CN117173896A - 基于arm技术体系的视觉通行控制方法 - Google Patents

Abstract

本发明公开了基于ARM技术体系的视觉通行控制方法，涉及ARM技术领域，所述方法包括：步骤1：构建ARM图像传感器网络；步骤2：云端验证***在接收到道路图像数据后，对道路图像数据进行分组；步骤3：在云端验证***判断交通状况为事故时，则对交通信号灯进行控制，以避免其他车辆进入道路；在云端验证***判断交通状况为恶劣天气时，则发送广播信号至以道路为中心，以设定值为半径内的圆周范围覆盖的其他车辆，提醒其他车辆，道路出现恶劣天气；在在云端验证***判断交通状况为拥堵时，则对交通信号灯进行控制，以减少进入道路的车流量。本发明实现了道路交通通行的自动化和智能化，具有效率高和准确率高的优点。

Description

基于ARM技术体系的视觉通行控制方法

技术领域

本发明涉及ARM技术领域，特别涉及基于ARM技术体系的视觉通行控制方法。

背景技术

随着智能交通***（ITS）的快速发展和城市化进程的加快，提高道路交通管理效率和确保行人及车辆安全已成为当务之急。视觉通行控制***作为智能交通的一个重要分支，利用视频图像处理和分析技术来管理交通流，已经得到了广泛的研究和应用。然而，现有的视觉通行控制技术还存在着许多问题和挑战，急需更高效、更智能的解决方案。

现有技术中，针对道路交通通行控制，往往依赖人工。这是因为如何判断道路状况是一个复杂的问题，而针对不同的道路状况进行出行控制，又需要大量的工作来进行。然而对于道路通行控制，可以通过控制交通信号灯来执行，而对于道路的状况的判定，可以进行一定程度的概括或抽象，将道路交通的出行控制进行简化，可以在一定程度上实现道路交通出现控制的智能化和自动化。在车辆行进过程中，车辆两侧的环境图像往往能够反映车辆是否在行进过程中，也就是说可以判断车辆的状态，以及可以通过车辆两侧环境图像的亮度和模糊度来判断天气状况。基于这两个原理，可以在一定程度上实现道路交通通行控制。

发明内容

本发明的目的是提供基于ARM技术体系的视觉通行控制方法，实现了道路交通通行的自动化和智能化，具有效率高和准确率高的优点。

为解决上述技术问题，本发明提供基于ARM技术体系的视觉通行控制方法，所述方法包括：

步骤1：构建ARM图像传感器网络；所述ARM图像传感器网络包括多个独立工作的ARM图像传感器，每个ARM图像传感器设置于各个行驶于目标区域的车辆；每个ARM图像传感器设置于车辆顶部，实时获取自身所处车辆在行进过程中的位于车辆顶部两侧的目标区域的道路图像数据，并对获取到的道路图像数据进行初步分析与识别，以判断道路是否出现异常，得到初步判断结果，在初步判断结果为异常时，每个ARM图像传感器向设定半径内的其他ARM传感器发送异常信号，若ARM图像传感器收到至少2个异常信号，则ARM图像传感器则将自身获取到的道路图像数据发送至云端验证***；

步骤2：云端验证***在接收到道路图像数据后，对道路图像数据进行分组，具体包括：将彼此所处位置的欧式距离小于设定值的ARM图像传感器获取到的道路图像数据归为一组，同一组道路图像数据对应一条道路；针对同一组的道路图像数据进行图像识别判断，判断道路的交通状况；所述交通状况包括：事故、拥堵和恶劣天气；

步骤3：在云端验证***判断交通状况为事故时，则对交通信号灯进行控制，以避免其他车辆进入道路；在云端验证***判断交通状况为恶劣天气时，则发送广播信号至以道路为中心，以设定值为半径内的圆周范围覆盖的其他车辆，提醒其他车辆，道路出现恶劣天气；在在云端验证***判断交通状况为拥堵时，则对交通信号灯进行控制，以减少进入道路的车流量。

进一步的，所述步骤1中，每个ARM图像传感器实时获取自身所处车辆在行进过程中的目标区域的道路图像数据，并对获取到的道路图像数据进行初步分析与识别，以判断道路是否出现异常，得到初步判断结果的方法包括：每个ARM图像传感器将实时获取到的自身所处车辆在行进过程中的目标区域的道路图像数据与上一时刻获取到的自身所处车辆在行进过程中的目标区域的道路图像数据进行差异比对，计算差异百分比；若在连续的个时刻，计算出的差异百分比在设定的判别范围以内，则判断道路出现异常，作为初步判断结果；其中，/>为设定值，为一个正整数，取值范围为/>。

进一步的，计算差异百分比的方法包括：将当前时刻的道路图像数据和上一时刻的道路图像数据进行二维傅里叶变换，得到各自对应的频率域图像；在频率域，通过计算频率域图像的自相关函数来计算每幅频率域图像的能量分布；计算两幅频率域图像的能量分布的欧氏距离后，对计算结果进行二维傅里叶反变换，得到反变换结果；对反变换结果在无穷的二维平面上进行面积分，得到总差异；将总差异除以两幅频率域图像的能量的总和，得到差异百分比；两幅频率域图像的能量的总和等于各自频率域的自相关函数在无穷的二维平面上进行面积分的结果的总和。

进一步的，步骤2中针对同一组的道路图像数据进行图像识别判断，判断道路的交通状况的方法包括：

步骤2.1：计算同一组的道路图像数据的平均时间；计算同一组的道路图像数据的平均亮度；将平均亮度与平均时间对应的预设的亮度标准值差异百分比计算，得到亮度差异百分比结果；

