一种基于人工智能的尾气异常汽车大数据检测方法及系统与流程

本发明涉及汽车尾气异常检测，具体而言，涉及一种基于人工智能的尾气异常汽车大数据检测方法及系统。

背景技术：

1、随着时代的发展，越来越多的政府部门、企业、家庭购买了汽车，使出行变得越来越便捷。然而，随着汽车数量的急剧增加，汽车尾气所造成的污染问题也越来越严重。传统的汽车尾气异常检测通常依靠人工检验的方式完成，极大地增加了人力资源消耗。

2、为减少人力资源消耗，目前在部分城市，交通部门已经将基于图像的异常检测技术应用于汽车尾气的异常检测，但是，现有的汽车尾气异常检测精度仍然无法保持较高水平，随着人工智能领域技术的不断更新换代，给汽车尾气异常检测提供了直接的支持，因此，提出一种基于人工智能的智慧交通尾气异常汽车大数据检测方法有非常重要的价值和意义。

技术实现思路

1、本发明的目的在于提供一种基于人工智能的尾气异常汽车大数据检测方法及系统，用以改善现有技术中汽车尾气异常检测精度仍然无法保持较高水平的问题。

2、第一方面，本技术实施例提供一种基于人工智能的尾气异常汽车大数据检测方法，包括以下步骤：

3、获取道路中正在行驶的待检测汽车的多张汽车尾部区域图像；

4、分别对各张汽车尾部区域图像进行预处理，得到多张汽车尾部区域预处理图像；

5、基于多图像增强的平均显著性检测方法对多张汽车尾部区域预处理图像分别进行显著性检测，生成多个平均显著性区域；

6、根据多个平均显著性区域对多张汽车尾部区域预处理图像进行筛选，得到待检测图像；

7、基于多尺度的稀疏编码相似度匹配方法将待检测图像与预置的尾气异常模板图像集中的尾气异常模板图像进行匹配，得到匹配结果；

8、根据匹配结果将待检测图像输入至预置的汽车尾气异常检测模型中，得到异常检测结果；

9、根据异常检测结果确定待检测汽车的尾气异常结果。

10、上述实现过程中，通过获取道路中正在行驶的待检测汽车的多张汽车尾部区域图像；然后分别对各张汽车尾部区域图像进行预处理，得到多张汽车尾部区域预处理图像；然后基于多图像增强的平均显著性检测方法对多张汽车尾部区域预处理图像分别进行显著性检测，生成多个平均显著性区域；然后根据多个平均显著性区域对多张汽车尾部区域预处理图像进行筛选，得到待检测图像；然后基于多尺度的稀疏编码相似度匹配方法将待检测图像与预置的尾气异常模板图像集中的尾气异常模板图像进行匹配，得到匹配结果；然后根据匹配结果将待检测图像输入至预置的汽车尾气异常检测模型中，得到异常检测结果；最后根据异常检测结果确定待检测汽车的尾气异常结果。利用基于多图像增强的平均显著性检测方法，对多张汽车尾部区域图像进行检测，可以挑选出高质量的待检测图像，为精准的汽车尾气异常检测提供了直接的支持；然后利用基于多尺度的稀疏编码相似度匹配方法，计算待检测图像和所有模板图像的相似度。从而可以直接对某些汽车尾气异常的情况进行判别(无需进行后续检验)，在保证判别正确率的前提下显著地降低了计算资源消耗；再利用基于多权重的svm模型对正负训练样本进行训练，得到了更加精准的汽车尾气异常检测模型，能够更加精准地对汽车尾气是否异常进行判断，从而提高了汽车尾气异常检测精度。

11、基于第一方面，在本发明的一些实施例中，分别对各张汽车尾部区域图像进行预处理，得到多张汽车尾部区域预处理图像的步骤包括以下步骤：

12、获取并根据当前天气信息分别对各张汽车尾部区域图像进行预处理，得到多张汽车尾部区域预处理图像。

13、基于第一方面，在本发明的一些实施例中，基于多图像增强的平均显著性检测方法对多张汽车尾部区域预处理图像分别进行显著性检测，生成多个平均显著性区域的步骤包括以下步骤：

14、对各张汽车尾部区域预处理图像采用多种图像增强方法分别进行图像增强，生成多个增强图像；

15、分别对各个增强图像进行显著性检测，生成多个显著性区域；

16、对多个显著性区域求取平均值，生成各张汽车尾部区域预处理图像对应的平均显著性区域。

17、基于第一方面，在本发明的一些实施例中，基于多尺度的稀疏编码相似度匹配方法将待检测图像与预置的尾气异常模板图像集中的尾气异常模板图像进行匹配，得到匹配结果的步骤包括以下步骤：

18、将待检测图像与预置的尾气异常模板图像集中的尾气异常模板图像分别进行多尺度重建，生成多个尺度待检测图像和多个尺度尾气异常模板图像；

19、分别对各个尺度待检测图像和各个尺度尾气异常模板图像进行稀疏编码，生成各个尺度待检测图像编码和各个尺度尾气异常模板图像编码；

20、根据各个尺度待检测图像编码和各个尺度尾气异常模板图像编码，利用欧式距离计算得到待检测图像与预置的尾气异常模板图像集中的尾气异常模板图像在各个尺度下的相似度；

