CN115994947B

CN115994947B - 基于定位的智能打卡的估算方法

Info

Publication number: CN115994947B
Application number: CN202310282335.6A
Authority: CN
Inventors: 冯波; 代岳强; 梁军
Original assignee: Wanlian Yida Logistics Technology Co ltd
Current assignee: Wanlian Yida Logistics Technology Co ltd
Priority date: 2023-03-22
Filing date: 2023-03-22
Publication date: 2023-06-02
Anticipated expiration: 2043-03-22
Also published as: CN115994947A

Abstract

本发明涉及智能物流数据处理技术领域，尤其涉及一种基于定位的智能打卡的估算方法。该方法包括以下步骤：持续获取货车位置信息；获取电子围栏标定请求，并根据电子围栏设定请求在电子地图上进行标定，从而获得电子围栏地图，并于电子围栏地图上形成有目标围栏区域；根据货车位置信息以及电子围栏地图进行相对位置比对，获得相对位置数据；进行货车图像采集，从而获取货车图像信息，并根据货车图像信息进行图像比例采集，获得图像比例指数。本发明结合电子地图以及图像识别，实现了精准的时空定位，避免人工打卡或GPS打卡带来的高误差，以执行准确高效的打卡作业。

Description

基于定位的智能打卡的估算方法

技术领域

本发明涉及智能物流数据处理技术领域，尤其涉及一种基于定位的智能打卡的估算方法。

背景技术

在科学技术和经济快速发展的今天，企业规模不断扩大，考勤管理对企业的发展也变得相当重要。要更好地管理企业，一个简单、快速和有效的考勤系统必不可少的。在实际生成过程中，打卡行动的执行往往依赖于人工打卡或者GPS定位打卡，人工打卡容易出现漏打少打的情况，从而造成无法溯源或者数据错乱的情况，导致企业无法做出及时有效的发展策略，另一方面，GPS定位打卡，在现实过程中有着不小的误差，若实现相对较高的精度需求的打卡行动，则会造成较大的成本负荷，使得得不偿失。

随着互联网技术的发展，将深度学习算法应用于智能打卡中，实现时空范围内对物体的精准定位，从而避免人工打卡以及GPS定位打卡带来的误差，基于实时图像处理的目标识别逐渐成为了物联网技术应用的重要领域之一，如何将打卡系统与基于实时图像处理的目标识别结合起来变成为了一个问题，在实际应用中，目标识别算法还面临着精度不高以及面临不同光照条件下的图像识别度不够的问题。

发明内容

本发明为解决上述技术问题，提出了一种基于定位的智能打卡的估算方法，以解决至少一个上述技术问题。

本发明提供一种基于定位的智能打卡的估算方法，包括以下步骤：

步骤S1：持续获取货车位置信息；

步骤S2：获取电子围栏标定请求，并根据电子围栏设定请求在电子地图上进行标定，从而获得电子围栏地图，并于电子围栏地图上形成有目标围栏区域；

步骤S3：根据货车位置信息以及电子围栏地图进行相对位置比对，从而获得相对位置数据；

步骤S4：确定相对位置数据大于预设的阈值位置数据时，则返回步骤S1；

步骤S5：确定相对位置数据小于预设的阈值位置数据时，则控制摄像头进行货车图像采集，从而获取货车图像信息，并根据货车图像信息进行图像比例采集，从而获得图像比例指数；

步骤S6：确定图像比例指数小于或等于预设的图像比例阈值时，则返回步骤S5；

步骤S7：确定图像比例指数大于预设的图像比例阈值时，则根据货车图像信息对货车移动方向识别，从而获取货车移动方向向量，以判定货车是否进出电子围栏地图的目标围定区域，进而发送至智能打卡模块执行智能打卡作业。

本实施例通过采用电子围栏和相对位置比对等手段，可以实现对货车进出特定区域的检测，从而避免了人工打卡可能存在的误差和漏洞，提高了打卡的精度和可靠性；通过结合图像比例采集和移动方向识别等技术，可以实现在不同场景下对货车的准确监测和判定，从而增强了打卡的多样性和实时性。同时，在需要进行人工审核确认的情况下，也可提供相关的图像证据，以便后续的管理和处理；相比传统的人工打卡方式，基于定位的智能打卡估算方法可以实现自动化、智能化和无缝化的打卡流程，从而有效地提高了工作效率和降低了相关的成本开支；同时过程中，通过对图像中货车图像的提取以及识别，实现了精准的时空定位，同时算法的便捷性以及高效性，降低了人工以及GPS高精度定位带来的成本负荷。

