CN114863109B - 一种基于分割技术的交通场景各类目标与元素的精细识别方法 - Google Patents
一种基于分割技术的交通场景各类目标与元素的精细识别方法 Download PDFInfo
- Publication number
- CN114863109B CN114863109B CN202210577966.6A CN202210577966A CN114863109B CN 114863109 B CN114863109 B CN 114863109B CN 202210577966 A CN202210577966 A CN 202210577966A CN 114863109 B CN114863109 B CN 114863109B
- Authority
- CN
- China
- Prior art keywords
- threshold
- traffic scene
- variance
- maximum
- region
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的属于交通场景技术领域,具体为一种基于分割技术的交通场景各类目标与元素的精细识别方法,包括具体步骤如下:S1,获取交通场景的图像,并在交通场景的图像中随机选取一个点A;S2,以A点作为原点,向外发出射线,并将该射线反向延伸,从而将交通场景的图像分割成两组区域;S3,初始化一个阈值T,通常取各区域的平均灰度值;S4,并通过计算灰度值i得到阈值T在区域中所占的概率;S5,在得到阈值T在区域中所占的概率后,通过最大熵分割算法得到每个阈值T在相对应的区域中所占的比例,本发明不仅会提高识别效果,还会提高识别准确度。
Description
技术领域
本发明涉及交通场景技术领域,具体为一种基于分割技术的交通场景各类目标与元素的精细识别方法。
背景技术
交通是指从事旅客和货物运输及语言和图文传递的行业,包括运输和邮电两个方面,在国民经济中属于第三产业。运输有铁路、公路、水路、空路、管道五种方式,邮电包括邮政和电信两方面内容。目前在交通场景中往往需要对其中的各类目标与元素进行识别,但是目前的识别方法普遍存在识别效果差的问题。
为此,我们提出一种基于分割技术的交通场景各类目标与元素的精细识别方法。
发明内容
鉴于上述和/或现有一种基于分割技术的交通场景各类目标与元素的精细识别方法中存在的问题,提出了本发明。
因此,本发明的目的是提供一种基于分割技术的交通场景各类目标与元素的精细识别方法,能够解决上述提出现有的问题。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种基于分割技术的交通场景各类目标与元素的精细识别方法,其包括具体步骤如下:
S1,获取交通场景的图像,并在交通场景的图像中随机选取一个点A;
S2,以A点作为原点,向外发出射线,并将该射线反向延伸,从而将交通场景的图像分割成两组区域;
S3,初始化一个阈值T,通常取各区域的平均灰度值;
S4,并通过计算灰度值i得到阈值T在区域中所占的概率;
S5,在得到阈值T在区域中所占的概率后,通过最大熵分割算法得到每个阈值T在相对应的区域中所占的比例;
S6,若是区域中的阈值T不是百分百比例,则再次以A点作为原点,向外发出射线,并将该射线反向延伸,从而将交通场景的图像分割成四组区域;
S7,重新初始化一个阈值T,通常取各区域的平均灰度值;
S8,通过S4和S5得到每个阈值T在相对应的区域中所占的比例;
S9,若是区域中的阈值T不是百分百比例,则重复S6、S7和S8步骤,直至分割区域中的阈值T是百分百比例;
S10,将相同的阈值T区域进行提取,并拼接组合在一起,从而实现对交通场景的图像进行精细识别。
作为本发明所述的一种基于分割技术的交通场景各类目标与元素的精细识别方法的一种优选方案,其中:所述S4中,计算步骤如下:
步骤一:统计区域中不同灰度值的像素数量相加的总和N;
步骤二:计算灰度值i得到阈值T在区域中所占的概率;
步骤三:将小于T的阈值作为一部分T1,大于T的阈值作为一部分T2,然后计算T1、T2之间的方差;
步骤四:将获得方差与最大方差比较,若小于最大方差,则最大方差不变,若大于最大方差,则把方差并给最大方差,并且把i作为二值化的阈值。
作为本发明所述的一种基于分割技术的交通场景各类目标与元素的精细识别方法的一种优选方案,其中:所述步骤一中的计算公式为:
所述步骤二中的计算公式为:
所述步骤三中的计算公式为:
u=w0*u0+w1*u1;
g=w0*(u0-u)2+w1*(u1-u)2;
g=w0*w1*(u0-u1)2;
作为本发明所述的一种基于分割技术的交通场景各类目标与元素的精细识别方法的一种优选方案,其中:所述步骤一、所述步骤二和所述步骤三中,前景点数占图像比例为w0,平均灰度为u0,背景点数占图像比例为w1,平均灰度为u1,g为方差,记灰度值为i的像素个数为ni,设初始最大方差为0。
作为本发明所述的一种基于分割技术的交通场景各类目标与元素的精细识别方法的一种优选方案,其中:所述S5中,最大熵分割算法的步骤如下:
