CN106056129A - 一种融合多种特征的监控视频图像过曝光区域检测方法 - Google Patents

Abstract

本发明公开了一种融合多种特征的监控视频图像过曝光区域检测方法，它涉及图像处理技术领域。其步骤为：输入训练图像，要求训练图像中的每个像素点都已标记，训练样本中过曝光点标记为1，非过曝光点标记为0，对训练图像进行颜色空间转换分别生成输入训练图像的灰度信息L图和颜色信息a图和b图，利用所求得的分类器模型对待检测图像中过曝光点和非过曝光点进行分类，结果图输出。本发明实现了对图像中过曝光区域的检测，符合人眼对图像过曝光区域的视觉感知，有利于监控摄像机对过曝光现象的检测，易于推广使用。

Description

一种融合多种特征的监控视频图像过曝光区域检测方法

技术领域

本发明涉及的是图像处理技术领域，具体涉及一种融合多种特征的监控视频图像过曝光区域检测方法。

背景技术

所谓动态范围，指的是现实环境中光照亮度级的最大和最小的亮度值的比值，现实世界中光的动态范围是很大的，比如在户外阳光充足的中午时分的比例可能在105到109之间，即使是在一般的室内环境亮度范围也在1500左右。当前的普通照相机或摄像机能捕捉到的光亮的动态范围是非常有限的，一般是1000∶1，因此在用照相机或监控摄像机摄取图像时过曝光现象是不可避免的，一般将过曝光现象定义为当图像中由于亮度的动态范围较大，图像的细节信息损失较大，比如图像的颜色信息、纹理信息等，此时图像中就存在过曝光的问题。

过曝光问题常常出现在交通监控摄像机所拍摄的图像中，特别是黑暗环境下所拍摄的车辆图像往往存在过曝光现象，导致车牌等信息丢失，这是一个常见的问题。为了对过曝光问题进行处理，通常的做法是先用HDR(High Dynamic Range)算法获取同一场景多幅不同曝光值的图像，再利用图像配准技术使多幅图像中的不同曝光值的同一像素得到配准融合，最后再通过色调映射技术将图像映射到LDR(Low Dynamic Range)图像，但该做法需要多幅同一场景图像，摄取的HDR图像效果未必就好，过曝光区域的信息还可能会丢失。

目前对图像中过曝光检测方法有两种，分别是亮度阈值法和LC算法。亮度阈值法的缺陷在于将非过曝光区域也检测为过曝光区域，出现过度检测的问题；LC算法检测的过曝光点不够集中，没有形成整块连通的过曝光区域，不利于监控摄像机对过曝光的检测。

为了解决上述问题，设计一种新型的融合多种特征的监控视频图像过曝光区域检测方法还是很有必要的。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供一种融合多种特征的监控视频图像过曝光区域检测方法，设计合理，实现了对图像中过曝光区域的检测，符合人眼对图像过曝光区域的视觉感知，有利于监控摄像机对过曝光现象的检测，易于推广使用。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种融合多种特征的监控视频图像过曝光区域检测方法，其步骤为：(1)输入训练图像，要求训练图像中的每个像素点都已标记，训练样本中过曝光点标记为1，非过曝光点标记为0；

(2)分类器训练算法，具体为：

①将输入训练图像转换到CIE-Lab彩色空间，分别生成输入训练图像的灰度信息L图和颜色信息a图和b图；

②对得到的灰度信息L图和颜色信息a图和b图进行特征提取，该步骤的目的是将输入图像中的所有像素点的特征提取出来生成训练集其中X_i为某个像素点的特征向量，y_i为该像素点的标签变量，m为像素点的个数，即训练样本点数；

③对步骤②提取的特征进行归一化处理，目的是得到无量纲化的特征数据，使各个特征的作用都能平等发挥；

④将归一化后的特征用L2正则化逻辑非线性回归方法训练最后求得分类器模型；

(3)图像过曝光检测算法，具体为：

①输入待检测的图像，用步骤(2)中①②③采用的方法对待检测图像分别进行颜色空间转换、特征提取、特征归一化处理等操作；

②利用步骤(2)求得的分类器模型对待检测图像中过曝光点和非过曝光点进行分类；

③结果图输出，输出的白天实验图像的结果图中过曝光区域用蓝色标注，夜晚实验图像的结果图中过曝光区域用红色标注。

作为优选，所述步骤(2)中的②采用一种针对过曝光区域和非过曝光区域边界问题的邻域特征提取方法，以邻域窗口为3×3的情况进行特征提取，根据中心像素点p₀的邻域图，边界邻域特征值可用如下式子获得，中心像素点p₀的亮度值将会被p₀和邻域像素点p_z亮度值的均值代替；