在本说明书的一个实施例中，步骤S2具体为：

步骤S21：获取电子围栏设定请求，其中电子围栏设定请求包括电子围栏设定参照以及电子地图请求信息；

步骤S22：根据电子地图请求信息通过互联网接口进行通信作业，从而获得电子地图；

步骤S23：根据电子围栏设定参数对电子地图进行电子围栏设置，从而获得电子围栏地图。

本实施例通过采用电子地图和互联网接口等先进技术手段，可以实现对电子围栏设定参照的精确定位和获取，从而提高了电子围栏设定的准确性和可靠性；通过根据不同的电子围栏设定参数对电子地图进行相应的处理，可以实现对不同形状、大小、位置等特征的电子围栏进行快速设置和调整，从而增强了电子围栏的多样性和灵活性；相比传统的人工设定电子围栏方式，基于互联网接口和电子地图的电子围栏设置方法可以实现自动化、智能化和无缝化的流程，从而有效地提高了工作效率和降低了相关的成本开支。

在本说明书的一个实施例中，步骤S3具体为：

步骤S31：根据货车位置信息进行点图层创建，从而生成货车点数据；

步骤S32：根据电子围栏地图进行面图层创建，从而生成围栏面数据；

步骤S33：根据货车点数据以及围栏面数据进行最小距离提取，从而获得相对位置数据。

本实施例通过采用点图层和面图层的建立，可以将货车位置信息和电子围栏地图进行有效结合，并在此基础上进行最小距离提取，从而获得更加准确和可靠的相对位置数据；通过点图层和面图层的建立，可以实现对不同数据类型和格式的处理，例如支持不同坐标系、投影方式、地理位置信息等特征的数据处理，从而增强了处理数据的多样性和灵活性。

在本说明书的一个实施例中，摄像头包括补光灯、光学摄像头以及红外摄像头，步骤S5具体为：

步骤S51：确定相对位置数据小于预设的阈值位置数据时，则控制摄像头进行货车图像采集，从而获取第一货车图像信息；

步骤S52：根据货车图像信息进行光照指数提取，从而获得光照指数；

步骤S53：判断光照指数是否大于或等于预设的第一光照阈值指数；

步骤S54：确定光照指数大于或等于预设的第一光照阈值指数时，则根据货车图像信息进行正常图像比例提取作业，从而获得图像比例指数；

步骤S55：确定光照指数小于预设的第一光照阈值指数时，判断光照指数是否大于或等于预设的第二光照阈值指数；

步骤S56：确定光照指数大于或等于预设的第二光照阈值指数，则开启补光灯并控制摄像头进行货车图像采集，从而获得第二货车图像信息，根据第二货车图像信息进行增强图像比例提取作业，从而获得图像比例指数；

步骤S57：确定光照指数小于预设的第二光照阈值指数时，则开启红外摄像头进行货车图像采集，从而获得第三货车图像信息，并根据第三货车图像信息进行红外图像比例提取作业，从而获得图像比例指数，其中第二光照阈值指数小于第一光照阈值指数。

本实施例通过检测光照指数并根据光照指数的不同进行不同的图像采集操作，从而能够获得清晰、恰当的图像信息。特别是在光照不足的情况下，通过开启补光灯或红外摄像头来获得图像信息，从而保证图像采集的质量。同时，该实施例还给出了不同光照情况下进行图像比例提取的方法，进一步提高了图像处理的效率和准确性。

在本说明书的一个实施例中，光照指数提取通过光照指数计算公式进行计算提取，其中光照指数计算公式具体为：

为图像比例指数，/>

为货车图像信息中的第/>

个像素点的灰度值的权重系数，/>

为货车图像信息中的第/>

个像素点的灰度值，/>

为第/>

个像素点的标准灰度值的权重系数，/>

为第/>

个像素点的标准灰度值，/>

为缩放值，/>

为初始值，/>

为货车图像信息的像素总数，/>

为调整项，/>

为降维系数，/>

为图像比例指数的修正系数。

本实施例提供一种光照指数计算公式，该公式充分考虑了货车图像信息中的第

个像素点的灰度值的权重系数/>

、货车图像信息中的第/>

个像素点的灰度值/>

、第/>

个像素点的标准灰度值的权重系数/>

、第/>

个像素点的标准灰度值/>

、缩放值/>

、初始值/>

、货车图像信息的像素总数/>

、调整项/>

、降维系数/>

以及相互之间的作用关系，以形成函数关系

，其中该公式可以根据实际情况调整缩放值、初始值、调整项、降维系数和修正系数等参数，以适应不同场景和图像的处理需求，并且具有较强的泛化能力，采用了灰度值的权重系数、缩放值、调整项和降维系数等因素，以综合考虑图像中不同像素点的贡献和特征，从而能够有效地反映图像比例信息；该公式可以与其他图像处理算法进行结合使用，例如基于神经网络的图像分类、基于模板匹配的目标检测等方法，从而进一步提高图像处理的准确度和效率。

