CN115761658B - 基于人工智能的高速公路路面状况检测方法 - Google Patents
基于人工智能的高速公路路面状况检测方法 Download PDFInfo
- Publication number
- CN115761658B CN115761658B CN202310020824.4A CN202310020824A CN115761658B CN 115761658 B CN115761658 B CN 115761658B CN 202310020824 A CN202310020824 A CN 202310020824A CN 115761658 B CN115761658 B CN 115761658B
- Authority
- CN
- China
- Prior art keywords
- difference
- channel
- value
- image
- area
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 title claims abstract description 7
- 238000009826 distribution Methods 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 20
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 10
- 239000003086 colorant Substances 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于人工智能的高速公路路面状况检测方法,该方法包括:提取视频帧道路图像中固定不动的区域得到待分析图像,获取连通区域,根据在R通道下的通道值确定第一亮像素点和第一暗像素点,计算差异指标,确定差异区域;根据差异区域在R通道下、G通道下和B通道下的通道值确定颜色子区域;根据所有颜色子区域对应的横坐标值之间的差异得到第一分布指标,根据相邻颜色子区域对应的纵坐标值之间的差异得到第二分布指标;进而获得综合分布指标,将综合分布指标大于分布阈值的差异区域记为反光锥区域,根据反光锥区域获得高速公路的道路状况。本发明能够获得准确的反光锥识别结果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于人工智能的高速公路路面状况检测方法。
背景技术
在高速公路的施工路段,需要对过往的车辆发出告警提示,施工工人必须使用反光锥将施工区域包围起来,同时要求反光锥的摆放必须符合高速公路的道路施工的行业规范。因此通过在监控视频中判断是否出现反光锥是判断道路是否施工的重要依据。在高速公路的监控视频中,由于高速公路施工现场的环境较为复杂,固定不动的目标还可能是车辆或者抛洒物,会对反光锥的识别造成一定的干扰。而现有的反光锥识别方法是通过识别反光锥特有的锥形进行判断,但是基于阈值分割的形状识别方法,容易受阈值分割结果的影响,从而导致无法准确识别或者错误识别。
发明内容
为了解决受阈值分割结果的影响导致无法准确识别反光锥,进而无法对高速公路路面状况进行准确检测的技术问题,本发明的目的在于提供一种基于人工智能的高速公路路面状况检测方法,所采用的技术方案具体如下:
获取高速公路的视频帧道路图像,提取视频帧道路图像中固定不动的区域得到待分析图像,获取待分析图像中的连通区域;根据待分析图像在R通道下的通道值确定第一亮像素点和第一暗像素点,根据连通区域中第一亮像素点和第一暗像素点在R通道下的通道值得到连通区域的差异指标,根据差异指标确定差异区域;
根据差异区域在R通道下、G通道下和B通道下的通道值确定差异区域中的颜色子区域;
获取差异区域中颜色子区域的中心像素点的横坐标值,根据所有颜色子区域对应的横坐标值之间的差异得到第一分布指标;获取差异区域中颜色子区域的中心像素点的纵坐标值,根据相邻颜色子区域对应的纵坐标值之间的差异得到第二分布指标;
根据第一分布指标和第二分布指标得到差异区域的综合分布指标,将综合分布指标大于分布阈值的差异区域记为反光锥区域,根据反光锥区域获得高速公路的道路状况。
优选地,所述第一分布指标的获取方法具体为:
对于任意一个差异区域,计算任意两个颜色子区域对应的横坐标值之间的差值的绝对值,记为横坐标差值;所有任意两个颜色子区域对应的横坐标差值的均值为第一分布指标。
优选地,所述第二分布指标的获取方法具体为:
对于任意一个差异区域,将差异区域中所有颜色子区域对应的纵坐标值按照固定顺序进行排列构成纵坐标序列;计算纵坐标序列中任意两个相邻纵坐标值之间的差值,记为纵坐标差值,计算纵坐标差值与所有纵坐标差值的均值之间的比值,所述比值与设定的第三数值之间的差值的绝对值为任意两个相邻纵坐标值对应的特征差值;所有任意两个相邻纵坐标值对应的特征差值的均值为第二分布指标。
优选地,所述综合分布指标的获取方法具体为:
对于任意一个差异区域,分别对第一分布指标和第二分布指标进行负相关映射,得到第一映射值和第二映射值,第一映射值与第二映射值的平方和的开平方值为综合分布指标。