步骤一:通过计算公式得到信息熵;
步骤二:对灰度图进行区分,低于阈值T的为背景B1,高于阈值T的为物体B2,并设置一个最大信息熵,其值为-1;
步骤三:计算阈值T在背景B1和物体B2中的比例。
作为本发明所述的一种基于分割技术的交通场景各类目标与元素的精细识别方法的一种优选方案,其中:所述步骤一中,信息熵的计算公式如下:
其中,P(x)代表的是阈值T出现的概率,H表示信息熵。
作为本发明所述的一种基于分割技术的交通场景各类目标与元素的精细识别方法的一种优选方案,其中:所述步骤三中,阈值T在背景B1中的比例为:
所述步骤三中,阈值T在物体B2中的比例为:
其中:
与现有技术相比:
获取交通场景的图像,并在交通场景的图像中随机选取一个点A,并以A点作为原点,向外发出射线,并将该射线反向延伸,从而将交通场景的图像分割成两组区域,过后,初始化一个阈值T,通常取各区域的平均灰度值,并通过计算灰度值i得到阈值T在区域中所占的概率,在得到阈值T在区域中所占的概率后,通过最大熵分割算法得到每个阈值T在相对应的区域中所占的比例,若是区域中的阈值T不是百分百比例,则再次以A点作为原点,向外发出射线,并将该射线反向延伸,从而将交通场景的图像分割成四组区域,并重新初始化一个阈值T,通常取各区域的平均灰度值,然后通过计算得到每个阈值T在相对应的区域中所占的比例,若是区域中的阈值T不是百分百比例,则重复上述步骤,直至分割区域中的阈值T是百分百比例,将相同的阈值T区域进行提取,并拼接组合在一起,从而实现对交通场景的图像进行精细识别,通过本发明不仅会提高识别效果,还会提高识别准确度。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的实施方式作进一步地详细描述。
本发明提供一种基于分割技术的交通场景各类目标与元素的精细识别方法,包括具体步骤如下:
S1,获取交通场景的图像,并在交通场景的图像中随机选取一个点A;
S2,以A点作为原点,向外发出射线,并将该射线反向延伸,从而将交通场景的图像分割成两组区域;
S3,初始化一个阈值T,通常取各区域的平均灰度值;
S4,并通过计算灰度值i得到阈值T在区域中所占的概率;
计算步骤如下:
步骤一:统计区域中不同灰度值的像素数量相加的总和N;
计算公式为:
步骤二:计算灰度值i得到阈值T在区域中所占的概率;
计算公式为:
步骤三:将小于T的阈值作为一部分T1,大于T的阈值作为一部分T2,然后计算T1、T2之间的方差;
计算公式为:
u=w0*u0+w1*u1;
g=w0*(u0-u)2+w1*(u1-u)2;
g=w0*w1*(u0-u1)2;
步骤四:将获得方差与最大方差比较,若小于最大方差,则最大方差不变,若大于最大方差,则把方差并给最大方差,并且把i作为二值化的阈值;
在步骤一、步骤二和步骤三中,前景点数占图像比例为w0,平均灰度为u0,背景点数占图像比例为w1,平均灰度为u1,g为方差,记灰度值为i的像素个数为ni,设初始最大方差为0;
S5,在得到阈值T在区域中所占的概率后,通过最大熵分割算法得到每个阈值T在相对应的区域中所占的比例;
最大熵分割算法的步骤如下:
步骤一:通过计算公式得到信息熵;
信息熵的计算公式如下:
其中,P(x)代表的是阈值T出现的概率,H表示信息熵;
步骤二:对灰度图进行区分,低于阈值T的为背景B1,高于阈值T的为物体B2,并设置一个最大信息熵,其值为-1;
步骤三:计算阈值T在背景B1和物体B2中的比例;
阈值T在背景B1中的比例为:
所述步骤三中,阈值T在物体B2中的比例为:
其中:
S6,若是区域中的阈值T不是百分百比例,则再次以A点作为原点,向外发出射线,并将该射线反向延伸,从而将交通场景的图像分割成四组区域;
S7,重新初始化一个阈值T,通常取各区域的平均灰度值;
S8,通过S4和S5得到每个阈值T在相对应的区域中所占的比例;
S9,若是区域中的阈值T不是百分百比例,则重复S6、S7和S8步骤,直至分割区域中的阈值T是百分百比例;
S10,将相同的阈值T区域进行提取,并拼接组合在一起,从而实现对交通场景的图像进行精细识别。
在具体使用时,获取交通场景的图像,并在交通场景的图像中随机选取一个点A,并以A点作为原点,向外发出射线,并将该射线反向延伸,从而将交通场景的图像分割成两组区域,过后,初始化一个阈值T,通常取各区域的平均灰度值,并通过计算灰度值i得到阈值T在区域中所占的概率,在得到阈值T在区域中所占的概率后,通过最大熵分割算法得到每个阈值T在相对应的区域中所占的比例,若是区域中的阈值T不是百分百比例,则再次以A点作为原点,向外发出射线,并将该射线反向延伸,从而将交通场景的图像分割成四组区域,并重新初始化一个阈值T,通常取各区域的平均灰度值,然后通过计算得到每个阈值T在相对应的区域中所占的比例,若是区域中的阈值T不是百分百比例,则重复上述步骤,直至分割区域中的阈值T是百分百比例,将相同的阈值T区域进行提取,并拼接组合在一起,从而实现对交通场景的图像进行精细识别;
其中,阈值T在区域中所占概率的计算步骤如下:
步骤一:统计区域中不同灰度值的像素数量相加的总和N;
计算公式为:
步骤二:计算灰度值i得到阈值T在区域中所占的概率;
计算公式为:
步骤三:将小于T的阈值作为一部分T1,大于T的阈值作为一部分T2,然后计算T1、T2之间的方差;
计算公式为:
u=w0*u0+w1*u1;
g=w0*(u0-u)2+w1*(u1-u)2;
g=w0*w1*(u0-u1)2;
步骤四:将获得方差与最大方差比较,若小于最大方差,则最大方差不变,若大于最大方差,则把方差并给最大方差,并且把i作为二值化的阈值;
在步骤一、步骤二和步骤三中,前景点数占图像比例为w0,平均灰度为u0,背景点数占图像比例为w1,平均灰度为u1,g为方差,记灰度值为i的像素个数为ni,设初始最大方差为0;
最大熵分割算法的步骤如下:
步骤一:通过计算公式得到信息熵;
信息熵的计算公式如下:
其中,P(x)代表的是阈值T出现的概率,H表示信息熵;
步骤二:对灰度图进行区分,低于阈值T的为背景B1,高于阈值T的为物体B2,并设置一个最大信息熵,其值为-1;
步骤三:计算阈值T在背景B1和物体B2中的比例;
阈值T在背景B1中的比例为:
所述步骤三中,阈值T在物体B2中的比例为:
其中:
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (4)
1.一种基于分割技术的交通场景各类目标与元素的精细识别方法,其特征在于,包括具体步骤如下:
S1,获取交通场景的图像,并在交通场景的图像中随机选取一个点A;
S2,以A点作为原点,向外发出射线,并将该射线反向延伸,从而将交通场景的图像分割成两组区域;
S3,初始化一个阈值T,通常取各区域的平均灰度值;
S4,并通过计算灰度值i得到阈值T在区域中所占的概率;
S5,在得到阈值T在区域中所占的概率后,通过最大熵分割算法得到每个阈值T在相对应的区域中所占的比例;
S6,若是区域中的阈值T不是百分百比例,则再次以A点作为原点,向外发出射线,并将该射线反向延伸,从而将交通场景的图像分割成四组区域;
S7,重新初始化一个阈值T,通常取各区域的平均灰度值;
S8,通过S4和S5得到每个阈值T在相对应的区域中所占的比例;
S9,若是区域中的阈值T不是百分百比例,则重复S6、S7和S8步骤,直至分割区域中的阈值T是百分百比例;
S10,将相同的阈值T区域进行提取,并拼接组合在一起,从而实现对交通场景的图像进行精细识别。
2.根据权利要求1所述的一种基于分割技术的交通场景各类目标与元素的精细识别方法,其特征在于,所述S4中,计算步骤如下:
步骤一:统计区域中不同灰度值的像素数量相加的总和N;
步骤二:计算灰度值i得到阈值T在区域中所占的概率;
步骤三:将小于T的阈值作为一部分T1,大于T的阈值作为一部分T2,然后计算T1、T2之间的方差;
步骤四:将获得方差与最大方差比较,若小于最大方差,则最大方差不变,若大于最大方差,则把方差并给最大方差,并且把i作为二值化的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210577966.6A CN114863109B (zh) | 2022-05-25 | 2022-05-25 | 一种基于分割技术的交通场景各类目标与元素的精细识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210577966.6A CN114863109B (zh) | 2022-05-25 | 2022-05-25 | 一种基于分割技术的交通场景各类目标与元素的精细识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114863109A CN114863109A (zh) | 2022-08-05 |
CN114863109B true CN114863109B (zh) | 2023-05-23 |
Family
ID=82639239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210577966.6A Active CN114863109B (zh) | 2022-05-25 | 2022-05-25 | 一种基于分割技术的交通场景各类目标与元素的精细识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863109B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301405A (zh) * | 2017-07-04 | 2017-10-27 | 上海应用技术大学 | 自然场景下的交通标志检测方法 |
CN107292902B (zh) * | 2017-07-07 | 2020-05-19 | 国家电网公司 | 一种结合果蝇优化算法的二维Otsu图像分割方法 |