在本说明书的一个实施例中，其中正常图像比例提取作业具体为：

步骤S541：根据货车图像信息进行第一降噪计算，从而获得第一降噪图像信息；

步骤S542：根据第一降噪图像信息进行图像缩放，从而获得第一缩放图像信息；

步骤S543：根据第一缩放图像信息进行标准归一化计算，从而获得第一归一化图像信息；

步骤S544：根据第一归一化图像信息通过货车图像分割模型进行图像分割，从而得到第一货车信息；

步骤S545：根据第一货车信息以及货车图像信息进行像素比例比对，从而获得第一图像比例指数。

本实施例通过经过多个步骤的处理，从而获得了高质量的图像比例指数，通过采用降噪计算、缩放、归一化和分割等技术手段，可以有效地去除图像中的噪声和变形，从而提高了图像处理的准确性和效率，通过图像缩放，使其具有合适的大小，从而提高图像处理的效率，通过标准归一化计算，可以对图像进行标准化处理，使其具有相同的数值范围，从而便于后续处理。

在本说明书的一个实施例中，第一降噪计算通过货车图像降噪计算公式进行降噪计算，其中货车图像降噪计算公式具体为：

为降噪计算核，/>

为降噪计算核的横坐标，/>

为降噪计算核的纵坐标，/>

为动态调整的标准差，/>

为初始调整值，/>

为降噪计算核的调整项；

为动态调整的标准差，/>

为历史噪声变化率，/>

为货车图像信息的噪声方差，/>

为基准标准差，/>

为动态调整的标准差的调整项。

本实施例提供一种货车图像降噪计算公式，该公式充分考虑了降噪计算核的横坐标

、降噪计算核的纵坐标/>

、动态调整的标准差/>

、初始调整值/>

、降噪计算核的调整项/>

以及相互之间作用关系，以形成函数关系/>

，该公式能够更好地适应图像的噪声变化和达到更优的去噪效果，加入调整项，并考虑历史噪声变化率进行调整，通过对核中每个元素进行加权处理，以提高对图像局部细节信息和边缘特征的保留能力，其中动态调整的标准差/>

，根据历史噪声变化率/>

、货车图像信息的噪声方差/>

、基准标准差/>

以及相互之间的作用关系，以形成函数关系/>

，该公式根据历史噪声变化率调整高斯核中的标准差参数，以达到更精准的去噪效果。

在本说明书的一个实施例中，其中增强图像比例提取作业具体为：

步骤S561：根据货车图像信息进行直方图均衡化计算，从而获得第一均衡图像信息；

步骤S562：根据第一均衡图像信息进行第二降噪计算，从而获得第二降噪图像信息；

步骤S563：根据第二降噪图像信息进行色温调整，从而获得色温图像信息；

步骤S564：根据色温图像信息进行饱和度调整，从而生成饱和度图像信息；

步骤S565：根据饱和度图像信息进行锐化计算，从而获得锐化图像信息；

步骤S566：根据锐化图像信息进行图像缩放，生成第二缩放图像信息；

步骤S567：根据第二缩放图像信息进行标准归一化计算，从而生成第二归一化图像信息；

步骤S568：根据第二归一化图像信息通过货车图像分割模型进行图像分割，从而获得第二货车信息；

步骤S569：根据第二货车信息以及货车图像信息进行像素比例比对，从而获得第二图像比例指数。

本实施例可以提高图像的质量和清晰度，通过直方图均衡化、降噪、色温和饱和度调整、锐化等处理，可以使图像更加清晰、对比度更高，从而更容易进行图像分割和识别，这样可以更准确地提取图像比例指数，从而提高图像处理的效率。