其中A(p_z)与B(p_z)分别是邻域像素点p_z的颜色信息a值与b值，边界颜色阈值T＝60。

作为优选，所述融合多种特征的L2正则化逻辑非线性回归方法利用图像像素点的四个特征，分别是亮度特征、颜色特征、基于亮度和颜色的融合特征、边界邻域特征；上述用于图像过曝光检测的L2正则化逻辑回归方法，通过增加L2正则项获得了较好的对于训练数据的拟合精度，也有效地解决了对训练数据的过拟合问题，保证了图像过曝光区域的四个特征在该方法中的作用有效性，通过对归一化后的四个特征的训练最终求得分类器模型。

本发明的有益效果：(1)实现了对图像中过曝光区域的检测。融合多种特征的L2正则化逻辑非线性回归方法检测的过曝光区域为整体连通区域，单个的过曝光点更少，没有出现过曝光区域检测过度现象。

(2)同时，本发明相比于亮度阈值法和LC算法，对图像中同一块过曝光区域的检测能做到更加紧实，并形成连通整体性的过曝光检测区域，单个无用的过曝光点更少，符合人眼对图像过曝光区域的视觉感知，也有利于监控摄像机对过曝光现象的检测。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1为本发明训练图像的系统框图；

图2为本发明待检测图像的系统框图；

图3为本发明邻域特征提取的结构示意图；

图4为本发明在花曝光检测的实验结构图；

图5为本发明在树枝曝光检测的实验结构图；

图6为本发明FLA方法在车辆过曝光检测中的实验结果。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参照图1-6，本具体实施方式采用以下技术方案：一种融合多种特征的监控视频图像过曝光区域检测方法，其步骤为：(1)输入训练图像；

(2)分类器训练算法，具体为：

①将输入训练图像转换到CIE-Lab彩色空间，分别生成输入训练图像的灰度信息L图和颜色信息a图和b图；

②对得到的灰度信息L图和颜色信息a图和b图进行特征提取，该步骤的目的是将输入图像中的所有像素点的特征提取出来生成训练集其中X_i为某个像素点的特征向量，y_i为该像素点的标签变量，m为像素点的个数，即训练样本点数；

③对步骤②提取的特征进行归一化处理，目的是得到无量纲化的特征数据，使各个特征的作用都能平等发挥；

④将归一化后的特征用L2正则化逻辑非线性回归方法训练最后求得分类器模型；

(3)图像过曝光检测算法，具体为：

①输入待检测的图像，用步骤(2)中①②③采用的方法对待检测图像分别进行颜色空间转换、特征提取、特征归一化处理等操作；

②利用步骤(2)求得的分类器模型对待检测图像中过曝光点和非过曝光点进行分类；

③结果图输出，输出的白天实验图像的结果图中过曝光区域用蓝色标注，夜晚实验图像的结果图中过曝光区域用红色标注。

值得注意的是，所述步骤(2)中的②采用一种针对过曝光区域和非过曝光区域边界问题的邻域特征提取方法，以邻域窗口为3×3的情况进行特征提取，根据中心像素点p₀的邻域图，边界邻域特征值可用如下式子获得，中心像素点p₀的亮度值将会被p₀和邻域像素点p_z亮度值的均值代替；

其中A(p_z)与B(p_z)分别是邻域像素点p_z的颜色信息a值与b值，边界颜色阈值T＝60。

此外，所述融合多种特征的L2正则化逻辑非线性回归方法利用图像像素点的四个特征，分别是亮度特征、颜色特征、基于亮度和颜色的融合特征、边界邻域特征；上述用于图像过曝光检测的L2正则化逻辑回归方法，通过增加L2正则项获得了较好的对于训练数据的拟合精度，也有效地解决了对训练数据的过拟合问题，保证了图像过曝光区域的四个特征在该方法中的作用有效性，通过对归一化后的四个特征的训练最终求得分类器模型。