优选地,所述根据连通区域中第一亮像素点和第一暗像素点在R通道下的通道值得到连通区域的差异指标具体为:
计算连通区域中所有第一亮像素点在R通道下的通道值的均值,记为第一均值;计算连通区域中所有第一暗像素点在R通道下的通道值的均值,记为第二均值;计算第一均值和第二均值的差值,所述差值与待分析图像中像素点在R通道下的通道值的最大值的比值为差异指标。
优选地,所述根据待分析图像在R通道下的通道值确定第一亮像素点和第一暗像素点具体为:
在待分析图像的R通道图像中,将通道值大于第一通道阈值的像素点记为第一亮像素点,否则记为第一暗像素点。
优选地,所述差异区域中的颜色子区域的获取方法具体为:
将待分析图像的R通道图像中的差异区域内第一亮像素点的像素值赋值为第一数值,将第一暗像素点的像素值赋值为第二数值,构成第一通道图像;在待分析图像的G通道图像中,将G通道下的通道值大于第二通道阈值的像素点记为第二亮像素点,否则记为第二暗像素点;将待分析图像的G通道图像中的差异区域内第二亮像素点的像素值赋值为所述第一数值,第二暗像素点的像素值赋值为所述第二数值,构成第二通道图像;在待分析图像的B通道图像中,将B通道下的通道值大于第三通道阈值的像素点记为第三亮像素点,否则记为第三暗像素点;将待分析图像的B通道图像中的差异区域内第三亮像素点的像素值赋值为所述第一数值,第三暗像素点的像素值赋值为所述第二数值,构成第三通道图像;
在第一通道图像中像素值为第一数值,且在第二通道图像和第三通道图像中像素值均为第二数值,对应位置的像素点构成的区域为第一颜色子区域;在第一通道图像、第二通道图像和第三通道图像中像素值均为第一数值,对应位置的像素点构成的区域为第二颜色子区域;所述第一颜色子区域和第二颜色子区域为颜色子区域。
优选地,所述提取视频帧道路图像中固定不动的区域得到待分析图像,获取待分析图像中的连通区域,具体包括:
将任意一帧视频帧道路图像记为目标帧道路图像,计算目标帧道路图像的相邻帧道路图像与目标帧道路图像的差值得到帧差图像,计算目标帧道路图像与帧差图像的差值得到待分析图像;对待分析图像进行边缘检测得到至少两个区域,互相连通的区域构成连通区域。
优选地,所述根据差异指标确定差异区域具体为:将差异指标大于差异阈值的连通区域记为差异区域。
优选地,所述根据反光锥区域获得高速公路的道路状况具体为:
当待分析图像中存在反光锥区域时,高速公路的道路状况为正在整修状态。
本发明实施例至少具有如下有益效果:
本发明通过提取视频帧道路图像中固定不动的区域得到待分析图像,对待分析图像中固定不动的目标物体进行分析,获取连通区域,根据待分析图像在R通道下的通道值确定第一亮像素点和第一暗像素点,考虑到反光锥上不同颜色的部分在R通道下的通道值的差异情况,获得差异指标,并根据差异指标确定差异区域;考虑到反光锥上不同颜色的部分分别在R、G和B三个通道下的通道值之间的差异情况,根据差异区域在R通道下、G通道下和B通道下的通道值确定差异区域中的颜色子区域,颜色子区域表征了反光锥上不同颜色的部分;根据所有颜色子区域对应的横坐标值之间的差异得到第一分布指标,第一分布指标反映了差异区域内各颜色子区域之间在横向分布的差异情况,根据相邻颜色子区域对应的纵坐标值之间的差异得到第二分布指标,第二分布指标反映了差异区域内颜色子区域在纵向分布之间的差异距离的均匀程度,进而结合差异区域内颜色子区域的横向分布情况和纵向分布情况获取综合分布指标,将分布情况满足分布阈值的差异区域记为反光锥区域,进而能够确定高速公路的道路状况,本发明通过颜色特征和位置分布特征两个方面进行确定反光锥所在的区域,考虑因素较为全面,识别结果较为准确,进而能够对高速公路路面状况进行准确检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明的一种基于人工智能的高速公路路面状况检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的高速公路路面状况检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的高速公路路面状况检测方法的具体方案。
实施例:
本发明的主要目的是:通过图像处理获取高速公路的道路图像中可能为反光锥的区域,再对可能为反光锥的区域进行识别,从而判断高速公路的道路上固定不动的目标区域是否为反光锥,若是反光锥则说明高速公路上正在进行道路施工,需发出告警提示。
本发明所针对的具体场景为:通过高速公路上架设的摄像头采集道路图像,对采集到的道路图像进行处理,判断出道路图像中的反光锥所在区域。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的高速公路路面状况检测方法的方法流程图,该方法包括以下步骤:
步骤一,获取高速公路的视频帧道路图像,提取视频帧道路图像中固定不动的区域得到待分析图像,获取待分析图像中的连通区域;根据待分析图像在R通道下的通道值确定第一亮像素点和第一暗像素点,根据连通区域中第一亮像素点和第一暗像素点在R通道下的通道值得到连通区域的差异指标,根据差异指标确定差异区域。
