防火绿色通道的路网全景图像拼接分析方法与流程

本发明涉及图像智能处理领域，尤其涉及一种防火绿色通道的路网全景图像拼接分析方法。

背景技术：

由于社会车辆饱和度越来越高，城市中居住区车辆随意乱放情况时有发生，尤其堵塞消防通道，造成安全威胁，虽然在消防通道设置了相应的警示标志，以及相应的道路安全线，但是仍然无法实时判断消防通道的阻塞状态，通过摄像监控方式，采用实时图像异常点判断，现有技术的异常状态判断错误率较高，无法满足需求，这就亟需本领域技术人员解决相应的技术问题。

技术实现要素：

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种防火绿色通道的路网全景图像拼接分析方法。

为了实现本发明的上述目的，本发明提供了一种防火绿色通道的路网全景图像异常物体分析方法，包括如下步骤：

s1，读取海量图像集中防火绿色通道的实时全景图像，将全景图像按照设定参数进行图像整理；

s2，将图像整理之后的全景图像根据目标特征值获取与样本图像进行匹配之后的匹配图像；

s3，将匹配图像生成全景整合图像，从而进行特征矩阵标注，经过约束模型判断，分析静止特征和动态特征，将动态特征传输至安全管理终端。

优选的，所述s1包括：

s1-1，设置曝光参数，获取防火绿色通道的实时全景图像，根据图像拍摄角度按照50*50像素块进行诸段图像划分；进行白平衡校准和色彩矫正，对实时全景图像进行参数处理，并得到参数处理后的全景图像，对所述全景图像进行缩放处理，并得到缩放处理后的低分辨率全景图像；

s1-2对全景图像进行扫描，遍历绿色通道中车辆灰度像素轮廓值，将地面与车辆颜色发生变化图像的开始点为轮廓矩形起点s(x,y)，直到形成第一闭合矩形；在第一闭合矩形内部遍历考察车牌灰度像素轮廓值，将车牌灰度像素起点t(x,y)进行车牌轮廓刻画，形成第二闭合矩形。

优选的，所述s1包括：

s1-3，根据车辆缩放比例，判断第二闭合矩形与第一闭合矩形的比例关系，如果发现与第二闭合矩形等比例的车牌轮廓刻画存在，则抛弃该第一闭合矩形，继续执行s1-2，并对全景图像进行全部扫描，直到第一闭合矩形中只有一个第二闭合矩形为止；

s1-4，分析全景图像信息的过程中，也会发现人员图像信息、安全锥图像信息，隔离石球图像信息，按照绿色通道目标检测的全景图像与各个目标提炼之后的图像之间的像素坐标对应关系，确定绿色通道中全景图像的目标特征值。

优选的，所述s2包括：

s2-1，通过将目标特征值提炼之后与样本图像进行匹配，采用二值化处理，等比例整合之后，去除轮廓超出阈值的目标特征值；根据提取的目标特征值的提取图像与样本图像的重叠区域利用维度分割匹配算法，从而提取匹配区域图像与公共区域图像的初始判断图像；

s2-2，该维度分割匹配算法d(i,j,x,y)＝<oi,pj,q(i,j,s(x,y),t(x,y))>，能够消除局部冗余特征，oi为精度i的轮廓获取模型，pj为尺度j的重叠区域模型，q(i,j,s(x,y),t(x,y))为精度i和尺度j在第一闭合矩形轮廓矩形起点s(x,y)位置和第二闭合矩形车牌灰度像素起点t(x,y)位置的缩放尺寸特征，符号“<，>”表示内积运算。

优选的，所述s2包括：

s2-3，选取处理完成的匹配区域图像作为训练集，采用改进目标特征值划分聚类算法获取目标特征值的区域，

k(i,j,x,y)＝(dist(k(i,j),s(i,j,x,y))+min(k(i,j)+l(i,j),255))-dist(k(i,j),l(x,y),t(i,j,x,y))，

其中，k(i,j)为精度i和尺度j的目标图像管理簇，l(i,j)为精度i和尺度j的匹配图像管理簇，s(i,j,x,y)为轮廓矩形中最优轮廓元素，t(i,j,x,y)为车牌像素矩形中最优车牌像素元素，从而构造图像匹配决策机制，计算目标特征值中匹配图像聚类中心的最小距离，将其余样本点分配到最近初始类簇中心，将典型目标特征值划分聚类算法得到的k(i,j)个簇和匹配之后的l(i,j)，组合得到k(i,j)×l(i,j)个类簇组合，寻找目标特征值轮廓优选的类簇组合。其中设置精度和尺度的定义，是根据图像像素的清晰度设置精度，根据图像像素的多少设置尺度。