在本说明书的一个实施例中，其中红外图像比例提取作业具体为：

步骤S571：根据货车图像信息进行第三降噪计算，从而获得第三降噪图像信息；

步骤S572：根据第三降噪图像信息进行最小误差相邻帧差分法进行校正计算，从而获得校正图像信息；

步骤S573：根据校正图像信息进行直方图均衡化计算，从而获得第二均衡图像信息；

步骤S574：根据第二均衡图像信息进行对数变化，从而获得对数变换图像信息；

步骤S575：根据对数变换图像信息进行色调映射，映射生成色调映射图像信息；

步骤S576：根据色调映射图像信息通过货车图像分割模型进行图像分割，从而获得第三货车信息；

步骤S577：根据第三货车信息以及货车图像信息进行像素比例比对，从而获得第三图像比例指数。

本实施例通过使用红外图像，进行多道预处理步骤，从而得到高质量的图像信息，以提高图像分割的准确性。通过第三降噪计算、最小误差相邻帧差分法进行校正计算、直方图均衡化、对数变化、色调映射等多道处理步骤，使得图像具有更高的对比度，更细致的细节，更清晰的图像特征，从而提高图像分割的准确性，最终通过像素比例比对，从而获得图像比例指数，进一步提高了图像分析的准确性。

在本说明书的一个实施例中，其中货车图像分割模型的构建步骤具体为：

步骤S101：获取标准货车图像信息以及相应的货车标记信息；

步骤S102：根据标准货车图像信息进行特征提取，从而获取货车特征图信息；

步骤S103：对货车特征图信息进行滑动窗口扫描，从而获取特征锚点集信息；

步骤S104：根据特征描点集信息对货车特征图信息进行特征映射，从而获取特征锚点映射关系信息集；

步骤S105：根据特征锚点映射关系图通过预设的二分类器进行分类计算，从而获得货车识别指数；

步骤S106：判断货车识别指数是否大于预设的货车识别阈值指数；

步骤S107：确定货车识别指数大于预设的货车识别阈值指数，则根据货车标记信息对货车识别指数进行标记，从而构建货车图像分割模型；

步骤S108：确定货车识别指数小于预设的货车识别阈值指数，则构建边界框微调器，并根据边界框微调器对货车特征图信息进行滑动串口扫描，从而获取微调特征锚点集信息，以返回步骤S104。

本实施例通过采用特征提取、特征映射和二分类器等技术手段，可以有效地提高图像分割的准确性和效率，与其他图像处理算法进行结合使用，例如基于深度学习的图像分类、目标检测和语义分割等方法，从而进一步提高图像处理的准确度和效率，通过一系列的步骤构建了一个有效的货车图像分割模型，在此过程中，通过特征提取、滑动窗口扫描、特征映射、分类计算等步骤，对货车图像信息进行了深入分析，从而有效地识别了货车图像信息。如果识别指数不足以达到预期的识别效果，则通过边界框微调器进行微调，从而提高模型的识别精度。因此，本方法可以有效地识别货车图像信息，从而为后续的货车图像分析和处理提供可靠的依据。

本发明基于定位的设计，能够准确获取货车的位置信息，从而确保打卡的准确性；通过电子围栏地图和相对位置数据的比对，能够确定货车是否在围定区域内，从而更好的执行打卡作业；通过图像比例指数的限制，能够更好的确保图像信息的质量，从而保证货车移动方向的识别的准确性；通过智能打卡模块的设计，能够更好的实现智能打卡的作业，从而提高打卡的效率；综合运用了定位、图像处理、模型识别等技术，有效提高了打卡的精准性和效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了一实施例的一种基于定位的智能打卡的估算方法的步骤流程图；

图2示出了一实施例的一种电子围栏地图获取方法的步骤流程图；

图3示出了一实施例的一种相对位置数据获取方法的步骤流程图；

图4示出了一实施例的一种图像比例指数获取方法的步骤流程图；

图5示出了一实施例的一种第一图像比例指数获取方法的步骤流程图；

图6示出了一实施例的一种第二图像比例指数获取方法的步骤流程图；

图7示出了一实施例的一种第三图像比例指数获取方法的步骤流程图；

图8示出了一实施例的一种货车图像分割模型构建方法的步骤流程图。

具体实施方式

下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。

应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。

本发明提供一种基于定位的智能打卡的估算方法，请参阅图1至图8，包括以下步骤：

步骤S1：持续获取货车位置信息；

具体地，例如在货车上安装GPS设备，通过卫星定位系统实时获取货车的经纬度坐标，并传输至中心服务器进行处理和分析。

具体地，例如利用地理信息系统（GIS）软件，将电子围栏标定请求中提供的经纬度坐标转化为电子地图上的位置信息，通过绘制多边形等方式，将围栏区域进行标注和划分，并生成电子围栏地图。