21、根据待检测图像与预置的尾气异常模板图像集中的尾气异常模板图像在各个尺度下的相似度得到匹配结果。

22、基于第一方面，在本发明的一些实施例中，根据匹配结果将待检测图像输入至预置的汽车尾气异常检测模型中，得到异常检测结果的步骤包括以下步骤：

23、判断匹配结果是否为匹配成功，若是，则生成待检测汽车的尾气异常结果为尾气异常汽车；若否，则将待检测图像输入至预置的汽车尾气异常检测模型中，得到异常检测结果。

24、基于第一方面，在本发明的一些实施例中，还包括以下步骤：

25、获取尾气正常图像作为正训练样本；

26、获取尾气异常图像作为负训练样本；

27、利用预置的多权重svm模型对正训练样本和负训练样本进行训练，得到汽车尾气异常检测模型。

28、基于第一方面，在本发明的一些实施例中，还包括以下步骤：

29、根据待检测汽车的尾气异常结果对待检测汽车进行车牌识别，生成车牌识别结果；

30、根据车牌识别结果得到待检测汽车的车主信息；

31、将尾气异常结果发送至车主。

32、第二方面，本技术实施例提供一种基于人工智能的尾气异常汽车大数据检测系统，包括：

33、汽车尾部区域图像获取模块，用于获取道路中正在行驶的待检测汽车的多张汽车尾部区域图像；

34、图像预处理模块，用于分别对各张汽车尾部区域图像进行预处理，得到多张汽车尾部区域预处理图像；

35、显著性检测模块，用于基于多图像增强的平均显著性检测方法对多张汽车尾部区域预处理图像分别进行显著性检测，生成多个平均显著性区域；

36、图像筛选模块，用于根据多个平均显著性区域对多张汽车尾部区域预处理图像进行筛选，得到待检测图像；

37、尾气异常图像匹配模块，用于基于多尺度的稀疏编码相似度匹配方法将待检测图像与预置的尾气异常模板图像集中的尾气异常模板图像进行匹配，得到匹配结果；

38、尾气异常检测模块，用于根据匹配结果将待检测图像输入至预置的汽车尾气异常检测模型中，得到异常检测结果；

39、汽车尾气异常确定模块，用于根据异常检测结果确定待检测汽车的尾气异常结果。

40、上述实现过程中，汽车尾部区域图像获取模块通过获取道路中正在行驶的待检测汽车的多张汽车尾部区域图像；图像预处理模块分别对各张汽车尾部区域图像进行预处理，得到多张汽车尾部区域预处理图像；显著性检测模块基于多图像增强的平均显著性检测方法对多张汽车尾部区域预处理图像分别进行显著性检测，生成多个平均显著性区域；图像筛选模块根据多个平均显著性区域对多张汽车尾部区域预处理图像进行筛选，得到待检测图像；尾气异常图像匹配模块基于多尺度的稀疏编码相似度匹配方法将待检测图像与预置的尾气异常模板图像集中的尾气异常模板图像进行匹配，得到匹配结果；尾气异常检测模块根据匹配结果将待检测图像输入至预置的汽车尾气异常检测模型中，得到异常检测结果；汽车尾气异常确定模块根据异常检测结果确定待检测汽车的尾气异常结果。利用基于多图像增强的平均显著性检测方法，对多张汽车尾部区域图像进行检测，可以挑选出高质量的待检测图像，为精准的汽车尾气异常检测提供了直接的支持；然后利用基于多尺度的稀疏编码相似度匹配方法，计算待检测图像和所有模板图像的相似度。从而可以直接对某些汽车尾气异常的情况进行判别(无需进行后续检验)，在保证判别正确率的前提下显著地降低了计算资源消耗；再利用基于多权重的svm模型对正负训练样本进行训练，得到了更加精准的汽车尾气异常检测模型，能够更加精准地对汽车尾气是否异常进行判断，从而提高了汽车尾气异常检测精度。

41、第三方面，本技术实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。

42、第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。

43、本发明实施例至少具有如下优点或有益效果：

44、本发明实施例提供一种基于人工智能的尾气异常汽车大数据检测方法及系统，通过获取道路中正在行驶的待检测汽车的多张汽车尾部区域图像；然后分别对各张汽车尾部区域图像进行预处理，得到多张汽车尾部区域预处理图像；然后基于多图像增强的平均显著性检测方法对多张汽车尾部区域预处理图像分别进行显著性检测，生成多个平均显著性区域；然后根据多个平均显著性区域对多张汽车尾部区域预处理图像进行筛选，得到待检测图像；然后基于多尺度的稀疏编码相似度匹配方法将待检测图像与预置的尾气异常模板图像集中的尾气异常模板图像进行匹配，得到匹配结果；然后根据匹配结果将待检测图像输入至预置的汽车尾气异常检测模型中，得到异常检测结果；最后根据异常检测结果确定待检测汽车的尾气异常结果。利用基于多图像增强的平均显著性检测方法，对多张汽车尾部区域图像进行检测，可以挑选出高质量的待检测图像，为精准的汽车尾气异常检测提供了直接的支持；然后利用基于多尺度的稀疏编码相似度匹配方法，计算待检测图像和所有模板图像的相似度。从而可以直接对某些汽车尾气异常的情况进行判别(无需进行后续检验)，在保证判别正确率的前提下显著地降低了计算资源消耗；再利用基于多权重的svm模型对正负训练样本进行训练，得到了更加精准的汽车尾气异常检测模型，能够更加精准地对汽车尾气是否异常进行判断，从而提高了汽车尾气异常检测精度。