本发明属于黑烟车检测技术领域，具体地说，涉及一种基于视频分析的黑烟车检测方法。
背景技术：
近年来，随着经济的发展，科技的进步，科技的高速发展，伴随而来的是大量的环境污染问题，车辆的排放尾气就是其中环境污染的一个较大的污染源。响应政府的号召，节能减排，有利于对环境进行保护。其中黑烟车对人们的生活水平和生存环境带去了很大的威胁，严重污染空气质量，因此需要对不符合要求的黑烟车统计、审查。
技术实现要素：
针对上述出现的问题，本发明的目的在于提供一种基于视频分析的黑烟车检测方法，能够提高识别黑烟车的准确性。
为解决上述技术问题，本发明采用技术方案的基本构思是：
本发明的基于视频分析的黑烟车检测方法，包括以下步骤：
步骤一、采集若干车辆图像，主要是车辆的尾部图像，进行样本标记，构建训练样本；
步骤二、对训练样本进行图像处理，构建深度学习框架的训练模型；
步骤三、黑烟车检测；
粗判定：获取目标车辆图像，采用高斯混合模型判断车尾区域的黑烟值，若黑烟值小于
设定的阈值，则为非黑烟车辆，否则进行细判定，粗判定可能为黑烟车型后，采用光流
法对该车进行跟踪；
细判定：分析多贞车辆图像，采用黑烟能量直方图对称性对黑烟车进行判定，判断目标
车辆为黑烟车或非黑烟车。
本发明的基于视频分析的黑烟车检测方法，在进行步骤二时，首先采用大数据对目标样本进行分析，对车辆进行检测，首先排除非黑烟车的车型，分析出黑烟车可能的车型，采用深度卷积神经网络进行训练，得到训练模型。
本发明的基于视频分析的黑烟车检测方法，对判定为黑烟车的车辆，对该车的车牌进行识别，将识别到该车的车牌信息存储并报送至监控室。
本发明的基于视频分析的黑烟车检测方法，在步骤三中的光流法跟踪车辆方法为：
a、对一个连续的图像视频帧序列进行处理；
b、针对每一帧图像检测前景目标；
c、如果某一帧出现了前景目标，提取其具有代表性的特征点u；
d、对于之后的两个相邻视频帧，寻找上一帧的特征点在当前帧出现的最佳位置从而得到前景目标在当前帧的中的位置；
e、如此迭代进行，实现目标的跟踪。
本发明的基于视频分析的黑烟车检测方法，黑烟值的判定方法为：
将黑烟区域图像二值化，再对图像的每一列统计像素值出现的次数形成直方图，寻找直方图的峰值位置，以此峰值位置为标准将黑烟图像分为两部分，车尾黑烟区域普遍呈对称性，分析对称性。
本发明的基于视频分析的黑烟车检测方法，对称性分析为：黑烟区域图像为is，左边黑
烟区域直方图能量为el,右边黑烟区域直方图能量为er，按照下式：
如果黑烟区域的直方图累计能量比值大于阈值t，则此区域有黑烟出现，否则没有黑烟。
本发明的基于视频分析的黑烟车检测方法，在步骤c、d中的具体方法为：
光流跟踪的方法：给定的图像i中的点u，找到图像j中与之对应的位置v＝u+d或找到该点的像素位移量d即可。
本发明的基于视频分析的黑烟车检测方法，该点的像素位移量d通过下式得出：
本发明的基于视频分析的黑烟车检测方法，对于图像i中的特征点u，计算图像j中与该点对应的特征点v的步骤如下：
a、建立图像i和j的金字塔
b、初始化金字塔的光流估计量
c、定位图像il上点u的位置：
d、il对x求偏导：
e、il对y求偏导：
f、梯度矩阵：
g、在l层上的最终光流：
h、计算下一层l-1层的光流：
i、最后的光流矢量：d＝g0+d0，在图像j上的对应特征点：v＝u+d。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果：
通过充分利用和改进现有目标检测、目标跟踪等领域的算法，开发一个能适应各种复杂环境情况下的黑烟车抓拍方法，该方法检测效率高，检测准确，能完成黑烟车抓拍的所有工作；通过深度学习的框架训练模型，且采用高斯混合模型判断车尾区域的黑烟值，并通过光流法对车进行跟踪，能够提高黑烟车的识别准确率，识别可靠性更高，并且通过粗判定与细判定两级判定方法，进一步提高判定的准确性。
下面对本发明的具体实施方式作进一步详细的描述。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“内”、“外”等指示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例一：
本发明的基于视频分析的黑烟车检测方法，包括以下步骤：
步骤一、采集若干车辆图像，主要是车辆的尾部图像，进行样本标记，构建训练样本；
步骤二、对训练样本进行图像处理，构建深度学习框架的训练模型；
步骤三、黑烟车检测；
粗判定：获取目标车辆图像，采用高斯混合模型判断车尾区域的黑烟值，若黑烟值小于设定的阈值，则为非黑烟车辆，否则进行细判定，粗判定可能为黑烟车型后，采用光流法对该车进行跟踪；
细判定：分析多贞车辆图像，采用黑烟能量直方图对称性对黑烟车进行判定，判断目标车辆为黑烟车或非黑烟车，从而达到识别效率高的效果。
在进行步骤二时，首先采用大数据对目标样本进行分析，对车辆进行检测，首先排除非黑烟车的车型，分析出黑烟车可能的车型，采用深度卷积神经网络进行训练，得到训练模型。在检测中，可首先排除轿车，着重检车货车，先建立货车图像数据库，对数据库进行标注，使用基于darknet框架的深度学习算法训练货车检测模型，使用训练好的模型对输入视频进行货车检测，输入为经过预处理的相机图像，输出为车辆在图像中的位置信息。
对判定为黑烟车的车辆，对该车的车牌进行识别，将识别到该车的车牌信息存储并报送至监控室。
本发明的基于视频分析的黑烟车检测方法，在步骤三中的光流法跟踪车辆方法为：
a、对一个连续的图像视频帧序列进行处理；
b、针对每一帧图像检测前景目标；
c、如果某一帧出现了前景目标，提取其具有代表性的特征点u；
d、对于之后的两个相邻视频帧，寻找上一帧的特征点在当前帧出现的最佳位置从而得到前景目标在当前帧的中的位置；
e、如此迭代进行，实现目标的跟踪。
黑烟值的判定方法为：
将黑烟区域图像二值化，再对图像的每一列统计像素值出现的次数形成直方图，寻找直方图的峰值位置，以此峰值位置为标准将黑烟图像分为两部分，车尾黑烟区域普遍呈对称性，分析对称性。
对称性分析为：黑烟区域图像为is，左边黑烟区域直方图能量为el,右边黑烟区域直方图
能量为er，按照下式：
如果黑烟区域的直方图累计能量比值大于阈值t，则此区域有黑烟出现，否则没有黑烟。
在步骤c、d中的具体方法为：
光流跟踪的方法：给定的图像i中的点u，找到图像j中与之对应的位置v＝u+d或找到该点的像素位移量d即可，该点的像素位移量d通过下式得出：
对于图像i中的特征点u，计算图像j中与该点对应的特征点v的步骤如下：
a、建立图像i和j的金字塔
b、初始化金字塔的光流估计量
c、定位图像il上点u的位置：
d、il对x求偏导：
e、il对y求偏导：
f、梯度矩阵：
g、在l层上的最终光流：
h、计算下一层l-1层的光流：
i、最后的光流矢量：d＝g0+d0，在图像j上的对应特征点：v＝u+d。
从而得出特征点v的位置。
因此，通过该通过充分利用和改进现有目标检测、目标跟踪等领域的算法，开发一个能适应各种复杂环境情况下的黑烟车抓拍方法，该方法检测效率高，检测准确，能完成黑烟车抓拍的所有工作。通过深度学习的框架训练模型，且采用高斯混合模型判断车尾区域的黑烟值，并通过光流法对车进行跟踪，能够提高黑烟车的识别准确率，识别可靠性更高。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。