CN104615989B - 一种室外昼夜区分方法 - Google Patents

一种室外昼夜区分方法 Download PDF

Info

Publication number
CN104615989B
CN104615989B CN201510060825.7A CN201510060825A CN104615989B CN 104615989 B CN104615989 B CN 104615989B CN 201510060825 A CN201510060825 A CN 201510060825A CN 104615989 B CN104615989 B CN 104615989B
Authority
CN
China
Prior art keywords
image
night
label
file
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510060825.7A
Other languages
English (en)
Other versions
CN104615989A (zh
Inventor
马华东
傅慧源
靳龙飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201510060825.7A priority Critical patent/CN104615989B/zh
Publication of CN104615989A publication Critical patent/CN104615989A/zh
Application granted granted Critical
Publication of CN104615989B publication Critical patent/CN104615989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种室外昼夜区分方法，包括训练支持向量机和识别图像两个过程：训练支持向量机包括采集连续多天的图像、获取每幅图像的平均亮度值及亮度直方图、获取特征描述文件和标签描述文件、使用特征描述文件和标签描述文件训练支撑向量机得到分类器；识别图像包括如下步骤：获取待识别图像的特征描述子、将待识别图像的特征描述子送入S4得到的分类器输出识别结果。本发明选取的描述图像的特征能够有效地区分昼夜，对图像质量的要求不高，具有很高的识别率和鲁棒性，从而大大拓宽了实际应用范围；本发明通过对错误样本的再训练，不断更新支持向量机，有效提高了识别准确率，具有很高的实际应用价值。