步骤2.2：计算同一组的道路图像数据的模糊度，得到模糊度结果；

步骤2.3：获取同一组的道路图像数据各自对应的车辆在设定时间周期内的差异百分比，计算差异百分比的标准差；若差异百分比的标准差均在设定的阈值范围内，且差异百分比的标准差越接近阈值范围的下限，则判断车辆在设定时间周期内发生位移的可能性越小，则判断道路的交通状况为事故；若差异百分比的标准差均在设定的阈值范围内，且差异百分比的标准差越接近阈值范围的上限，则判断车辆在设定时间周期内发生位移的可能性越大，但在设定时间周期内位移距离小于设定值，则判断道路的交通状况为拥堵；若若差异百分比的标准差在设定的阈值范围外，且超过设定的阈值范围的上限，则判断车辆在设定时间周期内发生位移，且在设定时间周期内位移距离大于设定值，则判断道路的交通状况未出现拥堵或事故；

步骤2.4：根据亮度差异百分比结果、模糊度结果，判断是否出现恶劣天气。

进一步的，计算同一组的道路图像数据的平均亮度的方法包括：计算同一组道路图像数据中，每个道路图像数据的亮度，再将同一组的道路图像数据中的所有道路图像数据的亮度取平均值，得到同一组的道路图像数据的平均亮度；计算每个道路图像数据的亮度的方法包括：使用多尺度方法来分解道路图像数据，在不同尺度上分别估计图像的光照分量；为每个尺度的光照分量计算一个权重/>；结合所有尺度上加权的光照分量，以形成综合光照估计；基于综合光照估计，计算局部亮度；基于局部亮度，计算全局亮度，将全局亮度作为道路图像数据的亮度。

进一步的，使用如下公式，计算道路图像数据在每个尺度下的光照分量：；其中，/>是在尺度/>处的光照分量；/>是在尺度/>处的高斯滤波器；/>为道路图像数据；/>是相关的尺度参数，为高斯滤波器的标准差；/>表示卷积操作；/>为道路图像数据中，每个像素的位置坐标；权重/>使用如下公式计算得到：/>；其中，/>是尺度/>的光照分量/>的权重；/>是归一化因子；/>表示图像的频域变换；/>是频域差异的高斯权重参数。进一步的，综合光照估计使用如下公式计算得到：/>；其中，/>为综合光照估计；局部亮度使用如下公式计算得到：；其中，/>是全局亮度常数，为设定；/>是对比度增强的常数，为设定值；/>是双曲正切函数；/>是道路图像数据的像素的平均值；/>是控制亮度调整敏感性的参数；再使用如下公式，计算得到全局亮度作为道路图像数据的亮度：/>；其中，为全局亮度；/>为道路图像数据的宽度；/>为道路图像数据的高度；/>是一个决定局部和全局亮度权重的参数，为设定值；/>是用于控制亮度敏感度的幂指数参数。

进一步的，计算同一组的道路图像数据的模糊度，得到模糊度结果的方法包括：将输入的道路图像数据分割成小块道路图像数据，表示为/>，其中/>是块的索引；对每个小块道路图像数据/>，估计其点扩散函数/>；对每个小块道路图像数据/>，进行逆滤波，以估计模糊道路图像数据/>；将所有估计的模糊道路图像数据/>合并成整体恢复道路图像数据/>；计算模糊道路图像数据/>与恢复道路图像数据/>之间的差异道路图像数据/>；对每个差异道路图像数据/>，计算其熵/>；将熵差异/>作为道路图像数据的模糊度；再计算同一组的道路图像数据中，所有道路图像数据的模糊度的平均值，作为模糊度结果。

进一步的，使用如下公式，对每个小块道路图像数据，估计其点扩散函数/>：；为点扩散函数在坐标/>处的数值；/>或/>分别为点扩散函数的标准差；/>决定了点扩散函数在水平方向的空间分布范围；/>决定了点扩散函数在垂直方向的空间分布范围；/>和/>分别为点扩散函数的坐标，表示在点扩散函数的局部空间位置；/>和/>分别为为余弦函数的频率参数；/>决定了余弦波的周期性；/>决定了余弦波的方向；使用如下公式，对每个小块道路图像数据/>，进行逆滤波，以估计模糊道路图像数据/>：/>；和/>分别为点扩散函数的坐标。

进一步的，使用如下公式，计算模糊道路图像数据与恢复道路图像数据/>之间的差异道路图像数据/>：/>；使用如下公式，对每个差异道路图像数据/>，计算其熵/>：；其中，/>和/>分别是差异图像/>的宽度和高度；/>是像素/>的差异值在差异图像/>中的归一化概率，/>是一个正数，用于避免概率为零的情况。

本发明的基于ARM技术体系的视觉通行控制方法，具有以下有益效果：本发明通过采用先进的点扩散函数来分析和评估图像的清晰度，针对每个小块道路图像数据，都能有效估计其模糊程度，进而对模糊图像进行逆滤波处理。此外，本方法还通过计算图像数据之间的差异，有效地量化了图像的清晰度和模糊度。这种方法不仅提高了图像处理的准确性，还因为使用了基于ARM的***，保证了处理过程的高效性，特别是在需要快速处理大量实时图像数据的智能交通场景中。通过图像处理和分析技术，本发明不仅可以检测和分类道路上的对象，还可以分析交通流量、检测异常行为或事故、并实时提供这些信息给交通管理中心。这种实时的智能分析能力大大提升了交通管理***的响应速度和预防措施，从而减少事故和提高道路使用效率。

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的基于ARM技术体系的视觉通行控制方法的方法流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

实施例1：参考图1，基于ARM技术体系的视觉通行控制方法，所述方法包括：

步骤1：构建ARM图像传感器网络；所述ARM图像传感器网络包括多个独立工作的ARM图像传感器，每个ARM图像传感器设置于各个行驶于目标区域的车辆；每个ARM图像传感器设置于车辆顶部，实时获取自身所处车辆在行进过程中的位于车辆顶部两侧的目标区域的道路图像数据，并对获取到的道路图像数据进行初步分析与识别，以判断道路是否出现异常，得到初步判断结果，在初步判断结果为异常时，每个ARM图像传感器向设定半径内的其他ARM传感器发送异常信号，若ARM图像传感器收到至少2个异常信号，则ARM图像传感器则将自身获取到的道路图像数据发送至云端验证***；这里采用了ARM（AdvancedRISCMachines）技术，通常指一种基于RISC（ReducedInstructionSetComputing）架构的处理器。由于其低功耗、高性能的特点，非常适合用在移动或嵌入式设备上，这在车载***中尤为关键，因为它可以实时处理大量的图像数据，而不会对车辆的其他电子***造成负担。

每个车辆顶部安装的ARM图像传感器能实时捕捉道路情况，这种布局确保了广阔的视野和避免了遮挡，提高了数据的准确性和***的可靠性。

当传感器检测到异常（例如道路障碍、突然的交通停滞等），它会与附近的传感器进行通信。这种“车对车”（V2V）的通信方式，提高了***的反应速度和准确性，因为它不完全依赖于中央服务器的处理。

步骤2：云端验证***在接收到道路图像数据后，对道路图像数据进行分组，具体包括：将彼此所处位置的欧式距离小于设定值的ARM图像传感器获取到的道路图像数据归为一组，同一组道路图像数据对应一条道路；针对同一组的道路图像数据进行图像识别判断，判断道路的交通状况；所述交通状况包括：事故、拥堵和恶劣天气；当本地传感器网络检测到潜在问题时，数据被发送到云端验证***。这种设计利用了云计算的强大处理能力，可以迅速对大量数据进行分析和验证。云端***使用欧式距离对数据进行分组，这是一种数学方法，用于量化两点间的直线距离。在这里，它被用来确定哪些数据是相关的，即哪些车辆可能面临同样的道路状况。

步骤3：在云端验证***判断交通状况为事故时，则对交通信号灯进行控制，以避免其他车辆进入道路；在云端验证***判断交通状况为恶劣天气时，则发送广播信号至以道路为中心，以设定值为半径内的圆周范围覆盖的其他车辆，提醒其他车辆，道路出现恶劣天气；在在云端验证***判断交通状况为拥堵时，则对交通信号灯进行控制，以减少进入道路的车流量。根据云端***的分析，可以采取不同的措施响应不同的交通状况。这种灵活性是该***的一大优点，使其能够更有效地缓解各种交通问题。

例如，通过控制交通信号灯来响应事故或拥堵，这可以减少进入问题区域的车流量，或是通过广播***警告驾驶员恶劣天气，这有助于防止进一步的事故。

具体的，在实际中，当道路发生拥堵或事故时，行驶在道路上的车辆的速度回大幅减缓，这就使得汽车拍摄到的道路图像数据在短时间内变化较少。而在出现恶劣天气时，道路图像数据的亮度会降低，模糊度会增加，这样就可以判断是否出现恶劣天气。将每个ARM图像传感器设置于车辆顶部，可以排到车辆两侧的图像，而不至于被相邻的其他车辆所遮挡。

ARM架构因其设计高效而闻名，能在低电压和低频率下运行，这对电池供电的车载***尤为关键。低功耗意味着***可以长时间运行而不会对车辆的电池造成重大负担，这在长途行驶中至关重要。ARM处理器提供了足够的计算能力，能够实时处理复杂的图像识别和分析任务。这对于实时获取道路图像数据，并进行初步分析与识别来判断道路状况至关重要，因为这些任务需要在毫秒级的时间内完成以保证行车安全。

实施例2：在上一实施例的基础上，所述步骤1中，每个ARM图像传感器实时获取自身所处车辆在行进过程中的目标区域的道路图像数据，并对获取到的道路图像数据进行初步分析与识别，以判断道路是否出现异常，得到初步判断结果的方法包括：每个ARM图像传感器将实时获取到的自身所处车辆在行进过程中的目标区域的道路图像数据与上一时刻获取到的自身所处车辆在行进过程中的目标区域的道路图像数据进行差异比对，计算差异百分比；若在连续的个时刻，计算出的差异百分比在设定的判别范围以内，则判断道路出现异常，作为初步判断结果；其中，/>为设定值，为一个正整数，取值范围为/>。

连续的M个时刻内差异百分比的计算是基于对连续图像帧的比较。这种方法的基本假设是，在正常的道路条件下，由车辆顶部的ARM图像传感器捕获的图像会随着车辆的移动而持续变化。这些变化可以是由于车辆的位置变化、周围车辆的变化、路标或路况的变化等。但是，当某种异常情况（如交通事故、道路拥堵或极端天气）发生时，这些图像的变化会减少或呈现出特定的模式，因为车辆的移动减缓或停止，或因为天气影响导致的视觉差异。

短期的图像变化可能是正常的或偶然的，例如从阴影到阳光的快速变化，或者前方车辆的短暂移动。但是，如果这些变化在连续的M个时刻（例如，M≥3）内保持一致，则更有可能指示实际的道路异常。通过等待多个时刻，***可以区分短暂的偶发事件和持续的异常状态，从而减少错误的警报。

连续检查多个时刻提供了额外的数据点，使***更能确认检测到的变化不是随机的或误报。多个数据点提供了更多的上下文，有助于验证初步检测结果的准确性。道路状况可能快速变化。连续的检测可以帮助***适应这些动态变化，因为它不是基于单一的瞬间快照，而是基于一段时间内的数据趋势。例如，在拥堵开始形成时，车辆的相对位置可能只有很小的变化。如果只分析一个时刻，这种变化可能不会被检测到。但是，如果分析多个连续的时刻，并注意到这种小的变化持续存在，则***可能会识别出拥堵的开始。

“M”值的设定提供了灵活性，允许***根据特定的应用场景或预期的反应速度进行调整。更高的M值可能适用于需要更高确认度的情况，而更低的M值可能适用于需要更快反应的情况。

