【技术实现步骤摘要】
本专利技术涉及智能交通管理领域，特别涉及一种基于概率模型的交通标志图像增强方法及系统。
技术介绍
1、作为高级驾驶辅助系统和自动驾驶汽车的重要组成部分，交通标志检测的目标是定位包含交通标志的图像区域。在过去的十年中，关于交通标志检测和识别的研究量显著增加，研究者们提出了各种方法来解决这个具有挑战性的问题。然而，由于计算需求高、交通标志数量多、交通场景复杂、遮挡等因素的影响，交通标志检测仍然存在一些困难和挑战。交通标志图像增强是指通过各种技术手段对交通标志图像进行处理，以提高其质量、增强其特征，并减少噪声和其他干扰因素的影响。
2、目前再进行交通标志图像增强时，通常使用浅层机器学习算法负责像素分类，使用支持向量机将原始rgb彩色图像转换为灰度图像，并将所有颜色分类为正色或负色，交通标志的颜色属于正类别，标记为+1，而其他颜色属于标记为-1的负类别，通过这种方式生成的二进制训练数据进行彩色像素的映射。
3、然而该方法对于大规模数据集的训练需要大量的时间和计算资源，使得这种方法不太适用于处理大规模数据集。此外，如果数据集存在数据不平衡问题，即两个类别的样本数目相差很大，那么模型可能会出现偏差，导致对少数类别的分类效果不好。而对于缺失值敏感的方法而言，如果数据集中存在大量缺失值，那么模型的性能也可能会受到影响，进而导致交通标志图像增强的效果较差。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于概率模型的交通标志图像增强方法及系统，可以解决现有交通标志图
2、为实现上述目的，一方面，本专利技术一种基于概率模型的交通标志图像增强方法，所述方法包括：
3、获取实时采集的交通标志图像并提取所述交通标志图像对应的像素信息；
4、通过颜色空间变换将交通标志图像对应的像素信息转换为不同颜色空间分布；
5、根据预训练的概率图模型生成所述交通标志图像中不同颜色分布的匹配关系；
6、根据所述交通标志图像中不同颜色分布的匹配关系输出增强后的灰度图图像。
7、进一步地，所述获取实时采集的交通标志图像并提取所述交通标志图像对应的像素信息的步骤之前，所述方法还包括：
8、按照不同颜色的图像像素类别对交通标志图像训练集进行标注；
9、将标注后的图像像素从rgb颜色空间转换为其他颜色作为特征向量；
10、根据不同色彩空间的颜色通道从所述特征向量对应的概率图中选择符合预设条件的概率图；
11、对符合预设条件的概率图进行归一化处理输出增强后的灰度图图像。
12、进一步地，所述将标注后的图像像素从rgb颜色空间转换为其他颜色作为特征向量的步骤包括：
13、根据公式构建所述特征向量对应的概率图，其中，,i＝1,2,3……,n，frgb(x,y)像素用fx,y向量表示，fi是第i个特征，p(ci|fx,y)为fx,y特征向量属于ci类的概率，p(ci)是先验类概率，而p(fk|ci)是类条件密度。类条件密度近似于ci的fk的概率质量函数。
14、进一步地，所述根据不同色彩空间的颜色通道从所述特征向量对应的概率图中选择符合预设条件的概率图的步骤包括：
15、根据hsv、lab、luv色彩空间的颜色通道从所述特征向量对应的概率图中选择符合预设条件的概率图。
16、进一步地，所述根据hsv、lab、luv色彩空间的颜色通道从所述特征向量对应的概率图中选择符合预设条件的概率图的步骤包括：
17、根据公式
18、从所述特征向量对应的概率图中选择符合预设条件的概率图，其中，m为分离的通道数，fk为分离的每个通道的图像的集合，类概率图的元素表示坐标(x,y)处的像素属于类ci的概率，c0,c1为高于背景概率的概率值。
19、另一方面，本专利技术提供一种基于概率模型的交通标志图像增强系统，所述系统包括：获取模块，用于获取实时采集的交通标志图像并提取所述交通标志图像对应的像素信息；
20、转换模块，用于通过颜色空间变换将交通标志图像对应的像素信息转换为不同颜色空间分布；
21、生成模块，用于根据预训练的概率图模型生成所述交通标志图像中不同颜色分布的匹配关系；
22、输出模块，用于根据所述交通标志图像中不同颜色分布的匹配关系输出增强后的灰度图图像。
23、进一步地，所述系统还包括：训练模块；
