專利名稱：一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種抓拍設(shè)備故障診斷的方法。
背景技術(shù)：
智能交通是指一個基于現(xiàn)代電子信息技術(shù)面向交通運(yùn)輸?shù)姆?wù)系統(tǒng)。在眾多智能交通應(yīng)用的領(lǐng)域中，都需要借助抓拍設(shè)備來獲取車輛圖像或者其他交通信息圖像，例如高速公路超速檢測系統(tǒng)、路口闖紅燈違規(guī)監(jiān)控系統(tǒng)、停車場智能收費(fèi)系統(tǒng)等。智能交通抓拍設(shè)備絕大多數(shù)都是處于室外工作，必將受到其復(fù)雜和變化多端的環(huán)境因素的考驗(yàn)；同時，設(shè)備工作頻率大，尤其是在道路車流量很大的情況下，設(shè)備幾乎是處于一種超負(fù)荷的工作狀態(tài)；加之，設(shè)備本身使用壽命的限制以及設(shè)備質(zhì)量等諸多因素的影 響，導(dǎo)致抓拍設(shè)備故障頻發(fā)。如果不能及時對抓拍設(shè)備的故障進(jìn)行診斷并維修，將嚴(yán)重影響到智能交通系統(tǒng)的公正性、科學(xué)性以及高效性。抓拍設(shè)備能否正常工作直接關(guān)系到智能交通系統(tǒng)是否能正常工作，所以對智能交通抓拍設(shè)備的故障診斷具有非常重要的意義?，F(xiàn)有的智能交通抓拍設(shè)備故障診斷主要停留在人工處理的方式，其分為兩種 第一種是人工排查方式，安排巡檢人員到室外抓拍設(shè)備工作現(xiàn)場逐一排查每套設(shè)備的故障情況。另外一種是人工尋查方式，在抓拍設(shè)備所獲取的中心圖像數(shù)據(jù)庫里尋找并查出異常的圖像數(shù)據(jù)，再根據(jù)異常圖像數(shù)據(jù)關(guān)聯(lián)到具體某一設(shè)備的故障。第一種方式顯然是費(fèi)時費(fèi)力。首先，抓拍設(shè)備是安裝在一定高度的龍門架上，給排查工作帶來麻煩；其次，排查工作時受到各種惡劣天氣的影響，對工作人員是一種難的挑戰(zhàn)；最后，現(xiàn)場排查設(shè)備故障情況可能影響交通的正常運(yùn)行。第二種方式相對而言提高了工作效率，但是受其長時間工作下帶來的人眼疲勞的影響，會導(dǎo)致漏檢和誤檢的情況發(fā)生。這兩種方式對人的依賴性特別高，是一種事后補(bǔ)償性的診斷形式，導(dǎo)致其故障診斷報(bào)告的延遲性的現(xiàn)象發(fā)生，從工作性質(zhì)來說也是一種極其枯燥乏味的事情，在智能交通信息時代下，其設(shè)備的故障診斷也需具備智能性，實(shí)現(xiàn)信息化，解放勞動力?？傮w來說這兩種方法的效率性和科學(xué)性還是無法達(dá)到抓拍設(shè)備故障診斷需及時、準(zhǔn)確的要求。國內(nèi)許多學(xué)者對基于圖像處理的設(shè)備故障診斷做了很多研究，其主要研究內(nèi)容集中在單一設(shè)備或者某一零件的故障診斷。夏勇(第二炮兵工程學(xué)院，2001)提出了基于圖像處理與神經(jīng)網(wǎng)絡(luò)的內(nèi)燃機(jī)故障診斷，利用內(nèi)燃機(jī)缸蓋振動信號產(chǎn)生圖像，在其圖像中提取圖像特征并進(jìn)行模糊化處理，以此實(shí)現(xiàn)了對氣閥機(jī)構(gòu)的故障診斷。蔡艷平(第二炮兵工程學(xué)院，)提出了一種基于視頻譜圖、圖像分割和模糊模式識別的柴油機(jī)故障診斷方法，提出了振動信號圖像幾何特征與形狀特征參數(shù)，對氣門故障能正確診斷。張勇(國防科學(xué)技術(shù)大學(xué)，2006)提出了航空發(fā)動機(jī)故障診斷中孔探圖像特征提取技術(shù)應(yīng)用研究，利用孔探圖像特征提取技術(shù)準(zhǔn)確的判決出發(fā)動機(jī)關(guān)鍵部件的多種故障。王培珍(安徽工業(yè)大學(xué)，2010)提出了基于紅外圖像的太陽能光伏陣列故障分析。綜上所述，利用成像設(shè)備生成設(shè)備的故障圖像，加以各種圖像處理技術(shù)對其進(jìn)行特征分析和特征提取以此來達(dá)到圖像處理方法在設(shè)備故障診斷中具有支持不停機(jī)診斷、非接觸診斷、非拆卸診斷、在線智能高效診斷的優(yōu)勢。在許多領(lǐng)域的應(yīng)用將會越來越多，尤其是某些特定領(lǐng)域，該方法能充分保證檢測工作人員和設(shè)備的安全。國內(nèi)關(guān)于智能交通抓拍設(shè)備或者其他設(shè)備的故障診斷研究較少。江永池在2011年提出了基于時間特征的電子警察路口設(shè)備保障設(shè)計(jì)，根據(jù)電子警察系統(tǒng)處理中心收到某一路口的方向工控機(jī)數(shù)據(jù)時間的長短來判斷工控機(jī)和路由器的故障。此種方法提出了一種非人工處理的智能交通抓拍設(shè)備的故障診斷解決方式，原理較為簡單，主要是對工控機(jī)和路由器的故障診斷，并沒有涉及到抓拍設(shè)備中的攝像機(jī)、感應(yīng)線圈以及閃光燈這些核心設(shè)備的故障診斷，但是給人們提出了一種解決智能交通抓拍設(shè)備故障診斷的新思路利用計(jì)算機(jī)處理的方式。同時，借鑒于之前介紹的各種圖像處理技術(shù)在設(shè)備故障診斷中的應(yīng)用，我們也可利用圖像處理的方法去解決抓拍設(shè)備的故障診斷，同時，可保證這種故障診斷的全面性得到實(shí)現(xiàn)
發(fā)明內(nèi)容
針對當(dāng)前智能交通抓拍設(shè)備故障診斷依賴于非人性化且效率低的人工處理方式，本發(fā)明基于圖像異常特征的智能交通抓拍設(shè)備故障診斷旨在科學(xué)、準(zhǔn)確、高效地解決抓拍設(shè)備故障診斷難的問題。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法，包括以下步驟1)、建立抓拍設(shè)備故障與異常圖像之間的映射關(guān)系；抓拍設(shè)備所獲取到的車輛圖像按照能否正確在圖像中得到我們所需要的有效信息分為兩類正常圖像和異常圖像。以高速公路超速檢測系統(tǒng)為例，當(dāng)車輛經(jīng)過超速監(jiān)測處時，該系統(tǒng)測得車輛的實(shí)時速度的同時還需借助抓拍設(shè)備獲取車輛的實(shí)時圖像，在該圖像里，我們需要的信息就是完整的車牌信息，也就是抓拍設(shè)備需成功抓拍到包含清晰車牌的車輛圖像交給計(jì)算機(jī)下一步進(jìn)行車牌識別工作，我們把這種圖像定義為正常圖像。然而，當(dāng)抓拍設(shè)備出現(xiàn)故障時，其所獲取的圖像里清晰的車牌信息已丟失，我們把無法看到清晰車牌信息的圖像定義為異常圖像。異常圖像可根據(jù)是否抓拍到了車輛和車牌信息又可分為三種情況有車輛但是車牌不清晰、有車輛但是無車牌、無車輛。根據(jù)車輛和車牌信息進(jìn)行的分類只能從整體上去把握異常圖像，在計(jì)算機(jī)實(shí)際識別異常圖像的過程中，我們還需要對異常圖像的異常特性進(jìn)行更細(xì)微的劃分，把圖像的異常特性分為顏色異常、行為異常以及其他異常三類。2)、基于顏色特征和紋理特征的車牌定位過程首先在抓拍設(shè)備所獲取到的所有圖像可根據(jù)是否有完整的車牌信息分為兩類有車牌圖像和無車牌圖像，而異常圖像絕大多數(shù)屬于無車牌圖像；其次車牌信息可辨別兩種相似的異常，如圖像偏暗車牌可見和圖像偏暗車牌不可見，圖像偏暗車牌不可見說明閃光燈已完全停止工作，這種情況需優(yōu)先及時的對其故障進(jìn)行處理，而圖像偏暗車牌可見是由閃光燈曝光量不足導(dǎo)致；最后某種圖像異常最顯著的特征就是無車牌；根據(jù)在圖像中是否能成功定位到車牌來判斷圖像中是否存在有效車牌信息，能定位到車牌說明圖像中有車牌信息，反之沒有車牌信息；。
