CN104463104B - 一种静态车辆目标快速检测方法及装置 - Google Patents

Abstract

本发明公开了一种静态车辆目标快速检测方法及装置，包括以下步骤：图像采集：获取车辆图片；图像预处理：把车辆图片大小进行归一化并转化为灰度图；提取熵信息：利用搜索框对图片进行像素级遍历，并提取出每个搜索框中局部图像的脉冲迭代平均熵信息；车辆目标粗定位：取脉冲迭代平均熵值大于目标阈值的图片作为车辆目标粗定位图片；确定车辆目标：保留同一图片区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；在原始大图像中框出车辆目标，完成车辆目标的定位。本发明利用了脉冲耦合神经网络特征提取方法的鲁棒性、快速性以及可移植性，且选取脉冲迭代平均熵这一特征作为判定依据，大大提高了静态车辆目标检测的速度。

Description

一种静态车辆目标快速检测方法及装置

技术领域

本发明涉及图像处理技术领域，尤其涉及一种静态车辆目标快速检测方法。

背景技术

随着智能交通系统的飞速发展，车辆目标检测已经成为现代智能交通系统中的重要组成部分，车辆检测的准确与否直接影响到交通管理的水平，同时也是当前智能交通研究的一个难点。目前对于车辆目标的检测主要采用基于运动信息的车辆检测方法，但是这种普遍性的方法并不能完全适用于当前的需要。在车辆违章停车抓拍、道路卡口车辆抓拍等应用中，如何从静态图片中分析出车辆信息，越来越多的得到研究者的重视。目前，静态图像中的车辆检测和计数方法归为两种：一种是基于建模和模板匹配的方法，一种是基于统计学习的方法。基于建模和模板匹配的方法利用局部特征描述车辆，对所建模型的要求较高，抗噪声能力较弱，算法的鲁棒性不够好。基于统计学习的方法通过对样本进行训练获得车辆和背景之间的差异，再利用合适的分类器对车辆进行识别。这种方法具有一定的自适应能力，但分类器设计复杂，计算量较大。目前对于真实道路场景中车辆图片的抓拍，如何快速、有效的检测到静态车辆目标，是一个制约智能交通发展的瓶颈问题。

PCNN特征提取技术：

人工神经网络是近几十年新兴的一门学科。它涉及到神经生理学、电子学、计算机科学、数学等多门学科，已经被广泛的应用于人工智能、信息处理、模式识别、自动控制等诸多领域。脉冲耦合神经网络(Pulse-Coupled Neural Network，简称PCNN)是基于对猫的视觉皮层神经元脉冲串同步振荡现象的研究发展而来的神经网络模型，被称为第三代人工神经网络，与传统的人工神经网络模型相比较，因其具有动态神经元、时空总和特性、波的自动传播、同步脉冲发放等特性而备受关注。在PCNN中，具有相似输入的神经元同时发放脉冲，能够弥补输入数据的空间不连贯和幅度上的微小变化，从而较完整的保留图像的区域信息，目前它已被成功的用于图像平滑、图像分割、目标识别、特征提取等方面。这就使得PCNN具有较高的研究价值和更为广阔的应用前景。近年来，PCNN的工作原理和其在图像处理、雷达声纳、电子行业、医药卫生、语音信号处理等领域的应用在国内外受到广泛重视。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种静态车辆目标快速检测方法,该方法基于脉冲耦合神经网络迭代平均熵特征，利用了脉冲耦合神经网络特征提取方法的鲁棒性、快速性以及可移植性，大大的提高了静态车辆目标检测的速度。

本发明解决其技术问题所采用的技术方案是：一种静态车辆目标快速检测方法，包括以下步骤：

1)图像采集：获取交通道路上拍摄的高清车辆图片；

2)图像预处理：把车辆图片大小进行归一化并转化为灰度图；

3)提取熵信息：利用搜索框对图片进行像素级遍历，并提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息；

4)车辆目标粗定位：把局部图片的脉冲迭代平均熵与设定的车辆目标阈值熵进行比较，取脉冲迭代平均熵值大于判定阈值的局部区域图片作为车辆目标粗定位图片，并相应确定车辆目标粗定位区域；

5)确定车辆目标：对车辆目标粗定位图片进行位置关系比较，排除掉重复的图片，保留同一区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；

