CN107507140B - 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 - Google Patents
基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 Download PDFInfo
- Publication number
- CN107507140B CN107507140B CN201710654133.4A CN201710654133A CN107507140B CN 107507140 B CN107507140 B CN 107507140B CN 201710654133 A CN201710654133 A CN 201710654133A CN 107507140 B CN107507140 B CN 107507140B
- Authority
- CN
- China
- Prior art keywords
- gradient
- pixel
- hlgp
- shadow
- following
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 description 7
- 230000001629 suppression Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征融合的高速公路露天场景车辆阴影干扰抑制方法，首先获取当前待处理图像并通过背景图像得到前景区域分割图像；其次根据颜色不变特征得到前景区域分割图像的局部区域，并通过梯度信息熵计算局部区域的平滑度；然后根据局部梯度模式方向直方图特征计算局部区域的HLGP梯度特征阴影判断结果；最后根据HLGP特征阴影判断结果和余弦相似度计算得到阴影区域的HLGP阴影干扰判定结果。本发明提供的方法，融合了颜色灰度特征与局部梯度编码特征进行阴影判别与抑制；针对传统的局部特征对于噪声的抗干扰性不足的问题，减小了噪声干扰的影响，能适应现实工程应用的环境，且能在该环境下获得较为精确理想的检测效果。
Description
技术领域
本发明涉及图像处理技术领域，特别是一种基于特征融合的高速公路露天场景车辆阴影干扰抑制方法。
背景技术
车辆目标区域的准确提取，是基于视频监控的高速公路异常事件检测的关键。而在高速公路露天场景中存在的车辆阴影干扰，使得提取的车辆目标区域扭曲、扩大、连通甚至丢失。同时该场景图像中存在的噪声等干扰加大了阴影抑制的难度，导致传统的阴影抑制方法尚难以适用。因此，研究高速公路场景下的车辆阴影干扰抑制方法，进而提高车辆目标检测精度，具有重要的理论和实际意义。
高速公路不仅是交通现代化的重要标志，也是国家现代化的重要标志。随着城市化进程的加快，国民经济得到了飞速发展，机动车保有量呈现出逐年上升的态势，这也给高速公路的管理与发展带来了机遇与挑战。近二十年来，我国的高速公路的建设进入了黄金时期。高速公路露天路段是其主要场景之一，基本处于开阔地带，覆盖面较为宽阔，存在引发交通事故的潜在因素较多。高速公路由于行车速度一般较高，容易发生交通事故。交通事故若未能及时有效的处理，引发二次交通事故的概率大大增加，这给高速公路安全行车以及正常通行带来了极大的隐患。
在针对交通系统的数字图像处理领域，基于监控视频的车辆目标的提取已经得到了长足的发展。对于传统的车辆目标提取方法，其工作重点在于建立具有较高自适应能力的背景帧，或者直接通过像素分布关系区分出存在于当前帧中的前景区域。而在该前景区域中往往会存在阴影干扰，使得车辆目标前景提取不准确。传统的阴影抑制方法对噪声少画质好等较为理想的场景，能够取得比较好的阴影干扰抑制效果，但是对于存在噪声干扰等问题的高速公路场景，便无法满足相关需求。对于高速公路场景，由于其覆盖面广，监控摄像机众多，场景较为复杂，摄像机维护不及时等因素，高速公路监控视频图像质量相对较低，噪声干扰较多。在露天场景下，光照充足时，车辆的投射阴影尤为明显。对于这种条件下的车辆目标阴影干扰抑制，传统的方法尚缺少针对性的解决方案。因此，根据高速公路场景中的车辆目标阴影干扰的形成原因及特征，有针对性的提出阴影干扰抑制方法，对提高车辆目标检测的准确性具有极为重要的意义。
目前，可以将现有的阴影检测方法分为以下几大类：基于几何特征，基于色度特征，基于物理特性，基于边缘特性和基于纹理特征的方法，这也是阴影检测所使用的常见的五类特征。此外，最新提出来的一种方法，即基于近红外图像辅助的方法。但是，基于几何特性依赖于几何信息、光源位置、单光源；基于色度特征，对噪声干扰较为敏感，要求色度差异大；基于物理特性，对噪声敏感，不同材质检测效果不同；基于纹理特性，对于纹理不明显区域，效果不佳；基于边缘特性，对于边缘不明显区域，效果不佳，且难以区分阴影边界；基于近红外图像辅助，依赖额外设备，普及度低。
