一种图像智能分析处理预警方法
【专利摘要】本发明公开了一种图像智能分析处理预警方法。用于勘测电杆附近的环境。该方法的主要图像处理方法是黄色权重加权灰度化，并采用横纵投影比来矫正摄像头扰动对图像的影响。并通过腐蚀膨胀和最小敏感块面积参数来确定报警区域的轮廓，最后通过融合了颜色特征并归一化图像缩放得到的四种HOG特征来检测报警对象。并且引入学习机制来动态优化训练参数，本发明通过对工程车辆的HOG特征提取进行分析，并把颜色频率特征加入HOG特征向量来共同完成报警物体的检测。形成带有颜色特征的HOG特征向量，以提高检测的成功率。
【专利说明】一种图像智能分析处理预警方法
【技术领域】
[0001] 本发明关于图像处理方法，且涉及到了一种图像智能分析处理预警方法。
【背景技术】
[0002] 背景差通过当前帧和背景模型的比较区分前景物体和背景物体，通过比较得到 背景模型中发生显著变化的区域，然后利用连通区域分析方法对前景物体区域进行标记。 MONNETA等人将图像分为固定大小的图像块，采用在线自回归模型来建立背景模型，ZHONG J等人采用Kalman(卡尔曼）滤波器对动态区域的外观进行估计，并通过调节权重函数的阈 值得到前景物体的区域。
[0003] 自然图像中感兴趣物体的检测与识别一直是计算机视觉中的一个研究热点，比较 成熟的领域有行人检测与人脸检测。行人特征提取有对称与边沿密度、HOG(梯度直方图） 等，其中HOG在行人提取中表现出优良的检测性能，但其提取的人体特征向量维数较大，严 重影响系统速度。
[0004] 检测方法主要由两类：基于特征和基于分类。其中基于分类的方法被普遍采用，主 要有基于Adaboost(自适应增强）、基于支持向量机和使用神经网络等。
[0005] 工业标准灰度化及HSL、HSV考虑到人的视觉感观因素，调整R(red)、G(green)、 B(blue)各分量在灰度化时对灰度值的贡献。HSL和HSV是对RGB色彩空间中点的两种有 关系的表示，它们尝试描述比RGB更准确的感知颜色联系，并仍保持在计算上简单。
[0006] HOG特征是一种局部区域描述符，它通过计算局部区域上物体边缘梯度方向直方 图来构造物体的特征模型，对光照变化和量小的偏移敏感度低。
【发明内容】
[0007] 本发明的目的是克服现有技术的不足，提供一种图像智能分析处理预警方法。通 过图像退化/复原过程的模型对原始的彩色图像进行图像复原处理。并且对前后两帧图像 进行光敏度一致化，去除光照度、阴影及其他天气的影响。
[0008] 本发明的技术方案如下：
[0009] 一种图像智能分析处理预警方法包括如下步骤：
[0010] 1)对原始的彩色图像进行图像复原处理，去除光照度和阴影的影响，保证前后图 片的像素值的均值相等，达到图像光敏度一致化；
[0011] 2)对处理后的两帧图像Ik、Ik+1的RGB三通道的值分别与亮度参数V进行比较，针 对黄色权重vb求灰度值G:
[0012]
【权利要求】
1. 一种图像智能分析处理预警方法，其特征在于包括如下步骤： 1) 对原始的彩色图像进行图像复原处理，去除光照度和阴影的影响，保证前后图片的 像素值的均值相等，达到图像光敏度一致化； 2) 对处理后的两帧图像Ik、Ik+1的1^?三通道的值分别与亮度参数V进行比较，针对黄 色权重vb求灰度值G:
其中G为灰度值，r，g，b分别代表每个坐标的红色像素值，绿色像素值和蓝色像素 值，\为差分后的红色通道的权重，其值为1. 〇,Vg为差分后的绿色通道的权重，其值为1. 〇、 Vb为差分后的黄色通道的权重，设定为自主学习参数，其初始值设定为〇. 18,V为亮度参数， 设定为自主学习参数； 3) 对步骤2)处理后的两帧图像Ik、Ik+1采用横纵投影比来矫正扰动的影响，矫正扰动 的方法为根据求得的纵坐标应调整的平移值Y和横坐标应调整的平移值X对两帧图像进行 平移； 纵坐标应调整的平務倌Y的计筧公式为：
其中，d为扰动区间，范围在[-5, 5]，M为图像纵坐标投影的段数，m为每个段的起始值，t为这个段中最小差别的位移，N为每个段中的像素块的长度，C为图像的列宽，Ik[x][y]为 图像k在坐标（x，y)点的像素值，SumMinDiii]为第i段的2d个像素平移中最小的像素差， KMinDni]为最小像素差时的像素平移值，Y为纵坐标应调整的平移值，同理求得横坐标应调 整的平移值X; 4) 求二值化阈值B，求得的二值化阈值B把步骤3)处理后的图像二值化，得到二值化 图像，其中二值化阈值B是通过公式（5)得出：
对步骤3)处理后的两帧图像Ik、Ik+1进行差分，取绝对值，得到差分灰度图E，二值化图 像H的值Ib是通过公式（6)得出： 7 = (〇Oa < B)说 b ~(255 (Id > B) (6) 其中，L为图像的行数，N为每个段中比较的像素块的长度，T为二值化参数，用来调控 二值化阈值B的正确度，设定T为自主学习参数，Id为差分灰度图像E的值，Ib为图像二值 化处理后的值，然后，对得到的二值化图像中的白色不规则敏感块进行操作来确定报警区 域； 5) 对步骤4)处理后的得到的报警区域进行HOG特征向量的提取， 6) 把颜色频率特征加入HOG特征向量来共同完成图像预警的功能； 7) 加入学习反馈机制，设立4个自主学习参数，分别为亮度阈值V、黄色权重vb、二值化 参数T和面积阈值S，根据学习环境对4个自主学习参数进行学习调整，确保预警监测的准 确性。
2. 如权利要求1所述的图像处理方法，其特征在于所述的对得到的二值化图像中的白 色不规则敏感块进行操作具体为：对二值化图像中白色的不规则敏感块采用3X3的卷积 核进行先腐蚀后膨胀，次数为η次，每次处理掉最外一层像素，得到相对规则的块P，如果 块P不存在，则说明当前图像没有报警物体，读入下一帧图像；如果块P存在，则计算块P的 面积，去除面积小于阈值S的块，S为自主学习参数，得到合适的敏感块Ρ，对其进行感兴趣 物体的检测。
3. 如权利要求1所述的图像处理方法，其特征在于所述的步骤5)具体为： a) 将报警区域窗口均匀地划分为相邻的像素的Cell，将每个Cell的360度分为9个 梯度方向块，把每个Cell内每个区间的所有像素的梯度幅度进行直方图统计，得到Cell的 9维特征向量； b) 将每4个相邻的Cell组成一个像素的Block，一个Block内所有Cell特征串联起 来得到该Block的36维特征向量，Block的扫描步长为1个Cell; c) 报警区域窗口图像内所有Block的特征向量串联起来，得到该图像中物体的特征向 量，即HOG特征向量。
4. 如权利要求1所述的图像处理方法，其特征在于所述的步骤6)具体为：每个Cell 都用一个三维的直方图来分别统计R、G、B三个颜色空间被选择的次数，在每个block特征 中，用所有Cell的直方图来得到一个三维的颜色频率特征向量， 最后在HOG特征向量的每个block特征里加入这个三维的颜色频率特征向量。
5. 如权利要求1所述的图像处理方法，其特征在于所述的反馈机制包括三项选择，第 一个是报警区域是否正常BA，包括正常、偏大和偏小；第二个是黄色建筑是否误报YW，包括 True和False;第三个是是否漏报0A，包括True和False; 4个自主学习参数可以通过以下步骤来动态优化参数数值： i) 每处理一张图像，用户自主选择反馈处理结果， ii) 用BA、YW、OA记录每次的反馈结果，同时记录反馈次数Sum和报警次数ASum,如果 Sum和ASum分别大于处理阈值H和AH，进入第3)步；否则，4个学习参数无需修改； iii) 对反馈结果进行统计分析，动态优化4个自主学习参数，4个学习参数变化的规则 为： 当报警区域偏大时，增加亮度阈值V的值，否则减小亮度阈值V的值； 当黄色建筑误报的次数达到设定的值后，调整黄色权重Vb的值； 当漏报次数在设定的范围值内时，调整面积阈值S的值；否则调整二值化参数T的值。
【文档编号】G06T7/00GK104318266SQ201410561472
【公开日】2015年1月28日 申请日期:2014年10月19日 优先权日:2014年10月19日
【发明者】刘迅, 陈宁华, 叶修梓, 洪振杰, 张三元 申请人:温州大学