CN117197783B - 基于智能感知的行车记录仪数据分析系统 - Google Patents
基于智能感知的行车记录仪数据分析系统 Download PDFInfo
- Publication number
- CN117197783B CN117197783B CN202311467340.0A CN202311467340A CN117197783B CN 117197783 B CN117197783 B CN 117197783B CN 202311467340 A CN202311467340 A CN 202311467340A CN 117197783 B CN117197783 B CN 117197783B
- Authority
- CN
- China
- Prior art keywords
- moving target
- current
- current moving
- target area
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 17
- 238000007405 data analysis Methods 0.000 title claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 48
- 230000003044 adaptive effect Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 230000000875 corresponding effect Effects 0.000 claims description 329
- 238000000034 method Methods 0.000 claims description 25
- 238000006073 displacement reaction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 230000002596 correlated effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 13
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明涉及图像增强技术领域,具体涉及基于智能感知的行车记录仪数据分析系统,该系统包括存储器和处理器,上述处理器执行上述存储器存储的计算机程序,以实现如下步骤:分别对行车记录仪采集的当前帧目标行车图像和上一帧目标行车图像进行运动目标识别;分别对每个当前运动目标区域和每个历史运动目标区域进行纹理分析处理;确定图像亮度变化指标;对每个当前运动目标区域进行细节信息分析处理;确定每个当前运动目标区域对应的自适应增强系数;从行车记录仪采集的下一帧目标行车图像中筛选出预测待增强区域;对每个预测待增强区域内的每个像素点进行自适应增强。本发明提高了行车记录仪采集的图像的图像增强效果。
Description
技术领域
本发明涉及图像增强技术领域,具体涉及基于智能感知的行车记录仪数据分析系统。
背景技术
智能行车记录仪是近年来随着人工智能行业的快速发展而兴起变革的一个汽车配件行业。它通过内置的摄像头和传感器,可以通过视频音频的方式实时记录车辆行驶过程中的各种情况,现有的智能行车记录仪还可以搭载目标检测系统,对画面中的车牌、人物等目标图像进行实时检测及标记,为交通事故提供证据,也可以作为驾驶行为的反馈工具,为用户提供更便捷的使用体验。因此,对行车记录仪采集的图像进行图像增强,以提高其采集的图像质量至关重要。目前,进行图像增强时,通常采用的方式为:根据图像的灰度直方图,对图像进行直方图均衡化,得到增强图像。
然而,当对行车记录仪采集的图像进行直方图均衡化,实现图像增强时,经常会存在如下技术问题:
由于灰度直方图均衡化往往是按照图像的灰度值分布进行统计学上的图像增强,因此,直接根据行车记录仪采集的图像的灰度直方图,对采集的图像进行直方图均衡化时,可能导致采集的图像中的部分细节信息丢失,进而导致对采集的图像进行图像增强的效果较差。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对行车记录仪采集的图像进行图像增强的效果较差的技术问题,本发明提出了基于智能感知的行车记录仪数据分析系统。
本发明提供了基于智能感知的行车记录仪数据分析系统,该系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
通过行车记录仪,采集当前帧目标行车图像和上一帧目标行车图像;
分别对当前帧目标行车图像和上一帧目标行车图像进行运动目标识别,得到当前运动目标区域和历史运动目标区域;
分别对每个当前运动目标区域和每个历史运动目标区域进行纹理分析处理,得到每个当前运动目标区域和每个历史运动目标区域对应的目标纹理特征;
根据所有目标纹理特征,以及当前帧目标行车图像和上一帧目标行车图像中所有像素点对应的灰度值,确定图像亮度变化指标;
对每个当前运动目标区域进行细节信息分析处理,得到每个当前运动目标区域对应的细节信息指标;
根据所述图像亮度变化指标、每个当前运动目标区域对应的细节信息指标和目标纹理特征,确定每个当前运动目标区域对应的自适应增强系数;
通过行车记录仪,采集下一帧目标行车图像,并基于每个当前运动目标区域,从下一帧目标行车图像中筛选出每个当前运动目标区域对应的预测待增强区域;
根据每个当前运动目标区域对应的自适应增强系数,对每个当前运动目标区域对应的预测待增强区域内的每个像素点进行自适应增强,得到下一帧目标行车图像对应的目标增强图像。
可选地,所述分别对每个当前运动目标区域和每个历史运动目标区域进行纹理分析处理,得到每个当前运动目标区域和每个历史运动目标区域对应的目标纹理特征,包括:
将所述当前运动目标区域内所有梯度值不为0的像素点在所述当前运动目标区域内的占比,确定为所述当前运动目标区域对应的第一纹理特征;
将所述当前运动目标区域内所有像素点对应的梯度值的均值,确定为所述当前运动目标区域对应的第二纹理特征;
根据所述当前运动目标区域内像素点的数量、所述当前运动目标区域对应的第一纹理特征和第二纹理特征,确定所述当前运动目标区域对应的目标纹理特征,其中,所述当前运动目标区域内像素点的数量、所述当前运动目标区域对应的第一纹理特征和第二纹理特征均与所述当前运动目标区域对应的目标纹理特征呈正相关;
同理,确定所述历史运动目标区域对应的目标纹理特征。
可选地,所述根据所有目标纹理特征,以及当前帧目标行车图像和上一帧目标行车图像中所有像素点对应的灰度值,确定图像亮度变化指标,包括:
将每个历史运动目标区域内的每个像素点,确定为历史标记像素点,并将每个当前运动目标区域内的每个像素点,确定为当前标记像素点;
将每个历史标记像素点所属历史运动目标区域对应的目标纹理特征,确定为所述历史标记像素点对应的历史纹理特征;