車牌的特征主要集中在顏色和字符上面，車牌的顏色特征有藍(lán)底白字、黃底黑字、白底黑字和黑底白字四種，字符是分別由漢字、英文字母以及阿拉伯?dāng)?shù)字組成的七個字符組外加一個分割點(diǎn)符號組成，字符之間的間隔具有統(tǒng)一標(biāo)準(zhǔn)性?；陬伾卣骱图y理特征的車牌定位主要是利用車牌的這四種顏色特性進(jìn)行初步定位得到車牌的候選區(qū)域，接著根據(jù)車牌字符之間的灰度跳躍性以及字符之間的固定間隔特征在其二值化圖像中進(jìn)行二次定位從而得到車牌精確定位的結(jié)果；3)、基于多特征相結(jié)合的異常圖像識別方法，過程為3. I)識別顏色異常圖像圖像的顏色異常特性主要體現(xiàn)在原RGB彩色圖像中R、G、B三個通道的統(tǒng)計(jì)規(guī)律以及灰度圖像中的灰度信息中；3. 2)識別行為異常圖像 行為異常圖像是由于攝像機(jī)抓拍行為異常導(dǎo)致，這種圖像的特性表現(xiàn)在圖像中所包含的目標(biāo)車輛的異常，包括圖像中缺失目標(biāo)車輛、圖像中包含了異常的目標(biāo)車輛、圖像中的目標(biāo)車輛位置異常三種情況。分析這種異常時，主要根據(jù)劃分區(qū)域法來找到最能體現(xiàn)這種異常的規(guī)律；3.3)識別其他異常圖像圖像的其他異常特征主要從圖像的尺寸和圖像所包含的特征點(diǎn)表現(xiàn)出來，分析這種異常特性主要采用特征提取的方法。進(jìn)一步，所述步驟3)中，識別算法的自適應(yīng)性是指算法能及時調(diào)整識別各種異常圖像的順序，保證算法持久的高效性。在此，我們把影響算法效率的因素分為內(nèi)因和外因。再進(jìn)一步，所述故障診斷的方法還包括4)綜合故障信息的可視化隨著此發(fā)明中的故障診斷系統(tǒng)一段時間的運(yùn)行，會積累大量的設(shè)備故障信息。如何統(tǒng)一而又便捷地去表達(dá)復(fù)雜多樣的大量故障信息，需要對綜合的設(shè)備故障信息做一個可視化處理，給使用者提供一個人性化的可視化結(jié)果用來進(jìn)行決策。綜合故障信息的可視化可分別從地域、時間、故障率三個方面來決定。一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷系統(tǒng)，該系統(tǒng)主要由配置模塊、識別模塊、數(shù)據(jù)分析模塊組成。本發(fā)明的技術(shù)構(gòu)思為利用計(jì)算機(jī)智能高效的識別異常圖像來達(dá)到設(shè)備故障診斷的一種方式。這種方法是對人工處理方式中的第二種人工尋查方式的徹底改變，人工尋查方式是依靠人力去辨別并提取出有異常的圖像，本發(fā)明所采用的技術(shù)方案正是用計(jì)算機(jī)替代人去識別異常圖像，以此來解決人工處理方式中的種種不足問題，同時也可以保證故障診斷過程中的效率以及診斷結(jié)果的準(zhǔn)確性。人工尋查方式是根據(jù)經(jīng)驗(yàn)來判斷圖像是否存在異常，計(jì)算機(jī)識別是數(shù)字圖像處理技術(shù)的一種應(yīng)用，也就是分析圖像的異常特性，并利用圖像處理方法對這種特性提取和識別。與傳統(tǒng)的圖像處理在設(shè)備故障診斷中的應(yīng)用不同的是上述介紹的各種形式圖像的處理方法來解決設(shè)備的故障診斷問題都需要借助成像設(shè)備來生成設(shè)備的故障圖像，提取的是圖像中距離、尺寸、面積等多種微觀特征，解決的是某一種設(shè)備的故障診斷問題。而智能交通抓拍設(shè)備本身是一套成像設(shè)備，我們可直接利用抓拍設(shè)備已經(jīng)獲取到的圖像數(shù)據(jù)來進(jìn)行故障診斷，解決的是多種設(shè)備的故障診斷問題。該方法是在宏觀層面上去識別抓拍設(shè)備所獲取的所有圖像數(shù)據(jù)里的異常圖像。當(dāng)抓拍設(shè)備出現(xiàn)故障時會導(dǎo)致其所拍下的圖像出現(xiàn)異常，也就是設(shè)備的故障是間接地反映在圖像的異常特性之中，因此，在抓拍設(shè)備中心圖像數(shù)據(jù)庫中識別出異常圖像就能找到相對應(yīng)的設(shè)備故障。人工處理方式憑借人的經(jīng)驗(yàn)和理解看到異常圖像就能判斷出是哪一個設(shè)備出故障了，而要使計(jì)算機(jī)達(dá)到“識圖知故障”的目的，需要建立一個覆蓋現(xiàn)有的所有的抓拍設(shè)備故障類型與異常圖像類型之間的映射關(guān)系網(wǎng)。抓拍設(shè)備是 抓拍車輛圖像，是為了獲取車輛圖像中的重要信息車牌信息。當(dāng)抓拍設(shè)備出現(xiàn)故障時，所獲取的異常圖像中車牌信息是個很重要的識別依據(jù)，由此，在識別異常圖像過程中，需要對車牌信息進(jìn)行相應(yīng)的處理。設(shè)備故障的多樣性帶來的是圖像異常特性的多樣性，在識別非單一性的圖像異常特征過程中，需要采取不同的方法和過程。這里所說的過程是指圖像處理中的灰度處理過程或者閾值處理過程，大部分其他設(shè)備故障診斷中的圖像處理方法通常是在其對應(yīng)的二值圖像中進(jìn)行邊緣檢測、形態(tài)學(xué)的區(qū)域生長及特征提取等，而抓拍設(shè)備故障診斷中的圖像異常特征分別表現(xiàn)在圖像的原彩色圖像中或者灰度圖像和二值圖像中，所以針對這種非統(tǒng)一性的處理過程，識別復(fù)雜多樣性的圖像異常特性需要結(jié)合多種方法。同時為了保證算法持久的高效率性，需要對算法的識別順序做相應(yīng)的調(diào)整，也就是研究一種算法自適應(yīng)性的實(shí)現(xiàn)。最后為了給使用者提供一個最直觀、人性化的設(shè)備故障診斷結(jié)果，在此，對設(shè)備的綜合故障信息進(jìn)行一個可視化的處理。本發(fā)明的有益效果主要表現(xiàn)在實(shí)時性好、準(zhǔn)確性高、效率高。


圖I是抓拍設(shè)備工作原理示意圖。圖2是抓拍設(shè)備故障分類圖。圖3是異常圖像分類圖。圖4是抓拍設(shè)備故障與異常圖像映射關(guān)系圖。圖5是本發(fā)明解決方案設(shè)計(jì)圖。圖6是基于顏色特征和紋理特征的車牌定位算法流程圖。圖7是基于多特征相結(jié)合的異常圖像識別方法設(shè)計(jì)圖。圖8是識別異常壓線圖像的方法圖。圖9是識別反光異常圖像的方法圖。圖10是系統(tǒng)模塊功能圖。圖11是系統(tǒng)識別異常圖像順序圖。
具體實(shí)施例方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。參照圖I 圖11，一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法，本實(shí)施例中，I、抓拍設(shè)備的常見故障，參照附圖2。I)攝像機(jī)常見故障有白平衡設(shè)置錯誤、拍下的圖像出現(xiàn)反光現(xiàn)象、攝像機(jī)安裝在龍門架上的角度錯誤。2)閃光燈常見故障有閃光燈已壞，停止補(bǔ)光工作、曝光量過高、曝光量太低。