虽然已有方法在阴影检测的各个方面取得了长足的进展。但是，在高速公路场景的实际应用中还存在的场景适应性问题，并且缺少有效的解决方法。对于场景中存在的噪声干扰等问题，尚缺乏针对性解决方案。
发明内容
本发明的目的是提出一种基于特征融合的高速公路露天场景车辆阴影干扰抑制方法；本方法用于对高速公路视频监控中车辆目标阴影对车辆目标提取具有干扰这一情况进行抑制，从而有助于提取较为准确的车辆目标区域。
本发明的目的是通过以下技术方案来实现的：
本发明提供的基于特征融合的高速公路露天场景车辆阴影干扰抑制方法，包括以下步骤：
获取当前待处理图像并通过背景图像得到前景区域分割图像；
根据颜色不变特征得到前景区域分割图像的局部区域；
通过梯度信息熵计算局部区域的平滑度；
根据局部梯度模式方向直方图特征计算局部区域的HLGP梯度特征阴影判断结果；
根据HLGP特征阴影判断结果和余弦相似度计算得到阴影区域的HLGP阴影干扰判定结果。
进一步，所述前景区域分割图像是按照以下步骤来实现的：
其中，c代表当前帧中颜色分量，分别代表H通道和S通道的分量，Ω1(x,y)为像素I(x,y)的邻域空间；
获取目标像素点局部区域的颜色，按照以下公式计算得到局部区域的像素颜色一致性：
其中，D1(x,y)为对应点颜色一致性；
按照以下计算V通道的亮度相似性：
其中，p(x,y)为前景掩膜M中的像素；I(u)，B(u)分别表示当前帧和背景帧在V通道中(x,y)坐标处的亮度值，Ωp为像素I(x,y)的邻域空间；D2(x,y)为像素属于阴影区域像素的概率。
进一步，所述局部区域的平滑度是按照以下步骤来实现的：
其中，γ为梯度信息熵；Gh(x,y)与Gv(x,y)分别为像素的水平梯度与垂直梯度；m,n分别表示局部区域的尺寸。
进一步，所述HLGP梯度特征阴影判断结果是按照以下步骤来实现的：
其中，s(.)定义为：
LGP(x,y)为LGP特征；，ic,in分别表示中心像素点I(x,y)的像素值和周围邻域内像素的像素值。
进一步，所述HLGP直方图是按照以下步骤来实现的：
对图像按照以下压缩公式进行gamma像素值压缩：
I(x,y)＝I(x,y)gamma(18)
其中，I(x,y)表示图像像素值，gamma表示校正灰度系数；
将图像划分为N个像素块，分别利用sobel算子在水平方向和垂直方向上求取图像中目标像素点的梯度信息：
按照以下公式计算得到在像素点I(x,y)处的梯度幅值
和梯度相位角∠G(x,y)：
按照以下公式将梯度方向相位角归一化到[0，π]之间：
直到得到图像的每个像素点的梯度相位角和梯度幅值信息。
进一步，所述HLGP阴影干扰判定结果是按照以下步骤来实现的：
获取当前感兴趣的像素点，并以当前感兴趣的像素点为中心，构建m*m的ceil区域；
并以ceil区域为单位构建n*n的block区域；
计算block区域的梯度信息，对每个像素点的梯度信息做归一化处理；
将[0,π]之间的相位角范围等分为N个相位区间；
根据梯度相位角投射到对应的相位区间；
按照以下方式构造成一个具有N个bin的梯度直方图HLGP：
其中，t为当前相位角所属的相位区间编号；
进一步，所述HLGP梯度特征是按照以下步骤来实现的：
其中，Ib(x,y)为背景帧；If(x,y)为前景帧；Im(x,y)为利用颜色特征所提取的阴影干扰前景掩膜区域，
为提取HLGP特征操作。
进一步，所述余弦相似度度是按照以下步骤来实现的：
其中，Tb(x,y)为背景帧对应局部区域的HLGP梯度特征；Tf(x,y)为前景帧对应局部区域的HLGP梯度特征；ξ为相似度度量值。
由于采用了上述技术方案，本发明具有如下的优点：
本发明提供了一种基于特征融合的高速公路露天场景车辆阴影干扰抑制方法，该方法融合了颜色灰度特征与局部梯度编码特征进行阴影判别与抑制。利用颜色的亮度以及色度特征进行初步的粗判定；在此基础上，针对传统的局部特征对于噪声的抗干扰性不足的问题，采用具有较强的噪声鲁棒性的LGP特征形成局部编码特征值，然后结合局部梯度方向直方图的光照不变特征，形成HLGP特征，并结合余弦相似度进行阴影区域的判别。
因此，该方法能在很大程度上减小噪声干扰的影响，较为适应现实工程应用的环境，并且能在该环境下取得较为精确理想的检测效果。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为阴影干扰判别及抑制方法流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1
如图所示，本实施例提供的一种基于特征融合的高速公路露天场景车辆阴影干扰抑制方法，其能够克服现实工程应用环境中存在的噪声，实现对车辆目标区域的准确提取。针对场景噪声干扰问题，提出了融合颜色灰度特征与局部梯度模式方向直方图(Histogramof Local Gradient Patterns,HLGP)特征的阴影抑制方法。
