一种静态车辆目标快速检测方法及装置制造方法及图纸

本发明专利技术公开了一种静态车辆目标快速检测方法及装置，包括以下步骤：图像采集：获取车辆图片；图像预处理：把车辆图片大小进行归一化并转化为灰度图；提取熵信息：利用搜索框对图片进行像素级遍历，并提取出每个搜索框中局部图像的脉冲迭代平均熵信息；车辆目标粗定位：取脉冲迭代平均熵值大于目标阈值的图片作为车辆目标粗定位图片；确定车辆目标：保留同一图片区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；在原始大图像中框出车辆目标，完成车辆目标的定位。本发明专利技术利用了脉冲耦合神经网络特征提取方法的鲁棒性、快速性以及可移植性，且选取脉冲迭代平均熵这一特征作为判定依据，大大提高了静态车辆目标检测的速度。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种静态车辆目标快速检测方法。
技术介绍
随着智能交通系统的飞速发展，车辆目标检测已经成为现代智能交通系统中的重要组成部分，车辆检测的准确与否直接影响到交通管理的水平，同时也是当前智能交通研究的一个难点。目前对于车辆目标的检测主要采用基于运动信息的车辆检测方法，但是这种普遍性的方法并不能完全适用于当前的需要。在车辆违章停车抓拍、道路卡口车辆抓拍等应用中，如何从静态图片中分析出车辆信息，越来越多的得到研究者的重视。目前，静态图像中的车辆检测和计数方法归为两种：一种是基于建模和模板匹配的方法，一种是基于统计学习的方法。基于建模和模板匹配的方法利用局部特征描述车辆，对所建模型的要求较高，抗噪声能力较弱，算法的鲁棒性不够好。基于统计学习的方法通过对样本进行训练获得车辆和背景之间的差异，再利用合适的分类器对车辆进行识别。这种方法具有一定的自适应能力，但分类器设计复杂，计算量较大。目前对于真实道路场景中车辆图片的抓拍，如何快速、有效的检测到静态车辆目标，是一个制约智能交通发展的瓶颈问题。PCNN特征提取技术：人工神经网络是近几十年新兴的一门学科。它涉及到神经生理学、电子学、计算机科学、数学等多门学科，已经被广泛的应用于人工智能、信息处理、模式识别、自动控制等诸多领域。脉冲耦合神经网络(Pulse-Coupled Neural Network，简称PCNN)是基于对猫的视觉皮层神经元脉冲串同步振荡现象的研究发展而来的神经网络模型，被称为第三代人工神经网络，与传统的人工神经网络模型相比较，因其具有动态神经元、时空总和特性、波的自动传播、同步脉冲发放等特性而备受关注。在PCNN中，具有相似输入的神经元同时发放脉冲，能够弥补输入数据的空间不连贯和幅度上的微小变化，从而较完整的保留图像的区域信息，目前它已被成功的用于图像平滑、图像分割、目标识别、特征提取等方面。这就使得PCNN具有较高的研究价值和更为广阔的应用前景。近年来，PCNN的工作原理和其在图像处理、雷达声纳、电子行业、医药卫生、语音信号处理等领域的应用在国内外受到广泛重视。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种静态车辆目标快速检测方法,该方法基于脉冲耦合神经网络迭代平均熵特征，利用了脉冲耦合神经网络特征提取方法的鲁棒性、快速性以及可移植性，大大的提高了静态车辆目标检测的速度。本专利技术解决其技术问题所采用的技术方案是：一种静态车辆目标快速检测方法，包括以下步骤：1)图像采集：获取交通道路上拍摄的高清车辆图片；2)图像预处理：把车辆图片大小进行归一化并转化为灰度图；3)提取熵信息：利用搜索框对图片进行像素级遍历，并提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息；4)车辆目标粗定位：把局部图片的脉冲迭代平均熵与设定的车辆目标阈值熵进行比较，取脉冲迭代平均熵值大于判定阈值的局部区域图片作为车辆目标粗定位图片，并相应确定车辆目标粗定位区域；5)确定车辆目标：对车辆目标粗定位图片进行位置关系比较，排除掉重复的图片，保留同一区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；6)在原始大图像中框出车辆目标，完成车辆目标的定位。按上述方案，迭代平均熵计算使用脉冲耦合神经网络模型。按上述方案，所述脉冲耦合神经网络模型是由若干个脉冲耦合神经网络神经元相互连接所构成的反馈型网络，每一个神经元由输入部分、内部调制器和脉冲产生器组成。按上述方案，所述步骤3)中基于脉冲耦合神经网络的迭代平均熵计算方法为脉冲耦合神经网络模型对输入的图片进行迭代激发，每个迭代周期都能输出一幅二值图像，提取全部二值图像的熵值，形成了图像的PCNN脉冲迭代熵序列特征，把这个特征序列进行加和平均，得到用于车辆判断的脉冲迭代平均熵特征。按上述方案，所述步骤3)中基于脉冲耦合神经网络的迭代平均熵计算方法的具体步骤如下：Fij[n]＝exp(-αF)Fij[n-1]+VFΣMijklYkl[n-1]+Iij    (1)Lij[n]＝exp(-αL)Fij[n-1]+VLΣWijklYkl[n-1]      (2)Uij[n]＝Fij[n](1+βLij[n])        (3)Tij[n]＝exp(-αT)Fij[n-1]+VTΣYklYkl[n-1]    (5)式(1)中，Fij[n]为神经元(i,j)的第n次迭代过程中的反馈输入，Iij是外部刺激信号，αF为衰减系数，VF是Fij[n]的固定电势，内部连接矩阵M中的Mijkl为Ykl[n]的加权系数；式(2)中，Lij[n]线性链接输入，VL是Lij[n]的固定电势，αL为衰减系数，Wijkl是Lij[n]中Ykl[n]的加权系数；式(3)中，Uij[n]为神经元内部活动项；式(4)与式(5)中，Yij[n]为脉冲迭代过程中的像素点输出值，Tij[n]为动态的门限函数，当Uij[n]>Tij[n]时，Yij[n]取1，称神经元点火；当Uij[n]<Tij[n]时，Yij[n]取0，称神经元不点火。在每个迭代周期中都会输出一幅二值图像Y，然后对图像求熵值。按上述方案，所述步骤3)中搜索框采用多尺寸的搜索框。本专利技术还提供一种静态车辆目标快速检测装置，包括：1)图像采集单元，用于获取交通道路上拍摄的高清车辆图片；2)图像预处理单元，用于把车辆图片大小进行归一化并转化为灰度图；3)提取熵信息单元，用于利用搜索框对图片进行像素级遍历，并提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息；4)车辆目标粗定位单元，用于把局部图片的脉冲迭代平均熵与设定好的车辆目标阈值熵进行比较，取脉冲迭代平均熵值大于判定阈值的局部区域图片作为车辆目标粗定位图片，并相应确定车辆目标粗定位区域；5)确定车辆目标单元，用于对车辆目标粗定位图片进行位置关系比较，排除掉重复的图片，保留同一区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；6)定位单元，用于在原始大图像中框出车辆目标，完成车辆目标的定位。上述方案，所述提取熵信息单元中提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息采用以下方法：脉冲耦合神经网络模型对输入的图片进行迭代激发，每个迭代周期都能输出一幅二值图像，提取全部二值图像的熵值，形成了图像的PCNN脉冲迭代熵序列特征，把这个特征序列进行加和平均，得到用于车辆判断本文档来自技高网...