Description

一种室外昼夜区分方法
技术领域
本发明涉及计算机视觉识别领域，具体为一种室外昼夜区分方法。
背景技术
智能视频监控系统，是利用计算机视觉技术对视频或图像信号进行处理、分析的系统，在不需要人为干预的情况下，通过对序列图像自动分析对监控场景中的变化进行定位、识别和跟踪，并在此基础上分析和判断目标的行为。然而，在夜晚时，环境中的光线较暗，所获取的视频或者图像很可能是模糊的、含有大量噪声的，此时，为提高其清晰度，需要对夜晚条件下的低质量视频或者图像进行增强。
但是，智能视频监控系统无法判断出某个时刻室外是白天或者夜晚，因而其并不清楚是否应该进行图像增强。因此，智能视频监控系统准确地区分室外昼夜的方法成为了本领域技术人员追求的目标。
目前，有人提出了如下区分室外昼夜的方法：
一、通过设定特定的时间长度区分昼夜：比如，从早上5点到下午6点为昼、其与时间为夜。但这种方法的适应性较差，因为在不同的季节、不同的时区，昼夜变化时间是不同的，而且即使在相同的季节和时区，受天气因素的影响，图像的明亮程度也会发生改变，因此这种方法不符合实际需要。
二、通过检测图像中的特征物区分昼夜：常用的特征物是路灯，若检测路灯是亮的，则此时室外为夜；若检测路灯是灭的，则此时室外为昼。但是，这种方法的依赖性太强，如果特征物损坏或者没有特征物，就无法区分昼夜，因此，这种方法的鲁棒性很差。
三、通过光敏元件检测图像的光照亮度区分昼夜：光敏元件采用光、电技术实现对图像的光照亮度进行检测，从而区分昼夜。但是光敏元件容易受损进而检测精度降低，其维修成本较高，因此，这种方法的实用性较差。
发明内容
为解决现有技术中缺陷，本发明了提供了一种室外昼夜区分方法，智能视频监控系统通过该方法可自动地判断其所监控的环境处在白天或者黑夜，然后有选择的处理相应的视频或者照片。
为实现上述目的，本发明的一种室外昼夜区分方法，包括训练支持向量机和识别图像两个过程。
训练支持向量机包括如下步骤：
S1：采集连续多天的图像，记录每幅图像表示的昼夜情况，按照其表示的昼夜情况将图像分别存入“白天”、“夜晚”两个目录下；
S2：获取每幅图像的平均亮度值、亮度直方图，构成一维向量，某个图像的一维向量作为该图像的特征描述子；
S3：将所有图像的特征描述子写入到特征描述文件，并对应地将上述所有图像的“昼”标签/“夜”标签写入到标签描述文件；
S4：使用特征描述文件和标签描述文件训练支撑向量机，得到分类器；
识别图像包括如下步骤：
S5：获取待识别图像的特征描述子；
S6：将待识别图像的特征描述子送入S4得到的分类器中，输出识别结果。
收集大量的图像样本，获取这些图像的特征描述子，通过特征描述子及其对应的昼夜情况训练支持向量机，以此得到用于分类的费雷器。该方法识别率高、鲁棒性好、效率高，实用价值较高。
进一步地，S1步骤中，采集连续30天的图像，每天采集24幅图像，每小时采集一幅。
每天等时间间隔地获取图像，能够获取全面、大量的图像样本，为训练支持向量机做好充足的准备。
为进一步提高识别效果，若S6输出错误的识别结果，则修改标签描述文件中相应的标签。因此，本方法随着长时间的使用，识别率会越来越高，可靠性越来越高。
进一步地，S3步骤中，“1”代表“昼”，“-1”代表“夜”。
采用简单的数字“1”、“-1”分别表示“昼”“夜”，便于支持向量机处理。
进一步地，特征描述文件、标签描述文件都为文本文件。
文本文件在计算机中便于保存，便于后续对这些文件处理，数据和程序容易移植。
本发明的有益效果为：首先，本发明选取的描述图像的特征能够有效地区分昼夜，对图像质量的要求不高，具有很高的识别率和鲁棒性，从而大大拓宽了实际应用范围；其次，本发明采用SVM算法构建支持向量机，效率高，检测迅速，能满足实时性的需求；最后，本发明通过对错误样本的再训练，不断更新支持向量机，有效地提高了识别准确率，并且能更好地适用于多种场景，具有很高的实际应用价值。
附图说明
图1为本发明的室外昼夜区分方法的流程框图。
图2为一天24时刻室外图像的平均亮度值的分布图。
图3为某天白天场景的亮度直方图。
图4为某天夜晚场景的亮度直方图。
具体实施方式
下面结合附图对本发明的结构进行详细解释说明。
如图1所示本发明的室外昼夜区分方法的流程框图，一种室外昼夜区分方法，包括训练支持向量机和识别图像两个过程，
训练支持向量机包括如下步骤：
S1：采集连续多天的图像，记录每幅图像表示的昼夜情况，按照其表示的昼夜情况将图像分别存入“白天”、“夜晚”两个目录下；采集的图像样本用于后期的训练样本，每天的图像按时段划分，本实施例中，每天分成24个时段，每天采集24幅图像，每小时采集一幅，连续采集30天。
S2：获取每幅图像的平均亮度值、亮度直方图，构成一维向量，某个图像的一维向量作为该图像的特征描述子；特征描述子是对图像自身特征的一种描述形式，本发明某幅图像的特征描述子是由图像平均亮度值、亮度直方图构成一维向量。
具体来说，亮度值的范围是0-255，本发明将亮度值划分成10个区间，从0开始，前9个区间的区间间隔为25，最后1个区间的区间间隔为30，通过统计图像中所有像素点的亮度值，可以得到每个区间的像素点数量，以及每个区间的像素点数量在整幅图像中所占的比例，该十个比例值作为图像的一个特征描述。
将图像的平均亮度值、十个比例值构成一个一维向量，作为图像的特征描述子。
如图2所示，本实施例设定早晨6:00和傍晚19:00左右为昼夜交替点，可以明显看出，白天图像相对于夜晚图像，亮度值普遍较高，因此，本发明提取图像的平均亮度值作为图像的一种特征描述。
