一種靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)方法及裝置制造方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)方法及裝置，包括以下步驟：圖像采集：獲取車(chē)輛圖片；圖像預(yù)處理：把車(chē)輛圖片大小進(jìn)行歸一化并轉(zhuǎn)化為灰度圖；提取熵信息：利用搜索框?qū)D片進(jìn)行像素級(jí)遍歷，并提取出每個(gè)搜索框中局部圖像的脈沖迭代平均熵信息；車(chē)輛目標(biāo)粗定位：取脈沖迭代平均熵值大于目標(biāo)閾值的圖片作為車(chē)輛目標(biāo)粗定位圖片；確定車(chē)輛目標(biāo)：保留同一圖片區(qū)域內(nèi)脈沖迭代平均熵值最大的車(chē)輛圖片作為目標(biāo)車(chē)輛搜索結(jié)果；在原始大圖像中框出車(chē)輛目標(biāo)，完成車(chē)輛目標(biāo)的定位。本發(fā)明利用了脈沖耦合神經(jīng)網(wǎng)絡(luò)特征提取方法的魯棒性、快速性以及可移植性，且選取脈沖迭代平均熵這一特征作為判定依據(jù)，大大提高了靜態(tài)車(chē)輛目標(biāo)檢測(cè)的速度。
【專(zhuān)利說(shuō)明】一種靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)方法及裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】，尤其涉及一種靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)方法。

【背景技術(shù)】
[0002] 隨著智能交通系統(tǒng)的飛速發(fā)展，車(chē)輛目標(biāo)檢測(cè)已經(jīng)成為現(xiàn)代智能交通系統(tǒng)中的重 要組成部分，車(chē)輛檢測(cè)的準(zhǔn)確與否直接影響到交通管理的水平，同時(shí)也是當(dāng)前智能交通研 宄的一個(gè)難點(diǎn)。目前對(duì)于車(chē)輛目標(biāo)的檢測(cè)主要采用基于運(yùn)動(dòng)信息的車(chē)輛檢測(cè)方法，但是這 種普遍性的方法并不能完全適用于當(dāng)前的需要。在車(chē)輛違章停車(chē)抓拍、道路卡口車(chē)輛抓拍 等應(yīng)用中，如何從靜態(tài)圖片中分析出車(chē)輛信息，越來(lái)越多的得到研宄者的重視。目前，靜態(tài) 圖像中的車(chē)輛檢測(cè)和計(jì)數(shù)方法歸為兩種：一種是基于建模和模板匹配的方法，一種是基于 統(tǒng)計(jì)學(xué)習(xí)的方法?；诮：湍０迤ヅ涞姆椒ɡ镁植刻卣髅枋鲕?chē)輛，對(duì)所建模型的要求 較高，抗噪聲能力較弱，算法的魯棒性不夠好。基于統(tǒng)計(jì)學(xué)習(xí)的方法通過(guò)對(duì)樣本進(jìn)行訓(xùn)練獲 得車(chē)輛和背景之間的差異，再利用合適的分類(lèi)器對(duì)車(chē)輛進(jìn)行識(shí)別。這種方法具有一定的自 適應(yīng)能力，但分類(lèi)器設(shè)計(jì)復(fù)雜，計(jì)算量較大。目前對(duì)于真實(shí)道路場(chǎng)景中車(chē)輛圖片的抓拍，如 何快速、有效的檢測(cè)到靜態(tài)車(chē)輛目標(biāo)，是一個(gè)制約智能交通發(fā)展的瓶頸問(wèn)題。
[0003] PCNN特征提取技術(shù)：
[0004] 人工神經(jīng)網(wǎng)絡(luò)是近幾十年新興的一門(mén)學(xué)科。它涉及到神經(jīng)生理學(xué)、電子學(xué)、計(jì)算機(jī) 科學(xué)、數(shù)學(xué)等多門(mén)學(xué)科，已經(jīng)被廣泛的應(yīng)用于人工智能、信息處理、模式識(shí)別、自動(dòng)控制等諸 多領(lǐng)域。