本具体实施方式的具体步骤为：(1)输入训练图像，要求训练图像中的每个像素点都已标记，训练样本中过曝光点标记为1，非过曝光点标记为0；

(2)首先对训练图像进行颜色空间转换分别生成输入训练图像的灰度信息L图和颜色信息a图和b图，然后进行特征提取，L(i，j)表示该像素点的亮度特征值，C(i，j)表示颜色特征值，F(i，j)表示亮颜特征值，V表示边界邻域特征值，其中L(p_i)是p_i的亮度特征值。将提取的四个特征进行归一化处理，f_i，j表示第i个像素的第j个特征的值，f′_i，j表示采用归一化方法对特征处理后得到各个特征归一化后的值。最后将归一化后的特征用L2正则化逻辑非线性回归方法训练最后求得分类器模型。

C(i，j)＝||c(i，j)||²，c(i，j)＝[a(i，j) b(i，j)]，//该像素点的亮度特征值

F(i，j)＝L(i，j)×C(i，j)，//该像素点的亮颜特征值

V＝(V+L(p₀))/(count+1)，//该像素点的边界邻域特征值

其中，边界邻域特征值V可由以下步骤得到，具体为，Step1：算法初始化：边界颜色阈值设为T＝60，计数器count初始值为0，p的邻域特征值(灰度值)为V，初始V值设为0。邻域像素点p_i表示，i初始值为1，i＝1，…，8；Step2：执行判断条件：若i＜9，计算p_i的颜色信息a值和b值与中心像素点p₀的a值和b值之差的绝对值之和，并记为D，执行Step3；若不满足判断条件，转到Step4计算；Step3：执行判断条件：若p_i的D值小于T，则V＝V+L(p_i)，count＝count+1，i＝i+1，其中L(p_i)是p_i的亮度特征值，并转到Step2计算，若不满足条件，i＝i+1，转到Step2计算；Step4：中心像素点p₀的边界邻域特征值为V＝(V+L(p₀))/(count+1)。

，//所有像素点第j个特征分量的最大值

，//所有像素点第j个特征分量的最小值

(3)利用步骤(2)求得的分类器模型对待检测图像中过曝光点和非过曝光点进行分类；

(4)结果图输出。FLA方法的模型参数θ＝[0.3 0.1 0.2 0.4 0.5]^T，正则项因子λ＝1，训练样本点全部选自白天实验图片，总共样本数为143351个。实验窗口取5×5大小，选取一幅图片的实验结果进行分析说明，输出的白天实验图像的结果图中过曝光区域用蓝色标注，夜晚实验图像的结果图中过曝光区域用红色标注。

下面结合具体的仿真实验图(图4-6)对本发明的效果做进一步的详细描述，仿真条件为：计算机Intel Core i3-2310M 2.1GHz，2GB，Windows7，在Matlab R2009a软件环境下进行的。

仿真效果分析：图4、5中(a)图为原图，(b)图为亮度阈值法结果图，其中，图4(b)图的亮度阈值为L＝225，图5(b)图的亮度阈值为L＝247。图4、5中(c)图为FLA方法正则项因子λ＝14时的结果图，(d)图为LC算法的结果图，(e)图为FLA方法正则项因子λ＝1时的结果图。

与亮度阈值法对比的是正则项因子λ＝14时FLA方法的结果图，原因是λ＝14时FLA方法的过曝光检测效果最佳，即检测的过曝光区域既保持较好的空间均匀性和整体性，也没有出现过度标注的问题。对比图4中的(b)图和(c)图，图(b)中某些过曝光区域与非过曝光区域之间的过渡区域被标注为过曝光区域，有过度标注的问题，比如图(b)、(c)中黑线线圈标注区域。对比图5中的(b)图和(c)图，图(c)中标注的过曝光区域比图(b)更加紧实和整体，孤立的过曝光点或非过曝光点被有效减少。并且FLA方法能适应不同场景和背景亮度的图像，亮度阈值法需对每一幅不同的场景和背景亮度的图像调整亮度阈值，操作繁琐。