24、所述训练模块，用于按照不同颜色的图像像素类别对交通标志图像训练集进行标注；将标注后的图像像素从rgb颜色空间转换为其他颜色作为特征向量；根据不同色彩空间的颜色通道从所述特征向量对应的概率图中选择符合预设条件的概率图；对符合预设条件的概率图进行归一化处理输出增强后的灰度图图像。
25、进一步地，所述训练模块，具体用于根据公式构建所述特征向量对应的概率图，其中，,i＝1,2,3……,n，frgb(x,y)像素用fx,y向量表示，fi是第i个特征，p(ci|fx,y)为fx,y特征向量属于ci类的概率，p(ci)是先验类概率，而p(fk|ci)是类条件密度。类条件密度近似于ci的fk的概率质量函数。
26、进一步地，所述训练模块，具体还用于根据hsv、lab、luv色彩空间的颜色通道从所述特征向量对应的概率图中选择符合预设条件的概率图。
27、进一步地，所述训练模块，具体还用于根据公式从所述特征向量对应的概率图中选择符合预设条件的概率图，其中，m为分离的通道数，fk为分离的每个通道的图像的集合，类概率图的元素表示坐标(x,y)处的像素属于类ci的概率，c0,c1为高于背景概率的概率值。
28、本专利技术提供的一种基于概率模型的交通标志图像增强方法及系统，将概率图模型应用于交通标志图像增强中，通过对图像中的颜色分布进行建模，来实现对交通标志图像的增强；由于概率图模型是一种基于概率论的图形表示方法，可以有效地处理不同类型的数据，并且所需的图像训练集较少，同时可以直观描述变量之间的关系，从而可以更快、更准确地增强彩色交通标志图像，并且需要更少的训练时间，进而提高了交通标志检测的效率和准确率。
本文档来自技高网...【技术保护点】
1.一种基于概率模型的交通标志图像增强方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于概率模型的交通标志图像增强方法，其特征在于，所述获取实时采集的交通标志图像并提取所述交通标志图像对应的像素信息的步骤之前，所述方法还包括：
3.根据权利要求1所述的一种基于概率模型的交通标志图像增强方法，其特征在于，所述将标注后的图像像素从RGB颜色空间转换为其他颜色作为特征向量的步骤包括：
4.根据权利要求3所述的一种基于概率模型的交通标志图像增强方法，其特征在于，所述根据不同色彩空间的颜色通道从所述特征向量对应的概率图中选择符合预设条件的概率图的步骤包括：
5.根据权利要求4所述的一种基于概率模型的交通标志图像增强方法，其特征在于，所述根据HSV、LAB、LUV色彩空间的颜色通道从所述特征向量对应的概率图中选择符合预设条件的概率图的步骤包括：
6.一种基于概率模型的交通标志图像增强系统，其特征在于，所述系统包括：
7.根据权利要求6所述的一种基于概率模型的交通标志图像增强系统，其特征在于，所述系统还包括
8.根据权利要求6所述的一种基于概率模型的交通标志图像增强系统法，其特征在于，
9.根据权利要求8所述的一种基于概率模型的交通标志图像增强系统，其特征在于，
10.根据权利要求9所述的一种基于概率模型的交通标志图像增强系统，其特征在于，
...【技术特征摘要】
1.一种基于概率模型的交通标志图像增强方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于概率模型的交通标志图像增强方法，其特征在于，所述获取实时采集的交通标志图像并提取所述交通标志图像对应的像素信息的步骤之前，所述方法还包括：
3.根据权利要求1所述的一种基于概率模型的交通标志图像增强方法，其特征在于，所述将标注后的图像像素从rgb颜色空间转换为其他颜色作为特征向量的步骤包括：
4.根据权利要求3所述的一种基于概率模型的交通标志图像增强方法，其特征在于，所述根据不同色彩空间的颜色通道从所述特征向量对应的概率图中选择符合预设条件的概率图的步骤包括：
5.根据权利要求4所述...
【专利技术属性】
技术研发人员：闫军，张子昂，王伟，
申请(专利权)人：智慧互通科技股份有限公司，
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。