优选的，所述s3包括：

s3-1，根据全景整合图像形成特征矩阵其中n为正整数，第一列代表轮廓矩形特征，第二列代表车牌轮廓特征，第三列代表移动特征，通过每3*3的矩阵，即：对进行透视变换，将每个全景整合图像的透视变换进行投影成采样点，形成透视变换矩阵，用于对全部图像进行变换并生成标注直方图，从而形成目标特征值的直方图。

优选的，所述s3包括：

s3-2，预选目标特征值图像中各标注序号，进行目标特征值预累加计算，bz为预选目标特征值中z个轮廓矩形的像素值，α为轮廓矩形像素调节系数，cz为预选目标特征值中z个车牌轮廓的像素值，β为车牌轮廓像素调节系数，

s3-3，获取动态移动目标特征值，其中目标特征值中获取的直方图保持的坐标值为y≥x，并且对动态移动目标特征值进行模型训练：

其中，根据设定条件，r、n大于等于m，隔离石球图像设定为动态移动目标特征值，δu为u个动态获取图像向量的动态系数，λv为v个动态备选图像向量的调节系数，ε为非机动车获取动态系数，u(x,y)为人体移动目标特征值，v(x,y)为隔离石球目标特征值，z(x,y)为非机动车目标特征值，c(u,v)为u个动态获取图像向量和v个动态备选图像向量动态图像影响因子，d(u,v)为u个动态获取图像向量和v个动态备选图像向量备选图像影响因子，e(u,v)为u个动态获取图像向量和v个动态备选图像向量全景图像影响因子，σ为调节系数。

优选的，所述s3包括：

s3-4，将所有轮廓矩形目标特征值、车牌轮廓目标特征值和动态目标特征值的得分降序排列，选中最高分，依次遍历相应目标特征值，从未处理的目标特征值中继续选一个评分最高值，通知远程终端。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

经过本发明工作方法对目标特征值的属性进行实时判断，当背景图片中出现与目标特征值相似的物体时，将识别的异常特征进行上传。将标记出了若干目标特征值的图像数据进行检测，利用阈值判断算法进行目标检测，得到目标确定闭合形状，并计算其几何信息，对于目标特征值的几何信息做出正确校验。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明方法流程图；

图2是本发明目标特征值获取示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1所示，本发明公开一种防火绿色通道的路网全景图像异常物体分析方法，包括如下步骤：s1，读取海量图像集中防火绿色通道的实时全景图像，将全景图像按照设定参数进行图像整理；

s2，将图像整理之后的全景图像根据目标特征值获取与样本图像进行匹配之后的匹配图像；

s3，将匹配图像生成全景整合图像，从而进行特征矩阵标注，经过约束模型判断，分析静止特征和动态特征，将静止特征传输至安全管理终端。

优选的，所述s1包括：s1-1，设置曝光参数，获取防火绿色通道的实时全景图像，根据图像拍摄角度按照50*50像素块进行诸段图像划分；进行白平衡校准和色彩矫正，对实时全景图像进行参数处理，并得到参数处理后的全景图像，对所述全景图像进行缩放处理，并得到缩放处理后的低分辨率全景图像；

s1-2对全景图像进行扫描，遍历绿色通道中车辆灰度像素轮廓值，将地面与车辆颜色发生变化图像的开始点为轮廓矩形起点s(x,y)，直到形成第一闭合矩形；在第一闭合矩形内部遍历考察车牌灰度像素轮廓值，将车牌灰度像素起点t(x,y)进行车牌轮廓刻画，形成第二闭合矩形；

s1-3，根据车辆缩放比例，判断第二闭合矩形与第一闭合矩形的比例关系，如果发现与第二闭合矩形等比例的车牌轮廓刻画存在，则抛弃该第一闭合矩形，继续执行s1-2，并对全景图像进行全部扫描，直到第一闭合矩形中只有一个第二闭合矩形为止；

s1-4，分析全景图像信息的过程中，也会发现人员图像信息、安全锥图像信息，隔离石球图像信息，按照绿色通道目标检测的全景图像与各个目标提炼之后的图像之间的像素坐标对应关系，确定绿色通道中全景图像的目标特征值；

优选的，所述s2包括：

s2-1，通过将目标特征值提炼之后与样本图像进行匹配，采用二值化处理，等比例整合之后，去除轮廓超出阈值的目标特征值；根据提取的目标特征值的提取图像与样本图像的重叠区域利用维度分割匹配算法，从而提取匹配区域图像与公共区域图像的初始判断图像；

s2-2，该维度分割匹配算法d(i,j,x,y)＝<oi,pj,q(i,j,s(x,y),t(x,y))>，能够消除局部冗余特征，oi为精度i的轮廓获取模型，pj为尺度j的重叠区域模型，q(i,j,s(x,y),t(x,y))为精度i和尺度j在第一闭合矩形轮廓矩形起点s(x,y)位置和第二闭合矩形车牌灰度像素起点t(x,y)位置的缩放尺寸特征，符号“<，>”表示内积运算；

s2-3，选取处理完成的匹配区域图像作为训练集，采用改进目标特征值划分聚类算法获取目标特征值的区域，

k(i,j,x,y)＝(dist(k(i,j),s(i,j,x,y))+min(k(i,j)+l(i,j),255))-dist(k(i,j),l(x,y),t(i,j,x,y))，

其中，k(i,j)为精度i和尺度j的目标图像管理簇，l(i,j)为精度i和尺度j的匹配图像管理簇，s(i,j,x,y)为轮廓矩形中最优轮廓元素，t(i,j,x,y)为车牌像素矩形中最优车牌像素元素，从而构造图像匹配决策机制，计算目标特征值中匹配图像聚类中心的最小距离，将其余样本点分配到最近初始类簇中心，将典型目标特征值划分聚类算法得到的k(i,j)个簇和匹配之后的l(i,j)，组合得到k(i,j)×l(i,j)个类簇组合，寻找目标特征值轮廓优选的类簇组合。其中设置精度和尺度的定义，是根据图像像素的清晰度设置精度，根据图像像素的多少设置尺度。

优选的，所述s3包括：

s3-1，根据全景整合图像形成特征矩阵其中n为正整数，第一列代表轮廓矩形特征，第二列代表车牌轮廓特征，第三列代表移动特征，通过每3*3的矩阵，即：对进行透视变换，将每个全景整合图像的透视变换进行投影成采样点，形成透视变换矩阵，用于对全部图像进行变换并生成标注直方图，从而形成目标特征值的直方图；

s3-2，预选目标特征值图像中各标注序号，进行目标特征值预累加计算，bz为预选目标特征值中z个轮廓矩形的像素值，α为轮廓矩形像素调节系数，cz为预选目标特征值中z个车牌轮廓的像素值，β为车牌轮廓像素调节系数，

s3-3，获取动态移动目标特征值，其中目标特征值中获取的直方图保持的坐标值为y≥x，并且对动态移动目标特征值进行模型训练：

其中，根据设定条件，r、n大于等于m，隔离石球图像设定为动态移动目标特征值，δu为u个动态获取图像向量的动态系数，λv为v个动态备选图像向量的调节系数，ε为非机动车获取动态系数，u(x,y)为人体移动目标特征值，v(x,y)为隔离石球目标特征值，z(x,y)为非机动车目标特征值，c(u,v)为u个动态获取图像向量和v个动态备选图像向量动态图像影响因子，d(u,v)为u个动态获取图像向量和v个动态备选图像向量备选图像影响因子，e(u,v)为u个动态获取图像向量和v个动态备选图像向量全景图像影响因子，σ为调节系数；

从上述计算能够看出，在全景整合图像中对于动态获取图像中的目标特征值进行训练，以及动态备选图像进行目标训练，时获取的动态移动目标特征值更加准确，并且通过调节系数能够获取更稳定的鲁棒性特征。

s3-4，将所有轮廓矩形目标特征值、车牌轮廓目标特征值和动态目标特征值的得分降序排列，选中最高分，依次遍历相应目标特征值，从未处理的目标特征值中继续选一个评分最高值，通知远程终端。

如图2所示，目标特征值平衡相关的模型训练之后，对绿色通道的障碍物形成分析图像数据，在获取的静态目标特征值不超出设定的目标特征值预设范围，或者动态目标特征值在设定时间范围内没有发生移动，都需要上传远程终端。

上述技术方法的有益效果为：当全景图像中存在目标特征值障碍信息与绿色通道上所标记的地面颜色信息基本一致时，不能准确判断哪一个是包含有目标特征值的监测结果，还是地面信息。需要结合边缘检测计算目标特征值所含物体的边缘直方图和边缘直方图嵌入的内部直方图，以更进一步滤出不满足条件的目标特征值，从而发现阻碍绿色通道的车辆以及其他障碍物体，提高了绿色通道是否有障碍物的查准率和查全率。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。