将每个当前标记像素点所属当前运动目标区域对应的目标纹理特征,确定为所述当前标记像素点对应的当前纹理特征;
根据每个历史标记像素点对应的灰度值和历史纹理特征,确定所述历史标记像素点对应的历史亮度纹理指标,其中,历史标记像素点对应的灰度值和历史纹理特征均与其对应的历史亮度纹理指标呈正相关;
根据每个当前标记像素点对应的灰度值和当前纹理特征,确定所述当前标记像素点对应的当前亮度纹理指标,其中,当前标记像素点对应的灰度值和当前纹理特征均与其对应的当前亮度纹理指标呈正相关;
根据当前帧目标行车图像和上一帧目标行车图像中的像素点对应的灰度值、所有当前标记像素点对应的当前亮度纹理指标和所有历史标记像素点对应的历史亮度纹理指标,确定图像亮度变化指标。
可选地,所述根据当前帧目标行车图像和上一帧目标行车图像中的像素点对应的灰度值、所有当前标记像素点对应的当前亮度纹理指标和所有历史标记像素点对应的历史亮度纹理指标,确定图像亮度变化指标,包括:
将当前帧目标行车图像中除了所有当前标记像素点之外的每个像素点,确定为当前非感兴趣点,并将上一帧目标行车图像中除了所有历史标记像素点之外的每个像素点,确定为历史非感兴趣点;
将所有当前标记像素点对应的当前亮度纹理指标的均值,确定为当前代表特征指标,并将所有历史标记像素点对应的历史亮度纹理指标的均值,确定为历史代表特征指标;
将所述当前代表特征指标与所述历史代表特征指标的差值的绝对值,确定为第一亮度变化指标;
将所有当前非感兴趣点对应的灰度值的均值,确定为当前灰度指标,并将所有历史非感兴趣点对应的灰度值的均值,确定为历史灰度指标;
将所述当前灰度指标与所述历史灰度指标的差值的绝对值,确定为第二亮度变化指标;
根据所述第一亮度变化指标与所述第二亮度变化指标,确定图像亮度变化指标,其中,所述第一亮度变化指标和所述第二亮度变化指标均与所述图像亮度变化指标呈正相关。
可选地,所述对每个当前运动目标区域进行细节信息分析处理,得到每个当前运动目标区域对应的细节信息指标,包括:
根据所述当前运动目标区域内所有像素点对应的灰度值和梯度值,确定所述当前运动目标区域对应的细节信息指标。
可选地,所述当前运动目标区域对应的细节信息指标对应的公式为:
;其中,/>是第i个当前运动目标区域对应的细节信息指标;i是当前运动目标区域的序号;/>是归一化函数;/>是第i个当前运动目标区域内像素点的数量;/>是第i个当前运动目标区域内第f个像素点对应的灰度值;/>是第i个当前运动目标区域内所有像素点对应的灰度值的均值;f是第i个当前运动目标区域内像素点的序号;/>是第i个当前运动目标区域内第f个像素点对应的梯度值。
可选地,所述当前运动目标区域对应的自适应增强系数对应的公式为:
;其中,/>是第i个当前运动目标区域对应的自适应增强系数;i是当前运动目标区域的序号;D是图像亮度变化指标;/>是取绝对值函数;/>是第i个当前运动目标区域对应的细节信息指标;/>是第i个当前运动目标区域对应的目标纹理特征。
可选地,所述基于每个当前运动目标区域,从下一帧目标行车图像中筛选出每个当前运动目标区域对应的预测待增强区域,包括:
将所述当前运动目标区域与所述当前运动目标区域的所有边缘像素点对应的预设窗口的并集,确定为所述当前运动目标区域对应的参考区域;
将下一帧目标行车图像中与所述参考区域位置相同的区域,确定为所述当前运动目标区域对应的预测待增强区域。
可选地,所述根据每个当前运动目标区域对应的自适应增强系数,对每个当前运动目标区域对应的预测待增强区域内的每个像素点进行自适应增强,得到下一帧目标行车图像对应的目标增强图像,包括:
根据每个当前运动目标区域对应的自适应增强系数,确定每个当前运动目标区域对应的预测待增强区域内的每个像素点对应的RGB增强指标;
将下一帧目标行车图像中所有预测待增强区域内所有像素点对应的RGB值,更新为其对应的RGB增强指标,得到目标增强图像。
可选地,预测待增强区域内的像素点对应的RGB增强指标对应的公式为:
;;
;其中,/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的RGB增强指标包括的增强后的R通道值;/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的RGB增强指标包括的增强后的G通道值;/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的RGB增强指标包括的增强后的B通道值;i是当前运动目标区域的序号;k是第i个当前运动目标区域对应的预测待增强区域内像素点的序号;/>是以自然常数为底的指数函数;/>是取绝对值函数;/>是第i个当前运动目标区域对应的预测待增强区域内,第k个像素点对应的目标连线与水平方向的夹角对应的数值;第k个像素点对应的目标连线是第k个像素点与第i个当前运动目标区域对应的预测待增强区域的质心之间的连线;/>是第i个当前运动目标区域对应的位移直线与水平方向的夹角对应的数值;第i个当前运动目标区域对应的位移直线是第i个当前运动目标区域的质心位移所在的直线;第i个当前运动目标区域的质心位移是第i个当前运动目标区域的质心与该质心对应在上一帧目标行车图像中的像素点之间的位移;/>是第i个当前运动目标区域对应的预测待增强区域内,第k个像素点与最近的感兴趣像素点之间的距离;感兴趣像素点是当前运动目标区域内的像素点对应在预测待增强区域内的像素点;/>是第i个当前运动目标区域的质心位移;/>是预先设置的大于0的因子;/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的增强前的R通道值;/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的增强前的G通道值;/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的增强前的B通道值;/>是第i个当前运动目标区域对应的自适应增强系数。
本发明具有如下有益效果:
本发明的基于智能感知的行车记录仪数据分析系统,实现了对行车记录仪采集的图像的增强,解决了对行车记录仪采集的图像进行图像增强的效果较差的技术问题,提高了行车记录仪采集的图像的图像增强效果。首先,由于目标行车图像中的运动目标区域往往比较重要,因此获取当前运动目标区域和历史运动目标区域,可以便于后续对图像自适应增强。然后,由于纹理、亮度变化和细节信息情况往往影响着像素点需要增强的程度,因此综合考虑目标纹理特征、图像亮度变化指标和细节信息指标,可以提高当前运动目标区域对应的自适应增强系数确定的准确度。其次,由于行车记录仪采集每相邻两帧图像之间的时间间隔往往比较短,故相邻两帧图像之间往往具有一定的相似性,所以当前帧目标行车图像中的当前运动目标区域对应的自适应增强系数往往与下一帧目标行车图像中的预测待增强区域的增强系数存在一定的关系,因此可以通过当前运动目标区域对应的自适应增强系数,对预测待增强区域内的每个像素点进行自适应增强,可以实现对下一帧目标行车图像的增强,并且可以使下一帧目标行车图像中的预测待增强区域更加明显,可以便于驾驶员观察路况情况。再者,相较于直方图均衡化,本发明对预测待增强区域内的每个像素点进行自适应增强,在一定程度上可以减少细节信息的丢失,从而可以提高图像增强效果。另外,本发明通过对当前帧目标行车图像和上一帧目标行车图像进行的多步处理,实现了对下一帧目标行车图像的自适应增强,由于当前帧目标行车图像和上一帧目标行车图像是下一帧目标行车图像采集前的两帧目标行车图像,所以对当前帧目标行车图像和上一帧目标行车图像的一系列处理,均可以在下一帧目标行车图像的采集前进行,这样在采集下一帧目标行车图像后只需依据下一帧目标行车图像采集前量化的自适应增强系数,对下一帧目标行车图像进行增强,可以在一定程度上减少从下一帧目标行车图像的采集到下一帧目标行车图像增强完成之间的时长,可以在一定程度上减少图像出现的延迟,更加符合驾驶员对路况观察的实时性。
