素的影響，導致一幅圖像的不同區(qū)域在色彩、亮度等方面存在不同程度的差異。這種圖像的不均勻光照現(xiàn)象由多方面原因引起，如傳感器中光學透鏡成像的不均勻性、地勢起伏、云霧的影響等。這種不均勻光照現(xiàn)象不僅會直接影響到最終生成的圖像產(chǎn)品的質(zhì)量，甚至會對計算機自動地物識別、解譯造成影響。為了消除不均勻光照現(xiàn)象的影響，需要對圖像進行處理?，F(xiàn)有的圖像處理技術清晰度差，從而影響了圖像的應用。而本實施例同時從灰度和彩色兩種模式來分析圖像，所以一定程度上消除了色彩或者亮度不足造成的影響，有利于提供人形的識別率。優(yōu)選地，所述灰度模塊包括：背景模塊，用于將獲取的拍攝圖像作為原始圖像，對原始圖像進行傅里葉變換，然后在傅里葉變換后的頻率域通過低通濾波器進行濾波，得到背景圖像；處理模塊，用于將原始圖像與背景圖像進行如下處理：式中，l(x，y)為處理后的圖像，i′(x，y)為原始圖像，s(x，y)為背景圖像，p為原始圖像灰度均值，β為拉伸參數(shù)，t為圖像的灰度域。傳統(tǒng)的灰度處理算法中，圖像的整體反差較小，而且灰度值的動態(tài)范圍也較小，所以灰度處理結果不夠理想。而本優(yōu)選實施例灰度模塊采用全新的算法對原始圖像進行處理，引入了拉伸參數(shù)，可以根據(jù)用戶的需求對圖像的對比度進行拉伸，從而同時提高了圖像的細節(jié)反差和整體反差，使得灰度處理結果更加理想。優(yōu)選地，所述彩色模塊包括：模型模塊：用于在hsv空間中描述原始圖像，采用倒圓錐模型進行表示，倒圓錐模型的軸線方向為亮度分量，頂部的圓心為白色，最低點為黑色，豎直軸為白色和黑色之間的過渡色，頂部的圓平面為光強度最大的點，圓錐的任一橫向圓切面的徑向為飽和度，圓心處飽和度為0，圓周處飽和度為1，圓切面的圓周向的角度為色調(diào)；空間變換模塊：保持h分量不變，對s分量和v分量進行小波域改進，然后將圖像反變換到rgb空間。優(yōu)選地，所述對s分量和v分量進行小波域改進，具體為：對圖像s分量和v分量進行一次二維小波變換，將圖像分解為4個相同大小的子帶區(qū)域，進一步對子帶區(qū)域進行二維小波變換，直到得到預設值的小波尺度為止，從而得到s分量和v分量在小波域中的近似系數(shù)和不同層次的細節(jié)系數(shù)，其中，采用如下方式對小波系數(shù)進行改進：a′(x，y)＝i+θ[a(x，y)-i]+0.1δ[a(x，y)-i]2式中，a(x，y)為小波系數(shù)，a′(x，y)為改進后的小波系數(shù)，i為該子帶區(qū)域小波系數(shù)均值，θ為改進系數(shù)，θ∈[0，1)，表示對小波系數(shù)進行抑制，應用于小波分解后的近似系數(shù)，θ＞1，表示對小波系數(shù)進行增強，應用于小波分解后的細節(jié)系數(shù)。優(yōu)選地，將圖像反變換到rgb空間的公式如下：式中，r、g、b分別為原始圖像rgb空間中的紅色分量、綠色分量、藍色分量，r′、g′、b′分別為處理后的圖像rgb空間中的紅色分量、綠色分量、藍色分量，s、v分別為原始圖像hsv空間中的飽和度分量、亮度分量，s′、v′為小波改進后的飽和度分量、亮度分量，c、d為轉換系數(shù)，h為原始圖像rgb空間中最大顏色分量，本優(yōu)選實施例在保持圖像色調(diào)不變的前提下，對亮度和飽和度進行小波分解，減少了運行時間，提高了處理效率，從而能夠快速地識別人形，以對汽車行進中的道路情況快速反應。另外，圖像經(jīng)過小波變換后，得到的近似系數(shù)表征了圖像中的背景信息，而細節(jié)系數(shù)表征了圖像中的細節(jié)信息，對s分量和v分量在小波域中的近似系數(shù)進行抑制，同時對細節(jié)系數(shù)進行增強，達到了整體背景光照均勾，細節(jié)反差突出的效果，這有利于提高識別圖像中的人形的識別率。優(yōu)選地，所述融合處理模塊用于根據(jù)灰度模塊和彩色模塊的處理結果確定圖像最終處理方式，具體為：用m、n分別為圖像的行數(shù)和列數(shù)，h(x，y)為圖像第x行、第y列的灰度值，則圖像的綜合值f采用以下公式確定：式中，pi為圖像的灰度均值；分別計算采用灰度模塊和彩色模塊處理后的圖像的綜合值，選取綜合值大的圖像作為圖像最終處理方式；本優(yōu)選實施例的融合模塊建立圖像的綜合值函數(shù)，通過計算圖像的綜合值來確定圖像的最終處理方式，從而當光照不足，色彩正常時，能夠自動地切換到彩色圖像中識別人形。二擋光照充足，色彩缺乏時，則自動地切換到灰度圖像中識別人形。采用這種模式，進一步可設置雙攝像頭模式，一個攝像頭專門用于采集灰度圖像，而另一個攝像頭專門采集彩色圖像，這可以利用本優(yōu)選實施例來自動選擇最優(yōu)圖像，從而進一步提高人形的識別率。優(yōu)選地，判斷模塊還用于根據(jù)人形模塊在不同時間識別的人形變換，判斷人形的行為目的。如果只是識別人形，而不判斷人形的行為目的，那么智能汽車當運行在行人較多的場景時，幾乎寸步難行。而通過判斷行為目的，可以判斷該行人是否會影響智能汽車的行進，從而有針對性地控制汽車的行駛。本發(fā)明上述實施例的智能汽車在各種場景下進行了綜合測試，同未采用本發(fā)明的智能汽車相比，產(chǎn)生的有益效果如下表所示：場景人形識別率提高光照不足，色彩正常57％光照充足，色彩差異不足39％正常場景12％最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實質(zhì)和范圍。當前第1頁12