【技术实现步骤摘要】
本专利技术涉及数据压缩，具体涉及基于流形学习的车辆审核信息优化存储方法。
技术介绍
1、在车辆审核过程中，大量的信息需要被收集和存储，例如车辆图片、车牌号码、时间戳、地点等。然而，传统的存储方法存在一些问题，如存储空间占用大、存取效率低、信息检索困难等，导致车辆审核工作效率不高。
2、车辆审核信息中车辆图片是占用存储空间的主要信息，现有的技术对于图像的压缩处理主要分为无损压缩和有损压缩，由于对车辆图片的精度要求不高，故采用有损压缩。由于车辆审核信息中存在的数据类型较多，单一的图像压缩算法难以处理数字类型的数据，且车牌、时间戳等信息的精度要求较高，传统压缩方法难以到达较好的压缩要求。
技术实现思路
1、本专利技术提供基于流形学习的车辆审核信息优化存储方法，以解决现有的问题：单一的图像压缩算法难以处理数字类型的数据，且车牌、时间戳等信息的精度要求较高，传统压缩方法难以到达较好的压缩要求。
2、本专利技术的基于流形学习的车辆审核信息优化存储方法采用如下技术方案：
3、包括以下步骤：
4、采集车辆审核信息中的所有图像数据，对图像数据进行灰度化和去噪得到待处理数据；
5、获取待处理数据中所有像素点的梯度值以及梯度方向；根据待处理数据中所有像素点的梯度值以及梯度方向获取待处理数据中所有像素点的重要程度；
6、根据待处理数据中所有像素点的重要程度获取待处理数据中所有可变点和所有不变点；根据待处理数据中所有像素点的灰度值获取待
7、根据待处理数据中可变点变化后的灰度级范围获取目标数据；
8、对目标数据进行压缩，完成对车辆审核信息的优化存储。
9、优选的，所述根据待处理数据中所有像素点的梯度值以及梯度方向获取待处理数据中所有像素点的重要程度，包括的具体方法为：
10、对于待处理数据中第个像素点，将待处理数据中第个像素点为中心像素点建立一个的窗口，其中为预设的窗口大小；采用螺旋扫描法对待处理数据中第个像素点的窗口中的像素点进行扫描；得到第个像素点一维像素点序列，记为第个像素点序列；
11、计算第个像素点序列中每个像素点与下一个像素点之间梯度方向上的相似程度，其具体的计算公式为：
12、
13、式中，表示第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度；表示第个像素点序列中第个像素点的梯度方向；表示第个像素点序列中第个像素点的梯度方向；表示以自然常数为底数的指数函数；表示绝对值运算；
14、得到第个像素点的相似程度序列，记为第个相似程度序列，其中表示第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度；
15、再通过第个像素点序列中每个像素点梯度值大小，获取第个像素点序列中每个像素点的重要程度权重，其具体的计算公式为：
16、
17、式中，表示第个像素点序列中第个像素点的重要程度权重；表示待处理数据中梯度值最大的像素点的梯度值；表示第个像素点序列中第个像素点的梯度值；表示预设的超参数；
18、根据第个像素点序列中第个像素点的重要程度权重、第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度，获取第个像素点序列第个像素点与下一个像素点的重要程度。
19、优选的，所述根据第个像素点序列中第个像素点的重要程度权重、第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度，获取第个像素点序列第个像素点与下一个像素点的重要程度，包括的具体计算公式为：
20、
21、式中，表示第个像素点序列中第个像素点与下一个像素点的重要程度；表示第个像素点序列中第个像素点的重要程度权重；
22、得到第个像素点序列每个像素点与下一个像素点的重要程度，将第个像素点序列所有像素点与下一个像素点的重要程度的均值记为，通过第个像素点序列每个像素点与下一个像素点的重要程度、以及待处理数据中第个像素点的梯度值，获取待处理数据中第个像素点的重要程度。
23、优选的，所述获取待处理数据中第个像素点的重要程度，包括的具体计算公式为：
24、
25、式中，表示待处理数据中第个像素点的重要程度；表示待处理数据中第个像素点的梯度值；表示待处理数据中梯度值最大的像素点的梯度值；为预设的窗口大小。
26、优选的，所述根据待处理数据中所有像素点的重要程度获取待处理数据中所有可变点和所有不变点，包括的具体方法为：
27、预设一个重要程度阈值，将待处理数据中重要程度大于的像素点记为不变点；将待处理数据中重要程度小于等于的像素点记为可变点。
28、优选的，所述根据待处理数据中所有像素点的灰度值获取待处理数据中像素点灰度值的最大可变范围，包括的具体计算公式为：
29、
30、式中，表示待处理数据中像素点灰度值的最大可变范围；表示待处理数据中灰度值最大的像素点的灰度值；表示待处理数据中灰度值最小的像素点的灰度值；表示预设的经验损失度；表示向上取整运算。
31、优选的，所述根据待处理数据中像素点灰度值的最大可变范围、不变点和可变点获取待处理数据中所有可变点变化后的灰度级范围，包括的具体方法为：