与LC算法对比的是正则项因子λ＝1时FLA方法的结果图，原因是只有λ＝1时FLA方法对实验图的过曝光检测区域与LC算法所检测到的过曝光区域是一致的，这样对实验结果的对比分析才具有效性。对比图4与图5中的图(d)与图(e)，图(e)检测的过曝光区域紧凑并能形成连通整块的过曝光检测区域，更符合人眼观察过曝光区域的习惯，比如图4(e)中黑色线圈和红色线圈标注区域、图5(e)中黑色线圈和下边红色线圈标注区域。并且在对多幅不同场景和背景亮度图像进行统一训练时LC算法需要调整三个参数来判断调整过曝光检测效果，操作繁琐不易掌握，FLA方法只需调整正则项因子λ，操作相对简单。

图6为FLA方法在车辆过曝光检测中的实验结果，其中过曝光区域标注为红色。正则项因子λ＝14，夜晚训练样本点数共为3353856个，图5中的(a)图是夜晚车辆由远及近向摄像机方向靠近的一幅图像，图(c)是夜晚车辆距摄像机很近时所拍摄的一幅图像，观察图(b)、(d)，FLA方法对夜晚车辆较远和较近时的过曝光现象检测已基本实现，且对过曝光区域的整体性和紧凑性保持较好，独立的过曝光或非过曝光点较少。

通过对比FLA方法、亮度阈值法、LC算法三种算法的实验结果，相比于亮度阈值法和LC算法，FLA方法对图像中同一块过曝光区域的检测能做到更加紧实，并形成连通整体性的过曝光检测区域，单个无用的过曝光点更少，符合人眼对图像过曝光区域的视觉感知。

本具体实施方式引入亮颜特征和边界邻域特征，使得检测出的过曝光范围为连通区域；图像过曝光检测的L2正则化逻辑回归方法，通过增加L2正则项获得了较好的对于训练数据的拟合精度，也有效地解决了对训练数据的过拟合问题，保证了图像过曝光区域的四个特征在该方法中的作用有效性，可靠实用，具有广阔的市场应用前景。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种融合多种特征的监控视频图像过曝光区域检测方法，其特征在于，其步骤为：(1)输入训练图像，要求训练图像中的每个像素点都已标记，训练样本中过曝光点标记为1，非过曝光点标记为0；

(2)分类器训练算法，具体为：

①将输入训练图像转换到CIE-Lab彩色空间，分别生成输入训练图像的灰度信息L图和颜色信息a图和b图；

②对得到的灰度信息L图和颜色信息a图和b图进行特征提取，该步骤的目的是将输入图像中的所有像素点的特征提取出来生成训练集其中X_i为某个像素点的特征向量，y_i为该像素点的标签变量，m为像素点的个数，即训练样本点数；

③对步骤②提取的特征进行归一化处理，目的是得到无量纲化的特征数据，使各个特征的作用都能平等发挥；

④将归一化后的特征用L2正则化逻辑非线性回归方法训练最后求得分类器模型；

(3)图像过曝光检测算法，具体为：

①输入待检测的图像，用步骤(2)中①②③采用的方法对待检测图像分别进行颜色空间转换、特征提取、特征归一化处理等操作；

②利用步骤(2)求得的分类器模型对待检测图像中过曝光点和非过曝光点进行分类；

③结果图输出，输出的白天实验图像的结果图中过曝光区域用蓝色标注，夜晚实验图像的结果图中过曝光区域用红色标注。

2.根据权利要求1所述的一种融合多种特征的监控视频图像过曝光区域检测方法，其特征在于，所述融合多种特征的L2正则化逻辑非线性回归方法利用图像像素点的四个特征，分别是亮度特征、颜色特征、基于亮度和颜色的融合特征、边界邻域特征。

3.根据权利要求1所述的一种融合多种特征的监控视频图像过曝光区域检测方法，其特征在于，所述步骤(2)中的②采用一种针对过曝光区域和非过曝光区域边界问题的邻域特征提取方法，以邻域窗口为3×3的情况进行特征提取，根据中心像素点p₀的邻域图，边界邻域特征值可用如下式子获得，中心像素点p₀的亮度值将会被p₀和邻域像素点p_z亮度值的均值代替；

其中A(p_z)与B(p_z)分别是邻域像素点p_z的颜色信息a值与b值，边界颜色阈值T＝60。