基于红外发射的隧道入口行车提示装置及方法与流程
本发明涉及隧道入口预警技术领域，特别涉及一种基于图像处理单元对隧道洞口、及洞口内的行车进行自动提示的装置及方法
背景技术：
目前，在行车进出隧道时，尤其是在高速行驶中的隧道，往往会因为行车司机无法获知隧道内的情况，不知道隧道内行车行驶情况，导致行车进入隧道后，不知道如何回避隧道内的行车，以致发生交通事故。目前市场上有很多在隧道内防止汽车碰撞的技术，比如专利号201310611578.6公开了一种预防隧道出入口附近追尾事故的可变限速控制方法，在隧道出入口下游位置设置交通流检测器，实时、自动获取实时交通流数据对交通流状态进行监测，在隧道出入口上游设置可变信息提示板，克服了以往针对隧道出入口附近追尾事故无法进行主动式预防的缺陷，但无法获知隧道内的行车情况，并且不能在隧道入口准确地识、查询过往行车；专利号201610184982.3公开了一种隧道交通监控设备，包括处理器，所述处理器的输入端连接有声音传感器、火焰传感器、光电传感器、烟雾传感器，处理器的输出端连接有无线传输模块和若干声光报警器，该发明主要为隧道内防火的报警装置，仍然不能准确地识别隧道行车。目前市场上还没有针对雨天、雪天、雾天、风尘天气、黑暗等恶劣天气下对欲驶入隧道内行车以及在隧道内行车进行提醒，并能够准确地显示出进入对隧道内的行车密度，提醒司机安全驾驶的装置。
技术实现要素：
针对上述技术不足，本发明公开一种基于红外发射的隧道入口行车提示装置及方法，采用户外发射技术对过往行车进行信息采集，通过告警灯和LCD大屏幕显示装置告知后续来车，如果隧道入口内有突发交通事故，或者有紧急停车的情况，提示驾驶员注意控制车速并避让其他行车，防止二次交通事故或追尾的发生，有效提高了行车在隧道入口处的安全系数，同时，本发明能够识别过往行车的车牌，车牌信息自动存储到存储单元中，便于查询过往行车。
本发明采用以下技术方案：一种基于红外发射的隧道入口行车提示装置，所述提示装置包括中央处理单元、红外图像采集单元、图像处理单元、数据存储单元、计算单元、语音模块、告警灯、LCD大屏幕显示装置、监控装置、车牌识别系，其中所述中央处理单元分别与所述计算单元、数据存储单元、LCD大屏幕显示装置、告警灯以及语音模块连接，所述车牌识别系统的输入端与所述数据存储单元的输出端连接，所述车牌识别系统的输出端与所述计算单元的输入端连接，所述红外图像采集单元分别通过红外线和监控装置采集行车信息，并且所述红外图像采集单元的输入端与所述监控装置的输出端连接，所述红外图像采集单元的输出端与所述图像处理单元的输入端连接，所述图像处理单元的输出端与所述中央处理单元连接。
优选地，所述监控装置为间隔地设置于隧道内的至少2个监控装置和设置在隧道入口上的至少1个监控装置，且所述监控装置包括总控中心、与所述总控中心连接且设置在隧道内的传输装置、与所述传输装置连接的摄像头，其中所述传输装置为RS485通讯协议装置，所述摄像头为基于HD 1080P或HD 960P或HD 720P的摄像头。
优选地，所述图像处理单元包括动态地跟踪行车信息的跟踪单元、与所述跟踪单元连接且对动态的行车信息进行提取的图像提取单元、与所述图像提取单元连接且采用Retinex图像增强算法和Gamma校正法对提取的图像进行清晰化处理的图像增强计算单元、与所述图像增强计算单元连接且对处理后的图像进行输出的图像输出单元，其中所述跟踪单元包括采用Kalman滤波算法对目标搜索区域范围内进行目标搜索的视频运动目标跟踪器和目标跟踪行车进行计算的Kalman滤波器。
优选地，所述计算单元包括检测行车信息的行车检测单元、与所述行车检测单元连接且对行车密度进行计算的密度计算单元和模糊度计算单元，所述密度计算单元集成有对行车信息进行计算的算术逻辑单元和累加器，其中所述密度计算公式为:K＝N/L，式中，K为车流密度,单位为辆/km，N为隧道内统计的行车数,单位为辆，L为隧道的长度，单位为为km。
优选地，所述车牌识别系统为基于车牌定位算法、车牌字符分割算法和光学字符识别算法的车牌自动识别系统。
优选地，所述LCD大屏幕显示装置为1026mm×580mm×117mm的LCD液晶LCD大屏幕显示装置。
