CN102708378A - 一种基于图像异常特征的智能交通抓拍设备故障诊断的方法 - Google Patents

Abstract

一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，利用计算机智能地识别异常图像的方式来达到抓拍设备故障诊断的目的，以此告别繁琐、效率低的人工诊断方式。在此方法中，首先，建立了异常图像到设备故障的映射关系，且根据异常特性的需要实现了一种实用性强的基于颜色特征和字符纹理特征的车牌定位方法；接着，采用了一种基于多特征相结合的异常图像识别方法，并且研究了识别算法的自适应性；最后，对于复杂的综合设备故障信息进行一个可观性好的可视化处理。通过建立一套设备故障诊断***，可保证抓拍设备的故障诊断能满足实时性好、准确性高、效率高的要求，提供一种人性化且科学的故障诊断方法。

Description

一种基于图像异常特征的智能交通抓拍设备故障诊断的方法

技术领域

本发明涉及一种抓拍设备故障诊断的方法。

背景技术

智能交通是指一个基于现代电子信息技术面向交通运输的服务***。在众多智能交通应用的领域中，都需要借助抓拍设备来获取车辆图像或者其他交通信息图像，例如：高速公路超速检测***、路口闯红灯违规监控***、停车场智能收费***等。

智能交通抓拍设备绝大多数都是处于室外工作，必将受到其复杂和变化多端的环境因素的考验；同时，设备工作频率大，尤其是在道路车流量很大的情况下，设备几乎是处于一种超负荷的工作状态；加之，设备本身使用寿命的限制以及设备质量等诸多因素的影响，导致抓拍设备故障频发。如果不能及时对抓拍设备的故障进行诊断并维修，将严重影响到智能交通***的公正性、科学性以及高效性。抓拍设备能否正常工作直接关系到智能交通***是否能正常工作，所以对智能交通抓拍设备的故障诊断具有非常重要的意义。

现有的智能交通抓拍设备故障诊断主要停留在人工处理的方式，其分为两种：第一种是：人工排查方式，安排巡检人员到室外抓拍设备工作现场逐一排查每套设备的故障情况。另外一种是：人工寻查方式，在抓拍设备所获取的中心图像数据库里寻找并查出异常的图像数据，再根据异常图像数据关联到具体某一设备的故障。

第一种方式显然是费时费力。首先，抓拍设备是安装在一定高度的龙门架上，给排查工作带来麻烦；其次，排查工作时受到各种恶劣天气的影响，对工作人员是一种难的挑战；最后，现场排查设备故障情况可能影响交通的正常运行。第二种方式相对而言提高了工作效率，但是受其长时间工作下带来的人眼疲劳的影响，会导致漏检和误检的情况发生。这两种方式对人的依赖性特别高，是一种事后补偿性的诊断形式，导致其故障诊断报告的延迟性的现象发生，从工作性质来说也是一种极其枯燥乏味的事情，在智能交通信息时代下，其设备的故障诊断也需具备智能性，实现信息化，解放劳动力。总体来说这两种方法的效率性和科学性还是无法达到抓拍设备故障诊断需及时、准确的要求。

国内许多学者对基于图像处理的设备故障诊断做了很多研究，其主要研究内容集中在单一设备或者某一零件的故障诊断。夏勇(第二炮兵工程学院，2001)提出了基于图像处理与神经网络的内燃机故障诊断，利用内燃机缸盖振动信号产生图像，在其图像中提取图像特征并进行模糊化处理，以此实现了对气阀机构的故障诊断。蔡艳平(第二炮兵工程学院，)提出了一种基于视频谱图、图像分割和模糊模式识别的柴油机故障诊断方法，提出了振动信号图像几何特征与形状特征参数，对气门故障能正确诊断。张勇(国防科学技术大学，2006)提出了航空发动机故障诊断中孔探图像特征提取技术应用研究，利用孔探图像特征提取技术准确的判决出发动机关键部件的多种故障。王培珍(安徽工业大学，2010)提出了基于红外图像的太阳能光伏阵列故障分析。

综上所述，利用成像设备生成设备的故障图像，加以各种图像处理技术对其进行特征分析和特征提取以此来达到图像处理方法在设备故障诊断中具有支持不停机诊断、非接触诊断、非拆卸诊断、在线智能高效诊断的优势。在许多领域的应用将会越来越多，尤其是某些特定领域，该方法能充分保证检测工作人员和设备的安全。

国内关于智能交通抓拍设备或者其他设备的故障诊断研究较少。江永池在2011年提出了基于时间特征的电子警察路口设备保障设计，根据电子警察***处理中心收到某一路口的方向工控机数据时间的长短来判断工控机和路由器的故障。此种方法提出了一种非人工处理的智能交通抓拍设备的故障诊断解决方式，原理较为简单，主要是对工控机和路由器的故障诊断，并没有涉及到抓拍设备中的摄像机、感应线圈以及闪光灯这些核心设备的故障诊断，但是给人们提出了一种解决智能交通抓拍设备故障诊断的新思路：利用计算机处理的方式。同时，借鉴于之前介绍的各种图像处理技术在设备故障诊断中的应用，我们也可利用图像处理的方法去解决抓拍设备的故障诊断，同时，可保证这种故障诊断的全面性得到实现。

发明内容

针对当前智能交通抓拍设备故障诊断依赖于非人性化且效率低的人工处理方式，本发明基于图像异常特征的智能交通抓拍设备故障诊断旨在科学、准确、高效地解决抓拍设备故障诊断难的问题。

本发明解决其技术问题所采用的技术方案是：

一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，包括以下步骤：1)、建立抓拍设备故障与异常图像之间的映射关系；

抓拍设备所获取到的车辆图像按照能否正确在图像中得到我们所需要的有效信息分为两类：正常图像和异常图像。以高速公路超速检测***为例，当车辆经过超速监测处时，该***测得车辆的实时速度的同时还需借助抓拍设备获取车辆的实时图像，在该图像里，我们需要的信息就是完整的车牌信息，也就是抓拍设备需成功抓拍到包含清晰车牌的车辆图像交给计算机下一步进行车牌识别工作，我们把这种图像定义为正常图像。然而，当抓拍设备出现故障时，其所获取的图像里清晰的车牌信息已丢失，我们把无法看到清晰车牌信息的图像定义为异常图像。异常图像可根据是否抓拍到了车辆和车牌信息又可分为三种情况：有车辆但是车牌不清晰、有车辆但是无车牌、无车辆。