首先，图像是由R、G、B三个分量组成并存储在计算机中，我们需要根据图像的RGB值来计算该图像的亮度值。
RGB色彩模式是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。通常情况下，RGB各有256级亮度，用数字表示为从0、1、2...直到255。当三色数值都为255时为最亮的白色，都为0时为黑色。
国际电信联盟ITU-R BT.601-6建议书中定义亮度Y的计算公式为：
Y＝0.299·R+0.587·G+0.114·B
由上述公式，我们可以求得第i个像素点的亮度值为
Y(i)＝0.299·R(i)+0.587·G(i)+0.114·B(i)
设图像共有n个像素点，则该图像的平均亮度值为
从附图2可以看出，白天图像的平均亮度值基本在95以上，夜晚图像的平均亮度值基本在82以下。
如图3、4所示白天、夜晚场景的亮度直方图，亮度直方图是亮度级的函数，它表示图像中具有某种亮度级的像素的个数，反映了图像中某种亮度出现的频率。在夜晚，由于没有自然光照明，需要有人造光源照明，才能使场景显现出来，这样往往使得场景的光照不均匀，有些区域处于高照度光照环境，有些区域处于低照度光照环境，还有些区域几乎没有照明，形成纯粹的黑暗区域。从附图3、4可以看出，白天场景的亮度值集中在亮度直方图的中间区域，而夜晚场景的亮度值集中在直方图的前端，当路面光线比较明亮或者车灯比较多的时候，亮度值则集中在直方图的两端。
S3：将所有图像的特征描述子写入到特征描述文件，并对应地将上述所有图像的“昼”标签/“夜”标签写入到标签描述文件；通过这种方式建立图像的特征描述与其真实昼夜情况的一一映射。将“白天”或“夜晚”两个类别中的所有训练集图像的特征描述子写入一个文本文件，每幅图像一行，此文件为图像的特征描述文件。最后，把每幅图像的真实昼夜类别写入另一个文本文件，每幅图像一行，“1”代表“白天”，“-1”代表“夜晚”，此文件为图像的标签描述文件。需要说明的是，两个文件中的图像要一一对应，顺序不能错乱。例如，图像的特征描述文件的第一行是“白天”类别中图像1的特征描述子，相应地，图像的标签描述文件的第一行是应该是“白天”类别中图像1的真实昼夜类别，如前所述，应为“1”。图像特征向量记为F，则n幅训练集图像的特征向量构成了一个特征空间S＝{Fi|i＝1,2,…,n}，该特征空间包含“白天”或“夜晚”两个类别的特征向量。
S4：使用特征描述文件和标签描述文件训练支撑向量机，得到分类器；
识别图像包括如下步骤：
S5：获取待识别图像的特征描述子；也就是获取待识别图像的平均亮度值、亮度直方图进而构成一维向量，得到特征描述子。
S6：将待识别图像的特征描述子送入S4得到的分类器中，输出识别结果，判断出待识别图像处在“白天”或者“夜晚”。如果此时输出错误的识别结果，则修改标签描述文件中相应的标签。比如，将“白天”的图像识别为“夜”，则将其标签描述文件中的对应标签修改为“昼”，也就是“1”；，将“夜晚”的图像识别为“昼”，则将其标签描述文件中的对应标签修改为“夜”，也就是“-1”。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明实质内容上所作的任何修改、等同替换和简单改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种室外昼夜区分方法，包括训练支持向量机和识别图像两个过程，其特征在于：
训练支持向量机包括如下步骤：
S1：采集连续多天的图像，记录每幅图像表示的昼夜情况，按照其表示的昼夜情况将图像分别存入“白天”、“夜晚”两个目录下；
S2：获取每幅图像的平均亮度值、亮度直方图，构成一维向量，某个图像的一维向量作为该图像的特征描述子；
S3：将所有图像的特征描述子写入到特征描述文件，并对应地将上述所有图像的“昼”标签/“夜”标签写入到标签描述文件；
S4：使用特征描述文件和标签描述文件训练支撑向量机，得到分类器；
识别图像包括如下步骤：
S5：获取待识别图像的特征描述子；
S6：将待识别图像的特征描述子送入S4得到的分类器中，输出识别结果。
2.根据权利要求1所述的室外昼夜区分方法，其特征在于：S1步骤中，采集连续30天的图像，每天采集24幅图像，每小时采集一幅。
3.根据权利要求1所述的室外昼夜区分方法，其特征在于：若S6输出错误的识别结果，则修改标签描述文件中相应的标签。
4.根据权利要求1所述的室外昼夜区分方法，其特征在于：S3步骤中，“1”代表“昼”，“-1”代表“夜”。
5.根据权利要求1所述的室外昼夜区分方法，其特征在于：特征描述文件、标签描述文件都为文本文件。
CN201510060825.7A 2015-02-05 2015-02-05 一种室外昼夜区分方法 Active CN104615989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510060825.7A CN104615989B (zh) 2015-02-05 2015-02-05 一种室外昼夜区分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510060825.7A CN104615989B (zh) 2015-02-05 2015-02-05 一种室外昼夜区分方法