首先,由于在高速公路的施工路段,施工工人必须使用反光锥将施工区域包围起来,以便对高速公路上过往的车辆发出告警提示,故在高速公路的道路上反光锥属于固定不变的目标物体,也即是静止的物体。基于此,利用高速公路上的监控摄像头获取视频帧道路图像。在时序上如果目标物体是运动的,则目标物体在相邻的视频帧图像中位置或者大小发生改变,基于该特性可以提取视频帧道路图像中的运动区域,除运动区域外的其他区域即为静止的区域。
在本实施例中,采用帧差法提取图像中的运动区域,进而获取视频帧道路图像中固定不变的区域得到待分析图像。具体地,将任意一帧视频帧道路图像记为目标帧道路图像,计算目标帧道路图像的相邻帧道路图像与目标帧道路图像的差值得到帧差图像。同时,实施者也可根据实际情况选择合适的方法直接提取图像中固定不变的区域得到待分析图像。
其中,在本实施例中,选择目标帧道路图像的下一帧视频帧道路图像作为其相邻帧道路图像,实施者也可选择目标帧道路图像的上一帧视频帧道路图像作为其相邻帧道路图像。进一步的,帧差图像能够表征目标帧道路图像中运动的物体,故可通过获取原始图像与帧差图像的差异情况获得原始图像中固定不变的部分。即计算目标帧道路图像与帧差图像的差值得到待分析图像。
然后,获取待分析图像中各个物体所在区域,即对待分析图像进行边缘检测得到至少两个区域,互相连通的区域构成连通区域。互相连通的区域是指在待分析图像中位置上相邻的区域,也即是边缘相接的区域,一个连通区域内包含两个或者多个区域。其中,采用canny算法对待分析图像进行边缘检测,实施者可根据实际情况选择其他合适的算法进行处理。
需要说明的是,反光锥的颜色主要有三种,第一种反光锥的主要颜色的RGB数值为(255,0,0),第二种反光锥的主要颜色的RGB数值为(255,255,0),第三种反光锥的主要颜色的RGB数值为(0,0,255),不同种颜色的反光锥适用于不同的场合。例如,RGB数值为(255,0,0)的第一种颜色的反光锥主要用于室外交通、城市路口车道、室外停车场、人行道和建筑之间的隔离警示等;RGB数值为(255,255,0)的第二种颜色的反光锥主要用于室内停车场等光线较暗的地方;RGB数值为(0,0,255)的第三种颜色的反光锥适用于一些特殊的场合。因此,高速公路的施工区域所使用的反光锥为第一种颜色的反光锥。而第一种颜色的反光锥的颜色一般是两种颜色相间,这两种颜色的RGB数值分别为(255,0,0)和(255,255,255),底座对应的颜色的RGB数值为(0,0,0)。为了方便描述,在本实施例中,将RGB数值为(255,0,0)对应的颜色记为X,将RGB数值为(255,255,255)对应的颜色记为Y,将RGB数值为(0,0,0)对应的颜色记为Z。其中,X、Y、Z均表示颜色,仅为颜色的标记字母,实施者可根据具体实施场景采用其他颜色标记的方法。
基于此,若待分析图像中存在反光锥,则获取的连通区域可能为X和Y相间的反光锥所在的区域。待分析图像为RGB图像,反光锥上的不同的颜色在R、G和B三通道下的通道值均不相同,因此,可以通过分析三通道下的通道值之间的差异情况,找出连通区域中的X对应的区域和Y对应的区域,进而再分析两种颜色区域之间的位置关系确定最终的反光锥区域。
在RGB图像中,图像是一个三维矩阵,图像的三个维度分别为R、G和B,矩阵的每一层分别对应着在R、G和B通道中的通道值,矩阵中元素值的大小对应图像不同通道中通道值的大小,数值越大,亮度越高,数值越小,亮度越低。把R分量放进R通道里,把B分量放进B通道里,把G分量放进G通道里,通过R、G和B三个通道的组合就可以得到彩色的RGB图像。
在待分析图像的R通道下,X和Y对应的通道值均较大,则反光锥上X对应的部分和Y对应的部分都是高亮的部分,而Z对应的通道值较小,则反光锥的Z对应的部分的通道值较低,属于亮度较暗的部分,进而根据待分析图像中连通区域在R通道下的通道值区分高亮部分和亮度较暗的部分。
具体地,在待分析图像的R通道图像中,将R通道下的通道值大于第一通道阈值的像素点记为第一亮像素点,否则记为第一暗像素点。其中,第一通道阈值的取值实施者可根据具体实施场景进行设置,在本实施例中,采用直方图阈值分割法对R通道下的通道值进行阈值分割,直方图阈值分割法为公知技术,在此不再过多介绍,实施者也可根据实际情况选择其他较为合适的阈值分割算法进行处理。
最后,由于反光锥包含多个X对应的区域和Y对应的区域,并且包含Z对应的区域,反光锥所在的区域中X和Y所在区域,与Z所在区域的颜色差异较大,表现在R通道中即是X和Y所在区域的R通道值较大,亮度较高,Z所在区域的R通道值较小,亮度较低,故反光锥所在区域中X和Y所在区域,与Z所在区域的R通道值之间的差异较大。
基于此,由于第一亮像素点在R通道下的通道值较大,故第一亮像素点可能为X或者Y所在区域中的像素点,由于第一暗像素点在R通道下的通道值较小,故第一暗像素点可能为Z所在区域中的像素点。若连通区域中第一亮像素点和第一暗像素点在R通道下的通道值之间的差异越大,说明第一亮像素点为X或者Y所在区域中的像素点的可能性越大,第一暗像素点可能为Z所在区域中的像素点的可能性越大,则连通区域为反光锥的可能性越大。