首先采用色度以及亮度相似度初步判定阴影；进而对于纹理信息较丰富的局部区域，采用具有噪声鲁棒性的局部梯度模式(Local Gradient Patterns,LGP)特征提取局部纹理，并融合局部梯度直方图构成HLGP特征。在此基础上对颜色阴影判别结果进行修正，以减少其误检区域。
该方法融合了颜色灰度特征与局部梯度编码特征进行阴影判别与抑制。利用颜色的亮度以及色度特征进行初步的粗判定；在此基础上，针对传统的局部特征对于噪声的抗干扰性不足的问题，采用具有较强的噪声鲁棒性的LGP特征形成局部编码特征值，然后结合局部梯度方向直方图的光照不变特征，形成HLGP特征，并结合余弦相似度进行阴影区域的判别。因此，该方法能在很大程度上减小噪声干扰的影响，较为适应现实工程应用的环境，并且能在该环境下取得较为精确理想的检测效果。主要步骤如下：
步骤一、基于灰度颜色特征的阴影区域初步判别；RGB颜色空间到HSV颜色空间的转换；亮度一致性判别；色度相似性判别；
步骤二、局部区域光滑度判别；通过利用梯度信息熵的方式对局部区域的平滑度进行度量，确定其是否可以利用后续特征进行精判别；
步骤三、基于局部梯度模式方向直方图特征的阴影区域判别；构建局部梯度模式方向直方图特征HLGP，并结合余弦相似度度量，进行阴影区域的判别。
实施例2
步骤一、基于灰度颜色特征的阴影区域初步判别；对于色度特性和亮度特性，HSV空间可以解耦两者在RGB空间的耦合关系。因此可以借助颜色空间转换，将RGB空间的图像转化到HSV空间进行检测。
阴影特征可以依据下式从亮度和色度方面进行颜色一致性判别：
其中，c代表当前帧中颜色分量，这里分别代表H通道和S通道的分量，Ω1(x,y)为像素I(x,y)的邻域空间。为了降低噪声的干扰，此处取目标像素点局部区域的颜色一致性进行判别，于是，局部区域的像素颜色一致性可由下式得到：
由上式可知，D1(x,y)越小，则说明对应点颜色一致性越高，即判定为阴影。
对于亮度特征，则采用对V通道的值进行亮度相似性计算。对于前景掩膜M中的像素p(x,y)，其计算方法可用下式表示：
其中，I(u)，B(u)分别表示当前帧和背景帧在V通道中(x,y)坐标处的亮度值，Ωp为像素I(x,y)的邻域空间；D2(x,y)越接近1，则说明该像素属于阴影区域像素的概率越大。
步骤二、局部区域光滑度判别；当图像局部区域比较平滑，纹理梯度信息较少时，后续基于纹理梯度特征会存在判别失误的情况。因此，需要先对局部区域的光滑度进行判定。若局部区域图像较为平整光滑，纹理信息较少，则应以颜色特征判别结果为准。局部区域光滑度定义参照信息熵的定义，形式如下：
其中，γ为梯度信息熵，若γ越小，表明该局部区域越平整，当其小于阈值时，则认为其不适宜用后续特征判别。其中，Gh(x,y)与Gv(x,y)分别为该处像素的水平梯度与垂直梯度；m,n分别表示局部区域的尺寸，详细解释见步骤三。
步骤三、基于局部梯度模式方向直方图特征的阴影区域判别；LGP(LocalGradient Patterns)特征是在基于LBP(Local Binary Pattern)的思想提出来的，LGP特征定义如下：
其中，s(.)同上，ic,in分别表示中心像素点I(x,y)的像素值和其周围邻域内像素的像素值。
LGP虽然采用了局部区域的梯度形式进行编码，但是其仅利用了梯度的幅值，在一定程度上忽略梯度的方向信息，而梯度方向对于光照的变化具有鲁棒性。
因此这里提取局部梯度信息，并将提取的LGP编码值作为梯度直方图的权系数，构建HLGP直方图，具体方法如下：
首先，对图像进行gamma像素值压缩，从而减少光照对图像特征的影响，其压缩公式为：
I(x,y)＝I(x,y)gamma(30)
在此基础上，将图像划分为N个像素块，可以分别利用sobel算子，分别在水平方向和垂直方向上求取图像中目标像素点的梯度信息：
由此可以得到在像素点I(x,y)处的梯度幅值
和梯度相位角∠G(x,y)，其计算方法如下：
为了更好的构建局部梯度方向直方图，并方便后续进行直方图匹配，将梯度方向相位角归一化到[0，π]之间，因此，其可以表示为：
然后，将图像的每一个像素点按照上述操作分别计算，可以得到每个像素点的梯度相位角和梯度幅值信息。但是由于该信息对噪声较为敏感，因此，采取以当前感兴趣的像素点为中心，构建m*m的ceil区域，并以该ceil为单位构建n*n的block区域，利用该block区域的总体梯度信息，对该像素进行判别，可以较高的提升其抗干扰能力。以每一个block为统计单位，对每一个像素点的梯度信息做归一化处理之后，将[0,π]之间的相角范围等分为N个相位区间，根据其梯度相位角投射到对应的相位区间，并构造成一个具有N个bin的梯度直方图HLGP，对于每一个block其构造方法如下：