Publications (2)

Publication Number Publication Date
CN104615989A CN104615989A (zh) 2015-05-13
CN104615989B true CN104615989B (zh) 2018-06-15

Family

ID=53150426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510060825.7A Active CN104615989B (zh) 2015-02-05 2015-02-05 一种室外昼夜区分方法

Country Status (1)

Country Link
CN (1) CN104615989B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469115B (zh) * 2015-11-25 2018-09-18 天津大学 基于统计特征的昼夜图像识别方法
CN109190608A (zh) * 2018-10-30 2019-01-11 长威信息科技发展股份有限公司 一种城市违章智能识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508907A (zh) * 2011-11-11 2012-06-20 北京航空航天大学 一种基于训练集优化的推荐系统的动态推荐方法
CN103065154A (zh) * 2012-12-13 2013-04-24 华中科技大学 一种提高二分类支持向量机分类精度的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8457414B2 (en) * 2009-08-03 2013-06-04 National Instruments Corporation Detection of textural defects using a one class support vector machine

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508907A (zh) * 2011-11-11 2012-06-20 北京航空航天大学 一种基于训练集优化的推荐系统的动态推荐方法
CN103065154A (zh) * 2012-12-13 2013-04-24 华中科技大学 一种提高二分类支持向量机分类精度的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于图像统计学习进行昼夜区分的算法研究;祁磊等;《公路交通科技》;20070228;第24卷(第2期);第118-121页 *
基于支持向量机的空白试卷识别方法;贾志先;《山西大学学报(自然科学版)》;20111231;第34卷(第3期);第351-356页 *
基于纹理特征的能见度测量时段区分方法;杨权等;《现代电子技术》;20081231(第23期);第192-194页 *
基于视觉显著性的交通标志检测与识别方法研究;虎亚玲;《中国优秀硕士学位论文全文数据库 信息科技辑》;20121015(第10期);论文第五章 *
基于视频的车辆检测与跟踪算法的研究与实现;刘汉艳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120615(第6期);论文第五章 *

Also Published As

Publication number Publication date
CN104615989A (zh) 2015-05-13

Similar Documents

Publication Publication Date Title
US8036427B2 (en) Vehicle and road sign recognition device
CN106780438B (zh) 基于图像处理的绝缘子缺陷检测方法及系统
CN109087254B (zh) 无人机航拍图像雾霾天空和白色区域自适应处理方法
CN103177445B (zh) 基于分段阈值图像分割及光斑识别的室外番茄识别方法
WO2021189782A1 (zh) 图像处理方法、系统、自动行走设备及可读存储介质
CN101916431A (zh) 一种低照度图像数据处理方法及系统
CN109584258B (zh) 草地边界识别方法及应用其的智能割草装置
CN110097510B (zh) 一种纯色花朵识别方法、装置及存储介质
JP2007164737A (ja) 色識別方法
CN104318266A (zh) 一种图像智能分析处理预警方法
CN104615989B (zh) 一种室外昼夜区分方法
CN109726669A (zh) 基于对抗网络的不同光照条件下行人再识别数据生成方法
CN110399785B (zh) 一种基于深度学习与传统算法的树叶遮挡的检测方法
CN104574377A (zh) 用于电子警察的红灯偏黄的校正方法
CN111612797B (zh) 一种水稻图像信息处理系统
CN114266893A (zh) 烟火隐患识别方法和设备
CN104636716B (zh) 绿色果实识别方法
Hussain et al. Max-RGB based colour constancy using the sub-blocks of the image
KR101370545B1 (ko) 자동적인 영상데이터 분석에 기초하여 선택적으로 영상개선처리를 수행하는 방법
CN104660954A (zh) 低照度场景下基于背景建模的图像亮度提升方法及装置
CN109948543A (zh) 一种田间近景图像的导航线提取方法
CN113615423A (zh) 一种新型植物生长灯控制方法及系统
WO2013114802A1 (ja) 画像処理装置及びその画像処理方法、並びにコンピュータ・プログラム、および画像処理システム
CN112364795B (zh) 一种号灯自动识别及两船会遇态势感知方法
CN109584301A (zh) 一种非均一颜色果实区域的获取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant