本发明涉及计算机视觉识别技术，尤其涉及交通视频监控中的光照识别方法。
背景技术：
：随着我国城市化进程的快速发展，城市人口和车辆同步剧增，交通问题已成为城市发展面临的巨大难题。为破解交通困局，全国各地除了大规模发展轨道交通，都将目光投向了交通视频监控。交通视频监控技术是基于图像处理、模式识别的新型视频监控技术。用来发现图像中运动的物体，并对其进行跟踪、分析，及时发现“异常”行为，触发报警并采取其他措施进行干预。在当前的交通视频监控系统中，由于单一分析系统无法满足各种复杂光照情况下的场景需求，因此行业内都会采取两个或多个系统进行综合处理。根据不同的光照情况分别采用不同的分析系统能够极大的增强视频监控的效果。因而，对光照情况的判定就成了系统调度的核心研究问题。目前，天气识别的技术主要有两类：静态时间阈值方法和灰度直方图统计方法。其中，静态时间阈值方法考虑到白天的光照情况明显优于夜晚的光照情况，采用预设的时间阈值，在不同的时间段采用不同的监控系统。这种方法的主要缺点有两个：第一，自适应能力差，阈值完全依赖人工调整；第二，不能有效的检测到恶劣天气造成的能见度降低情况。灰度直方图统计方法通过统计监控图像的像素值，利用统计特征区分各类光照情况。该方法能够一定程度上检测恶劣天气，但是算法稳定性不强。对于复杂场景，如场景中存在大面积阴影、场景中噪声多、场景中物体繁多复杂的情况下，不能够保证良好的识别效果。并且该方法在实现过程中需要预先采集图像进行前期训练以确定阈值，实现方式比较复杂。因此，有必要研究一种自适应良好，稳定性强的光照识别方法，这有利于改善视频监控效果。从而减少交通部门处理复杂、错误交通信息的工作量，节省人力物力。同时对于视频监控中的交通事故检测及车辆违章检测等具有重要意义。技术实现要素：本发明所要解决的技术问题是提供一种用于交通路口视频监控系统中的光照识别方法，其识别精度高、稳定性强，且在复杂环境条件下能够自适应以保证识别准确性。本发明所采用的技术方案为：一种光照识别方法，包括以下步骤：①实时获取路口监控视频中当前待处理的第n帧路口图像IN，其中，n的初始值为0，0≤n≤N-1，N表示实时获取的路口监控视频中包含的路口图片的总帧数；②如果n≠0，则执行步骤④；如果n＝0，初始化PSNR(峰值信噪比)值的统计量S(PSNR值获取方式在步骤⑥中说明)；统计量S＝(s0，s1，...，sM-1)是一个M维数组，s0，s1，...，sM-1表示M个整数变量，M是PSNR值的最大值；初始化方式为：将s0，s1，...，sM-1都赋值为0；然后继续执行步骤③；③将分类阈值T赋值为经验值，然后继续执行步骤⑤；④当n％100＝0时，更新分类阈值T，否则不更新；然后执行步骤⑤；⑤对当前的第n帧图像IN进行滤波处理，得到滤波后图像ON；⑥根据没有滤波的图像IN和滤波的输出图像ON计算PSNR值，计算方式为其中MAX表示最大灰度值；|ω|表示图像中所有像素的数量；Ii和Oi分别表示的原图像IN和滤波输出图像ON在第i个像素处的像素值，i表示像素的序号，0≤i≤|ω|-1；⑦将步骤⑥中计算得到的PSNR值加入统计量S，具体方法为：如果PSNR≤1，则赋值s0＝s0+1；如果1＜PSNR≤2，则赋值s1＝s1+1；……如果M-1＜PSNR，则赋值sM-1＝sM-1+1；⑧比较步骤⑥中计算得到的PSNR值与当前阈值T；如果PSNR≥T，得到识别结果为“光照明亮”；如果PSNR＜T，得到识别结果为“光照阴暗”。所述的步骤④中更新分类阈值T的具体过程为：④-1、计算PSNR值的离散概率分布P＝(p0，p1，...，pM-1)，计算方式为其中si是统计量S＝(s0，s1，...，sM-1)中的整数值，0≤i≤M-1；④-2、计算分割指数Y＝(y0，y1，...，yM-1)，计算方式为其中pk是离散概率分布P＝(p0，p1，...，pM-1)中的概率值，0≤i≤M-1；④-3、选择分割指数Y＝(y0，y1，...，yM-1)中数值最大的元素yi，其对应的整数值i就 是新的分类阈值。所述的步骤⑤中滤波处理的具体过程为：⑤-1、用w和h分别表示待滤波图像IN的宽度和高度；首先，对于图像中每个像素的邻域计算相应的均值和平方差；对于第i个像素，其邻域像素集为ωi，ωi表示图像中所有与第i个像素的距离不超过r的像素集合，r是固定参数；ωi对应的均值为其中其中i，j表示像素的序号，dist(i，j)表示第i个像素和第j个像素的距离，Ij表示第j个像素的像素值，|ωi|表示集合ωi中所有像素的数量；ωi对应的平方差为σi2=1|ωi|Σdist(i,j)<r(Ij-μi)2;]]>⑤-2、计算滤波参数，对于第i个像素对应参数αi，计算方法为其中是⑤-1中计算得到的平方差，ε是固定参数；⑤-3、计算滤波参数，对于第i个像素对应参数βi，计算方法为其中μj是⑤-1中计算得到的均值，是⑤-1中计算得到的平方差，ε是固定参数；⑤-4、利用⑤-2和⑤-3中计算得到的滤波参数，计算滤波结果；对于第i个像素，其对应滤波输出为Oi＝αiIi+βi；其中Ii表示第j个像素的像素值。与现有技术相比，本发明的优点在于：1)本发明方法结合PSNR值的判定和实时修改的动态阈值，能够适应各种复杂环境。相比按照时间阈值判断，本方法能够自动适应白天长度的变化。相比灰度直方图统计方法，本方法能够在大面积阴影、场景复杂、噪声多的情况下保证更高的精确度。2)本发明方法的天气判定过程中步骤⑤采用滤波，在减少噪声的同时能够保留图像中物体的边缘信息，不损失图像信息。作用于天气识别时，能够有效的保留晴天物体边缘清晰的特征，并且最大限度的降低噪声对PSNR值计算的干扰。3)本发明方法使用动态阈值，每隔一定时间就根据实时的统计数据修改当前阈值。动态阈值能够防止在天气突变、季节变化的情况下的错误识别。附图说明图1为本发明方法的流程框图；具体实施方式以下结合附图实施例对本发明作进一步详细描述。本发明提出一种交通视频监控中的光照识别方法，总体流程框图如图1所示，具体包括以下步骤：本发明解决上述技术问题所采用的技术方案为：一种光照识别方法，包括以下步骤：①实时获取路口监控视频中当前待处理的第n帧路口图像IN，其中，n的初始值为0，0≤n≤N-1，N表示实时获取的路口监控视频中包含的路口图片的总帧数；在本实施例中N根据实际路口监控视频确定，一般情况下大于100就可以满足识别结果的准确性。②如果n≠0，则执行步骤④；如果n＝0，初始化PSNR(峰值信噪比)值的统计量S(PSNR值获取方式在步骤⑥中说明)；统计量S＝(s0，s1，...，sM-1)是一个M维数组，s0，s1，...，sM-1表示M个整数变量，M是PSNR值的最大值，在实例中M取值为100。初始化方式为：将s0，s1，...，sM-1都赋值为0；然后继续执行步骤③。③将分类阈值T赋值为经验值，在本实例中，T赋值为50。然后继续执行步骤⑤。④当n％100＝0时，意味着n是100的整数倍，更新分类阈值T，否则不更新；然后执行步骤⑤。在此实施实例中，步骤④的具体过程如下：④-1、计算PSNR值的离散概率分布P＝(p0，p1，...，pM-1)，计算方式为其中si是统计量S＝(s0，s1，...，sM-1)中的整数值，0≤i≤M-1；④-2、计算分割指数Y＝(y0，y1，...，yM-1)，计算方式为其中pk是离散概率分布P＝(p0，p1，...，pM-1)中的概率值，0≤i≤M-1；④-3、选择分割指数Y＝(y0，y1，...，yM-1)中数值最大的元素yi，其对应的整数值i就是新的分类阈值。⑤对当前的第n帧图像IN进行滤波处理，得到滤波后图像ON；在此实施实例中，步骤⑤的具体过程如下：⑤-1、用w和h分别表示待滤波图像IN的宽度和高度，在本实例中，w＝600，h＝500；首先，对于图像中每个像素的邻域计算相应的均值和平方差；对于第i个像素，其邻域像素集为ωi，ωi表示图像中所有与第i个像素的距离不超过r的像素集合，r是固定参数，在本实例中，r＝20.0；ωi对应的均值为其中i，j表示像素的序号，dist(i，j)表示第i个像素和第j个像素的距离，Ij表示第j个像素的像素值，|ωi|表示集合ωi中所有像素的数量，在本实例中|ωi|取值范围在[400，1600]之内；ωi对应的平方差为σi2=1|ωi|Σdist(i,j)<r(Ij-μi)2;]]>⑤-2、计算滤波参数，对于第i个像素对应参数αi，计算方法为其中是⑤-1中计算得到的平方差，ε是固定参数，在本实例中ε＝0.01；⑤-3、计算滤波参数，对于第i个像素对应参数βi，计算方法为其中μj是⑤-1中计算得到的均值，是⑤-1中计算得到的平方差，ε是固定参数，在本实例中ε＝0.01；⑤-4、利用⑤-2和⑤-3中计算得到的滤波参数，计算滤波结果；对于第i个像素，其对应滤波输出为Oi＝αiIi+βi；其中Ii表示第j个像素的像素值。⑥根据没有滤波的图像IN和滤波的输出图像ON计算PSNR值，计算方式为其中MAX表示最大灰度值；|ω|表示图像中所有像素的数量，本实例中|ω|＝600×500；Ii和Oi分别表示的原图像IN和滤波输出图像ON在第i个像素处的像素值，i表示像素的序号，0≤i≤|ω|-1；⑦将步骤⑥中计算得到的PSNR值加入统计量S，具体方法为：如果PSNR≤1，则赋值s0＝s0+1；如果1＜PSNR≤2，则赋值s1＝s1+1；……如果M-1＜PSNR，则赋值sM-1＝sM-1+1；⑧比较步骤⑥中计算得到的PSNR值与当前阈值T；如果PSNR≥T，得到识别结果为“光照明亮”；如果PSNR＜T，得到识别结果为“光照阴暗”。为更有力地说明本发明方法的可行性和有效性，我们对本发明方法的正确率性能进行测试。我们在不同季节、不同路口的监控视频中随机截取了10000帧图像，并对每一帧图像的天气状态进行人工标定。并测试静态时间阈值，灰度直方图统计和本发明方法。其中，白天晴天、白天雾天属于光照情况良好的情况，归为天色晴朗类别，其余情况都属于天色阴暗类别。统计结果如表1所列。表1天气判定正确率统计结果静态时间阈值灰度直方图统计本发明方法白天晴天86.4％91.1％99.7％白天雾天95.0％80.3％98.1％白天阴天13.4％74.2％89.4％白天雨天27.1％55.2％95.3％夜晚晴天75.8％93.6％99.1％夜晚雨天77.7％79.3％99.7％从表1中可以看出，对于各种情况，本发明方法都能够达到非常高的正确率。如表1所示，静态时间阈值方法对于白天阴天和白天雨天的判别正确率很低，而此类误判会影响后续的车辆识别跟踪效果。本发明方法中，使用了动态阈值计算方式，对阴雨天能够及时的调整阈值，保证判定正确率。此外，动态阈值也能够适应不同季节中白天时长不同的情况，因此在白天晴天、雾天和夜晚晴天、雨天的情况下，本方法的正确率也明显高于静态时间阈值方法。对比灰度直方图统计方法的结果，可以发现，该方法在白天雾天、白天雨天和夜晚雨天的情况下，判别正确率比较低。因为这几种情况下图像中的噪声多，会对直接的统计产生很大的干扰。而本方法中由于天气判定过程的步骤①采用了引导滤波，显著的降低信噪比，使得在这几种情况下判定正确率较高。对比表1中的各种情况，可以看出，本发明方法的算法稳定性明显优于另两种方法。当前第1页1 2 3