CN111382658B (zh) * | 2019-11-14 | 2023-04-18 | 北京航空航天大学 | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 |
CN111539273B (zh) * | 2020-04-12 | 2023-05-16 | 南京理工大学 | 一种交通视频背景建模方法及系统 |
CN111666811B (zh) * | 2020-04-22 | 2023-08-15 | 北京联合大学 | 一种提取交通场景图像中交通标志牌区域方法及系统 |
CN112990087B (zh) * | 2021-04-08 | 2022-08-19 | 济南博观智能科技有限公司 | 一种车道线检测方法、装置、设备及可读存储介质 |
-
2022
- 2022-05-25 CN CN202210577966.6A patent/CN114863109B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114863109A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986119B (zh) | 图像分割方法及装置、计算机设备及可读存储介质 | |
CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
US6990235B2 (en) | Color image processing apparatus and pattern extracting apparatus | |
US8509486B2 (en) | Vehicle license plate recognition method and system thereof | |
Shi et al. | Automatic license plate recognition system based on color image processing | |
US9135722B2 (en) | Perceptually lossless color compression | |
US7302098B2 (en) | Character segmentation method and apparatus | |
WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
Lee et al. | License plate detection using local structure patterns | |
CN110866926B (zh) | 一种红外遥感图像快速精细海陆分割方法 | |
Ingole et al. | Characters feature based Indian vehicle license plate detection and recognition | |
Kim et al. | Effective character segmentation for license plate recognition under illumination changing environment | |
US20080310685A1 (en) | Methods and Systems for Refining Text Segmentation Results | |
JPH07262374A (ja) | 画像処理装置 | |
US8280157B2 (en) | Methods and systems for refining text detection in a digital image | |
CN111401364A (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN114863109B (zh) | 一种基于分割技术的交通场景各类目标与元素的精细识别方法 | |
CN117173416B (zh) | 基于图像处理的铁路货运车号图像清晰化处理方法 | |
US10496894B2 (en) | System and method for text localization in images | |
CN111241911B (zh) | 一种自适应的车道线检测方法 | |
Hommos et al. | Hd Qatari ANPR system | |
CN110619335A (zh) | 一种车牌定位与车牌字符分割方法 | |
JP2000306104A (ja) | 画像領域分割方法及び装置 | |
CN112070081B (zh) | 一种基于高清视频的智能化车牌识别方法 | |
Jobin et al. | Automatic number plate recognition system using modified stroke width transform |
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 |