【技术实现步骤摘要】
本专利技术属于图像识别领域，更具体地说涉及一种夜间道路场景下汽车车灯和干扰光源识别与分类方法。
技术介绍
1、汽车快速普及在带来很大出行便利的同时，也对城市道路造成了很大的拥堵、给城市能源消耗带来极大的增量、给道路交通驾驶带来了频繁的事故。据统计，汽车前照灯功能不丰富以及使用不当是造成道路交通事故，尤其是夜间道路交通伤亡的主要原因，其主要表现在夜间视距减少、远光灯不当使用、缺乏安全提醒等。
2、随着智能交通的不断发展，交通拥挤阻塞以及由此导致的一系列交通问题已经成为制约市场经济发展和人民水平提高的瓶颈，图像识别应用到道路监控和高级驾驶辅助系统等方面。在夜间驾驶和复杂光照条件下，车辆前方光源识别与分类一直是驾驶员辅助系统、自动驾驶等领域的重要挑战之一。当前的车辆光源识别技术存在着一些问题，如在复杂背景下的准确性下降、对干扰光源误判的情况较为普遍等。传统方法通常采用阈值分割、形态学操作等方式对光源进行分割，然后基于规则进行分类。然而，这种方法容易受到背景干扰、光照变化和光源形状的影响，导致识别准确性不高。因此，需要一种能够准确识别和分类夜间道路上的车辆灯光和干扰光源的方法，该方法能够在复杂的夜间场景下进行可靠分类，从而提高驾驶决策的准确性和道路行驶的安全性。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供一种基于汽车车灯和干扰光源识别与分类的方法，解决当前的车辆光源识别技术存在复杂背景下准确性下降和对干扰光源误判的问题。
2、本专利技术提出一种含干扰光
3、s1.采用局部和全局相结合的多尺度特征融合方法提取光源特征；
4、s2.基于通道统计信息设计神经网络对提取的光源特征进行分类；
5、s3.连续多帧图像异常值检测和设置自适应阈值提高分类准确性。
6、进一步地，步骤s1中所述的采用局部和全局相结合的多尺度特征融合方法提取光源特征，从而可以提高精度的内容和方法，具体包括以下步骤：
7、(1)对采集的道路视频图像进行局部特征提取，具体为：通过卷积和池化层从图像中提取局部特征，在通道维度和空间维度采用拼接的融合操作，n*m维局部特征向量f1可以表示为[f11,f12,...,f1m,f21,f22,...,f2m,...,fn1,...,fnm]，其中n为局部特征维度，m为不同尺度特征，fij表示第i个局部特征和第j个尺度特征在通道维度和空间维度融合后的值；
8、(2)对采集的道路视频图像提取与光源相关的全局特征，具体为：在感兴趣的光源区域选择颜色分布与空间分布作为全局特征，计算全局特征并进行归一化处理，得到表征颜色和空间的特征向量f2为[s1,s2,...,si,c1,c2,...,cj]，其中si为空间分布特征向量，cj为颜色分布特征向量；
9、(3)将局部细节特征和全局整体特征相融合，具体为：将局部特征向量f1、颜色和空间的特征向量f2，按照顺序连接形成总特征向量ftotal为f1+f2，对总特征向量ftotal进行归一化处理并将其输入到分类器中。
10、进一步，步骤s2中所述的基于通道统计信息设计神经网络对提取的光源特征进行分类，从而为驾驶决策提供有用信息的内容和方法，具体包括以下步骤：
11、(1)基于通道统计信息设计神经网络，具体为：引入维度为h×w×c的通道注意力模块，对输入特征图x的每个通道进行平局池化，得到带有全局特征的通道统计信息特征向量其中xc表示通道特征图；继而进行全连接操作和sigmoid激活获得通道方向上权重向量，将权重向量与输入特征图在通道方向相乘获得特征图x'为scale(x,sigmoid(frelu(fzc)))，其中f表示全连接操作，sigmoid(·)和relu(·)代表不同的激活方式，scale(·)表示通道上的乘积操作；
12、(2)基于车灯光源与干扰光源特性选择网络结构，具体为：神经网络输出层采用softmax函数表示车灯光源与干扰光源概率，车灯光源的概率为干扰光源的概率为其中为夜间车灯光源分数指数，为夜间干扰光源分数指数；
13、(3)采用改进梯度下降法进行模型参数更新，具体为：第t+1步更新参数向量θt+1为其中θt为第t步的更新参数向量，at为第t步学习率，κt为第t步角系数，和分别为一阶矩和二阶矩的偏置校正，ε为大于零的小值。
14、进一步，步骤s3中所述的通过连续多帧图像异常值检测和设置自适应阈值提高分类准确性，从而提高道路安全和效率的内容和方法，具体包括以下步骤：
15、(1)使用异常值检测算法，通过构建一组随机的决策树来检测异常值，通过将异常值和正常数据分隔开来的路径长度来度量异常程度，识别不符合光源特征分布的异常分类结果，具体为：首先在光源分类模型中选取n个数据训练，样本数据最大值为xmax，最小值为xmin，放入一棵二叉树的根节点；然后随机选择数据样本中的一个维度和切割点p(p∈(xmin,xmax))，在此维度下切割点小于p的点放左侧数据集gl，大于等于p的点放右侧数据集gr，通过左侧数据集gl与右侧数据集gr的比值σ为对节点的区分有效性进行判断；重复以上步骤直到每个节点达到树的最大生长高度，完成所有二叉树训练；计算每棵孤立树的路径平均长度c(n)为其中h(·)为调和数，样本的异常分数s(x,n)为其中，x需要计算异常分数的数据点，e(h(x))为路径长度h(x)的期望值，通过满足smap(x,n)＝2s(x,n)-1获得异常值分数进行判断，检测出噪声的异常值；
16、(2)通过设定自适应阈值来适应不同的闪烁频率，具体为：图像(x,y)位置处的像素值i(x,y)，t(x,y)表示同一位置的自适应阈值，可以表示为μ(x,y)+kυ(x,y)，其中μ(x,y)为局部窗口内像素平均值，k为可调系数，较大的k会使阈值更大从而更容易将像素分类为光源，而较小的k会使阈值较小从而更容易将像素分类为背景，υ(x,y)为局部窗口内像素的标准差。
17、本专利技术的有益效果是：提出一种含干扰光源的夜间汽车车灯识别与分类方法，该方法采用局部和全局相结合的多尺度特征融合方法提取光源特征，然后基于通道统计信息设计神经网络对提取的光源特征进行分类，最后通过连续多帧图像异常值检测和设置自适应阈值提高分类准确性，不会容易受到背景干扰、光照变化和光源形状的影响，保障了驾驶员在夜间行驶的道路安全和效率，可用于支持驾驶员辅助系统的智能控制服务。
本文档来自技高网...【技术保护点】
1.一种含干扰光源的夜间汽车车灯识别与分类方法，具体包括以下特征：
2.根据权利要求1所述的一种含干扰光源的夜间汽车车灯识别与分类方法，其特征在于，步骤S1所述的采用局部和全局相结合的多尺度特征融合方法提取光源特征，具体包括以下步骤：
3.根据权利要求1所述的一种含干扰光源的夜间汽车车灯识别与分类方法，其特征在于，步骤S2所述的基于通道统计信息设计神经网络对提取的光源特征进行分类，具体包括以下步骤：
4.根据权利要求1所述的一种含干扰光源的夜间汽车车灯识别与分类方法，其特征在于，步骤S3所述的通过连续多帧图像异常值检测和设置自适应阈值提高分类准确性，具体包括以下步骤：
【技术特征摘要】
1.一种含干扰光源的夜间汽车车灯识别与分类方法，具体包括以下特征：
2.根据权利要求1所述的一种含干扰光源的夜间汽车车灯识别与分类方法，其特征在于，步骤s1所述的采用局部和全局相结合的多尺度特征融合方法提取光源特征，具体包括以下步骤：
3.根据权利要求1所述的一种含干扰光源的夜间汽...
【专利技术属性】
技术研发人员：束亦冉，
申请(专利权)人：上海春晖投资发展有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。