根据车辆和车牌信息进行的分类只能从整体上去把握异常图像，在计算机实际识别异常图像的过程中，我们还需要对异常图像的异常特性进行更细微的划分，把图像的异常特性分为：颜色异常、行为异常以及其他异常三类。

2)、基于颜色特征和纹理特征的车牌定位过程：

首先在抓拍设备所获取到的所有图像可根据是否有完整的车牌信息分为两类：有车牌图像和无车牌图像，而异常图像绝大多数属于无车牌图像；其次车牌信息可辨别两种相似的异常，如图像偏暗车牌可见和图像偏暗车牌不可见，图像偏暗车牌不可见说明闪光灯已完全停止工作，这种情况需优先及时的对其故障进行处理，而图像偏暗车牌可见是由闪光灯曝光量不足导致；最后某种图像异常最显著的特征就是无车牌；

根据在图像中是否能成功定位到车牌来判断图像中是否存在有效车牌信息，能定位到车牌说明图像中有车牌信息，反之没有车牌信息；。

车牌的特征主要集中在颜色和字符上面，车牌的颜色特征有蓝底白字、黄底黑字、白底黑字和黑底白字四种，字符是分别由汉字、英文字母以及***数字组成的七个字符组外加一个分割点符号组成，字符之间的间隔具有统一标准性。

基于颜色特征和纹理特征的车牌定位主要是利用车牌的这四种颜色特性进行初步定位得到车牌的候选区域，接着根据车牌字符之间的灰度跳跃性以及字符之间的固定间隔特征在其二值化图像中进行二次定位从而得到车牌精确定位的结果；

3)、基于多特征相结合的异常图像识别方法，过程为：

3.1)识别颜色异常图像

图像的颜色异常特性主要体现在原RGB彩色图像中R、G、B三个通道的统计规律以及灰度图像中的灰度信息中；

3.2)识别行为异常图像

行为异常图像是由于摄像机抓拍行为异常导致，这种图像的特性表现在图像中所包含的目标车辆的异常，包括图像中缺失目标车辆、图像中包含了异常的目标车辆、图像中的目标车辆位置异常三种情况。分析这种异常时，主要根据划分区域法来找到最能体现这种异常的规律；

3.3)识别其他异常图像

图像的其他异常特征主要从图像的尺寸和图像所包含的特征点表现出来，分析这种异常特性主要采用特征提取的方法。

进一步，所述步骤3)中，识别算法的自适应性是指算法能及时调整识别各种异常图像的顺序，保证算法持久的高效性。在此，我们把影响算法效率的因素分为内因和外因。

再进一步，所述故障诊断的方法还包括：4)综合故障信息的可视化：

随着此发明中的故障诊断***一段时间的运行，会积累大量的设备故障信息。如何统一而又便捷地去表达复杂多样的大量故障信息，需要对综合的设备故障信息做一个可视化处理，给使用者提供一个人性化的可视化结果用来进行决策。

综合故障信息的可视化可分别从地域、时间、故障率三个方面来决定。

一种基于图像异常特征的智能交通抓拍设备故障诊断***，该***主要由配置模块、识别模块、数据分析模块组成。

本发明的技术构思为：利用计算机智能高效的识别异常图像来达到设备故障诊断的一种方式。这种方法是对人工处理方式中的第二种人工寻查方式的彻底改变，人工寻查方式是依靠人力去辨别并提取出有异常的图像，本发明所采用的技术方案正是用计算机替代人去识别异常图像，以此来解决人工处理方式中的种种不足问题，同时也可以保证故障诊断过程中的效率以及诊断结果的准确性。人工寻查方式是根据经验来判断图像是否存在异常，计算机识别是数字图像处理技术的一种应用，也就是分析图像的异常特性，并利用图像处理方法对这种特性提取和识别。与传统的图像处理在设备故障诊断中的应用不同的是：上述介绍的各种形式图像的处理方法来解决设备的故障诊断问题都需要借助成像设备来生成设备的故障图像，提取的是图像中距离、尺寸、面积等多种微观特征，解决的是某一种设备的故障诊断问题。而智能交通抓拍设备本身是一套成像设备，我们可直接利用抓拍设备已经获取到的图像数据来进行故障诊断，解决的是多种设备的故障诊断问题。该方法是在宏观层面上去识别抓拍设备所获取的所有图像数据里的异常图像。当抓拍设备出现故障时会导致其所拍下的图像出现异常，也就是设备的故障是间接地反映在图像的异常特性之中，因此，在抓拍设备中心图像数据库中识别出异常图像就能找到相对应的设备故障。人工处理方式凭借人的经验和理解看到异常图像就能判断出是哪一个设备出故障了，而要使计算机达到“识图知故障”的目的，需要建立一个覆盖现有的所有的抓拍设备故障类型与异常图像类型之间的映射关系网。抓拍设备是抓拍车辆图像，是为了获取车辆图像中的重要信息：车牌信息。当抓拍设备出现故障时，所获取的异常图像中车牌信息是个很重要的识别依据，由此，在识别异常图像过程中，需要对车牌信息进行相应的处理。设备故障的多样性带来的是图像异常特性的多样性，在识别非单一性的图像异常特征过程中，需要采取不同的方法和过程。这里所说的过程是指图像处理中的灰度处理过程或者阈值处理过程，大部分其他设备故障诊断中的图像处理方法通常是在其对应的二值图像中进行边缘检测、形态学的区域生长及特征提取等，而抓拍设备故障诊断中的图像异常特征分别表现在图像的原彩色图像中或者灰度图像和二值图像中，所以针对这种非统一性的处理过程，识别复杂多样性的图像异常特性需要结合多种方法。同时为了保证算法持久的高效率性，需要对算法的识别顺序做相应的调整，也就是研究一种算法自适应性的实现。最后为了给使用者提供一个最直观、人性化的设备故障诊断结果，在此，对设备的综合故障信息进行一个可视化的处理。

本发明的有益效果主要表现在：实时性好、准确性高、效率高。

附图说明

图1是抓拍设备工作原理示意图。

图2是抓拍设备故障分类图。

图3是异常图像分类图。

图4是抓拍设备故障与异常图像映射关系图。

图5是本发明解决方案设计图。

图6是基于颜色特征和纹理特征的车牌定位算法流程图。

图7是基于多特征相结合的异常图像识别方法设计图。

图8是识别异常压线图像的方法图。

图9是识别反光异常图像的方法图。

图10是***模块功能图。

图11是***识别异常图像顺序图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图11，一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，本实施例中，

