CN106981201A - 复杂环境下的车辆识别方法 - Google Patents
复杂环境下的车辆识别方法 Download PDFInfo
- Publication number
- CN106981201A CN106981201A CN201710328440.3A CN201710328440A CN106981201A CN 106981201 A CN106981201 A CN 106981201A CN 201710328440 A CN201710328440 A CN 201710328440A CN 106981201 A CN106981201 A CN 106981201A
- Authority
- CN
- China
- Prior art keywords
- image
- threshold
- value
- vehicle
- background image
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种复杂环境下的车辆识别方法,包括以下步骤:S1:利用基于熵权法的图像质量量化算法计算交通流视频中背景图像的质量值;S2:通过对样本交通流设置的车辆检测阈值和基于该阈值识别车辆的正确率进行多项式拟合,获得该样本的车辆最佳检测阈值;S3:对样本背景图像的质量值和样本车辆的最佳检测阈值进行高斯拟合,得到自适应阈值计算模型;S4:依次按帧读取视频,每间隔一定时间就获取视频的当前背景图像;然后根据数学形态学原理和背景差分法获得前景区域的各个联通图像块的面积,将该面积与通过熵权法确定的面积阈值相比较,大于该阈值的被认为是车辆。
Description
技术领域
本发明具体涉及一种复杂环境下的车辆识别方法。
背景技术
车辆识别是智能交通系统中的基础环节,精确的车辆识别效果是智能交通系统更自动化、更智能的保障。目前对于车辆识别的研究,大部分都是局限在一个特定的环境内,比如只是针对晴朗的天气环境、雾霾环境等。但是现实中的交通摄像头是在动态变化的复杂环境中工作的,主要体现在天气环境变化的影响。不同的天气环境,甚至在一天中不同的时刻,摄像头录制的交通视频的效果都有差异,不同的天气环境对于视频质量造成的影响也不同。如果不能够根据天气情况自动调整车辆识别算法的相关参数或者阈值,就会造成车辆识别结果误差的增大,继而影响智能交通系统中其他功能的实现,或者导致其他功能准确率的降低。
发明内容
本发明要解决的技术问题是提供一种复杂环境下的车辆识别方法。
复杂环境下的车辆识别方法,包括以下步骤:
S1:利用基于熵权法的图像质量量化算法计算交通流视频中背景图像的质量值;
S2:通过对样本交通流设置的车辆检测阈值和基于该阈值识别车辆的正确率进行多项式拟合,获得该样本的车辆最佳检测阈值;
S3:对样本背景图像的质量值和样本车辆的最佳检测阈值进行高斯拟合,得到自适应阈值计算模型;
S4:依次按帧读取视频,每间隔一定时间就获取视频的当前背景图像;然后根据数学形态学原理和背景差分法获得前景区域的各个联通图像块的面积,将该面积与通过熵权法确定的面积阈值相比较,大于该阈值的被认为是车辆。
进一步的,基于熵权法的图像质量量化算法如下:
1)评价指标的确定:
对比度:;
峰值信噪比(PSNR):;
信息熵:;
与参考背景图像的相似度:;
逆差矩:;
式中,D表示图像的对比度;表示图像中的最大灰度值;表示图像中的最小灰度值;H表示灰度均值;m表示图像矩阵的行数;n表示图像矩阵的列数;I(i,j)表示背景图像第i行第j列的像素点的灰度;PSNR表示当前背景图像的峰值信噪比;C(i,j)表示参考背景图像第i行第j列的像素点的灰度;L表示图像的最大灰度等级,8位图像为255;X表示图像的信息熵;表示图像中灰度级k出现的概率;HD表示当前背景图像与参考背景图像的相似度;IDM表示图像的逆差矩;
2)计算出背景图像对各个指标得分;
3)利用熵权法确定各个指标权重;
使用的熵权法公式为:
;
式中,表示图像评价指标中最大的得分值;则表示最小的得分值;表示图像对第i个评价指标的得分;
4)将图像各项指标权重和得分相乘并相加,得出图像质量量化值。
进一步的,最佳检测阈值的获取方法:
1)设定并更新阈值;
2)计算该阈值下车辆识别的正确率;
3)对阈值和正确率进行函数拟合;
4)求拟合函数的最值,得到最佳阈值。
进一步的,自适应阈值计算模型的获取方法:
1)设定阈值并得出当前阈值情况下方法的准确率,进行函数拟合求最佳阈值;
2)更换交通流视频并对其执行步骤1),得到一组交通流视频所对应的最佳阈值数据;
3)获得交通流视频的背景图像,并用基于熵权法的图像质量量化方法获得背景图像的具体量化值;
4)依次对应各段交通流视频的背景图像质量值和最佳阈值,并通过高斯拟合得出图像质量值和最佳阈值之间的关系,即为图像质量量化值与基于背景差分法的面积阈值之间的转化模型。
本发明的有益效果是:
该方法首先将视频按帧读取,然后获取视频的背景图像并进行图像质量量化。对于背景图像的质量量化问题,提出了基于熵权法的图像质量量化算法,提高了图像质量量化的准确度。得到图像质量的量化值后,通过图像质量量化值转化车辆识别系统阈值的模型,得到车辆识别系统当前的最佳阈值,提高了车辆识别准确度。该方法能根据动态变化的环境实时更新车辆检测阈值,有效地提高了车辆识别的正确率。
具体实施方式
以下具体实施例对本发明作进一步阐述,但不作为对本发明的限定。
复杂环境下的车辆识别方法,包括以下步骤:
S1:利用基于熵权法的图像质量量化算法计算交通流视频中背景图像的质量值;
S2:通过对样本交通流设置的车辆检测阈值和基于该阈值识别车辆的正确率进行多项式拟合,获得该样本的车辆最佳检测阈值;
S3:对样本背景图像的质量值和样本车辆的最佳检测阈值进行高斯拟合,得到自适应阈值计算模型;
S4:依次按帧读取视频,每间隔一定时间就获取视频的当前背景图像;然后根据数学形态学原理和背景差分法获得前景区域的各个联通图像块的面积,将该面积与通过熵权法确定的面积阈值相比较,大于该阈值的被认为是车辆。