32、对于待处理数据中第个可变点，以待处理数据中第个可变点为中心像素点建立一个的窗口，为预设的窗口大小；将待处理数据中第个可变点窗口内的所有像素点，记为第个局部范围；获取第个局部范围内所有不变点的灰度值，结合待处理数据中第个可变点的灰度值、待处理数据中第个可变点的重要程度以及待处理数据中像素点灰度值的最大可变范围，获取待处理数据中第个可变点的可损失值度，其具体的计算公式为：
33、
34、式中，表示待处理数据中第个可变点的可损失值度；表示待处理数据中第个可变点的重要程度；表示待处理数据中第个可变点的灰度值；表示第个局部范围内第个不变点的灰度值；表示第个局部范围内不变点的数量；表示待处理数据中像素点灰度值的最大可变范围；表示向上取整运算；表示以自然常数为底数的指数函数；
35、所以待处理数据中第个可变点变化后的灰度级范围为。
36、优选的，所述根据待处理数据中可变点变化后的灰度级范围获取目标数据，包括的具体方法为：
37、根据待处理数据获取待处理数据的灰度直方图，统计每个灰度级在待处理数据中出现的频率集合记为，其中表示灰度级为的像素点在待处理数据中的出现频率，表示灰度级为的像素点在待处理数据中的出现频率，表示灰度级为的像素点在待处理数据中的出现频率；将每个灰度级在待处理数据中出现的频率集合中的元素按照从大到小的顺序进行排序，得到每个灰度级在待处理数据中出现的频率序列记为频率序列，其中表示待处理数据中出本文档来自技高网...
【技术保护点】
1.基于流形学习的车辆审核信息优化存储方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据待处理数据中所有像素点的梯度值以及梯度方向获取待处理数据中所有像素点的重要程度，包括的具体方法为：
3.根据权利要求2所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据第个像素点序列中第个像素点的重要程度权重、第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度，获取第个像素点序列第个像素点与下一个像素点的重要程度，包括的具体计算公式为：
4.根据权利要求3所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述获取待处理数据中第个像素点的重要程度，包括的具体计算公式为：
5.根据权利要求1所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据待处理数据中所有像素点的重要程度获取待处理数据中所有可变点和所有不变点，包括的具体方法为：
6.根据权利要求1所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据待处理数据
7.根据权利要求1所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据待处理数据中像素点灰度值的最大可变范围、不变点和可变点获取待处理数据中所有可变点变化后的灰度级范围，包括的具体方法为：
8.根据权利要求1所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据待处理数据中可变点变化后的灰度级范围获取目标数据，包括的具体方法为：
9.根据权利要求8所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据所有特征点与频率序列获取目标数据，包括的具体方法为：
10.根据权利要求1所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述对目标数据进行压缩，完成对车辆审核信息的优化存储，包括的具体方法为：
...【技术特征摘要】
1.基于流形学习的车辆审核信息优化存储方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据待处理数据中所有像素点的梯度值以及梯度方向获取待处理数据中所有像素点的重要程度，包括的具体方法为：
3.根据权利要求2所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据第个像素点序列中第个像素点的重要程度权重、第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度，获取第个像素点序列第个像素点与下一个像素点的重要程度，包括的具体计算公式为：
4.根据权利要求3所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述获取待处理数据中第个像素点的重要程度，包括的具体计算公式为：
5.根据权利要求1所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据待处理数据中所有像素点的重要程度获取待处理数据中所有可变点和所有不变点，包括的具体方法...
【专利技术属性】
技术研发人员：高超，邵炜，俞洁，黄钰，沈煜凯，
申请(专利权)人：杭州易靓好车互联网科技有限公司，
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。