一種人行橫道線自動(dòng)檢測(cè)分析方法及系統(tǒng)的制作方法【專利摘要】一種人行橫道線自動(dòng)檢測(cè)分析方法及系統(tǒng)，包括輸入街景的影像，將影像分為訓(xùn)練組和測(cè)試組，利用訓(xùn)練組訓(xùn)練用于檢測(cè)人行橫道線的分類器；例如分類器對(duì)測(cè)試組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別，通過后期處理排除錯(cuò)誤檢測(cè)；利用分類器對(duì)訓(xùn)練組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別，并通過后期處理排除錯(cuò)誤檢測(cè)；根據(jù)步驟4所得各測(cè)試組影像的識(shí)別結(jié)果和步驟5所得各訓(xùn)練組影像的識(shí)別結(jié)果分別統(tǒng)計(jì)檢測(cè)結(jié)果，包括對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對(duì)每一個(gè)識(shí)別結(jié)果矩形包含的像素進(jìn)行累加，得到橫坐標(biāo)值相應(yīng)像素被識(shí)別為人行橫道的次數(shù)，繪制直方圖并提取特征，訓(xùn)練用于污損程度分析的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行人行橫道線污損程度分析?！緦＠f明】一種人行橫道線自動(dòng)檢測(cè)分析方法及系統(tǒng)【
技術(shù)領(lǐng)域：
】[0001]本發(fā)明屬于測(cè)繪科學(xué)與【
技術(shù)領(lǐng)域：
】，涉及一種人行橫道線自動(dòng)檢測(cè)分析的方法及系統(tǒng)。【
背景技術(shù)：
】[0002]隨著我國(guó)城鎮(zhèn)化進(jìn)程的發(fā)展，城市中人口密度、交通基礎(chǔ)設(shè)施大量增加。由于缺乏對(duì)交通基礎(chǔ)設(shè)施的自動(dòng)監(jiān)管手段，使得交通基礎(chǔ)設(shè)施維修維護(hù)不及時(shí)，從而帶來了交通安全隱患。人行橫道線作為交通基礎(chǔ)設(shè)施之一，具有保障人民生命財(cái)產(chǎn)安全、維護(hù)交通秩序順暢的重要意義。人行橫道線的污損將對(duì)交通安全以及人民生命財(cái)產(chǎn)安全帶來嚴(yán)重的威脅。所以需要一種成本低廉、高效、自動(dòng)的人行橫道線的檢測(cè)與污損程度分析的方法，來對(duì)城市中大量的人行橫道線的狀態(tài)進(jìn)行監(jiān)管。[0003]對(duì)于人行橫道線的自動(dòng)檢測(cè)，現(xiàn)有的研究主要集中在從近景影像中檢測(cè)出單條人行橫道區(qū)域。例如Sichelschmidt等的研究是從車輛的視角進(jìn)行人行橫道的識(shí)別，而Mohammad，張瑩和曹玉珍的文章均是以行人的視角識(shí)別或量測(cè)人行橫道的長(zhǎng)度，目的在于為輔助盲人過馬路提供幫助。Ma，St印hen和Mohammad所著的另外兩篇文章中，也描述了從行人視角的影像上進(jìn)行單條人行橫道線的識(shí)別方法。但這些研究的主要目的僅僅是提取人行橫道線的輪廓，而非在近景序列影像中快速準(zhǔn)確的自動(dòng)檢測(cè)出橫道線。而縱觀國(guó)內(nèi)外對(duì)人行橫道線狀態(tài)的監(jiān)管方法，現(xiàn)有的研究中尚無對(duì)人行橫道線的污損狀態(tài)進(jìn)行自動(dòng)分析的有效技術(shù)方案?！?br/>發(fā)明內(nèi)容】[0004]本發(fā)明能夠快速的從影像上自動(dòng)檢測(cè)出人行橫道線區(qū)域，并對(duì)其污損程度進(jìn)行分析，解決因缺少高效的自動(dòng)檢測(cè)數(shù)量龐大的人行橫道線的方法，導(dǎo)致的未能及時(shí)發(fā)現(xiàn)污損、掉漆的人行橫道線并進(jìn)行維護(hù)，從而給人民的生命財(cái)產(chǎn)帶來威脅的問題。[0005]為達(dá)到上述目的，本發(fā)明采用如下的技術(shù)方案：[0006]-種人行橫道線自動(dòng)檢測(cè)分析方法，包括如下步驟：[0007]步驟1，輸入街景的影像；[0008]步驟2,將影像分為訓(xùn)練組和測(cè)試組，利用訓(xùn)練組的數(shù)據(jù)制作正負(fù)樣本，訓(xùn)練用于檢測(cè)人行橫道線的分類器；[0009]步驟3,利用步驟2訓(xùn)練出的分類器對(duì)測(cè)試組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別；[0010]步驟4,通過后期處理排除步驟3所得結(jié)果的錯(cuò)誤檢測(cè)，得到人行橫道線識(shí)別結(jié)果；[0011]步驟5,利用步驟2訓(xùn)練得到的分類器對(duì)訓(xùn)練組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別，并通過后期處理排除所得結(jié)果的錯(cuò)誤檢測(cè)，得到人行橫道線識(shí)別結(jié)果；[0012]步驟6,根據(jù)步驟4所得各測(cè)試組影像的識(shí)別結(jié)果和步驟5所得各訓(xùn)練組影像的識(shí)別結(jié)果分別統(tǒng)計(jì)檢測(cè)結(jié)果，包括對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對(duì)每一個(gè)識(shí)別結(jié)果矩形包含的像素進(jìn)行累加，得到橫坐標(biāo)值相應(yīng)像素被識(shí)別為人行橫道的次數(shù)；[0013]步驟7,為每張測(cè)試組影像和訓(xùn)練組影像分別繪制直方圖，包括對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，根據(jù)步驟6所得統(tǒng)計(jì)結(jié)果繪制成直方圖，直方圖的橫軸表示影像的橫坐標(biāo)值，直方圖的縱軸表示像素被識(shí)別為人行橫道的次數(shù)；[0014]步驟8,從各測(cè)試組影像和訓(xùn)練組影像的直方圖中提取特征；[0015]步驟9,利用步驟8從所有訓(xùn)練組影像的直方圖中分別提取的特征，訓(xùn)練用于污損程度分析的神經(jīng)網(wǎng)絡(luò)模型；[0016]步驟10,根據(jù)步驟8從各測(cè)試組影像分別提取的特征，利用步驟9中所得神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試組的影像進(jìn)行人行橫道線污損程度分析，得到分析結(jié)果。[0017]而且，步驟3和步驟5利用步驟2訓(xùn)練出的分類器進(jìn)行人行橫道線的檢測(cè)識(shí)別時(shí)，對(duì)分類器輸出的識(shí)別結(jié)果矩形按照位置信息進(jìn)行聚類，剔除離散的識(shí)別結(jié)果矩形。[0018]而且，步驟4和步驟5的后期處理中，包括依據(jù)人行橫道線的寬度計(jì)算影像上人行橫道線長(zhǎng)度的理論范圍，如果識(shí)別結(jié)果的長(zhǎng)度超出該范圍，則認(rèn)為是錯(cuò)誤識(shí)別進(jìn)行剔除。[0019]本發(fā)明還相應(yīng)提供一種人行橫道線自動(dòng)檢測(cè)分析系統(tǒng)，包括如下模塊：[0020]輸入模塊，用于輸入街景的影像；[0021]分類器模塊，用于將影像分為訓(xùn)練組和測(cè)試組，利用訓(xùn)練組的數(shù)據(jù)制作正負(fù)樣本，訓(xùn)練用于檢測(cè)人行橫道線的分類器；[0022]測(cè)試初始識(shí)別模塊，用于利用分類器模塊訓(xùn)練出的分類器對(duì)測(cè)試組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別；[0023]測(cè)試后期處理模塊，用于通過后期處理排除測(cè)試初始識(shí)別模塊所得結(jié)果的錯(cuò)誤檢測(cè)，得到人行橫道線識(shí)別結(jié)果；[0024]訓(xùn)練識(shí)別模塊，用于利用分類器模塊訓(xùn)練得到的分類器對(duì)訓(xùn)練組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別，并通過后期處理排除所得結(jié)果的錯(cuò)誤檢測(cè)，得到人行橫道線識(shí)別結(jié)果；[0025]統(tǒng)計(jì)模塊，用于根據(jù)測(cè)試后期處理模塊所得各測(cè)試組影像的識(shí)別結(