进而根据连通区域中第一亮像素点和第一暗像素点在R通道下的通道值得到连通区域的差异指标,具体地,计算连通区域中所有第一亮像素点在R通道下的通道值的均值,记为第一均值;计算连通区域中所有第一暗像素点在R通道下的通道值的均值,记为第二均值;计算第一均值和第二均值的差值,所述差值与待分析图像中像素点在R通道下的通道值的最大值的比值为差异指标,用公式表示为:
其中,表示连通区域Q对应的差异指标,表示连通区域中第一亮像素点的总数量,表示连通区域中第n个第一亮像素点在R通道下的通道值,表示连通区域中第一暗像素点的总数量,表示连通区域中第m个第一暗像素点在R通道下的通道值,表示待分析图像中像素点在R通道下的通道值的最大值,在本实施例中的取值为255。
为第一均值,表征在连通区域内第一亮像素点在R通道下的通道值的均衡情况,为第二均值,表征在连通区域内第一暗像素点在R通道下的通道值的均衡情况,表示连通区域内第一亮像素点和第一暗像素点在R通道下的通道值之间的差异情况,该差异越大,说明连通区域中第一亮像素点和第一暗像素点在R通道下的通道值之间的差异越大,对应的差异指标的取值越大,说明第一亮像素点为X或者Y所在区域中的像素点的可能性越大,第一暗像素点可能为Z所在区域中的像素点的可能性越大,则连通区域为反光锥的可能性越大。
通过计算第一均值与第二均值之间的差值,与R通道值最大值的比值,表征连通区域内第一亮像素点和第一暗像素点在R通道下的通道值之间的差异占整体的比率。进而差异指标表征连通区域内第一亮像素点和第一暗像素点在R通道下的通道值之间的差异率,差异指标取值越大,说明差异率越大,则说明第一亮像素点为X或者Y所在区域中的像素点的可能性越大,第一暗像素点可能为Z所在区域中的像素点的可能性越大,则连通区域为反光锥的可能性越大。
基于此,设置差异阈值,在本实施例中,差异阈值的取值为0.7,实施者可根据实际情况进行设置。当差异指标大于差异阈值时,说明对应的连通区域内第一亮像素点和第一暗像素点在R通道下的通道值之间的差异较大,故将差异指标大于差异阈值的连通区域记为差异区域。从颜色特征方面初步筛选可能为反光锥的区域,即差异区域可能为反光锥所在的区域。
步骤二,根据差异区域在R通道下、G通道下和B通道下的通道值确定差异区域中的颜色子区域。
需要说明的是,X在R通道下的通道值为255,在G和B通道下的通道值均为0,而Y在R、G和B通道下的通道值均为255,故可根据三个通道下通道值之间的差异情况,确定连通区域中的X部分和Y部分。
步骤一中已经获取了待分析图像的R通道图像中的第一亮像素点和第一暗像素点,第一亮像素点在R通道下的通道值较大,第一暗像素点在R通道下的通道值较小,则R通道图像中的差异区域中第一亮像素点可能为X或者Y所在区域的像素点,R通道图像中的差异区域中第一暗像素点可能为Z所在区域的像素点。
将R通道图像中的差异区域中第一亮像素点的像素值赋值为第一数值,将第一暗像素点的像素值赋值为第二数值,构成第一通道图像;在本实施例中,第一数值的取值为1,第二数值的取值为0,实施者可根据具体实施场景进行设置。
在待分析图像的G通道下,X和Z对应的通道值较小,Y对应的通道值较大,故反光锥上X部分属于亮度较暗的部分,Y部分属于高亮的部分。在待分析图像的G通道图像中,将G通道下的通道值大于第二通道阈值的像素点记为第二亮像素点,否则记为第二暗像素点。其中,第二通道阈值的取值实施者可根据实际情况进行设置,在本实施例中采用直方图阈值分割法获取第二通道阈值,进而对G通道下的通道值进行阈值分割。
进而在待分析图像的G通道图像中,第二亮像素点在G通道下的通道值较大,第二暗像素点在G通道下的通道值较小,则G通道图像中的差异区域中第二亮像素点可能为Y所在区域的像素点,G通道图像中的差异区域中第二暗像素点可能为X所在区域的像素点。
将待分析图像的G通道图像中的差异区域内第二亮像素点的像素值赋值为所述第一数值,第二暗像素点的像素值赋值为所述第二数值,构成第二通道图像。
在待分析图像的B通道图像中,X对应的通道值较小,Y对应的通道值较大,故反光锥上X部分属于亮度较暗的部分,Y部分属于高亮的部分。在待分析图像的B通道图像中,将B通道下的通道值大于第三通道阈值的像素点记为第三亮像素点,否则记为第三暗像素点。其中,第三通道阈值的取值实施者可根据实际情况进行设置,在本实施例中采用直方图阈值分割法获取第三通道阈值,进而对B通道下的通道值进行阈值分割。
在待分析图像的B通道图像中,第三亮像素点在B通道下的通道值较大,第三暗像素点在B通道下的通道值较小,则B通道图像中的差异区域中第三亮像素点可能为Y所在区域的像素点,B通道图像中的差异区域中第三暗像素点可能为X所在区域的像素点。
将待分析图像的B通道图像中的差异区域内第三亮像素点的像素值赋值为所述第一数值,第三暗像素点的像素值赋值为所述第二数值,构成第三通道图像。
需要说明的是,第一通道图像、第二通道图像和第三通道图像均为二值图像。同时,第一通道图像、第二通道图像和第三通道图像中的第一数值均相等,且第二数值也均相等。