其中，t为当前相位角所属的相位区间编号，
Z＝28，
表示为克罗内克函数。据此便可提取出感兴趣点的HLGP特征，便于后续的阴影判别。
在通过颜色特征进行阴影区域初步判别的基础上，利用阴影判定区域的二值化掩膜图像，为了减少其中对于车辆目标区域的误判阴影区域，将对该图中的白色区域部分进行HLGP局部区域纹理判别。
由HLGP特征的构建方式可知，需要对以当前待判定像素I(x,y)为中心的局部区域Ω<m,n；k进行block和cell的划分，其中，m,n,k分别表示block、ceil的大小以及该区内包含block的个数。而对于每一个block，由于其根据梯度方向划分直方图bin区间，因此每一个block所获得的直方图的bin数由相位区间个数N确定，即每一个block可以提取一个N维的特征向量。那么，每一个局部区域Ω<m,n；k>可以提取一个维数为kN特征向量T(x,y)。
对于背景帧Ib(x,y)与前景帧If(x,y)，分别对其中对应像素位置做如下特征向量提取操作：
其中，Im(x,y)为利用颜色特征所提取的阴影干扰前景掩膜区域，
为提取HLGP特征操作。对于获得两个特征向量Tb(x,y)和Tf(x,y)都是kN维，其分别表征了背景帧与前景帧对应局部区域的HLGP特征，因此可以度量两者的相似度用以区分车辆目标区域与阴影干扰区域。所采用的是余弦相似度度量方式，其表示如下：
其中，ξ为相似度度量值。易知，ξ值越接近于1，则表示其为阴影可能性越大，超过相应阈值，则判定为阴影像素点。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。
Claims (7)
1.基于特征融合的高速公路露天场景车辆阴影干扰抑制方法，其特征在于：包括以下步骤：
获取当前待处理图像并通过背景图像得到前景区域分割图像；
根据颜色不变特征得到前景区域分割图像的局部区域；
通过梯度信息熵计算局部区域的平滑度；
根据局部梯度模式方向直方图特征计算局部区域的HLGP梯度特征阴影判断结果；
根据HLGP特征阴影判断结果和余弦相似度计算得到阴影区域的HLGP阴影干扰判定结果；
所述前景区域分割图像是按照如下公式来实现的：
其中，c代表当前帧中颜色分量，分别代表H通道和S通道的分量，Ω1(x,y)为像素I(x,y)的邻域空间；
Ic(x,y)表示(x,y)坐标点某一颜色分量；Ic(i,j)表示(x,y)邻域空间中(i,j)坐标点某一颜色分量；
表示图像(x,y)坐标点的颜色一致性特征函数；(i,j)表示(x,y)邻域空间坐标；
获取目标像素点局部区域的颜色，局部区域的像素颜色一致性按照如下方式计算：
其中，D1(x,y)为对应点颜色一致性；
表示背景图在(i,j)坐标点的颜色一致性特征值；D1(x,y)表示(x,y)局部区域的像素颜色一致性；
按照以下计算V通道的亮度相似性：
其中，p(x,y)为前景掩膜M中的像素；I(u)，B(u)分别表示当前帧和背景帧在V通道中(x,y)坐标处的亮度值，Ωp为像素I(x,y)的邻域空间；D2(x,y)为像素属于阴影区域像素的概率；u表示前景和背景图像中邻域像素的位置；M(x,y)表示前景掩膜图像。
2.如权利要求1所述的基于特征融合的高速公路露天场景车辆阴影干扰抑制方法，其特征在于：所述局部区域的平滑度是按照以下步骤来实现的：
其中，γ为梯度信息熵；Gh(x,y)与Gv(x,y)分别为像素的水平梯度与垂直梯度；m,n分别表示局部区域的尺寸。
3.如权利要求1所述的基于特征融合的高速公路露天场景车辆阴影干扰抑制方法，其特征在于：所述HLGP梯度特征阴影判断结果是按照以下步骤来实现的：
其中，s(.)定义为：
LGP(x,y)为LGP特征；ic,in分别表示中心像素点I(x,y)的像素值和周围邻域内像素的像素值；p表示中心像素点I(x,y)周围邻域内像素的个数。
4.如权利要求1所述的基于特征融合的高速公路露天场景车辆阴影干扰抑制方法，其特征在于：所述HLGP直方图是按照以下步骤来实现的：
对图像按照以下压缩公式进行gamma像素值压缩：
I(x,y)＝I(x,y)gamma
其中，I(x,y)表示图像像素值，gamma表示校正灰度系数；
将图像划分为N个像素块，分别利用sobel算子在水平方向和垂直方向上求取图像中目标像素点的梯度信息：
按照以下公式计算得到在像素点I(x,y)处的梯度幅值
和梯度相位角∠G(x,y)：
按照以下公式将梯度方向相位角归一化到[0，π]之间：
直到得到图像的每个像素点的梯度相位角和梯度幅值信息。
5.如权利要求1所述的基于特征融合的高速公路露天场景车辆阴影干扰抑制方法，其特征在于：所述HLGP阴影干扰判定结果是按照以下步骤来实现的：
获取当前感兴趣的像素点，并以当前感兴趣的像素点为中心，构建m*m的ceil区域；
