一种数字图像处理方法技术

本发明专利技术涉及一种数字图像处理方法，包括以下步骤：对摄像机采集到高速公路视频图像依次进行视频增强、视频分析以及视频理解。视频增强是将同一场景多幅具有不同曝光参数的低分辨率图像重建为具有高亮度动态范围和高分辨率的高质量图像，为视频分析层提供高质量的视频图像，从而提高视频处理结果的可靠性；视频分析是通过运动目标进行检测，运动估计和目标跟踪视频分析算法来提取视频底层和中层的时空对象特征，为高层视频处理中的事件识别提供推断依据；所述视频理解通过分析和理解视频分析层提供的时空对象底层特征来完成对监控视频事件的识别。本发明专利技术实现使得检测事件的类型更广，精度更高，事件的正确识别确保了高速公路的自动控制。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及，包括以下步骤：对摄像机采集到高速公路视频图像依次进行视频增强、视频分析以及视频理解。视频增强是将同一场景多幅具有不同曝光参数的低分辨率图像重建为具有高亮度动态范围和高分辨率的高质量图像，为视频分析层提供高质量的视频图像，从而提高视频处理结果的可靠性；视频分析是通过运动目标进行检测，运动估计和目标跟踪视频分析算法来提取视频底层和中层的时空对象特征，为高层视频处理中的事件识别提供推断依据；所述视频理解通过分析和理解视频分析层提供的时空对象底层特征来完成对监控视频事件的识别。本专利技术实现使得检测事件的类型更广，精度更高，事件的正确识别确保了高速公路的自动控制。【专利说明】
本专利技术涉及，尤其涉及一种高速公路视频基于样本预测的HDR和HR图像重建方法。
技术介绍
影响图像质量的因素有很多，如空间分辨率、亮度对比度、噪声等。高质量的图像在有效表现高对比度场景的同时，也应当具有较高的空间分辨率。针对图像的高动态范围图像显示和空间分辨率的重建问题，许多学者已进行了一些卓有成效的研究工作，但他们基本上都是分别独立进行的。现有的超分辨率复原技术通常假设多幅图像的曝光参数是不变的、摄像机响应函数的参数以及噪声参数是已知的。但是，在真实世界中所获取的图像通常对以上假设条件难以满足。因此，在统一技术框架中重建高动态范围和高分辨率图像，对图像融合的理论基础和实际应用都具有一定的价值。视频交通事件检测技术一般分为“间接检测方法”和“直接检测方法”两大类。前一种是根据交通流的变化来间接的判断交通事件的存在，这种方法由于数据误差及交通情况的复杂性，导致事件检测的时间较长，而且不适合在交通量较低的情况下使用。此外，目前摄像机采集的图像通常分辨率低和对比度差而导致采集到的图像无法满足“间接检测方法”要求的准确性。第二种方法则是直接通过采集到的视频图像，使用图像处理技术来发现车辆行驶异常的方法，在交通量较低的情况下也能有良好的检测结果。但是，该方法也受制于目前摄像机采集的图像通常分辨率低和对比度差的影响。
技术实现思路
本专利技术数字图像处理方法的目的之一在于:将同一场景多幅具有不同曝光参数的低分辨率图像重建为具有高亮度动态范围和高分辨率的高质量图像。本专利技术数字图像处理方法的目的之二在于:现有高速公路视频系统无法直接输出闻质量和准确的视频事件。—种数字图像处理方法，包括以下步骤:对摄像机采集到高速公路视频图像依次进行视频增强、视频分析以及视频理解，其中，所述视频增强是将同一场景多幅具有不同曝光参数的低分辨率图像重建为具有高亮度动态范围和高分辨率的高质量图像，为视频分析层提供高质量的视频图像，从而提高视频处理结果的可靠性；所述视频分析是通过运动目标进行检测，运动估计和目标跟踪视频分析算法来提取视频底层和中层的时空对象特征，为高层视频处理中的事件识别提供推断依据；所述视频理解通过分析和理解视频分析层提供的时空对象底层特征来完成对监控视频事件的识别。进一步，所述视频增强是基于样本预测的HDR和HR图像重建方法实现，该重建方法包括步骤1、离线训练部分和步骤2、在线重建部分。