脈沖親合神經(jīng)網(wǎng)絡(luò)（Pulse-Coupled Neural Network，簡(jiǎn)稱(chēng)PCNN)是基于對(duì)貓的 視覺(jué)皮層神經(jīng)元脈沖串同步振蕩現(xiàn)象的研宄發(fā)展而來(lái)的神經(jīng)網(wǎng)絡(luò)模型，被稱(chēng)為第三代人工 神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型相比較，因其具有動(dòng)態(tài)神經(jīng)元、時(shí)空總和特性、波的 自動(dòng)傳播、同步脈沖發(fā)放等特性而備受關(guān)注。在PCNN中，具有相似輸入的神經(jīng)元同時(shí)發(fā)放 脈沖，能夠彌補(bǔ)輸入數(shù)據(jù)的空間不連貫和幅度上的微小變化，從而較完整的保留圖像的區(qū) 域信息，目前它已被成功的用于圖像平滑、圖像分割、目標(biāo)識(shí)別、特征提取等方面。這就使得 PCNN具有較高的研宄價(jià)值和更為廣闊的應(yīng)用前景。近年來(lái)，PCNN的工作原理和其在圖像處 理、雷達(dá)聲納、電子行業(yè)、醫(yī)藥衛(wèi)生、語(yǔ)音信號(hào)處理等領(lǐng)域的應(yīng)用在國(guó)內(nèi)外受到廣泛重視。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的技術(shù)問(wèn)題在于針對(duì)現(xiàn)有技術(shù)中的缺陷，提供一種靜態(tài)車(chē)輛目標(biāo)快 速檢測(cè)方法，該方法基于脈沖耦合神經(jīng)網(wǎng)絡(luò)迭代平均熵特征，利用了脈沖耦合神經(jīng)網(wǎng)絡(luò)特 征提取方法的魯棒性、快速性以及可移植性，大大的提高了靜態(tài)車(chē)輛目標(biāo)檢測(cè)的速度。
[0006] 本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：一種靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)方法， 包括以下步驟：
[0007] 1)圖像采集：獲取交通道路上拍攝的高清車(chē)輛圖片；
[0008] 2)圖像預(yù)處理：把車(chē)輛圖片大小進(jìn)行歸一化并轉(zhuǎn)化為灰度圖；
[0009] 3)提取熵信息：利用搜索框?qū)D片進(jìn)行像素級(jí)遍歷，并提取出每個(gè)遍歷搜索框中 局部圖像的脈沖迭代平均熵信息；
[0010] 4)車(chē)輛目標(biāo)粗定位：把局部圖片的脈沖迭代平均熵與設(shè)定的車(chē)輛目標(biāo)閾值熵進(jìn) 行比較，取脈沖迭代平均熵值大于判定閾值的局部區(qū)域圖片作為車(chē)輛目標(biāo)粗定位圖片，并 相應(yīng)確定車(chē)輛目標(biāo)粗定位區(qū)域；
[0011] 5)確定車(chē)輛目標(biāo)：對(duì)車(chē)輛目標(biāo)粗定位圖片進(jìn)行位置關(guān)系比較，排除掉重復(fù)的圖 片，保留同一區(qū)域內(nèi)脈沖迭代平均熵值最大的車(chē)輛圖片作為目標(biāo)車(chē)輛搜索結(jié)果；
[0012] 6)在原始大圖像中框出車(chē)輛目標(biāo)，完成車(chē)輛目標(biāo)的定位。
[0013] 按上述方案，迭代平均熵計(jì)算使用脈沖耦合神經(jīng)網(wǎng)絡(luò)模型。
[0014] 按上述方案，所述脈沖耦合神經(jīng)網(wǎng)絡(luò)模型是由若干個(gè)脈沖耦合神經(jīng)網(wǎng)絡(luò)神經(jīng)元相 互連接所構(gòu)成的反饋型網(wǎng)絡(luò)，每一個(gè)神經(jīng)元由輸入部分、內(nèi)部調(diào)制器和脈沖產(chǎn)生器組成。
[0015] 按上述方案，所述步驟3)中基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的迭代平均熵計(jì)算方法為脈 沖耦合神經(jīng)網(wǎng)絡(luò)模型對(duì)輸入的圖片進(jìn)行迭代激發(fā)，每個(gè)迭代周期都能輸出一幅二值圖像， 提取全部二值圖像的熵值，形成了圖像的PCNN脈沖迭代熵序列特征，把這個(gè)特征序列進(jìn)行 加和平均，得到用于車(chē)輛判斷的脈沖迭代平均熵特征。