jié)果和訓(xùn)練識(shí)別模塊所得各訓(xùn)練組影像的識(shí)別結(jié)果分別統(tǒng)計(jì)檢測(cè)結(jié)果，包括對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對(duì)每一個(gè)識(shí)別結(jié)果矩形包含的像素進(jìn)行累加，得到橫坐標(biāo)值相應(yīng)像素被識(shí)別為人行橫道的次數(shù)；[0026]直方圖生成模塊，用于為每張測(cè)試組影像和訓(xùn)練組影像分別繪制直方圖，包括對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，根據(jù)統(tǒng)計(jì)模塊所得統(tǒng)計(jì)結(jié)果繪制成直方圖，直方圖的橫軸表示影像的橫坐標(biāo)值，直方圖的縱軸表示像素被識(shí)別為人行橫道的次數(shù)；[0027]特征提取模塊，用于從各測(cè)試組影像和訓(xùn)練組影像的直方圖中提取特征；[0028]神經(jīng)網(wǎng)絡(luò)模型模塊，用于利用特征提取模塊從所有訓(xùn)練組影像的直方圖中分別提取的特征，訓(xùn)練用于污損程度分析的神經(jīng)網(wǎng)絡(luò)模型；[0029]分析模塊，用于根據(jù)特征提取模塊從各測(cè)試組影像分別提取的特征，利用神經(jīng)網(wǎng)絡(luò)模型模塊中所得神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試組的影像進(jìn)行人行橫道線污損程度分析，得到分析結(jié)果。[0030]本發(fā)明能夠自動(dòng)從序列影像中檢測(cè)出人行橫道區(qū)域，并分析該人行橫道是否掉漆、污損，并做出相應(yīng)提示，為道路交通管理部門定期監(jiān)測(cè)大范圍內(nèi)數(shù)量龐大的人行橫道線的損耗程度提供了手段，有助于發(fā)現(xiàn)人行橫道這類交通基礎(chǔ)設(shè)施是否因年久失修而存在掉漆、污損的問題；有利于提示相關(guān)部門對(duì)污損的設(shè)施進(jìn)行及時(shí)的維護(hù)、保養(yǎng)，從而減少道路交通安全隱患，為人民的生命財(cái)產(chǎn)安全提供保障。本發(fā)明主要應(yīng)用于地理國(guó)情監(jiān)測(cè)，智慧城市的構(gòu)建，智能交通管理系統(tǒng)，交通基礎(chǔ)設(shè)施數(shù)字化與管理等領(lǐng)域，為人行橫道線檢測(cè)，污損程度分析和數(shù)字化入庫(kù)管理提供了手段，為建立人行橫道線數(shù)據(jù)庫(kù)，開展地理國(guó)情監(jiān)測(cè)，構(gòu)建智能交通系統(tǒng)和智慧城市提供基礎(chǔ)技術(shù)支持，具有成本低廉、檢測(cè)階段無需人工干預(yù)、自動(dòng)化程度高、檢測(cè)正確率高的優(yōu)點(diǎn)。本發(fā)明受到多項(xiàng)基金的支持，為重點(diǎn)科研項(xiàng)目：1.四川省地理國(guó)情監(jiān)測(cè)工程技術(shù)研究中心資助項(xiàng)目，項(xiàng)目批準(zhǔn)號(hào)GC201514;2.中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目，項(xiàng)目編號(hào)2014213020201。本發(fā)明具有重大實(shí)用價(jià)值?！緦＠綀D】【附圖說明】[0031]圖1為本發(fā)明實(shí)施例的總流程圖；[0032]圖2為本發(fā)明實(shí)施例的攝影方向與街道走向一致的示意圖；[0033]圖3為本發(fā)明實(shí)施例的特征直方圖；[0034]圖4為本發(fā)明實(shí)施例的基于積分圖的像素特征計(jì)算方法示意圖；[0035]圖5為本發(fā)明實(shí)施例人行橫道線在影像上的寬度和位置所應(yīng)該存在的關(guān)系示意圖?！揪唧w實(shí)施方式】[0036]本發(fā)明是基于人工智能和神經(jīng)網(wǎng)絡(luò)模型的分類技術(shù)提出的一種自動(dòng)檢測(cè)人行橫道并進(jìn)行污損程度分析的方法，全球衛(wèi)星定位系統(tǒng)GPS(GlobalPositioningSystem)的協(xié)助下，同時(shí)可以獲取人行橫道線的位置信息，有著減少道路交通安全隱患，協(xié)助保障人民生命財(cái)產(chǎn)安全的實(shí)用價(jià)值。