具体地，例如通过GPS定位技术获取货车的经纬度信息，然后通过地理信息系统（GIS）进行坐标转换，将经纬度坐标转换成地图坐标，再将货车的地图坐标与电子围栏地图进行比对，从而判断货车相对于电子围栏的位置关系，从而获得相对位置数据。

具体地，例如通过图像识别技术，对货车周围区域进行监测和分析，当货车进入某个特定区域时，立即触发图像采集和比例采集操作，以获取货车图像信息和图像比例指数。

具体地，例如对货车图像进行预处理，以去除噪声并增强图像质量；

使用特征提取算法，从图像中提取有用的特征，如轮廓，边缘，角点；

对特征进行分析，以确定货车的运动方向。可以使用技术如光流法，运动估计算法；

根据货车的运动方向识别货车是否进出电子围栏地图的围定区域，从而确定是否需要进行智能打卡；

如果需要进行智能打卡，则发送请求至智能打卡模块，并执行智能打卡作业。

在本说明书的一个实施例中，步骤S2具体为：

具体地，例如系统有一个围栏设定的界面，在这个界面中，用户可以在电子地图上选择围栏的范围，并设置围栏的参照，例如围栏的形状、大小等。然后，用户提交请求，系统收到请求后根据电子围栏设定参照以及电子地图请求信息在电子地图上进行标定，并在围栏的范围内标记出一个围定的区域。

具体地，例如用户发送围栏设置请求，其中包括围栏的位置信息和地图请求信息；

系统通过互联网接口获取电子地图，其中包括围栏位置信息和地图请求信息；

系统根据围栏设置请求信息对电子地图进行标记，从而获得电子围栏地图；

系统存储电子围栏地图，并返回结果给用户，表示围栏设置已经成功。

具体地，例如使用地图制作软件，如ArcGIS、QGIS等，通过设定电子围栏设定参数，如边界线的坐标、大小等，对电子地图进行处理，将其设定的电子围栏标记在地图上，从而形成电子围栏地图。

具体地，例如def set_electronic_fence(map_data, fence_setting_parameters):

# 代码实现，根据电子围栏设定参数对电子地图进行电子围栏设置

electronic_fence_map_data = ...

return electronic_fence_map_data；

其中，map_data 变量代表电子地图，fence_setting_parameters 变量代表电子围栏设定参数，electronic_fence_map_data 变量代表电子围栏地图。

在本说明书的一个实施例中，步骤S3具体为：

具体地，例如# 获取货车位置信息

truck_position = get_truck_position()

# 创建点图层

point_layer = create_point_layer()

# 创建点对象

point = create_point(truck_position["x"], truck_position["y"])

# 将点对象添加到图层

add_point_to_layer(point_layer, point)

# 获取货车点数据

truck_point_data = get_point_data(point_layer)。

具体地，例如使用GIS（地理信息系统）技术。可以在GIS中创建一个点图层，然后使用货车位置信息创建点对象，并将其作为货车点数据存储到该图层中。

具体地，例如import geopandas as gpd

# 加载电子围栏地图

df = gpd.read_file("path/to/electronic_fence_map_data.shp")

# 整理电子围栏地图

df = df[['geometry']]

# 创建面图层

gdf = gpd.GeoDataFrame(df, geometry='geometry')

# 生成围栏面数据

fence_data = gdf.loc[gdf.intersects(some_point)].copy()。

具体地，例如加载电子围栏地图，可以使用Python 中的空间数据处理库，如geopandas 库；

将电子围栏地图整理成需要的格式，方便后续处理；

使用geopandas 库中的GeoDataFrame 函数创建面图层，并将电子围栏地图添加到面图层中；

通过空间查询分析得到围栏面数据。

具体地，例如使用ArcGIS 空间分析工具箱中的"Closest Facility" 工具可以实现从货车点数据到围栏面数据之间的最小距离提取。

具体地，例如mport arcpy

# Set the workspace

arcpy.env.workspace = r"C:\GIS\Project.gdb"

# Set the input and output feature classes

input_points = "Trucks"

input_polygons = "Fences"

output_table = "TruckFenceDistances"

# Run the Closest Facility tool

arcpy.ClosestFacility_na(input_points, input_polygons, output_table,"", "TRAVEL_TO", "", "", "", "MINIMUM_NETWORK_DISTANCE", "NO_HIERARCHY", "","", "", "", "")