由于第一通道图像中像素值为第一数值的像素点可能为X或者Y所在区域的像素点,第二通道图像中和第三通道图像中像素值为第二数值的像素点均可能为X所在区域的像素点,故通过比较第一通道图像、第二通道图像和第三通道图像中像素点的像素值分布情况,在第一通道图像中像素值为第一数值,且在第二通道图像和第三通道图像中像素值均为第二数值,对应位置的像素点即可认为是X所在区域的像素点。在第一通道图像中像素值为第一数值,且在第二通道图像和第三通道图像中像素值均为第二数值,对应位置的像素点构成的区域为第一颜色子区域。第一颜色子区域即为X所在的区域。
由于第一通道图像中像素值为第一数值的像素点可能为X或者Y所在区域的像素点,在第二通道图像中和第三通道图像中像素值为第一数值的像素点均可能为Y所在区域的像素点,故通过比较第一通道图像、第二通道图像和第三通道图像中除第一颜色子区域外其他像素点的像素值,在三张图像中对应位置像素值均相同,且均为第一数值的像素点即可认为是Y所在区域的像素点,即第一通道图像、第二通道图像和第三通道图像中像素值均为第一数值,对应位置的像素点构成的区域为第二颜色子区域。第二颜色子区域即为Y所在的区域。
所述第一颜色子区域和第二颜色子区域为颜色子区域,通过不同通道下通道值的分布情况确定差异区域中X所在的区域和Y所在的区域,进而可以对差异区域中的颜色子区域之间的位置分布特征进行分析。
步骤三,获取差异区域中颜色子区域的中心像素点的横坐标值,根据所有颜色子区域对应的横坐标值之间的差异得到第一分布指标;获取差异区域中颜色子区域的中心像素点的纵坐标值,根据相邻颜色子区域对应的纵坐标值之间的差异得到第二分布指标。
首先,由于差异区域中颜色子区域包括第一颜色子区域和第二颜色子区域,故差异区域中的颜色子区域可以表征为反光锥所在区域中的X所在区域或者Y所在区域,在反光锥所在区域中的X所在区域和Y所在区域相互连接,并且X所在区域和Y所在区域中心点位置是竖直的关系,即反光锥所在区域中的X所在区域和Y所在区域中心点几乎分布在同一条直线上。
以待分析图像的水平方向为横轴,竖直方向为纵轴,图像左下角为原点建立直角坐标系,获取差异区域中每个颜色子区域的中心像素点的横坐标值。由于反光锥所在区域中的X所在区域和Y所在区域相互连接,并且X所在区域和Y所在区域中心点位置是竖直的关系,因此,在差异区域中,任意两个颜色子区域的中心像素点的横坐标值之间的差异均较小,或者几乎不存在差异。
基于此,根据所有颜色子区域对应的横坐标值之间的差异得到第一分布指标,具体地,对于任意一个差异区域,计算任意两个颜色子区域对应的横坐标值之间的差值的绝对值,记为横坐标差值;所有任意两个颜色子区域对应的横坐标差值的均值为第一分布指标,用公式表示为:
其中,表示第t个差异区域对应的第一分布指标,表示第t个差异区域中包含的颜色子区域的总数量,表示第t个差异区域中第u个颜色子区域的中心像素点的横坐标值,表示第t个差异区域中第v个颜色子区域的中心像素点的横坐标值。表示u和v均表示颜色子区域的索引,即第u个颜色子区域和第v个颜色子区域均属于第t个差异区域。
为横坐标差值,表示第u个颜色子区域和第v个颜色子区域的中心像素点的横坐标值之间的差异,该差异越大,说明第u个颜色子区域和第v个颜色子区域在横向分布上的差异越大,对应的第一分布指标的取值越大,说明差异区域越不可能是反光锥所在区域。该差异越小,说明第u个颜色子区域和第v个颜色子区域在横向分布上的差异越小,对应的第一分布指标的取值越小,说明差异区域与可能是反光锥所在区域。第一分布指标反映了差异区域内各颜色子区域之间在横向分布的差异情况。
进一步的,由于反光锥所在区域中的X所在区域和Y所在区域相互连接,并且X所在区域和Y所在区域中心点位置是竖直的关系,因此,在差异区域中,相邻两个颜色子区域的中心像素点的纵坐标值之间的差异较小,并且相邻两个颜色子区域的中心像素点的纵坐标值之间的差异较为均匀。
基于此,根据相邻颜色子区域对应的纵坐标值之间的差异得到第二分布指标,具体地,对于任意一个差异区域,将差异区域中所有颜色子区域对应的纵坐标值按照固定顺序进行排列构成纵坐标序列。在本实施例中,固定顺序为从大到小的顺序,即将差异区域中所有颜色子区域对应的纵坐标值的取值按照从大到小的顺序进行排列,构成纵坐标序列。
计算纵坐标序列中任意两个相邻纵坐标值之间的差值,记为纵坐标差值,计算纵坐标差值与所有纵坐标差值的均值之间的比值,所述比值与设定的第三数值之间的差值的绝对值为任意两个相邻纵坐标值对应的特征差值;所有任意两个相邻纵坐标值对应的特征差值的均值为第二分布指标,用公式表示为:
其中,表示第t个差异区域对应的第二分布指标,表示第t个差异区域中包含的颜色子区域的总数量,也即纵坐标序列中包含的纵坐标值的总数量,表示纵坐标序列中第a个纵坐标值,表示纵坐标序列中第a+1个纵坐标值,表示所有纵坐标差值的均值,为设定的第三数值,在本实施例中的取值为1,利用减去第三数值再取绝对值是为了进行归一化处理。
为纵坐标差值,表示纵坐标序列中第a个纵坐标值和第a+1个纵坐标值之间的差异,反映了在空间上两个相邻的颜色子区域对应的纵坐标值之间的差异,该差异越大,说明第a个纵坐标值对应的颜色子区域和第a+1个纵坐标值对应的颜色子区域在纵向分布上的差异越大。
为特征差值,表示纵坐标差值与所有纵坐标差值的均值之间的比值,能够反映纵坐标差值与所有纵坐标差值的均值之间的差异情况,该比值越接近于1,说明纵坐标差值越接近于所有纵坐标差值的均值,也即特征差值的取值越小,说明差异区域中颜色子区域在纵向分布之间的差异距离越均匀,对应的第二分布指标的取值越小,说明差异区域越可能是反光锥所在区域。第二分布指标反映了差异区域内颜色子区域在纵向分布之间的差异距离的均匀程度。
步骤四,根据第一分布指标和第二分布指标得到差异区域的综合分布指标,将综合分布指标大于分布阈值的差异区域记为反光锥区域,根据反光锥区域获得高速公路的道路状况。
具体地,第一分布指标反映了差异区域内各颜色子区域之间在横向分布的差异情况,第二分布指标反映了差异区域内颜色子区域在纵向分布之间的差异距离的均匀程度,反光锥所在区域中X所在区域和Y所在区域相互连接,并且X所在区域和Y所在区域中心点位置是竖直的关系,故反光锥所在区域中的X所在区域和Y所在区域的中心像素点的横坐标值之间的差异较小,纵坐标值之间的差异距离较为均匀。
基于此,根据第一分布指标和第二分布指标得到差异区域的综合分布指标,具体地,对于任意一个差异区域,分别对第一分布指标和第二分布指标进行负相关映射,得到第一映射值和第二映射值,第一映射值与第二映射值的平方和的开平方值为综合分布指标,用公式表示为:
其中,表示第t个差异区域对应的综合分布指标,表示第t个差异区域对应的第一分布指标,表示第t个差异区域对应的第二分布指标,exp()为以自然常数e为底的指数函数。为第一映射值,为第二映射值。
在本实施例中,利用指数函数对第一分布指标和第二分布指标进行负相关映射,为第一映射值,为第二映射值,对第一映射值和第二映射值之和求平方根是利用欧几里得公式整合第一分布指标和第二分布指标,得到综合分布指标。
第一分布指标取值越小,说明差异区域内各颜色子区域之间在横向分布的差异越小,对应的综合分布指标的取值越大,说明差异区域越可能是反光锥所在区域。第二分布指标取值越小,说明差异区域内颜色子区域在纵向分布之间的差异距离的越均匀,对应的综合分布指标的取值越大,说明差异区域越可能是反光锥所在区域。即综合分布指标表征了差异区域为反光锥所在区域的可能性大小,综合分布指标的取值越大,差异区域是反光锥所在区域的可能性越大。
进一步的,设置分布阈值,分布阈值的取值根据反光锥中X所在区域和Y所在区域的不同而不同,实施者可根据实际情况进行设置。当综合分布指标大于分布阈值,说明对应的差异区域内各颜色子区域之间在横向分布的差异较小,在纵向分布之间的差异距离的较为均匀,则该差异区域越可能为反光锥所在区域。否则,说明对应的差异区域内各颜色子区域之间在横向分布的差异较大,在纵向分布之间的差异距离的较不均匀,则该差异区域越不可能为反光锥所在区域。
将综合分布指标大于分布阈值的差异区域记为反光锥区域,当待分析图像中检测出反光锥区域时,说明当前高速公路中存在反光锥,说明当前高速公路存在施工的情况,则当前高速公路的道路状况为正在整修状态。当待分析图像中并未检测出反光锥区域时,说明当前高速公路中不存在反光锥,说明当前高速公路并不存在施工的情况,则当前高速公路的路面状况为正常状态。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的高速公路路面状况检测方法,其特征在于,该方法包括以下步骤:
获取高速公路的视频帧道路图像,提取视频帧道路图像中固定不动的区域得到待分析图像,获取待分析图像中的连通区域;根据待分析图像在R通道下的通道值确定第一亮像素点和第一暗像素点,根据连通区域中第一亮像素点和第一暗像素点在R通道下的通道值得到连通区域的差异指标,根据差异指标确定差异区域;
根据差异区域在R通道下、G通道下和B通道下的通道值确定差异区域中的颜色子区域;
获取差异区域中颜色子区域的中心像素点的横坐标值,根据所有颜色子区域对应的横坐标值之间的差异得到第一分布指标;获取差异区域中颜色子区域的中心像素点的纵坐标值,根据相邻颜色子区域对应的纵坐标值之间的差异得到第二分布指标;
根据第一分布指标和第二分布指标得到差异区域的综合分布指标,将综合分布指标大于分布阈值的差异区域记为反光锥区域,根据反光锥区域获得高速公路的道路状况。
2.根据权利要求1所述的一种基于人工智能的高速公路路面状况检测方法,其特征在于,所述第一分布指标的获取方法具体为:
对于任意一个差异区域,计算任意两个颜色子区域对应的横坐标值之间的差值的绝对值,记为横坐标差值;所有任意两个颜色子区域对应的横坐标差值的均值为第一分布指标。
3.根据权利要求1所述的一种基于人工智能的高速公路路面状况检测方法,其特征在于,所述第二分布指标的获取方法具体为:
对于任意一个差异区域,将差异区域中所有颜色子区域对应的纵坐标值按照固定顺序进行排列构成纵坐标序列;计算纵坐标序列中任意两个相邻纵坐标值之间的差值,记为纵坐标差值,计算纵坐标差值与所有纵坐标差值的均值之间的比值,所述比值与设定的第三数值之间的差值的绝对值为任意两个相邻纵坐标值对应的特征差值;所有任意两个相邻纵坐标值对应的特征差值的均值为第二分布指标。