基于熵权法的图像质量量化算法如下:
1)评价指标的确定:
对比度:;
峰值信噪比(PSNR):;
信息熵:;
与参考背景图像的相似度:;
逆差矩:;
式中,D表示图像的对比度;表示图像中的最大灰度值;表示图像中的最小灰度值;H表示灰度均值;m表示图像矩阵的行数;n表示图像矩阵的列数;I(i,j)表示背景图像第i行第j列的像素点的灰度;PSNR表示当前背景图像的峰值信噪比;C(i,j)表示参考背景图像第i行第j列的像素点的灰度;L表示图像的最大灰度等级,8位图像为255;X表示图像的信息熵;表示图像中灰度级k出现的概率;HD表示当前背景图像与参考背景图像的相似度;IDM表示图像的逆差矩;
2)计算出背景图像对各个指标得分;
3)利用熵权法确定各个指标权重;
使用的熵权法公式为:
;
式中,表示图像评价指标中最大的得分值;则表示最小的得分值;表示图像对第i个评价指标的得分;
4)将图像各项指标权重和得分相乘并相加,得出图像质量量化值。
最佳检测阈值的获取方法:
1)设定并更新阈值;
2)计算该阈值下车辆识别的正确率;
3)对阈值和正确率进行函数拟合;
4)求拟合函数的最值,得到最佳阈值。
自适应阈值计算模型的获取方法:
1)设定阈值并得出当前阈值情况下方法的准确率,进行函数拟合求最佳阈值;
2)更换交通流视频并对其执行步骤1),得到一组交通流视频所对应的最佳阈值数据;
3)获得交通流视频的背景图像,并用基于熵权法的图像质量量化方法获得背景图像的具体量化值;
4)依次对应各段交通流视频的背景图像质量值和最佳阈值,并通过高斯拟合得出图像质量值和最佳阈值之间的关系,即为图像质量量化值与基于背景差分法的面积阈值之间的转化模型。
Claims (4)
1.复杂环境下的车辆识别方法,其特征在于,包括以下步骤:
S1:利用基于熵权法的图像质量量化算法计算交通流视频中背景图像的质量值;
S2:通过对样本交通流设置的车辆检测阈值和基于该阈值识别车辆的正确率进行多项式拟合,获得该样本的车辆最佳检测阈值;
S3:对样本背景图像的质量值和样本车辆的最佳检测阈值进行高斯拟合,得到自适应阈值计算模型;
S4:依次按帧读取视频,每间隔一定时间就获取视频的当前背景图像;然后根据数学形态学原理和背景差分法获得前景区域的各个联通图像块的面积,将该面积与通过熵权法确定的面积阈值相比较,大于该阈值的被认为是车辆。
2.根据权利要求1所述的车辆识别方法,其特征在于,基于熵权法的图像质量量化算法如下:
1)评价指标的确定:
对比度:;
峰值信噪比(PSNR):;
信息熵:;
与参考背景图像的相似度:;
逆差矩:;
式中,D表示图像的对比度;表示图像中的最大灰度值;表示图像中的最小灰度值;H表示灰度均值;m表示图像矩阵的行数;n表示图像矩阵的列数;I(i,j)表示背景图像第i行第j列的像素点的灰度;PSNR表示当前背景图像的峰值信噪比;C(i,j)表示参考背景图像第i行第j列的像素点的灰度;L表示图像的最大灰度等级,8位图像为255;X表示图像的信息熵;表示图像中灰度级k出现的概率;HD表示当前背景图像与参考背景图像的相似度;IDM表示图像的逆差矩;
2)计算出背景图像对各个指标得分;
3)利用熵权法确定各个指标权重;
使用的熵权法公式为:
;
式中,表示图像评价指标中最大的得分值;则表示最小的得分值;表示图像对第i个评价指标的得分;
4)将图像各项指标权重和得分相乘并相加,得出图像质量量化值。
3.根据权利要求1所述的车辆识别方法,其特征在于,最佳检测阈值的获取方法:
1)设定并更新阈值;
2)计算该阈值下车辆识别的正确率;
3)对阈值和正确率进行函数拟合;
4)求拟合函数的最值,得到最佳阈值。
4.根据权利要求1所述的车辆识别方法,其特征在于,自适应阈值计算模型的获取方法:
1)设定阈值并得出当前阈值情况下方法的准确率,进行函数拟合求最佳阈值;
2)更换交通流视频并对其执行步骤1),得到一组交通流视频所对应的最佳阈值数据;
3)获得交通流视频的背景图像,并用基于熵权法的图像质量量化方法获得背景图像的具体量化值;
4)依次对应各段交通流视频的背景图像质量值和最佳阈值,并通过高斯拟合得出图像质量值和最佳阈值之间的关系,即为图像质量量化值与基于背景差分法的面积阈值之间的转化模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710328440.3A CN106981201A (zh) | 2017-05-11 | 2017-05-11 | 复杂环境下的车辆识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710328440.3A CN106981201A (zh) | 2017-05-11 | 2017-05-11 | 复杂环境下的车辆识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106981201A true CN106981201A (zh) | 2017-07-25 |
Family
ID=59341883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710328440.3A Withdrawn CN106981201A (zh) | 2017-05-11 | 2017-05-11 | 复杂环境下的车辆识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106981201A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021891A (zh) * | 2017-12-05 | 2018-05-11 | 广州大学 | 基于深度学习与传统算法结合的车辆环境识别方法和系统 |