6)在原始大图像中框出车辆目标，完成车辆目标的定位。

按上述方案，迭代平均熵计算使用脉冲耦合神经网络模型。

按上述方案，所述脉冲耦合神经网络模型是由若干个脉冲耦合神经网络神经元相互连接所构成的反馈型网络，每一个神经元由输入部分、内部调制器和脉冲产生器组成。

按上述方案，所述步骤3)中基于脉冲耦合神经网络的迭代平均熵计算方法为脉冲耦合神经网络模型对输入的图片进行迭代激发，每个迭代周期都能输出一幅二值图像，提取全部二值图像的熵值，形成了图像的PCNN脉冲迭代熵序列特征，把这个特征序列进行加和平均，得到用于车辆判断的脉冲迭代平均熵特征。

按上述方案，所述步骤3)中基于脉冲耦合神经网络的迭代平均熵计算方法的具体步骤如下：

F_ij[n]＝exp(-α_F)F_ij[n-1]+V_FΣM_ijklY_kl[n-1]+I_ij (1)

L_ij[n]＝exp(-α_L)F_ij[n-1]+V_LΣW_ijklY_kl[n-1] (2)

U_ij[n]＝F_ij[n](1+βL_ij[n]) (3)

T_ij[n]＝exp(-α_T)F_ij[n-1]+V_TΣY_klY_kl[n-1] (5)

式(1)中，F_ij[n]为神经元(i,j)的第n次迭代过程中的反馈输入，I_ij是外部刺激信号，α_F为衰减系数，V_F是F_ij[n]的固定电势，内部连接矩阵M中的M_ijkl为Y_kl[n]的加权系数；式(2)中，L_ij[n]线性链接输入，V_L是L_ij[n]的固定电势，α_L为衰减系数，W_ijkl是L_ij[n]中Y_kl[n]的加权系数；式(3)中，U_ij[n]为神经元内部活动项；式(4)与式(5)中，Y_ij[n]为脉冲迭代过程中的像素点输出值，T_ij[n]为动态的门限函数，当U_ij[n]>T_ij[n]时，Y_ij[n]取1，称神经元点火；当U_ij[n]<T_ij[n]时，Y_ij[n]取0，称神经元不点火。在每个迭代周期中都会输出一幅二值图像Y，然后对图像求熵值。

按上述方案，所述步骤3)中搜索框采用多尺寸的搜索框。

本发明还提供一种静态车辆目标快速检测装置，包括：

1)图像采集单元，用于获取交通道路上拍摄的高清车辆图片；

2)图像预处理单元，用于把车辆图片大小进行归一化并转化为灰度图；

3)提取熵信息单元，用于利用搜索框对图片进行像素级遍历，并提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息；

4)车辆目标粗定位单元，用于把局部图片的脉冲迭代平均熵与设定好的车辆目标阈值熵进行比较，取脉冲迭代平均熵值大于判定阈值的局部区域图片作为车辆目标粗定位图片，并相应确定车辆目标粗定位区域；

5)确定车辆目标单元，用于对车辆目标粗定位图片进行位置关系比较，排除掉重复的图片，保留同一区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；

6)定位单元，用于在原始大图像中框出车辆目标，完成车辆目标的定位。

上述方案，所述提取熵信息单元中提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息采用以下方法：脉冲耦合神经网络模型对输入的图片进行迭代激发，每个迭代周期都能输出一幅二值图像，提取全部二值图像的熵值，形成了图像的PCNN脉冲迭代熵序列特征，把这个特征序列进行加和平均，得到用于车辆判断的脉冲迭代平均熵特征；所述脉冲耦合神经网络模型是由若干个脉冲耦合神经网络神经元相互连接所构成的反馈型网络，每一个神经元由输入部分、内部调制器和脉冲产生器组成。

本发明产生的有益效果是：

1.与现有的基于机器视觉的目标识别方法对比，本发明的优势主要是利用了脉冲耦合神经网络特征提取方法的鲁棒性、快速性以及可移植性，且选取了图像的脉冲迭代平均熵这一特征作为车辆判定的依据，大大的提高了静态车辆目标检测的速度。

2.本发明在不影响图像处理速度的前提下，采用多尺寸搜索框对交通道路路口图像进行遍历，实现了多分辨率车辆目标的定位。同时采用了车辆位置关系比较的方法来排除遍历过程中的重复搜索，提高了车辆检测的精度。

3.本发明可应用到嵌入式智能交通系统领域，实现交通道路路口的海量高清车辆抓拍图片的快速处理。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明的静态车辆图片快速检测方法流程图；

图2为本发明的多尺寸搜索框车辆图像遍历定位示意图；

图3为本发明的脉冲耦合神经网络神经元模型示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明所采用的技术方案是：一种基于脉冲耦合神经网络迭代平均熵特征的静态车辆目标快速检测方法，包括以下步骤：