# Add a field to the output table to store the relative distance

arcpy.AddField_management(output_table, "RelativeDistance", "FLOAT")

# Calculate the relative distance based on the minimum networkdistance

with arcpy.da.UpdateCursor(output_table, ["MINIMUM_NETWORK_DISTANCE","RelativeDistance"]) as cursor:

for row in cursor:

row[1] = row[0]/ 1000.0 # convert meters to kilometers

cursor.updateRow(row)。

具体地，例如通过对货车位置数据和预设阈值进行比对，如果货车的相对位置小于阈值，如50m，则系统会自动触发摄像头，对货车进行图像采集。

具体地，例如根据货车图像信息进行其余实施例提供的光照指数提取方式，从而获得光照指数。

具体地，例如可以使用OpenCV库中的cv2.calcHist函数对图像像素值进行直方图计算，然后对直方图进行分析，从而提取出图像的光照指数。

具体地，例如import cv2

import numpy as np

# 读入图像数据

img = cv2.imread("image.jpg")

# 计算直方图

hist = cv2.calcHist([img], [0], None, [256], [0, 256])

# 计算光照指数

light_index = np.mean(hist)

# 输出光照指数

print("光照指数：", light_index)

具体地，例如读取货车图像信息，并进行光照指数的提取；

读取预设的第一光照阈值指数；

利用if语句进行判断，如果光照指数大于或等于预设的第一光照阈值指数，则执行下一步操作；否则，返回步骤1。

具体地，例如对货车图像信息进行预处理，例如去噪、灰度化；

利用图像处理技术，对货车图像信息进行分析；

提取货车图像信息的特征，例如轮廓、形状；

根据货车图像信息的特征计算图像比例指数，如货车占图像中比例信息，例如计算图像长宽比；

具体地，例如if (light_index>= second_light_threshold) {

turn_on_light();

second_image_info = capture_image();

second_image_ratio = extract_image_ratio(second_image_info);

}

其中，light_index 为光照指数，second_light_threshold 为第二光照阈值指数，turn_on_light() 为开启补光灯的函数，capture_image() 为控制摄像头进行货车图像采集的函数，second_image_info 为第二货车图像信息，extract_image_ratio(second_image_info) 为根据第二货车图像信息进行增强图像比例提取作业的函数，second_image_ratio 为图像比例指数。

具体地，例如当光照指数大于或等于预设的第二光照阈值指数时，系统会自动开启补光灯，并控制摄像头进行货车图像采集。同时，系统还会对第二货车图像信息进行增强图像比例提取作业。

具体地，例如if (illumination_index<second_illumination_threshold) {

// turn on infrared camera

startInfraredCamera();

// capture third truck image information

third_truck_image_info = captureTruckImage();

// extract infrared image scale information

image_scale_index = extractInfraredImageScale(third_truck_image_info);

}

其中，illumination_index是光照指数，second_illumination_threshold是第二光照阈值指数，startInfraredCamera是开启红外摄像头的函数，captureTruckImage是采集货车图像信息的函数，extractInfraredImageScale是提取红外图像比例的函数。

为图像比例指数，/>

为货车图像信息中的第/>

个像素点的灰度值的权重系数，/>

为货车图像信息中的第/>

个像素点的灰度值，/>

为第/>

个像素点的标准灰度值的权重系数，/>

为第/>

个像素点的标准灰度值，/>

为缩放值，/>

为初始值，/>

为货车图像信息的像素总数，/>

为调整项，/>

为降维系数，/>

为图像比例指数的修正系数。

个像素点的灰度值的权重系数/>

、货车图像信息中的第/>

个像素点的灰度值/>

、第/>

个像素点的标准灰度值的权重系数/>

、第/>

个像素点的标准灰度值/>

、缩放值/>

、初始值/>

、货车图像信息的像素总数/>

、调整项/>

、降维系数/>

以及相互之间的作用关系，以形成函数关系

具体地，例如使用高斯滤波器对货车图像信息进行降噪处理。

具体地，例如mport cv2

def resize_image(image, scale_percent):

width = int(image.shape[1] * scale_percent / 100)

height = int(image.shape[0] * scale_percent / 100)

dim = (width, height)

return cv2.resize(image, dim, interpolation = cv2.INTER_AREA)

# 读取图像

image = cv2.imread("original_image.jpg")

# 缩放图像

resized_image = resize_image(image, 50) # 缩放50%

# 保存图像

cv2.imwrite("resized_image.jpg", resized_image)。

具体地，例如将图像按照一定的比例进行缩小或放大，并保留图像的主要特征和结构信息。

具体地，例如使用图像处理库，如OpenCV，对第一缩放图像信息进行标准归一化。

具体地，例如通过对该图像进行标准化计算，以获得第一归一化图像信息。这个过程中，系统需要将图像的灰度值按照一定的规则映射到特定的范围内，例如[0, 1] 或[-1,1]等。

具体地，例如将第一归一化图像信息作为输入，通过训练好的图像分割模型进行图像分割，对分割出的图像进行检测和识别，从而得到第一货车信息。

具体地，例如对第一货车信息和货车图像信息进行预处理，以确保图像格式符合要求；

计算第一货车信息中的像素数量；

计算货车图像信息中的像素数量；

将第一货车信息中的像素数量除以货车图像信息中的像素数量，从而得到第一图像比例指数。

为降噪计算核，/>

为降噪计算核的横坐标，/>

为降噪计算核的纵坐标，/>

为动态调整的标准差，/>

为初始调整值，/>

为降噪计算核的调整项；

为动态调整的标准差，/>

为历史噪声变化率，/>

为货车图像信息的噪声方差，/>

为基准标准差，/>

为动态调整的标准差的调整项。/>

、降噪计算核的纵坐标/>

、动态调整的标准差/>

、初始调整值/>

、降噪计算核的调整项/>

以及相互之间作用关系，以形成函数关系/>

，根据历史噪声变化率/>

、货车图像信息的噪声方差/>

、基准标准差/>

以及相互之间的作用关系，以形成函数关系/>

具体地，例如使用OpenCV库中的cv2.equalizeHist()函数。该函数可以对图像进行直方图均衡化处理，从而得到第一均衡图像信息。

具体地，例如import cv2

# 读入货车图像信息

img = cv2.imread("low_light_image.jpg")

# 第一降噪计算

img_denoised = cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21)

# 第二降噪计算

img_denoised = cv2.fastNlMeansDenoisingColored(img_denoised,None,10,10,7,21)

# 保存第二降噪图像信息

cv2.imwrite("denoised_image.jpg", img_denoised)

使用了OpenCV 库的cv2.fastNlMeansDenoisingColored()方法来进行降噪计算，该方法利用均值去噪算法对货车图像信息进行降噪处理。在这个示例中，使用了两次降噪，以获得更好的降噪效果，最后，使用cv2.imwrite()方法将第二降噪图像信息保存到文件中。

具体地，例如可以使用高斯滤波、中值滤波等算法，平滑图像并保留细节信息。

具体地，例如使用基于灰度世界假设或白平衡算法的方法，对图像中的色温和色调进行调整。

具体地，例如使用cv2.cvtColor 函数将色温图像信息转换为HSV 格式，然后使用numpy 库进行饱和度调整。最后再使用cv2.cvtColor 函数将图像转换回RGB 格式。

具体地，例如import cv2

import numpy as np

# 读入色温图像信息

img = cv2.imread("color_temperature_image.jpg")

# 将图像转换为HSV 格式

hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 调整饱和度

hsv[..., 1] = hsv[..., 1]* 1.5

# 将图像转换回RGB 格式

saturation_image = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

# 保存饱和度图像信息

cv2.imwrite("saturation_image.jpg", saturation_image)。

具体地，例如读取饱和度图像信息；

定义锐化算子，常用的有高斯锐化、Laplace锐化等；

对饱和度图像信息进行卷积运算，计算锐化图像信息。

具体地，例如# 读取饱和度图像信息

img = cv2.imread("saturation_image.jpg")

# 定义Laplace锐化算子

kernel = np.array([[0, -1, 0], [-1, 4, -1], [0, -1, 0]])

# 对饱和度图像信息进行卷积运算

sharpened = cv2.filter2D(img, -1, kernel)。

具体地，例如使用拉普拉斯算子、Sobel算子以及基于卷积核的滤波方法等技术，对图像进行锐化操作。其中，拉普拉斯算子可以增强图像的轮廓和边缘特征，Sobel算子可以识别图像中的水平和垂直边缘，卷积核滤波可以去除图像中的噪声和干扰信号。