[0016] 按上述方案，所述步驟3)中基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的迭代平均熵計(jì)算方法的具 體步驟如下：
[0017] FijLn] = exp(-a F)Fij[n-1]+VfXMijklY kl[n-1]+Iij (I)
[0018] Lijtn] = exp (-a JFij [n-1]+Vl XffijklYkl [n-1] (2)
[0019] UijQi] = FijQi] (l+β LijQi]) (3)
[0020]

【權(quán)利要求】
1. 一種靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)方法，包括以下步驟： 1) 圖像采集：獲取交通道路上拍攝的高清車(chē)輛圖片； 2) 圖像預(yù)處理：把車(chē)輛圖片大小進(jìn)行歸一化并轉(zhuǎn)化為灰度圖； 3) 提取熵信息：利用搜索框?qū)D片進(jìn)行像素級(jí)遍歷，并提取出每個(gè)遍歷搜索框中局部 圖像的脈沖迭代平均熵信息； 4) 車(chē)輛目標(biāo)粗定位：把局部圖片的脈沖迭代平均熵與設(shè)定的車(chē)輛目標(biāo)閾值熵進(jìn)行比 較，取脈沖迭代平均熵值大于目標(biāo)閾值的局部圖片作為車(chē)輛目標(biāo)粗定位圖片，并相應(yīng)確定 車(chē)輛目標(biāo)粗定位區(qū)域； 5) 確定車(chē)輛目標(biāo)：通過(guò)對(duì)車(chē)輛目標(biāo)粗定位圖片進(jìn)行位置關(guān)系比較，排除掉重復(fù)的圖 片，并保留同一圖片區(qū)域內(nèi)脈沖迭代平均熵值最大的車(chē)輛圖片作為目標(biāo)車(chē)輛搜索結(jié)果； 6) 在原始大圖像中框出車(chē)輛目標(biāo)，完成車(chē)輛目標(biāo)的定位。
2. 根據(jù)權(quán)利要求1所述的靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)方法，其特征在于，迭代平均熵計(jì)算 使用脈沖耦合神經(jīng)網(wǎng)絡(luò)模型。
3. 根據(jù)權(quán)利要求2所述的靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)方法，其特征在于，所述脈沖耦合神 經(jīng)網(wǎng)絡(luò)模型是由若干個(gè)脈沖耦合神經(jīng)網(wǎng)絡(luò)神經(jīng)元相互連接所構(gòu)成的反饋型網(wǎng)絡(luò)，每一個(gè)神 經(jīng)元由輸入部分、內(nèi)部調(diào)制器和脈沖產(chǎn)生器組成。
4. 根據(jù)權(quán)利要求2所述的靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)方法，其特征在于，所述步驟3)中基 于脈沖耦合神經(jīng)網(wǎng)絡(luò)的迭代平均熵計(jì)算方法為脈沖耦合神經(jīng)網(wǎng)絡(luò)模型對(duì)輸入的圖片進(jìn)行 迭代激發(fā)，每個(gè)迭代周期都能輸出一幅二值圖像，提取全部二值圖像的熵值，形成了圖像的 PCNN脈沖迭代熵序列特征，把這個(gè)特征序列進(jìn)行加和平均，得到用于車(chē)輛判斷的脈沖迭代 平均摘特征。
5. 根據(jù)權(quán)利要求4所述的靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)方法，其特征在于，所述步驟3)中基 于脈沖耦合神經(jīng)網(wǎng)絡(luò)的迭代平均熵計(jì)算方法的具體步驟如下：
式⑴中，F(xiàn)ijW為神經(jīng)元（i，j)的第η次迭代過(guò)程中的反饋輸入，Iij是外部刺激信 號(hào)，aF為衰減系數(shù)，VJn]的固定電勢(shì)，內(nèi)部連接矩陣M中的MijklSYkl [η]的加權(quán)系 數(shù)；式⑵中，LijW線性鏈接輸入是LijW的固定電勢(shì)，4為衰減系數(shù)，WmgLyn] 中Ykl[η]的加權(quán)系數(shù)；式⑶中，Uu[n]為神經(jīng)元內(nèi)部活動(dòng)項(xiàng)；式⑷與式（5)中，Yu[n]為 脈沖迭代過(guò)程中的像素點(diǎn)輸出值，Hn]為動(dòng)態(tài)的門(mén)限函數(shù)，當(dāng)υυ[η]>?^[η]時(shí)，Yu[n]取 1，稱(chēng)神經(jīng)元點(diǎn)火；當(dāng)1^[η]〈?^[η]時(shí)，YijQi]取0,稱(chēng)神經(jīng)元不點(diǎn)火；在每個(gè)迭代周期中都會(huì) 輸出一幅二值圖像Υ，然后對(duì)圖像求熵值； 圖像摘H的定義如公式（6)所示，其中X(i,j)代表圖像Y的像元，ρ(i,j)表示某一灰 度級(jí)別像元出現(xiàn)的概率。 H(p) = -Σi,jp(i,j)Inp(i,j) (6) p(i,j) =x(i,j)Σi,jx(i,j) (7) 在PCNN脈沖迭代熵特征提取過(guò)程中，迭代周期為N，每一個(gè)迭代周期內(nèi)輸出的 二值圖像熵值分別為S1,S2……Sn，則基于PCNN模型的脈沖迭代平均熵S可表示為：
6. 根據(jù)權(quán)利要求1所述的靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)方法，其特征在于，所述步驟3)中搜 索框采用多尺寸的搜索框。
7. -種靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)裝置，包括： 1) 圖像采集單元，用于獲取交通道路上拍攝的高清車(chē)輛圖片； 2) 圖像預(yù)處理單元，用于把車(chē)輛圖片大小進(jìn)行歸一化并轉(zhuǎn)化為灰度圖； 3) 提取熵信息單元，用于利用搜索框?qū)D片進(jìn)行像素級(jí)遍歷，并提取出每個(gè)遍歷搜索 框中局部圖像的脈沖迭代平均熵信息； 4) 車(chē)輛目標(biāo)粗定位單元，用于把局部圖片的脈沖迭代平均熵與設(shè)定好的車(chē)輛目標(biāo)閾 值熵進(jìn)行比較，取脈沖迭代平均熵值大于判定閾值的局部區(qū)域圖片作為車(chē)輛目標(biāo)粗定位圖 片，并相應(yīng)確定車(chē)輛目標(biāo)粗定位區(qū)域； 5) 確定車(chē)輛目標(biāo)單元，用于對(duì)車(chē)輛目標(biāo)粗定位圖片進(jìn)行位置關(guān)系比較，排除掉重復(fù)的 圖片，保留同一區(qū)域內(nèi)脈沖迭代平均熵值最大的車(chē)輛圖片作為目標(biāo)車(chē)輛搜索結(jié)果； 6) 定位單元，用于在原始大圖像中框出車(chē)輛目標(biāo)，完成車(chē)輛目標(biāo)的定位。
8. 根據(jù)權(quán)利要求7所述的靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)裝置，其特征在于，所述提取熵信息 單元中提取出每個(gè)遍歷搜索框中局部圖像的脈沖迭代平均熵信息采用以下方法：使用脈沖 耦合神經(jīng)網(wǎng)絡(luò)模型對(duì)輸入的圖片進(jìn)行迭代激發(fā)，每個(gè)迭代周期都能輸出一幅二值圖像，提 取全部二值圖像的熵值，形成了圖像的PCNN脈沖迭代熵序列特征，把這個(gè)特征序列進(jìn)行加 和平均，得到用于車(chē)輛判斷的脈沖迭代平均熵特征；所述脈沖耦合神經(jīng)網(wǎng)絡(luò)模型是由若干 個(gè)脈沖耦合神經(jīng)網(wǎng)絡(luò)神經(jīng)元相互連接所構(gòu)成的反饋型網(wǎng)絡(luò)，每一個(gè)神經(jīng)元由輸入部分、內(nèi) 部調(diào)制器和脈沖產(chǎn)生器組成。
9. 根據(jù)權(quán)利要求7所述的靜態(tài)車(chē)輛目標(biāo)快速檢測(cè)裝置，其特征在于，所述提取熵信息 單元中搜索框?yàn)槎喑叽绲乃阉骺颉?br> 【文檔編號(hào)】G06N3/02GK104463104SQ201410647240
【公開(kāi)日】2015年3月25日 申請(qǐng)日期:2014年11月14日 優(yōu)先權(quán)日:2014年11月14日
【發(fā)明者】黎曦, 許楠, 程莉 申請(qǐng)人:武漢工程大學(xué)