本發(fā)明具體涉及一種復(fù)雜環(huán)境下的車輛識(shí)別方法。
背景技術(shù)：
車輛識(shí)別是智能交通系統(tǒng)中的基礎(chǔ)環(huán)節(jié)，精確的車輛識(shí)別效果是智能交通系統(tǒng)更自動(dòng)化、更智能的保障。目前對(duì)于車輛識(shí)別的研究，大部分都是局限在一個(gè)特定的環(huán)境內(nèi)，比如只是針對(duì)晴朗的天氣環(huán)境、霧霾環(huán)境等。但是現(xiàn)實(shí)中的交通攝像頭是在動(dòng)態(tài)變化的復(fù)雜環(huán)境中工作的，主要體現(xiàn)在天氣環(huán)境變化的影響。不同的天氣環(huán)境，甚至在一天中不同的時(shí)刻，攝像頭錄制的交通視頻的效果都有差異，不同的天氣環(huán)境對(duì)于視頻質(zhì)量造成的影響也不同。如果不能夠根據(jù)天氣情況自動(dòng)調(diào)整車輛識(shí)別算法的相關(guān)參數(shù)或者閾值，就會(huì)造成車輛識(shí)別結(jié)果誤差的增大，繼而影響智能交通系統(tǒng)中其他功能的實(shí)現(xiàn)，或者導(dǎo)致其他功能準(zhǔn)確率的降低。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明要解決的技術(shù)問(wèn)題是提供一種復(fù)雜環(huán)境下的車輛識(shí)別方法。
復(fù)雜環(huán)境下的車輛識(shí)別方法，包括以下步驟：
s1：利用基于熵權(quán)法的圖像質(zhì)量量化算法計(jì)算交通流視頻中背景圖像的質(zhì)量值；
s2：通過(guò)對(duì)樣本交通流設(shè)置的車輛檢測(cè)閾值和基于該閾值識(shí)別車輛的正確率進(jìn)行多項(xiàng)式擬合，獲得該樣本的車輛最佳檢測(cè)閾值；
s3：對(duì)樣本背景圖像的質(zhì)量值和樣本車輛的最佳檢測(cè)閾值進(jìn)行高斯擬合，得到自適應(yīng)閾值計(jì)算模型；
s4：依次按幀讀取視頻，每間隔一定時(shí)間就獲取視頻的當(dāng)前背景圖像；然后根據(jù)數(shù)學(xué)形態(tài)學(xué)原理和背景差分法獲得前景區(qū)域的各個(gè)聯(lián)通圖像塊的面積，將該面積與通過(guò)熵權(quán)法確定的面積閾值相比較，大于該閾值的被認(rèn)為是車輛。
進(jìn)一步的，基于熵權(quán)法的圖像質(zhì)量量化算法如下：
1）評(píng)價(jià)指標(biāo)的確定：
對(duì)比度：
峰值信噪比(psnr)：
信息熵：
與參考背景圖像的相似度：
逆差矩：
式中，d表示圖像的對(duì)比度；
2）計(jì)算出背景圖像對(duì)各個(gè)指標(biāo)得分；
3）利用熵權(quán)法確定各個(gè)指標(biāo)權(quán)重；
使用的熵權(quán)法公式為：
式中，
4）將圖像各項(xiàng)指標(biāo)權(quán)重和得分相乘并相加，得出圖像質(zhì)量量化值。
進(jìn)一步的，最佳檢測(cè)閾值的獲取方法：
1）設(shè)定并更新閾值；
2）計(jì)算該閾值下車輛識(shí)別的正確率；
3）對(duì)閾值和正確率進(jìn)行函數(shù)擬合；
4）求擬合函數(shù)的最值，得到最佳閾值。
進(jìn)一步的，自適應(yīng)閾值計(jì)算模型的獲取方法：
1）設(shè)定閾值并得出當(dāng)前閾值情況下方法的準(zhǔn)確率，進(jìn)行函數(shù)擬合求最佳閾值；
2）更換交通流視頻并對(duì)其執(zhí)行步驟1），得到一組交通流視頻所對(duì)應(yīng)的最佳閾值數(shù)據(jù)；
3）獲得交通流視頻的背景圖像，并用基于熵權(quán)法的圖像質(zhì)量量化方法獲得背景圖像的具體量化值；
4）依次對(duì)應(yīng)各段交通流視頻的背景圖像質(zhì)量值和最佳閾值，并通過(guò)高斯擬合得出圖像質(zhì)量值和最佳閾值之間的關(guān)系，即為圖像質(zhì)量量化值與基于背景差分法的面積閾值之間的轉(zhuǎn)化模型。
本發(fā)明的有益效果是：
該方法首先將視頻按幀讀取，然后獲取視頻的背景圖像并進(jìn)行圖像質(zhì)量量化。對(duì)于背景圖像的質(zhì)量量化問(wèn)題，提出了基于熵權(quán)法的圖像質(zhì)量量化算法，提高了圖像質(zhì)量量化的準(zhǔn)確度。得到圖像質(zhì)量的量化值后，通過(guò)圖像質(zhì)量量化值轉(zhuǎn)化車輛識(shí)別系統(tǒng)閾值的模型，得到車輛識(shí)別系統(tǒng)當(dāng)前的最佳閾值，提高了車輛識(shí)別準(zhǔn)確度。該方法能根據(jù)動(dòng)態(tài)變化的環(huán)境實(shí)時(shí)更新車輛檢測(cè)閾值，有效地提高了車輛識(shí)別的正確率。
具體實(shí)施方式
以下具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步闡述，但不作為對(duì)本發(fā)明的限定。
復(fù)雜環(huán)境下的車輛識(shí)別方法，包括以下步驟：
s1：利用基于熵權(quán)法的圖像質(zhì)量量化算法計(jì)算交通流視頻中背景圖像的質(zhì)量值；
s2：通過(guò)對(duì)樣本交通流設(shè)置的車輛檢測(cè)閾值和基于該閾值識(shí)別車輛的正確率進(jìn)行多項(xiàng)式擬合，獲得該樣本的車輛最佳檢測(cè)閾值；
s3：對(duì)樣本背景圖像的質(zhì)量值和樣本車輛的最佳檢測(cè)閾值進(jìn)行高斯擬合，得到自適應(yīng)閾值計(jì)算模型；
s4：依次按幀讀取視頻，每間隔一定時(shí)間就獲取視頻的當(dāng)前背景圖像；然后根據(jù)數(shù)學(xué)形態(tài)學(xué)原理和背景差分法獲得前景區(qū)域的各個(gè)聯(lián)通圖像塊的面積，將該面積與通過(guò)熵權(quán)法確定的面積閾值相比較，大于該閾值的被認(rèn)為是車輛。
基于熵權(quán)法的圖像質(zhì)量量化算法如下：
1）評(píng)價(jià)指標(biāo)的確定：
對(duì)比度：
峰值信噪比(psnr)：
信息熵：
與參考背景圖像的相似度：
逆差矩：
式中，d表示圖像的對(duì)比度；
2）計(jì)算出背景圖像對(duì)各個(gè)指標(biāo)得分；
3）利用熵權(quán)法確定各個(gè)指標(biāo)權(quán)重；
使用的熵權(quán)法公式為：
式中，
4）將圖像各項(xiàng)指標(biāo)權(quán)重和得分相乘并相加，得出圖像質(zhì)量量化值。
最佳檢測(cè)閾值的獲取方法：
1）設(shè)定并更新閾值；
2）計(jì)算該閾值下車輛識(shí)別的正確率；
3）對(duì)閾值和正確率進(jìn)行函數(shù)擬合；
4）求擬合函數(shù)的最值，得到最佳閾值。
自適應(yīng)閾值計(jì)算模型的獲取方法：
1）設(shè)定閾值并得出當(dāng)前閾值情況下方法的準(zhǔn)確率，進(jìn)行函數(shù)擬合求最佳閾值；
2）更換交通流視頻并對(duì)其執(zhí)行步驟1），得到一組交通流視頻所對(duì)應(yīng)的最佳閾值數(shù)據(jù)；
3）獲得交通流視頻的背景圖像，并用基于熵權(quán)法的圖像質(zhì)量量化方法獲得背景圖像的具體量化值；
4）依次對(duì)應(yīng)各段交通流視頻的背景圖像質(zhì)量值和最佳閾值，并通過(guò)高斯擬合得出圖像質(zhì)量值和最佳閾值之間的關(guān)系，即為圖像質(zhì)量量化值與基于背景差分法的面積閾值之間的轉(zhuǎn)化模型。