3)感應(yīng)線圈常見故障有靈敏度降低、復(fù)位太慢等。2、圖像的常見異常特性，參照附圖3。I)顏色異常是指在所抓拍到的圖像中無法正常表現(xiàn)出其顏色性質(zhì)從而不利于計(jì)算機(jī)識別車牌。主要存在三種顏色異常圖像圖像偏藍(lán)，是指整幅圖像上面猶如一層藍(lán)色的薄膜籠罩，雖不影響車牌識別，但與正常圖像的顏色差異太大；圖像偏暗，是指整幅圖像亮度不夠，其中又分兩種情況，偏暗車牌可見和偏暗車牌不可見；圖像偏亮，是指車臉尤其是車牌區(qū)域亮度過高。2)行為異常是指抓拍設(shè)備不能正常拍到車輛圖像。如，壓線，是指車輛經(jīng)過道路標(biāo)志線時被抓拍到的情況；亂拍，是指電動車、三輪車或者行人等不需要抓拍的目標(biāo)被抓拍到的情況；空拍，是指沒任何目標(biāo)經(jīng)過而被抓拍到的情況。3)其他異常由其他因素導(dǎo)致的。如，圖像重復(fù)，是指在很短的時間內(nèi)抓拍設(shè)備連續(xù)拍了兩次并保存在同一圖像里從而導(dǎo)致該圖像里車輛重復(fù)出現(xiàn)；圖像反光，是指在圖像的 中間區(qū)域明顯有一道亮色的反光光束貫穿整幅圖像；相位不對，是指抓拍設(shè)備拍到了車輛圖像但由于攝像機(jī)安裝角度的位置不對而沒有拍到車牌區(qū)域的情況。根據(jù)上述分析的常見設(shè)備故障和圖像異常特征得到它們兩者之間的映射關(guān)系，參照附圖4。2、基于顏色特征和紋理特征的車牌定位算法參照附圖6，對該車牌定位的算法步驟描述如下步驟(I)、在原始RGB彩色圖像中提取車牌背景和字符的顏色特征并以此分割圖像得到車牌的候選區(qū)域。步驟(2)、對原始RGB彩色圖像進(jìn)行灰度處理之后再進(jìn)行二值化處理。在此介紹下此定位方法中用到的二值化處理方法(2. I)車牌圖像的二值化根據(jù)單一閾值處理不能很好地解決由光照強(qiáng)度不均勻而引起的車輛圖像明暗差異很大的問題，在此，利用兩種閾值處理方法來得到最佳的車牌二值圖像，光照強(qiáng)度不均勻是指自然天氣環(huán)境下以及閃光燈補(bǔ)光下的各種情況，比如晴天、陰天、曝光不足都會影響圖像的明暗程度。在光照正常的情況下用最大類間方差法，在光照不正常的情況下通常是光照不足而引起的圖像偏暗時根據(jù)灰度圖像的統(tǒng)計(jì)信息得出一個閾值nAverGray來二值化圖像，AverGray為灰度平均值，η為一系數(shù)。用mAverGray來區(qū)分光照正常圖像和光照不正常圖像，m為一系數(shù)。如AverGray > mAverGray 光照正常圖像AverGray < mAverGray 光照不正常圖像通過兩種閾值方法統(tǒng)一二值化的最佳效果，利于后面的車牌定位的處理。步驟(3)、完成車牌的上下邊界的確定，在其步驟(I)完成的候選區(qū)域所對應(yīng)的二值圖像區(qū)域中進(jìn)行行掃描同時統(tǒng)計(jì)每行跳躍點(diǎn)的數(shù)目，當(dāng)該行跳躍點(diǎn)的總數(shù)達(dá)到12次時，把改行定義為車牌區(qū)域的候選行，掃描完所有候選區(qū)域后，得到連續(xù)的候選行并在這些連續(xù)的候選行里以候選行的最小值所在的行和最大值所在的行分別定為車牌的初步下邊界和上邊界。各種顏色的車牌區(qū)域經(jīng)過閾值處理后得到黑底白字和白底黑子兩種情況，由此字符和背景之間會存在黑白之間的跳躍即二值圖像里像素值從O到255或者255到O的跳躍。一個字符至少會存在兩次跳躍，七個字符取保守值至少存在12次跳躍。通過步驟(3)可大大減少車牌候選區(qū)域的數(shù)量。步驟(4)、根據(jù)步驟(3)完成的車牌初步上下邊界的結(jié)果，在這些上下邊界所圍成的對應(yīng)二值圖像區(qū)域里進(jìn)行列掃描，在此，在列掃描車牌候選區(qū)域時，首先先找出黑點(diǎn)和字符“1”，接著再去掉黑點(diǎn)并把“字符I”加寬至于其他字符同樣寬度的數(shù)值，如此以來，車牌區(qū)域內(nèi)七個字符之間就剩下兩種字符之間的間隔距離，且這種間隔位置也是固定的，即第二個字符和三個字符之間的間隔距離為D1，其他字符之間的間隔距離為D2。最后以Dl和D2這組特征數(shù)據(jù)去遍歷一組字符之間的間隔距離，遍歷成功的這組字符的第一個字符的最左邊列數(shù)和最后一個字符的最右邊列數(shù)分別為最終的車牌左右邊界，能得到車牌的左右邊界即表示車牌定位成功，令I(lǐng)sLicencePlate = true,反之車牌定位不成功IsLicencePlate
—f&1Se ο在此，Dl和D2的取值是通過車牌的上下邊界確定后得到車牌的高度決定的。車牌的左右邊界是根據(jù)字符之間的間隔距離確定的，然而由于第二個字符和第三個字符之間存在一個黑點(diǎn)，此黑點(diǎn)存在有時經(jīng)過閾值處理后會消失的現(xiàn)象，加之位置隨機(jī)出現(xiàn)的字符阿拉伯?dāng)?shù)字“I”垂直投影之后的寬度和其他字符的寬度不一樣從而導(dǎo)致車牌字符之間的間隔距離存在多樣性和不確定性。為了統(tǒng)一字符之間的間隔距離，采用了步驟(4)中的字符間隔距離調(diào)整的方法，如此以來通過這樣對字符之間間隔的調(diào)整能更加精確確定車牌的左右邊界最終可提聞車牌定位的準(zhǔn)確性。3、識別顏色異常圖像圖像的顏色異常特性主要體現(xiàn)在原RGB彩色圖像中R、G、B三個通道的統(tǒng)計(jì)規(guī)律以及灰度圖像中的灰度信息中。I)圖像偏藍(lán)，識別圖像偏藍(lán)的方法步驟描述如下步驟(I)、在原始彩色圖像中統(tǒng)計(jì)藍(lán)色像素值處于像素值區(qū)間[96，160]的情況，定義RatioBlue [96，160]為藍(lán)色像素值處于該區(qū)間內(nèi)的像素個數(shù)之和與整幅圖像的像素總數(shù)的比值并求得該值。在此，解釋下選擇[96，160]的理由我們在RGB彩色圖像中對其藍(lán)色通道的像素值進(jìn)行分析，主要通過平均劃分像素值
區(qū)間的方法，分別統(tǒng)計(jì)其藍(lán)色像素值處于劃分后區(qū)間內(nèi)的像素個數(shù)之和與整個圖像的像素總數(shù)的比值，然后根據(jù)這個比值的特征逐步縮小之前所劃分的區(qū)間并整合區(qū)間，最后得到一個像素值區(qū)間使得藍(lán)色像素值處于該區(qū)間內(nèi)的像素個數(shù)之和與像素總數(shù)的比值達(dá)到最大，通過大量實(shí)驗(yàn)和反復(fù)測試我們得到此像素值區(qū)間為[96，160]，也就是當(dāng)圖像偏藍(lán)時其藍(lán)色通道的像素值主要集中在[96，160]區(qū)間內(nèi)。步驟(2)、根據(jù)步驟(I)的方法，同樣定義RatioGreen[96,160]和 RatioRed[96,160]分別為綠色像素值和紅色像素值處于該區(qū)間內(nèi)的像素個數(shù)之和與整幅圖像的像素總數(shù)的比值，同時，求得該兩個值。既然圖像偏藍(lán)時的特征主要是大量的藍(lán)色像素值處在像素值區(qū)間[96，160]，而剩下的紅色通道和綠色通道的像素值只有一少部分集中在[96，160]區(qū)間內(nèi)。同時，我們也實(shí)驗(yàn)得出紅色和綠色通道在該區(qū)間內(nèi)的比值是個很小的數(shù)。
