基于视觉单元结构的电子路牌及其路况目标自识别方法与流程

本申请涉及图像识别，具体涉及基于视觉单元结构的电子路牌及其路况目标自识别方法。

背景技术：

1、电子路牌是一种利用电子显示技术实现路牌信息动态显示和更新的技术。它将传统的静态路牌转化为可以实时更新内容的数字化设备，通常采用led、lcd或电子墨水屏等显示技术。电子路牌具有可以实时更新和远程管理的特点，以及其灵活性和环保型受到大众的青睐。电子路牌在城市交通管理、道路导航、旅游指引等领域具有广泛的应用场景，能够为人们提供更便捷、安全、智能的出行体验。

2、带有视觉单元结构的电子路牌具有可以识别车辆，显示车辆的缴费情况，对车辆进行车位的指引等功能；还能做到对道路的实时监控以及车辆有没有违规停车和超速行驶等功能。电子路牌的应用可以实现智能化车辆导航、交通管理和驾驶辅助功能，提高驾驶安全性和行车便利性，降低驾驶员的注意力负担和驾驶风险。传统的车辆识别方法具有对光照和场景变化敏感的缺陷，不利于后续对行车环境以及路况的识别与判断。k-means算法通过聚类可以对图片中的车辆进行分割，但是它具有需要预先制定簇的数量k，否则可能导致聚类效果不佳。还对初始聚类中心较为敏感，选择不同的聚类中心可能导致不同的聚类结果。

技术实现思路

1、为了解决上述技术问题，本申请提供基于视觉单元结构的电子路牌及其路况目标自识别方法，以解决现有的问题。

2、本申请的基于视觉单元结构的电子路牌及其路况目标自识别方法采用如下技术方案：

3、本申请一个实施例提供了基于视觉单元结构的电子路牌及其路况目标自识别方法，该方法包括以下步骤：

4、采集电子路牌获取的路况图像；

5、将路况图像进行分割得到各超像素块；获取各超像素块的车辆识别区域；获取车辆识别区域的特征值序列以及车辆关键特征直方图；

6、基于车辆识别区域之间的特征值序列以及车辆关键特征直方图的差异，确定每个车辆识别区域的特征影响指数；基于特征影响指数以及像素点距离确定路况图像中每个像素点的特征关键影响指数；

7、基于路况图像中每个像素点窗口内的纹理特征确定每个像素点的纹理关键影响指数；基于像素点邻域内的特征关键影响指数以及纹理关键影响指数距离确定每个像素点的聚类中心关键指数；

8、将聚类中心关键指数最小的像素点作为初始聚类中心优化聚类算法，完成路况图像的分割，实现路况目标的自识别。

9、优选的，所述车辆识别区域的获取方法具体为：将超像素块中的最大内接矩形区域作为对应超像素块的车辆识别区域。

10、优选的，所述特征值序列以及车辆关键特征直方图的获取方法包括：

11、获取车辆识别区域的灰度矩阵；采用矩阵分解算法获取灰度矩阵的特征值序列；

12、将特征值序列中不同的特征值作为横轴、将对应特征值序列中特征值的个数作为纵轴，构建车辆关键特征直方图。

13、优选的，所述特征影响指数的确定方法包括：

14、基于特征值序列以及车辆关键特征直方图的差异确定任意两个车辆识别区域的车辆关键特征直方图之间的相似程度指数；计算任意两个车辆识别区域的特征值序列之间的相关系数；

15、将任意两个车辆识别区域的相似程度指数与相关系数的乘积，作为任意两个车辆识别区域的区域相似系数；

16、将每个车辆识别区域与剩余所车辆识别区域之间的区域相似系数的和值，作为每个车辆识别区域的特征影响指数。

17、优选的，所述相似程度指数的确定方法包括：

18、对于任意两个车辆识别区域，计算任意两个车辆识别区域的特征值序列中所有对应元素之间的差值绝对值的和值；计算任意两个车辆识别区域的特征值序列的熵的差值绝对值；计算所述熵的差值绝对值与所述和值的乘积的归一化值；

19、计算任意两个车辆识别区域的关键特征直方图之间的巴氏距离；

20、将所述归一化值与所述巴氏距离的乘积作为任意两个车辆识别区域之间的相似程度指数。

21、优选的，所述特征关键影响指数的确定方法包括：

22、对于任一车辆识别区域，基于区域相似系数大小获取任一车辆识别区域的相似区域；

23、对于路况图像中的任一像素点，计算任一像素点所在车辆识别区域及其相似区域中所有对应像素点之间的欧氏距离的和值；

24、将任一像素点所在车辆识别区域的特征影响指数与所述和值的比值，作为任一像素点的特征关键影响指数。

25、优选的，所述相似区域的获取方法具体为：将与所述任一车辆识别区域之间的区域相似系数最小的车辆识别区域，作为任一车辆识别区域的相似区域。

26、优选的，所述纹理关键影响指数的确定方法包括：

27、对于路况图像中的每个像素点为中心设置一个预设尺寸大小的窗口；获取每个像素点窗口的灰度共生矩阵；

28、获取所述灰度共生矩阵的参数对比度、熵和相关性；

29、所述参数对比度、熵和相关性与每个像素点的纹理关键影响指数均呈正相关关系。

30、优选的，所述聚类中心关键指数的确定方法包括：

31、对于路况图像中每个像素点的邻域内各像素点，计算每个像素点与邻域内各像素点的特征关键影响指数的欧氏距离、纹理关键影响指数的欧氏距离；

32、将每个像素点与邻域内所有像素点的两个欧氏距离的和值的累加和，作为每个像素点的聚类中心关键指数。

33、优选的，所述将聚类中心关键指数最小的像素点作为初始聚类中心优化聚类算法，完成路况图像的分割，包括：

34、将聚类中心关键指数最小的像素点作为初始聚类中心，采用聚类算法获取路况图像中的聚类簇；

35、将灰度值均值最大的聚类簇内的像素点组成车辆分割图。

36、本申请至少具有如下有益效果：

37、本申请提出一种基于视觉单元结构的电子路牌及其路况目标自识别方法，针对路况图像中车辆与道路路面明显的差异，通过车辆的像素灰度特征构建车辆特征相似指数，有利于准确区分车辆识别区域；基于区域相似系数寻找每个车辆识别区域的相似区域，从相似区域出发计算路况图像中每个像素点的特征关键影响指数，寻找它所在区域相似的另一个区域中找到一个与它相似的像素点，说明它与其他区域的特征联系越大，从而使得聚类中心的寻找结果更加准确；通过构建路况图像中每个像素点窗口内的相关性、熵以及参数对比度，从而将纹理复杂、边界清晰且规律的像素点筛选为聚类中心；结合邻域像素点的特征关键影响指数和纹理关键影响指数距离差异，构建每个像素点的聚类中心关键指数，从而将聚类中心关键指数最小的像素点作为聚类算法的初始聚类中心，通过考虑像素点之间的空间关系，能够更好地保持区域边界的平滑性，在k-means聚类之前提供更加准确的区域划分，同时有助于减少路况图像中的噪声对分割结果的影响，使得聚类结果更加准确，从而基于聚类结果帮助识别路况信息。

技术特征：

1.基于视觉单元结构的电子路牌及其路况目标自识别方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的基于视觉单元结构的电子路牌及其路况目标自识别方法，其特征在于，所述车辆识别区域的获取方法具体为：将超像素块中的最大内接矩形区域作为对应超像素块的车辆识别区域。

3.如权利要求1所述的基于视觉单元结构的电子路牌及其路况目标自识别方法，其特征在于，所述特征值序列以及车辆关键特征直方图的获取方法包括：

4.如权利要求1所述的基于视觉单元结构的电子路牌及其路况目标自识别方法，其特征在于，所述特征影响指数的确定方法包括：

5.如权利要求4所述的基于视觉单元结构的电子路牌及其路况目标自识别方法，其特征在于，所述相似程度指数的确定方法包括：

6.如权利要求4所述的基于视觉单元结构的电子路牌及其路况目标自识别方法，其特征在于，所述特征关键影响指数的确定方法包括：

7.如权利要求6所述的基于视觉单元结构的电子路牌及其路况目标自识别方法，其特征在于，所述相似区域的获取方法具体为：将与所述任一车辆识别区域之间的区域相似系数最小的车辆识别区域，作为任一车辆识别区域的相似区域。

8.如权利要求1所述的基于视觉单元结构的电子路牌及其路况目标自识别方法，其特征在于，所述纹理关键影响指数的确定方法包括：

9.如权利要求1所述的基于视觉单元结构的电子路牌及其路况目标自识别方法，其特征在于，所述聚类中心关键指数的确定方法包括：

10.如权利要求1所述的基于视觉单元结构的电子路牌及其路况目标自识别方法，其特征在于，所述将聚类中心关键指数最小的像素点作为初始聚类中心优化聚类算法，完成路况图像的分割，包括：

技术总结
本申请涉及图像识别技术领域，具体涉及基于视觉单元结构的电子路牌及其路况目标自识别方法，该方法包括：采集电子路牌获取的路况图像并获取车辆识别区域；基于车辆识别区域以及像素点距离确定路况图像中每个像素点的特征关键影响指数；基于路况图像中每个像素点窗口内的纹理特征以及邻域内的特征关键影响指数确定每个像素点的聚类中心关键指数；将聚类中心关键指数最小的像素点作为初始聚类中心优化聚类算法，完成路况图像的分割，实现路况目标的自识别。本申请旨在考虑路况图像使得聚类结果更加准确，从而基于聚类结果帮助识别路况信息。

技术研发人员：伦毅均
受保护的技术使用者：东莞市杰瑞智能科技有限公司
技术研发日：
技术公布日：2024/6/5