4.根据权利要求1所述的一种基于人工智能的高速公路路面状况检测方法,其特征在于,所述综合分布指标的获取方法具体为:
对于任意一个差异区域,分别对第一分布指标和第二分布指标进行负相关映射,得到第一映射值和第二映射值,第一映射值与第二映射值的平方和的开平方值为综合分布指标。
5.根据权利要求1所述的一种基于人工智能的高速公路路面状况检测方法,其特征在于,所述根据连通区域中第一亮像素点和第一暗像素点在R通道下的通道值得到连通区域的差异指标具体为:
计算连通区域中所有第一亮像素点在R通道下的通道值的均值,记为第一均值;计算连通区域中所有第一暗像素点在R通道下的通道值的均值,记为第二均值;计算第一均值和第二均值的差值,所述差值与待分析图像中像素点在R通道下的通道值的最大值的比值为差异指标。
6.根据权利要求1所述的一种基于人工智能的高速公路路面状况检测方法,其特征在于,所述根据待分析图像在R通道下的通道值确定第一亮像素点和第一暗像素点具体为:
在待分析图像的R通道图像中,将通道值大于第一通道阈值的像素点记为第一亮像素点,否则记为第一暗像素点。
7.根据权利要求1所述的一种基于人工智能的高速公路路面状况检测方法,其特征在于,所述差异区域中的颜色子区域的获取方法具体为:
将待分析图像的R通道图像中的差异区域内第一亮像素点的像素值赋值为第一数值,将第一暗像素点的像素值赋值为第二数值,构成第一通道图像;
在待分析图像的G通道图像中,将G通道下的通道值大于第二通道阈值的像素点记为第二亮像素点,否则记为第二暗像素点;将待分析图像的G通道图像中的差异区域内第二亮像素点的像素值赋值为所述第一数值,第二暗像素点的像素值赋值为所述第二数值,构成第二通道图像;
在待分析图像的B通道图像中,将B通道下的通道值大于第三通道阈值的像素点记为第三亮像素点,否则记为第三暗像素点;将待分析图像的B通道图像中的差异区域内第三亮像素点的像素值赋值为所述第一数值,第三暗像素点的像素值赋值为所述第二数值,构成第三通道图像;
在第一通道图像中像素值为第一数值,且在第二通道图像和第三通道图像中像素值均为第二数值,对应位置的像素点构成的区域为第一颜色子区域;
在第一通道图像、第二通道图像和第三通道图像中像素值均为第一数值,对应位置的像素点构成的区域为第二颜色子区域;
所述第一颜色子区域和第二颜色子区域为颜色子区域。
8.根据权利要求1所述的一种基于人工智能的高速公路路面状况检测方法,其特征在于,所述提取视频帧道路图像中固定不动的区域得到待分析图像,获取待分析图像中的连通区域,具体包括:
将任意一帧视频帧道路图像记为目标帧道路图像,计算目标帧道路图像的相邻帧道路图像与目标帧道路图像的差值得到帧差图像,计算目标帧道路图像与帧差图像的差值得到待分析图像;对待分析图像进行边缘检测得到至少两个区域,互相连通的区域构成连通区域。
9.根据权利要求1所述的一种基于人工智能的高速公路路面状况检测方法,其特征在于,所述根据差异指标确定差异区域具体为:将差异指标大于差异阈值的连通区域记为差异区域。
10.根据权利要求1所述的一种基于人工智能的高速公路路面状况检测方法,其特征在于,所述根据反光锥区域获得高速公路的道路状况具体为:
当待分析图像中存在反光锥区域时,高速公路的道路状况为正在整修状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310020824.4A CN115761658B (zh) | 2023-01-07 | 2023-01-07 | 基于人工智能的高速公路路面状况检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310020824.4A CN115761658B (zh) | 2023-01-07 | 2023-01-07 | 基于人工智能的高速公路路面状况检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115761658A CN115761658A (zh) | 2023-03-07 |
CN115761658B true CN115761658B (zh) | 2023-04-07 |
Family
ID=85348369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310020824.4A Active CN115761658B (zh) | 2023-01-07 | 2023-01-07 | 基于人工智能的高速公路路面状况检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761658B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453064B (zh) * | 2023-06-16 | 2023-08-18 | 烟台黄金职业学院 | 基于监控数据的隧道路段路况异常识别方法 |