一种基于红外发射的隧道入口行车提示方法，包括以下步骤：
(S1)行车驶入隧道洞口；
(S2)视频运动目标跟踪器对驶入隧道洞口的行车进行目标跟踪，Kalman滤波器对行车目标跟踪进行计算和修正，采用Kalman滤波器中的Kalman滤波算法预测运动目标下一时刻行车可能处于的区域，缩小目标的搜索范围，当红外图像采集单元采集行驶到隧道前的行车信息时，隧道外的监控装置通过总控中心接收隧道内监控装置所采集的行车信息，车牌识别系统对过往行车进行车牌识别从而获取隧道内外的车牌信息；其中视频运动目标跟踪器的工作方法为：
(S21)基于高斯统计模型的背景图像估计算法对当前的行车进行估计，得出当前行车区域的大致位置；
(S22)采用Kalman滤波器中的Kalman滤波算法检测当前帧行车图像的目标，确定行车图像的目标范围；
(S23)Kalman滤波器对行车目标信息进行精确提取，实现了行车的精确跟踪；
(S3)在步骤(S2)中获取的行车信息、车牌信息以及隧道内监控装置采集的监控信息被存储到存储单元；
(S4)所述图像处理单元对所述存储单元存储的行车信息进行处理，其处理方法为：
(S41)对红外图像采集单元采集的图像以及监控装置通过摄像头拍摄的图像进行预处理；
(S42)采用Retinex图像增强算法对预处理后的图像进行增强，获取更清晰的行车行驶图像；
(S43)将经过增强后的行车行驶图像以及隧道内监控装置拍摄的行车图像输出至LCD大屏幕显示装置，图像LCD大屏幕显示装置显示出隧道内外的行车图像，根据输入的隧道内外的行车信息，所述计算单元对获取的隧道内外的行车信息进行密度计算，当密度值K大于阈值Y时，则隧道内的行车为拥堵，当密度值K小于阈值Y时，则隧道内的行车为畅通，其中Y≥20；
(S5)中央处理单元判断待行驶隧道内的行车是否可以通行，如果隧道能够顺利通行，可通过语音模块进行语音提示“畅通”，如果隧道不能够顺利通行，则提示“拥堵”或“前方故障，慎行”，同时告警灯闪烁。
进一步地，所述步骤(S2)中车牌识别采用以下步骤：
(S21)通过图片切割的方法从所述数据存储单元中获取牌照图像；
(S22)基于牌照字符分割，把牌照中的字符分割出来；
(S23)基于牌照字符识别算法，把分割好的字符进行识别，最终组成牌照号码，得出车牌号。
进一步地，所述步骤(S42)图像图像计算单元采用Retinex图像增强算法对采集的图形进行处理、计算包括以下步骤：
(S421)对红外图像采集单元采集行驶到隧道中的行车数据进行转换,即将红外图像采集单元采集到的行车原始图像转换成double型变量，以方便以后的计算或运算；
(S422)转换成double型变量的图像具有高、中、低三个不同的尺度的数据，根据不同尺度的数据确定环绕函数F(x,y)并提取待检测图像的特征，从而来确定参数λ的值；
(S423)将原始图像Ii(x,y)、环绕函数F(x,y)代入公式来求得Retinex的在各通道上输出，其中ri(x,y)即为第i个通道上的Retinex输出，k取3并且W1＝W2＝W3＝1/3；
(S424)将ri(x,y)从对数域转换到实数域得到反函数Ri(x,y)；
(S425)对Ri(x,y)线性拉伸并显示Ri(x,y)线性拉伸后的图像。
进一步地，所述步骤(S42)中提取待检测图像的特征包括以下步骤：
(1)由于红外图像采集单元和隧道内的监控装置获取的图像为立体图像，因此可以将获取的图像看做在一个平面坐标为x,y,z中的三维图像，将图像灰度化；
(2)采用Gamma校正法对步骤(1)中获取的图像进行颜色空间的标准化、归一化，调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，抑制噪音的干扰；
(3)计算对步骤(2)中处理的图像每个像素的梯度，梯度方向包括大小和方向，捕获轮廓信息，进一步弱化光照的干扰；
(4)将对步骤(3)中计算像素的梯度的图像划分成每个单元为6*6像素的小单元；
(5)统计每个单元的梯度直方图，即可形成每个单元的描述符号；
(6)将每4个单元组成1个每个区间为3*3个单元的描述符号，一个框内所有单元的特征描述符号串联起来便得到该框的HOG特征描述符号；
(7)将图像内的所有框的HOG特征描述符号串联起来，得出该图像的HOG特征描述符号，即对图形进行了特征提取。
本发明有益的效果是：
本发明具有以下功能:
1、采用密度计算公式能够提示隧道长度、安全行驶速度、隧道内的行车拥堵情况：
2、计算单元能够统计隧道内的行车信息，LCD大屏幕显示装置能够显示隧道内的行车。
3、通过红外图像采集单元采集行驶到隧道内的行车信息，并且红外图像采集单元还可以与车内司机以行车记录测试仪、导航仪、手机、PDA、手持式接到单元等方式进行通讯，更好地使司机获知隧道内行车信息。
4、能够对欲驶入隧道内的行车车牌进行车牌识别，获取进入隧道内的行车信息，有助于查询过往行车。
5、本发明采用红外技术进行行车的识别，满足四大优点：①环境适应性优于可见光，尤其是在夜间和恶劣气候下的工作能力；②隐蔽性好，很多情况下都是被动接收目标的信号，比雷达和激光探测安全、保密性强且不易被干扰；⑨由于依靠目标和背景之间的温差和发射率差形成的红外辐射特性进行探测，因而识别伪装目标的能力优于可见光；④与雷达系统相比，红外系统的体积小、重量轻、功耗低。
6、红外图像单元运用Retinex算法以及图像提取算法对红外图像进行处理并分析比较处理效果，红外图像单元运用红外辐射的原理，自然界中的任何物体都存在红外辐射，同时也吸收外界其它的红外辐射。由于大气中的二氧化碳和水蒸汽等物质的吸收和散射作用，只有部分波段上的红外辐射能透过大气。红外光是指波长在0.76～14μm之间的光线，具有很强的穿透性，适用于夜晚、雨、雪、雾天等恶劣天气，本发明又采用Retinex算法，该算法Retinex算法增强后，可以突出暗区域中图片的细节，能够将采集的图像更加清晰，因此不管隧道口内的天气情况如何变化，都能准确无误地显示出过往行车。
7、通过计算和统计图像局部区域，基于方向梯度直方图提取待检测图像的特征，该方法能够减少光照对行车图像质量的影响，能够进一步弱化光照的影响，从而提高图像采集质量。
附图说明
图1为本发明基于红外发射的隧道入口行车提示装置及方法中装置示意图；
图2为本发明基于红外发射的隧道入口行车提示装置及方法中图像处理单元的结构示意框图；
图3为本发明基于红外发射的隧道入口行车提示装置及方法中计算单元的结构示意框图；
图4为本发明基于红外发射的隧道入口行车提示装置及方法中方法流程图。
具体实施方式
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。
如图1所示一种基于红外发射的隧道入口行车提示装置，所述提示装置包括中央处理单元、红外图像采集单元、图像处理单元、数据存储单元、计算单元、语音模块、告警灯、LCD大屏幕显示装置、监控装置、车牌识别系统，其中所述中央处理单元分别与所述计算单元、数据存储单元、LCD大屏幕显示装置、告警灯以及语音模块连接，所述车牌识别系统的输入端与所述数据存储单元的输出端连接，所述车牌识别系统的输出端与所述计算单元的输入端连接，所述红外图像采集单元分别通过红外线和监控装置采集行车信息，并且所述红外图像采集单元的输入端与所述监控装置的输出端连接，所述红外图像采集单元的输出端与所述图像处理单元的输入端连接，所述图像处理单元的输出端与所述中央处理单元连接。
在本发明中，中央处理单元外部还是设置有安装壳体，壳体的安装位置与行车信息识别的准确度有很大关系，选择安装在隧道入口的一侧就可以准确无死角地扫面来车信息。
在本发明中，所述监控装置为间隔地设置于隧道内的至少2个监控装置和设置在隧道入口上的至少1个监控装置，且所述监控装置包括总控中心、与所述总控中心连接且设置在隧道内的传输装置、与所述传输装置连接的摄像头，其中所述传输装置为RS485通讯协议装置，所述摄像头为基于HD 1080P或HD 960P或HD 720P的摄像头。
在本发明中，所述中央处理单元可以为但不限于美国Atmel公司生产的基于AT91M系列的中央处理单元、美国公司Microchip生产的PIC 16C系列和17C系列中央处理单元、TI公司生产的MSP430系列中央处理单元、Philips中央处理单元等。运行速度快，处理器运算精确。
如图2所示，本发明中的所述图像处理单元包括动态地跟踪行车信息的跟踪单元、与所述跟踪单元连接且对动态的行车信息进行提取的图像提取单元、与所述图像提取单元连接且采用Retinex图像增强算法和Gamma校正法对提取的图像进行清晰化处理的图像增强计算单元、与所述图像增强计算单元连接且对处理后的图像进行输出的图像输出单元，其中所述跟踪单元包括采用Kalman滤波算法对目标搜索区域范围内进行目标搜索的视频运动目标跟踪器和目标跟踪行车进行计算的Kalman滤波器。
在本发明中，跟踪单元为视频运动目标跟踪器，能够对隧道内、外的行车进行动态跟踪，将动态跟踪信息送回存储单元。在本发明中的一个实施例中，跟踪单元是基于主动轮廓的跟踪算法，即Snake算法，本发明采用该方法在获得轮廓曲线时不需要运动目标的任何先验知识，对行车进行目标跟踪、图像分割、边缘检测。主动轮廓算法包括短程线主动轮廓和参数化主动轮廓两种算法。短程线主动轮廓的数学模型在高维空间使用Level Set方法表示曲线，该方法仅仅包括与曲线几何有关的参数，而参数化主动轮廓则使用轮廓参数来表示运动曲线，与短程线主动轮廓模型相比，参数化主动轮廓模型必须要通过外界控制或者赋予初值，而短程线主动轮廓模型能够自主调整曲线在移动过程中的几何形状的变化而不需要任何外界条件辅助。短程线主动轮廓模型更适合多个运动目标的跟踪，在本发明中，采用这两种方法的结合，对行车进行目标跟踪和计算。计算后的信息通过存储单元进行保存。
在本发明中的另一个实施例中，Kalman滤波器能够预测下一时刻的行车的位置，对目标搜索区域范围内的行车进行目标搜索，在搜索的过程中，能够充分利用目标检测的结果，如果在搜索的范围内检测到目标，并且只检测到一个目标，则不会在进行目标匹配搜索，可直接认为检测到的目标即是被跟踪的目标，如果检测到的目标不止一个，这时需要进行目标图像匹配搜索，在本发明中，使用检测到的目标的邻接矩形作为搜索区域以缩小搜索范围。
在图像提取单元处理之前，可现将图像进行格式转化，转换成系统认可的格式，比如调整图片的大小，调整成图像的JPG格式或PDF格式等，图像处理的方法在下文中将有详细描述。图像提取单元包括CNN并行处理器、输入/输出(I/O)端子、CNN单元神经元阵列和全局模拟编程单元(GAPU)等模块组成，所要处理的图像是由外部的图像传感器获取并通过I/O端子输入的，经CNN单元阵列处理后再输出的。其中，图像数据的输入输出过程与CNN单元阵列并行处理流程均是由GAPU单元控制的神经元。而CNN单元阵列的结构中，每个CNN单元是由LCCU(局部通信控制单元)、LAM(局部模拟存储器)、LLM(局部逻辑存储器)、LAOU(局部模拟输出单元)、LLU(局部逻辑单元)和CNN神经元核(nucleus)组成。GAPU单元则是由APR(模拟可编程寄存器)、LPR(逻辑可编程寄存器)、SCR(转换配置寄存器)、GACU(全局模拟控制单元)共四个部分组成。
如图3所示，在本发明中的所述计算单元包括检测行车信息的行车检测单元、与所述行车检测单元连接且对行车密度进行计算的密度计算单元和模糊度计算单元，所述密度计算单元集成有对行车信息进行计算的算术逻辑单元和累加器，其中所述密度计算公式为:K＝N/L，式中，K为车流密度,单位为辆/km，N为隧道内统计的行车数,单位为辆，L为隧道的长度，单位为为km。
在本发明中，密度计算单元根据隧道内的行车数量和隧道的总长，对隧道内的车辆密度进行计算、评估，通常隧道的车辆的拥堵程度与单位长度的车辆数量有着密切的关系，在本发明中，引入了密度计算单元，能够对隧道的车辆进行计算。在进行车辆计算时，采用设置在密度计算单元中的累加器对行车数量进行计算，累加器能够对行车信息进行加、减、读出、移位、循环移位和求补等操作。算术逻辑单元除了能够进行加、减、乘、除四则运算，还能够进行与、或、非、异或等逻辑操作,以及移位、比较和传送等操作。
在本发明中，模糊度计算单元是密度计算单元的辅助，主要进行隧道内车辆的位置估算，模糊度计算单元中设置有GPS行车定位单元，GPS行车定位单元对隧道内的行车进行定位，如果行车进入或者进入隧道，GPS行车定位单元会对行车产生不同的信息，这些信息模糊度计算，可以提供用于密度计算单元需要的数据，比如数量。
在进行模糊度计时，采用快速模糊度解算法FARA，该方法是一种基于统计检验的算法，首先用GPS行车定位单元采集的一组行车相位观测数据进行双差解,求解出实数的双差相位模糊度和位置参数，然后,根据解的统计信息,建立置信区间,对每一组落在该置信区间的模糊度组合进行检验,找出一组既能满足统计检验,又具有最小方差的模糊度组合作为正确的模糊度解。
在本发明中的另一个方面，快速模糊度解算法FARA可以修复周跳后的相位观测值进行平差计算，求得基线向量和整周未知数。由于各种误差的影响，解得的整周未知数往往不是一个整数，称为实数解。然后将其固定为整数(通常采用四舍五入法)，并重新进行平差计算。在计算中整周未知数采用整周值并视为已知数，以求得基线向量的最后值。最终对进入和进出隧道内的车辆的信息进行计算，并将该信息传输到密度计算单元进行最后的计算。
在本发明中图像采集单元的图像采集速率大于40MB/s,上下沿触发采集速率大于80MB/s，接收图像帧数最高大于100f/s,采样单元能够满足16路模拟信号的采样。
本发明中的所述行车识别系统可用于识别进出隧道的行车号牌，并记录和存储隧道的相应行车数据。行车数据包含行车号牌数据、行车进入隧道时间数据、行车驶出隧道时间数据。当行车距离大于L时，LCD大屏幕显示装置不再显示该行车。
在本发明中，所述车牌识别系统为基于车牌定位算法、车牌字符分割算法和光学字符识别算法的车牌自动识别系统。车牌识别是现代智能交通系统中的重要组成部分之一。行车识别装置的算法核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。某些车牌自动识别系统还具有通过视频图像判断是否有车的功能称之为视频行车检测。一个完整的车牌自动识别系统应包括行车检测、图像采集、车牌识别等几部分。当行车检测部分检测到行车到达时触发图像采集单元，采集当前的视频图像。车牌识别单元对图像进行处理，定位出牌照位置，再将牌照中的字符分割出来进行识别，然后组成牌照号码输出。
为了进行车牌识别，需要以下几个基本的步骤：
(1)牌照定位，定位图片中的牌照位置；
自然环境下，汽车图像背景复杂、光照不均匀，如何在自然背景中准确地确定牌照区域是整个识别过程的关键。首先对采集到的视频图像进行大范围相关搜索，找到符合汽车牌照特征的若干区域作为候选区，然后对这些侯选区域做进一步分析、评判，最后选定一个最佳的区域作为牌照区域，并将其从图像中分离出来。
(2)牌照字符分割，把牌照中的字符分割出来；
在本步骤中，完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近，并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。
(3)牌照字符识别，把分割好的字符进行识别，最终组成牌照号码。
车牌识别过程中，牌照颜色的识别依据算法不同，可能在上述不同步骤实现，通常与车牌识别互相配合、互相验证。
牌照字符识别方法还包括基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法首先将分割后的字符二值化并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，选择最佳匹配作为结果。基于人工神经网络的算法有两种：一种是先对字符进行特征提取，然后用所获得特征来训练神经网络分配器；另一种方法是直接把图像输入网络，由网络自动实现特征提取直至识别出结果。
在本发明中，所述监控装置包括总控中心、与所述总控中心连接且设置在隧道内的传输装置、与所述传输装置连接的摄像头，其中所述传输装置为RS485通讯协议装置，其中所述传输装置为RS485通讯协议装置，所述摄像头为基于HD 1080P、HD 960P或HD 720P的摄像头。
在本发明中，所述LCD大屏幕显示装置为1026mm×580mm×117mm的LCD液晶LCD大屏幕显示装置。
如图4所示，一种基于红外发射的隧道入口行车提示方法，包括以下步骤：
(S1)行车驶入隧道洞口；
(S2)视频运动目标跟踪器对驶入隧道洞口的行车进行目标跟踪，Kalman滤波器对行车目标跟踪进行计算和修正，采用Kalman滤波器中的Kalman滤波算法预测运动目标下一时刻行车可能处于的区域，缩小目标的搜索范围，当红外图像采集单元采集行驶到隧道前的行车信息时，隧道外的监控装置通过总控中心接收隧道内监控装置所采集的行车信息，车牌识别系统对过往行车进行车牌识别从而获取隧道内外的车牌信息；其中视频运动目标跟踪器的工作方法为：
(S21)基于高斯统计模型的背景图像估计算法对当前的行车进行估计，得出当前行车区域的大致位置；
(S22)采用Kalman滤波器中的Kalman滤波算法检测当前帧行车图像的目标，确定行车图像的目标范围；
(S23)Kalman滤波器对行车目标信息进行精确提取，实现了行车的精确跟踪；
(S3)在步骤(S2)中获取的行车信息、车牌信息以及隧道内监控装置采集的监控信息被存储到存储单元；
(S4)所述图像处理单元对所述存储单元存储的行车信息进行处理；其处理方法为：
(S41)对红外图像采集单元采集的图像以及监控装置通过摄像头拍摄的图像进行预处理；
(S42)采用Retinex图像增强算法对预处理后的图像进行增强，获取更清晰的图像；
(S43)将经过增强后的行车行驶图像以及隧道内监控装置拍摄的行车图像输出至LCD大屏幕显示装置，图像LCD大屏幕显示装置显示出隧道内外的行车图像，根据输入的隧道内外的行车信息，所述计算单元对获取的隧道内外的行车信息进行密度计算，当密度值K大于阈值Y时，则隧道内的行车为拥堵，当密度值K小于阈值Y时，则隧道内的行车为畅通，其中Y≥20；
(S5)中央处理单元判断待行驶隧道内的行车是否可以通行，如果隧道能够顺利通行，可通过语音模块进行语音提示“畅通”，如果隧道不能够顺利通行，则提示“拥堵”或“前方故障，慎行”，同时告警灯闪烁。
在本发明中，所述步骤(S2)中车牌识别采用以下步骤：
(S21)通过图片切割的方法从所述数据存储单元中获取牌照图像；
(S22)基于牌照字符分割，把牌照中的字符分割出来；
(S23)基于牌照字符识别算法，把分割好的字符进行识别，最终组成牌照号码，得出车牌号。
在本发明中，所述步骤(S42)图像计算单元采用Retinex图像增强算法对采集的图形进行处理、计算，采用该算法可以在雨、雪、雾、暗等环境中对进入隧道洞口的图像进行计算、处理，使处理后的图像能够清晰地通过LCD大屏幕显示装置显示出来。该算法大不同于传统的图像增强算法，如线性、非线性变换、图像锐化等只能增强图像的某一类特征，如压缩图像的动态范围，或增强图像的边缘等，Retinex可以在动态范围压缩、边缘增强和颜色恒常三方面达到平衡，因此可以对各种不同类型的图像进行自适应性地增强。正因如此，使Retinex算法在隧道入口对行车的计算就十分准确了。通过该图像单元处理后，能够通过LCD大屏幕显示装置清楚地显示出来。步骤(S42)包括还以下步骤：
(S421)对红外图像采集单元采集行驶到隧道中的行车数据进行转换,即将红外图像采集单元采集到的行车原始图像转换成double型变量，以方便以后的计算或运算；
在本步骤中，假设原始图像为S(x，y)、亮度图像为L(x，y)、反射图像为R(x，y)，则可认为原始图像为S(x，y)由亮度图像为L(x，y)、反射图像为R(x，y)组成，然后在图像中除去或降低照射图像的影响，从而保留图像本质的反射属性。由于乘法运算不好处理，前期的数据准备主要由原始图像S(x，y)从证书域转化到对数域，这样就将乘法运算转换成了加减法运算，其公式为：
S(x,y)＝L(x,y)*R(x,y) 式1
S(x,y)＝log(1+S(x,y)) 式2
在Retinex图像算法中，其包含单尺度的Retinex算法和多尺度的Retinex算法，由于但尺度Retinex算法自身的缺陷，无法使增强图像在动态范围压缩，细节保持，色彩保真度，边缘锐化上都保持最佳的状态，在本发明中，引入了多尺度的Retinex算法。
多尺度的Retinex算法是在单尺度的Retinex算法的基础上发展而应用起来的。多尺度的Retinex算法可以实现图像的颜色恒常性、局部动态范围压缩、色彩增强、全局动态范围压缩。能够对车牌的识别图像起到增强的作用。其公式为：
其中，ri(x,y)为Retinex在第i个通道上的输出，*为卷积分运算，灰度图像则i为1，彩色图像i取值为1、2、3分别代表RGB的三个通道，Ii(x,y)表示输入的图像的第i个通道，Fk(x,y)为高斯函数，Wk为高斯函数的相加权，k是高斯环绕函数的个数。在k＝1的特殊情况下，MSR算法退化成了SSR算法。
多尺度的Retinex算法中，将读入图像Ii(x,y)转换成double型变量。
(S422)转换成double型变量的图像具有高、中、低三个不同的尺度的数据，根据不同尺度的数据确定环绕函数F(x,y)并提取待检测图像的特征，从而来确定参数λ的值；
(S423)将原始图像Ii(x,y)、环绕函数F(x,y)代入公式来求得Retinex的在各通道上输出，其中ri(x,y)即为第i个通道上的Retinex输出，k取3并且W1＝W2＝W3＝1/3；
(S424)将ri(x,y)从对数域转换到实数域得到反函数Ri(x,y)；
(S425)对Ri(x,y)线性拉伸并显示Ri(x,y)线性拉伸后的图像。
在本发明中，针对步骤(S42)中提取待检测图像的特征包括以下步骤：
(1)由于红外图像采集单元和隧道内的监控装置获取的图像为立体图像，因此可以将获取的图像看做在一个平面坐标为x,y,z中的三维图像，将图像灰度化；
(2)采用Gamma校正法对步骤(1)中获取的图像进行颜色空间的标准化、归一化，调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，抑制噪音的干扰；
(3)计算对步骤(2)中处理的图像每个像素的梯度，梯度方向包括大小和方向，捕获轮廓信息，进一步弱化光照的干扰；
(4)将对步骤(3)中计算像素的梯度的图像划分成每个单元为6*6像素的小单元；
(5)统计每个单元的梯度直方图，即可形成每个单元的描述符号；
(6)将每4个单元组成1个每个区间为3*3个单元的描述符号，一个框内所有单元的特征描述符号串联起来便得到该框的HOG特征描述符号；
(7)将图像内的所有框的HOG特征描述符号串联起来，得出该图像的HOG特征描述符号。
针对步骤(S42)，还包括以下内容：
(1)标准化gamma空间和颜色空间
为了减少光照因素的影响，首先需要将整个图像进行规范化和归一化。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。因为颜色信息作用不大，通常先转化为灰度图；
Gamma压缩公式：I(x,y)＝I(x,y)gamma
比如可以取Gamma＝1/2；
(2)计算图像梯度
计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。
图像中像素点(x,y)的梯度为：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
式中Gx(x,y)、Gy(x,y)、H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和梯度方向分别为：
α(x,y)＝tan-1(Gy(x,y)/Gx(x,y))
在本发明中：首先用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向(水平方向，以向右为正方向)的梯度分量灰度图，然后用[1,0,-1]T梯度算子对原图像做卷积运算，得到y方向(竖直方向，以向上为正方向)的梯度分量灰度图。然后再用以上公式计算该像素点的梯度大小和方向。
(3)为每个单元构建梯度方向直方图
本步骤的目的是为局部图像区域提供一个编码，同时能够保持对图像中人体对象的姿势和外观的弱敏感性。
假设将图像分成若干个“单元格单元”，例如每个单元为6*6个像素。比如采用9个箱的直方图来统计这6*6个像素的梯度信息。也就是将单元的梯度方向360度分成9个方向块，如果像素的梯度方向是20-40度，直方图第2个箱的计数就加一，这样，对单元内每个像素用梯度方向在直方图中进行加权投影(映射到固定的角度范围)，就可以得到这个单元的梯度方向直方图了，就是该单元对应的9维特征向量(原来定义的有9个箱)。