同样，“判别范围”也可以根据实际需要进行调整，以适应不同的环境条件和异常类型。

实施例3：在上一实施例的基础上，计算差异百分比的方法包括：将当前时刻的道路图像数据和上一时刻的道路图像数据进行二维傅里叶变换，得到各自对应的频率域图像；在频率域，通过计算频率域图像的自相关函数来计算每幅频率域图像的能量分布；计算两幅频率域图像的能量分布的欧氏距离后，对计算结果进行二维傅里叶反变换，得到反变换结果；对反变换结果在无穷的二维平面上进行面积分，得到总差异；将总差异除以两幅频率域图像的能量的总和，得到差异百分比；两幅频率域图像的能量的总和等于各自频率域的自相关函数在无穷的二维平面上进行面积分的结果的总和。

具体的，在正常驾驶条件下，连续捕获的道路图像数据应表现出一定程度的变化，这是由于车辆的移动、其他车辆或行人的相对位置变化、路面标志或环境等因素引起的。然而，当发生交通事故或严重拥堵时，车辆的速度会大幅减慢或停止。在这些情况下，连续的图像数据可能会显示出非常小的变化，因为周围的场景几乎没有变化。

如之前所述，***通过比较连续的道路图像数据来计算差异百分比。具体来说，它比较了图像的能量分布，这是通过傅里叶变换得到的频率信息的一个度量。如果连续的几个图像之间的差异很小（即差异百分比低），这可能意味着场景几乎没有变化，这可能是由于交通几乎停滞不前。判别范围是预先设定的一个阈值，用于决定差异百分比是否足够小以指示可能的异常情况。这个阈值是基于实验或历史数据确定的，以反映正常交通流动中所期望的图像变化程度。如果在连续的M个时刻（M是一个预定的正整数，如3），差异百分比持续低于这个判别范围，***会认为这是异常的。这个持续性是重要的，因为它有助于排除偶然的或短暂的场景变化不足。

这种方法有效，因为它利用了交通异常情况（如拥堵和事故）的一个基本特征：在这些情况下，车辆的移动性受到严重限制，导致道路场景的变化明显减少。通过量化这些变化并与预设的阈值进行比较，该***可以自动检测可能的异常情况，从而触发进一步的响应措施，如交通信号控制或向司机发出警报。

现有技术中，速度传感器只能提供关于车辆速度的信息。如果速度传感器失败，或者由于某种原因（比如恶劣天气条件）读数不准确，***可能就会失效。相比之下，图像数据分析不依赖于单一的数据点。即使部分图像数据丢失或不清晰，***仍然可以通过分析剩余的图像数据来理解总体场景。

实施例4：在上一实施例的基础上，步骤2中针对同一组的道路图像数据进行图像识别判断，判断道路的交通状况的方法包括：

步骤2.1：计算同一组的道路图像数据的平均时间；计算同一组的道路图像数据的平均亮度；将平均亮度与平均时间对应的预设的亮度标准值差异百分比计算，得到亮度差异百分比结果；

步骤2.2：计算同一组的道路图像数据的模糊度，得到模糊度结果；

步骤2.3：获取同一组的道路图像数据各自对应的车辆在设定时间周期内的差异百分比，计算差异百分比的标准差；若差异百分比的标准差均在设定的阈值范围内，且差异百分比的标准差越接近阈值范围的下限，则判断车辆在设定时间周期内发生位移的可能性越小，则判断道路的交通状况为事故；若差异百分比的标准差均在设定的阈值范围内，且差异百分比的标准差越接近阈值范围的上限，则判断车辆在设定时间周期内发生位移的可能性越大，但在设定时间周期内位移距离小于设定值，则判断道路的交通状况为拥堵；若若差异百分比的标准差在设定的阈值范围外，且超过设定的阈值范围的上限，则判断车辆在设定时间周期内发生位移，且在设定时间周期内位移距离大于设定值，则判断道路的交通状况未出现拥堵或事故；

步骤2.4：根据亮度差异百分比结果、模糊度结果，判断是否出现恶劣天气。

具体的，在恶劣天气条件下，如大雾、暴雨、雪等，摄像头的视线可能会受到严重干扰，导致图像变得模糊。这种模糊不是由摄像头的焦距问题引起的，而是实际的视觉障碍。雨滴或雪花落在摄像头镜头上也可能造成图像模糊，这是另一种天气条件的直接影响。天气条件严重影响光照条件。例如，在阴天或暴风雨中，天空的亮度会大大降低。相反，阳光强烈可能导致图像过度曝光。某些天气现象，如雷暴，可能导致光线条件迅速变化，这也会反映在图像的亮度上。通过分析这些图像特性，***可以推断当前的天气条件是否对视觉条件产生了负面影响。例如，如果图像突然变得非常模糊并且亮度下降，***可能会判断当前有大雾或暴雨。

实施例5：在上一实施例的基础上，计算同一组的道路图像数据的平均亮度的方法包括：计算同一组道路图像数据中，每个道路图像数据的亮度，再将同一组的道路图像数据中的所有道路图像数据的亮度取平均值，得到同一组的道路图像数据的平均亮度；计算每个道路图像数据的亮度的方法包括：使用多尺度方法来分解道路图像数据，在不同尺度上分别估计图像的光照分量；为每个尺度的光照分量计算一个权重/>；结合所有尺度上加权的光照分量，以形成综合光照估计；基于综合光照估计，计算局部亮度；基于局部亮度，计算全局亮度，将全局亮度作为道路图像数据的亮度。

具体的，多尺度分解一种图像处理技术，可以将图像分解成在不同尺度或分辨率上捕获的特征。对于亮度估计，这意味着能够独立地查看图像的不同部分（如阴影、高光等），并进行更准确的亮度计算。多尺度方法有助于捕捉图像的细节，这在单一尺度下可能被忽略。这对于理解复杂的光线条件（如由于车辆的头灯、路灯或自然光线造成的强烈阴影和亮点）非常重要。

不是所有的尺度都以相同方式贡献到最终的亮度估计中。一些尺度可能更关注细节，而其他尺度可能更关注整体亮度。通过为每个尺度的光照分量计算权重，***可以更精细地调整哪些部分对总体亮度贡献更多。权重可能基于各种因素，如特定尺度上光照分量的变化程度、对比度或其他图像特性。通过结合所有尺度上加权的光照分量，***能够形成一个更全面的光照估计。这意味着它不仅仅考虑了图像的一个方面（如明亮的区域或阴暗的区域），而是提供了一个全面的图像亮度概况。局部亮度可能指图像中特定区域的亮度，而全局亮度是整个图像的平均亮度。通过先评估局部亮度，然后基于这些信息计算全局亮度，***可以更准确地理解图像的亮度情况，特别是在光照不均的情况下。

实施例6：在上一实施例的基础上，使用如下公式，计算道路图像数据在每个尺度下的光照分量：；其中，/>是在尺度/>处的光照分量；是在尺度/>处的高斯滤波器；/>为道路图像数据；/>是相关的尺度参数，为高斯滤波器的标准差；/>表示卷积操作；/>为道路图像数据中，每个像素的位置坐标；权重/>使用如下公式计算得到：/>；其中，/>是尺度/>的光照分量的权重；/>是归一化因子；/>表示图像的频域变换；/>是频域差异的高斯权重参数。

具体的，表示傅里叶变换，它是一种用于分析频域中信号的技术。通过傅里叶变换，图像从空间域表示转换为频域表示，在频域中，每个点代表了图像中不同频率成分的幅度和相位。这对分析图像的结构性信息(如边缘、纹理等)非常有帮助，因为这些信息往往与特定频率的成分相关。

代表频域图像的能量(即范数的平方)。在信号处理中，信号的范数通常与信号的“能量”相关。这里，它用来衡量在特定尺度下光照分量的频域表示的能量。是一个高斯函数，其中/>是控制高斯函数宽度的参数。该函数值随其参数(这里是频域图像的能量)的增加而迅速减小，这意味着对应的权重/>会在频域图像的能量较小(即图像在此尺度下更平滑)时较大。/>是归一化因子，确保所有尺度上的权重之和为1。这是一个常规的概率归一化步骤，确保权重构成一种概率分布。

综上，权重计算公式旨在为每个尺度的光照分量分配一个权重，该权重基于该尺度下图像结构信息的复杂性(由频域能量表示)。如果一个尺度的频域图像具有较高的能量(意味着该尺度具有更多的结构信息，如边缘或纹理)，它将被赋予较低的权重；反之，如果频域图像的能量较低(意味着图像在该尺度下更平滑)，则会被赋予较高的权重。这种权重分配方式能够在各个尺度上平衡光照分量的贡献，从而得到更准确的光照估计。

高斯滤波器是一种常用于图像模糊和降噪的滤波器，它通过与图像进行卷积操作来实现。在这个场景中，高斯滤波帮助模拟人眼对不同尺度下光照的感知，可以从图像中提取出不同层次的亮度信息。在图像处理中，卷积通常用于应用滤波器。在这种情况下，它用于应用高斯滤波器到输入图像，从而得到每个尺度下的光照分量。

实施例7：在上一实施例的基础上，综合光照估计使用如下公式计算得到：；其中，/>为综合光照估计；局部亮度使用如下公式计算得到：/>；其中，/>是全局亮度常数，为设定；/>是对比度增强的常数，为设定值；/>是双曲正切函数；是道路图像数据的像素的平均值；/>是控制亮度调整敏感性的参数；再使用如下公式，计算得到全局亮度作为道路图像数据的亮度：；其中，为全局亮度；/>为道路图像数据的宽度；/>为道路图像数据的高度；/>是一个决定局部和全局亮度权重的参数，为设定值；/>是用于控制亮度敏感度的幂指数参数。

具体的，计算了当前像素点的亮度与整体图像亮度的平均值之间的差异。这种差异是评估局部亮度的基础，因为它指出了特定区域相对于整体图像的亮度是偏亮还是偏暗。/>函数是一种非线性函数，它将亮度差异映射到一个有限的范围内/>。这个映射过程实际上压缩了亮度差异的范围，确保了极端的亮度值不会对最终的局部亮度评估产生过大的影响。这一点对于防止异常值影响整体评估特别重要。/>在这里起到了一个“阈值”的作用，决定了需要多大的亮度差异才能被认为是显著的。通过这种方式，它调节了局部亮度计算对亮度变化的敏感性。乘数/>并不改变亮度差异的方向（即更亮或更暗），而是调整了亮度差异的量级，即对局部亮度的贡献。这反映了不同区域亮度差异对整体感知亮度的影响。/>代表了一种“基线”亮度，即在没有任何亮度差异的情况下的亮度水平。所有的局部亮度计算都是基于这个基线亮度进行的。通过这个公式，能够评估图像中每个像素点的局部亮度，这不仅反映了各个区域与整体图像亮度的相对差异，还考虑了亮度差异的非线性性和对比敏感度。这种方法特别适用于在复杂光照条件下，需要精确了解图像中不同区域亮度级别的应用场景。

公式中的是一个权衡表达式，它结合了局部亮度和一个基准全局亮度/>。这里，/>是一个权重参数，它决定了在计算全局亮度时，局部亮度和全局基准亮度各自的贡献程度。通过调整/>，可以更偏向于考虑图像的整体亮度水平(较低的/>值)，或者更多地关注图像中的局部亮度变化(较高的/>值)。整个表达式通过一个非线性函数(指数函数)进行加权。这里的/>是一个指数参数，它调节了亮度值对最终结果的贡献程度。当/>时，更亮的区域会对全局亮度有更大的贡献；当/>时，较暗的区域会对全局亮度有更大的贡献。这有助于根据具体的应用需求调整亮度的敏感度。/>是一个归一化因子，确保了不论图像的尺寸大小，全局亮度的计算结果都会落在一个一致的范围内。这一点对于分析不同分辨率和尺寸的图像数据特别重要。/>表示一个双重求和，它在图像的所有像素上累积亮度信息。这确保了全局亮度是基于图像中所有区域的信息，提供了一个整体的、综合的亮度评估。总的来说，这个全局亮度计算公式通过综合图像的局部亮度信息，并通过非线性加权和归一化来提供一个对图像整体亮度水平的全面评估。这种方法对于在不同光照条件下进行亮度分析和图像处理尤其重要，可以应用于多种场景，如图像增强、计算机视觉以及自动驾驶等。

实施例8：在上一实施例的基础上，计算同一组的道路图像数据的模糊度，得到模糊度结果的方法包括：将输入的道路图像数据分割成小块道路图像数据，表示为/>，其中/>是块的索引；对每个小块道路图像数据/>，估计其点扩散函数/>；对每个小块道路图像数据/>，进行逆滤波，以估计模糊道路图像数据/>；将所有估计的模糊道路图像数据/>合并成整体恢复道路图像数据/>；计算模糊道路图像数据/>与恢复道路图像数据/>之间的差异道路图像数据/>；对每个差异道路图像数据/>，计算其熵/>；将熵差异作为道路图像数据的模糊度；再计算同一组的道路图像数据中，所有道路图像数据的模糊度的平均值，作为模糊度结果。

具体的，首先，这个方法开始于将输入的道路图像数据分割成多个小块，每个小块被表示为/>，这里的/>是块的索引。这种分割策略允许***对图像的不同区域进行独立分析，这是必要的，因为图像的不同部分可能由于摄像头焦点、移动物体或不同的天气条件而具有不同的模糊特性。接下来，对于每个图像块/>，***会估计一个点扩散函数（PSF），记为/>。PSF是一个描述成像***如何响应单点光源的函数，它是由***的光学属性（例如镜头、光圈和传感器特性）以及任何附加的模糊因素（例如运动模糊或大气扰动）共同决定的。在这个上下文中，PSF提供了一个数学模型，用于描述在成像过程中引入的模糊，它是接下来逆滤波步骤的核心。逆滤波是一种尝试通过使用估计的PSF逆转模糊效应的图像处理技术。具体来说，它涉及使用/>对每个图像块/>进行处理，以产生估计的未模糊图像块/>。虽然这一步骤在理论上是试图恢复原始的、未经模糊的场景，但在实践中，完美的逆滤波往往是不可能的，特别是当PSF未知或只能部分估计时。因此，这产生了一个“最佳猜测”图像，其中一些模糊可能仍然存在。随后，这些逆滤波后的图像块/>被重新组合，以形成一个完整的、尝试恢复的图像/>。这一步是必要的，因为它允许***评估整个场景的总体清晰度，而不仅仅是基于独立的小区域。在实际应用中，对于驾驶员或自动驾驶***来说，理解整个场景通常比查看单个局部区域更为重要。为了量化恢复效果，并最终评估图像的模糊度，计算了原始模糊图像块/>与对应的恢复图像块/>之间的差异。这种差异被定义为两个图像块之间的某种形式的距离或差异，通常可能是基于像素强度值的。然后，这个差异图像数据/>被用来计算所谓的“熵”，记为/>。熵是一个衡量随机数据不确定性或复杂性的信息论指标。在这里，它被用作一个直观的度量，表示图像恢复的“不确定性”或“失真程度”。高熵值表明较大的不确定性或复杂性，这在本例中与高模糊度相对应。因此，通过比较原始图像和恢复图像的熵，***可以量化模糊的程度。最后，通过计算所有图像块的熵差异/>，并求其平均值，得到了整个图像集的总体模糊度指标。这个最终的模糊度评分为应用程序提供了一个有用的、易于理解的指标，表明了图像的总体清晰度或模糊度。

实施例9：在上一实施例的基础上，使用如下公式，对每个小块道路图像数据，估计其点扩散函数/>：；为点扩散函数在坐标/>处的数值；/>或/>分别为点扩散函数的标准差；/>决定了点扩散函数在水平方向的空间分布范围；/>决定了点扩散函数在垂直方向的空间分布范围；/>和/>分别为点扩散函数的坐标，表示在点扩散函数的局部空间位置；/>和/>分别为为余弦函数的频率参数；/>决定了余弦波的周期性；决定了余弦波的方向；使用如下公式，对每个小块道路图像数据/>，进行逆滤波，以估计模糊道路图像数据/>：；/>和/>分别为点扩散函数的坐标。

具体的，这个实施例中使用的PSF的数学形式是一个二维高斯函数与一个二维余弦函数的乘积。这个选择考虑到了摄像头成像过程中的两个主要因素：一是由摄像头的光学***引起的模糊，二是可能的运动模糊。高斯部分捕捉了由于光的自然扩散而产生的模糊，其宽度由和/>控制，这些参数分别决定了点扩散函数在水平方向和垂直方向上的扩散程度。余弦部分则可能代表运动模糊的周期性组件，这通常是由于摄像头或拍摄对象的运动造成的。参数/>和/>控制余弦波的频率，这影响了模糊的特性，例如方向和速度。

逆滤波过程在这里被具体化为一个卷积操作，它考虑了PSF在整个图像块上的影响。具体来说，原始图像数据被/>所卷积，然后该过程被归一化，以确保图像亮度的保持。这个操作本质上是尝试“倒转”PSF的效果，即通过与估计的PSF进行卷积来“解模糊”图像。

但是，值得注意的是，逆滤波是一个理想化的过程，实际情况中可能不会完全恢复原始场景。由于噪声和其他因素（例如PSF的不完美估计），逆滤波处理的图像可能仍然包含一些失真。尽管如此，它通常能够显著改善图像质量，并为后续的图像分析任务（例如物体检测或导航）提供更可靠的输入。

在实施例9中提到的点扩散函数是一个特殊的函数，它考虑了两个主要元素：一个是高斯模糊（由于光学缺陷引起的模糊）和另一个是由运动引起的周期性模糊（表示为余弦项）。这两种类型的模糊在实际的成像情况中非常常见，特别是在移动的车辆或摄像头拍摄的场景中。

高斯模糊是一种常见的模糊类型，通常是由于光学***的不完美（如镜头中的小颗粒，或者镜头的形状不规则等）导致的。这种模糊使得理想的点源在成像平面上呈现为一个扩散的点，其形状遵循高斯分布。这个分布的宽度由标准差和/>控制，这些参数反映了光在传感器上的扩散程度。因此，一个更宽的高斯意味着更严重的模糊。此外，实施例中的PSF还包括一个余弦项，这考虑了由于相对运动（相机和/或场景中的对象）导致的模糊。这种模糊不是随机的，而是具有一定的方向性和周期性，这在数学上可以通过余弦函数来表示。

实施例10：在上一实施例的基础上，使用如下公式，计算模糊道路图像数据与恢复道路图像数据之间的差异道路图像数据：/>；使用如下公式，对每个差异道路图像数据/>，计算其熵/>：；其中，/>和/>分别是差异图像/>的宽度和高度；/>是像素/>的差异值在差异图像/>中的归一化概率，/>是一个正数，用于避免概率为零的情况。

具体的，首先，这个实施例考虑了原始的模糊道路图像数据和通过某种算法处理（例如，使用点扩散函数进行的逆滤波）得到的恢复图像数据/>。计算这两个图像之间的差异，通过取两者之间的差的平方来实现。这样做是为了得到一个非负值，强调了任何差异的存在，并且对于更大的差异赋予了更大的权重。结果是差异图像数据，其表示在同一位置/>处的像素之间的差异的平方。熵是信息理论中的一个概念，用来量化一个***的不确定性或随机性。在这里，它被用来量化差异图像数据中的不确定性或复杂性。计算熵，首先需要确定每个像素值出现的概率。这是通过归一化差异图像中的像素值来实现的，得到/>，这表示在位置/>的像素值出现的概率。然后，使用熵的标准公式计算熵，其中/>是一个小的正数，用于避免对数运算中定义为零的问题，这样可以确保计算的稳定性和数值的连续性。这个熵值/>表示了差异图像数据的复杂性或不确定性。通常，更高的熵表示更高的复杂性，这在本例中可能与图像的更高模糊度相关联。通过这种方式，该方法不仅提供了一种量化图像模糊度的方式，而且还允许通过分析原始图像和处理后的图像之间的差异来评估去模糊算法的有效性。如果一个去模糊算法非常有效，那么期望差异图像的熵较低，因为恢复的图像/>应该非常接近原始的模糊图像/>。相反，如果算法效果不佳，熵会很高，表明还有很大的不确定性或差异存在。

以上对本发明进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.基于ARM技术体系的视觉通行控制方法，其特征在于，所述方法包括：

步骤1：构建ARM图像传感器网络；所述ARM图像传感器网络包括多个独立工作的ARM图像传感器，每个ARM图像传感器设置于各个行驶于目标区域的车辆；每个ARM图像传感器设置于车辆顶部，实时获取自身所处车辆在行进过程中的位于车辆顶部两侧的目标区域的道路图像数据，并对获取到的道路图像数据进行初步分析与识别，以判断道路是否出现异常，得到初步判断结果，在初步判断结果为异常时，每个ARM图像传感器向设定半径内的其他ARM传感器发送异常信号，若ARM图像传感器收到至少2个异常信号，则ARM图像传感器则将自身获取到的道路图像数据发送至云端验证***；

步骤2：云端验证***在接收到道路图像数据后，对道路图像数据进行分组，具体包括：将彼此所处位置的欧式距离小于设定值的ARM图像传感器获取到的道路图像数据归为一组，同一组道路图像数据对应一条道路；针对同一组的道路图像数据进行图像识别判断，判断道路的交通状况；所述交通状况包括：事故、拥堵和恶劣天气；

步骤3：在云端验证***判断交通状况为事故时，则对交通信号灯进行控制，以避免其他车辆进入道路；在云端验证***判断交通状况为恶劣天气时，则发送广播信号至以道路为中心，以设定值为半径内的圆周范围覆盖的其他车辆，提醒其他车辆，道路出现恶劣天气；在云端验证***判断交通状况为拥堵时，则对交通信号灯进行控制，以减少进入道路的车流量。

2.如权利要求1所述的基于ARM技术体系的视觉通行控制方法，其特征在于，所述步骤1中，每个ARM图像传感器实时获取自身所处车辆在行进过程中的目标区域的道路图像数据，并对获取到的道路图像数据进行初步分析与识别，以判断道路是否出现异常，得到初步判断结果的方法包括：每个ARM图像传感器将实时获取到的自身所处车辆在行进过程中的目标区域的道路图像数据与上一时刻获取到的自身所处车辆在行进过程中的目标区域的道路图像数据进行差异比对，计算差异百分比；若在连续的个时刻，计算出的差异百分比在设定的判别范围以内，则判断道路出现异常，作为初步判断结果；其中，/>为设定值，为一个正整数，取值范围为/>。

3.如权利要求2所述的基于ARM技术体系的视觉通行控制方法，其特征在于，计算差异百分比的方法包括：将当前时刻的道路图像数据和上一时刻的道路图像数据进行二维傅里叶变换，得到各自对应的频率域图像；在频率域，通过计算频率域图像的自相关函数来计算每幅频率域图像的能量分布；计算两幅频率域图像的能量分布的欧氏距离后，对计算结果进行二维傅里叶反变换，得到反变换结果；对反变换结果在无穷的二维平面上进行面积分，得到总差异；将总差异除以两幅频率域图像的能量的总和，得到差异百分比；两幅频率域图像的能量的总和等于各自频率域的自相关函数在无穷的二维平面上进行面积分的结果的总和。

4.如权利要求3所述的基于ARM技术体系的视觉通行控制方法，其特征在于，步骤2中针对同一组的道路图像数据进行图像识别判断，判断道路的交通状况的方法包括：

步骤2.1：计算同一组的道路图像数据的平均时间；计算同一组的道路图像数据的平均亮度；将平均亮度与平均时间对应的预设的亮度标准值差异百分比计算，得到亮度差异百分比结果；

步骤2.2：计算同一组的道路图像数据的模糊度，得到模糊度结果；

步骤2.3：获取同一组的道路图像数据各自对应的车辆在设定时间周期内的差异百分比，计算差异百分比的标准差；若差异百分比的标准差均在设定的阈值范围内，且差异百分比的标准差越接近阈值范围的下限，则判断车辆在设定时间周期内发生位移的可能性越小，则判断道路的交通状况为事故；若差异百分比的标准差均在设定的阈值范围内，且差异百分比的标准差越接近阈值范围的上限，则判断车辆在设定时间周期内发生位移的可能性越大，但在设定时间周期内位移距离小于设定值，则判断道路的交通状况为拥堵；若差异百分比的标准差在设定的阈值范围外，且超过设定的阈值范围的上限，则判断车辆在设定时间周期内发生位移，且在设定时间周期内位移距离大于设定值，则判断道路的交通状况未出现拥堵或事故；

步骤2.4：根据亮度差异百分比结果、模糊度结果，判断是否出现恶劣天气。

5.如权利要求4所述的基于ARM技术体系的视觉通行控制方法，其特征在于，计算同一组的道路图像数据的平均亮度的方法包括：计算同一组道路图像数据中，每个道路图像数据的亮度，再将同一组的道路图像数据中的所有道路图像数据的亮度取平均值，得到同一组的道路图像数据的平均亮度；计算每个道路图像数据的亮度的方法包括：使用多尺度方法来分解道路图像数据，在不同尺度上分别估计图像的光照分量；为每个尺度的光照分量计算一个权重/>；结合所有尺度上加权的光照分量，以形成综合光照估计；基于综合光照估计，计算局部亮度；基于局部亮度，计算全局亮度，将全局亮度作为道路图像数据的亮度。

6.如权利要求5所述的基于ARM技术体系的视觉通行控制方法，其特征在于，使用如下公式，计算道路图像数据在每个尺度下的光照分量：；其中，/>是在尺度/>处的光照分量；/>是在尺度/>处的高斯滤波器；/>为道路图像数据；/>是相关的尺度参数，为高斯滤波器的标准差；/>表示卷积操作；/>为道路图像数据中，每个像素的位置坐标；权重/>使用如下公式计算得到：；其中，/>是尺度/>的光照分量/>的权重；/>是归一化因子；/>表示图像的频域变换；/>是频域差异的高斯权重参数。

7.如权利要求5所述的基于ARM技术体系的视觉通行控制方法，其特征在于，综合光照估计使用如下公式计算得到：；其中，/>为综合光照估计；局部亮度使用如下公式计算得到：；其中，/>是全局亮度常数，为设定；/>是对比度增强的常数，为设定值；/>是双曲正切函数；/>是道路图像数据的像素的平均值；/>是控制亮度调整敏感性的参数；再使用如下公式，计算得到全局亮度作为道路图像数据的亮度：/>；其中，/>为全局亮度；/>为道路图像数据的宽度；/>为道路图像数据的高度；/>是一个决定局部和全局亮度权重的参数，为设定值；/>是用于控制亮度敏感度的幂指数参数。

8.如权利要求7所述的基于ARM技术体系的视觉通行控制方法，其特征在于，计算同一组的道路图像数据的模糊度，得到模糊度结果的方法包括：将输入的道路图像数据分割成小块道路图像数据，表示为/>，其中/>是块的索引；对每个小块道路图像数据/>，估计其点扩散函数/>；对每个小块道路图像数据/>，进行逆滤波，以估计模糊道路图像数据/>；将所有估计的模糊道路图像数据/>合并成整体恢复道路图像数据/>；计算模糊道路图像数据/>与恢复道路图像数据/>之间的差异道路图像数据/>；对每个差异道路图像数据/>，计算其熵/>；将熵差异/>作为道路图像数据的模糊度；再计算同一组的道路图像数据中，所有道路图像数据的模糊度的平均值，作为模糊度结果。

9.如权利要求8所述的基于ARM技术体系的视觉通行控制方法，其特征在于，使用如下公式，对每个小块道路图像数据，估计其点扩散函数/>：；为点扩散函数在坐标/>处的数值；/>或/>分别为点扩散函数的标准差；/>决定了点扩散函数在水平方向的空间分布范围；/>决定了点扩散函数在垂直方向的空间分布范围；/>和/>分别为点扩散函数的坐标，表示在点扩散函数的局部空间位置；/>和/>分别为余弦函数的频率参数；/>决定了余弦波的周期性；/>决定了余弦波的方向；使用如下公式，对每个小块道路图像数据/>，进行逆滤波，以估计模糊道路图像数据/>：/>；/>和/>分别为点扩散函数的坐标。

10.如权利要求9所述的基于ARM技术体系的视觉通行控制方法，其特征在于，使用如下公式，计算模糊道路图像数据与恢复道路图像数据/>之间的差异道路图像数据/>：；使用如下公式，对每个差异道路图像数据/>，计算其熵/>：/>；其中，和/>分别是差异图像/>的宽度和高度；/>是像素/>的差异值在差异图像/>中的归一化概率，/>是一个正数，用于避免概率为零的情况。