一种智能交通监控图像的穿雾识别方法与流程

本发明涉及一种智能交通监控系统的图像处理方法，属于计算机和模式识别领域。

背景技术：

智能交通监控系统就是通过监控系统将监视区域内的现场图像传回指挥中心，使交通管理人员直接掌握车辆排队、堵塞、信号灯等交通情况。在大雾天气下，已存在的监控系统的监控设施、手段和功能都相对落后，一些肇事逃逸的交通事故中，无法通过监控视频中的图像准确地辨别车辆的颜色、号码、类型等信息。

针对上述问题，本发明采用图像去噪处理、去雾处理及边缘检测的方法，实现智能交通监控系统图像的穿雾识别任务。

技术实现要素：

为解决上述问题，本发明的目的在于提供一种有效完成交通监控图像的穿雾识别任务的方法。

本发明解决其问题所采用的的技术方案，包括以下步骤：

a.获取交通监控图像，构造视频图像信号小波系数，根据系数阈值的设定，对图像进行去噪处理；

b.构造雾天图像退化模型，根据暗通道先验思想初步估计图像的透射率，采用快速导向滤波方法，获得更清晰的去雾图像；

c.基于位相型分布及其相关随机模型的特点构造一种新型滤波器，根据滤波器的逼近性，构造一致逼近方法，增强滤波器对图像信号的响应；

d.根据新型滤波器的一致逼近，选择边缘检测最优准则进行图像的边缘检测及分割，最终识别图像，完成交通监控的图像识别。

本发明的有益效果是：

该方法具有较好的实时性和植入性，并可根据图像去噪处理、暗通道去雾处理以及边缘检测方法处理监控图像，有效完成交通监控图像的穿雾识别任务。

附图说明

图1一种智能交通监控图像的穿雾识别方法的整体流程图。

图2交通监控视频图像边缘检测流程。

具体实施方式

参照图1与图2，本发明所述的方法包括以下步骤：

a.获取交通监控视频，构造视频图像信号小波系数，根据系数阈值的选择与设定，确定图像噪声信号，对图像进行去噪处理；

(1)交通监控系统对所获取到的视频信息，进行图像变换处理，构造图像信号的小波系数；在图像中实际图像信号的小波系数比较大，而噪声的小波系数则比较小；

(2)根据小波系数明显的划分特点，选择合适的阈值，根据系数与阈值的比较，完成图像的去噪与重建；

①采用小波变换对监控视频图像进行多尺度分解，获得图像噪声均方差；

②采用全局阈值的方法，对分解后的图像各层所有的小波系数选用同一个阈值进行判定，全局阈值的计算表达式为

μ＝(σ²·2log(k×g))^1\2

其中，σ表示图像噪声均方差，k,g表示图像信号的尺度；

b.构造雾天图像退化模型，根据暗通道先验思想初步估计图像的透射率，采用快速导向滤波方法，获得更清晰的去雾图像；

(1)构造雾天图像退化模型，在计算机视觉图像中，该模型的表达式为

h(x)＝f(x)t(x)+a(1-t(x))

①其中，x表示图像像素的空间坐标，h(x)表示视频中待处理有雾图像，f(x)表示恢复的无雾图像，t(x)＝e^-sd(x)表示图像透射率，s表示大气散射系数，d表示景物深度，a代表全局大气光成分；

②图像的rgb三条通道中每一个通道都有一个大气光值，选取图像中像素的最大灰度值作为全局大气光值a；

③当透射率t值很小时，会导致图像向白场过度，为保证图像的自然程度，采用参数k来调整图像的透射率，即

t(x)＝1-k(h(x)/a)

去雾后的图像表达式可表示为

(2)为保证图像的协调，采用导向滤波分析透射率，获取更加精细的透射率图；

①采用导向滤波使得输入和输出图像尽可能相似，则对于任意的图像窗口wm,m表示图像窗口个数，该导向滤波的函数表示为

qi＝dmgj+fm

其中，i表示图像像素的坐标，g表示导向图，d,f表示与位置有关的变量；

②对所有窗口进行计算后，得出输出图像

③经过导向滤波处理完成视频图像的去雾步骤；

c.基于位相型分布及其相关随机模型的特点构造一种新型滤波器，根据滤波器的逼近性，构造一致逼近方法，增强滤波器对图像信号的响应；

(1)基于位相型分布在随机模型中的结构、处理解析和数值计算都相对简单且易处理，故利用其特性构造一种新型滤波器；

①若矩阵m可逆，且矩阵m+m⁰β不可约，并且当x是实数时，函数

则函数f(x)为基于位相型分布的新型滤波器，其中β为n维方阵行向量，

②若β为方阵m的pf左特征向量，或m⁰为方阵m的pf右特征向量，则函数

其中，-γ(m)为方阵m的实部特征值，δ＝βm⁰；

③根据上述算式特征表明，ρ型指数滤波器是位相型滤波器的一种特殊形式，并且两者之间有较好的渐进关系；

(2)为增强滤波器对视频图像信号的响应，构造滤波器逼近方法；

①滤波器集合表达形式：

a)若是一个任意的ρ型非负滤波器，则可表示为s1＝(g(x)≥0)

b)若是一个ρ型位相型滤波器，则可表示为s2＝(f(x))

c)若是一个ρ型梯阶滤波器，则可表示为s3＝(f(β，ρ；x))，在实数范围内，函数f(θ，ρ；x)是一个对称偶函数，其中，

集合s2和s3的闭包等价于集合s1；

②对于集合s1中的任意一个滤波器，总存在一个有限多项式，使得它与对称指数的乘积一致逼近g(x)，即

其中，对称指数有限多项式

③对于集合s1中的任意一个滤波器g(x)，对任意给定的v>0,总存在对应的参数c＝{θi|i＝1，2，…，z}和ρ型对称多项式d＝{t′i(x)|i＝1，2，…，z}使得

d.根据新型滤波器的一致逼近，选择边缘检测最优准则进行图像的边缘检测及分割，最终识别图像，完成交通监控的图像识别。

(1)根据上述步骤所述的滤波器特性，分析新型滤波器进行边缘检测的最优准则；

①假设进行边缘检测的滤波器为根据滤波器表达式中参数的意义，计算这些参数所满足的正则化条件；

②利用滤波器的性质定理分析其最优准则：

a)滤波器t(x)信号噪声比的最优选择准则为

其中由方阵m的标准形唯一确定；

b)滤波器t(x)边缘点定位的最优选择准则为

c)滤波器t(x)描述多个过零点分离难易程度的最优选择准则为

(2)利用上述各步骤的方法，对交通监控视频图像进行去噪、去雾及边缘检测处理，最终进行图像识别，获得清晰图像，图像处理流程如图2所示。

综上所述，便实现了本发明所述的智能交通监控图像的穿雾识别方法。在过程复杂且不确定性高的图像处理任务中，本发明能够快速有效地完成图像处理任务，并可根据阈值萎缩去噪处理、暗通道去雾处理以及边缘检测方法处理监控图像，产生良好的收益效果。