步驟(3)、根據(jù)步驟(I)和步驟⑵所計(jì)算得出的三個比值=RatioBlue [96，160]、RatioGreen [96,160]和RatioRed[96，160]，判斷是否滿足下面的條件3. I RatioBlue [96,160] > Max3. 2 Ratio6reen[96,160] < Min and RatioRed[96,160] < Min ；3. 3 IsLicencePlate = false滿足條件說明該圖像的異常屬于圖像偏藍(lán)，否則不是。在實(shí)驗(yàn)中，我們分別取得Max = O. 7及Min = O. 05能成功對圖像偏藍(lán)的識別。2)圖像偏暗在分析圖像偏暗的特征時，是在其灰度圖像里分析灰度統(tǒng)計(jì)信息，從而減少了直 接在RGB彩色圖像中三個通道的計(jì)算量。識別圖像偏暗的方法步驟描述如下步驟(I)、對原彩色圖像進(jìn)行灰度化處理，采用加權(quán)平均值法GrayValue = (RValue*299+GValue*587+BValue*114)/1000RValue、GValue、Bvalue分別取值為原彩色圖像中紅綠藍(lán)三個通道的數(shù)值，GrayValue為灰度化后每個像素的灰度值。計(jì)算灰度圖像的平均灰度值為AverGray。步驟(2)、在灰度圖像里，統(tǒng)計(jì)灰度信息的分布規(guī)律。計(jì)算GrayValueLess (nAverGray)值，并使得該值趨向最大。GrayValueLess (nAverGray)為灰度值小于nAverGray的像素個數(shù)的之和。步驟(3)、根據(jù)步驟(2)得出的結(jié)果,計(jì)算Ratio [GrayValueLess (nAverGray)]值，該值為GrayValueLess (nAverGray)與整幅圖像的像素總數(shù)的比值。步驟(4)、根據(jù)步驟(3)計(jì)算出來的結(jié)果，判斷是否滿足下面的條件Ratio[GrayValueLess(nAverGray)] > Y滿足條件說明該圖像的異常屬于圖像偏暗，否則不是。在分析偏暗圖像的異常特性時，我們分析其灰度信息，發(fā)現(xiàn)當(dāng)圖像偏暗時，其像素的灰度值絕大一部分都小于一個閾值，而此閾值又與其整幅圖像的平均灰度值有關(guān)。在此，取n = 2，Y = O. 8，能很好的把偏暗圖像從整個圖像數(shù)據(jù)庫里識別出來。前面提到過，當(dāng)圖像偏暗時分為兩種情況偏暗車牌可見和偏暗車牌不可見。這時需結(jié)合圖像車牌定位的結(jié)果IsLicencePlate = false or ture來識別具體是屬于哪種圖像偏暗。4、識別行為異常圖像行為異常圖像是由于攝像機(jī)抓拍行為異常導(dǎo)致，這種圖像的特性表現(xiàn)在圖像中所包含的目標(biāo)車輛的異常，包括圖像中缺失目標(biāo)車輛、圖像中包含了異常的目標(biāo)車輛、圖像中的目標(biāo)車輛位置異常三種情況。分析這種異常時，主要根據(jù)劃分區(qū)域法來找到最能體現(xiàn)這種異常的規(guī)律。I)空拍空拍是指所抓拍到的圖像中沒有任何目標(biāo)物體包括各種車輛和行人。空拍圖像中內(nèi)容絕大部分都是道路表面，受到綠化隔離帶以及道路標(biāo)志線等具有豎直方向性特征的因素的影響，導(dǎo)致其空拍圖像在水平方向上具有均一性的特征。這種均一性對應(yīng)到其灰度圖像中具有行特征變化細(xì)微性，也就是每行像素的平均灰度值的變化不是呈現(xiàn)跳躍性的，而是以整幅圖像的平均灰度值為中心，在一個很小數(shù)值X的范圍內(nèi)上下穩(wěn)定的變化。于是，在水平方向上把圖像均等劃分為N個小的矩形區(qū)域，N個矩形區(qū)域內(nèi)的平均灰度值與整幅圖像的平均灰度值的差值都很小。識別空拍圖像方法步驟描敘如下步驟(I)、對原彩色圖像進(jìn)行灰度化處理，采用加權(quán)平均值法。步驟(2)、在灰度圖像里,得到劃分N個小的矩形區(qū)域的高度即LHeight = image.Height O /N，并以此高度和原來的圖像的寬度值可以得到N個小矩形區(qū)域即LRECTi =[i*LHeight，(i+1) *LHeight, O, image. Width () -I]；步驟(3)、分別計(jì)算N個小矩形區(qū)域的平均灰度值A(chǔ)verGray (LRECTi)和整幅灰度圖像的平均灰度值A(chǔ)verGray并判斷是否滿足下面的條件3. I AverGray (LRECTi) -AverGray (Image) | < X32 IsLicencePlate = false滿足條件表示該圖像的異常為空拍，否則不是。在此，i= 1,2,…N-1, image. HeightO , image. WidthO 分別為圖像的高度和寬度。當(dāng)N = 20，X = 5時能有效的識別空拍圖像。設(shè)討個函數(shù)IsNullPicture (int nHeight, int nLeft, int nRight, int nPara)=true時表示該圖像為空拍，其中參數(shù)nHeight為待識別圖像的高度，nLeft為圖像的左邊界列數(shù)，nRight為圖像的右邊界列數(shù)，nPara為閾值。2)壓線壓線是指當(dāng)車輛換車道時經(jīng)過車行道分界線時被抓拍到的情況，這種情況是由抓拍慢引起的，在壓線圖像中通常我們無法獲取完整的車牌信息，不完整的目標(biāo)車輛的位置一般都是在圖像中的左下角和右下角處
參照附圖8，識別壓線的方法步驟描述如下步驟(I)、在原始彩色圖像經(jīng)過灰度處理后，把灰度圖像均等劃分為四個區(qū)域即左上,右上,左下,右下,分別記做Alu、Aru, Alb、Arb。步驟⑵、分別對Alu、Aru> Alb、Arb四個區(qū)域計(jì)算其平均灰度值，記做AverGray (Alu)、AverGray (Aru)、AverGray (Alb)、AverGray (Arb)且求得這四個平均灰度值里面的最大值Max和最小值Min。目標(biāo)車輛所在的區(qū)域其平均灰度值與另外三個區(qū)域的平均灰度值存在較大差異性，通常目標(biāo)車輛所在的區(qū)域其平均灰度值表現(xiàn)為四個區(qū)域里面的最大值(max)或者最小值(min)的特征。同時，其他三個區(qū)域的平均灰度值具有相似性(similarity)且與整幅圖像的平均灰度值絕對值之差很小。步驟(3)、在步驟(I)灰度處理之后，進(jìn)一步進(jìn)行二值化處理。分別統(tǒng)計(jì)二值圖像里白色像素的總數(shù)nSumWhitePxl和黑色像素的總數(shù)nSumBlackPxl,如果nSumWhitePxl大于nSumBlackPxl，表示該二值圖像的背景為白色，反之則為黑色。當(dāng)背景為白色時，分別統(tǒng)計(jì)左下(Alb)和右下(Arb)兩個區(qū)域里的黑色像素的總數(shù)記為 nSumBlackAlb 和 nSumBIackArb,并記 RatioBlackl 為 nSumBlackAlb 與nSumBlackPxl 的比值，RatioBlack2 為 nSumBlackArb 與 nSumBlackPxl 的比值。如果滿足RatioBlackl > X 或者 RatioBlack2 > X 這個條件則令 IsPressLineThreAux = true,否則IsPressLineThreAux = false。當(dāng)背景為黑色是，同樣分別統(tǒng)計(jì)左下(Alb)和右下(Arb)兩個區(qū)域里的白色像素的總數(shù)記為 nSumffhiteAlb 和 nSumffhiteArb,并記 Ratioffhitel 為 nSumffhiteAlb 與nSumWhitePxl 的比值，Ratioffhite2 為 nSumffhiteArb 與 nSumWhitePxl 的比值。如果滿足RatioBlackl > X 或者 RatioBlack2 > X 這個條件則令 IsPressLineThreAux = true,否則IsPressLineThreAux = false。在此 X 取值為 O. 65。步驟(4)、根據(jù)步驟(2)和步驟(3)的結(jié)果，進(jìn)行最后的判斷，是否滿足下列條件(4. I) AverGray (Alb) = Max or AverGray (Alb) =Min(4. 2) IsNullPicture (image. Height () , image. Width ()/2, image. Width (), 5)=true(4. 3) IsPressLineThreAux = true(4. 4) IsLicencePlate = false