CN116758528B (zh) * | 2023-08-18 | 2023-11-03 | 山东罗斯夫新材料科技有限公司 | 基于人工智能的丙烯酸乳液颜色变化识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989142A (zh) * | 2021-10-25 | 2022-01-28 | 黑龙江科技大学 | 一种红外图像处理方法 |
CN114511770A (zh) * | 2021-12-21 | 2022-05-17 | 武汉光谷卓越科技股份有限公司 | 道路标识标牌识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3949684B2 (ja) * | 2004-04-30 | 2007-07-25 | 三菱電機株式会社 | 階調補正装置、階調補正用プログラム、携帯端末機器及びパーソナルコンピュータ |
-
2023
- 2023-01-07 CN CN202310020824.4A patent/CN115761658B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989142A (zh) * | 2021-10-25 | 2022-01-28 | 黑龙江科技大学 | 一种红外图像处理方法 |
CN114511770A (zh) * | 2021-12-21 | 2022-05-17 | 武汉光谷卓越科技股份有限公司 | 道路标识标牌识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115761658A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115761658B (zh) | 基于人工智能的高速公路路面状况检测方法 | |
US10037604B2 (en) | Multi-cue object detection and analysis | |
CN111666805B (zh) | 用于自动驾驶的类别标记系统 | |
CN108734105B (zh) | 车道线检测方法、装置、存储介质和电子设备 | |
Akagic et al. | Pothole detection: An efficient vision based method using rgb color space image segmentation | |
US10438072B2 (en) | Video data background tracking and subtraction with multiple layers of stationary foreground and background regions | |
Rojas et al. | Vehicle detection in color images | |
CN104599511B (zh) | 一种基于背景建模的车流量检测方法 | |
CN116597389B (zh) | 基于图像处理的地质灾害监测及预警方法 | |
CN111582255A (zh) | 车辆超限检测方法、装置、计算机设备和存储介质 | |
CN113051980A (zh) | 视频处理方法、设备、系统及计算机可读存储介质 | |
CN111477013B (zh) | 一种基于地图影像的车辆测量方法 | |
CN117474870A (zh) | 一种基于大数据筛选的公路路面裂缝识别决策方法及系统 | |
CN113158954B (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 | |
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 | |
CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
CN111695374B (zh) | 监控视角中斑马线区域的分割方法、系统、介质及设备 | |
CN103955929A (zh) | 图像局部边缘模式与非边缘模式判断方法及判断装置 | |
CN111382736B (zh) | 车牌图像的获取方法和装置 | |
CN115619801A (zh) | 一种基于深度学习的监控视频图像遮挡检测方法 | |
CN113343766B (zh) | 一种车辆压双黄线自动检测方法 | |
CN113642553B (zh) | 一种整体与部件目标检测相结合的非约束车牌精准定位方法 | |
CN116229433B (zh) | 一种器件状态识别方法和装置 | |
KR102460705B1 (ko) | 인공지능을 기반으로 하는 촬영영상을 이용한 해무 판별 방법 및 그 장치 | |
CN115546704B (zh) | 一种车辆抛洒物识别方法、装置及应用 |
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 |