一种基于图像异常特征的智能交通抓拍设备故障诊断的方法

摘要

一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，利用计算机智能地识别异常图像的方式来达到抓拍设备故障诊断的目的，以此告别繁琐、效率低的人工诊断方式。在此方法中，首先，建立了异常图像到设备故障的映射关系，且根据异常特性的需要实现了一种实用性强的基于颜色特征和字符纹理特征的车牌定位方法；接着，采用了一种基于多特征相结合的异常图像识别方法，并且研究了识别算法的自适应性；最后，对于复杂的综合设备故障信息进行一个可观性好的可视化处理。通过建立一套设备故障诊断系统，可保证抓拍设备的故障诊断能满足实时性好、准确性高、效率高的要求，提供一种人性化且科学的故障诊断方法。

主权项

一种基于图像异常特征的智能交通抓拍设备故障诊断的方法，其特征在于：包括以下步骤：1）、建立抓拍设备故障与异常图像之间的映射关系；抓拍设备故障包括摄像机常见故障、闪光灯常见故障和感应线圈常见故障；图像异常特性包括颜色异常、行为异常和其他异常；根据抓拍设备故障和图像异常特征建立它们两者之间的映射关系；2）、基于颜色特征和纹理特征的车牌定位过程：根据在图像中是否能成功定位到车牌来判断图像中是否存在有效车牌信息，能定位到车牌说明图像中有车牌信息，反之没有车牌信息；车牌的特征主要集中在颜色和字符上面，车牌的四种颜色特征蓝底白字、黄底黑字、白底黑字和黑底白字，字符是分别由汉字、英文字母以及阿拉伯数字组成的七个字符组外加一个分割点符号组成，字符之间的间隔具有统一标准性；基于颜色特征和纹理特征的车牌定位主要是利用车牌的这四种颜色特性进行初步定位得到车牌的候选区域，接着根据车牌字符之间的灰度跳跃性以及字符之间的固定间隔特征在其二值化图像中进行二次定位从而得到车牌精确定位的结果；3）、基于多特征相结合的异常图像识别方法，过程为：3.1)识别颜色异常图像图像的颜色异常特性主要体现在原RGB彩色图像中R、G、B三个通道的统计规律特性以及灰度图像中的灰度信息中，所识别的颜色异常图像是指：图像偏蓝和图像偏暗；识别颜色异常图像的过程为：3.1.1）图像偏蓝，识别图像偏蓝的方法步骤描述如下：3.1.1.1）、在原始彩色图像中统计蓝色像素值处于像素值区间[96,160]的情况，定义RatioBlue[96,160]为蓝色像素值处于该区间内的像素个数之和与整幅图像的像素总数的比值并求得该值;3.1.1.2）、根据步骤3.1.1.1）的方法，同样定义RatioGreen[96,160]和RatioRed[96,160]分别为绿色像素值和红色像素值处于该区间内的像素个数之和与整幅图像的像素总数的比值，同时，求得该两个值；3.1.1.3）、根据步骤（3.1.1.1）和步骤（3.1.1.2）所计算得出的三个比值：RatioBlue[96,160]、RatioGreen[96,160]和RatioRed[96,160]，判断是否满足下面的条件：RatioBlue[96,160]>Max   (3‑1)RatioGreen[96,160]<Min and RatioRed[96,160]<Min   (3‑2)IsLicencePlate=false   (3‑3)满足条件说明该图像的异常属于图像偏蓝，否则不是；3.1.2）图像偏暗，过程如下：3.1.2.1）、对原彩色图像进行灰度化处理，采用加权平均值法：GrayValue=(RValue*299+GValue*587+BValue*114)/1000   (3‑4)RValue、GValue、Bvalue分别取值为原彩色图像中红绿蓝三个通道的数值，GrayValue为灰度化后每个像素的灰度值；计算灰度图像的平均灰度值为AverGray；3.1.2.2）、在灰度图像里，统计灰度信息的分布规律，计算GrayValueLess(nAverGray)值，并使得该值趋向最大，GrayValueLess(nAverGray)为灰度值小于nAverGray的像素个数的之和；3.1.2.3）、根据步骤3.1.2.2）得出的结果，计算Ratio[GrayValueLess(nAverGray)]值，该值为GrayValueLess(nAverGray)与整幅图像的像素总数的比值；3.1.2.4）、根据步骤3.1.2.3）计算出来的结果，判断是否满足下面的条件：Ratio[GrayValueLess(nAverGray)]>Y   (3‑5)其中，取Y=0.8；满足条件说明该图像的异常属于图像偏暗，否则不是；3.2)识别行为异常图像根据划分区域法判断是否存在行为异常图像，如果存在图像中缺失目标车辆、图像中包含了异常的目标车辆和图像中的目标车辆位置异常，则判定存在异常，识别行为异常图像具体是指：识别空拍图像和识别压线图像；识别行为异常图像的过程如下：3.2.1）识别空拍图像方法步骤描叙如下：3.2.1.1）、对原彩色图像进行灰度化处理，采用加权平均值法；3.2.1.2）、在灰度图像里，得到划分N个小的矩形区域的高度即LHeight=image.Height()/N，并以此高度和原来的图像的宽度值可以得到N个小矩形区域即LRECT_i=[i*LHeight,(i+1)*LHeight,0,image.Width()‑1]；3.2.1.3）、分别计算N个小矩形区域的平均灰度值AverGray(LRECT_i)和整幅灰度图像的平均灰度值AverGray并判断是否满足下面的条件：|AverGray(LRECT_i)‑AverGray(Image)|<X   (3‑6)IsLicencePlate=false   (3‑7)其中，取N=20，X＝5；满足条件表示该图像的异常为空拍，否则不是；在此，i=1,2,…N‑1，image.Height()，image.Width()分别为图像的高度和宽度；设计一个函数IsNullPicture(int