并以ceil区域为单位构建n*n的block区域；
计算block区域的梯度信息，对每个像素点的梯度信息做归一化处理；
将[0,π]之间的相位角范围等分为N个相位区间；
根据梯度相位角投射到对应的相位区间；
按照以下方式构造成一个具有N个bin的梯度直方图HLGP：
其中，t为当前相位角所属的相位区间编号；
δ(·)表示为克罗内克函数；
Gh(x,y)与Gv(x,y)分别为该处像素的水平梯度与垂直梯度；m,n分别表示局部区域的尺寸；
(x，y)表示V通道的坐标；
像素点I(x,y)处的梯度幅值
和梯度相位角∠G(x,y)。
6.如权利要求1所述的基于特征融合的高速公路露天场景车辆阴影干扰抑制方法，其特征在于：所述HLGP梯度特征是按照以下步骤来实现的：
Tb(x,y)＝HLGP(Ib(x,y)),if Im(x,y)≠0
Tf(x,y)＝HLGP(If(x,y)),if Im(x,y)≠0
其中，Ib(x,y)为背景帧；If(x,y)为前景帧；Im(x,y)为利用颜色特征所提取的阴影干扰前景掩膜区域，HLGP()为提取HLGP特征操作。
7.如权利要求1所述的基于特征融合的高速公路露天场景车辆阴影干扰抑制方法，其特征在于：所述余弦相似度度是按照以下步骤来实现的：
其中，Tb(x,y)为背景帧对应局部区域的HLGP梯度特征；Tf(x,y)为前景帧对应局部区域的HLGP梯度特征；ξ为相似度度量值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710654133.4A CN107507140B (zh) | 2017-08-03 | 2017-08-03 | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710654133.4A CN107507140B (zh) | 2017-08-03 | 2017-08-03 | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107507140A CN107507140A (zh) | 2017-12-22 |
| CN107507140B true CN107507140B (zh) | 2021-02-12 |
Family
ID=60690058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710654133.4A Active CN107507140B (zh) | 2017-08-03 | 2017-08-03 | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107507140B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686122B (zh) * | 2020-12-25 | 2023-09-29 | 浙江大华技术股份有限公司 | 人体及影子的检测方法、装置、电子设备、存储介质 |
| CN113076888B (zh) * | 2021-04-09 | 2021-10-26 | 中国电子科技集团公司第二十八研究所 | 一种多尺度局部二值模型光电图像目标检测方法 |
| CN114998173B (zh) * | 2022-06-07 | 2024-03-15 | 西北工业大学 | 基于局部区域亮度调节的空间环境高动态范围成像方法 |
| CN115345845A (zh) * | 2022-08-10 | 2022-11-15 | 重庆大学 | 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080187219A1 (en) * | 2007-02-05 | 2008-08-07 | Chao-Ho Chen | Video Object Segmentation Method Applied for Rainy Situations |
| CN102842037A (zh) * | 2011-06-20 | 2012-12-26 | 东南大学 | 一种基于多特征融合的车辆阴影消除方法 |
| CN103035013A (zh) * | 2013-01-08 | 2013-04-10 | 东北师范大学 | 一种基于多特征融合的精确运动阴影检测方法 |
-
2017
- 2017-08-03 CN CN201710654133.4A patent/CN107507140B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080187219A1 (en) * | 2007-02-05 | 2008-08-07 | Chao-Ho Chen | Video Object Segmentation Method Applied for Rainy Situations |