具体地，例如确定图像的缩放比例和目标尺寸，并使用相应的缩放算法对图像进行处理，包括双线性插值、最近邻插值、双三次插值等方法。

具体地，例如# 图像缩放

resized_img = cv2.resize(img, (640, 480))。

具体地，例如对图像的像素值进行统计和分析，然后根据实际需求对图像进行线性或非线性变换，将像素值映射到指定的范围内，例如[0,1]或[-1,1]等。

具体地，例如# 将图像数据归一化到0~1之间

normalized_img = np.zeros(img.shape, np.float32)

normalized_img = cv2.normalize(img, normalized_img, 0, 1, cv2.NORM_MINMAX)。

具体地，例如使用深度学习技术中的卷积神经网络（Convolutional NeuralNetwork, CNN），准备一个已经训练好的货车图像分割模型，然后对第二归一化图像信息进行预测，通过预测结果将图像中的货车部分分割出来，得到第二货车信息。

具体地，例如# 计算像素比例比对

pixels_match = cv2.countNonZero(cv2.bitwise_and(img1, img2))

total_pixels = img1.shape[0] * img1.shape[1]。

具体地，例如将第二货车信息以及货车图像信息进行预处理，从而保证一致性，将预处理后的第二货车信息以及货车图像信息的像素进行比值计算，从而获得第二图像比例指数。

具体地，例如采用小波变换、基于自适应中值滤波的噪声去除方法、基于偏微分方程的降噪方法等方法进行第三降噪计算，从而获得第三降噪图像信息，其中，小波变换可以将图像分解成不同尺度的频域信息，并去除噪声和干扰信号，自适应中值滤波可以在保留图像边缘信息的同时去除椒盐噪声和斑点噪声，基于偏微分方程的降噪方法则可以平滑图像并去除噪声和干扰信号。

具体地，例如对于第三降噪图像信息，首先需要对图像进行帧间差分，并计算相邻帧的差分值。然后，通过使用最小二乘法，或其他数学方法，求出差分值的最小误差，并使用该误差对图像进行校正。最终，获得的校正图像信息即为经过最小误差相邻帧差分法校正后的图像信息。

具体地，例如调用cv2.equalizeHist() 函数进行直方图均衡化。

具体地，例如对数变换的公式为：

s = c * log(1 + r)

其中，s是对数变换后的图像，r是原始图像，c是一个系数，用于调整对比度。

具体地，例如定义色调映射的映射函数，这个函数将图像的原始色调映射到新的色调上；

对图像的每个像素进行色调映射；

生成色调映射后的图像信息，色调映射的映射函数包括灰度级窗口函数、彩虹函数、热度函数等。其中，灰度级窗口函数可以根据像素灰度值把图像简单地映射为灰度图像，彩虹函数可以将不同的灰度值映射为不同的颜色，热度函数则可将灰度值映射为热度的颜色。

具体地，例如利用已有的货车图像分割模型（如基于深度学习的语义分割模型）进行图像分割，获得第三货车信息。这个过程中，需要对图像中的货车区域进行分析和分类，并根据模型预测结果进行像素级别的标注和分割。

具体地，例如根据第三货车信息以及货车图像信息进行预处理并比例计算，从而获得第三图像比例指数。

具体地，例如通过像素比例比对算法，获得第三图像比例指数，包括基于特征点匹配的方法、基于标定板的方法、基于深度学习的方法。

步骤S101：获取标准货车图像信息以及相应的货车标记信息；

具体地，例如通过互联网获取标准货车图像信息以及相应的货车标记信息。

具体地，例如图像会被传递到卷积神经网络中进行特征提取，使用一个预训练的卷积神经网络，如ResNet、VGG进行特征提取，从而获取货车特征图信息。

具体地，例如在特征图上进行滑动窗口扫描，以一组不同大小和长宽比的锚点为中心生成一系列候选区域，锚点基于预先定义的一些比例和大小参数生成的，以便涵盖不同尺寸和长宽比的物体。

具体地，例如将每个锚点映射到特征图上，并从特征图中提取与该锚点相对应的特征，这些特征通常是通过ROI Pooling等操作获得的。

具体地，例如对于生成的每个锚点，使用一个二分类器来判断其是否包含了目标物体。这个二分类器通常是一个小型的卷积神经网络，它将每个锚点的特征映射作为输入，并输出一个概率值，表示该锚点包含目标物体的可能性。

具体地，例如根据预设的货车识别阈值指数，如80，或者自定义调整生成。

具体地，例如回归器通常是一个小型的卷积神经网络，它接收与分类器相同的特征映射作为输入，并输出一些参数，用于对锚点进行微调，从而更准确地拟合目标物体的位置。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。