nHeight,int nLeft,int nRight,int nPara)=true时表示该图像为空拍，其中参数nHeight为待识别图像的高度，nLeft为图像的左边界列数，nRight为图像的右边界列数，nPara为阈值；3.2.2）识别压线的方法步骤描述如下：3.2.2.1）、在原始彩色图像经过灰度处理后，把灰度图像均等划分为四个区域即：左上，右上，左下，右下，分别记做：Alu、Aru、Alb、Arb；3.2.2.2）、分别对Alu、Aru、Alb、Arb四个区域计算其平均灰度值，记做：AverGray(Alu)、AverGray(Aru)、AverGray(Alb)、AverGray(Arb)且求得这四个平均灰度值里面的最大值Max和最小值Min；3.2.2.3）、在步骤3.2.2.1）灰度处理之后，进一步进行二值化处理；分别统计二值图像里白色像素的总数nSumWhitePxl和黑色像素的总数nSumBlackPxl，如果nSumWhitePxl大于nSumBlackPxl，表示该二值图像的背景为白色，反之则为黑色；当背景为白色时，分别统计左下Alb和右下Arb两个区域里的黑色像素的总数记为nSumBlackAlb和nSumBlackArb，并记RatioBlack1为nSumBlackAlb与nSumBlackPxl的比值，RatioBlack2为nSumBlackArb与nSumBlackPxl的比值；如果满足RatioBlack1>0.65或者RatioBlack2>0.65，则令IsPressLineThreAux=true，否则IsPressLineThreAux=false；当背景为黑色时，同样分别统计左下Alb和右下Arb两个区域里的白色像素的总数记为nSumWhiteAlb和nSumWhiteArb，并记RatioWhite1为nSumWhiteAlb与nSumWhitePxl的比值，RatioWhite2为nSumWhiteArb与nSumWhitePxl的比值；如果满足RatioBlack1>0.65或者RatioBlack2>0.65这个条件则令IsPressLineThreAux=true，否则IsPressLineThreAux=false；3.2.2.4）、根据步骤3.2.2.2）和步骤3.2.2.3）的结果，进行最后的判断，是否满足下列条件：AverGray(Alb)=Max or AverGray(Alb)=Min   (3‑8)IsNullPicture（image.Height(),image.Width()/2,image.Width(),5）=true   (3‑9)IsPressLineThreAux=true   (3‑10)IsLicencePlate=false   (3‑11)满足条件表示该图像的异常为压线，否则不是；3.3)识别其他异常图像采用特征提取的方法得到图像的尺寸和图像所包含的特征点，识别其他异常图像具体是指：识别图像重复和识别图像反光；识别其他异常图像的方法的步骤如下：3.3.1）识别图像重复的方法步骤描述如下：3.3.1.1）、分别获取原彩色图像的宽度image.Width()和图像的高度image.Height()；3.3.1.2）、计算宽高比即image.Width()/image.Height()并判断此比值是否大于2；比值大于2表明该图像的异常为图像重复，否则不是；3.3.2）识别图像反光方法的步骤描述如下：3.3.2.1）、原彩色图像经过灰度处理再进行二值化处理，在其二值图像里进行列扫描，计算每一列黑白像素的统计情况；3.3.2.2）、当某一列白色像素点的个数之和与该列像素的总数之比大于0.95时，把该列定义为白色光束列，且令BackLight[i]=1,同时，BackLight[i]=‑1表示第i列为非白色光束列；3.3.2.3）、遍历整个BackLight[i]数组，如果满足BackLight[i+1]=1且BackLight[i‑49,…,i]=‑1,BackLight[i‑49,…,i]表示从第i‑49列到第i列中的每一列BackLight[i]的值；同时第i+1列左边50个列数都为非白色光束列，即表示第i+1列为非白色光束列到白色光束列的跳变列，于是把第i+1列定义为初选白色光束左边界列，并令blLeftArray[blaI]=i+1，blLeftArray[blaI]为白色光束左边界列的集合；3.3.2.4）、遍历整个BackLight[i]数组，如果满足BackLight[i]=1且BackLight[i+1，…i+50]=‑1,BackLight[i+1，…i+50]表示从第i+1列到第i+50列中的每一列BackLight[i]的值;同时第i列右边50个列数都为非白色光束列，即表示第i列为白色光束列到非白色光束列的跳变列，于是把第i列定义为初选白色光束右边界列，并令blRightArray[braJ]=i，blRightArray[braJ]为白色光束左边界列的集合；3.3.2.5）、在blLeftArray[blaI]和blRightArray[braJ]集合里根据blaI小于braJ且BackLight[blaI，…,braJ]=1寻找配对列，此配对列组合成初选的白色光束区域;3.3.2.6）、在其对应的灰度图像里，计算初选的白色光束区域的平均灰度值AverGrayBL和该白色光束区域左右5个像素区域内的平均灰度值AverGrayNext；如果满足AverGrayBL与AverGrayNext之差大于20，即可表示该白色光束区域即为我们需要找的反光图像中的特征白色光束，且IsLicencePlate=false即可判断出该图像的异常为图像反光，否则不是。