【技术保护点】
一种静态车辆目标快速检测方法，包括以下步骤：1)图像采集：获取交通道路上拍摄的高清车辆图片；2)图像预处理：把车辆图片大小进行归一化并转化为灰度图；3)提取熵信息：利用搜索框对图片进行像素级遍历，并提取出每个遍历搜索框中局部图像的脉冲迭代平均熵信息；4)车辆目标粗定位：把局部图片的脉冲迭代平均熵与设定的车辆目标阈值熵进行比较，取脉冲迭代平均熵值大于目标阈值的局部图片作为车辆目标粗定位图片，并相应确定车辆目标粗定位区域；5)确定车辆目标：通过对车辆目标粗定位图片进行位置关系比较，排除掉重复的图片，并保留同一图片区域内脉冲迭代平均熵值最大的车辆图片作为目标车辆搜索结果；6)在原始大图像中框出车辆目标，完成车辆目标的定位。

【技术特征摘要】
1.一种静态车辆目标快速检测方法，包括以下步骤：
1)图像采集：获取交通道路上拍摄的高清车辆图片；
2)图像预处理：把车辆图片大小进行归一化并转化为灰度图；
3)提取熵信息：利用搜索框对图片进行像素级遍历，并提取出每个遍历搜
索框中局部图像的脉冲迭代平均熵信息；
4)车辆目标粗定位：把局部图片的脉冲迭代平均熵与设定的车辆目标阈值
熵进行比较，取脉冲迭代平均熵值大于目标阈值的局部图片作为车辆目标粗定
位图片，并相应确定车辆目标粗定位区域；
5)确定车辆目标：通过对车辆目标粗定位图片进行位置关系比较，排除掉
重复的图片，并保留同一图片区域内脉冲迭代平均熵值最大的车辆图片作为目
标车辆搜索结果；
6)在原始大图像中框出车辆目标，完成车辆目标的定位。
2.根据权利要求1所述的静态车辆目标快速检测方法，其特征在于，迭代平均
熵计算使用脉冲耦合神经网络模型。
3.根据权利要求2所述的静态车辆目标快速检测方法，其特征在于，所述脉冲
耦合神经网络模型是由若干个脉冲耦合神经网络神经元相互连接所构成的反馈
型网络，每一个神经元由输入部分、内部调制器和脉冲产生器组成。
4.根据权利要求2所述的静态车辆目标快速检测方法，其特征在于，所述步骤
3)中基于脉冲耦合神经网络的迭代平均熵计算方法为脉冲耦合神经网络模型对
输入的图片进行迭代激发，每个迭代周期都能输出一幅二值图像，提取全部二
值图像的熵值，形成了图像的PCNN脉冲迭代熵序列特征，把这个特征序列进
行加和平均，得到用于车辆判断的脉冲迭代平均熵特征。
5.根据权利要求4所述的静态车辆目标快速检测方法，其特征在于，所述步骤
3)中基于脉冲耦合神经网络的迭代平均熵计算方法的具体步骤如下：
Fij[n]＝exp(-αF)Fij[n-1]+VFΣMijklYkl[n-1]+Iij           (1)
Lij[n]＝exp(-αL)Fij[n-1]+VLΣWijklYkl[n-1]              (2)
Uij[n]＝Fij[n](1+βLij[n])                     (3)
Tij[n]＝exp(-αT)Fij[n-1]+VTΣYklYkl[n-1]                   (5)
式(1)中，Fij[n]为神经元(i,j)的第n次迭代过程中的反馈输入，Iij是外部刺
激信号，αF为衰减系数，VF是Fij[n]的固定电势，内部连接矩阵M中的Mijkl为
Ykl[n]的加权系数；式(2)中，Lij[n]线性链接输入，VL是Lij[n]的固定电势，αL为
衰减系数，Wijkl是Lij[n]中Ykl[n]的加权系数；式(3)中，Uij[n]为神经元内部活动项；
式...

【专利技术属性】
技术研发人员：黎曦，许楠，程莉，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：湖北;42