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为本发明的基于智能感知的行车记录仪数据分析系统所执行的方法的流程图;
图2为本发明的预测待增强区域的示意图。
其中,附图标记包括:当前帧目标行车图像201、参考区域202、下一帧目标行车图像203和多边形区域204。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了基于智能感知的行车记录仪数据分析系统,该系统包括存储器和处理器,上述处理器执行上述存储器存储的计算机程序,以实现如下步骤:
通过行车记录仪,采集当前帧目标行车图像和上一帧目标行车图像;
分别对当前帧目标行车图像和上一帧目标行车图像进行运动目标识别,得到当前运动目标区域和历史运动目标区域;
分别对每个当前运动目标区域和每个历史运动目标区域进行纹理分析处理,得到每个当前运动目标区域和每个历史运动目标区域对应的目标纹理特征;
根据所有目标纹理特征,以及当前帧目标行车图像和上一帧目标行车图像中所有像素点对应的灰度值,确定图像亮度变化指标;
对每个当前运动目标区域进行细节信息分析处理,得到每个当前运动目标区域对应的细节信息指标;
根据图像亮度变化指标、每个当前运动目标区域对应的细节信息指标和目标纹理特征,确定每个当前运动目标区域对应的自适应增强系数;
通过行车记录仪,采集下一帧目标行车图像,并基于每个当前运动目标区域,从下一帧目标行车图像中筛选出每个当前运动目标区域对应的预测待增强区域;
根据每个当前运动目标区域对应的自适应增强系数,对每个当前运动目标区域对应的预测待增强区域内的每个像素点进行自适应增强,得到下一帧目标行车图像对应的目标增强图像。
参考图1,示出了根据本发明的基于智能感知的行车记录仪数据分析系统所执行的方法的一些实施例的流程。该基于智能感知的行车记录仪数据分析系统所执行的方法,包括以下步骤:
步骤S1,通过行车记录仪,采集当前帧目标行车图像和上一帧目标行车图像。
在一些实施例中,可以通过行车记录仪,采集当前帧目标行车图像和上一帧目标行车图像。
其中,目标行车图像可以是通过行车记录仪采集的包含行车信息的图像。当前帧目标行车图像可以是当前时刻采集的目标行车图像。上一帧目标行车图像可以是当前帧目标行车图像的前一帧目标行车图像。当前帧目标行车图像和上一帧目标行车图像可以是相邻的两帧图像。当前帧目标行车图像对应的采集时间晚于上一帧目标行车图像。目标行车图像可以是RGB(Red Green Blue,色彩模式)图像。
需要说明的是,由于行车记录仪采集每相邻两帧图像之间的时间间隔往往比较短,故相邻两帧图像之间往往具有一定的相似性,所以获取当前帧目标行车图像和上一帧目标行车图像,可以便于后续基于当前帧目标行车图像和上一帧目标行车图像,为当前帧目标行车图像的后一帧目标行车图像的增强做准备。
作为示例,可以将行车记录仪采集的相邻两帧图像中,采集时间较晚的图像作为当前帧目标行车图像,另一帧作为上一帧目标行车图像。
步骤S2,分别对当前帧目标行车图像和上一帧目标行车图像进行运动目标识别,得到当前运动目标区域和历史运动目标区域。
在一些实施例中,可以分别对当前帧目标行车图像和上一帧目标行车图像进行运动目标识别,得到当前运动目标区域和历史运动目标区域。
需要说明的是,由于目标行车图像中的运动目标区域往往比较重要,因此获取当前运动目标区域和历史运动目标区域,可以便于后续对图像自适应增强。
作为示例,本步骤可以包括以下步骤:
第一步,通过帧差法,获取当前帧目标行车图像和上一帧目标行车图像中的运动区域,并将当前帧目标行车图像中的每个运动区域作为当前运动区域,将上一帧目标行车图像中的每个运动区域作为历史运动区域。
其中,运动区域又称动态区域。
例如,通过帧差法,获取当前帧目标行车图像和上一帧目标行车图像之间的差值图像,该差值图像中由非0像素值的像素点组成的区域对应在当前帧目标行车图像中的区域,即为当前帧目标行车图像中的运动区域;该差值图像中由非0像素值的像素点组成的区域对应在上一帧目标行车图像中的区域,即为上一帧目标行车图像中的运动区域。
第二步,通过目标识别算法和目标跟踪算法,分别从所有当前运动区域和所有历史运动区域检测出预设目标区域,并将所有当前运动区域内的每个预设目标区域作为当前运动目标区域,将所有历史运动区域内的每个预设目标区域作为历史运动目标区域。
其中,预设目标区域可以是预设目标所在的区域。预设目标可以是预先设置的会对驾驶造成干扰的物体。目标识别算法可以包括但不限于:YOLO(You Only Look Once,基于深度学习的目标检测)算法。预设目标可以包括但不限于:车辆、行人和障碍物。预设目标也就是感兴趣区域。
需要说明的是,在行车记录仪录制车辆行驶状况视频时,视频画面内部可能包含天空、道路、行人、车辆及其他场景等部分,可以将这些部分中可能会对本车行驶造成影响的部分,如,行人和车辆设置为预设目标区域或者说是感兴趣区域,这些部分与在行驶过程中的本车往往存在一定的相对运动。车辆行驶状况视频可以由多帧目标行车图像组成。
步骤S3,分别对每个当前运动目标区域和每个历史运动目标区域进行纹理分析处理,得到每个当前运动目标区域和每个历史运动目标区域对应的目标纹理特征。
在一些实施例中,可以分别对每个当前运动目标区域和每个历史运动目标区域进行纹理分析处理,得到每个当前运动目标区域和每个历史运动目标区域对应的目标纹理特征。
需要说明的是,由于区域纹理往往影响着区域需要增强的程度,因此量化每个当前运动目标区域和每个历史运动目标区域对应的目标纹理特征,可以便于后续量化当前运动目标区域对应的自适应增强系数。
作为示例,本步骤可以包括以下步骤:
第一步,将上述当前运动目标区域内所有梯度值不为0的像素点在上述当前运动目标区域内的占比,确定为上述当前运动目标区域对应的第一纹理特征。
第二步,将上述当前运动目标区域内所有像素点对应的梯度值的均值,确定为上述当前运动目标区域对应的第二纹理特征。
第三步,根据上述当前运动目标区域内像素点的数量、上述当前运动目标区域对应的第一纹理特征和第二纹理特征,确定上述当前运动目标区域对应的目标纹理特征。
其中,上述当前运动目标区域内像素点的数量、上述当前运动目标区域对应的第一纹理特征和第二纹理特征均可以与上述当前运动目标区域对应的目标纹理特征呈正相关。
例如,确定当前运动目标区域对应的目标纹理特征对应的公式可以为:
;/>;其中,/>是第i个当前运动目标区域对应的目标纹理特征。i是当前运动目标区域的序号。/>是归一化函数。/>是第i个当前运动目标区域内像素点的数量。/>是各个当前运动目标区域内像素点的数量中的最大值。/>是第i个当前运动目标区域对应的第一纹理特征。/>是各个当前运动目标区域对应的第一纹理特征中的最大值。/>是第i个当前运动目标区域对应的第二纹理特征。/>是各个当前运动目标区域对应的第二纹理特征中的最大值。/>是第i个当前运动目标区域内梯度值不为0的像素点的数量。
需要说明的是,当越大时,往往说明当前运动目标区域的纹理信息越丰富,往往说明当前运动目标区域的感兴趣度越高,往往说明当前运动目标区域越应该被增强。由于图像内部可能存在一定随机分布的噪声,在区域面积大小相等的情况下,图像纹理表现可能会出现一定程度的失真,即第i个当前运动目标区域内所有梯度值不为0的像素点对应的梯度值的均值/>可能会受到随机分布的噪声点的影响,如果直接将其单独作为纹理特征,往往可能使后续进行感兴趣度评判时出现误判。由于噪声随机分布,所以/>可以在一定程度上放大其内部纹理对感兴趣程度的影响,以尽可能降低噪声对计算结果产生的干扰。并且当/>越大时,往往说明第i个当前运动目标区域的面积越大,往往说明第i个当前运动目标区域的感兴趣度越高,后续对其的增强程度应该越强。
同理,确定上述历史运动目标区域对应的目标纹理特征,即历史运动目标区域对应的目标纹理特征的确定方法可以为:将历史运动目标区域作为当前运动目标区域,执行步骤S3包括的作为示例包括的第一步至第三步,得到的目标纹理特征即为历史运动目标区域对应的目标纹理特征。
步骤S4,根据所有目标纹理特征,以及当前帧目标行车图像和上一帧目标行车图像中所有像素点对应的灰度值,确定图像亮度变化指标。
在一些实施例中,可以根据所有目标纹理特征,以及当前帧目标行车图像和上一帧目标行车图像中所有像素点对应的灰度值,确定图像亮度变化指标。
其中,像素点对应的灰度值可以是对该像素点进行灰度化后得到的灰度值。
需要说明的是,由于相邻两帧目标行车图像之间的亮度变化往往影响着图像需要增强的程度,因此量化图像亮度变化指标,可以便于后续量化当前运动目标区域对应的自适应增强系数。
作为示例,本步骤可以包括以下步骤:
第一步,将每个历史运动目标区域内的每个像素点,确定为历史标记像素点,并将每个当前运动目标区域内的每个像素点,确定为当前标记像素点。
第二步,将每个历史标记像素点所属历史运动目标区域对应的目标纹理特征,确定为上述历史标记像素点对应的历史纹理特征。
第三步,将每个当前标记像素点所属当前运动目标区域对应的目标纹理特征,确定为上述当前标记像素点对应的当前纹理特征。
第四步,根据每个历史标记像素点对应的灰度值和历史纹理特征,确定上述历史标记像素点对应的历史亮度纹理指标。
其中,历史标记像素点对应的灰度值和历史纹理特征均可以与其对应的历史亮度纹理指标呈正相关。
第五步,根据每个当前标记像素点对应的灰度值和当前纹理特征,确定上述当前标记像素点对应的当前亮度纹理指标。
其中,当前标记像素点对应的灰度值和当前纹理特征均可以与其对应的当前亮度纹理指标呈正相关。
第六步,根据当前帧目标行车图像和上一帧目标行车图像中的像素点对应的灰度值、所有当前标记像素点对应的当前亮度纹理指标和所有历史标记像素点对应的历史亮度纹理指标,确定图像亮度变化指标可以包括以下子步骤:
第一子步骤,将当前帧目标行车图像中除了所有当前标记像素点之外的每个像素点,确定为当前非感兴趣点,并将上一帧目标行车图像中除了所有历史标记像素点之外的每个像素点,确定为历史非感兴趣点。
第二子步骤,将所有当前标记像素点对应的当前亮度纹理指标的均值,确定为当前代表特征指标,并将所有历史标记像素点对应的历史亮度纹理指标的均值,确定为历史代表特征指标。
第三子步骤,将上述当前代表特征指标与上述历史代表特征指标的差值的绝对值,确定为第一亮度变化指标。
第四子步骤,将所有当前非感兴趣点对应的灰度值的均值,确定为当前灰度指标,并将所有历史非感兴趣点对应的灰度值的均值,确定为历史灰度指标。
第五子步骤,将上述当前灰度指标与上述历史灰度指标的差值的绝对值,确定为第二亮度变化指标。
第六子步骤,根据上述第一亮度变化指标与上述第二亮度变化指标,确定图像亮度变化指标。
其中,上述第一亮度变化指标和上述第二亮度变化指标均可以与上述图像亮度变化指标呈正相关。
比如,确定图像亮度变化指标对应的公式可以为:
;/>;/>;
;/>;/>;/>;其中,D是图像亮度变化指标。/>是当前代表特征指标。/>是当前帧目标行车图像中当前标记像素点的数量。是当前帧目标行车图像中第a个当前标记像素点对应的当前纹理特征,也就是第a个当前标记像素点所属当前运动目标区域对应的目标纹理特征。/>是当前帧目标行车图像中第a个当前标记像素点对应的灰度值。/>是当前帧目标行车图像中第a个当前标记像素点对应的当前亮度纹理指标。a是当前帧目标行车图像中当前标记像素点的序号。/>是历史代表特征指标。/>是上一帧目标行车图像中历史标记像素点的数量。/>是上一帧目标行车图像中第b个历史标记像素点对应的历史纹理特征,也就是第b个历史标记像素点所属历史运动目标区域对应的目标纹理特征。/>是上一帧目标行车图像中第b个历史标记像素点对应的灰度值。/>是上一帧目标行车图像中第b个历史标记像素点对应的历史亮度纹理指标。b是上一帧目标行车图像中历史标记像素点的序号。/>是第一亮度变化指标。/>是当前灰度指标。/>是当前帧目标行车图像中当前非感兴趣点的数量。/>是当前帧目标行车图像中第c个当前非感兴趣点对应的灰度值。c是当前帧目标行车图像中当前非感兴趣点的序号。/>是历史灰度指标。/>是上一帧目标行车图像中历史非感兴趣点的数量。/>是上一帧目标行车图像中第d个历史非感兴趣点对应的灰度值。d是上一帧目标行车图像中历史非感兴趣点的序号。/>是第二亮度变化指标。
需要说明的是,由于外部光线突然变化可能导致画面整体亮度过暗或过亮,包括感兴趣区域在内的许多图像细节会难以分辨,由于实际行驶情况复杂,要使感兴趣区域的可读性提升,应该在增强过程中使该区域尽量突出于背景区域。因此,可以量化图像亮度变化指标,以便于后续的图像增强。由于行车记录仪自身往往具备自动曝光算法,背景部分的整体亮度与感兴趣区域的成像亮度通常存在一定关系,因此可以将图像亮度变化指标作为影响感兴趣区域的特征。D可以表征图像亮度变化,其值越大,往往说明需要被增强的程度越大。的目的是提升计算亮暗差异时较高目标纹理特征像素点的比重;同时通过对/>加1来提升计算整幅图像亮暗变化程度时,当前运动目标区域的比重;同理。/>可以表征当前帧目标行车图像中当前标记像素点对应的亮度表现。可以表征上一帧目标行车图像中历史标记像素点对应的亮度表现。/>可以表征当前帧目标行车图像和上一帧目标行车图像中预设目标区域之间的亮度变化。/>可以表征当前帧目标行车图像中当前非感兴趣点对应的亮度表现。/>可以表征上一帧目标行车图像中历史非感兴趣点对应的亮度表现。/>可以表征当前帧目标行车图像和上一帧目标行车图像中非预设目标区域之间的亮度变化。
步骤S5,对每个当前运动目标区域进行细节信息分析处理,得到每个当前运动目标区域对应的细节信息指标。
在一些实施例中,可以对每个当前运动目标区域进行细节信息分析处理,得到每个当前运动目标区域对应的细节信息指标。
需要说明的是,由于区域的细节信息往往影响着区域需要增强的程度,因此量化每个当前运动目标区域对应的细节信息指标,可以便于后续量化当前运动目标区域对应的自适应增强系数。
作为示例,可以根据上述当前运动目标区域内所有像素点对应的灰度值和梯度值,确定上述当前运动目标区域对应的细节信息指标对应的公式可以为:
;其中,/>是第i个当前运动目标区域对应的细节信息指标。i是当前运动目标区域的序号。/>是归一化函数。/>是第i个当前运动目标区域内像素点的数量。/>是第i个当前运动目标区域内第f个像素点对应的灰度值。/>是第i个当前运动目标区域内所有像素点对应的灰度值的均值。f是第i个当前运动目标区域内像素点的序号。/>是第i个当前运动目标区域内第f个像素点对应的梯度值。
需要说明的是,对于预设目标区域内部,图像的纹理丰富程度通常与其区域图像可读性之间存在联系,区域图像可读性较差时,其内部纹理细节往往较少,区域内灰度级范围往往较小,梯度值往往同样较小。对预设目标区域自适应增强的主要的目的是强化预设目标区域的图像可读性,即强化其纹理信息,因此对于纹理信息较弱的区域增强系数往往应该较大,使其内部的图像纹理信息更加清晰,为了获取自适应增强系数,可以通过预设目标区域内部的灰度、梯度等特征评估预设目标区域对应的细节信息指标。当越大时,往往说明第i个当前运动目标区域内的灰度差异越大,往往说明其细节信息越丰富,往往说明其纹理信息越丰富,往往说明其越应该被增强,对应的增强程度应该越大。/>可以表征局部灰度差异,能够体现第f个像素点位置处的纹理,该值越小,则该位置处的纹理信息越弱。可以表征全局灰度差异,主要表示灰度的集中程度,该值越接近于0,代表灰度分布范围越集中,纹理细节部分越少。对/>和/>的乘积进行平方得到/>的目的是放大差异。
步骤S6,根据图像亮度变化指标、每个当前运动目标区域对应的细节信息指标和目标纹理特征,确定每个当前运动目标区域对应的自适应增强系数。
在一些实施例中,可以根据上述图像亮度变化指标、每个当前运动目标区域对应的细节信息指标和目标纹理特征,确定每个当前运动目标区域对应的自适应增强系数。
需要说明的是,由于纹理、亮度变化和细节信息情况往往影响着像素点需要增强的程度,因此综合考虑目标纹理特征、图像亮度变化指标和细节信息指标,可以提高当前运动目标区域对应的自适应增强系数确定的准确度。
作为示例,确定当前运动目标区域对应的自适应增强系数对应的公式可以为:
;其中,/>是第i个当前运动目标区域对应的自适应增强系数。i是当前运动目标区域的序号。D是图像亮度变化指标。/>是取绝对值函数。/>是第i个当前运动目标区域对应的细节信息指标。/>是第i个当前运动目标区域对应的目标纹理特征。
需要说明的是,D可以表征图像亮度变化,其值越大,往往说明需要被增强的程度越大。当越大时,往往说明当前运动目标区域的纹理信息越丰富,往往说明当前运动目标区域的感兴趣度越高,往往说明当前运动目标区域越应该被增强。当/>越大时,往往说明第i个当前运动目标区域内的灰度差异越大,往往说明其细节信息越丰富,往往说明其纹理信息越丰富,往往说明其越应该被增强,对应的增强程度应该越大。对D乘以2的目的是:要将整体亮暗变化作为伽马变换的主体参考因素,因此使D的值域分布在伽马变换的两个增强方向上。将/>与/>相乘的目的是为了将当前运动目标区域的增强程度与其感兴趣度相关联,感兴趣度越高,当前运动目标区域内部灰度细节复杂度越高则增强效果越强,该项通过局部特征调整整体亮暗对增强效果的影响。/>的目的是判断整体亮暗程度对增强方向的影响,其取值为1或-1,并修正局部细节影响的增强方向,再对分子乘以/>的原因是可以避免/>的取值超出/>的取值。获取增强系数后,即可通过伽马变换的方法对图像进行增强。因此当/>越大时,往往说明第i个当前运动目标区域需要增强的程度越大。
步骤S7,通过行车记录仪,采集下一帧目标行车图像,并基于每个当前运动目标区域,从下一帧目标行车图像中筛选出每个当前运动目标区域对应的预测待增强区域。
在一些实施例中,可以通过行车记录仪,采集下一帧目标行车图像,并基于每个当前运动目标区域,从下一帧目标行车图像中筛选出每个当前运动目标区域对应的预测待增强区域。
其中,下一帧目标行车图像可以是当前帧目标行车图像的后一帧目标行车图像。预测待增强区域可以是预测的需要进行增强的区域,也就是预测的下一帧目标行车图像中的预设目标区域。
需要说明的是,由于行车记录仪采集每相邻两帧图像之间的时间间隔往往比较短,故相邻两帧图像之间往往具有一定的相似性,因此可以基于每个当前运动目标区域,从下一帧目标行车图像中筛选出每个当前运动目标区域对应的预测待增强区域。
作为示例,本步骤可以包括以下步骤:
第一步,通过行车记录仪,采集下一帧目标行车图像。
第二步,将上述当前运动目标区域与上述当前运动目标区域的所有边缘像素点对应的预设窗口的并集,确定为上述当前运动目标区域对应的参考区域。
其中,预设窗口可以是预先设置的窗口。例如,预设窗口可以是5×5的窗口。边缘像素点可以位于该边缘像素点对应的预设窗口的中心。边缘像素点可以是边缘上的像素点。
第三步,将下一帧目标行车图像中与上述参考区域位置相同的区域,确定为上述当前运动目标区域对应的预测待增强区域。
例如,如图2所示,下一帧目标行车图像203中,与当前帧目标行车图像201中的参考区域202位置相同的区域可以是多边形区域204,因此,多边形区域204可以是预测待增强区域。
步骤S8,根据每个当前运动目标区域对应的自适应增强系数,对每个当前运动目标区域对应的预测待增强区域内的每个像素点进行自适应增强,得到下一帧目标行车图像对应的目标增强图像。
在一些实施例中,可以根据每个当前运动目标区域对应的自适应增强系数,对每个当前运动目标区域对应的预测待增强区域内的每个像素点进行自适应增强,得到下一帧目标行车图像对应的目标增强图像,实现了对下一帧目标行车图像的自适应增强。
作为示例,本步骤可以包括以下步骤:
第一步,根据每个当前运动目标区域对应的自适应增强系数,确定每个当前运动目标区域对应的预测待增强区域内的每个像素点对应的RGB增强指标对应的公式可以为:
;;
;其中,/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的RGB增强指标包括的增强后的R通道值。/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的RGB增强指标包括的增强后的G通道值。/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的RGB增强指标包括的增强后的B通道值。i是当前运动目标区域的序号。k是第i个当前运动目标区域对应的预测待增强区域内像素点的序号。/>是以自然常数为底的指数函数。/>是取绝对值函数。/>是第i个当前运动目标区域对应的预测待增强区域内,第k个像素点对应的目标连线与水平方向的夹角对应的数值。第k个像素点对应的目标连线是第k个像素点与第i个当前运动目标区域对应的预测待增强区域的质心之间的连线。/>是第i个当前运动目标区域对应的位移直线与水平方向的夹角对应的数值。第i个当前运动目标区域对应的位移直线是第i个当前运动目标区域的质心位移所在的直线。第i个当前运动目标区域的质心位移是第i个当前运动目标区域的质心与该质心对应在上一帧目标行车图像中的像素点之间的位移。/>是第i个当前运动目标区域对应的预测待增强区域内,第k个像素点与最近的感兴趣像素点之间的距离。感兴趣像素点是当前运动目标区域内的像素点对应在预测待增强区域内的像素点。/>是第i个当前运动目标区域的质心位移。/>是预先设置的大于0的因子,主要用于防止分母为0,比如,/>可以为0.01。/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的增强前的R通道值。/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的增强前的G通道值。/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的增强前的B通道值。/>是第i个当前运动目标区域对应的自适应增强系数。
需要说明的是,当越大时,往往说明第i个当前运动目标区域需要增强的程度越大,由于行车记录仪采集每相邻两帧图像之间的时间间隔往往比较短,故相邻两帧图像之间往往具有一定的相似性,所以第i个当前运动目标区域对应的预测待增强区域需要增强的程度往往越大。/>计算了第k个像素点与预测方向的偏离角度,/>实现了归一化,其值越大,偏离角度越大,第k个像素点的权重越小。/>计算了第k个像素点位置与预测位置的距离,该距离值越大,其权重越小。因此/>、/>和/>分别可以表征可能被增强后的RGB值中的R值、G值和B值。/>
第二步,将下一帧目标行车图像中所有预测待增强区域内所有像素点对应的RGB值,更新为其对应的RGB增强指标,得到目标增强图像。
需要说明的是,增强过程中,若预测待增强区域之间存在重叠,导致重叠区域内的像素点存在多个RGB增强指标时,可以选取与增强前的RGB值相比变化较大的RGB增强指标作为该像素点进行增强后的RGB值。另外,为了避免图像块效应的产生,可以对各个预测待增强区域利用高斯滤波器进行平滑。
综上,由于行车记录仪采集每相邻两帧图像之间的时间间隔往往比较短,故相邻两帧图像之间往往具有一定的相似性,所以当前帧目标行车图像中的当前运动目标区域对应的自适应增强系数往往与下一帧目标行车图像中的预测待增强区域的增强系数存在一定的关系,因此可以通过当前运动目标区域对应的自适应增强系数,对预测待增强区域内的每个像素点进行自适应增强,可以实现对下一帧目标行车图像的增强,并且可以使下一帧目标行车图像中的预测待增强区域更加明显,可以便于驾驶员观察路况情况。再者,相较于直方图均衡化,本发明对预测待增强区域内的每个像素点进行自适应增强,在一定程度上可以减少细节信息的丢失,从而可以提高图像增强效果。另外,本发明通过对当前帧目标行车图像和上一帧目标行车图像进行的多步处理,实现了对下一帧目标行车图像的自适应增强,由于当前帧目标行车图像和上一帧目标行车图像是下一帧目标行车图像采集前的两帧目标行车图像,所以对当前帧目标行车图像和上一帧目标行车图像的一系列处理,均可以在下一帧目标行车图像的采集前进行,这样在采集下一帧目标行车图像后只需依据下一帧目标行车图像采集前量化的自适应增强系数,对下一帧目标行车图像进行增强,可以在一定程度上减少从下一帧目标行车图像的采集到下一帧目标行车图像增强完成之间的时长,可以在一定程度上减少图像出现的延迟,更加符合驾驶员对路况观察的实时性。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于智能感知的行车记录仪数据分析系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,实现以下步骤:
通过行车记录仪,采集当前帧目标行车图像和上一帧目标行车图像;
分别对当前帧目标行车图像和上一帧目标行车图像进行运动目标识别,得到当前运动目标区域和历史运动目标区域;
分别对每个当前运动目标区域和每个历史运动目标区域进行纹理分析处理,得到每个当前运动目标区域和每个历史运动目标区域对应的目标纹理特征;
根据所有目标纹理特征,以及当前帧目标行车图像和上一帧目标行车图像中所有像素点对应的灰度值,确定图像亮度变化指标;
对每个当前运动目标区域进行细节信息分析处理,得到每个当前运动目标区域对应的细节信息指标;
根据所述图像亮度变化指标、每个当前运动目标区域对应的细节信息指标和目标纹理特征,确定每个当前运动目标区域对应的自适应增强系数;
通过行车记录仪,采集下一帧目标行车图像,并基于每个当前运动目标区域,从下一帧目标行车图像中筛选出每个当前运动目标区域对应的预测待增强区域;
根据每个当前运动目标区域对应的自适应增强系数,对每个当前运动目标区域对应的预测待增强区域内的每个像素点进行自适应增强,得到下一帧目标行车图像对应的目标增强图像;
所述根据每个当前运动目标区域对应的自适应增强系数,对每个当前运动目标区域对应的预测待增强区域内的每个像素点进行自适应增强,得到下一帧目标行车图像对应的目标增强图像,包括:
根据每个当前运动目标区域对应的自适应增强系数,确定每个当前运动目标区域对应的预测待增强区域内的每个像素点对应的RGB增强指标;
将下一帧目标行车图像中所有预测待增强区域内所有像素点对应的RGB值,更新为其对应的RGB增强指标,得到目标增强图像;
预测待增强区域内的像素点对应的RGB增强指标对应的公式为:
;;
