[發(fā)明專利]一種基于物聯(lián)網(wǎng)的車輛信息智能采集方法

在審

• 申請?zhí)枺?/td>: 202110830712.6
• 申請日: 2021-07-22
• 公開（公告）號: CN113673352A
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計）人: 林心
• 申請（專利權(quán)）人: 林心
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/34;G06K9/46;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于物聯(lián)網(wǎng)的車輛信息智能采集方法，其特征在于，所述方法包括如下步驟：

步驟S1、實時采集包含過往車輛的待檢測場景圖像；其中，所述待檢測場景圖像的信息包括所述過往車輛和所述過往車輛的周邊場景；

步驟S2、識別所述待檢測場景圖像中的目標(biāo)區(qū)域，并對所述待檢測場景圖像進(jìn)行分割，得到目標(biāo)圖像；

步驟S3、識別所述目標(biāo)圖像中的特征區(qū)域，并對所述目標(biāo)圖像中的特征區(qū)域進(jìn)行提取，得到特征圖像；確定所述特征圖像中各個中心區(qū)Π_i；其中，i為正整數(shù)；

步驟S4、對各個所述中心區(qū)Π_i進(jìn)行擴(kuò)展，得到與各個所述中心區(qū)Π_i相對應(yīng)的界外區(qū)π_i；其中，各個相鄰的所述界外區(qū)π_i擴(kuò)展至邊緣重合；

步驟S5、依次對各個所述中心區(qū)Π_i內(nèi)的各個像素點的初始灰度值映射為過渡灰度值以增強(qiáng)區(qū)域?qū)Ρ榷龋黄渲?，在后映射處理的所述中心區(qū)Π_i與在先映射處理的所述中心區(qū)Π_i的邊緣重合區(qū)域的所述過渡灰度值以在先映射處理的所述中心區(qū)Π_i的所述邊緣重合區(qū)域的所述過渡灰度值為準(zhǔn)；增強(qiáng)區(qū)域?qū)Ρ榷群螅鲞^渡灰度值的值域大于所述初始灰度值的值域；

步驟S6、對經(jīng)所述灰度映射增強(qiáng)對比度模塊處理的所述特征圖像進(jìn)行對比分析，得到所述過往車輛的所述車輛信息。

2.如權(quán)利要求1所述的一種基于物聯(lián)網(wǎng)的車輛信息智能采集方法，其特征在于，在所述步驟S2中，在對所述目標(biāo)區(qū)域進(jìn)行識別與分割之前，應(yīng)先對所述待檢測場景圖像進(jìn)行目標(biāo)檢測以確定可能存在的目標(biāo)區(qū)域。

3.如權(quán)利要求1所述的一種基于物聯(lián)網(wǎng)的車輛信息智能采集方法，其特征在于，所述目標(biāo)圖像包含所述過往車輛的車牌信息。

4.如權(quán)利要求1所述的一種基于物聯(lián)網(wǎng)的車輛信息智能采集方法，其特征在于，所述步驟S1中通過高分辨率的圖像采集裝置實時采集包含過所述往車輛的所述待檢測場景圖像。

5.如權(quán)利要求1所述的一種基于物聯(lián)網(wǎng)的車輛信息智能采集方法，其特征在于，步驟S4中所述中心區(qū)Π_i的具體擴(kuò)展方式為：

獲取各個所述中心區(qū)Π_i的所述界外區(qū)π_i的邊緣像素點，并根據(jù)所述邊緣像素點的輪廓依次向外擴(kuò)展一個像素，直至與相鄰的另一所述界外區(qū)π_i邊緣相鄰；其中，各個所述界外區(qū)π_i包含所述中心區(qū)Π_i。

6.如權(quán)利要求1所述的一種基于物聯(lián)網(wǎng)的車輛信息智能采集方法，其特征在于，所述步驟S5具體包括：

步驟S51、選定所述界外區(qū)π_i中的起始界外區(qū)π_j，獲取所述起始界外區(qū)π_j的灰度值范圍，并對所述起始界外區(qū)π_j以所述灰度值范圍映射為n倍，將以映射的所述起始界外區(qū)標(biāo)記為已入庫界外區(qū)；其中，0＜j＜i，n為大于1的正整數(shù)；映射時，所述起始界外區(qū)π_j的映射基準(zhǔn)包括：保持所述灰度值范圍的最小值的灰度值不變；

步驟S52、選定與至少一所述已入庫界外區(qū)相鄰且未標(biāo)記為所述已入庫界外區(qū)的待入庫界外區(qū)π_k，將所述待入庫界外區(qū)π_k的灰度范圍擴(kuò)展映射為n倍，并在映射之后將所述待入庫界外區(qū)π_k標(biāo)記為已入庫界外區(qū)；其中，映射時，所述待入庫界外區(qū)π_k的映射基準(zhǔn)包括：所述待入庫界外區(qū)π_k與各個所述已入庫界外區(qū)的邊界區(qū)域的灰度值的映射以各個所述已入庫界外區(qū)為基準(zhǔn)；所述待入庫界外區(qū)屬于所述界外區(qū)π_i；0＜k＜i且k≠j；

步驟S53、在完成各個所述界外區(qū)π_i的映射之后，將各個所述已入庫界外區(qū)的灰度值映射至標(biāo)準(zhǔn)圖像灰度值。

7.如權(quán)利要求1所述的一種基于物聯(lián)網(wǎng)的車輛信息智能采集方法，其特征在于，所述步驟S2中對所述待檢測場景圖像進(jìn)行分割的方式為：

1)、計算灰度值為m的像素在所述待檢測場景圖像中出現(xiàn)的概率p_m；其中，q_m為灰度值為m的像素出現(xiàn)的總次數(shù)，H和W分別為所述待檢測場景圖像的高和寬；

2)、給定一個閾值t，將所述待檢測場景圖像分成目標(biāo)區(qū)域O和背景區(qū)域B，所述目標(biāo)區(qū)域O和所述背景區(qū)域B的概率定義分別如下：

其中，p_O(t)+p_B(t)＝1；

3)、分別計算所述目標(biāo)區(qū)域O和所述背景區(qū)域B的熵H₀(t)和H_B(t)；其中，

4)、計算所述待檢測電力圖像的熵函數(shù)：H(t)＝H_O(t)+H_B(t)，

所述熵函數(shù)取得最大值是對應(yīng)的灰度值即為最佳閾值：

t^*＝argmaxH(t)0≤t≤255；

5)、使用所得到的閾值t^*對所述待檢測場景圖像進(jìn)行分割，可以得到所述目標(biāo)圖像和背景圖，對所述目標(biāo)圖像進(jìn)行簡單的形態(tài)學(xué)操作，排除一些獨立的不連續(xù)的區(qū)域，并對所述目標(biāo)圖像與所述待檢測場景圖像進(jìn)行疊加操作，得到所述待檢測場景圖像中的所述目標(biāo)圖像。