步骤1：获取交通路口拍摄的高清车辆图片；

步骤2：把车辆图片大小进行归一化并转化为灰度图，以提高图像处理的速度；

目前交通路口车辆抓拍图片的像素以200万与500万为主，这样的图片进行遍历处理将影响到图片处理的实时性，因此需要将图片按一定比例进行缩小并转化为灰度图像。以上图像信息的丢失不会影响到脉冲耦合神经网络的处理。

步骤3：利用多尺寸搜索框对图片进行像素级遍历，并提取出每个遍历区域的局部脉冲迭代平均熵信息；

如图2所示，根据实际情况，选择多个尺寸的搜索框对抓拍图片进行遍历，遍历以若干像素点为间隔，对遍历到的局部图片进行PCNN脉冲迭代平均熵提取。

如图3所示，基于脉冲耦合神经网络的迭代平均熵计算方法如下：

F_ij[n]＝exp(-α_F)F_ij[n-1]+V_FΣM_ijklY_kl[n-1]+I_ij (1)

L_ij[n]＝exp(-α_L)F_ij[n-1]+V_LΣW_ijklY_kl[n-1] (2)

U_ij[n]＝F_ij[n](1+βL_ij[n]) (3)

T_ij[n]＝exp(-α_T)F_ij[n-1]+V_TΣY_klY_kl[n-1] (5)

式(1)中，F_ij[n]为神经元(i,j)的第n次迭代过程中的反馈输入，I_ij是外部刺激信号，α_F为衰减系数，V_F是F_ij[n]的固定电势，内部连接矩阵M中的M_ijkl为Y_kl[n]的加权系数；式(2)中，L_ij[n]线性链接输入，V_L是L_ij[n]的固定电势，α_L为衰减系数，W_ijkl是L_ij[n]中Y_kl[n]的加权系数；式(3)中，U_ij[n]为神经元内部活动项；式(4)与式(5)中，Y_ij[n]为脉冲迭代过程中的像素点输出值，T_ij[n]为动态的门限函数，当U_ij[n]>T_ij[n]时，Y_ij[n]取1，称神经元点火；当U_ij[n]<T_ij[n]时，Y_ij[n]取0，称神经元不点火。在每个迭代周期中都会输出一幅二值图像Y，然后对图像求熵值。

图像熵H的定义如公式(6)所示，其中x(i,j)代表图像Y的像元，p(i,j)表示某一灰度级别像元出现的概率。

H(p)＝-Σi,jp(i,j)lnp(i,j) (6)

p(i,j)＝x(i,j)Σi,jx(i,j) (7)

在PCNN脉冲迭代熵特征提取过程中，迭代周期为N，每一个迭代周期内输出的二值图像熵值分别为S₁,S₂……S_N，则基于PCNN模型的脉冲迭代平均熵S可表示为：

脉冲耦合神经网络模型是由若干个脉冲耦合神经网络神经元相互连接所构成的反馈型网络，每一个神经元由输入部分、内部调制器和脉冲产生器组成。PCNN模型能对输入的图片进行迭代激发，每个迭代周期都能输出一幅二值图像，提取这些二值图像的熵值，就形成了图像的PCNN脉冲迭代熵序列特征，把这个特征序列进行加和平均，就得到了本发明中用于车辆判断的脉冲迭代平均熵特征。

步骤4：把局部图片的脉冲迭代平均熵与设定好的车辆目标阈值熵进行比较，取脉冲迭代平均熵值大于判定阈值的局部区域作为车辆目标粗定位区域；

步骤5：对车辆目标粗定位图片进行位置关系比较，排除掉重复图片，保留同一图片区域内脉冲迭代平均熵值最大的车辆图片作为车辆搜索结果；一般可认为以该局部图片为中心的6个搜索框面积为同一图片区域；

因为在图像遍历的过程中采用的是像素级的遍历，所以在步骤4中粗定位到的车辆目标区域中包含有重复搜索的部分，这些重复搜索的区域需要去除。

假设用矩形搜索框遍历整幅图像时，搜索框的长和宽分别为a和b,在遍历过程中，当提取出PCNN脉冲迭代平均熵值S1大于车辆判断阈值时，记下此时搜索框的起始点X1,坐标为(x1,y1)。然后继续遍历图片，如果搜索框中图像的PCNN迭代熵均值大于S1，但是该搜索框的起始点X2的坐标(x2,y2)在(|x₁±b|,|y₁±a|)之间，那么说明此时搜索框与第一次定位的搜索框有重叠。此时需要对搜索框的重叠面积进行判断，若重叠的比例大于设定的阈值，则抛弃掉重叠较多的搜索框，避免重复搜索。因为车辆之间一般存在一定距离，因此当搜索框重叠面积达到搜索框的四分之一时，就可判断为重复搜索，判断公式如下所示：

其中x₂∈|x₁±b|,y₂∈|y₁±a| (9)

此时应选取脉冲迭代平均熵值最大的局部搜索图像作为车辆精定位目标。

步骤6：在原始大图像中框出车辆目标，完成车辆目标的定位。

本发明还提供一种静态车辆目标快速检测装置，包括：

1)图像采集单元，用于获取交通道路上拍摄的高清车辆图片；

2)图像预处理单元，用于把车辆图片大小进行归一化并转化为灰度图；

3)提取熵信息单元，用于利用搜索框对图片进行像素级遍历，并提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息；

4)车辆目标粗定位单元，用于把局部图片的脉冲迭代平均熵与设定好的车辆目标阈值熵进行比较，取脉冲迭代平均熵值大于判定阈值的局部区域图片作为车辆目标粗定位图片，并相应确定车辆目标粗定位区域；

5)确定车辆目标单元，用于对车辆目标粗定位图片进行位置关系比较，排除掉重复的图片，保留同一区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；

6)定位单元，用于在原始大图像中框出车辆目标，完成车辆目标的定位。

其中，提取熵信息单元中提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息采用以下方法：脉冲耦合神经网络模型对输入的图片进行迭代激发，每个迭代周期都能输出一幅二值图像，提取全部二值图像的熵值，形成了图像的PCNN脉冲迭代熵序列特征，把这个特征序列进行加和平均，得到用于车辆判断的脉冲迭代平均熵特征；所述脉冲耦合神经网络模型是由若干个脉冲耦合神经网络神经元相互连接所构成的反馈型网络，每一个神经元由输入部分、内部调制器和脉冲产生器组成。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种静态车辆目标快速检测方法，包括以下步骤：

1)图像采集：获取交通道路上拍摄的高清车辆图片；

2)图像预处理：把车辆图片大小进行归一化并转化为灰度图；

3)提取熵信息：利用搜索框对图片进行像素级遍历，并提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息；

所述步骤3)中迭代平均熵计算使用脉冲耦合神经网络模型，具体为：脉冲耦合神经网络模型对输入的图片进行迭代激发，每个迭代周期都能输出一幅二值图像，提取全部二值图像的熵值，形成了图像的PCNN脉冲迭代熵序列特征，把这个特征序列进行加和平均，得到用于车辆判断的脉冲迭代平均熵特征；所述脉冲耦合神经网络模型是由若干个脉冲耦合神经网络神经元相互连接所构成的反馈型网络，每一个神经元由输入部分、内部调制器和脉冲产生器组成；

4)车辆目标粗定位：把局部图片的脉冲迭代平均熵与设定的车辆目标阈值熵进行比较，取脉冲迭代平均熵值大于目标阈值的局部图片作为车辆目标粗定位图片，并相应确定车辆目标粗定位区域；

5)确定车辆目标：通过对车辆目标粗定位图片进行位置关系比较，排除掉重复的图片，并保留同一图片区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；

6)在原始大图像中框出车辆目标，完成车辆目标的定位。

2.根据权利要求1所述的静态车辆目标快速检测方法，其特征在于，所述步骤3)中搜索框采用多尺寸的搜索框。

3.一种静态车辆目标快速检测装置，包括：

1)图像采集单元，用于获取交通道路上拍摄的高清车辆图片；

2)图像预处理单元，用于把车辆图片大小进行归一化并转化为灰度图；

3)提取熵信息单元，用于利用搜索框对图片进行像素级遍历，并提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息；

所述提取熵信息单元中提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息采用以下方法：使用脉冲耦合神经网络模型对输入的图片进行迭代激发，每个迭代周期都能输出一幅二值图像，提取全部二值图像的熵值，形成了图像的PCNN脉冲迭代熵序列特征，把这个特征序列进行加和平均，得到用于车辆判断的脉冲迭代平均熵特征；所述脉冲耦合神经网络模型是由若干个脉冲耦合神经网络神经元相互连接所构成的反馈型网络，每一个神经元由输入部分、内部调制器和脉冲产生器组成；

4)车辆目标粗定位单元，用于把局部图片的脉冲迭代平均熵与设定好的车辆目标阈值熵进行比较，取脉冲迭代平均熵值大于判定阈值的局部区域图片作为车辆目标粗定位图片，并相应确定车辆目标粗定位区域；

5)确定车辆目标单元，用于对车辆目标粗定位图片进行位置关系比较，排除掉重复的图片，保留同一区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；

6)定位单元，用于在原始大图像中框出车辆目标，完成车辆目标的定位。

4.根据权利要求3所述的静态车辆目标快速检测装置，其特征在于，所述提取熵信息单元中搜索框为多尺寸的搜索框。