进一步，所述步骤1、离线训练部分由以下子步骤构成:步骤1.1、采集训练样本:训练图像为同一场景的多幅具有不同曝光参数的低分辨率图像和一幅对应的目标图像；在训练图像中提取对应的LDR-LR和HDR-HR图像信息块对作为训练样本；步骤1.2、组织训练样本:采用聚类方法对来自不同背景亮度区的样本集进行分类组织；步骤1.3、为每个聚类样本集训练一个预测器；获得对应亮区、暗区和适中区的三个分类预测器。进一步，步骤2、在线重建部分由以下子步骤构成:步骤2.1、对输入图像序列的场景亮度进行分割，形成曝光不同的三个区域；步骤2.2、对输入图像序列的基本层进行估计；步骤2.3、根据输入图像的亮度分类结果，通过训练好的分类预测器对每个位置图像块的细节信息进行预测，获得场景的细节层；步骤2.4、将基本层和细节层估计结果叠加融合；步骤2.5、对融合图像进行低分辨率图像观测模型约束，得到重建结果。进一步，步骤1.1、采集训练样本步骤包括:步骤1.1.1、根据场景亮度不同将样本分为亮区、暗区和适中区三个区域；步骤1.1.2、细节信息计算:采用双边滤波器提取每幅样本图像的细节信息作为样本数据；步骤1.1.3、样本采集:样本为输入LDR-LR与目标HDR-HR细节图像对应位置提取的成对的图像信息块；根据场景亮度分类结果，亮区样本在曝光时间短的LDR-LR与目标图像对应的细节图中提取；暗区样本在曝光时间长的LDR-LR与目标图像对应的细节图中提取；亮度适中区，则选择曝光时间适中的LDR-LR与目标图像对应的细节图中提取；对于三个亮度区，提取三个对应的训练样本集。进一步，所述视频理解中视频事件包括输出道路交通事件(包括停车、排队、超速和逆行)和交通参数(包括流量，车辆速度，车型分类)。一种基于样本预测的HDR和HR图像重建方法，该方法分为离线训练部分和在线重建两部分；离线部分包括学习样本采集、组织和分类预测器训练部分。在线重建部分对输入的多幅具有小同曝光参数的LDR-LR即低动态范围与低分辨率图像进行HDR-HR即高动态范围与高分辨率图像重建。首先，通过输入图像的平均图像进行场景的背景亮度分类；然后，根据亮度分类结果，利用离线部分训练好的分类预测器对输入图像进行高动态范围和高分辨率细节信息预测，最终重建HDR-HR图像。该数字图像处理方法具有以下有益效果: (I)本专利技术通过视频增强、视频分析和视频理解实现使得检测事件的类型更广，精度更高，事件的正确识别确保了高速公路的自动控制。⑵本专利技术通过对示例样本的学习，建立LDR-LR (Low Dynamic Range-LowResolution)与 HDR-HR(High Dynamic Range-High Resolution)之间的映射关系。通过合理组织样本，分类训练学习模型等策略在无需人为交互的情况下实现HDR-HR图像的联合重建。(3)本专利技术方法分为离线和在线两部分。离线部分主要完成示例样本的采集、组织以及分类预测器的训练；在线部分则通过离线部分训练得到的分类预测器完成图像的联合重建。提供了在基于样本预测学习的框架内进行图像高动态范围与超分辨率的联合重建，该方法能同时重建高动态范围与高分辨率的目标图像。【专利附图】【附图说明】图1:本专利技术数字图像处理方法的流程图； 图2:本专利技术离线训练部分流程图； 图3:本专利技术在线重建部分流程图； 图4:本专利技术样本提取方式(对应关系)；a)HDR-HR细节图像b) LDR-LR细节图像。【具体实施方式】下面结合图1至图4，对本专利技术做进一步说明: 如图1所示，，包括以下步骤:对摄像机采集到高速公路视频图像依次进行视频增强、视频分析以及视频理解，其中，所述视频增强是将同一场景多幅具有不同曝光参数的低分辨率图像重建为具有高亮度动态范围和高分辨率的高质量图像，为视频分析层提供高质量的视频图像，从而提高视频处理结果的可靠性；所述视频分析是通过运动目标进行检测，运动估计和目标跟踪视频分析算法来提取视频底层和中层的时空对象特征，为高层视频处理中的事件识别提供推断依据；所述视频理解通过分析和理解本文档来自技高网...

【技术保护点】

【技术特征摘要】
...

【专利技术属性】
技术研发人员：杨新锋，杨艳燕，刘文杰，
申请(专利权)人：杨新锋，杨艳燕，刘文杰，
类型：发明
国别省市：