| CN102842037A (zh) * | 2011-06-20 | 2012-12-26 | 东南大学 | 一种基于多特征融合的车辆阴影消除方法 |
| CN103035013A (zh) * | 2013-01-08 | 2013-04-10 | 东北师范大学 | 一种基于多特征融合的精确运动阴影检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107507140A (zh) | 2017-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107507140B (zh) | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 | |
| CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
| US9558412B2 (en) | Vehicle exterior environment recognition device | |
| TWI409718B (zh) | 移動中車輛之車牌定位方法 | |
| CN112819094B (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
| WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
| CN103971128A (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
| CN102938057B (zh) | 一种车辆阴影消除方法及装置 | |
| CN103473551A (zh) | 基于sift算子的台标识别方法及系统 | |
| CN103810722A (zh) | 结合改进的lbp纹理和色度信息的运动目标检测方法 | |
| CN104143077B (zh) | 基于图像的行人目标检索方法和系统 | |
| CN110490150B (zh) | 一种基于车辆检索的违章图片自动审核系统及方法 | |
| CN107563301A (zh) | 基于图像处理技术的红灯信号检测方法 | |
| CN110782409B (zh) | 一种去除多运动物体阴影的方法 | |
| CN108898782B (zh) | 用于隧道防火的红外图像温度信息识别的烟雾探测方法及系统 | |
| CN116630321B (zh) | 基于人工智能的桥梁健康智能监测系统 | |
| CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
| CN116524196A (zh) | 一种基于图像识别技术的输电线智能检测系统 | |
| CN110718068B (zh) | 一种道路监控摄像机安装角度估计方法 | |
| CN107066929B (zh) | 一种融合多种特征的高速公路隧道停车事件分级识别方法 | |
| CN113989771A (zh) | 一种基于数字图像处理的交通信号灯识别方法 | |
| CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
| CN105678272A (zh) | 一种复杂环境下基于图像处理的目标检测方法 | |
| CN111985436B (zh) | 一种基于lsd的车间地标线识别拟合方法 | |
| CN113053164A (zh) | 一种利用环视图像的车位识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230209 Address after: 213399 room 5025, building B, 218 Hongkou Road, Kunlun Street, Liyang City, Changzhou City, Jiangsu Province Patentee after: Liyang Smart City Research Institute of Chongqing University Address before: 400044 No. 174, positive street, Shapingba District, Chongqing Patentee before: Chongqing University |
|
| TR01 | Transfer of patent right |