一种静态车辆目标快速检测方法及装置制造方法

一种静态车辆目标快速检测方法及装置制造方法
【专利摘要】本发明公开了一种静态车辆目标快速检测方法及装置，包括以下步骤：图像采集：获取车辆图片；图像预处理：把车辆图片大小进行归一化并转化为灰度图；提取熵信息：利用搜索框对图片进行像素级遍历，并提取出每个搜索框中局部图像的脉冲迭代平均熵信息；车辆目标粗定位：取脉冲迭代平均熵值大于目标阈值的图片作为车辆目标粗定位图片；确定车辆目标：保留同一图片区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；在原始大图像中框出车辆目标，完成车辆目标的定位。本发明利用了脉冲耦合神经网络特征提取方法的鲁棒性、快速性以及可移植性，且选取脉冲迭代平均熵这一特征作为判定依据，大大提高了静态车辆目标检测的速度。
【专利说明】一种静态车辆目标快速检测方法及装置

【技术领域】
[0001] 本发明涉及图像处理【技术领域】，尤其涉及一种静态车辆目标快速检测方法。

【背景技术】
[0002] 随着智能交通系统的飞速发展，车辆目标检测已经成为现代智能交通系统中的重 要组成部分，车辆检测的准确与否直接影响到交通管理的水平，同时也是当前智能交通研 宄的一个难点。目前对于车辆目标的检测主要采用基于运动信息的车辆检测方法，但是这 种普遍性的方法并不能完全适用于当前的需要。在车辆违章停车抓拍、道路卡口车辆抓拍 等应用中，如何从静态图片中分析出车辆信息，越来越多的得到研宄者的重视。目前，静态 图像中的车辆检测和计数方法归为两种：一种是基于建模和模板匹配的方法，一种是基于 统计学习的方法。基于建模和模板匹配的方法利用局部特征描述车辆，对所建模型的要求 较高，抗噪声能力较弱，算法的鲁棒性不够好。基于统计学习的方法通过对样本进行训练获 得车辆和背景之间的差异，再利用合适的分类器对车辆进行识别。这种方法具有一定的自 适应能力，但分类器设计复杂，计算量较大。目前对于真实道路场景中车辆图片的抓拍，如 何快速、有效的检测到静态车辆目标，是一个制约智能交通发展的瓶颈问题。
[0003] PCNN特征提取技术：
[0004] 人工神经网络是近几十年新兴的一门学科。它涉及到神经生理学、电子学、计算机 科学、数学等多门学科，已经被广泛的应用于人工智能、信息处理、模式识别、自动控制等诸 多领域。脉冲親合神经网络（Pulse-Coupled Neural Network，简称PCNN)是基于对猫的 视觉皮层神经元脉冲串同步振荡现象的研宄发展而来的神经网络模型，被称为第三代人工 神经网络，与传统的人工神经网络模型相比较，因其具有动态神经元、时空总和特性、波的 自动传播、同步脉冲发放等特性而备受关注。在PCNN中，具有相似输入的神经元同时发放 脉冲，能够弥补输入数据的空间不连贯和幅度上的微小变化，从而较完整的保留图像的区 域信息，目前它已被成功的用于图像平滑、图像分割、目标识别、特征提取等方面。这就使得 PCNN具有较高的研宄价值和更为广阔的应用前景。近年来，PCNN的工作原理和其在图像处 理、雷达声纳、电子行业、医药卫生、语音信号处理等领域的应用在国内外受到广泛重视。


【发明内容】

[0005] 本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种静态车辆目标快 速检测方法，该方法基于脉冲耦合神经网络迭代平均熵特征，利用了脉冲耦合神经网络特 征提取方法的鲁棒性、快速性以及可移植性，大大的提高了静态车辆目标检测的速度。
[0006] 本发明解决其技术问题所采用的技术方案是：一种静态车辆目标快速检测方法， 包括以下步骤：
[0007] 1)图像采集：获取交通道路上拍摄的高清车辆图片；
[0008] 2)图像预处理：把车辆图片大小进行归一化并转化为灰度图；
[0009] 3)提取熵信息：利用搜索框对图片进行像素级遍历，并提取出每个遍历搜索框中 局部图像的脉冲迭代平均熵信息；
[0010] 4)车辆目标粗定位：把局部图片的脉冲迭代平均熵与设定的车辆目标阈值熵进 行比较，取脉冲迭代平均熵值大于判定阈值的局部区域图片作为车辆目标粗定位图片，并 相应确定车辆目标粗定位区域；
[0011] 5)确定车辆目标：对车辆目标粗定位图片进行位置关系比较，排除掉重复的图 片，保留同一区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；
[0012] 6)在原始大图像中框出车辆目标，完成车辆目标的定位。
[0013] 按上述方案，迭代平均熵计算使用脉冲耦合神经网络模型。
[0014] 按上述方案，所述脉冲耦合神经网络模型是由若干个脉冲耦合神经网络神经元相 互连接所构成的反馈型网络，每一个神经元由输入部分、内部调制器和脉冲产生器组成。
[0015] 按上述方案，所述步骤3)中基于脉冲耦合神经网络的迭代平均熵计算方法为脉 冲耦合神经网络模型对输入的图片进行迭代激发，每个迭代周期都能输出一幅二值图像， 提取全部二值图像的熵值，形成了图像的PCNN脉冲迭代熵序列特征，把这个特征序列进行 加和平均，得到用于车辆判断的脉冲迭代平均熵特征。
[0016] 按上述方案，所述步骤3)中基于脉冲耦合神经网络的迭代平均熵计算方法的具 体步骤如下：
[0017] FijLn] = exp(-a F)Fij[n-1]+VfXMijklY kl[n-1]+Iij (I)
[0018] Lijtn] = exp (-a JFij [n-1]+Vl XffijklYkl [n-1] (2)
[0019] UijQi] = FijQi] (l+β LijQi]) (3)
[0020]

【权利要求】
1. 一种静态车辆目标快速检测方法，包括以下步骤： 1) 图像采集：获取交通道路上拍摄的高清车辆图片； 2) 图像预处理：把车辆图片大小进行归一化并转化为灰度图； 3) 提取熵信息：利用搜索框对图片进行像素级遍历，并提取出每个遍历搜索框中局部 图像的脉冲迭代平均熵信息； 4) 车辆目标粗定位：把局部图片的脉冲迭代平均熵与设定的车辆目标阈值熵进行比 较，取脉冲迭代平均熵值大于目标阈值的局部图片作为车辆目标粗定位图片，并相应确定 车辆目标粗定位区域； 5) 确定车辆目标：通过对车辆目标粗定位图片进行位置关系比较，排除掉重复的图 片，并保留同一图片区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果； 6) 在原始大图像中框出车辆目标，完成车辆目标的定位。
2. 根据权利要求1所述的静态车辆目标快速检测方法，其特征在于，迭代平均熵计算 使用脉冲耦合神经网络模型。
3. 根据权利要求2所述的静态车辆目标快速检测方法，其特征在于，所述脉冲耦合神 经网络模型是由若干个脉冲耦合神经网络神经元相互连接所构成的反馈型网络，每一个神 经元由输入部分、内部调制器和脉冲产生器组成。
4. 根据权利要求2所述的静态车辆目标快速检测方法，其特征在于，所述步骤3)中基 于脉冲耦合神经网络的迭代平均熵计算方法为脉冲耦合神经网络模型对输入的图片进行 迭代激发，每个迭代周期都能输出一幅二值图像，提取全部二值图像的熵值，形成了图像的 PCNN脉冲迭代熵序列特征，把这个特征序列进行加和平均，得到用于车辆判断的脉冲迭代 平均摘特征。
5. 根据权利要求4所述的静态车辆目标快速检测方法，其特征在于，所述步骤3)中基 于脉冲耦合神经网络的迭代平均熵计算方法的具体步骤如下：
式⑴中，FijW为神经元（i，j)的第η次迭代过程中的反馈输入，Iij是外部刺激信 号，aF为衰减系数，VJn]的固定电势，内部连接矩阵M中的MijklSYkl [η]的加权系 数；式⑵中，LijW线性链接输入是LijW的固定电势，4为衰减系数，WmgLyn] 中Ykl[η]的加权系数；式⑶中，Uu[n]为神经元内部活动项；式⑷与式（5)中，Yu[n]为 脉冲迭代过程中的像素点输出值，Hn]为动态的门限函数，当υυ[η]>?^[η]时，Yu[n]取 1，称神经元点火；当1^[η]〈?^[η]时，YijQi]取0,称神经元不点火；在每个迭代周期中都会 输出一幅二值图像Υ，然后对图像求熵值； 图像摘H的定义如公式（6)所示，其中X(i,j)代表图像Y的像元，ρ(i,j)表示某一灰 度级别像元出现的概率。 H(p) = -Σi,jp(i,j)Inp(i,j) (6) p(i,j) =x(i,j)Σi,jx(i,j) (7) 在PCNN脉冲迭代熵特征提取过程中，迭代周期为N，每一个迭代周期内输出的 二值图像熵值分别为S1,S2……Sn，则基于PCNN模型的脉冲迭代平均熵S可表示为：
6. 根据权利要求1所述的静态车辆目标快速检测方法，其特征在于，所述步骤3)中搜 索框采用多尺寸的搜索框。
7. -种静态车辆目标快速检测装置，包括： 1) 图像采集单元，用于获取交通道路上拍摄的高清车辆图片； 2) 图像预处理单元，用于把车辆图片大小进行归一化并转化为灰度图； 3) 提取熵信息单元，用于利用搜索框对图片进行像素级遍历，并提取出每个遍历搜索 框中局部图像的脉冲迭代平均熵信息； 4) 车辆目标粗定位单元，用于把局部图片的脉冲迭代平均熵与设定好的车辆目标阈 值熵进行比较，取脉冲迭代平均熵值大于判定阈值的局部区域图片作为车辆目标粗定位图 片，并相应确定车辆目标粗定位区域； 5) 确定车辆目标单元，用于对车辆目标粗定位图片进行位置关系比较，排除掉重复的 图片，保留同一区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果； 6) 定位单元，用于在原始大图像中框出车辆目标，完成车辆目标的定位。
8. 根据权利要求7所述的静态车辆目标快速检测装置，其特征在于，所述提取熵信息 单元中提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息采用以下方法：使用脉冲 耦合神经网络模型对输入的图片进行迭代激发，每个迭代周期都能输出一幅二值图像，提 取全部二值图像的熵值，形成了图像的PCNN脉冲迭代熵序列特征，把这个特征序列进行加 和平均，得到用于车辆判断的脉冲迭代平均熵特征；所述脉冲耦合神经网络模型是由若干 个脉冲耦合神经网络神经元相互连接所构成的反馈型网络，每一个神经元由输入部分、内 部调制器和脉冲产生器组成。
9. 根据权利要求7所述的静态车辆目标快速检测装置，其特征在于，所述提取熵信息 单元中搜索框为多尺寸的搜索框。
【文档编号】G06N3/02GK104463104SQ201410647240
【公开日】2015年3月25日 申请日期:2014年11月14日 优先权日:2014年11月14日
【发明者】黎曦, 许楠, 程莉 申请人:武汉工程大学