CN115035000B - 一种道路扬尘图像识别方法及*** - Google Patents
一种道路扬尘图像识别方法及*** Download PDFInfo
- Publication number
- CN115035000B CN115035000B CN202210953130.1A CN202210953130A CN115035000B CN 115035000 B CN115035000 B CN 115035000B CN 202210953130 A CN202210953130 A CN 202210953130A CN 115035000 B CN115035000 B CN 115035000B
- Authority
- CN
- China
- Prior art keywords
- frame image
- motion
- area
- current frame
- motion blur
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000428 dust Substances 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000033001 locomotion Effects 0.000 claims abstract description 405
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000002834 transmittance Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010410 dusting Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种道路扬尘图像识别方法及***,属于数据处理技术领域,该方法步骤包括:实时采集道路上的多帧图像和风速风向数据,将采集的当前帧和前一帧图像作差分得到当前帧图像中的多个运动模糊区域,计算出当前帧图像中每个运动模糊区域中每个运动目标的运动速度、运动方向和运动模糊方向,同时计算出当前帧图像中每个运动模糊区域的扬尘运动模糊方向,之后对当前帧图像进行自适应去模糊操作得到当前帧去运动模糊后的图像;采用暗通道先验算法计算出当前帧去运动模糊后的图像中的扬尘含量;本发明根据运动模糊区域图像的特征进行自适应去运动模糊操作,提高了去运动模糊的效果,实现准确的识别出扬尘含量。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种道路扬尘图像识别方法及***。
背景技术
目前随着我国机动车排放标准越来越严格,对机动车尾气排放的检测极为重要,专家可以根据城市道路扬尘含量制定道路扬尘的污染防治措施,为改善人们生活环境提供良策。
现有技术中在利用图像评估道路上扬尘含量时,一般利用暗通道先验去雾算法,通过估计图像中透射率的值来估计扬尘含量,然而在确定透射率的值时,由于相对运动产生的运动模糊会对扬尘含量的估计效果产生较大的影响,所以在估计图像中透射率的值之前需要先对图像去运动模糊,而目前在对图像去运动模糊时一般是以固定的运动模糊方向进行去运动模糊,但是由于道路上的运动目标较多,而不同的运动目标的运动方向是不相同的,若对道路上采集的图像也以固定的运动模糊方向进行去运动模糊,会降低去运动模糊的效果,从而造成不能准确的估计出扬尘含量的问题出现。
发明内容
本发明提供一种道路扬尘图像识别方法及***,通过连续帧图像差分确定图像中运动模糊区域,并根据运动模糊区域图像的特征,对行驶车辆的运动模糊方向以及扬尘的运动模糊方向进行分析计算,进而进行自适应的去运动模糊操作,提高了去运动模糊效果,能准确的估计图像中的扬尘含量。
本发明的一种道路扬尘图像识别方法及***采用如下技术方案:该方法包括:
实时采集道路上的多帧图像和风速风向数据;
将采集的当前帧和前一帧图像作差分得到当前帧图像中的多个运动模糊区域;
对采集的当前帧和前一帧图像中每个运动模糊区域进行角点检测并匹配得到多对角点,确定出当前帧图像中属于同一运动目标的多个角点;
利用当前帧和前一帧图像中每个运动模糊区域中属于同一运动目标的多个角点坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的运动速度、运动方向和运动模糊方向;
检测出当前帧图像中每个运动模糊区域中每个运动目标所在的区域,将当前帧图像中每个运动模糊区域中包含的全部运动目标所在的区域范围以外的区域作为扬尘区域;
利用当前帧图像中每个运动模糊区域中每个运动目标的运动速度,和每个运动模糊区域中每个运动目标质心与对应的扬尘区域质心之间的距离,确定出当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值;
利用当前帧图像所在时刻对应的风速风向数据、当前帧图像中每个运动模糊区域中每个运动目标的运动方向、当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值,计算出当前帧图像中每个运动模糊区域的扬尘运动模糊方向;
在获取当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向和每个运动模糊区域的扬尘运动模糊方向后,对当前帧图像进行去模糊操作得到当前帧去运动模糊后的图像;
采用暗通道先验算法计算出当前帧去运动模糊后的图像中的扬尘含量。
进一步地,所述确定出当前帧图像中属于同一运动目标的多个角点的步骤包括:
获取匹配后多对角点的坐标;
利用匹配后每对角点的坐标计算出匹配后每对角点的位移量;
利用匹配后每对角点的位移量和采集相邻帧图像的预设间隔时间,计算出当前帧图像中每个角点的移动速度;
计算出当前帧图像中任意两个角点的移动速度差值,将移动速度差值小于移动速度阈值的两个角点作为同一运动目标的两个角点,同理得到当前帧图像中属于同一运动目标的多个角点。
进一步地,所述计算出当前帧图像中每个运动模糊区域中每个运动目标的运动速度、运动方向和运动模糊方向的步骤包括:
获取当前帧图像中每个运动模糊区域中每个运动目标对应的角点数量和每个运动目标对应的多个角点的移动速度;
计算出当前帧图像中每个运动模糊区域中每个运动目标对应的多个角点的移动速度和值,将该和值与对应的运动目标中包含的角点数量的比值作为当前帧图像中每个运动模糊区域中每个运动目标的运动速度;
利用当前帧图像中每个运动模糊区域中每个运动目标对应的多个角点的坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的质心坐标;
利用前一帧图像中每个运动模糊区域中每个运动目标对应的多个角点的坐标,计算出前一帧图像中每个运动模糊区域中每个运动目标的质心坐标;
利用当前帧和前一帧图像中每个运动模糊区域中每个运动目标的质心坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的运动方向;
将当前帧图像中每个运动模糊区域中每个运动目标的运动方向的反方向,作为当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向。
进一步地,所述检测出当前帧图像中每个运动模糊区域中每个运动目标所在的区域的步骤包括:
以当前帧图像中属于同一运动目标的多个角点作为参考进行凸包检测,将凸包构成的区域作为该运动目标的区域范围,同理得到当前帧图像中每个运动模糊区域中每个运动目标所在的区域。
进一步地,所述当前帧图像中每个运动模糊区域的扬尘运动模糊方向的计算公式为:
其中,表示第帧图像对应的风速数据;表示归一化后的风速数据;表示与风向平行的单位向量;表示第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值;表示归一化后的第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值;表示与第帧图像的第个运动模糊区域中的第个运动目标前进方向平行的单位向量。
进一步地,所述对当前帧图像进行去模糊操作得到当前帧去运动模糊后的图像的步骤包括:
在获取当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向和每个运动模糊区域的扬尘运动模糊方向后,通过非盲去卷积方法以现有的模糊核进行去模糊操作,得到当前帧去运动模糊后的图像。
进一步地,所述采用暗通道先验算法计算出当前帧去运动模糊后的图像中的扬尘含量的步骤包括:
根据暗通道先验算法中的现有的大气散射模型,计算出当前帧去运动模糊后的图像中的透射率;
利用当前帧去运动模糊后的图像中的透射率,计算出当前帧去运动模糊后的图像中的扬尘含量。
一种道路扬尘图像识别***,包括:
采集模块,用于实时采集道路上的多帧图像和风速风向数据;
运动模糊区域确定模块,用于将采集的当前帧和前一帧图像作差分得到当前帧图像中的多个运动模糊区域;
第一计算模块,用于对采集的当前帧和前一帧图像中每个运动模糊区域进行角点检测并匹配得到多对角点,确定出当前帧图像中属于同一运动目标的多个角点;用于利用当前帧和前一帧图像中每个运动模糊区域中属于同一运动目标的多个角点坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的运动速度、运动方向和运动模糊方向;
扬尘区域确定模块,用于检测出当前帧图像中每个运动模糊区域中每个运动目标所在的区域,将当前帧图像中每个运动模糊区域中包含的全部运动目标所在的区域范围以外的区域作为扬尘区域;
第二计算模块,用于利用当前帧图像中每个运动模糊区域中每个运动目标的运动速度,和每个运动模糊区域中每个运动目标质心与对应的扬尘区域质心之间的距离,确定出当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值;
第三计算模块,用于利用当前帧图像所在时刻对应的风速风向数据、当前帧图像中每个运动模糊区域中每个运动目标的运动方向、当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值,计算出当前帧图像中每个运动模糊区域的扬尘运动模糊方向;
扬尘含量计算模块,用于在获取当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向和每个运动模糊区域的扬尘运动模糊方向后,对当前帧图像进行去模糊操作得到当前帧去运动模糊后的图像;用于采用暗通道先验算法计算出当前帧去运动模糊后的图像中的扬尘含量。
本发明的有益效果是:
本发明提供一种道路扬尘图像识别方法及***,通过相邻帧图像差分确定图像中运动模糊区域,并根据运动模糊区域图像的特征,对运动目标的运动模糊方向以及扬尘的运动模糊方向进行分析计算,进而进行自适应的去运动模糊操作。本发明在获取道路图像上多个运动目标的运动模糊方向和扬尘的运动模糊方向后,按照采集的图像上每个运动目标的运动模糊方向和扬尘的运动模糊方向进行去运动模糊操作,相较于现有技术中以固定的运动模糊方向进行去运动模糊,提高了去运动模糊效果,能准确的估计图像中的扬尘含量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种道路扬尘图像识别方法的实施例总体步骤的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种道路扬尘图像识别方法的实施例,如图1所示,该方法包括:
S1、实时采集道路上的多帧图像和风速风向数据。
本发明需要根据采集的道路上的图像进行扬尘含量评估,因此需要在道路两侧上布置监控摄像头采集图像,同时在道路两侧上布置风速风向传感器采集风速风向数据。其中监控摄像头采用CCD工业相机,并且定期对工业相机上吸附的尘土进行清洗,保证监控摄像头能准确的采集到道路上的图像。其中风速风向传感器采用方向角度型传感器即可。特别说明的是现有的风速风向传感器往往是分钟级的数据,与相机采集的图像帧数不同,因此后续进行将分钟内的每帧图像进行与分钟级数据进行匹配,即将每分钟采集的风向风速数据作为该分钟内每一帧图像的风向和风速数据。
S2、将采集的当前帧和前一帧图像作差分得到当前帧图像中的多个运动模糊区域。
本发明中通过对采集的图像进行去运动模糊后,再根据暗通道先验去雾算法估计图像的扬尘含量。而在图像去模糊过程中,为了减小计算量,首先需要确定去模糊区域,即本发明中去模糊区域为道路上运动目标所在区域,而道路上的主要运动目标为行驶车辆以及飘动的扬尘,则采集的图像中模糊的区域为行驶车辆的运动模糊以及飘动扬尘的运动模糊,其他图像区域为相对静止的区域。图像中运动模糊区域能通过相邻帧之间图像的差异进行确定,因此利用相邻帧图像进行差分来获取图像中运动模糊区域。以第帧图像为例,与第帧图像作差分运算,得到的差分区域即为运动目标的移动区域,由于图像中运动目标车辆可能不是唯一的,因此,运动模糊区域可能为多个,其中第帧图像中的第个运动模糊区域记为,本发明接下来的去运动模糊的过程在上述得到的去运动模糊区域中。
S3、对采集的当前帧和前一帧图像中每个运动模糊区域进行角点检测并匹配得到多对角点,确定出当前帧图像中属于同一运动目标的多个角点。
确定出当前帧图像中属于同一运动目标的多个角点的步骤包括:获取匹配后多对角点的坐标;利用匹配后每对角点的坐标计算出匹配后每对角点的位移量;利用匹配后每对角点的位移量和采集相邻帧图像的预设间隔时间,计算出当前帧图像中每个角点的移动速度;计算出当前帧图像中任意两个角点的移动速度差值,将移动速度差值小于移动速度阈值的两个角点作为同一运动目标的两个角点,同理得到当前帧图像中属于同一运动目标的多个角点。
S4、利用当前帧和前一帧图像中每个运动模糊区域中属于同一运动目标的多个角点坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的运动速度、运动方向和运动模糊方向。
计算出当前帧图像中每个运动模糊区域中每个运动目标的运动速度、运动方向和运动模糊方向的步骤包括:获取当前帧图像中每个运动模糊区域中每个运动目标对应的角点数量和每个运动目标对应的多个角点的移动速度;计算出当前帧图像中每个运动模糊区域中每个运动目标对应的多个角点的移动速度和值,将该和值与对应的运动目标中包含的角点数量的比值作为当前帧图像中每个运动模糊区域中每个运动目标的运动速度;利用当前帧图像中每个运动模糊区域中每个运动目标对应的多个角点的坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的质心坐标;利用前一帧图像中每个运动模糊区域中每个运动目标对应的多个角点的坐标,计算出前一帧图像中每个运动模糊区域中每个运动目标的质心坐标;利用当前帧和前一帧图像中每个运动模糊区域中每个运动目标的质心坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的运动方向;将当前帧图像中每个运动模糊区域中每个运动目标的运动方向的反方向,作为当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向。
在去运动模糊过程中,图像的去模糊效果与模糊方向有关,因此,为了通过暗通道先验去雾算法准确估计图像中扬尘的含量,需要使图像去模糊的效果达到最优,由于本发明中主要的运动模糊为行驶车辆的模糊以及飘动扬尘的模糊,因此本发明根据步骤S2获取的运动模糊区域,来获得去模糊过程中的去模糊方向。
确定运动目标的运动模糊方向,由于车辆行驶过程中与图像采集相机产生相对位移,因此会产生运动模糊,车辆的运动模糊主要表现为车辆边缘的运动模糊。根据先验知识可知车辆的运动模糊方向与车辆的运动方向相反,因此本发明可通过获取车辆的运动方向来获取车辆的运动模糊方向。
具体过程为:
对获取的连续两帧图像的运动模糊区域进行Harris角点检测,获得运动模糊区域中运动目标的角点并进行角点匹配,由于同一运动目标的角点移动速度相同,因此,根据每一对匹配后的角点的位移量(表示为第对角点对之间的欧式距离)以及相机采集相邻帧图像的预设间隔时间计算出每一对角点的移动速度作为当前帧图像的该角点的移动速度。
若其中两个角点的移动速度差距小于移动速度误差阈值(其中,移动速度阈值用于分析是否为同一运动目标,即在允许的误差范围内,移动速度相似或相同的两个角点为同一运动目标的两个角点),则该两个角点属于同一个运动目标(例如当前帧图像中第一个角点的移动速度为,第二个角点对的移动速度为,移动速度的差异为,则第一个角点与第二角点均属于同一个目标车辆)至此,可以得到全部属于同一个运动目标的角点。
对于属于同一个运动目标的角点,在第帧图像的第个运动模糊区域中以第个运动目标的全部角点计算出第个运动目标的质心。同样,计算出第帧图像的第个运动模糊区域中第个运动目标(即与第帧图像为同一目标)的质心,则由两个质心确定的向量方向即为第个运动目标的运动方向,其中第帧图像的第个运动模糊区域图像的第个运动目标的运动方向的计算表达式为:
其中,表示第帧图像的第个运动模糊区域中第个运动目标的质心的坐标;表示第帧图像的第个运动模糊区域中第个运动目标车辆的质心的坐标;表示反正切函数;表示与轴平行的单位向量;表示第帧图像的第个运动模糊区域图像的第个运动目标的运动方向。通过对相邻两帧图像的角点进行匹配确定属于同一运动目标的多个角点,并根据同一个运动目标的多个角点确定质心,进而根据质心的坐标确定运动目标的移动方向,同理,得到当前帧图像中每个运动模糊区域中每个运动目标的运动方向。将第帧图像的第个运动模糊区域图像的第个运动目标的运动方向的相反方向,作为第帧图像的第个运动模糊区域图像的第个运动目标车辆的运动去模糊方向(即)。至此,得到了第帧图像的第个运动模糊区域图像的第个运动目标车辆的运动模糊方向。
S5、检测出当前帧图像中每个运动模糊区域中每个运动目标所在的区域,将当前帧图像中每个运动模糊区域中包含的全部运动目标所在的区域范围以外的区域作为扬尘区域。
检测出当前帧图像中每个运动模糊区域中每个运动目标所在的区域的步骤包括:以当前帧图像中属于同一运动目标的多个角点作为参考进行凸包检测,将凸包构成的区域作为该运动目标的区域范围,同理得到当前帧图像中每个运动模糊区域中每个运动目标所在的区域。
以第帧图像为例,根据步骤S2获得的第帧图像中的第个运动模糊区域记为,该运动模糊区域由于为连续帧图像差分获得的,则该运动模糊区域中仅包含运动目标车辆区域以及扬尘区域。以当前帧图像中属于同一运动目标的多个角点作为参考进行凸包检测,将凸包构成的区域作为运动目标的区域范围(特别说明的是,若运动模糊区域中包含多个运动目标,则同样将属于同一个运动目标角点构造成凸包)。在第帧图像的第个运动模糊区域中除凸包所在的图像范围外的区域作为扬尘区域范围。
S6、利用当前帧图像中每个运动模糊区域中每个运动目标的运动速度,和每个运动模糊区域中每个运动目标质心与对应的扬尘区域质心之间的距离,确定出当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值。
确定扬尘运动模糊方向:由于扬尘本身的特性:颗粒较小漂浮于空中容易受到流动空气的流动,因此,扬尘的运动模糊方向的影响因素主要受到风向风速的影响以及运动目标的移动方向的影响。因此为了确定扬尘的运动模糊方向,对风的影响和运动目标车辆的影响设置各自相应的影响权重值,进行扬尘运动模糊方向运算。通过步骤一获取的风向和风速传感器数据为分钟级别的数据。由于图像采集相邻帧的间隔时间与传感器采集的时间不同,因此,通过将每分钟采集的风向风速数据作为该分钟内每一帧图像的风向和风速数据,记为第分钟采集的风向和风速数据分别为和,则对应对于属于该分钟内的帧数(以第帧表示)的风向数据和风速数据分别为:和。
由先验知识可知,扬尘的运动模糊方向与风和运动目标影响有关,因此本发明根据风速与运动目标的行驶速度计算各自相应的速度影响权重值。其中风速越大,则风的影响权重值越大,扬尘的移动方向(运动模糊方向与之相反)越接近于风向;运动目标速度越大,则运动目标的影响权重值越大,扬尘的移动方向(运动模糊方向与之相反)越接近于运动目标的行驶方向。
由于运动模糊区域中存在多个运动目标,且扬尘的分布主要受到扬尘附近运动目标的影响,因此在计算运动目标对扬尘的影响权重值时,首先需要确定运动模糊区域中每个运动目标与对应的扬尘区域之间的距离。
以扬尘区域的质心作为扬尘区域的中心,利用运动模糊区域图像中运动目标数量为,结合S4步骤中得到的各个运动目标的运动速度计算出各个运动目标对扬尘的影响权重值,其中第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值的计算公式为:
其中,表示第帧图像的第个运动模糊区域的第个运动目标的质心;表示第帧图像的第个运动模糊区域的扬尘区域范围的质心;表示第帧图像的第个运动模糊区域的第个运动目标的质心,与第帧图像的第个运动模糊区域的扬尘区域范围的质心的欧式距离;表示第帧图像的第个运动模糊区域的第个运动目标的运动速度。其中运动模糊区域中的各个运动目标对扬尘的影响权重值,与各个运动目标与扬尘之间的距离有关,距离越大,运动目标对扬尘的影响越小,则对应的对扬尘的速度影响值就越小。通过表征各个运动目标对扬尘的影响,在计算扬尘模糊方向时,作为各个运动目标车辆的影响权重。至此,得到了第帧图像的第个运动模糊区域中第个运动目标对扬尘的影响权重值。
S7、利用当前帧图像所在时刻对应的风速风向数据、当前帧图像中每个运动模糊区域中每个运动目标的运动方向、当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值,计算出当前帧图像中每个运动模糊区域的扬尘运动模糊方向。
根据上述分析,扬尘的移动方向(运动模糊方向与之相反)与风和运动目标车辆有关,并且风速越大,则风的影响权重值越大,扬尘的移动方向(运动模糊方向与之相反)越接近于风向;运动目标车辆速度越大,则运动目标车辆的影响权重值越大,扬尘的移动方向(运动模糊方向与之相反)越接近于运动目标车辆的行驶方向。因此,根据上述步骤得到的第帧图像对应的风向数据、风速数据,以及第帧图像的第个运动模糊区域中的第个运动目标车辆的行驶方向、速度影响权重值,计算第帧图像的第个运动模糊区域中扬尘运动模糊方向,当前帧图像即为第帧图像,具体的计算公式为:
其中,表示第帧图像对应的风速数据;表示归一化后的风速数据;表示与风向平行的单位向量;表示第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值;表示归一化后的第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值;表示与第帧图像的第个运动模糊区域中的第个运动目标车辆行驶方向平行的单位向量;表示第帧图像的第个运动模糊区域中存在的个运动目标车辆的速度影响的累加;表示向量计算中方向的计算;“”表示扬尘的运动模糊方向与扬尘的移动方向相反。其中,由于方向不能直接与权重值进行计算,因此通过向量表示进行计算。扬尘的模糊方向受到了风的影响以及运动目标的影响,而在这些影响中,通过风速和运动目标的运动速度进行判定影响的大小,若风速越大则表明风速的影响较大,对应的扬尘的移动方向更接近于风向,若运动目标的运动速度越大则表明行驶方向的影响较高,对应的扬尘的移动方法更接近于运动目标的运动方向。
S8、在获取当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向和每个运动模糊区域的扬尘运动模糊方向后,对当前帧图像进行去模糊操作得到当前帧去运动模糊后的图像。
对当前帧图像进行去模糊操作得到当前帧去运动模糊后的图像的步骤包括:在获取当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向和每个运动模糊区域的扬尘运动模糊方向后,通过非盲去卷积方法以现有的模糊核进行去模糊操作,得到当前帧去运动模糊后的图像。
本发明中在得到第帧图像的运动模糊区域、第帧图像的运动模糊区域中运动目标的运动模糊方向和扬尘的运动模糊方向后,通过现有的非盲去卷积方法,以现有的模糊核进行去模糊操作,得到去除运动模糊后的图像。在本发明中不对模糊核进行限定,仅对模糊区域以及去模糊方向进行去运动模糊计算。至此,得到当前帧去运动模糊后的图像。
S9、采用暗通道先验算法计算出当前帧去运动模糊后的图像中的扬尘含量。
采用暗通道先验算法计算出当前帧去运动模糊后的图像中的扬尘含量的步骤包括:根据暗通道先验算法中的现有的大气散射模型,计算出当前帧去运动模糊后的图像中的透射率;利用当前帧去运动模糊后的图像中的透射率,计算出当前帧去运动模糊后的图像中的扬尘含量。
本发明在得到当前帧去运动模糊后的图像后,采用暗通道先验算法,根据暗通道先验算法中的现有的大气散射模型进行扬尘含量评估,其中扬尘含量通过暗通道先验算法中的透射率进行表征,现有技术中透射率的具体计算公式为:
其中,表示步骤二获得的自适应去运动模糊后的图像;表示窗口大小,本发明中设置为;表示在三个通道中像素点的最小值;表示暗通道图像,即在图像中以像素点为中心的窗口下,选取窗口内灰度值最小值代替像素点的灰度值之后,所有替换后灰度值之后的像素点构成的图像;表示全局信息变量,为暗通道图像中像素值前的像素点在原始图像中的最大灰度值。
至此,计算出当前帧图像的透射率,根据先验知识可知图像的透射率越低,图像的扬尘含量就越高。设置扬尘程度阈值,,,其中,可根据实施者具体实施情况而定。通过比较第帧图像的透射率与扬尘程度阈值的差异,进行扬尘程度评估,具体的为:
一种道路扬尘图像识别***,包括:
采集模块,用于实时采集道路上的多帧图像和风速风向数据;
运动模糊区域确定模块,用于将采集的当前帧和前一帧图像作差分得到当前帧图像中的多个运动模糊区域;
第一计算模块,用于对采集的当前帧和前一帧图像中每个运动模糊区域进行角点检测并匹配得到多对角点,确定出当前帧图像中属于同一运动目标的多个角点;用于利用当前帧和前一帧图像中每个运动模糊区域中属于同一运动目标的多个角点坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的运动速度、运动方向和运动模糊方向;
扬尘区域确定模块,用于检测出当前帧图像中每个运动模糊区域中每个运动目标所在的区域,将当前帧图像中每个运动模糊区域中包含的全部运动目标所在的区域范围以外的区域作为扬尘区域;
第二计算模块,用于利用当前帧图像中每个运动模糊区域中每个运动目标的运动速度,和每个运动模糊区域中每个运动目标质心与对应的扬尘区域质心之间的距离,确定出当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值;
第三计算模块,用于利用当前帧图像所在时刻对应的风速风向数据、当前帧图像中每个运动模糊区域中每个运动目标的运动方向、当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值,计算出当前帧图像中每个运动模糊区域的扬尘运动模糊方向;
扬尘含量计算模块,用于在获取当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向和每个运动模糊区域的扬尘运动模糊方向后,对当前帧图像进行去模糊操作得到当前帧去运动模糊后的图像;用于采用暗通道先验算法计算出当前帧去运动模糊后的图像中的扬尘含量。
综上所述,本发明提供一种道路扬尘图像识别方法及***,通过相邻帧图像差分确定图像中运动模糊区域,并根据运动模糊区域图像的特征,对运动目标的运动模糊方向以及扬尘的运动模糊方向进行分析计算,从而得到运动模糊区域图像运动模糊方向,进行自适应去运动模糊计算,提高了去运动模糊的效果,实现准确的识别出扬尘含量。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种道路扬尘图像识别方法,其特征在于,该方法包括:
实时采集道路上的多帧图像和风速风向数据;
将采集的当前帧和前一帧图像作差分得到当前帧图像中的多个运动模糊区域;
对采集的当前帧和前一帧图像中每个运动模糊区域进行角点检测并匹配得到多对角点,确定出当前帧图像中属于同一运动目标的多个角点;
利用当前帧和前一帧图像中每个运动模糊区域中属于同一运动目标的多个角点坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的运动速度、运动方向和运动模糊方向;
检测出当前帧图像中每个运动模糊区域中每个运动目标所在的区域,将当前帧图像中每个运动模糊区域中包含的全部运动目标所在的区域范围以外的区域作为扬尘区域;
利用当前帧图像中每个运动模糊区域中每个运动目标的运动速度,和每个运动模糊区域中每个运动目标质心与对应的扬尘区域质心之间的距离,确定出当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值;
确定运动模糊区域中每个运动目标质心与对应的扬尘区域质心之间的距离,以扬尘区域质心作为扬尘区域的中心,利用运动模糊区域图像中运动目标数量为,结合得到的每个运动目标的运动速度计算出每个运动目标对扬尘的影响权重值,其中,当前帧图像即为第帧图像,第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值的计算公式为:
其中,表示第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值;表示第帧图像的第个运动模糊区域的第个运动目标的质心;表示第帧图像的第个运动模糊区域的扬尘区域范围的质心;表示第帧图像的第个运动模糊区域的第个运动目标的质心,与第帧图像的第个运动模糊区域的扬尘区域范围的质心的欧式距离;表示第帧图像的第个运动模糊区域的第个运动目标的运动速度;
利用当前帧图像所在时刻对应的风速风向数据、当前帧图像中每个运动模糊区域中每个运动目标的运动方向、当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值,计算出当前帧图像中每个运动模糊区域的扬尘运动模糊方向;
其中,表示第帧图像的第个运动模糊区域中扬尘运动模糊方向;表示第帧图像对应的风速数据;表示归一化后的风速数据;表示与风向平行的单位向量;表示第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值;表示归一化后的第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值;表示与第帧图像的第个运动模糊区域中的第个运动目标车辆行驶方向平行的单位向量;表示第帧图像的第个运动模糊区域中存在的个运动目标车辆的速度影响的累加;表示向量计算中方向的计算;“”表示扬尘的运动模糊方向与扬尘的移动方向相反;
在获取当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向和每个运动模糊区域的扬尘运动模糊方向后,对当前帧图像进行去模糊操作得到当前帧去运动模糊后的图像;
采用暗通道先验算法计算出当前帧去运动模糊后的图像中的扬尘含量。
2.根据权利要求1所述的一种道路扬尘图像识别方法,其特征在于,所述确定出当前帧图像中属于同一运动目标的多个角点的步骤包括:
获取匹配后多对角点的坐标;
利用匹配后每对角点的坐标计算出匹配后每对角点的位移量;
利用匹配后每对角点的位移量和采集相邻帧图像的预设间隔时间,计算出当前帧图像中每个角点的移动速度;
计算出当前帧图像中任意两个角点的移动速度差值,将移动速度差值小于移动速度阈值的两个角点作为同一运动目标的两个角点,同理得到当前帧图像中属于同一运动目标的多个角点。
3.根据权利要求2所述的一种道路扬尘图像识别方法,其特征在于,所述计算出当前帧图像中每个运动模糊区域中每个运动目标的运动速度、运动方向和运动模糊方向的步骤包括:
获取当前帧图像中每个运动模糊区域中每个运动目标对应的角点数量和每个运动目标对应的多个角点的移动速度;
计算出当前帧图像中每个运动模糊区域中每个运动目标对应的多个角点的移动速度和值,将该和值与对应的运动目标中包含的角点数量的比值作为当前帧图像中每个运动模糊区域中每个运动目标的运动速度;
利用当前帧图像中每个运动模糊区域中每个运动目标对应的多个角点的坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的质心坐标;
利用前一帧图像中每个运动模糊区域中每个运动目标对应的多个角点的坐标,计算出前一帧图像中每个运动模糊区域中每个运动目标的质心坐标;
利用当前帧和前一帧图像中每个运动模糊区域中每个运动目标的质心坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的运动方向;
将当前帧图像中每个运动模糊区域中每个运动目标的运动方向的反方向,作为当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向。
4.根据权利要求1所述的一种道路扬尘图像识别方法,其特征在于,所述检测出当前帧图像中每个运动模糊区域中每个运动目标所在的区域的步骤包括:
以当前帧图像中属于同一运动目标的多个角点作为参考进行凸包检测,将凸包构成的区域作为该运动目标的区域范围,同理得到当前帧图像中每个运动模糊区域中每个运动目标所在的区域。
5.根据权利要求1所述的一种道路扬尘图像识别方法,其特征在于,所述对当前帧图像进行去模糊操作得到当前帧去运动模糊后的图像的步骤包括:
在获取当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向和每个运动模糊区域的扬尘运动模糊方向后,通过非盲去卷积方法以现有的模糊核进行去模糊操作,得到当前帧去运动模糊后的图像。
6.根据权利要求1所述的一种道路扬尘图像识别方法,其特征在于,所述采用暗通道先验算法计算出当前帧去运动模糊后的图像中的扬尘含量的步骤包括:
根据暗通道先验算法中的现有的大气散射模型,计算出当前帧去运动模糊后的图像中的透射率;
利用当前帧去运动模糊后的图像中的透射率,计算出当前帧去运动模糊后的图像中的扬尘含量。
7.一种道路扬尘图像识别***,其特征在于,包括:
采集模块,用于实时采集道路上的多帧图像和风速风向数据;
运动模糊区域确定模块,用于将采集的当前帧和前一帧图像作差分得到当前帧图像中的多个运动模糊区域;
第一计算模块,用于对采集的当前帧和前一帧图像中每个运动模糊区域进行角点检测并匹配得到多对角点,确定出当前帧图像中属于同一运动目标的多个角点;用于利用当前帧和前一帧图像中每个运动模糊区域中属于同一运动目标的多个角点坐标,计算出当前帧图像中每个运动模糊区域中每个运动目标的运动速度、运动方向和运动模糊方向;
扬尘区域确定模块,用于检测出当前帧图像中每个运动模糊区域中每个运动目标所在的区域,将当前帧图像中每个运动模糊区域中包含的全部运动目标所在的区域范围以外的区域作为扬尘区域;
第二计算模块,用于利用当前帧图像中每个运动模糊区域中每个运动目标的运动速度,和每个运动模糊区域中每个运动目标质心与对应的扬尘区域质心之间的距离,确定出当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值;
确定运动模糊区域中每个运动目标质心与对应的扬尘区域质心之间的距离,以扬尘区域质心作为扬尘区域的中心,利用运动模糊区域图像中运动目标数量为,结合得到的每个运动目标的运动速度计算出每个运动目标对扬尘的影响权重值,其中,当前帧图像即为第帧图像,第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值的计算公式为:
其中,表示第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值;表示第帧图像的第个运动模糊区域的第个运动目标的质心;表示第帧图像的第个运动模糊区域的扬尘区域范围的质心;表示第帧图像的第个运动模糊区域的第个运动目标的质心,与第帧图像的第个运动模糊区域的扬尘区域范围的质心的欧式距离;表示第帧图像的第个运动模糊区域的第个运动目标的运动速度;
第三计算模块,用于利用当前帧图像所在时刻对应的风速风向数据、当前帧图像中每个运动模糊区域中每个运动目标的运动方向、当前帧图像中每个运动模糊区域中每个运动目标对扬尘的影响权重值,计算出当前帧图像中每个运动模糊区域的扬尘运动模糊方向;
其中,表示第帧图像的第个运动模糊区域中扬尘运动模糊方向;表示第帧图像对应的风速数据;表示归一化后的风速数据;表示与风向平行的单位向量;表示第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值;表示归一化后的第帧图像的第个运动模糊区域中的第个运动目标对扬尘的影响权重值;表示与第帧图像的第个运动模糊区域中的第个运动目标车辆行驶方向平行的单位向量;表示第帧图像的第个运动模糊区域中存在的个运动目标车辆的速度影响的累加;表示向量计算中方向的计算;“”表示扬尘的运动模糊方向与扬尘的移动方向相反;
扬尘含量计算模块,用于在获取当前帧图像中每个运动模糊区域中每个运动目标的运动模糊方向和每个运动模糊区域的扬尘运动模糊方向后,对当前帧图像进行去模糊操作得到当前帧去运动模糊后的图像;用于采用暗通道先验算法计算出当前帧去运动模糊后的图像中的扬尘含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210953130.1A CN115035000B (zh) | 2022-08-10 | 2022-08-10 | 一种道路扬尘图像识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210953130.1A CN115035000B (zh) | 2022-08-10 | 2022-08-10 | 一种道路扬尘图像识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115035000A CN115035000A (zh) | 2022-09-09 |
CN115035000B true CN115035000B (zh) | 2022-11-04 |
Family
ID=83131313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210953130.1A Active CN115035000B (zh) | 2022-08-10 | 2022-08-10 | 一种道路扬尘图像识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035000B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071657B (zh) * | 2023-03-07 | 2023-07-25 | 青岛旭华建设集团有限公司 | 一种建筑施工视频监控大数据的智能预警*** |
CN118096727A (zh) * | 2024-04-18 | 2024-05-28 | 山东鲁汾酒业有限公司 | 一种酒罐装生产过程中异物视觉检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447622A (zh) * | 2016-08-30 | 2017-02-22 | 乐视控股(北京)有限公司 | 一种图像雾霾去除方法及装置 |
CN109272456A (zh) * | 2018-07-25 | 2019-01-25 | 大连理工大学 | 基于视觉先验信息的模糊图像高精度还原方法 |
CN114372935A (zh) * | 2022-01-10 | 2022-04-19 | 浪潮通用软件有限公司 | 一种运动模糊图像的复原方法、装置、设备及可读介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111002976B (zh) * | 2019-09-20 | 2021-05-18 | 江苏理工学院 | 一种基于模糊自适应pid控制的智能车辆抗侧风控制方法 |
US11361455B2 (en) * | 2020-07-22 | 2022-06-14 | Microsoft Technology Licensing, Llc | Systems and methods for facilitating the identifying of correspondences between images experiencing motion blur |
CN112381742A (zh) * | 2020-11-25 | 2021-02-19 | 清华大学合肥公共安全研究院 | 一种单幅图像去运动模糊方法及*** |
-
2022
- 2022-08-10 CN CN202210953130.1A patent/CN115035000B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447622A (zh) * | 2016-08-30 | 2017-02-22 | 乐视控股(北京)有限公司 | 一种图像雾霾去除方法及装置 |
CN109272456A (zh) * | 2018-07-25 | 2019-01-25 | 大连理工大学 | 基于视觉先验信息的模糊图像高精度还原方法 |
CN114372935A (zh) * | 2022-01-10 | 2022-04-19 | 浪潮通用软件有限公司 | 一种运动模糊图像的复原方法、装置、设备及可读介质 |
Non-Patent Citations (4)
Title |
---|
A improved rapid restoration algorithm of motion blurred coal dust image;Sun Sitong 等;《2011 International Conference on Electric Information and Control Engineering》;20110527;全文 * |
Study on improved algorithm for estimation of motion blur direction based on radon transform;Qiuxiang LIAO 等;《MACHINE TOOL &HYDRAULICS》;20180630;第46卷(第12期);全文 * |
基于Radon变换改进的运动模糊图像PSF参数估计算法;陈健 等;《软件》;20200630;第41卷(第6期);全文 * |
视频监控图像的运动模糊方向估计;吴海滨 等;《液晶与显示》;20140831;第29卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115035000A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115035000B (zh) | 一种道路扬尘图像识别方法及*** | |
CN109325935B (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN108596169B (zh) | 基于视频流图像的分块信号转换与目标检测方法及装置 | |
EP2570966A2 (en) | Fast obstacle detection | |
CN111860120B (zh) | 车载相机自动遮挡检测方法和装置 | |
CN116757990A (zh) | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 | |
KR102606931B1 (ko) | 정적 오염 감지 및 보정 | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
WO2014002692A1 (ja) | ステレオカメラ | |
CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测*** | |
CN105069778B (zh) | 基于目标特征显著图构建的工业产品表面缺陷检测方法 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
CN113376172B (zh) | 一种基于视觉与涡流的焊缝缺陷检测***及其检测方法 | |
CN114127784A (zh) | 用于生成相机流的掩模的方法、计算机程序产品和计算机可读介质 | |
CN103077387A (zh) | 视频中货运列车车厢自动检测方法 | |
CN114140384A (zh) | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 | |
CN117094914A (zh) | 基于计算机视觉的智慧城市道路监控*** | |
CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
CN110705553A (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
CN112053385B (zh) | 基于深度强化学习的遥感视频遮挡目标跟踪方法 | |
CN114638822B (zh) | 一种利用光学手段的汽车盖板表面质量检测方法及*** | |
CN103473753A (zh) | 一种基于多尺度小波阈值去噪的目标检测方法 | |
CN114509089A (zh) | 一种非接触式轨道交通列车速度方向里程检测方法及*** | |
CN110414357B (zh) | 一种基于车辆类型识别的前方车辆定位方法 | |
CN115240170A (zh) | 一种基于事件相机的道路行人检测跟踪方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |