基于統(tǒng)計特征的晝夜圖像識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種計算機圖像處理方法，尤其涉及一種晝夜圖像識別方法。
【背景技術(shù)】
[0002] 由于光照、溫度等環(huán)境條件的差異，晝夜圖像的亮度、對比度、飽和度等存在較大 差別，從而在基于圖像進行目標識別、圖像復原等領(lǐng)域的算法，晝夜差別較大，這給實際問 題中需要連續(xù)工作的系統(tǒng)如智能交通系統(tǒng)中的行人檢測、低空航拍系統(tǒng)中霧霾自動去除等 帶來極大困難，因此晝夜圖像識別問題在計算機視覺應用領(lǐng)域和數(shù)字圖像處理領(lǐng)域亟待解 決。
[0003] 現(xiàn)有的晝夜區(qū)分方法主要有時間判定法、特征物體狀態(tài)法和光感元件探測法。其 中時間判斷法是利用時間判斷晝夜，方法簡單，但無法適應陰雨天對照度的影響，且由于時 間、地理位置的差異，無法適應同一地點不同季節(jié)和同一季節(jié)的不同地域。特征物體狀態(tài)法 是通過檢測場景中特征物體的狀態(tài)判斷晝夜，如路燈的開閉等，雖然能滿足街道、路口等場 景，但對于不含明顯特征物體的場景基本無效。光感元件探測法是通過光感元器件探測到 的照度等特征判斷晝夜，準確度高，但元器件壽命有限，敏感度會隨著年限的增加而降低， 且容易損壞，成本高等。對于特定場景，除以上算法外，還有一些特殊的算法，如針對交通視 頻提出的基于統(tǒng)計學習的晝夜識別算法 [1<]，根據(jù)交通視頻背景固定的特點，利用圖像的灰 度特征和視頻的變化性，不斷學習得到時間和亮度的關(guān)系，進而判斷晝夜，準確度較高，但 僅僅對固定背景的視頻有效，使用范圍受限。利用圖像或視頻的能見度間接識別晝夜圖像 的方法+ 6]，雖然能準確估算能見度，但能見度高低并不能與晝夜劃等號，對于圖像復原，晝 夜圖像退化的成像模型并不相同，因此利用能見度進行晝夜識別借鑒度不高。楊權(quán)等提出 的基于灰度直方圖的時段檢測算法 [7]，通過對交通視頻中含有人工設置目標物的典型數(shù)據(jù) 分析發(fā)現(xiàn)：圖像的灰度均值、標準差、扭曲度和熵等特征在晝夜過度時間段存在差異，并沒 有考慮普通圖像視頻中人工光源的影響，且經(jīng)試驗發(fā)現(xiàn)，這些特征差異僅對典型圖像有效， 對一般圖像區(qū)分效果不明顯。此外利用墨卡托投影判斷晝夜的方法 [8]，雖能能有效判斷一 個地區(qū)所屬晝夜半球，但無法滿足實際中判斷條件是圖像或視頻的情況。
[0004] 而實際應用中，晝夜圖像的獲取時間、地點等均不確定，特征物體的有無、搜索復 雜性難以預測，對特征物體的搜索實現(xiàn)智能化難度較大，圖像背景的變化更是變化無常。此 外，相比于利用成本和維護費用昂貴的硬件檢測，基于圖像處理的識別算法更加引人入目， 且更符合國家和廣大納稅人的利益。因此，以上方法均無法滿足實際應用的廣泛需求。
[0005] [參考文獻]
[0006] [1]祁磊，周超英，曹泉，向懷坤，劉建偉.基于圖像統(tǒng)計學習進行晝夜區(qū)分的算法 研究[J]·公路交通科技，2007,24(2): 118-121。
[0007] [2]胡家興，陳燕，張力為，等.圖像統(tǒng)計學習進行晝夜區(qū)分的算法[J].大連海事大 學學報，2006,02 期：82-85。
[0008] [3]張瀟，李勃，陳啟美.基于亮度特征的PTZ視頻能見度檢測算法及實現(xiàn)[J].儀器 儀表學報，2011，第2期：381-387。
