CN105469115B - 基于统计特征的昼夜图像识别方法 - Google Patents

Abstract

本发明公开了一种基于统计特征的昼夜图像识别方法，首先，将图像转换为亮度图像，然后根据亮度图像的平均亮度获得亮度特征、根据亮度图像的暗像素比例获得暗像素特征、根据亮度图像的暗边缘数获得暗边缘特征、根据亮度图像的亮像素比例获得亮像素特征，根据亮度图像的光源离心率获得光源特征五种特征，然后利用对应的参数、融合算法及判断标准识别图像类型。本发明昼夜图像识别方法不仅能准确、无差别地识别图像类型，对检测图像要求较低，检测图像类型不受地域和时间限制，而且识别时间较短。且还可减少实际应用中基于硬件检测带来的成本、维护费用等负担，本发明在人工智能、模式识别、目标检测等领域有广泛的应用前景。

Description

基于统计特征的昼夜图像识别方法

技术领域

本发明涉及一种计算机图像处理方法，尤其涉及一种昼夜图像识别方法。

背景技术

由于光照、温度等环境条件的差异，昼夜图像的亮度、对比度、饱和度等存在较大差别，从而在基于图像进行目标识别、图像复原等领域的算法，昼夜差别较大，这给实际问题中需要连续工作的系统如智能交通系统中的行人检测、低空航拍系统中雾霾自动去除等带来极大困难，因此昼夜图像识别问题在计算机视觉应用领域和数字图像处理领域亟待解决。

现有的昼夜区分方法主要有时间判定法、特征物体状态法和光感元件探测法。其中时间判断法是利用时间判断昼夜，方法简单，但无法适应阴雨天对照度的影响，且由于时间、地理位置的差异，无法适应同一地点不同季节和同一季节的不同地域。特征物体状态法是通过检测场景中特征物体的状态判断昼夜，如路灯的开闭等，虽然能满足街道、路口等场景，但对于不含明显特征物体的场景基本无效。光感元件探测法是通过光感元器件探测到的照度等特征判断昼夜，准确度高，但元器件寿命有限，敏感度会随着年限的增加而降低，且容易损坏，成本高等。对于特定场景，除以上算法外，还有一些特殊的算法，如针对交通视频提出的基于统计学习的昼夜识别算法^[1-2]，根据交通视频背景固定的特点，利用图像的灰度特征和视频的变化性，不断学习得到时间和亮度的关系，进而判断昼夜，准确度较高，但仅仅对固定背景的视频有效，使用范围受限。利用图像或视频的能见度间接识别昼夜图像的方法^[3-6]，虽然能准确估算能见度，但能见度高低并不能与昼夜划等号，对于图像复原，昼夜图像退化的成像模型并不相同，因此利用能见度进行昼夜识别借鉴度不高。杨权等提出的基于灰度直方图的时段检测算法^[7]，通过对交通视频中含有人工设置目标物的典型数据分析发现：图像的灰度均值、标准差、扭曲度和熵等特征在昼夜过度时间段存在差异，并没有考虑普通图像视频中人工光源的影响，且经试验发现，这些特征差异仅对典型图像有效，对一般图像区分效果不明显。此外利用墨卡托投影判断昼夜的方法^[8]，虽能能有效判断一个地区所属昼夜半球，但无法满足实际中判断条件是图像或视频的情况。

而实际应用中，昼夜图像的获取时间、地点等均不确定，特征物体的有无、搜索复杂性难以预测，对特征物体的搜索实现智能化难度较大，图像背景的变化更是变化无常。此外，相比于利用成本和维护费用昂贵的硬件检测，基于图像处理的识别算法更加引人入目，且更符合国家和广大纳税人的利益。因此，以上方法均无法满足实际应用的广泛需求。

[参考文献]