本發(fā)明技術(shù)方案可采用軟件技術(shù)實(shí)現(xiàn)自動(dòng)流程運(yùn)行。下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明技術(shù)方案進(jìn)一步詳細(xì)說明。[0037]參考圖1，本發(fā)明實(shí)施例包含人行橫道自動(dòng)檢測(cè)和人行橫道污損程度分析兩部分，分別包括步驟1?4和步驟5?10,分別如圖1的第一部分和第二部分，具體步驟如下：[0038]步驟1.輸入街景影像，影像來源可以是移動(dòng)攝影測(cè)量車采集的序列街景影像，交通監(jiān)控視頻影像或者車載行車記錄儀影像等攝影方向與街道走向一致的影像，如圖2所/Jn〇[0039]建議采用移動(dòng)攝影測(cè)量車采集的帶有位置信息的序列街景影像，移動(dòng)攝影測(cè)量車上一般帶有GPS天線、激光掃描儀、全景相機(jī)、CCD相機(jī)、紅外攝像機(jī)、可見光攝像機(jī)。[0040]步驟2.將影像分為訓(xùn)練組和測(cè)試組，利用訓(xùn)練組的數(shù)據(jù)制作正負(fù)樣本，訓(xùn)練用于檢測(cè)人行橫道線的分類器。[0041]實(shí)施例從采集的數(shù)據(jù)中抽取部分作為訓(xùn)練分類器用的訓(xùn)練組數(shù)據(jù)。為了保證對(duì)算法評(píng)估時(shí)的公正性，這組數(shù)據(jù)只用作訓(xùn)練用，不參加算法的評(píng)估。從訓(xùn)練組的數(shù)據(jù)中，截取包含人行橫道線范圍的截圖作為正樣本，不包含人行橫道線的截圖作為負(fù)樣本。為了保證訓(xùn)練器的魯棒性，建議正樣本數(shù)量大于一千張，而負(fù)樣本數(shù)量需要遠(yuǎn)大于正樣本數(shù)量。從正樣本中提取邊緣特征，將這些特征和負(fù)樣本一起輸入分類器，并設(shè)置訓(xùn)練結(jié)束條件，例如正確率大于99.9%時(shí)結(jié)束訓(xùn)練。流程可設(shè)計(jì)為，從當(dāng)前制作的正負(fù)樣本中抽取部分正負(fù)樣本，訓(xùn)練初始的人行橫道線檢測(cè)分類器，然后判斷正確率是否達(dá)標(biāo)，若否則返回樣本庫(kù)中抽取新的正負(fù)樣本進(jìn)行訓(xùn)練，直到正確率達(dá)標(biāo)后進(jìn)入步驟3利用訓(xùn)練成熟的人行橫道線檢測(cè)分類器對(duì)測(cè)試組影像進(jìn)行檢測(cè)。[0042]具體實(shí)施時(shí)，可參考現(xiàn)有分類器技術(shù)，根據(jù)人行橫道線具有的明顯邊緣特征，利用Haar-like，LBP這一類的特征模板描述人行橫道正負(fù)樣本，將描述值作為輸入?yún)?shù)輸入到分類器中進(jìn)行迭代訓(xùn)練。訓(xùn)練好的分類器可以直接用于人行橫道線的檢測(cè)。[0043]步驟3.利用步驟2訓(xùn)練出的分類器對(duì)測(cè)試組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別。[0044]利用步驟2得到的分類器就可以達(dá)到對(duì)同一數(shù)據(jù)源獲取的所有數(shù)據(jù)上的人行橫道線自動(dòng)檢測(cè)的目的了。具體實(shí)施時(shí)，可采用OpenCV的庫(kù)實(shí)現(xiàn)初步自動(dòng)檢測(cè)，OpenCV函數(shù)能夠?qū)崿F(xiàn)利用載入的分類器，從影像中計(jì)算出目標(biāo)的位置。本步驟先將目標(biāo)影像和分類器同時(shí)輸入，基于OpenCV函數(shù)對(duì)影像進(jìn)行識(shí)別，并得到初始識(shí)別結(jié)果。初始結(jié)果是成百上千的矩形識(shí)別框，它們不能直接描繪出人行橫道線的完整區(qū)域。因?yàn)槊恳粋€(gè)矩形框都圈出了影像上可能是人行橫道線的一部分，而不是其整體，所以每一個(gè)矩形都無法單獨(dú)描述人行橫道線的完整區(qū)域。為了描述出人行橫道完整的區(qū)域，需要利用聚類算法將初始結(jié)果整合?；诔跏甲R(shí)別結(jié)果，接下來利用矩形框的位置信息，對(duì)矩形框進(jìn)行聚類，同時(shí)將離散矩形剔除，保留剩下的識(shí)別結(jié)果矩形，從而描述人行橫道線所在區(qū)域。聚類算法可采用現(xiàn)有技術(shù)，根據(jù)矩形間隔上限和類內(nèi)個(gè)數(shù)下限這兩個(gè)閾值進(jìn)行分類即可。[0045]步驟4.利用后期處理的方法排除步驟3所得結(jié)果的錯(cuò)誤檢測(cè)，精化檢測(cè)成果，得到人行橫道線識(shí)別結(jié)果。[0046]由于實(shí)際場(chǎng)景千變?nèi)f化，所以有時(shí)還需要后期處理來剔除錯(cuò)誤識(shí)別，后期處理的方法可在具體實(shí)施時(shí)根據(jù)情況選擇設(shè)定，一般可包括：利用近大遠(yuǎn)小的方法排除錯(cuò)誤檢測(cè)；計(jì)算識(shí)別區(qū)域人行橫道白線的條數(shù)，根據(jù)閾值判斷該識(shí)別區(qū)域是否是人行橫道區(qū)域等，例如聚類后的某個(gè)類中矩形數(shù)目少于10,則判斷該類并非人行橫道線區(qū)域。本步驟得到從測(cè)試組影像中識(shí)別的大量人行橫道線檢測(cè)區(qū)域，可以作為人行橫道線檢測(cè)結(jié)果輸出。[0047]本發(fā)明設(shè)計(jì)了利用近大遠(yuǎn)小的方法排除錯(cuò)誤檢測(cè)的方式，依據(jù)人行橫道線的寬度是固定不變的，相機(jī)的姿態(tài)以及物體在視野中存在近大遠(yuǎn)小的透視現(xiàn)象這三部分知識(shí)，可以得出人行橫道線在影像上的寬度和位置所應(yīng)該存在的關(guān)系的公式。[0048]步驟5.利用步驟2訓(xùn)練得到的分類器對(duì)訓(xùn)練組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別，并運(yùn)用步驟4的方法進(jìn)行后期處理，得到人行橫道線識(shí)別結(jié)果。與測(cè)試組類似，本步驟得到從訓(xùn)練組影像中識(shí)別的大量人行橫道線檢測(cè)區(qū)域。[0049]步驟6.根據(jù)步驟4所得各測(cè)試組影像的識(shí)別結(jié)果和步驟5所得各訓(xùn)練組影像的識(shí)別結(jié)果分別統(tǒng)計(jì)檢測(cè)結(jié)果：對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對(duì)每一個(gè)識(shí)別結(jié)果矩形包含的像素進(jìn)行累加，設(shè)某個(gè)矩形中橫坐標(biāo)為a處的有A個(gè)像素，則橫坐標(biāo)為a處像素在該矩形被識(shí)別為人行橫道的數(shù)目為A，累計(jì)所有矩形的數(shù)目，統(tǒng)計(jì)出橫坐標(biāo)為a(ae(0，W)，W為影像寬度）處像素被識(shí)別為人行橫道的總數(shù)。例如某影像橫坐標(biāo)為900的那一列，被兩個(gè)矩形識(shí)別出了，一個(gè)矩形高度是8,另一個(gè)矩形高度是10,那么說明X=900的這組像素,被識(shí)別為人行橫道的總數(shù)為8+10=18。[0050]步驟7.為每張測(cè)試組影像和訓(xùn)練組影像分別繪制直方圖：對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，根據(jù)步驟6所得統(tǒng)計(jì)結(jié)果繪制成直方圖，直方圖的橫軸表示影像的橫坐標(biāo)值，直方圖的縱軸表示像素被識(shí)別為人行橫道的次數(shù)。[0051]實(shí)施例根據(jù)步驟6所得結(jié)果，繪制成圖3所示的直方圖。直方圖的橫軸表示影像的橫坐標(biāo)值，直方圖的縱軸表示像素被識(shí)別為人行橫道的次數(shù)。[0052]步驟8.從直方圖中提取特征。對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，根據(jù)步驟6所得直方圖進(jìn)行特征提取，提取的特征一般可包括像素個(gè)數(shù)之和（每一個(gè)橫坐標(biāo)被識(shí)別為人行橫道的總數(shù)之和，即直方圖的每一個(gè)縱列的值之和），波峰波谷的位置、值，有效數(shù)據(jù)寬度，有效面積和空白面積的比值等，作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的樣本，可得到該影像的特征文件。具體實(shí)施時(shí)，本領(lǐng)域技術(shù)人員可自行設(shè)定需提取的特征類型。[0053]例如一個(gè)影像寬度為1600,計(jì)算出X相同的每一列像素被矩形包含的次數(shù)后，就可以繪制直方圖。這里假設(shè)用Num_X(x等于1-1600)代表橫坐標(biāo)為X時(shí)的包含次數(shù)。那么有效數(shù)據(jù)寬度是指Num_x不等于0的值，例如1600個(gè)數(shù)中，300個(gè)的Num_x為0,那么有效數(shù)據(jù)寬度是1300。有效面積是指lXNum_x的和。乘以1是因?yàn)槔L制直方圖的時(shí)候，每一列的寬度是1，商度是Num_x。面積就是lXNum_x的和。空白面積是影像寬度XNum_x_Max_有效面積的值。即以直方圖最高點(diǎn)為y，影像寬度為X的矩形減去有效面積的值。[0054]步驟9.利用步驟8從所有訓(xùn)練組影像的直方圖中分別提取的特征，訓(xùn)練用于污損程度分析的神經(jīng)網(wǎng)絡(luò)模型。[0055]可采用支持向量機(jī)SVM(SupportVectorMachine)，分類樹，徑向基網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)，小波神經(jīng)網(wǎng)絡(luò)，反饋神經(jīng)網(wǎng)絡(luò)等神經(jīng)網(wǎng)絡(luò)模型。本領(lǐng)域技術(shù)人員可執(zhí)行根據(jù)數(shù)據(jù)的特點(diǎn)，選擇適合的神經(jīng)網(wǎng)絡(luò)模型和相應(yīng)核函數(shù)，將步驟8得到的樣本輸入模型中，訓(xùn)練得到能夠用于進(jìn)行無損檢測(cè)的模型。[0056]步驟10.根據(jù)步驟8從各測(cè)試組影像的直方圖分別提取的特征，利用步驟9中訓(xùn)練好的模型對(duì)測(cè)試組的影像進(jìn)行人行橫道線污損程度分析，可對(duì)每條輸入的人行橫道線的狀態(tài)進(jìn)行劃分。狀態(tài)可包括以下三類：嚴(yán)重污損急需維護(hù)、污損需維護(hù)和狀態(tài)良好無需維護(hù)。具體實(shí)現(xiàn)可參見現(xiàn)有技術(shù)文獻(xiàn)，例如http://www.csie.ntu.edu.tw/?cjlin/libsvm/[0057]運(yùn)用步驟9所得模型，可以進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，對(duì)同一數(shù)據(jù)源任意影像都可視為測(cè)試組影像，對(duì)其中的人行橫道區(qū)域進(jìn)行污損程度分析。方法是：首先依照步驟3運(yùn)用步驟2得到的人行橫道線分類器對(duì)影像進(jìn)行識(shí)別，然后依照步驟4的方法進(jìn)行后期處理。得到所有人行橫道線識(shí)別區(qū)域的位置和大小信息。再依照步驟6對(duì)這些信息進(jìn)行統(tǒng)計(jì)，依照步驟7繪制出直方圖。然后依照步驟8提取直方圖的特征，最后將直方圖特征輸入到步驟9得到的神經(jīng)網(wǎng)絡(luò)模型中，即可得到系統(tǒng)對(duì)該影像上人行橫道線是否污損的判斷結(jié)果。[0058]本方法基于神經(jīng)網(wǎng)絡(luò)，人工智能自動(dòng)目標(biāo)識(shí)別原理和攝影測(cè)量、計(jì)算機(jī)視覺豐富的理論知識(shí)，結(jié)合跨學(xué)科科學(xué)技術(shù)，將模式識(shí)別、計(jì)算機(jī)視覺與攝影測(cè)量的理論運(yùn)用到人行橫道線自動(dòng)檢測(cè)和污損程度分析方法中。[0059]為便于實(shí)施參考起見，本發(fā)明提供了實(shí)施例的進(jìn)一步具體實(shí)現(xiàn)說明如下：[0060]實(shí)施例步驟2涉及的訓(xùn)練分類器對(duì)測(cè)試組的輸入影像進(jìn)行人行橫道線檢測(cè)的算法原理如下：[0061]以Haar-Iike特征為例，這是一種邊緣特征，該特征具有多種模板。利用能夠縮放、平移的Haar-Iike特征模板來描述樣本，將特征描述值作為輸入值進(jìn)行即可訓(xùn)練得到分類器。選擇最佳的描述樣本的幾種特征模板并確定其組合方式，就是分類器的訓(xùn)練過程。在特征模板的選擇上，使用了PaulViola等提出的七種基本特征模板，以及RainerLienhart等提出的六種旋轉(zhuǎn)特征模板，共13種。特征值將根據(jù)模板在樣本上所在的位置、尺度、長(zhǎng)度和樣本灰度進(jìn)行計(jì)算。任意設(shè)定模板的樣式，位置，尺度和長(zhǎng)度，均可采用特征值計(jì)算公式如下：[0062]feature(X)=Wtl?Area(rQ)-W1?AreaCr1)[0063]其中，feature(x)為第x種模板相應(yīng)的特征值，x的取值為1，2,…，13,Area(r。）表示原始樣本影像上被模板全部覆蓋的區(qū)域r0的像素值之和，Area(ri)表示被模板中黑色部分覆蓋的區(qū)域rl的像素值之和。是權(quán)值，用來補(bǔ)償特征模板的黑色矩形和全部區(qū)域的面積大小的差異。[0064]由于計(jì)算特征值的運(yùn)算量主要集中在計(jì)算區(qū)域像素值之和上，所以為了提高特征值計(jì)算效率，利用了PaulViolade的團(tuán)隊(duì)根據(jù)面積區(qū)域圖（Su_ed-areatables)提出的利用積分圖加速計(jì)算特征值的算法。樣本的積分圖的思想簡(jiǎn)單可以描述為：積分圖ii上(x，y)處的像素值等于原圖i的（x，y)處像素自身和左邊及上方全部像素值之和。公式表達(dá)如下所示。[0065]ii(X，y)=2x,《x，y,<yi(x'，y'）[0066]其中ii(x，y)是積分圖上（x，y)像素的值。而i(x，y)是原始影像上（x，y)的像素值，i(x'，y')是原始影像上（x，y)的左邊及上方任一像素。[0067]積分圖的運(yùn)用方法如圖4所示：[0068]圖4中al，a2,a3,a4代表原始樣本圖上相鄰的四塊區(qū)域，像素A(Xl，yi)，B(x2,y2)，C(x3,y3)，D(x4,y4)分別是al，a2,a3,a4區(qū)域右下角的像素在對(duì)應(yīng)積分圖上的位置。為了計(jì)算原始樣本圖上a4區(qū)域的所有像素值之和，只需利用積分圖上A，B，C，D四個(gè)點(diǎn)像素做加減法即可。公式如下：【權(quán)利要求】1.一種人行橫道線自動(dòng)檢測(cè)分析方法，其特征在于，包括如下步驟：步驟1，輸入街景的影像；步驟2,將影像分為訓(xùn)練組和測(cè)試組，利用訓(xùn)練組的數(shù)據(jù)制作正負(fù)樣本，訓(xùn)練用于檢測(cè)人行橫道線的分類器；步驟3,利用步驟2訓(xùn)練出的分類器對(duì)測(cè)試組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別；步驟4,通過后期處理排除步驟3所得結(jié)果的錯(cuò)誤檢測(cè)，得到人行橫道線識(shí)別結(jié)果；步驟5,利用步驟2訓(xùn)練得到的分類器對(duì)訓(xùn)練組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別，并通過后期處理排除所得結(jié)果的錯(cuò)誤檢測(cè)，得到人行橫道線識(shí)別結(jié)果；步驟6,根據(jù)步驟4所得各測(cè)試組影像的識(shí)別結(jié)果和步驟5所得各訓(xùn)練組影像的識(shí)別結(jié)果分別統(tǒng)計(jì)檢測(cè)結(jié)果，包括對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對(duì)每一個(gè)識(shí)別結(jié)果矩形包含的像素進(jìn)行累加，得到橫坐標(biāo)值相應(yīng)像素被識(shí)別為人行橫道的次數(shù)；步驟7,為每張測(cè)試組影像和訓(xùn)練組影像分別繪制直方圖，包括對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，根據(jù)步驟6所得統(tǒng)計(jì)結(jié)果繪制成直方圖，直方圖的橫軸表示影像的橫坐標(biāo)值，直方圖的縱軸表示像素被識(shí)別為人行橫道的次數(shù)；步驟8,從各測(cè)試組影像和訓(xùn)練組影像的直方圖中提取特征；步驟9,利用步驟8從所有訓(xùn)練組影像的直方圖中分別提取的特征，訓(xùn)練用于污損程度分析的神經(jīng)網(wǎng)絡(luò)模型；步驟10,根據(jù)步驟8從各測(cè)試組影像分別提取的特征，利用步驟9中所得神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試組的影像進(jìn)行人行橫道線污損程度分析，得到分析結(jié)果。2.根據(jù)權(quán)利要求1所述人行橫道線自動(dòng)檢測(cè)分析方法，其特征在于：步驟3和步驟5利用步驟2訓(xùn)練出的分類器進(jìn)行人行橫道線的檢測(cè)識(shí)別時(shí)，對(duì)分類器輸出的識(shí)別結(jié)果矩形按照位置信息進(jìn)行聚類，剔除離散的識(shí)別結(jié)果矩形。3.根據(jù)權(quán)利要求1所述人行橫道線自動(dòng)檢測(cè)分析方法，其特征在于：步驟4和步驟5的后期處理中，包括依據(jù)人行橫道線的寬度計(jì)算影像上人行橫道線長(zhǎng)度的理論范圍，如果識(shí)別結(jié)果的長(zhǎng)度超出該范圍，則認(rèn)為是錯(cuò)誤識(shí)別進(jìn)行剔除。4.一種人行橫道線自動(dòng)檢測(cè)分析系統(tǒng)，其特征在于，包括如下模塊：輸入模塊，用于輸入街景的影像；分類器模塊，用于將影像分為訓(xùn)練組和測(cè)試組，利用訓(xùn)練組的數(shù)據(jù)制作正負(fù)樣本，訓(xùn)練用于檢測(cè)人行橫道線的分類器；測(cè)試初始識(shí)別模塊，用于利用分類器模塊訓(xùn)練出的分類器對(duì)測(cè)試組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別；測(cè)試后期處理模塊，用于通過后期處理排除測(cè)試初始識(shí)別模塊所得結(jié)果的錯(cuò)誤檢測(cè)，得到人行橫道線識(shí)別結(jié)果；訓(xùn)練識(shí)別模塊，用于利用分類器模塊訓(xùn)練得到的分類器對(duì)訓(xùn)練組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別，并通過后期處理排除所得結(jié)果的錯(cuò)誤檢測(cè)，得到人行橫道線識(shí)別結(jié)果；統(tǒng)計(jì)模塊，用于根據(jù)測(cè)試后期處理模塊所得各測(cè)試組影像的識(shí)別結(jié)果和訓(xùn)練識(shí)別模塊所得各訓(xùn)練組影像的識(shí)別結(jié)果分別統(tǒng)計(jì)檢測(cè)結(jié)果，包括對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對(duì)每一個(gè)識(shí)別結(jié)果矩形包含的像素進(jìn)行累加，得到橫坐標(biāo)值相應(yīng)像素被識(shí)別為人行橫道的次數(shù)；直方圖生成模塊，用于為每張測(cè)試組影像和訓(xùn)練組影像分別繪制直方圖，包括對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，根據(jù)統(tǒng)計(jì)模塊所得統(tǒng)計(jì)結(jié)果繪制成直方圖，直方圖的橫軸表示影像的橫坐標(biāo)值，直方圖的縱軸表示像素被識(shí)別為人行橫道的次數(shù)；特征提取模塊，用于從各測(cè)試組影像和訓(xùn)練組影像的直方圖中提取特征；神經(jīng)網(wǎng)絡(luò)模型模塊，用于利用特征提取模塊從所有訓(xùn)練組影像的直方圖中分別提取的特征，訓(xùn)練用于污損程度分析的神經(jīng)網(wǎng)絡(luò)模型；分析模塊，用于根據(jù)特征提取模塊從各測(cè)試組影像分別提取的特征，利用神經(jīng)網(wǎng)絡(luò)模型模塊中所得神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試組的影像進(jìn)行人行橫道線污損程度分析，得到分析結(jié)果?！疚臋n編號(hào)】G06K9/62GK104331708SQ201410618083【公開日】2015年2月4日申請(qǐng)日期:2014年11月5日優(yōu)先權(quán)日:2014年11月5日【發(fā)明者】張永軍,李謙,盧洪樹,劉欣怡,譚凱申請(qǐng)人:武漢大學(xué)