US11605220B2 (en) | 2018-12-19 | 2023-03-14 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for video surveillance |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006030447A (ja) * | 2004-07-14 | 2006-02-02 | Honda Motor Co Ltd | 音声認識システムと該音声認識システムを備える移動体及び車両 |
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
US20170011738A1 (en) * | 2015-07-09 | 2017-01-12 | Google Inc. | Generating acoustic models |
-
2017
- 2017-05-11 CN CN201710328440.3A patent/CN106981201A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006030447A (ja) * | 2004-07-14 | 2006-02-02 | Honda Motor Co Ltd | 音声認識システムと該音声認識システムを備える移動体及び車両 |
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
US20170011738A1 (en) * | 2015-07-09 | 2017-01-12 | Google Inc. | Generating acoustic models |
Non-Patent Citations (1)
Title |
---|
刘博艺 等: ""复杂动态环境下的运动车辆的识别方法"", 《计算机科学与探索》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021891A (zh) * | 2017-12-05 | 2018-05-11 | 广州大学 | 基于深度学习与传统算法结合的车辆环境识别方法和系统 |
CN108021891B (zh) * | 2017-12-05 | 2020-04-14 | 广州大学 | 基于深度学习与传统算法结合的车辆环境识别方法和系统 |
US11605220B2 (en) | 2018-12-19 | 2023-03-14 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for video surveillance |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052886B (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
CN112818969B (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN114266977B (zh) | 基于超分辨可选择网络的多auv的水下目标识别方法 | |
CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
CN113420794B (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
CN106981201A (zh) | 复杂环境下的车辆识别方法 | |
CN114529583B (zh) | 基于残差回归网络的电力设备跟踪方法及跟踪系统 | |
CN116704476A (zh) | 一种基于改进Yolov4-tiny算法的交通标志检测方法 | |
CN113674231B (zh) | 基于图像增强的轧制过程中氧化铁皮检测方法与系统 | |
CN109978858B (zh) | 一种基于前景检测的双框架缩略图像质量评价方法 | |
CN116703932A (zh) | 一种基于卷积注意力机制的CBAM-HRNet模型小麦穗粒分割与计数方法 | |
CN114387484B (zh) | 一种基于yolov4改进的口罩佩戴检测方法及系统 | |
CN115620119A (zh) | 一种天气类型图像检测及雾天图像处理方法及装置 | |
CN116309213A (zh) | 一种基于生成对抗网络的高实时多源图像融合方法 | |
CN114821098A (zh) | 一种基于灰度梯度融合特征及cnn的高速路面破损检测算法 | |
CN115909332A (zh) | 一种基于通道特征加强的农业遥感图像语义分割方法 | |
Wang et al. | Low-light traffic objects detection for automated vehicles | |
CN111738099A (zh) | 基于视频图像场景理解的人脸自动检测方法 | |
CN113449611B (zh) | 一种基于yolo网络压缩算法的安全帽识别智能监控系统 | |
CN111680648B (zh) | 一种目标密度估计神经网络的训练方法 | |
CN116580328B (zh) | 基于多任务辅助的热红外图像堤坝渗漏险情智能识别方法 | |
CN116645523B (zh) | 一种基于改进RetinaNet的快速目标检测方法 | |
CN115953681A (zh) | 一种恶劣天气下的输电线路缺陷检测方法 | |
CN113160097B (zh) | 一种基于直方图变换的红外图像量化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170725 |
|
WW01 | Invention patent application withdrawn after publication |