[1]祁磊,周超英,曹泉,向怀坤,刘建伟.基于图像统计学习进行昼夜区分的算法研究[J].公路交通科技,2007,24(2):118-121。

[2]胡家兴,陈燕,张力为,等.图像统计学习进行昼夜区分的算法[J].大连海事大学学报,2006,02期:82-85。

[3]张潇,李勃,陈启美.基于亮度特征的PTZ视频能见度检测算法及实现[J].仪器仪表学报,2011,第2期:381-387。

[4]杨娴,李勃,丁文,等.基于路面亮度特征估算的视频能见度检测系统[J].上海交通大学学报,2013,08期(08):1257-1263。

[5]吴炜,李勃,杨娴,等.基于路面视亮度差平方最优化的视频能见度检测算法[J].电子与信息学报,2014,第10期:2412-2418。

[6]安明伟,陈启美,郭宗良.基于路况视频的气象能见度检测方法与系统设计[J].仪器仪表学报,2010,第5期:1148-1153。

[7]杨权,黄山,张洪斌,等.基于纹理特征的能见度测量时段区分方法[J].现代电子技术,2008,第23期:192-194。

[8]张昆,张松林.墨卡托投影中区分昼夜半球的方法与实现[J].华中师范大学学报：自然科学版,2013,第4期:587-590。

发明内容

针对上述问题，本发明提出一种基于统计的昼夜图像识别方法，利用昼夜图像的特征差异实现对图像的无差别识别。首先，统计图像库中大量昼夜图像的平均亮度、暗像素比例、暗边缘、亮像素和光源等特征；然后，通过统计数据得到单个特征的统计结果，利用拟合法得到对应特征的特征阈值及其对应的正确率；最后，利用多个特征的特征阈值和区分准确率，结合各个特征的特点，通过将昼夜图像的差异量化，融合得到昼夜图像识别方法，本发明昼夜图像识别方法不仅能准确、无差别地识别图像类型，而且识别时间较短，基本能够满足实际生活中对系统实时性的要求。

为了解决上述技术问题，本发明提出的一种基于统计特征的昼夜图像识别方法，包括以下步骤：

步骤1：输入图像I，转换得到亮度图像I_{light_img}；

步骤2：该亮度图像I_{light_img}的平均亮度img_{mean_luminance}为：

img_{mean_luminance}＝mean(mean(I_{light_img})) (1)

利用亮度图像I_{light_img}的平均亮度img_{mean_luminance}得到亮度特征L₁：

式(2)中，m₁＝90，σ₁＝0.86；

步骤3：获取亮度图像I_{light_img}的暗像素比例img_{percent_darkpixel}；

式(3)中，M,N为亮度图像I_{light_img}的长和宽，(i,j)为像素的坐标，ε为阶跃函数，

利用暗像素比例img_{percent_darkpixel}得到暗像素特征L₂：

式(4)中，m₂＝0.2，σ₂＝0.88；

步骤4：获取亮度图像I_{light_img}的暗边缘数img_{dark_bian}；

式(5)中，bian_i为图像的第i条边；进而得到图像I的暗边缘特征L₃：

L₃＝(img_{dark_bian}-m₃)×σ₃ (6)

式(6)中，m₃＝0.5，σ₃＝0.90；

步骤5：获取亮度图像I_{light_img}的亮像素比例img_{percent_lightpixel}；

与该亮像素比例对应的亮像素特征L₄如下：

L₄＝-ε(img_{percent_lightpixel}-m₄) (8)

式(8)中，m₄＝0.3115；

步骤6：获取含光源特征的二值图像的光源离心率img_{min_e}；

利用离心率img_{min_e}得到对应的光源特征L₅：

L₅＝ε(m₅-img_{min_e}) (9)

其中m₅＝0.44；

步骤7：利用基于亮度图像I_{light_img}得到的亮度特征L₁、暗像素特征L₂、暗边缘特征L₃、亮像素特征L₄和光源特征L₅融合得到昼夜图像识别参考值Drv：

步骤8：通过该昼夜图像识别参考值Drv判断图像类别：当Drv为正时，判断图像I为夜晚图像，反之为白天图像。

与现有技术相比，本发明的有益效果是：

本发明改进了传统的仅仅根据亮度特征进行统计学习的昼夜图像识别方法，充分利用昼夜图像的平均亮度、暗像素比例、暗边缘、亮像素和光源等特征差异，被检测图像不受地域、时间限制，极大程度上增加了该昼夜图像识别方法的应用范围和实用性。

本发明昼夜图像识别方法不仅充分利用昼夜图像的特征差异，有效识别昼夜图像，而且算法简单，检测时间短，基本能够满足实际应用的要求，此外本发明图像识别方法对检测图像要求较低，检测图像类型不受地域和时间限制，且由于未利用硬件进行辅助识别，因此还可减少实际应用中基于硬件检测带来的成本、维护费用等负担，所以在人工智能、模式识别、目标检测等领域有广泛的应用前景。

附图说明

图1是本发明昼夜图像识别方法框图；

图2(a)至图2(f)是本发明具体实施例中的各特征图像，其中：

图2(a)是白天图像亮通道(无暗边缘)；

图2(b)是白天图像对应的暗像素图像；

图2(c)是白天图像对应的亮区域图像；

图2(d)是夜晚图像对应的亮通道(含暗边缘)；

图2(e)是夜晚图像对应的暗像素图像；

图2(f)是夜晚图像对应的光源图像；

图3(a)至图3(e)是本发明具体实施例中的各统计特征，其中：

图3(a)是亮度；

图3(b)是暗像素比例；

图3(c)是亮区域面积；

图3(d)是暗边缘数；

图3(e)是离心率；

图4是不同特征相组合的准确率。

具体实施方式

下面结合附图和具体实施例对本发明技术方案作进一步详细描述，所描述的具体实施例仅对本发明进行解释说明，并不用以限制本发明。

本发明基于统计特征的昼夜图像识别方法涉及到如下基本理论：

图像亮度的定义如下：

其中，φ为光通量；Ω是立体角；θ是给定方向与单位面积元ds法线方向的夹角；

亮度与发光体(反光体)表面发光(反光)的强度成正比，即L∝φ，假设物体的反射率R和入射角度θ不变，则物体的反射光φ与入射光强度l成正比，即φ∝l，因此L∝l，即物体的亮度与入射光强度成正比。白天场景入射光光源一般为太阳，照射范围广、入射光强度大，因此光线可在空气中经无数次反射、折射和散射，全裸物体的入射角近似覆盖360°，贴地物体的入射角近似覆盖180°。夜间入射光源一般为人工光源，照射范围小、入射光强度有限，因此光线仅覆盖场景中的部分物体，且光线的入射角覆盖范围较小。所以，当图像采集设备处于固定位置时，白天图像整体亮度较小，夜间图像整体亮度较大。亮度差异是昼夜图像最明显的区分特征。此外，白天图像中一般不含光源，而夜间图像一般含有光源，所以通过光源的检测亦可有效区分昼夜图像。假设夜间光源为球形光源，则可利用亮度和离心率两个特征检测光源，从而识别图像所处状态。

综上所述，利用图像的亮度特征和光源特征在理论上可有效识别昼夜图像。

本发明基于统计特征的昼夜图像识别方法的设计思路是：由于阴雨天气、明亮夜晚或多光源等对图像的影响，仅仅利用图像的平均亮度和光源无法准确区分图像类型，因此，本发明昼夜图像识别方法的其实质内容是：如图1所示，将图像转换为亮度图像，然后根据亮度图像的平均亮度获得亮度特征L₁、根据亮度图像的暗像素比例获得暗像素特征L₂、根据亮度图像的暗边缘数获得暗边缘特征L₃、根据亮度图像的亮像素比例获得亮像素特征L₄，根据亮度图像的光源离心率获得光源特征L₅五种特征，然后利用对应的参数、融合算法及判断标准识别图像类型。

本发明提出的基于统计特征的昼夜图像识别方法，具体步骤如下：

步骤1：输入图像I，转换得到亮度图像I_{light_img}；

步骤2：该亮度图像I_{light_img}的平均亮度img_{mean_luminance}为：

img_{mean_luminance}＝mean(mean(I_{light_img})) (1)

利用亮度图像I_{light_img}的平均亮度img_{mean_luminance}得到亮度特征L₁：

式(2)中，m₁＝90，σ₁＝0.86；

步骤3：获取亮度图像I_{light_img}的暗像素比例img_{percent_darkpixel}；

式(3)中，M,N为亮度图像I_{light_img}的长和宽，(i,j)为像素的坐标，ε为阶跃函数，

利用暗像素比例img_{percent_darkpixel}得到暗像素特征L₂：

式(4)中，m₂＝0.2，σ₂＝0.88；

步骤4：获取亮度图像I_{light_img}的暗边缘数img_{dark_bian}；

式(5)中，bian_i为图像的第i条边；进而得到图像I的暗边缘特征L₃：

L₃＝(img_{dark_bian}-m₃)×σ₃ (6)

式(6)中，m₃＝0.5，σ₃＝0.90；

步骤5：获取亮度图像I_{light_img}的亮像素比例img_{percent_lightpixel}；

与该亮像素比例对应的亮像素特征L₄如下：

L₄＝-ε(img_{percent_lightpixel}-m₄) (8)

式(8)中，m₄＝0.3115；

步骤6：获取含光源特征的二值图像的光源离心率img_{min_e}；

利用离心率img_{min_e}得到对应的光源特征L₅：

L₅＝ε(m₅-img_{min_e}) (9)

其中m₅＝0.44；

步骤7：利用基于亮度图像I_{light_img}得到的亮度特征L₁、暗像素特征L₂、暗边缘特征L₃、亮像素特征L₄和光源特征L₅融合得到昼夜图像识别参考值Drv(distinguish referencevalues)：