[0009] [4]楊嫻，李勃，丁文，等.基于路面亮度特征估算的視頻能見度檢測系統(tǒng)[J].上海 交通大學學報，2013,08 期(08): 1257-1263。
[0010] [5]吳煒，李勃，楊嫻，等.基于路面視亮度差平方最優(yōu)化的視頻能見度檢測算法
[J].電子與信息學報，2014,第10期：2412-2418。
[0011] [6]安明偉，陳啟美，郭宗良.基于路況視頻的氣象能見度檢測方法與系統(tǒng)設計 [J]·儀器儀表學報，2010,第5期：1148-1153。
[0012] [7]楊權(quán)，黃山，張洪斌，等.基于紋理特征的能見度測量時段區(qū)分方法[J].現(xiàn)代電 子技術(shù),2008,第 23 期：192-194。
[0013] [8]張昆，張松林.墨卡托投影中區(qū)分晝夜半球的方法與實現(xiàn)[J].華中師范大學學 報：自然科學版，2013，第4期:587-590。

【發(fā)明內(nèi)容】

[0014] 針對上述問題，本發(fā)明提出一種基于統(tǒng)計的晝夜圖像識別方法，利用晝夜圖像的 特征差異實現(xiàn)對圖像的無差別識別。首先，統(tǒng)計圖像庫中大量晝夜圖像的平均亮度、暗像素 比例、暗邊緣、亮像素和光源等特征;然后，通過統(tǒng)計數(shù)據(jù)得到單個特征的統(tǒng)計結(jié)果，利用擬 合法得到對應特征的特征閾值及其對應的正確率;最后，利用多個特征的特征閾值和區(qū)分 準確率，結(jié)合各個特征的特點，通過將晝夜圖像的差異量化，融合得到晝夜圖像識別方法， 本發(fā)明晝夜圖像識別方法不僅能準確、無差別地識別圖像類型，而且識別時間較短，基本能 夠滿足實際生活中對系統(tǒng)實時性的要求。
[0015] 為了解決上述技術(shù)問題，本發(fā)明提出的一種基于統(tǒng)計特征的晝夜圖像識別方法， 包括以下步驟：
[0016] 步驟1:輸入圖像I，轉(zhuǎn)換得到亮度圖像Ilight_img;
[0017] 步驟2:該亮度圖像Iiightjg的平均亮度imgmean_i?inance為：
[001 8] illlgmean-luminance - ??Θ??Ι (??Θ??Ι ( 11 ight img ) ) ( 1 )
[0019 ] 利用亮度圖像I lightimg的平均亮度irngmeanlumin咖4導到亮度特征Li:
[0020]
(2)
[0021] 式（2)中，mi = 90,〇1 = 0.86;[0022] 步驟3:獲取亮度圖像I iight_img的暗像素比例imgpercent_dark Pixei;
[0024]式(3)中，M，N為亮度圖像I iight_img的長和寬，（i，j)為像素的坐標，ε為階躍函數(shù)， [0025] 利用暗像素比例imgperc；ent_dark Pixei得到暗像素特征L2:
[0023] C3)
[0026]
⑷
[0027] 式（4)中，m2 = 0.2,〇2 = 0.88;
[0028] 步驟4:獲取亮度圖像Iiight_img的暗邊緣數(shù)imgd ark_bian;
[0029]
(5)
[0030] 式(5)中，biam為圖像的第i條邊;進而得到圖像I的暗邊緣特征L3:
[0031] L3= (imgdark-bian-m3) X 〇3 (6)
[0032] 式（6)中，Π?3 = 0·5，σ3 = 0·90;
[0033] 步驟5:獲取亮度圖像I iight_img的亮像素比例imgpercent_iigh tpixei; _4]
(7)
[0035] 與該亮像素比例對應的亮像素特征L4如下：
[0036] L4 - - ￡ ( irngpercent lightpixel-ΓΠ 4 ) ( 8 )
[0037] 式（8)中，m4=0.3115;
[0038] 步驟6:獲取含光源特征的二值圖像的光源離心率imgmin_e;
[0039] 利用離心率imgmin_e得到對應的光源特征L5 :
[0040] L5=e(m5-imgmin_e) (9)
[0041] 其中 η?5 = 0·44;
[0042] 步驟7:利用基于亮度圖像Ilight_img得到的亮度特征1^、暗像素特征L2、暗邊緣特征 L3、亮像素特征L4和光源特征。融合得到晝夜圖像識別參考值Drv:
[0043]
[0044] 步驟8:通過該晝夜圖像識別參考值Drv判斷圖像類別：當Drv為正時，判斷圖像I為 夜晚圖像，反之為白天圖像。
[0045] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
[0046]本發(fā)明改進了傳統(tǒng)的僅僅根據(jù)亮度特征進行統(tǒng)計學習的晝夜圖像識別方法，充分 利用晝夜圖像的平均亮度、暗像素比例、暗邊緣、亮像素和光源等特征差異，被檢測圖像不 受地域、時間限制，極大程度上增加了該晝夜圖像識別方法的應用范圍和實用性。
[0047] 本發(fā)明晝夜圖像識別方法不僅充分利用晝夜圖像的特征差異，有效識別晝夜圖 像，而且算法簡單，檢測時間短，基本能夠滿足實際應用的要求，此外本發(fā)明圖像識別方法 對檢測圖像要求較低，檢測圖像類型不受地域和時間限制，且由于未利用硬件進行輔助識 另IJ，因此還可減少實際應用中基于硬件檢測帶來的成本、維護費用等負擔，所以在人工智 能、模式識別、目標檢測等領(lǐng)域有廣泛的應用前景。
【附圖說明】
[0048] 圖1是本發(fā)明晝夜圖像識別方法框圖；
[0049] 圖2(a)至圖2(f)是本發(fā)明具體實施例中的各特征圖像，其中：
[0050] 圖2(a)是白天圖像亮通道(無暗邊緣）；
[0051]圖2(b)是白天圖像對應的暗像素圖像；
[0052]圖2(c)是白天圖像對應的亮區(qū)域圖像；
[0053]圖2(d)是夜晚圖像對應的亮通道(含暗邊緣）；
[0054] 圖2 (e)是夜晚圖像對應的暗像素圖像；
[0055] 圖2(f)是夜晚圖像對應的光源圖像；
[0056] 圖3(a)至圖3(e)是本發(fā)明具體實施例中的各統(tǒng)計特征，其中：
[0057] 圖3(a)是亮度；
[0058]圖3(b)是暗像素比例；
[0059]圖3(c)是殼區(qū)域面積；
[0060]圖3(d)是暗邊緣數(shù)；
[0061 ] 圖3(e)是離心率；
[0062]圖4是不同特征相組合的準確率。
【具體實施方式】
[0063]下面結(jié)合附圖和具體實施例對本發(fā)明技術(shù)方案作進一步詳細描述，所描述的具體 實施例僅對本發(fā)明進行解釋說明，并不用以限制本發(fā)明。
[0064]本發(fā)明基于統(tǒng)計特征的晝夜圖像識別方法涉及到如下基本理論：
[0065]圖像亮度的定義如下：
[0066]
[0067]其中，Φ為光通量；Ω是立體角；Θ是給定方向與單位面積元ds法線方向的夾角； [0068]亮度與發(fā)光體(反光體)表面發(fā)光(反光）的強度成正比，即La Φ，假設物體的反射 率R和入射角度Θ不變，則物體的反射光Φ與入射光強度1成正比，即Φ & 1，因此La 1，即物 體的亮度與入射光強度成正比。白天場景入射光光源一般為太陽，照射范圍廣、入射光強度 大，因此光線可在空氣中經(jīng)無數(shù)次反射、折射和散射，全裸物體