一种雨天环境下基于图像特征的监控环境识别算法
【技术领域】
[0001] 本发明涉及一种环境识别算法，具体是一种雨天环境下基于图像特征的监控环境 识别算法。
【背景技术】
[0002] 目前，图像处理中已经有很多比较成熟且稳定可靠的获取目标的算法，但至今还 是没能在高速公路监控中得到广泛的应用，究其原因主要是高速公路监控环境的复杂多 变，与研究算法所采用的标准、理想环境条件有很大的差别。实验室条件下测试效果很好的 算法在实际应用中的效果是大打折扣的，现有技术没有针对高速公路复杂环境情况进行识 别的算法，更没有针对复杂环境情况开发有针对性的算法，事实上适用于一般环境的算法 很难解决不同监控环境下的识别问题，目前的视频监控系统在雨天的环境准确率特别低。 因此，开发一套适用于高速公路复杂环境识别的算法，特别是针对常见雨天环境的识别算 法对提高视频监控系统的鲁棒性尤为重要。
【发明内容】
[0003] 本发明的目的在于提供一种雨天环境下基于图像特征的监控环境识别算法，以解 决上述【背景技术】中提出的问题。
[0004] 为实现上述目的，本发明提供如下技术方案：
[0005] -种雨天环境下基于图像特征的监控环境识别算法，包括白天雨天环境识别算法 和夜间有路灯反光的雨天环境识别算法，白天雨天识别算法分为以下几个步骤：
[0006] 步骤一:分别在左侧与右侧车道标记雨天检测区域，分别对两个检测区域中的亮 度、像素梯度进行统计，得到三个参数分别是右侧像素点梯度分布方差Variances左侧像 素点梯度分布方差Variance^，以及检测区域亮度Luminance，本算法中综合考虑计算速度 和计算效果，以及各向同性的原则，像素点梯度值采用8邻域均值的方法作为该像素点的梯 度值，如下式所示，
[0007]
[0008]式中&为各像素点的像素值；
[0009] 所述雨天环境识别算法分为以下几个步骤：
[0012]其中P(x，y) = 1表示该像素点是高亮点，〇表示非高亮点，
[0010] 步骤一:夜间雨天环境中最为突出的是灯光的反光，利用这一特征进行夜间雨天 的识别，路面反射看到的灯光大多偏亮黄色或者趋近于白色，也就是说这些像素点的RGB像 素值接近于(255，255,255)，根据这些特征，本算法中将某一像素点是否是高亮点的定义如 下：
[0011]
[0013] 步骤二:假设有一组观测值{Χη}，η=1，···，Ν，χ η是欧式空间中的一个D维向量：
[0014] Χη=(Χη1, · · · ,Χη?)Τ Xn^R°
[0015] 在{μ] i = 1，…，D坐标系下，将χη转换到{Μ坐标系下，得到
[0016] χη=(αη1，…，anD)T
[0017] 取D维坐标中的Μ个坐标基向量，用这Μ个基向量方向的系数来近似表示χη，得到
[0018]
[0019]
[0020]
[0021 ]计算近似值与实际值的差异：
[0022] ^ 、..... __
[0023] 由于前Μ项与原向量是一致的，因此计算差值时，前Μ项都为0,用基向量的形式来 表示差值，则得到如下表达式：
[0024]
[0025] 由于{m}坐标系下的基向量都是单位正交向量，且具有完备性，因此将两个向量 的差异表疋为如下
[0026]
[0027]通过矩阵的运算将上式简化成 [0028]
[0029]按照方差的公式：
[0030]
[0031] 求得dn(n=l，...，N)的方差，下面分别计算以及[E(dn)]2，
[0032] 将4对数据集中所有N组数据进行求均值，得到：
[0033]
[0034] 整理后得到简化表达式：
[0035]
[0036] 式Μ
Τ，表示Ν组数据{χη}的协方差矩阵，
[0037]
[0038]利用基向量集{ui}的单位正交特性
[0039]
[0040]
[0041] 式中δ?」为克罗内克符号，
[0042] 简化[E(dn)]2的表达式：
[0043]
[0044]
[0045]
[0046] 式Μ
&为一标量，只与xn有关，则(d n)2的表达式 可以化简为：
[0052]利用拉格朗日乘数法：
[0053]
[0054] 分别对m(i=M+l，-_，D)求偏导，求得导数零点，可以得到
[0055]
[0056] 令矩阵H=(B_SS)，将上式化简为：
[0057] Hui = AiUi
[0058] 该式表示Ai为矩阵Η对应于特征向量m的特征值，
[0059] 由矩阵B和矩阵S的表达式可以看出，B和S2都是对称矩阵，因而矩阵Η也是DXD的 对称矩阵，且矩阵只与当前数据集Ιχ η}相关，对于一个确定的数据集，按照Η的表达式求出Η 的所有特征向量和特征值，然后按照特征值大小进行排序，选择与前Μ个最大的特征值对应 的特征向量作为主成分子空间对数据集进行投影；
[0060] 利用以上算法对系统采集的数据进行处理，得到新的正交基向量{m，U2}，其中m 所对应的特征值较大，因此m为主成分方向，然后对所有数据进行转换，将数据集转换到以 {m，U2}为坐标轴的空间中进行分析，所有的数据点都会退化为在同一条直线上的点，且比 较理想地向两个区域聚集，这条直线的方向就是基向量u 2的方向，在这种情况下再利用K-Means算法对其进行聚类分析，就能够确定当前环境是否属于雨天夜间环境。
[0061] 与现有技术相比，本发明的有益效果是:本发明解决在高速公路视频监控系统中 雨天识别率很低的问题，对雨天环境下的视频图像特征进行了研究，提出了针对白天和夜 间两种情况下雨天环境的识别算法，相较于现有的技术，本算法极大的提高了雨天环境下 视频监控系统的鲁棒性。
【附图说明】
[0062] 图1为雨天环境下基于图像特征的监控环境识别算法的天气阈值T半监督学习算 法流程图；
[0063] 图2为雨天环境下基于图像特征的监控环境识别算法中白天雨天识别算法算法流 程图；
[0064] 图3为雨天环境下基于图像特征的监控环境识别算法中夜间雨天环境识别算法流 程图。
【具体实施方式】
[0065] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通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。
[0066] 请参阅图1~3,本发明实施例中，一种雨天环境下基于图像特征的监控环境识别 算法，包括白天雨天环境识别算法和夜间有路灯反光的雨天环境识别算法，白天雨天识别 算法分为以下几个步骤：
[0067] 步骤一:分别在左侧与右侧车道标记雨天检测区域，分别对两个检测区域中的亮 度、像素梯度进行统计，得到三个参数分别是右侧像素点梯度分布方差Variances左侧像 素点梯度分布方差Variances以及检测区域亮度Lumunance，本算法中综合考虑计算速度 和计算效果，以及各向同性的原则，像素点梯度值采用8邻域均值的方法作为该像素点的梯 度值，如下式所示，
[0068]
[0069]式中XlS各像素点的像素值；
[0070] 所述雨天环境识别算法分为以下几个步骤：
[0071] 步骤一:夜间雨天环境中最为突出的是灯光的反光，利用这一特征进行夜间雨天 的识别，路面反射看到的灯光大多偏亮黄色或者趋近于白色，也就是说这些像素点的RGB像 素值接近于(255，255,255)，根据这些特征，本算法中将某一像素点是否是高亮点的定义如 下：
[0072]
[0073] 其中P(x，y) = 1表示该像素点是高亮点，0表示非高亮点，
[0074] 步骤二:假设有一组观测值{&}，1!=1，一，1心是欧式空间中