步骤8：通过该昼夜图像识别参考值Drv判断图像类别：当Drv为正时，判断图像I为夜晚图像，反之为白天图像。

为验证本发明昼夜图像识别方法的有效性和实用性，首先对典型昼夜图像的特征图像进行分析，如图2(a)至图2(f)所示。

典型白天图像平均亮度高、无暗边缘、暗像素比例低、含大面积亮像素且无光源；典型夜晚图像平均亮度低、有暗边缘、暗像素比例高、无大面积亮像素且含光源。

其次，特构造图像库，其中昼夜图像副数分别为120和143，统计昼夜图像的五种特征，结果如图3(a)至图3(e)所示本发明具体实施例中的各统计特征，其中：昼夜图像的亮度均值区分较为明显，利用拟合法得到的90线比较合理；大部分夜间图像暗像素比例较高，白天图像暗像素比例较低，利用拟合法得到的0.2阈值合理；白天图像大多不含暗边缘，而夜间图像大多含有暗边缘，且有相当一部分的暗边缘数达到3以上；而对于最大亮区域面积(即亮像素特征)，昼夜图像区分不太明显，但夜间图像的最大亮区域面积最高可达31％，60％以上白天图像的最大亮区域面积在此数值以上，同样对于“类似光源”的离心率的统计中，白天图像中检测到的“类似光源”中不存在低于0.44的离心率，而夜间图像中则含有离心率低于0.44的“类似光源”，因此利用亮像素特征和光源特征(亮度与离心率的结合)可进一步识别昼夜图像，增加识别准确度。

然后，为了验证各种特征对图像识别的贡献，利用不同特征组合对图像库中昼夜图像进行识别，结果如图4所示。由图4可知，任意方法组合的检测结果都优于单独一种方法的检测，五种特征对检测准确率的贡献有交集也有互补。此外融合的特征越多，识别率越高，当融合五种特征进行检测时，准确率最高。在假设白天图像中不含球形光源，夜晚图像的光源为球形光源成立的基础上，并将对类似“夜晚”的大片暗区域图像、类似于人工光源的落日图像视为夜间图像，则检测准确率可达98％以上。

最后，为了验证本发明昼夜图像识别方法的实时性，对一组460×650大小的昼夜图像进行检测，平均检测时间少于0.5秒。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (1)

1.一种基于统计特征的昼夜图像识别方法，其特征在于，包括以下步骤：

步骤1：输入图像I，转换得到亮度图像I_{light_img}；

步骤2：该亮度图像I_{light_img}的平均亮度img_{mean_luminance}为：

img_{mean_luminance}＝mean(mean(I_{light_img})) (1)

利用亮度图像I_{light_img}的平均亮度img_{mean_luminance}得到亮度特征L₁：

式(2)中，m₁＝90，σ₁＝0.86；

步骤3：获取亮度图像I_{light_img}的暗像素比例img_{percent_darkpixel}；

式(3)中，M,N为亮度图像I_{light_img}的长和宽，(i,j)为像素的坐标，ε为阶跃函数，

利用暗像素比例img_{percent_darkpixel}得到暗像素特征L₂：

式(4)中，m₂＝0.2，σ₂＝0.88；

步骤4：获取亮度图像I_{light_img}的暗边缘数img_{dark_bian}；

式(5)中，bian_i为图像的第i条边；进而得到图像I的暗边缘特征L₃：

L₃＝(img_{dark_bian}-m₃)×σ₃ (6)

式(6)中，m₃＝0.5，σ₃＝0.90；

步骤5：获取亮度图像I_{light_img}的亮像素比例img_{percent_lightpixel}；

与该亮像素比例对应的亮像素特征L₄如下：

L₄＝-ε(img_{percent_lightpixel}-m₄) (8)

式(8)中，m₄＝0.3115；

步骤6：获取含光源特征的二值图像的光源离心率img_{min_e}；

利用离心率img_{min_e}得到对应的光源特征L₅：

L₅＝ε(m₅-img_{min_e}) (9)

其中m₅＝0.44；

步骤7：利用基于亮度图像I_{light_img}得到的亮度特征L₁、暗像素特征L₂、暗边缘特征L₃、亮像素特征L₄和光源特征L₅融合得到昼夜图像识别参考值Drv：

步骤8：通过该昼夜图像识别参考值Drv判断图像类别：当Drv为正时，判断图像I为夜晚图像，反之为白天图像。