一種融合多種特征的監(jiān)控視頻圖像過(guò)曝光區(qū)域檢測(cè)方法
【專利摘要】本發(fā)明公開(kāi)了一種融合多種特征的監(jiān)控視頻圖像過(guò)曝光區(qū)域檢測(cè)方法，它涉及圖像處理技術(shù)領(lǐng)域。其步驟為：輸入訓(xùn)練圖像，要求訓(xùn)練圖像中的每個(gè)像素點(diǎn)都已標(biāo)記，訓(xùn)練樣本中過(guò)曝光點(diǎn)標(biāo)記為1，非過(guò)曝光點(diǎn)標(biāo)記為0，對(duì)訓(xùn)練圖像進(jìn)行顏色空間轉(zhuǎn)換分別生成輸入訓(xùn)練圖像的灰度信息L圖和顏色信息a圖和b圖，利用所求得的分類器模型對(duì)待檢測(cè)圖像中過(guò)曝光點(diǎn)和非過(guò)曝光點(diǎn)進(jìn)行分類，結(jié)果圖輸出。本發(fā)明實(shí)現(xiàn)了對(duì)圖像中過(guò)曝光區(qū)域的檢測(cè)，符合人眼對(duì)圖像過(guò)曝光區(qū)域的視覺(jué)感知，有利于監(jiān)控?cái)z像機(jī)對(duì)過(guò)曝光現(xiàn)象的檢測(cè)，易于推廣使用。
【專利說(shuō)明】
一種融合多種特征的監(jiān)控視頻圖像過(guò)曝光區(qū)域檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及的是圖像處理技術(shù)領(lǐng)域，具體涉及一種融合多種特征的監(jiān)控視頻圖像 過(guò)曝光區(qū)域檢測(cè)方法。
【背景技術(shù)】
[0002] 所謂動(dòng)態(tài)范圍，指的是現(xiàn)實(shí)環(huán)境中光照亮度級(jí)的最大和最小的亮度值的比值，現(xiàn) 實(shí)世界中光的動(dòng)態(tài)范圍是很大的，比如在戶外陽(yáng)光充足的中午時(shí)分的比例可能在105到109 之間，即使是在一般的室內(nèi)環(huán)境亮度范圍也在1500左右。當(dāng)前的普通照相機(jī)或攝像機(jī)能捕 捉到的光亮的動(dòng)態(tài)范圍是非常有限的，一般是1000:1，因此在用照相機(jī)或監(jiān)控?cái)z像機(jī)攝取 圖像時(shí)過(guò)曝光現(xiàn)象是不可避免的，一般將過(guò)曝光現(xiàn)象定義為當(dāng)圖像中由于亮度的動(dòng)態(tài)范圍 較大，圖像的細(xì)節(jié)信息損失較大，比如圖像的顏色信息、紋理信息等，此時(shí)圖像中就存在過(guò) 曝光的問(wèn)題。
[0003] 過(guò)曝光問(wèn)題常常出現(xiàn)在交通監(jiān)控?cái)z像機(jī)所拍攝的圖像中，特別是黑暗環(huán)境下所拍 攝的車輛圖像往往存在過(guò)曝光現(xiàn)象，導(dǎo)致車牌等信息丟失，這是一個(gè)常見(jiàn)的問(wèn)題。為了對(duì)過(guò) 曝光問(wèn)題進(jìn)行處理，通常的做法是先用HDR(High Dynamic Range)算法獲取同一場(chǎng)景多幅 不同曝光值的圖像，再利用圖像配準(zhǔn)技術(shù)使多幅圖像中的不同曝光值的同一像素得到配準(zhǔn) 融合，最后再通過(guò)色調(diào)映射技術(shù)將圖像映射到LDR(Low Dynamic Range)圖像，但該做法需 要多幅同一場(chǎng)景圖像，攝取的HDR圖像效果未必就好，過(guò)曝光區(qū)域的信息還可能會(huì)丟失。
[0004] 目前對(duì)圖像中過(guò)曝光檢測(cè)方法有兩種，分別是亮度閾值法和LC算法。亮度閾值法 的缺陷在于將非過(guò)曝光區(qū)域也檢測(cè)為過(guò)曝光區(qū)域，出現(xiàn)過(guò)度檢測(cè)的問(wèn)題;LC算法檢測(cè)的過(guò) 曝光點(diǎn)不夠集中，沒(méi)有形成整塊連通的過(guò)曝光區(qū)域，不利于監(jiān)控?cái)z像機(jī)對(duì)過(guò)曝光的檢測(cè)。
[0005] 為了解決上述問(wèn)題，設(shè)計(jì)一種新型的融合多種特征的監(jiān)控視頻圖像過(guò)曝光區(qū)域檢 測(cè)方法還是很有必要的。

【發(fā)明內(nèi)容】

[0006] 針對(duì)現(xiàn)有技術(shù)上存在的不足，本發(fā)明目的是在于提供一種融合多種特征的監(jiān)控視 頻圖像過(guò)曝光區(qū)域檢測(cè)方法，設(shè)計(jì)合理，實(shí)現(xiàn)了對(duì)圖像中過(guò)曝光區(qū)域的檢測(cè)，符合人眼對(duì)圖 像過(guò)曝光區(qū)域的視覺(jué)感知，有利于監(jiān)控?cái)z像機(jī)對(duì)過(guò)曝光現(xiàn)象的檢測(cè)，易于推廣使用。
[0007] 為了實(shí)現(xiàn)上述目的，本發(fā)明是通過(guò)如下的技術(shù)方案來(lái)實(shí)現(xiàn):一種融合多種特征的 監(jiān)控視頻圖像過(guò)曝光區(qū)域檢測(cè)方法，其步驟為：（1)輸入訓(xùn)練圖像，要求訓(xùn)練圖像中的每個(gè) 像素點(diǎn)都已標(biāo)記，訓(xùn)練樣本中過(guò)曝光點(diǎn)標(biāo)記為1，非過(guò)曝光點(diǎn)標(biāo)記為0;
[0008] (2)分類器訓(xùn)練算法，具體為：
[0009] ①將輸入訓(xùn)練圖像轉(zhuǎn)換到CIE-Lab彩色空間，分別生成輸入訓(xùn)練圖像的灰度信息L 圖和顏色信息a圖和b圖；
[0010] ②對(duì)得到的灰度信息L圖和顏色信息a圖和b圖進(jìn)行特征提取，該步驟的目的是將 輸入圖像中的所有像素點(diǎn)的特征提取出來(lái)生成訓(xùn)練集A ={(冬4?!,,其中X1為某個(gè)像素點(diǎn) 的特征向量，yi為該像素點(diǎn)的標(biāo)簽變量，m為像素點(diǎn)的個(gè)數(shù)，即訓(xùn)練樣本點(diǎn)數(shù)；
[0011] ③對(duì)步驟②提取的特征進(jìn)行歸一化處理，目的是得到無(wú)量綱化的特征數(shù)據(jù)，使各 個(gè)特征的作用都能平等發(fā)揮；
[0012] ④將歸一化后的特征用L2正則化邏輯非線性回歸方法訓(xùn)練最后求得分類器模型；
[0013] ⑶圖像過(guò)曝光檢測(cè)算法，具體為：
[0014] ①輸入待檢測(cè)的圖像，用步驟(2)中①②③采用的方法對(duì)待檢測(cè)圖像分別進(jìn)行顏 色空間轉(zhuǎn)換、特征提取、特征歸一化處理等操作；
[0015] ②利用步驟(2)求得的分類器模型對(duì)待檢測(cè)圖像中過(guò)曝光點(diǎn)和非過(guò)曝光點(diǎn)進(jìn)行分 類；
[0016] ③結(jié)果圖輸出，輸出的白天實(shí)驗(yàn)圖像的結(jié)果圖中過(guò)曝光區(qū)域用藍(lán)色標(biāo)注，夜晚實(shí) 驗(yàn)圖像的結(jié)果圖中過(guò)曝光區(qū)域用紅色標(biāo)注。
[0017] 作為優(yōu)選，所述步驟(2)中的②采用一種針對(duì)過(guò)曝光區(qū)域和非過(guò)曝光區(qū)域邊界問(wèn) 題的鄰域特征提取方法，以鄰域窗口為3X3的情況進(jìn)行特征提取，根據(jù)中心像素點(diǎn)pa的鄰 域圖，邊界鄰域特征值可用如下式子獲得，中心像素點(diǎn)Po的亮度值將會(huì)被Po和鄰域像素點(diǎn)Pz 亮度值的均值代替；
[0018]
_ψΑ(ρζ)與B(Pz)分別是鄰域像素點(diǎn)p z 的顏色信息a值與b值，邊界顏色閾值T = 60。
[0019] 作為優(yōu)選，所述融合多種特征的L2正則化邏輯非線性回歸方法利用圖像像素點(diǎn)的 四個(gè)特征，分別是亮度特征、顏色特征、基于亮度和顏色的融合特征、邊界鄰域特征;上述用 于圖像過(guò)曝光檢測(cè)的L2正則化邏輯回歸方法，通過(guò)增加 L2正則項(xiàng)獲得了較好的對(duì)于訓(xùn)練數(shù) 據(jù)的擬合精度，也有效地解決了對(duì)訓(xùn)練數(shù)據(jù)的過(guò)擬合問(wèn)題，保證了圖像過(guò)曝光區(qū)域的四個(gè) 特征在該方法中的作用有效性，通過(guò)對(duì)歸一化后的四個(gè)特征的訓(xùn)練最終求得分類器模型。
[0020] 本發(fā)明的有益效果：（1)實(shí)現(xiàn)了對(duì)圖像中過(guò)曝光區(qū)域的檢測(cè)。融合多種特征的L2正 則化邏輯非線性回歸方法檢測(cè)的過(guò)曝光區(qū)域?yàn)檎w連通區(qū)域，單個(gè)的過(guò)曝光點(diǎn)更少，沒(méi)有 出現(xiàn)過(guò)曝光區(qū)域檢測(cè)過(guò)度現(xiàn)象。
[0021] (2)同時(shí)，本發(fā)明相比于亮度閾值法和LC算法，對(duì)圖像中同一塊過(guò)曝光區(qū)域的檢測(cè) 能做到更加緊實(shí)，并形成連通整體性的過(guò)曝光檢測(cè)區(qū)域，單個(gè)無(wú)用的過(guò)曝光點(diǎn)更少，符合人 眼對(duì)圖像過(guò)曝光區(qū)域的視覺(jué)感知，也有利于監(jiān)控?cái)z像機(jī)對(duì)過(guò)曝光現(xiàn)象的檢測(cè)。
【附圖說(shuō)明】
[0022]下面結(jié)合附圖和【具體實(shí)施方式】來(lái)詳細(xì)說(shuō)明本發(fā)明；
[0023]圖1為本發(fā)明訓(xùn)練圖像的系統(tǒng)框圖；
[0024] 圖2為本發(fā)明待檢測(cè)圖像的系統(tǒng)框圖；
[0025] 圖3為本發(fā)明鄰域特征提取的結(jié)構(gòu)示意圖；
[0026]圖4為本發(fā)明在花曝光檢測(cè)的實(shí)驗(yàn)結(jié)構(gòu)圖；
[0027] 圖5為本發(fā)明在樹(shù)枝曝光檢測(cè)的實(shí)驗(yàn)結(jié)構(gòu)圖；
[0028] 圖6為本發(fā)明FLA方法在車輛過(guò)曝光檢測(cè)中的實(shí)驗(yàn)結(jié)果。
【具體實(shí)施方式】
[0029] 為使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合
【具體實(shí)施方式】，進(jìn)一步闡述本發(fā)明。
[0030] 參照?qǐng)D1-6,本【具體實(shí)施方式】采用以下技術(shù)方案:一種融合多種特征的監(jiān)控視頻圖 像過(guò)曝光區(qū)域檢測(cè)方法，其步驟為：（1)輸入訓(xùn)練圖像；
[0031] (2)分類器訓(xùn)練算法，具體為：
[0032]①將輸入訓(xùn)練圖像轉(zhuǎn)換到CIE-Lab彩色空間，分別生成輸入訓(xùn)練圖像的灰度信息L 圖和顏色信息a圖和b圖；
[0033] ②對(duì)得到的灰度信息L圖和顏色信息a圖和b圖進(jìn)行特征提取，該步驟的目的是將 輸入圖像中的所有像素點(diǎn)的特征提取出來(lái)生成訓(xùn)練_
其中X1為某個(gè)像素點(diǎn) 的特征向量，為該像素點(diǎn)的標(biāo)簽變量，m為像素點(diǎn)的個(gè)數(shù)，即訓(xùn)練樣本點(diǎn)數(shù)；
[0034] ③對(duì)步驟②提取的特征進(jìn)行歸一化處理，目的是得到無(wú)量綱化的特征數(shù)據(jù)，使各 個(gè)特征的作用都能平等發(fā)揮；
[0035]④將歸一化后的特征用L2正則化邏輯非線性回歸方法訓(xùn)練最后求得分類器模型； [0036] (3)圖像過(guò)曝光檢測(cè)算法，具體為：
[0037] ①輸入待檢測(cè)的圖像，用步驟(2)中①②③采用的方法對(duì)待檢測(cè)圖像分別進(jìn)行顏 色空間轉(zhuǎn)換、特征提取、特征歸一化處理等操作；
[0038] ②利用步驟(2)求得的分類器模型對(duì)待檢測(cè)圖像中過(guò)曝光點(diǎn)和非過(guò)曝光點(diǎn)進(jìn)行分 類；
[0039] ③結(jié)果圖輸出，輸出的白天實(shí)驗(yàn)圖像的結(jié)果圖中過(guò)曝光區(qū)域用藍(lán)色標(biāo)注，夜晚實(shí) 驗(yàn)圖像的結(jié)果圖中過(guò)曝光區(qū)域用紅色標(biāo)注。
[0040] 值得注意的是，所述步驟(2)中的②采用一種針對(duì)過(guò)曝光區(qū)域和非過(guò)曝光區(qū)域邊 界問(wèn)題的鄰域特征提取方法，以鄰域窗口為3X3的情況進(jìn)行特征提取，根據(jù)中心像素點(diǎn)Po 的鄰域圖，邊界鄰域特征值可用如下式子獲得，中心像素點(diǎn)Po的亮度值將會(huì)被Po和鄰域像素 點(diǎn)pz亮度值的均值代替；
[0041 ]
其中A(Pz)與B(Pz)分別是鄰域像素點(diǎn)p z 的顏色信息a值與b值，邊界顏色閾值T = 60。
[0042]此外，所述融合多種特征的L2正則化邏輯非線性回歸方法利用圖像像素點(diǎn)的四個(gè) 特征，分別是亮度特征、顏色特征、基于亮度和顏色的融合特征、邊界鄰域特征;上述用于圖 像過(guò)曝光檢測(cè)的L2正則化邏輯回歸方法，通過(guò)增加 L2正則項(xiàng)獲得了較好的對(duì)于訓(xùn)練數(shù)據(jù)的 擬合精度，也有效地解決了對(duì)訓(xùn)練數(shù)據(jù)的過(guò)擬合問(wèn)題，保證了圖像過(guò)曝光區(qū)域的四個(gè)特征 在該方法中的作用有效性，通過(guò)對(duì)歸一化后的四個(gè)特征的訓(xùn)練最終求得分類器模型。
[0043] 本【具體實(shí)施方式】的具體步驟為：（1)輸入訓(xùn)練圖像，要求訓(xùn)練圖像中的每個(gè)像素點(diǎn) 都已標(biāo)記，訓(xùn)練樣本中過(guò)曝光點(diǎn)標(biāo)記為1，非過(guò)曝光點(diǎn)標(biāo)記為0;
[0044] (2)首先對(duì)訓(xùn)練圖像進(jìn)行顏色空間轉(zhuǎn)換分別生成輸入訓(xùn)練圖像的灰度信息L圖和 顏色信息a圖和b圖，然后進(jìn)行特征提取，L(i，j)表示該像素點(diǎn)的亮度特征值，C(i，j)表示顏 色特征值，F(xiàn)(i，j)表示亮顏特征值，V表示邊界鄰域特征值，其中L(pi)是pi的亮度特征值。將 提取的四個(gè)特征進(jìn)行歸一化處理，表示第i個(gè)像素的第j個(gè)特征的值，f ^表示采用歸一 化方法對(duì)特征處理后得到各個(gè)特征歸一化后的值。最后將歸一化后的特征用L2正則化邏輯 非線性回歸方法訓(xùn)練最后求得分類器模型。
[0045] C(i，j) = I |c(i，j) I |2，c(i，j) = [a(i，j) b(i，j)]，//該像素點(diǎn)的亮度特征值
[0046] F( i，j) =L( i，j) X C( i，j)，//該像素點(diǎn)的亮顏特征值 [0047] V=(V+L(p〇))/(count+l)，//該像素點(diǎn)的邊界鄰域特征值
[0048] 其中，邊界鄰域特征值V可由以下步驟得到，具體為，Stepl:算法初始化:邊界顏色 閾值設(shè)為T = 60，計(jì)數(shù)器count初始值為0，p的鄰域特征值(灰度值)為V，初始V值設(shè)為0。鄰域 像素點(diǎn)Pi表示，i初始值為l，i = l，'"，8; Step2:執(zhí)行判斷條件:若i <9，計(jì)算Pi的顏色信息a 值和b值與中心像素點(diǎn)Po的a值和b值之差的絕對(duì)值之和，并記為D，執(zhí)行Step3;若不滿足判 斷條件，轉(zhuǎn)到3丨6口4計(jì)算 ；5丨6口3:執(zhí)行判斷條件：若口1的0值小于1'，則￥ = ￥+以口1)，〇〇111^ = count+1，i = i+l，其中L(Pi)是pi的亮度特征值，并轉(zhuǎn)到Step2計(jì)算，若不滿足條件，i = i+l， 轉(zhuǎn)到Step2計(jì)算;Step4:中心像素點(diǎn)pc的邊界鄰域特征值為V= (V+L(p〇) )/(count+l)。
比處理
[0049] ?有像素點(diǎn)的均值A(chǔ)
[0050] V所有像素點(diǎn)第j個(gè)特征分量的最大值
[0051] 7所有像素點(diǎn)第j個(gè)特征分量的最小值
[0052] (3)利用步驟(2)求得的分類器模型對(duì)待檢測(cè)圖像中過(guò)曝光點(diǎn)和非過(guò)曝光點(diǎn)進(jìn)行 分類；
[0053] (4)結(jié)果圖輸出。FLA方法的模型參數(shù)θ = [0.3 0.1 0.2 0.4 0.5]τ，正則項(xiàng)因子λ =1，訓(xùn)練樣本點(diǎn)全部選自白天實(shí)驗(yàn)圖片，總共樣本數(shù)為143351個(gè)。實(shí)驗(yàn)窗口取5 X 5大小，選 取一幅圖片的實(shí)驗(yàn)結(jié)果進(jìn)行分析說(shuō)明，輸出的白天實(shí)驗(yàn)圖像的結(jié)果圖中過(guò)曝光區(qū)域用藍(lán)色 標(biāo)注，夜晚實(shí)驗(yàn)圖像的結(jié)果圖中過(guò)曝光區(qū)域用紅色標(biāo)注。
[0054]下面結(jié)合具體的仿真實(shí)驗(yàn)圖（圖4-6)對(duì)本發(fā)明的效果做進(jìn)一步的詳細(xì)描述，仿真 條件為：計(jì)算機(jī)Intel Core i3-2310M 2. IGHz，2GB，Windows7,在Matlab R2009a軟件環(huán)境 下進(jìn)行的。
[0055]仿真效果分析：圖4、5中（a)圖為原圖，（b)圖為亮度閾值法結(jié)果圖，其中，圖4(b)圖 的亮度閾值為L(zhǎng) = 225，圖5 (b)圖的亮度閾值為L(zhǎng) = 247。圖4、5中（c)圖為FLA方法正則項(xiàng)因子 λ=14時(shí)的結(jié)果圖，（d)圖為L(zhǎng)C算法的結(jié)果圖，（e)圖為FLA方法正則項(xiàng)因子λ=1時(shí)的結(jié)果圖。 [0056]與亮度閾值法對(duì)比的是正則項(xiàng)因子λ = 14時(shí)FLA方法的結(jié)果圖，原因是λ = 14時(shí)FLA 方法的過(guò)曝光檢測(cè)效果最佳，即檢測(cè)的過(guò)曝光區(qū)域既保持較好的空間均勻性和整體性，也 沒(méi)有出現(xiàn)過(guò)度標(biāo)注的問(wèn)題。對(duì)比圖4中的（b)圖和(c)圖，圖（b)中某些過(guò)曝光區(qū)域與非過(guò)曝 光區(qū)域之間的過(guò)渡區(qū)域被標(biāo)注為過(guò)曝光區(qū)域，有過(guò)度標(biāo)注的問(wèn)題，比如圖（b)、（c)中黑線線 圈標(biāo)注區(qū)域。對(duì)比圖5中的(b)圖和(c)圖，圖（c)中標(biāo)注的過(guò)曝光區(qū)域比圖（b)更加緊實(shí)和整 體，孤立的過(guò)曝光點(diǎn)或非過(guò)曝光點(diǎn)被有效減少。并且FLA方法能適應(yīng)不同場(chǎng)景和背景亮度的 圖像，亮度閾值法需對(duì)每一幅不同的場(chǎng)景和背景亮度的圖像調(diào)整亮度閾值，操作繁瑣。
[0057]與LC算法對(duì)比的是正則項(xiàng)因子λ = 1時(shí)FLA方法的結(jié)果圖，原因是只有λ=1時(shí)FLA方 法對(duì)實(shí)驗(yàn)圖的過(guò)曝光檢測(cè)區(qū)域與LC算法所檢測(cè)到的過(guò)曝光區(qū)域是一致的，這樣對(duì)實(shí)驗(yàn)結(jié)果 的對(duì)比分析才具有效性。對(duì)比圖4與圖5中的圖（d)與圖（e)，圖（e)檢測(cè)的過(guò)曝光區(qū)域緊湊并 能形成連通整塊的過(guò)曝光檢測(cè)區(qū)域，更符合人眼觀察過(guò)曝光區(qū)域的習(xí)慣，比如圖4(e)中黑 色線圈和紅色線圈標(biāo)注區(qū)域、圖5(e)中黑色線圈和下邊紅色線圈標(biāo)注區(qū)域。并且在對(duì)多幅 不同場(chǎng)景和背景亮度圖像進(jìn)行統(tǒng)一訓(xùn)練時(shí)LC算法需要調(diào)整三個(gè)參數(shù)來(lái)判斷調(diào)整過(guò)曝光檢 測(cè)效果，操作繁瑣不易掌握，F(xiàn)LA方法只需調(diào)整正則項(xiàng)因子λ，操作相對(duì)簡(jiǎn)單。
[0058]圖6為FLA方法在車輛過(guò)曝光檢測(cè)中的實(shí)驗(yàn)結(jié)果，其中過(guò)曝光區(qū)域標(biāo)注為紅色。正 則項(xiàng)因子λ= 14,夜晚訓(xùn)練樣本點(diǎn)數(shù)共為3353856個(gè)，圖5中的（a)圖是夜晚車輛由遠(yuǎn)及近向 攝像機(jī)方向靠近的一幅圖像，圖（c)是夜晚車輛距攝像機(jī)很近時(shí)所拍攝的一幅圖像，觀察圖 (b)、（d)，F(xiàn)LA方法對(duì)夜晚車輛較遠(yuǎn)和較近時(shí)的過(guò)曝光現(xiàn)象檢測(cè)已基本實(shí)現(xiàn)，且對(duì)過(guò)曝光區(qū) 域的整體性和緊湊性保持較好，獨(dú)立的過(guò)曝光或非過(guò)曝光點(diǎn)較少。
[0059]通過(guò)對(duì)比FLA方法、亮度閾值法、LC算法三種算法的實(shí)驗(yàn)結(jié)果，相比于亮度閾值法 和LC算法，F(xiàn)LA方法對(duì)圖像中同一塊過(guò)曝光區(qū)域的檢測(cè)能做到更加緊實(shí)，并形成連通整體性 的過(guò)曝光檢測(cè)區(qū)域，單個(gè)無(wú)用的過(guò)曝光點(diǎn)更少，符合人眼對(duì)圖像過(guò)曝光區(qū)域的視覺(jué)感知。
[0060] 本【具體實(shí)施方式】引入亮顏特征和邊界鄰域特征，使得檢測(cè)出的過(guò)曝光范圍為連通 區(qū)域；圖像過(guò)曝光檢測(cè)的L2正則化邏輯回歸方法，通過(guò)增加 L2正則項(xiàng)獲得了較好的對(duì)于訓(xùn) 練數(shù)據(jù)的擬合精度，也有效地解決了對(duì)訓(xùn)練數(shù)據(jù)的過(guò)擬合問(wèn)題，保證了圖像過(guò)曝光區(qū)域的 四個(gè)特征在該方法中的作用有效性，可靠實(shí)用，具有廣闊的市場(chǎng)應(yīng)用前景。
[0061] 以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù) 人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書(shū)中描述的只是說(shuō)明本 發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變 化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書(shū)及其 等效物界定。
【主權(quán)項(xiàng)】
1. 一種融合多種特征的監(jiān)控視頻圖像過(guò)曝光區(qū)域檢測(cè)方法，其特征在于，其步驟為： (1)輸入訓(xùn)練圖像，要求訓(xùn)練圖像中的每個(gè)像素點(diǎn)都已標(biāo)記，訓(xùn)練樣本中過(guò)曝光點(diǎn)標(biāo)記為1， 非過(guò)曝光點(diǎn)標(biāo)記為0; (2) 分類器訓(xùn)練算法，具體為： ① 將輸入訓(xùn)練圖像轉(zhuǎn)換到CIE-Lab彩色空間，分別生成輸入訓(xùn)練圖像的灰度信息L圖和 顏色信息a圖和b圖； ② 對(duì)得到的灰度信息L圖和顏色信息a圖和b圖進(jìn)行特征提取，該步驟的目的是將輸入 圖像中的所有像素點(diǎn)的特征提取出來(lái)生成訓(xùn)練集A = ，其中Xi為某個(gè)像素點(diǎn)的特 征向量，yi為該像素點(diǎn)的標(biāo)簽變量，m為像素點(diǎn)的個(gè)數(shù)，即訓(xùn)練樣本點(diǎn)數(shù)； ③ 對(duì)步驟②提取的特征進(jìn)行歸一化處理，目的是得到無(wú)量綱化的特征數(shù)據(jù)，使各個(gè)特 征的作用都能平等發(fā)揮； ④ 將歸一化后的特征用L2正則化邏輯非線性回歸方法訓(xùn)練最后求得分類器模型； (3) 圖像過(guò)曝光檢測(cè)算法，具體為： ① 輸入待檢測(cè)的圖像，用步驟(2)中①②③采用的方法對(duì)待檢測(cè)圖像分別進(jìn)行顏色空 間轉(zhuǎn)換、特征提取、特征歸一化處理等操作； ② 利用步驟(2)求得的分類器模型對(duì)待檢測(cè)圖像中過(guò)曝光點(diǎn)和非過(guò)曝光點(diǎn)進(jìn)行分類； ③ 結(jié)果圖輸出，輸出的白天實(shí)驗(yàn)圖像的結(jié)果圖中過(guò)曝光區(qū)域用藍(lán)色標(biāo)注，夜晚實(shí)驗(yàn)圖 像的結(jié)果圖中過(guò)曝光區(qū)域用紅色標(biāo)注。2. 根據(jù)權(quán)利要求1所述的一種融合多種特征的監(jiān)控視頻圖像過(guò)曝光區(qū)域檢測(cè)方法，其 特征在于，所述融合多種特征的L2正則化邏輯非線性回歸方法利用圖像像素點(diǎn)的四個(gè)特 征，分別是亮度特征、顏色特征、基于亮度和顏色的融合特征、邊界鄰域特征。3. 根據(jù)權(quán)利要求1所述的一種融合多種特征的監(jiān)控視頻圖像過(guò)曝光區(qū)域檢測(cè)方法，其 特征在于，所述步驟(2)中的②采用一種針對(duì)過(guò)曝光區(qū)域和非過(guò)曝光區(qū)域邊界問(wèn)題的鄰域 特征提取方法，以鄰域窗口為3 X 3的情況進(jìn)行特征提取，根據(jù)中心像素點(diǎn)po的鄰域圖，邊界 鄰域特征值可用如下式子獲得，中心像素點(diǎn)P〇的亮度值將會(huì)被P〇和鄰域像素點(diǎn)p z亮度值的 均值代替；其中A(pz)與B(pz)分別是鄰域像素點(diǎn)p z的顏 色信息a值與b值，邊界顏色閾值T = 60。
【文檔編號(hào)】G06K9/62GK106056129SQ201610317605
【公開(kāi)日】2016年10月26日
【申請(qǐng)日】2016年5月16日
【發(fā)明人】劉穎, 李釗杰, 李娜, 王倩, 權(quán)婉
【申請(qǐng)人】西安郵電大學(xué)