1、抓拍设备的常见故障，参照附图2。

1)摄像机常见故障有：白平衡设置错误、拍下的图像出现反光现象、摄像机安装在龙门架上的角度错误。

2)闪光灯常见故障有：闪光灯已坏，停止补光工作、曝光量过高、曝光量太低。

3)感应线圈常见故障有：灵敏度降低、复位太慢等。

2、图像的常见异常特性，参照附图3。

1)颜色异常是指在所抓拍到的图像中无法正常表现出其颜色性质从而不利于计算机识别车牌。主要存在三种颜色异常图像：图像偏蓝，是指整幅图像上面犹如一层蓝色的薄膜笼罩，虽不影响车牌识别，但与正常图像的颜色差异太大；图像偏暗，是指整幅图像亮度不够，其中又分两种情况，偏暗车牌可见和偏暗车牌不可见；图像偏亮，是指车脸尤其是车牌区域亮度过高。

2)行为异常是指抓拍设备不能正常拍到车辆图像。如，压线，是指车辆经过道路标志线时被抓拍到的情况；乱拍，是指电动车、三轮车或者行人等不需要抓拍的目标被抓拍到的情况；空拍，是指没任何目标经过而被抓拍到的情况。

3)其他异常由其他因素导致的。如，图像重复，是指在很短的时间内抓拍设备连续拍了两次并保存在同一图像里从而导致该图像里车辆重复出现；图像反光，是指在图像的中间区域明显有一道亮色的反光光束贯穿整幅图像；相位不对，是指抓拍设备拍到了车辆图像但由于摄像机安装角度的位置不对而没有拍到车牌区域的情况。

根据上述分析的常见设备故障和图像异常特征得到它们两者之间的映射关系，参照附图4。

2、基于颜色特征和纹理特征的车牌定位算法

参照附图6，对该车牌定位的算法步骤描述如下：

步骤(1)、在原始RGB彩色图像中提取车牌背景和字符的颜色特征并以此分割图像得到车牌的候选区域。

步骤(2)、对原始RGB彩色图像进行灰度处理之后再进行二值化处理。

在此介绍下此定位方法中用到的二值化处理方法：

(2.1)车牌图像的二值化

根据单一阈值处理不能很好地解决由光照强度不均匀而引起的车辆图像明暗差异很大的问题，在此，利用两种阈值处理方法来得到最佳的车牌二值图像，光照强度不均匀是指自然天气环境下以及闪光灯补光下的各种情况，比如：晴天、阴天、曝光不足都会影响图像的明暗程度。在光照正常的情况下用最大类间方差法，在光照不正常的情况下通常是光照不足而引起的图像偏暗时根据灰度图像的统计信息得出一个阈值nAverGray来二值化图像，AverGray为灰度平均值，n为一系数。

用mAverGray来区分光照正常图像和光照不正常图像，m为一系数。如：

AverGray＞mAverGray  光照正常图像

AverGray＜mAverGray  光照不正常图像

通过两种阈值方法统一二值化的最佳效果，利于后面的车牌定位的处理。

步骤(3)、完成车牌的上下边界的确定，在其步骤(1)完成的候选区域所对应的二值图像区域中进行行扫描同时统计每行跳跃点的数目，当该行跳跃点的总数达到12次时，把改行定义为车牌区域的候选行，扫描完所有候选区域后，得到连续的候选行并在这些连续的候选行里以候选行的最小值所在的行和最大值所在的行分别定为车牌的初步下边界和上边界。

各种颜色的车牌区域经过阈值处理后得到黑底白字和白底黑子两种情况，由此字符和背景之间会存在黑白之间的跳跃即二值图像里像素值从0到255或者255到0的跳跃。一个字符至少会存在两次跳跃，七个字符取保守值至少存在12次跳跃。通过步骤(3)可大大减少车牌候选区域的数量。

步骤(4)、根据步骤(3)完成的车牌初步上下边界的结果，在这些上下边界所围成的对应二值图像区域里进行列扫描，在此，在列扫描车牌候选区域时，首先先找出黑点和字符“1”，接着再去掉黑点并把“字符1”加宽至于其他字符同样宽度的数值，如此以来，车牌区域内七个字符之间就剩下两种字符之间的间隔距离，且这种间隔位置也是固定的，即第二个字符和三个字符之间的间隔距离为D1，其他字符之间的间隔距离为D2。最后以D1和D2这组特征数据去遍历一组字符之间的间隔距离，遍历成功的这组字符的第一个字符的最左边列数和最后一个字符的最右边列数分别为最终的车牌左右边界，能得到车牌的左右边界即表示车牌定位成功，令IsLicencePlate＝true，反之车牌定位不成功IsLicencePlate＝false。

在此，D1和D2的取值是通过车牌的上下边界确定后得到车牌的高度决定的。车牌的左右边界是根据字符之间的间隔距离确定的，然而由于第二个字符和第三个字符之间存在一个黑点，此黑点存在有时经过阈值处理后会消失的现象，加之位置随机出现的字符***数字“1”垂直投影之后的宽度和其他字符的宽度不一样从而导致车牌字符之间的间隔距离存在多样性和不确定性。为了统一字符之间的间隔距离，采用了步骤(4)中的字符间隔距离调整的方法，如此以来通过这样对字符之间间隔的调整能更加精确确定车牌的左右边界最终可提高车牌定位的准确性。

3、识别颜色异常图像

图像的颜色异常特性主要体现在原RGB彩色图像中R、G、B三个通道的统计规律以及灰度图像中的灰度信息中。

1)图像偏蓝，识别图像偏蓝的方法步骤描述如下：

步骤(1)、在原始彩色图像中统计蓝色像素值处于像素值区间[96，160]的情况，定义RatioBlue[96，160]为蓝色像素值处于该区间内的像素个数之和与整幅图像的像素总数的比值并求得该值。

在此，解释下选择[96，160]的理由：我们在RGB彩色图像中对其蓝色通道的像素值进行分析，主要通过平均划分像素值[0，255]区间的方法，分别统计其蓝色像素值处于划分后区间内的像素个数之和与整个图像的像素总数的比值，然后根据这个比值的特征逐步缩小之前所划分的区间并整合区间，最后得到一个像素值区间使得蓝色像素值处于该区间内的像素个数之和与像素总数的比值达到最大，通过大量实验和反复测试我们得到此像素值区间为[96，160]，也就是当图像偏蓝时其蓝色通道的像素值主要集中在[96，160]区间内。

步骤(2)、根据步骤(1)的方法，同样定义RatioGreen[96，160]和RatioRed[96，160]分别为绿色像素值和红色像素值处于该区间内的像素个数之和与整幅图像的像素总数的比值，同时，求得该两个值。

既然图像偏蓝时的特征主要是大量的蓝色像素值处在像素值区间[96，160]，而剩下的红色通道和绿色通道的像素值只有一少部分集中在[96，160]区间内。同时，我们也实验得出红色和绿色通道在该区间内的比值是个很小的数。

步骤(3)、根据步骤(1)和步骤(2)所计算得出的三个比值：RatioBlue[96，160]、RatioGreen[96，160]和RatioRed[96，160]，判断是否满足下面的条件：

3.1：RatioBlue[96，160]＞Max

3.2：Ratio6reen[96，160]＜Min and RatioRed[96，160]＜Min；

3.3：IsLicencePlate＝false

满足条件说明该图像的异常属于图像偏蓝，否则不是。

在实验中，我们分别取得Max＝0.7及Min＝0.05能成功对图像偏蓝的识别。

2)图像偏暗

在分析图像偏暗的特征时，是在其灰度图像里分析灰度统计信息，从而减少了直接在RGB彩色图像中三个通道的计算量。识别图像偏暗的方法步骤描述如下：

步骤(1)、对原彩色图像进行灰度化处理，采用加权平均值法：

GrayValue＝(RValue*299+GValue*587+BValue*114)/1000

RValue、GValue、Bvalue分别取值为原彩色图像中红绿蓝三个通道的数值，GrayValue为灰度化后每个像素的灰度值。计算灰度图像的平均灰度值为AverGray。

步骤(2)、在灰度图像里，统计灰度信息的分布规律。计算GrayValueLess(nAverGray)值，并使得该值趋向最大。GrayValueLess(nAverGray)为灰度值小于nAverGray的像素个数的之和。

步骤(3)、根据步骤(2)得出的结果，计算Ratio[GrayValueLess(nAverGray)]值，该值为GrayValueLess(nAverGray)与整幅图像的像素总数的比值。

步骤(4)、根据步骤(3)计算出来的结果，判断是否满足下面的条件：

Ratio[GrayValueLess(nAverGray)]＞Y

满足条件说明该图像的异常属于图像偏暗，否则不是。

在分析偏暗图像的异常特性时，我们分析其灰度信息，发现当图像偏暗时，其像素的灰度值绝大一部分都小于一个阈值，而此阈值又与其整幅图像的平均灰度值有关。在此，取n＝2，Y＝0.8，能很好的把偏暗图像从整个图像数据库里识别出来。

前面提到过，当图像偏暗时分为两种情况：偏暗车牌可见和偏暗车牌不可见。这时需结合图像车牌定位的结果IsLicencePlate＝false or ture来识别具体是属于哪种图像偏暗。

4、识别行为异常图像

行为异常图像是由于摄像机抓拍行为异常导致，这种图像的特性表现在图像中所包含的目标车辆的异常，包括图像中缺失目标车辆、图像中包含了异常的目标车辆、图像中的目标车辆位置异常三种情况。分析这种异常时，主要根据划分区域法来找到最能体现这种异常的规律。

1)空拍

空拍是指所抓拍到的图像中没有任何目标物体包括各种车辆和行人。空拍图像中内容绝大部分都是道路表面，受到绿化隔离带以及道路标志线等具有竖直方向性特征的因素的影响，导致其空拍图像在水平方向上具有均一性的特征。这种均一性对应到其灰度图像中具有行特征变化细微性，也就是每行像素的平均灰度值的变化不是呈现跳跃性的，而是以整幅图像的平均灰度值为中心，在一个很小数值X的范围内上下稳定的变化。于是，在水平方向上把图像均等划分为N个小的矩形区域，N个矩形区域内的平均灰度值与整幅图像的平均灰度值的差值都很小。识别空拍图像方法步骤描叙如下：

步骤(1)、对原彩色图像进行灰度化处理，采用加权平均值法。

步骤(2)、在灰度图像里，得到划分N个小的矩形区域的高度即LHeight＝image.Height()/N，并以此高度和原来的图像的宽度值可以得到N个小矩形区域即LRECT_i＝[i*LHeight，(i+1)*LHeight，0，image.Width()-1]；

步骤(3)、分别计算N个小矩形区域的平均灰度值AverGray(LRECT_i)和整幅灰度图像的平均灰度值AverGray并判断是否满足下面的条件：

3.1：|AverGray(LRECT_i)-AverGray(Image)|＜X

32：IsLicencePlate＝false

满足条件表示该图像的异常为空拍，否则不是。

在此，i＝1，2，...N-1，image.Height()，image.Width()分别为图像的高度和宽度。当N＝20，X＝5时能有效的识别空拍图像。

设计一个函数IsNullPicture(int nHeight，int nLeft，int nRight，intnPara)＝true时表示该图像为空拍，其中参数nHeight为待识别图像的高度，nLeft为图像的左边界列数，nRight为图像的右边界列数，nPara为阈值。

2)压线

压线是指当车辆换车道时经过车行道分界线时被抓拍到的情况，这种情况是由抓拍慢引起的，在压线图像中通常我们无法获取完整的车牌信息，不完整的目标车辆的位置一般都是在图像中的左下角和右下角处

参照附图8，识别压线的方法步骤描述如下：

步骤(1)、在原始彩色图像经过灰度处理后，把灰度图像均等划分为四个区域即：左上，右上，左下，右下，分别记做：Alu、Aru、Alb、Arb。

步骤(2)、分别对Alu、Aru、Alb、Arb四个区域计算其平均灰度值，记做：AverGray(Alu)、AverGray(Aru)、AverGray(Alb)、AverGray(Arb)且求得这四个平均灰度值里面的最大值Max和最小值Min。

目标车辆所在的区域其平均灰度值与另外三个区域的平均灰度值存在较大差异性，通常目标车辆所在的区域其平均灰度值表现为四个区域里面的最大值(max)或者最小值(min)的特征。同时，其他三个区域的平均灰度值具有相似性(similarity)且与整幅图像的平均灰度值绝对值之差很小。

步骤(3)、在步骤(1)灰度处理之后，进一步进行二值化处理。分别统计二值图像里白色像素的总数nSumWhitePxl和黑色像素的总数nSumBlackPxl，如果nSumWhitePxl大于nSumBlackPxl，表示该二值图像的背景为白色，反之则为黑色。

当背景为白色时，分别统计左下(Alb)和右下(Arb)两个区域里的黑色像素的总数记为nSumBlackAlb和nSumBlackArb，并记RatioBlack1为nSumBlackAlb与nSumBlackPxl的比值，RatioBlack2为nSumBlackArb与nSumBlackPxl的比值。如果满足RatioBlack1＞X或者RatioBlack2＞X这个条件则令IsPressLineThreAux＝true，否则IsPressLineThreAux＝false。

当背景为黑色是，同样分别统计左下(Alb)和右下(Arb)两个区域里的白色像素的总数记为nSumWhiteAlb和nSumWhiteArb，并记RatioWhite1为nSumWhiteAlb与nSumWhitePxl的比值，RatioWhite2为nSumWhiteArb与nSumWhitePxl的比值。如果满足RatioBlack1＞X或者RatioBlack2＞X这个条件则令IsPressLineThreAux＝true，否则IsPressLineThreAux＝false。在此X取值为0.65。

步骤(4)、根据步骤(2)和步骤(3)的结果，进行最后的判断，是否满足下列条件：

(4.1)：AverGray(Alb)＝Max or AverGray(Alb)＝Min

(4.2)：IsNullPicture(image.Height()，image.Width()/2，image.Width()，5)＝true

(4.3)：IsPressLineThreAux＝true

(4.4)：IsLicencePlate＝false

满足条件表示该图像的异常为压线，否则不是。

在此，解释下步骤(4)中的三个条件：当车辆压线行驶被抓拍时，部分目标车辆的位置在左下(Alb)或右下(Arb)区域内。目标车辆所在的区域其平均灰度值与另外三个区域的平均灰度值存在较大差异性，通常目标车辆所在的区域其平均灰度值表现为四个区域里面的最大值(max)或者最小值(min)的特征，所以对应条件4.1；同时，其他三个区域的平均灰度值具有相似性(similarity)且与整幅图像的平均灰度值绝对值之差很小。也就是指明，当压线情况属于左下角压线时，把图像在竖直方向上平均分为左右两个部分，而图像的右半部分满足图像空拍时的特征，右下角压线时，同理可得，由此对应条件4.2；由于压线情况是一种逼近与正常图像的情形，单单靠其灰度图像的区域特征有时容易导致误判，由此，为了加强识别过程的可靠性，在识别压线图像过程中还需利用其二值图像的辅助识别作用，因此对应条件4.3。

5、识别其他异常图像

图像的其他异常特征主要从图像的尺寸和图像所包含的特征点表现出来，分析这种异常特性主要采用特征提取的方法。

1)图像重复

实验当中，用到的来自抓拍设备获取到的图像数据的分辨率为1408*1088。通常，为了最佳的视觉效果，图像的宽高比一般为4比3。然而当图像出现重复的异常属性时，其分辨率达到2408*1088其图像的宽度是正常图像宽度的两倍，导致其宽度与高度之比大于2。据统计，绝大多数抓拍摄像机抓拍正常图像的宽高比都是小于2的，于是，识别图像重复的方法步骤描述如下：

步骤(1)、分别获取原彩色图像的宽度image.Width()和图像的高度image.Height()。

步骤(2)、计算宽高比即image.Width()/image.Height()并判断此比值是否大于2。比值大于2表明该图像的异常为图像重复，否则不是。

2)图像反光

当图像反光时，在原彩色图像中间部分有一束亮色光束在竖直方向上跨越整幅图像，对应到其二值图像中，亮色光束成为白色光束。在此，我们把在二值图像中这种白色光束定义为连续的列组成的一个小矩形区域，每一列的白色像素点的个数之和与该列像素的总数之比大于95％。于是，在二值图像中，我们主要寻找具有一定宽度和特定位置的白色光束，且该白色光束里的平均灰度值与其左右两边一定宽度的邻域里的平均灰度值存在较大差异。找到了，则该图像表现出反光的异常，反之，则不具有反光的异常特性。

参照附图9，识别图像反光方法的步骤描述如下：

步骤(1)、原彩色图像经过灰度处理再进行二值化处理，在其二值图像里进行列扫描，计算每一列黑白像素的统计情况。

步骤(2)、当某一列白色像素点的个数之和与该列像素的总数之比大于0.95时，把该列定义为白色光束列，且令BackLight[i]＝1，同时，BackLight[i]＝-1表示第i列为非白色光束列。

步骤(3)、遍历整个BackLight[i]数组，如果满足BackLight[i+1]＝1且BackLight[i-49，...，i]＝-1，BackLight[i-49，...，i]表示从第i-49列到第i列中的每一列BackLight[i]的值。同时第i+1列左边50个列数都为非白色光束列，即表示第i+1列为非白色光束列到白色光束列的跳变列，于是把第i+1列定义为初选白色光束左边界列，并令blLeftArray[blaI]＝i+1，blLeftArray[blaI]为白色光束左边界列的集合。

步骤(4)、遍历整个BackLight[i]数组，如果满足BackLight[i]＝1且BackLight[i+1，...i+50]＝-1，BackLight[i+1，...i+50]表示从第i+1列到第i+50列中的每一列BackLight[i]的值。同时第i列右边50个列数都为非白色光束列，即表示第i列为白色光束列到非白色光束列的跳变列，于是把第i列定义为初选白色光束右边界列，并令blRightArray[braJ]＝i，blRightArray[braJ]为白色光束左边界列的集合。

步骤(5)、在blLeftArray[blaI]和blRightArray[braJ]集合里根据blaI小于braJ且BackLight[blaI，...，braJ]＝1寻找配对列，此配对列组合成初选的白色光束区域。

步骤(6)、在其对应的灰度图像里，计算初选的白色光束区域的平均灰度值AverGrayBL和该白色光束区域左右5个像素区域内的平均灰度值AverGrayNext。如果满足AverGrayBL与AverGrayNext之差大于20，即可表示该白色光束区域即为我们需要找的反光图像中的特征白色光束，且IsLicencePlate＝false即可判断出该图像的异常为图像反光，否则不是。

综上所述单独介绍的识别各种图像异常的方法，综合得到计算机整体上识别异常图像的方法步骤参照附图11描述如下：

步骤(1)、计算机连续读取待识别的图像数据库，读取一张原始彩色图像后，分别对其进行灰度处理和二值化处理，并保存相应的处理后的图像数据。

步骤(2)、结合彩色图像和二值图像得到车牌定位的结果，车牌定位不成功标志为N。

步骤(3)、直接利用彩色图像依次识别图像是否重复，加上车牌定位的结果N识别图像是否偏蓝，是(Y)的话将该异常图像的信息保存到数据库后结束此轮的识别，读取下一张图像，否(N)的话执行下一步骤。

步骤(4)、利用灰度图像和车牌定位的结果N依次识别图像是否偏暗和空拍，识别结果的处理同步骤(3)一样。

步骤(5)、利用灰度图像和二值图像以及车牌定位的结果N依次识别图像是否压线和空拍，识别结果的处理同步骤(3)一样。

步骤(6)、根据车牌定位的结果N识别异常特征不是很明显的其他异常图像。

上述仅是以此种识别的顺序来说明计算机是如何识别出异常图像的，实际上，随着***的运行，根据异常图像信息的数据库将会适时地调整识别的顺序。

6、识别算法的自适应性的实现

识别算法的自适应性是指算法能及时调整识别各种异常图像的顺序，保证算法持久的高效性。在此，我们把影响算法效率的因素分为内因和外因。内因是指算法自身识别每种图像异常的效率，此效率我们定义单位为：秒/种，即识别每种图像异常算法所需的时间。内因是相对固定的，除非我们对算法有更进一步的改进才会有所提高。外因是指随着***的运行，***里面的数据越来越多，对于庞大的***数据库而言，到底哪一种异常图像所占整个数据的比例比较大，我们是无法预测到的。各种异常图像所占整个数据的比例的排序是随着时间变化的一个随机过程的结果。在此，我们把外因定义为：该种异常图像所占整个数据的比例。并对内因和外因分别根据其对整个算法影响的大小计算出一个合理的权值，求得他们的加权求和值。此值就是识别各种图像异常的优先级。根据优先级的排序来确定识别顺序。

7、综合故障信息的可视化实现

1)综合故障信息的地域信息可视化

地域信息可视化是指在一定的地域范围内，针对该地域内的所有智能交通抓拍设备的故障信息做详细和综合的统计工作，得出一个可视化的结果作为参考。

该地域可以是指一个城市也可以是全省，如此以来，就可方便得得出一个城市的公共交通网内，主要是指全市的十字路口以及重要路段上的抓拍设备故障信息。比如，某些路口或者路段的设备故障出现频繁。也可方便得到全省高速公路交通网内抓拍设备故障信息的分布，如哪一条高速公路、哪一段高速公路以及哪一个收费站的故障信息占多，这种可视化的结果，通常是以一张全省高速公路交通网的图作为主体，分别用不同的颜色描述不同的高速公路，颜色越红代表该条高速公路设备故障越严重，而绿色则可代表设备故障整体还比较好，通过给使用者展示出这样一张不同颜色的高速公路交通网图，可以一目了然地对整个高速公路上的抓拍设备故障情况有个全面的认知。有了这个地域信息可视化的结果，使用者就可很方便地快速地做出抓拍设备的故障维修以及日常维护的决策。

2)综合故障信息的时间信息可视化

时间信息可视化是指根据时间特征来表达综合设备故障信息。时间特征的可视化可充分反应设备故障在某一时间段内的发生频率，比如：可研究设备在一年的哪几个月份里整体的设备故障发生比较频繁，这样日常的设备维护工作就可根据这个结果有针对性的在特定易发生故障的几个月份里加强其维护工作。同时，也可分别统计出单一设备在一个比较短的时间段内，相应的发生频率，特别是对于补光灯来说，该结果能预测到闪光灯完全坏掉的情况，以便防患于未然。通常闪光灯会出现短时间内的经常曝光量不足的情况，针对这种情况，单独给出一个关于闪光灯故障的可视化结果能给使用者提供极其重要的参考信息。时间信息的可视化可采用柱状图或者类似股票走势图来表示。

3)综合故障信息的故障率信息可视化

故障率信息可视化是指在一定时间内，考察一套抓拍设备下的摄像机、闪光灯、车辆检测器的故障占有率情形。是表达一套设备下通常哪个设备出现故障的概率比较大的信息。而这一信息通常能反馈给抓拍设备硬件设备采购部门提供最权威的参考，确保下一批整套抓拍设备的质量更高。在此，故障率信息可视化可以整个抓拍设备工作原理示意图(参照附图1)为主体，可根据设备故障的发生率分别缩小或者放大对应的设备所代表的图。比如，在其工作原理示意图中，摄像机和闪光灯以及车辆检测器初始的大小是一致的，当闪光灯的故障率比其他两个设备的故障率都要大时，这时，可按比例放大相对应的闪光灯的图。这样根据闪光灯的图明显比摄像机和车辆检测器的图要大就能清晰的区分三个设备之间的故障率情况。

8、基于图像异常特征的智能交通抓拍设备故障诊断***

参照附图10。

该***主要由配置模块、识别模块、数据分析模块组成。

配置模块主要完成：***常规管理配置，包括三级用户管理员的管理；文件配置，是指图像数据的原始输入路径以及诊断结果的输出路径；以及算法初始化的工作，是指在***正式运行前，对识别算法的顺序进行相应的调整，保证最优的识别算法支持整个识别过程的高效性。

识别模块主要完成：根据上述介绍的方法识别各种异常图像。

数据分析模块主要完成：根据识别模块得到的结果，统计分析每种异常图像的数据量情况，这种统计分析结果将直接反馈给配置模块完成算法的初始化，此外还需完成设备故障表单的打印，此表单主要包含异常图像的文件名以及该异常相对应的设备故障两项内容，在此，根据图像文件的命名规则，其对应的文件名能定位到抓拍设备。最后，根据全部的故障信息给出一个综合的故障信息可视化结果。

Claims (8)

1.一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，其特征在于：包括以下步骤：

1)、建立抓拍设备故障与异常图像之间的映射关系；

抓拍设备故障包括摄像机常见故障、闪光灯常见故障和感应线圈常见故障；图像异常特性包括颜色异常、行为异常和其他异常；根据抓拍设备故障和图像异常特征得到它们两者之间的映射关系；

2)、基于颜色特征和纹理特征的车牌定位过程：

根据在图像中是否能成功定位到车牌来判断图像中是否存在有效车牌信息，能定位到车牌说明图像中有车牌信息，反之没有车牌信息；

基于颜色特征和纹理特征的车牌定位主要是利用车牌的这四种颜色特性进行初步定位得到车牌的候选区域，接着根据车牌字符之间的灰度跳跃性以及字符之间的固定间隔特征在其二值化图像中进行二次定位从而得到车牌精确定位的结果；

3)、基于多特征相结合的异常图像识别方法，过程为：

3.1)识别颜色异常图像

图像的颜色异常特性主要体现在原RGB彩色图像中R、G、B三个通道的统计规律以及灰度图像中的灰度信息中；

3.2)识别行为异常图像

根据划分区域法判断是否存在行为异常图像，如果存在图像中缺失目标车辆、图像中包含了异常的目标车辆和图像中的目标车辆位置异常，则判定存在异常；

3.3)识别其他异常图像

采用特征提取的方法得到图像的尺寸和图像所包含的特征点。

2.如权利要求1所述的一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，其特征在于：所述步骤3)中，调整识别各种异常图像的顺序。

3.如权利要求1或2所述的一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，其特征在于：所述故障诊断的方法还包括：4)综合故障信息的可视化：对综合的设备故障信息做一个可视化处理，给使用者提供一个人性化的可视化结果用来进行决策。

4.如权利要求1或2所述的一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，其特征在于：所述步骤2)中，车牌定位过程包括以下步骤：

(2.1)、在原始RGB彩色图像中提取车牌背景和字符的颜色特征并以此分割图像得到车牌的候选区域；

(2.2)、对原始RGB彩色图像进行灰度处理之后再进行二值化处理；

在此介绍下此定位方法中用到的二值化处理方法：

(2.2.1)车牌图像的二值化

用mAverGray来区分光照正常图像和光照不正常图像，m为一系数，如：

AverGray＞mAverGray  光照正常图像；

AverGray＜mAverGray  光照不正常图像；

(2.3)、完成车牌的上下边界的确定，在其步骤(2.1)完成的候选区域所对应的二值图像区域中进行行扫描同时统计每行跳跃点的数目，当该行跳跃点的总数达到12次时，把改行定义为车牌区域的候选行，扫描完所有候选区域后，得到连续的候选行并在这些连续的候选行里以候选行的最小值所在的行和最大值所在的行分别定为车牌的初步下边界和上边界；

各种颜色的车牌区域经过阈值处理后得到黑底白字和白底黑子两种情况，由此字符和背景之间会存在黑白之间的跳跃即二值图像里像素值从0到255或者255到0的跳跃，一个字符至少会存在两次跳跃，七个字符取保守值至少存在12次跳跃；

(2.4)、根据步骤(2.3)完成的车牌初步上下边界的结果，在这些上下边界所围成的对应二值图像区域里进行列扫描，在此，在列扫描车牌候选区域时，首先先找出黑点和字符“1”，接着再去掉黑点并把“字符1”加宽至于其他字符同样宽度的数值，如此以来，车牌区域内七个字符之间就剩下两种字符之间的间隔距离，且这种间隔位置也是固定的，即第二个字符和三个字符之间的间隔距离为D1，其他字符之间的间隔距离为D2；最后以D1和D2这组特征数据去遍历一组字符之间的间隔距离，遍历成功的这组字符的第一个字符的最左边列数和最后一个字符的最右边列数分别为最终的车牌左右边界，能得到车牌的左右边界即表示车牌定位成功，令IsLicencePlate＝true，反之车牌定位不成功IsLicencePlate＝false。

5.如权利要求4所述的一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，其特征在于：所述步骤2.4)中，D1和D2的取值是通过车牌的上下边界确定后得到车牌的高度决定的；车牌的左右边界是根据字符之间的间隔距离确定的。

6.如权利要求1或2所述的一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，其特征在于：所述步骤3.1)，识别颜色异常图像的过程为：

3.3.1)图像偏蓝，识别图像偏蓝的方法步骤描述如下：

(3.3.1.1)、在原始彩色图像中统计蓝色像素值处于像素值区间[96，160]的情况，定义RatioBlue[96，160]为蓝色像素值处于该区间内的像素个数之和与整幅图像的像素总数的比值并求得该值；

(3.3.3.2)、根据步骤(3.3.1.1)的方法，同样定义RatioGreen[96，160]和RatioRed[96，160]分别为绿色像素值和红色像素值处于该区间内的像素个数之和与整幅图像的像素总数的比值，同时，求得该两个值；

(3.3.1.3)、根据步骤(3.3.1.1)和步骤(3.3.1.2)所计算得出的三个比值：RatioBlue[96，160]、RatioGreen[96，160]和RatioRed[96，160]，判断是否满足下面的条件：

3.1：RatioBlue[96，160]＞Max

3.2：RatioGreen[96，160]＜Min and RatioRed[96，160]＜Min；

3.3：IsLicencePlate＝false

满足条件说明该图像的异常属于图像偏蓝，否则不是；

3.3.2)图像偏暗，过程如下：

(3.3.2.1)、对原彩色图像进行灰度化处理，采用加权平均值法：

GrayValue＝(RValue*299+GValue*587+BValue*114)/1000

RValue、GValue、Bvalue分别取值为原彩色图像中红绿蓝三个通道的数值，GrayValue为灰度化后每个像素的灰度值；计算灰度图像的平均灰度值为AverGray；

(3.3.2.2)、在灰度图像里，统计灰度信息的分布规律，计算GrayValueLess(nAverGray)值，并使得该值趋向最大，GrayValueLess(nAverGray)为灰度值小于nAverGray的像素个数的之和；

(3.3.2.3)、根据步骤(3.3.2.2)得出的结果，计算Ratio[GrayValueLess(nAverGray)]值，该值为GrayValueLess(nAverGray)与整幅图像的像素总数的比值；

(3.3.2.4)、根据步骤(3.3.2.3)计算出来的结果，判断是否满足下面的条件：

Ratio[GrayValueLess(nAverGray)]＞Y

满足条件说明该图像的异常属于图像偏暗，否则不是。

7.如权利要求1或2所述的一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，其特征在于：所述步骤3.2)，识别行为异常图像的过程如下：

3.2.1)识别空拍图像方法步骤描叙如下：

(3.2.1.1)、对原彩色图像进行灰度化处理，采用加权平均值法；

(3.2.1.2)、在灰度图像里，得到划分N个小的矩形区域的高度即LHeight＝image.Height()/N，并以此高度和原来的图像的宽度值可以得到N个小矩形区域即LRECT_i＝[i*LHeight，(i+1)*LHeight，0，image.Width()-1]；

(3.2.1.3)、分别计算N个小矩形区域的平均灰度值AverGray(LRECT_i)和整幅灰度图像的平均灰度值AverGray并判断是否满足下面的条件：

a：|AverGray(LRECT_i)-AverGray(Image)|＜X

b：IsLicencePlate＝false

满足条件表示该图像的异常为空拍，否则不是；

在此，i＝1，2，...N-1，image.Height()，image.Width()分别为图像的高度和宽度；

设计一个函数IsNullPicture(int nHeight，int nLeft，int nRight，intnPara)＝true时表示该图像为空拍，其中参数nHeight为待识别图像的高度，nLeft为图像的左边界列数，nRight为图像的右边界列数，nPara为阈值；

3.3.2)识别压线的方法步骤描述如下：

(3.3.2.1)、在原始彩色图像经过灰度处理后，把灰度图像均等划分为四个区域即：左上，右上，左下，右下，分别记做：Alu、Aru、Alb、Arb；

(3.3.2.2)、分别对Alu、Aru、Alb、Arb四个区域计算其平均灰度值，记做：AverGray(Alu)、AverGray(Aru)、AverGray(Alb)、AverGray(Arb)且求得这四个平均灰度值里面的最大值Max和最小值Min；

(3.3.2.3)、在步骤(3.3.2.1)灰度处理之后，进一步进行二值化处理；分别统计二值图像里白色像素的总数nSumWhitePxl和黑色像素的总数nSumBlackPxL，如果nSumWhitePxl大于nSumBlackPxl，表示该二值图像的背景为白色，反之则为黑色；

当背景为白色时，分别统计左下(Alb)和右下(Arb)两个区域里的黑色像素的总数记为nSumBlackAlb和nSumBlackArb，并记RatioBlack1为nSumBlackAlb与nSumBlackPxl的比值，RatioBlack2为nSumBlackArb与nSumBlackPxl的比值；如果满足RatioBlack1＞X或者RatioBlack2＞X这个条件则令IsPressLineThreAux＝true，否则IsPressLineThreAux＝false；

当背景为黑色时，同样分别统计左下(Alb)和右下(Arb)两个区域里的白色像素的总数记为nSumWhiteAlb和nSumWhiteArb，并记RatioWhitel为nSumWhiteAlb与nSumWhitePxl的比值，RatioWhite2为nSumWhiteArb与nSumWhitePxl的比值；如果满足RatioBlackl＞X或者RatioBlack2＞X这个条件则令IsPressLineThreAux＝true，否则IsPressLineThreAux＝false；在此X取值为0.65；

(3.3.2.4)、根据步骤(3.3.2.2)和步骤(3.3.2.3)的结果，进行最后的判断，是否满足下列条件：

A：AverGray(Alb)＝Max or AverGray(Alb)＝Min

B：IsNullPicture(image.Height()，image.Width()/2，image.Width()，5)＝true

C：IsPressLineThreAux＝true

D：IsLicencePlate＝false

满足条件表示该图像的异常为压线，否则不是。

8.如权利要求1或2所述的一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，其特征在于：所述步骤3.3)，识别其他异常图像的方法的步骤如下：

3.3.1)识别图像重复的方法步骤描述如下：

(3.3.1.1)、分别获取原彩色图像的宽度image.Width()和图像的高度image.Height()；

(3.3.1.2)、计算宽高比即image.Width()/image.Height()并判断此比值是否大于2；比值大于2表明该图像的异常为图像重复，否则不是；

3.3.2)别图像反光方法的步骤描述如下：

(3.3.2.1)、原彩色图像经过灰度处理再进行二值化处理，在其二值图像里进行列扫描，计算每一列黑白像素的统计情况；

(3.3.2.2)、当某一列白色像素点的个数之和与该列像素的总数之比大于0.95时，把该列定义为白色光束列，且令BackLight[i]＝1，同时，BackLight[i]＝-1表示第i列为非白色光束列；

(3.3.2.3)、遍历整个BackLight[i]数组，如果满足BackLight[i+1]＝1且BackLight[i-49，...，i]＝-1，BackLight[i-49，...，i]表示从第i-49列到第i列中的每一列BackLight[i]的值；同时第i+1列左边50个列数都为非白色光束列，即表示第i+1列为非白色光束列到白色光束列的跳变列，于是把第i+1列定义为初选白色光束左边界列，并令blLeftArray[blaI]＝i+1，blLeftArray[blaI]为白色光束左边界列的集合；

(3.3.2.4)、遍历整个BackLight[i]数组，如果满足BackLight[i]＝1且BackLight[i+1，...i+50]＝-1，BackLight[i+1，...i+50]表示从第i+1列到第i+50列中的每一列BackLight[i]的值；同时第i列右边50个列数都为非白色光束列，即表示第i列为白色光束列到非白色光束列的跳变列，于是把第i列定义为初选白色光束右边界列，并令blRightArray[braJ]＝i，blRightArray[braJ]为白色光束左边界列的集合；

(3.3.2.5)、在blLeftArray[blaI]和blRightArray[braJ]集合里根据blaI小于braJ且BackLight[blaI，...，braJ]＝1寻找配对列，此配对列组合成初选的白色光束区域；

(3.3.2.6)、在其对应的灰度图像里，计算初选的白色光束区域的平均灰度值AverGrayBL和该白色光束区域左右5个像素区域内的平均灰度值AverGrayNext；如果满足AverGrayBL与AverGrayNext之差大于20，即可表示该白色光束区域即为我们需要找的反光图像中的特征白色光束，且IsLicencePlate＝false即可判断出该图像的异常为图像反光，否则不是。

Images