[發(fā)明專利]一種基于智慧交通的人工智能圖像處理方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011576571.1
• 申請(qǐng)日: 2020-12-28
• 公開（公告）號(hào): CN112634162A
• 公開（公告）日: 2021-04-09
• 發(fā)明（設(shè)計(jì)）人: 汪桂衡
• 申請(qǐng)（專利權(quán)）人: 汪桂衡
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06K9/00;G06K9/46
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種圖像處理的技術(shù)領(lǐng)域，揭露了一種基于智慧交通的人工智能圖像處理方法，包括：獲取待處理的交通道路圖像，并利用結(jié)合中值濾波和高斯濾波的圖像平滑方法對(duì)待處理的交通道路圖像進(jìn)行圖像平滑處理；將平滑圖像的RGB顏色空間轉(zhuǎn)換為YUV顏色空間；利用多尺度圖像自適應(yīng)增強(qiáng)算法對(duì)基于YUV顏色空間的交通道路圖像進(jìn)行增強(qiáng)處理；利用改進(jìn)的SIFT特征描述子提取算法對(duì)增強(qiáng)后的交通道路圖像進(jìn)行處理；將SIFT特征描述子作為神經(jīng)網(wǎng)絡(luò)模型的輸入，利用基于改進(jìn)剪枝策略的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通道路圖像中的車輛識(shí)別檢測(cè)，實(shí)現(xiàn)人工智能圖像處理。本發(fā)明還提供了一種基于智慧交通的人工智能圖像處理系統(tǒng)。本發(fā)明實(shí)現(xiàn)了交通圖像的處理。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理的技術(shù)領(lǐng)域，尤其涉及一種基于智慧交通的人工智能圖像處理方法及系統(tǒng)。

背景技術(shù)

隨著國(guó)家經(jīng)濟(jì)的快速發(fā)展，近年來我國(guó)的乘用車增長(zhǎng)保持較高的速度，然而隨著汽車數(shù)目的增加，在復(fù)雜的交通網(wǎng)絡(luò)中存在大量的汽車交通擁堵問題，因此車輛目標(biāo)的識(shí)別成為智慧交通領(lǐng)域中的熱門話題。

在傳統(tǒng)的人工智能圖像處理方法中，神經(jīng)網(wǎng)絡(luò)模型大多利用批標(biāo)準(zhǔn)化剪枝方法直接對(duì)所有批標(biāo)準(zhǔn)化層的縮放因子進(jìn)行全局排序，然后按比例篩選出性能最差的一組，全局的篩選可以保證去除層的權(quán)重最小，但忽略了在網(wǎng)絡(luò)淺層和深層結(jié)構(gòu)中批標(biāo)準(zhǔn)化層縮放因子的絕對(duì)值差異，對(duì)于網(wǎng)絡(luò)較窄的部分，采用全局策略可能會(huì)從中去除了過多的特征層，嚴(yán)重影響該層網(wǎng)絡(luò)的特征信息，導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型無法準(zhǔn)確地實(shí)現(xiàn)車輛目標(biāo)識(shí)別。

同時(shí)夜間交通道路圖像中自然光幾乎為零，其他光源交錯(cuò)復(fù)雜，使圖像亮度分布不均，圖像可見度、對(duì)比度下降，同時(shí)車輛輪廓信息及紋理信息也會(huì)被燈光遮擋，導(dǎo)致夜晚道路車輛辨識(shí)度低，很難進(jìn)行車輛的識(shí)別。

鑒于此，如何對(duì)夜間車輛圖像進(jìn)行增強(qiáng)，利用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通道路圖像中的車輛識(shí)別，成為本領(lǐng)域技術(shù)人員亟待解決的問題。

發(fā)明內(nèi)容

本發(fā)明提供一種基于智慧交通的人工智能圖像處理方法，通過利用結(jié)合中值濾波和高斯濾波的圖像平滑方法進(jìn)行圖像平滑處理，并利用多尺度圖像自適應(yīng)增強(qiáng)算法進(jìn)行圖像增強(qiáng)處理，通過提取交通道路圖像的SIFT特征點(diǎn)，利用基于改進(jìn)剪枝策略的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通道路圖像中的車輛識(shí)別檢測(cè)，實(shí)現(xiàn)人工智能圖像處理。

為實(shí)現(xiàn)上述目的，本發(fā)明提供的一種基于智慧交通的人工智能圖像處理方法，包括：

獲取待處理的交通道路圖像，并利用結(jié)合中值濾波和高斯濾波的圖像平滑方法對(duì)待處理的交通道路圖像進(jìn)行圖像平滑處理，得到平滑圖像；

將平滑圖像的RGB顏色空間轉(zhuǎn)換為YUV顏色空間，得到基于YUV顏色空間的交通道路圖像；

利用多尺度圖像自適應(yīng)增強(qiáng)算法對(duì)基于YUV顏色空間的交通道路圖像進(jìn)行增強(qiáng)處理，得到增強(qiáng)后的交通道路圖像；

利用改進(jìn)的SIFT特征描述子提取算法對(duì)增強(qiáng)后的交通道路圖像進(jìn)行處理，提取得到交通道路圖像的SIFT特征描述子；

將SIFT特征描述子作為神經(jīng)網(wǎng)絡(luò)模型的輸入，利用基于改進(jìn)剪枝策略的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通道路圖像中的車輛識(shí)別檢測(cè)，實(shí)現(xiàn)人工智能圖像處理。

可選地，所述利用結(jié)合中值濾波和高斯濾波的圖像平滑方法對(duì)待處理的交通道路圖像進(jìn)行圖像平滑處理，包括：

利用離散高斯卷積核H對(duì)待處理圖像的像素點(diǎn)附近鄰域的灰度值進(jìn)行相應(yīng)的加權(quán)平均，即將加權(quán)后的離散高斯卷積核H同像素點(diǎn)附近鄰域的灰度值進(jìn)行乘積處理，其中H的維數(shù)為(2k+1)×(2k+1)，H的計(jì)算公式為：

其中：

(i，j)為待處理圖像像素點(diǎn)像素值；

σ為像素點(diǎn)附近鄰域灰度值的方差；

k為核矩陣的維數(shù)；