本发明属于图像处理和目标检测技术领域，具体涉及一种交通视频图像智能化分割方法。
背景技术：
近年来，目标检测成为科研和商业领域的研究热点，如小目标自动跟踪、车辆跟踪、行人跟踪、人脸检测、文字检测、飞机检测等领域。阈值分割技术是目标检测系统中的一种重要技术，其基本原理是假设目标的灰度和背景灰度不一致，通过合适的阈值分割，将目标与背景分离，极大地降低了背景干扰，为后续的识别跟踪提供了良好的图像条件。此外，阈值分割技术还广泛应用于遥感图像处理、目标识别、文字图像处理、医学图像处理、场景分析等许多领域。
1998年以来，人工神经网络识别技术已经引起了广泛的关注，并且应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。
对图像分割智能化算法的研究已有几十年的历史，借助各种理论至今已提出了上千种各种类型的分割算法。尽管人们在图像智能化分割方面做了许多研究工作。但由于尚无通用分割理论，因此现已提出的智能化分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的智能化分割算法。
技术实现要素：
本发明提出了一种交通视频图像智能化分割方法，为实现上述目的，本发明技术方案为：
1)根据芯片采集得到的灰度图像，对其进行灰度初始化，计算得到图像的像素点为N1，灰度值的范围是{0,1，…，L-1}，设定图像的阈值为x，接下来利用改进的遗传算法对图像的阈值进行最有设计。
2)根据阈值图像分割理论，图像分割阈值的一个判断标准是其熵值的大小，当熵值取最大值时，图像的分割效果最好，图像中的背景和目标内部灰度一致性较高，而邻间则较差。
3)根据熵值构造阈值图分割代价函数。
4)构建基于改进遗传算法的阈值图像分割算法，首先，用反映复杂系统能量分布的幂次法则改造选择算子；其次，设计具有自学习特性的环境-基因双演化交叉算子；再次，采用反馈机理改进更新策略，提出一种自适应的更新策略算子；最后，提出基因漂流算子并用于进化算法中；以上各算子在进行进化计算过程中相互平衡、相互制约，以提高算法的效率及防止早熟；
5)初始化：设定基于改进遗传算法的阈值图像分割算法终止条件，设置算法运行参数；
6)算法终止条件判断：当满足终止条件就结束算法，执行第8)步，否则，执行第7)步；
7)采用基于改进遗传算法的阈值图像分割算法对交通信号图进行分割，返回6)；
8)根据图形分割结果，对车辆信息进行识别。
进一步的，第2)步构建灰度图的方法是，根据芯片采集得到的图片，对其进行细分以及灰度处理，并用N1表示分割图片的像素点个数，而灰度值表示为{0,1，…，L-1}，得到分割图像的灰度参数图。
进一步的，所述第4)步中，用反映复杂系统能量分布的幂次法则改造选择算子是对父代的选择采用幂次法，而对母代的选择则采用顺序选择，并与环境-基因双演化交叉算子、自适应更新策略算子、基因漂流算子配合使用，防止算法出现早熟。
进一步的，更新规模变量pr采用反馈修改方式，当种群逐代进化时则较多的个体采用“优胜劣汰”更新策略，促使群体迅速收敛；但种群陷于局部最优解，进化趋势不明显时则采用“子代直接取代父代”的更新策略，为群体引入更多的基因模式。
进一步的，采用基因漂流算子发生基因漂流事件的概率为pf，其采用了反馈控制技术。
进一步的，所述第7)步中，采用基于复杂系统理论的进化计算算法对图像进行分割是在图分割代价函数的指导下，基于第5)步所述的初始化工作和第6)步所述的终止条件判断，对第2)步构建灰度图进行最优化分割的过程，包括下述步骤：
(1)判断是否需要进行基因漂流操作，若不需要，转至执行第(4)步；
(2)使用第4)步所述的基因漂流算子，选择优势基因位修改所有个体的等基因位；
(3)按照第3)步构造的代价函数计算当前所有个体的代价函数值；
(4)使用第4)步所述的幂次法则改造选择算子从群体中选择用于交配的父代个体；
(5)判断是否需要进行杂交操作，若不需要，转至执行第(7)步；
(6)使用第4)步所述的环境——基因交叉算子杂交父代个体以获得子代个体；
(7)判断是否需要进行变异操作，若不需要，转至执行第(9)步；
(8)变异子代个体；
(9)按照第3)步构造的代价函数计算子代个体的代价函数值；
(10)使用第4)步所述的自适应更新策略更新群体。
进一步的，利用第7)步所得的阈值对灰度图进行分割，在第8)步中根据所分割到的图像，提取出目标图像，完成芯片的功能，之后对目标图像进行信息识别，从而完成对采集信息的识别。
本发明的优点在于：采用了改进的遗传算法对阈值进行优化计算，得到最佳阈值，从而根据最优阈值进行阈值法图像分割，完成目标图像分割，有优良的实用价值。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案作详细说明：
1)构造阈值图分割代价函数：用反映复杂系统能量分布的幂次法则改造选择算子；其次，设计具有自学习特性的环境-基因双演化交叉算子；再次，采用反馈机理改进更新策略，提出一种自适应的更新策略算子；最后，提出基因漂流算子并用于进化算法中；以上各算子在进行进化计算过程中相互平衡、相互制约，以提高算法的效率及防止早熟；
2)初始化：设定基于改进遗传算法的阈值图像分割算法终止条件，设置算法运行参数；
3)算法终止条件判断：当满足终止条件就结束算法，执行第5)步，否则，执行第4)步；
4)采用基于改进遗传算法的阈值图像分割算法对信号图进行分割，返回3)；
5)根据图形分割结果，对信息进行识别。
具体操作步骤如下所示：
(1)判断是否需要进行基因漂流操作，若不需要，转至执行第(4)步；
(2)使用第4)步所述的基因漂流算子，选择优势基因位修改所有个体的等基因位；
(3)按照第3)步构造的代价函数计算当前所有个体的代价函数值；
(4)使用第4)步所述的幂次法则改造选择算子从群体中选择用于交配的父代个体；
(5)判断是否需要进行杂交操作，若不需要，转至执行第(7)步；
(6)使用第4)步所述的环境——基因交叉算子杂交父代个体以获得子代个体；
(7)判断是否需要进行变异操作，若不需要，转至执行第(9)步；
(8)变异子代个体；
(9)按照第3)步构造的代价函数计算子代个体的代价函数值；
(10)使用第4)步所述的自适应更新策略更新群体。
利用第4)步所得的阈值对灰度图进行分割，在第5)步中根据所分割到的图像，提取出目标图像，完成芯片的功能，之后对目标图像进行信息识别，从而完成对采集信息的识别。
如图1所示的，通过系统初始化，对系统中的参数进行设定，如每秒采集图象的帧数，图象二值化的门限值(阈值)。视频图象按序列连续捕捉下来并数字化，存入内存或帧缓存中将这些采集到的序列数字图像进行预处理(滤波除噪,图象锐化,对比度增强)对预处理后的图像进行图象分割，并对分割后的目标图象进行特征提取。