滿足條件表示該圖像的異常為壓線，否則不是。在此，解釋下步驟(4)中的三個條件當(dāng)車輛壓線行駛被抓拍時，部分目標(biāo)車輛的位置在左下(Alb)或右下(Arb)區(qū)域內(nèi)。目標(biāo)車輛所在的區(qū)域其平均灰度值與另外三個區(qū)域的平均灰度值存在較大差異性，通常目標(biāo)車輛所在的區(qū)域其平均灰度值表現(xiàn)為四個區(qū)域里面的最大值(max)或者最小值(min)的特征，所以對應(yīng)條件4. I ;同時，其他三個區(qū)域的平均灰度值具有相似性(similarity)且與整幅圖像的平均灰度值絕對值之差很小。也就是指明，當(dāng)壓線情況屬于左下角壓線時，把圖像在豎直方向上平均分為左右兩個部分，而圖像的右半部分滿足圖像空拍時的特征，右下角壓線時，同理可得，由此對應(yīng)條件4.2 ;由于壓線情況是一種逼近與正常圖像的情形，單單靠其灰度圖像的區(qū)域特征有時容易導(dǎo)致誤判，由此，為了加強(qiáng)識別過程的可靠性，在識別壓線圖像過程中還需利用其二值圖像的輔助識別作用，因此對應(yīng)條件4. 3。5、識別其他異常圖像圖像的其他異常特征主要從圖像的尺寸和圖像所包含的特征點(diǎn)表現(xiàn)出來，分析這種異常特性主要采用特征提取的方法。I)圖像重復(fù)實(shí)驗(yàn)當(dāng)中，用到的來自抓拍設(shè)備獲取到的圖像數(shù)據(jù)的分辨率為1408*1088。通常，為了最佳的視覺效果，圖像的寬高比一般為4比3。然而當(dāng)圖像出現(xiàn)重復(fù)的異常屬性時，其分辨率達(dá)到2408*1088其圖像的寬度是正常圖像寬度的兩倍，導(dǎo)致其寬度與高度之比大于2。據(jù)統(tǒng)計(jì)，絕大多數(shù)抓拍攝像機(jī)抓拍正常圖像的寬高比都是小于2的，于是，識別圖像重復(fù)的方法步驟描述如下步驟(I)、分別獲取原彩色圖像的寬度image. WidthO和圖像的高度image.Height O。步驟(2)、計(jì)算寬高比即image. Width O/image. HeightO并判斷此比值是否大于2。比值大于2表明該圖像的異常為圖像重復(fù)，否則不是。2)圖像反光當(dāng)圖像反光時，在原彩色圖像中間部分有一束亮色光束在豎直方向上跨越整幅圖像，對應(yīng)到其二值圖像中，亮色光束成為白色光束。在此，我們把在二值圖像中這種白色光束定義為連續(xù)的列組成的一個小矩形區(qū)域，每一列的白色像素點(diǎn)的個數(shù)之和與該列像素的總數(shù)之比大于95%。于是，在二值圖像中，我們主要尋找具有一定寬度和特定位置的白色光束，且該白色光束里的平均灰度值與其左右兩邊一定寬度的鄰域里的平均灰度值存在較大差異。找到了，則該圖像表現(xiàn)出反光的異常，反之，則不具有反光的異常特性。參照附圖9，識別圖像反光方法的步驟描述如下步驟(I)、原彩色圖像經(jīng)過灰度處理再進(jìn)行二值化處理，在其二值圖像里進(jìn)行列掃描，計(jì)算每一列黑白像素的統(tǒng)計(jì)情況。步驟(2)、當(dāng)某一列白色像素點(diǎn)的個數(shù)之和與該列像素的總數(shù)之比大于O. 95時，把該列定義為白色光束列，且令BackLight [i] = 1，同時，BackLight [i] = -I表示第i列為非白色光束列。步驟(3)、遍歷整個BackLight [i]數(shù)組，如果滿足BackLight [i+Ι] = I且BackLight [i_49, · . . , i] = -I,BackLight [i_49, · . . , i]表示從第 i_49 列到第 i 列中的每一列BackLight [i]的值。同時第i+Ι列左邊50個列數(shù)都為非白色光束列，即表示第i+Ι列為非白色光束列到白色光束列的跳變列，于是把第i+Ι列定義為初選白色光束左邊界列， 并令blLeftArray [blal] = i+1, blLeftArray [blal]為白色光束左邊界列的集合。步驟(4)、遍歷整個BackLight [i]數(shù)組，如果滿足BackLight [i] = I且BackLight[i+1, . . . i+50] = -I, BackLight[i+1, . . . i+50]表不從第 i+1 列到第 i+50 列中的每一列BackLight[i]的值。同時第i列右邊50個列數(shù)都為非白色光束列，即表示第i列為白色光束列到非白色光束列的跳變列，于是把第i列定義為初選白色光束右邊界列，并令blRightArray [braj] = i, b I Right Array [bra J]為白色光束左邊界列的集合。步驟(5)、在blLeftArray [blal]和 blRightArray [braj]集合里根據(jù) blal 小于braj且BackLight [blal, . . . , braj] = I尋找配對列,此配對列組合成初選的白色光束區(qū)域。步驟￠)、在其對應(yīng)的灰度圖像里，計(jì)算初選的白色光束區(qū)域的平均灰度值A(chǔ)verGrayBL和該白色光束區(qū)域左右5個像素區(qū)域內(nèi)的平均灰度值A(chǔ)verGrayNext。如果滿足AverGrayBL與AverGrayNext之差大于20,即可表示該白色光束區(qū)域即為我們需要找的反光圖像中的特征白色光束，且IsLicencePlate = false即可判斷出該圖像的異常為圖像反光，否則不是。綜上所述單獨(dú)介紹的識別各種圖像異常的方法，綜合得到計(jì)算機(jī)整體上識別異常圖像的方法步驟參照附圖11描述如下步驟(I)、計(jì)算機(jī)連續(xù)讀取待識別的圖像數(shù)據(jù)庫，讀取一張?jiān)疾噬珗D像后，分別對其進(jìn)行灰度處理和二值化處理，并保存相應(yīng)的處理后的圖像數(shù)據(jù)。步驟(2)、結(jié)合彩色圖像和二值圖像得到車牌定位的結(jié)果，車牌定位不成功標(biāo)志為
N0步驟(3)、直接利用彩色圖像依次識別圖像是否重復(fù)，加上車牌定位的結(jié)果N識別圖像是否偏藍(lán)，是(Y)的話將該異常圖像的信息保存到數(shù)據(jù)庫后結(jié)束此輪的識別，讀取下一張圖像，否(N)的話執(zhí)行下一步驟。步驟(4)、利用灰度圖像和車牌定位的結(jié)果N依次識別圖像是否偏暗和空拍，識別結(jié)果的處理同步驟(3) —樣。步驟(5)、利用灰度圖像和二值圖像以及車牌定位的結(jié)果N依次識別圖像是否壓線和空拍，識別結(jié)果的處理同步驟(3) —樣。
步驟(6)、根據(jù)車牌定位的結(jié)果N識別異常特征不是很明顯的其他異常圖像。上述僅是以此種識別的順序來說明計(jì)算機(jī)是如何識別出異常圖像的，實(shí)際上，隨著系統(tǒng)的運(yùn)行，根據(jù)異常圖像信息的數(shù)據(jù)庫將會適時地調(diào)整識別的順序。6、識別算法的自適應(yīng)性的實(shí)現(xiàn)識別算法的自適應(yīng)性是指算法能及時調(diào)整識別各種異常圖像的順序，保證算法持久的高效性。在此，我們把影響算法效率的因素分為內(nèi)因和外因。內(nèi)因是指算法自身識別每種圖像異常的效率，此效率我們定義單位為秒/種，即識別每種圖像異常算法所需的時間。內(nèi)因是相對固定的，除非我們對算法有更進(jìn)一步的改進(jìn)才會有所提高。外因是指隨著系統(tǒng)的運(yùn)行，系統(tǒng)里面的數(shù)據(jù)越來越多，對于龐大的系統(tǒng)數(shù)據(jù)庫而言，到底哪一種異常圖像所占整個數(shù)據(jù)的比例比較大，我們是無法預(yù)測到的。各種異常圖像所占整個數(shù)據(jù)的比例的排序是隨著時間變化的一個隨機(jī)過程的結(jié)果。在此，我們把外因定義為該種異常圖像所占整個數(shù)據(jù)的比例。并對內(nèi)因和外因分別根據(jù)其對整個算法影響的大小計(jì)算出一個合理的權(quán)值，求得他們的加權(quán)求和值。此值就是識別各種圖像異常的優(yōu)先級。根據(jù)優(yōu)先級的排序來確定識別順序。7、綜合故障信息的可視化實(shí)現(xiàn)I)綜合故障信息的地域信息可視化地域信息可視化是指在一定的地域范圍內(nèi)，針對該地域內(nèi)的所有智能交通抓拍設(shè)備的故障信息做詳細(xì)和綜合的統(tǒng)計(jì)工作，得出一個可視化的結(jié)果作為參考。該地域可以是指一個城市也可以是全省，如此以來，就可方便得得出一個城市的公共交通網(wǎng)內(nèi)，主要是指全市的十字路口以及重要路段上的抓拍設(shè)備故障信息。比如，某些路口或者路段的設(shè)備故障出現(xiàn)頻繁。也可方便得到全省高速公路交通網(wǎng)內(nèi)抓拍設(shè)備故障信息的分布，如哪一條高速公路、哪一段高速公路以及哪一個收費(fèi)站的故障信息占多，這種可視化的結(jié)果，通常是以一張全省高速公路交通網(wǎng)的圖作為主體，分別用不同的顏色描述不同的高速公路，顏色越紅代表該條高速公路設(shè)備故障越嚴(yán)重，而綠色則可代表設(shè)備故障整體還比較好，通過給使用者展示出這樣一張不同顏色的高速公路交通網(wǎng)圖，可以一目了然地對整個高速公路上的抓拍設(shè)備故障情況有個全面的認(rèn)知。有了這個地域信息可視化的結(jié)果，使用者就可很方便地快速地做出抓拍設(shè)備的故障維修以及日常維護(hù)的決策。2)綜合故障信息的時間信息可視化時間信息可視化是指根據(jù)時間特征來表達(dá)綜合設(shè)備故障信息。時間特征的可視化可充分反應(yīng)設(shè)備故障在某一時間段內(nèi)的發(fā)生頻率，比如可研究設(shè)備在一年的哪幾個月份里整體的設(shè)備故障發(fā)生比較頻繁，這樣日常的設(shè)備維護(hù)工作就可根據(jù)這個結(jié)果有針對性的在特定易發(fā)生故障的幾個月份里加強(qiáng)其維護(hù)工作。同時，也可分別統(tǒng)計(jì)出單一設(shè)備在一個比較短的時間段內(nèi)，相應(yīng)的發(fā)生頻率，特別是對于補(bǔ)光燈來說，該結(jié)果能預(yù)測到閃光燈完全壞掉的情況，以便防患于未然。通常閃光燈會出現(xiàn)短時間內(nèi)的經(jīng)常曝光量不足的情況，針對這種情況，單獨(dú)給出一個關(guān)于閃光燈故障的可視化結(jié)果能給使用者提供極其重要的參考信息。時間信息的可視化可采用柱狀圖或者類似股票走勢圖來表示。3)綜合故障信息的故障率信息可視化
故障率信息可視化是指在一定時間內(nèi)，考察一套抓拍設(shè)備下的攝像機(jī)、閃光燈、車輛檢測器的故障占有率情形。是表達(dá)一套設(shè)備下通常哪個設(shè)備出現(xiàn)故障的概率比較大的信息。而這一信息通常能反饋給抓拍設(shè)備硬件設(shè)備采購部門提供最權(quán)威的參考，確保下一批整套抓拍設(shè)備的質(zhì)量更高。在此，故障率信息可視化可以整個抓拍設(shè)備工作原理示意圖(參照附圖I)為主體，可根據(jù)設(shè)備故障的發(fā)生率分別縮小或者放大對應(yīng)的設(shè)備所代表的圖。比如，在其工作原理示意圖中，攝像機(jī)和閃光燈以及車輛檢測器初始的大小是一致的，當(dāng)閃光燈的故障率比其他兩個設(shè)備的故障率都要大時，這時，可按比例放大相對應(yīng)的閃光燈的圖。這樣根據(jù)閃光燈的圖明顯比攝像機(jī)和車輛檢測器的圖要大就能清晰的區(qū)分三個設(shè)備之間的故障率情況。
8、基于圖像異常特征的智能交通抓拍設(shè)備故障診斷系統(tǒng)參照附圖10。該系統(tǒng)主要由配置模塊、識別模塊、數(shù)據(jù)分析模塊組成。配置模塊主要完成系統(tǒng)常規(guī)管理配置，包括三級用戶管理員的管理；文件配置，是指圖像數(shù)據(jù)的原始輸入路徑以及診斷結(jié)果的輸出路徑；以及算法初始化的工作，是指在系統(tǒng)正式運(yùn)行前，對識別算法的順序進(jìn)行相應(yīng)的調(diào)整，保證最優(yōu)的識別算法支持整個識別過程的高效性。識別模塊主要完成根據(jù)上述介紹的方法識別各種異常圖像。數(shù)據(jù)分析模塊主要完成根據(jù)識別模塊得到的結(jié)果，統(tǒng)計(jì)分析每種異常圖像的數(shù)據(jù)量情況，這種統(tǒng)計(jì)分析結(jié)果將直接反饋給配置模塊完成算法的初始化，此外還需完成設(shè)備故障表單的打印，此表單主要包含異常圖像的文件名以及該異常相對應(yīng)的設(shè)備故障兩項(xiàng)內(nèi)容，在此，根據(jù)圖像文件的命名規(guī)則，其對應(yīng)的文件名能定位到抓拍設(shè)備。最后，根據(jù)全部的故障信息給出一個綜合的故障信息可視化結(jié)果。
權(quán)利要求
1.一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法，其特征在于包括以下步驟 1)、建立抓拍設(shè)備故障與異常圖像之間的映射關(guān)系； 抓拍設(shè)備故障包括攝像機(jī)常見故障、閃光燈常見故障和感應(yīng)線圈常見故障；圖像異常特性包括顏色異常、行為異常和其他異常；根據(jù)抓拍設(shè)備故障和圖像異常特征得到它們兩者之間的映射關(guān)系； 2)、基于顏色特征和紋理特征的車牌定位過程 根據(jù)在圖像中是否能成功定位到車牌來判斷圖像中是否存在有效車牌信息，能定位到車牌說明圖像中有車牌信息，反之沒有車牌信息； 基于顏色特征和紋理特征的車牌定位主要是利用車牌的這四種顏色特性進(jìn)行初步定位得到車牌的候選區(qū)域，接著根據(jù)車牌字符之間的灰度跳躍性以及字符之間的固定間隔特征在其二值化圖像中進(jìn)行二次定位從而得到車牌精確定位的結(jié)果； 3)、基于多特征相結(jié)合的異常圖像識別方法，過程為 3. I)識別顏色異常圖像 圖像的顏色異常特性主要體現(xiàn)在原RGB彩色圖像中R、G、B三個通道的統(tǒng)計(jì)規(guī)律以及灰度圖像中的灰度信息中； 3. 2)識別行為異常圖像 根據(jù)劃分區(qū)域法判斷是否存在行為異常圖像，如果存在圖像中缺失目標(biāo)車輛、圖像中包含了異常的目標(biāo)車輛和圖像中的目標(biāo)車輛位置異常，則判定存在異常； 3. 3)識別其他異常圖像 采用特征提取的方法得到圖像的尺寸和圖像所包含的特征點(diǎn)。
2.如權(quán)利要求I所述的一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法，其特征在于所述步驟3)中，調(diào)整識別各種異常圖像的順序。
3.如權(quán)利要求I或2所述的一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法，其特征在于所述故障診斷的方法還包括4)綜合故障信息的可視化對綜合的設(shè)備故障信息做一個可視化處理，給使用者提供一個人性化的可視化結(jié)果用來進(jìn)行決策。
4.如權(quán)利要求I或2所述的一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法，其特征在于所述步驟2)中，車牌定位過程包括以下步驟 (2. I)、在原始RGB彩色圖像中提取車牌背景和字符的顏色特征并以此分割圖像得到車牌的候選區(qū)域； (2. 2)、對原始RGB彩色圖像進(jìn)行灰度處理之后再進(jìn)行二值化處理； 在此介紹下此定位方法中用到的二值化處理方法 (2. 2. I)車牌圖像的二值化 用mAverGray來區(qū)分光照正常圖像和光照不正常圖像，m為一系數(shù),如 AverGray > mAverGray 光照正常圖像； AverGray < mAverGray光照不正常圖像； (2. 3)、完成車牌的上下邊界的確定，在其步驟(2. I)完成的候選區(qū)域所對應(yīng)的二值圖像區(qū)域中進(jìn)行行掃描同時統(tǒng)計(jì)每行跳躍點(diǎn)的數(shù)目，當(dāng)該行跳躍點(diǎn)的總數(shù)達(dá)到12次時，把改行定義為車牌區(qū)域的候選行，掃描完所有候選區(qū)域后，得到連續(xù)的候選行并在這些連續(xù)的候選行里以候選行的最小值所在的行和最大值所在的行分別定為車牌的初步下邊界和上邊界； 各種顏色的車牌區(qū)域經(jīng)過閾值處理后得到黑底白字和白底黑子兩種情況，由此字符和背景之間會存在黑白之間的跳躍即二值圖像里像素值從O到255或者255到O的跳躍，一個字符至少會存在兩次跳躍，七個字符取保守值至少存在12次跳躍； (2. 4)、根據(jù)步驟(2. 3)完成的車牌初步上下邊界的結(jié)果，在這些上下邊界所圍成的對應(yīng)二值圖像區(qū)域里進(jìn)行列掃描，在此，在列掃描車牌候選區(qū)域時，首先先找出黑點(diǎn)和字符“ 1”，接著再去掉黑點(diǎn)并把“字符I”加寬至于其他字符同樣寬度的數(shù)值，如此以來，車牌區(qū)域內(nèi)七個字符之間就剩下兩種字符之間的間隔距離，且這種間隔位置也是固定的，即第二個字符和三個字符之間的間隔距離為D1，其他字符之間的間隔距離為D2 ;最后以Dl和D2這組特征數(shù)據(jù)去遍歷一組字符之間的間隔距離，遍歷成功的這組字符的第一個字符的最左邊列數(shù)和最后一個字符的最右邊列數(shù)分別為最終的車牌左右邊界，能得到車牌的左右邊界即表示車牌定位成功，令I(lǐng)sLicencePlate = true,反之車牌定位不成功IsLicencePlate =false。
5.如權(quán)利要求4所述的一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法，其特征在于所述步驟2. 4)中，Dl和D2的取值是通過車牌的上下邊界確定后得到車牌的高度決定的；車牌的左右邊界是根據(jù)字符之間的間隔距離確定的。
6.如權(quán)利要求I或2所述的一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法，其特征在于所述步驟3. I)，識別顏色異常圖像的過程為3. 3. I)圖像偏藍(lán)，識別圖像偏藍(lán)的方法步驟描述如下 (3. 3. I. I)、在原始彩色圖像中統(tǒng)計(jì)藍(lán)色像素值處于像素值區(qū)間[96，160]的情況，定義RatioBlue[96，160]為藍(lán)色像素值處于該區(qū)間內(nèi)的像素個數(shù)之和與整幅圖像的像素總數(shù)的比值并求得該值； (3. 3. 3. 2)、根據(jù)步驟(3. 3. I. I)的方法，同樣定義 RatioGreen [96，160]和RatioRed[96,160]分別為綠色像素值和紅色像素值處于該區(qū)間內(nèi)的像素個數(shù)之和與整幅圖像的像素總數(shù)的比值，同時，求得該兩個值； (3. 3. I. 3)、根據(jù)步驟(3. 3. I. I)和步驟(3. 3. I. 2)所計(jì)算得出的三個比值RatioBlue [96，160]、RatioGreen [96，160]和 RatioRed[96，160]，判斷是否滿足下面的條件3. I RatioBlue[96,160] > Max3. 2 RatioGreen[96,160] < Min and RatioRed[96,160] < Min ；3. 3 IsLicencePlate = false 滿足條件說明該圖像的異常屬于圖像偏藍(lán)，否則不是；3. 3. 2)圖像偏暗，過程如下 (3. 3. 2. I)、對原彩色圖像進(jìn)行灰度化處理，采用加權(quán)平均值法 GrayValue = (RValue*299+GValue*587+BValue*114)/1000 RValue、GValue、Bvalue分別取值為原彩色圖像中紅綠藍(lán)三個通道的數(shù)值，GrayValue為灰度化后每個像素的灰度值；計(jì)算灰度圖像的平均灰度值為AverGray ； (3. 3. 2. 2)、在灰度圖像里，統(tǒng)計(jì)灰度信息的分布規(guī)律，計(jì)算GrayValueLess (nAverGray)值，并使得該值趨向最大，GrayValueLess (nAverGray)為灰度值小于nAverGray的像素個數(shù)的之和； (3. 3. 2. 3)、根據(jù)步驟(3.3.2.2)得出的結(jié)果，計(jì)算Ratio [GrayValueLess (nAverGray)]值，該值為 GrayValueLess (nAverGray)與整幅圖像的像素總數(shù)的比值； (3. 3. 2. 4)、根據(jù)步驟(3. 3. 2. 3)計(jì)算出來的結(jié)果，判斷是否滿足下面的條件Ratio[GrayValueLess(nAverGray)] > Y 滿足條件說明該圖像的異常屬于圖像偏暗，否則不是。
7.如權(quán)利要求I或2所述的一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法，其特征在于所述步驟3. 2)，識別行為異常圖像的過程如下 . 3. 2. I)識別空拍圖像方法步驟描敘如下 (3. 2. I. I)、對原彩色圖像進(jìn)行灰度化處理，采用加權(quán)平均值法； (3. 2. I. 2)、在灰度圖像里,得到劃分N個小的矩形區(qū)域的高度即LHeight = image.HeightO/N，并以此高度和原來的圖像的寬度值可以得到N個小矩形區(qū)域即LRECTi =[i*LHeight，(i+1) *LHeight, 0, image. Width () -I]； (3. 2. I. 3)、分別計(jì)算N個小矩形區(qū)域的平均灰度值A(chǔ)verGray (LRECTi)和整幅灰度圖像的平均灰度值A(chǔ)verGray并判斷是否滿足下面的條件a AverGray (LRECTi) -AverGray (Image) | < Xb IsLicencePlate = false滿足條件表示該圖像的異常為空拍，否則不是； 在此，i = 1,2,... N-I, image. Height (), image. WidthO 分別為圖像的高度和寬度;設(shè)ii 個函數(shù) IsNullPicture (int nHeight, int nLeft, int nRight, int nPara)=true時表示該圖像為空拍,其中參數(shù)nHeight為待識別圖像的高度,nLeft為圖像的左邊界列數(shù)，nRight為圖像的右邊界列數(shù)，nPara為閾值； .3.3. 2)識別壓線的方法步驟描述如下 (3. 3. 2. I)、在原始彩色圖像經(jīng)過灰度處理后，把灰度圖像均等劃分為四個區(qū)域即左上，右上，左下，右下，分別記做Alu、Aru、Alb、Arb ； (3. 3. 2. 2)、分別對Alu、Aru> Alb、Arb四個區(qū)域計(jì)算其平均灰度值，記做AverGray (Alu)、AverGray (Aru)、AverGray (Alb)、AverGray (Arb)且求得這四個平均灰度值里面的最大值Max和最小值Min ； (3. 3. 2. 3)、在步驟(3. 3. 2. I)灰度處理之后，進(jìn)一步進(jìn)行二值化處理；分別統(tǒng)計(jì)二值圖像里白色像素的總數(shù)nSumWhitePxl和黑色像素的總數(shù)nSumBlackPxL,如果nSumffhitePxl大于nSumBlackPxl,表示該二值圖像的背景為白色,反之則為黑色； 當(dāng)背景為白色時，分別統(tǒng)計(jì)左下(Alb)和右下(Arb)兩個區(qū)域里的黑色像素的總數(shù)記為 nSumBlackAlb 和 nSumBIackArb,并記 RatioBlackl 為 nSumBlackAlb 與nSumBlackPxl 的比值，RatioBlack2 為 nSumBlackArb 與 nSumBlackPxl 的比值；如果滿足RatioBlackl > X 或者 RatioBlack2 > X 這個條件則令 IsPressLineThreAux = true,否則IsPressLineThreAux = false ； 當(dāng)背景為黑色時，同樣分別統(tǒng)計(jì)左下(Alb)和右下(Arb)兩個區(qū)域里的白色像素的總數(shù)記為 nSumffhiteAlb 和 nSumffhiteArb,并記 Ratioffhitel 為 nSumffhiteAlb 與nSumffhitePxl 的比值，Ratioffhite2 為 nSumffhiteArb 與 nSumWhitePxl 的比值；如果滿足RatioBlackl > X 或者 RatioBlack2 > X 這個條件則令 IsPressLineThreAux = true,否則IsPressLineThreAux = false ;在此 X 取值為 0. 65 ； (3. 3. 2. 4)、根據(jù)步驟(3. 3. 2. 2)和步驟(3. 3. 2. 3)的結(jié)果，進(jìn)行最后的判斷，是否滿足下列條件A AverGray (Alb) = Max or AverGray (Alb) =MinB IsNullPicture (image. Height ()，image. Width ()/2, image. Width ()，5) = trueC IsPressLineThreAux = trueD IsLicencePlate = false 滿足條件表示該圖像的異常為壓線，否則不是。
8.如權(quán)利要求I或2所述的一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法，其特征在于所述步驟3. 3)，識別其他異常圖像的方法的步驟如下 .3.3. I)識別圖像重復(fù)的方法步驟描述如下 (3. 3. I. I)、分別獲取原彩色圖像的寬度image. Width ()和圖像的高度image.HeightO ; (3. 3. I. 2)、計(jì)算寬高比即image. Width () /image. Height ()并判斷此比值是否大于2 ；比值大于2表明該圖像的異常為圖像重復(fù)，否則不是； .3.3. 2)別圖像反光方法的步驟描述如下 (3. 3. 2. I)、原彩色圖像經(jīng)過灰度處理再進(jìn)行二值化處理，在其二值圖像里進(jìn)行列掃描，計(jì)算每一列黑白像素的統(tǒng)計(jì)情況； (3. 3. 2. 2)、當(dāng)某一列白色像素點(diǎn)的個數(shù)之和與該列像素的總數(shù)之比大于0. 95時，把該列定義為白色光束列，且令BackLight [i] = 1，同時，BackLight [i] = -I表示第i列為非白色光束列； (3. 3. 2. 3)、遍歷整個 BackLight [i]數(shù)組，如果滿足 BackLight [i+1] = I 且BackLight [i_49, . . , i] = -I,BackLight [i_49, . . , i]表示從第 i_49 列到第 i 列中的每一列BackLight [i]的值；同時第i+1列左邊50個列數(shù)都為非白色光束列，即表示第i+1列為非白色光束列到白色光束列的跳變列，于是把第i+1列定義為初選白色光束左邊界列，并令blLeftArray [blal] = i+1, blLeftArray [blal]為白色光束左邊界列的集合； (3. 3. 2. 4)、遍歷整個 BackLight [i]數(shù)組，如果滿足 BackLight [i] = I 且BackLight [i+1,. . . i+50] = -I,BackLight [i+1,. . . i+50]表不從第 i+1 列到第 i+50 列中的每一列BackLight [i]的值；同時第i列右邊50個列數(shù)都為非白色光束列，即表示第i列為白色光束列到非白色光束列的跳變列，于是把第i列定義為初選白色光束右邊界列，并令 b IRightArray [braj] = i, b I Right Array [bra J]為白色光束左邊界列的集合；(3. 3. 2. 5)、在 blLeftArray [blal]和 bIRightArray [braj]集合里根據(jù) blal 小于 braj且BackLight [blal, . . . , braj] = I尋找配對列,此配對列組合成初選的白色光束區(qū)域； (3. 3. 2. 6)、在其對應(yīng)的灰度圖像里，計(jì)算初選的白色光束區(qū)域的平均灰度值A(chǔ)verGrayBL和該白色光束區(qū)域左右5個像素區(qū)域內(nèi)的平均灰度值A(chǔ)verGrayNext ;如果滿足AverGrayBL與AverGrayNext之差大于20,即可表示該白色光束區(qū)域即為我們需要找的反光圖像中的特征白色光束，且IsLicencePlate = false即可判斷出該圖像的異常為圖像反光，否則不是。全文摘要
一種基于圖像異常特征的智能交通抓拍設(shè)備故障診斷的方法，利用計(jì)算機(jī)智能地識別異常圖像的方式來達(dá)到抓拍設(shè)備故障診斷的目的，以此告別繁瑣、效率低的人工診斷方式。在此方法中，首先，建立了異常圖像到設(shè)備故障的映射關(guān)系，且根據(jù)異常特性的需要實(shí)現(xiàn)了一種實(shí)用性強(qiáng)的基于顏色特征和字符紋理特征的車牌定位方法；接著，采用了一種基于多特征相結(jié)合的異常圖像識別方法，并且研究了識別算法的自適應(yīng)性；最后，對于復(fù)雜的綜合設(shè)備故障信息進(jìn)行一個可觀性好的可視化處理。通過建立一套設(shè)備故障診斷系統(tǒng)，可保證抓拍設(shè)備的故障診斷能滿足實(shí)時性好、準(zhǔn)確性高、效率高的要求，提供一種人性化且科學(xué)的故障診斷方法。
文檔編號G06K9/62GK102708378SQ20121013355
公開日2012年10月3日 申請日期2012年4月28日 優(yōu)先權(quán)日2012年4月28日
發(fā)明者張?jiān)Q, 肖剛, 袁曉陽, 韓政高, 高飛 申請人:浙江工業(yè)大學(xué)