梯度大小就是作为投影的权值的。例如说：这个像素的梯度方向是20-40度，然后它的梯度大小是2，那么直方图第2个箱的计数就不是加一了，而是加二。
单元可以是矩形的，也可以是星形的。
(4)把单元组合成大的块，块内归一化梯度直方图
由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。
在本发明中，把各个单元组合成大的、空间上连通的区间。这样，一个区间内所有单元的特征向量串联起来便得到该区间的HOG特征。这些区间是互有重叠的，这就意味着：每一个单元格的特征会以不同的结果多次出现在最后的特征向量中。将归一化之后的块描述符(向量)就称之为HOG描述符。
区间有两个主要的几何形状——矩形区间(R-HOG)和环形区间(C-HOG)。R-HOG区间大体上是一些方形的格子，它可以有三个参数来表征：每个区间中单元的数目、每个单元中像素点的数目、每个单元的直方图通道数目。
比如行人检测的最佳参数设置是：3×3单元/区间、6×6像素/单元、9个直方图通道，则一块的特征数为：3*3*9；
(5)收集HOG特征
最后一步就是将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用。
(6)计算图像的HOG特征维数
Dalal提出的Hog特征提取的过程：把样本图像分割为若干个像素的单元，把梯度方向平均划分为9个区间(箱)，在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，每相邻的4个单元构成一个块，把一个块内的特征向量联起来得到36维的特征向量，用块对样本图像进行扫描，扫描步为一个单元。最后将所有块的特征串联起来，就得到了被测对象的特征，对测对象可以为行车中的人，或者行车。例如，对于64*128的图像而言，每16*16的像素组成一个单元，每2*2个单元组成一个块，因为每个单元有9个特征，所以每个块内有4*9＝36个特征，以8个像素为步长，那么，水平方向将有7个扫描窗口，垂直方向将有15个扫描窗口。也就是说，64*128的图片，总共有36*7*15＝3780个特征。
本发明具有以下功能:
1、采用密度计算公式能够提示隧道长度、安全行驶速度、隧道内的行车拥堵情况：
2、计算单元能够统计隧道内的行车信息，LCD大屏幕显示装置能够显示隧道内的行车。
3、通过红外图像采集单元采集行驶到隧道内的行车信息，并且红外图像采集单元还可以与车内司机以行车记录测试仪、导航仪、手机、PDA、手持式接到单元等方式进行通讯，更好地使司机获知隧道内行车信息。
4、能够对欲驶入隧道内的行车车牌进行车牌识别，获取进入隧道内的行车信息，有助于查询过往行车。
5、采用红外技术进行行车的识别，满足四大优点：①环境适应性优于可见光，尤其是在夜间和恶劣气候下的工作能力；②隐蔽性好，很多情况下都是被动接收目标的信号，比雷达和激光探测安全、保密性强且不易被干扰；⑨由于依靠目标和背景之间的温差和发射率差形成的红外辐射特性进行探测，因而识别伪装目标的能力优于可见光；④与雷达系统相比，红外系统的体积小、重量轻、功耗低。
6、红外图像单元运用Retinex算法以及图像提取算法对红外图像进行处理并分析比较处理效果，红外图像单元运用红外辐射的原理，自然界中的任何物体都存在红外辐射，同时也吸收外界其它的红外辐射。由于大气中的二氧化碳和水蒸汽等物质的吸收和散射作用，只有部分波段上的红外辐射能透过大气。红外光是指波长在0.76～14岬之间的光线，具有很强的穿透性，适用于夜晚、雨、雪、雾天等恶劣天气，本发明又采用Retinex算法，该算法Retinex算法增强后，可以突出暗区域中图片的细节，能够将采集的图像更加清晰，因此不管隧道口内的天气情况如何变化，都能准确无误地显示出过往行车。
7、通过计算和统计图像局部区域，基于方向梯度直方图提取待检测图像的特征，该方法能够减少光照对行车图像质量的影响，能够进一步弱化光照的影响，从而提高图像采集质量。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
- 还没有人留言评论。精彩留言会获得点赞！