;其中,/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的RGB增强指标包括的增强后的R通道值;/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的RGB增强指标包括的增强后的G通道值;/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的RGB增强指标包括的增强后的B通道值;i是当前运动目标区域的序号;k是第i个当前运动目标区域对应的预测待增强区域内像素点的序号;/>是以自然常数为底的指数函数;/>是取绝对值函数;/>是第i个当前运动目标区域对应的预测待增强区域内,第k个像素点对应的目标连线与水平方向的夹角对应的数值;第k个像素点对应的目标连线是第k个像素点与第i个当前运动目标区域对应的预测待增强区域的质心之间的连线;是第i个当前运动目标区域对应的位移直线与水平方向的夹角对应的数值;第i个当前运动目标区域对应的位移直线是第i个当前运动目标区域的质心位移所在的直线;第i个当前运动目标区域的质心位移是第i个当前运动目标区域的质心与该质心对应在上一帧目标行车图像中的像素点之间的位移;/>是第i个当前运动目标区域对应的预测待增强区域内,第k个像素点与最近的感兴趣像素点之间的距离;感兴趣像素点是当前运动目标区域内的像素点对应在预测待增强区域内的像素点;/>是第i个当前运动目标区域的质心位移;/>是预先设置的大于0的因子;/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的增强前的R通道值;/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的增强前的G通道值;/>是第i个当前运动目标区域对应的预测待增强区域内第k个像素点对应的增强前的B通道值;/>是第i个当前运动目标区域对应的自适应增强系数。
2.根据权利要求1所述的一种基于智能感知的行车记录仪数据分析系统,其特征在于,所述分别对每个当前运动目标区域和每个历史运动目标区域进行纹理分析处理,得到每个当前运动目标区域和每个历史运动目标区域对应的目标纹理特征,包括:
将所述当前运动目标区域内所有梯度值不为0的像素点在所述当前运动目标区域内的占比,确定为所述当前运动目标区域对应的第一纹理特征;
将所述当前运动目标区域内所有像素点对应的梯度值的均值,确定为所述当前运动目标区域对应的第二纹理特征;
根据所述当前运动目标区域内像素点的数量、所述当前运动目标区域对应的第一纹理特征和第二纹理特征,确定所述当前运动目标区域对应的目标纹理特征,其中,所述当前运动目标区域内像素点的数量、所述当前运动目标区域对应的第一纹理特征和第二纹理特征均与所述当前运动目标区域对应的目标纹理特征呈正相关;
同理,确定所述历史运动目标区域对应的目标纹理特征。
3.根据权利要求1所述的一种基于智能感知的行车记录仪数据分析系统,其特征在于,所述根据所有目标纹理特征,以及当前帧目标行车图像和上一帧目标行车图像中所有像素点对应的灰度值,确定图像亮度变化指标,包括:
将每个历史运动目标区域内的每个像素点,确定为历史标记像素点,并将每个当前运动目标区域内的每个像素点,确定为当前标记像素点;
将每个历史标记像素点所属历史运动目标区域对应的目标纹理特征,确定为所述历史标记像素点对应的历史纹理特征;
将每个当前标记像素点所属当前运动目标区域对应的目标纹理特征,确定为所述当前标记像素点对应的当前纹理特征;
根据每个历史标记像素点对应的灰度值和历史纹理特征,确定所述历史标记像素点对应的历史亮度纹理指标,其中,历史标记像素点对应的灰度值和历史纹理特征均与其对应的历史亮度纹理指标呈正相关;
根据每个当前标记像素点对应的灰度值和当前纹理特征,确定所述当前标记像素点对应的当前亮度纹理指标,其中,当前标记像素点对应的灰度值和当前纹理特征均与其对应的当前亮度纹理指标呈正相关;
根据当前帧目标行车图像和上一帧目标行车图像中的像素点对应的灰度值、所有当前标记像素点对应的当前亮度纹理指标和所有历史标记像素点对应的历史亮度纹理指标,确定图像亮度变化指标。
4.根据权利要求3所述的一种基于智能感知的行车记录仪数据分析系统,其特征在于,所述根据当前帧目标行车图像和上一帧目标行车图像中的像素点对应的灰度值、所有当前标记像素点对应的当前亮度纹理指标和所有历史标记像素点对应的历史亮度纹理指标,确定图像亮度变化指标,包括:
将当前帧目标行车图像中除了所有当前标记像素点之外的每个像素点,确定为当前非感兴趣点,并将上一帧目标行车图像中除了所有历史标记像素点之外的每个像素点,确定为历史非感兴趣点;
将所有当前标记像素点对应的当前亮度纹理指标的均值,确定为当前代表特征指标,并将所有历史标记像素点对应的历史亮度纹理指标的均值,确定为历史代表特征指标;
将所述当前代表特征指标与所述历史代表特征指标的差值的绝对值,确定为第一亮度变化指标;
将所有当前非感兴趣点对应的灰度值的均值,确定为当前灰度指标,并将所有历史非感兴趣点对应的灰度值的均值,确定为历史灰度指标;
将所述当前灰度指标与所述历史灰度指标的差值的绝对值,确定为第二亮度变化指标;
根据所述第一亮度变化指标与所述第二亮度变化指标,确定图像亮度变化指标,其中,所述第一亮度变化指标和所述第二亮度变化指标均与所述图像亮度变化指标呈正相关。
5.根据权利要求1所述的一种基于智能感知的行车记录仪数据分析系统,其特征在于,所述对每个当前运动目标区域进行细节信息分析处理,得到每个当前运动目标区域对应的细节信息指标,包括:
根据所述当前运动目标区域内所有像素点对应的灰度值和梯度值,确定所述当前运动目标区域对应的细节信息指标。
6.根据权利要求5所述的一种基于智能感知的行车记录仪数据分析系统,其特征在于,所述当前运动目标区域对应的细节信息指标对应的公式为:
;其中,/>是第i个当前运动目标区域对应的细节信息指标;i是当前运动目标区域的序号;/>是归一化函数;/>是第i个当前运动目标区域内像素点的数量;/>是第i个当前运动目标区域内第f个像素点对应的灰度值;/>是第i个当前运动目标区域内所有像素点对应的灰度值的均值;f是第i个当前运动目标区域内像素点的序号;/>是第i个当前运动目标区域内第f个像素点对应的梯度值。
7.根据权利要求1所述的一种基于智能感知的行车记录仪数据分析系统,其特征在于,所述当前运动目标区域对应的自适应增强系数对应的公式为:
;其中,/>是第i个当前运动目标区域对应的自适应增强系数;i是当前运动目标区域的序号;D是图像亮度变化指标;/>是取绝对值函数;/>是第i个当前运动目标区域对应的细节信息指标;/>是第i个当前运动目标区域对应的目标纹理特征。
8.根据权利要求1所述的一种基于智能感知的行车记录仪数据分析系统,其特征在于,所述基于每个当前运动目标区域,从下一帧目标行车图像中筛选出每个当前运动目标区域对应的预测待增强区域,包括:
将所述当前运动目标区域与所述当前运动目标区域的所有边缘像素点对应的预设窗口的并集,确定为所述当前运动目标区域对应的参考区域;
将下一帧目标行车图像中与所述参考区域位置相同的区域,确定为所述当前运动目标区域对应的预测待增强区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467340.0A CN117197783B (zh) | 2023-11-07 | 2023-11-07 | 基于智能感知的行车记录仪数据分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467340.0A CN117197783B (zh) | 2023-11-07 | 2023-11-07 | 基于智能感知的行车记录仪数据分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197783A CN117197783A (zh) | 2023-12-08 |
CN117197783B true CN117197783B (zh) | 2024-01-23 |
Family
ID=88987277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311467340.0A Active CN117197783B (zh) | 2023-11-07 | 2023-11-07 | 基于智能感知的行车记录仪数据分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197783B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861937A (zh) * | 2020-07-29 | 2020-10-30 | 西安建筑科技大学 | 一种基于msr改进的图像增强方法及系统 |
CN113962870A (zh) * | 2020-07-20 | 2022-01-21 | 浙江宇视科技有限公司 | 一种图像锅盖效应抑制方法、装置、电子设备和存储介质 |
CN116188328A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市银河通信科技有限公司 | 基于物联网的停车场感应灯联动系统 |
CN116342440A (zh) * | 2023-05-26 | 2023-06-27 | 山东广汇安通物联科技有限公司 | 一种基于人工智能的车载视频监控管理系统 |
CN116485787A (zh) * | 2023-06-15 | 2023-07-25 | 东莞市立时电子有限公司 | 一种数据线成型外模外观缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3005288A4 (en) * | 2013-05-24 | 2016-11-30 | Intel Corp | IMAGE-IMPROVED FOR SKIN TONE |
-
2023
- 2023-11-07 CN CN202311467340.0A patent/CN117197783B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962870A (zh) * | 2020-07-20 | 2022-01-21 | 浙江宇视科技有限公司 | 一种图像锅盖效应抑制方法、装置、电子设备和存储介质 |
CN111861937A (zh) * | 2020-07-29 | 2020-10-30 | 西安建筑科技大学 | 一种基于msr改进的图像增强方法及系统 |
CN116188328A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市银河通信科技有限公司 | 基于物联网的停车场感应灯联动系统 |
CN116342440A (zh) * | 2023-05-26 | 2023-06-27 | 山东广汇安通物联科技有限公司 | 一种基于人工智能的车载视频监控管理系统 |
CN116485787A (zh) * | 2023-06-15 | 2023-07-25 | 东莞市立时电子有限公司 | 一种数据线成型外模外观缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
一种新的NSCT域图像增强算法;全永奇;《计算机应用与软件》;第33卷(第3期);206-209 * |
Also Published As
Publication number | Publication date |
---|---|
CN117197783A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599792B (zh) | 一种手部驾驶违规行为的检测方法 | |
CN105046677B (zh) | 一种用于交通视频图像的增强处理方法和装置 | |
CN111611907B (zh) | 一种图像增强的红外目标检测方法 | |
CN113610895A (zh) | 目标跟踪方法、装置、电子设备及可读存储介质 | |
CN111340842B (zh) | 一种基于联合模型的相关滤波目标跟踪方法 | |
CN106778540A (zh) | 停车检测准确的基于双层背景的停车事件检测方法 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN104700405A (zh) | 一种前景检测方法和系统 | |
CN111738114A (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN115376108A (zh) | 一种复杂天气下障碍物检测方法及装置 | |
CN112613434A (zh) | 道路目标检测方法、装置及存储介质 | |
CN108509826B (zh) | 一种遥感影像的道路识别方法及其系统 | |
CN112016519A (zh) | 一种基于Hard Triple的车辆重识别方法及系统 | |
CN116704476A (zh) | 一种基于改进Yolov4-tiny算法的交通标志检测方法 | |
Pal et al. | Visibility enhancement techniques for fog degraded images: a comparative analysis with performance evaluation | |
CN111178370B (zh) | 车辆检索方法及相关装置 | |
CN117197783B (zh) | 基于智能感知的行车记录仪数据分析系统 | |
CN116310358B (zh) | 铁路货车螺栓丢失检测方法、存储介质及设备 | |
CN112102175B (zh) | 图像对比度的增强方法、装置、存储介质及电子设备 | |
CN110008834B (zh) | 一种基于视觉的方向盘干预检测与统计方法 | |
CN202771439U (zh) | 基于matlab交通标志自动识别装置 | |
Wang et al. | Low-light traffic objects detection for automated vehicles | |
CN114648738A (zh) | 一种基于物联网与边缘计算的图像识别系统与方法 | |
CN113989774A (zh) | 一种交通灯检测方法、装置、车辆和可读存储介质 | |
CN109993776B (zh) | 一种基于多级模板的相关滤波目标跟踪方法及系统 |
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 |