一種人行橫道線自動檢測分析方法及系統(tǒng)的制作方法【專利摘要】一種人行橫道線自動檢測分析方法及系統(tǒng)，包括輸入街景的影像，將影像分為訓(xùn)練組和測試組，利用訓(xùn)練組訓(xùn)練用于檢測人行橫道線的分類器；例如分類器對測試組影像進(jìn)行人行橫道線的檢測識別，通過后期處理排除錯誤檢測；利用分類器對訓(xùn)練組影像進(jìn)行人行橫道線的檢測識別，并通過后期處理排除錯誤檢測；根據(jù)步驟4所得各測試組影像的識別結(jié)果和步驟5所得各訓(xùn)練組影像的識別結(jié)果分別統(tǒng)計檢測結(jié)果，包括對任一張測試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對每一個識別結(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檢測分析方法及系統(tǒng)【
技術(shù)領(lǐng)域：
】[0001]本發(fā)明屬于測繪科學(xué)與【
技術(shù)領(lǐng)域：
】，涉及一種人行橫道線自動檢測分析的方法及系統(tǒng)?！?br>背景技術(shù)：
】[0002]隨著我國城鎮(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。由于缺乏對交通基礎(chǔ)設(shè)施的自動監(jiān)管手段，使得交通基礎(chǔ)設(shè)施維修維護(hù)不及時，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交通安全以及人民生命財產(chǎn)安全帶來嚴(yán)重的威脅。所以需要一種成本低廉、高效、自動的人行橫道線的檢測與污損程度分析的方法，來對城市中大量的人行橫道線的狀態(tài)進(jìn)行監(jiān)管。[0003]對于人行橫道線的自動檢測，現(xiàn)有的研究主要集中在從近景影像中檢測出單條人行橫道區(qū)域。例如Sichelschmidt等的研究是從車輛的視角進(jìn)行人行橫道的識別，而Mohammad，張瑩和曹玉珍的文章均是以行人的視角識別或量測人行橫道的長度，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)確的自動檢測出橫道線。而縱觀國內(nèi)外對人行橫道線狀態(tài)的監(jiān)管方法，現(xiàn)有的研究中尚無對人行橫道線的污損狀態(tài)進(jìn)行自動分析的有效技術(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檢測出人行橫道線區(qū)域，并對其污損程度進(jìn)行分析，解決因缺少高效的自動檢測數(shù)量龐大的人行橫道線的方法，導(dǎo)致的未能及時發(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]-種人行橫道線自動檢測分析方法，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)練出的分類器對測試組影像進(jìn)行人行橫道線的檢測識別；[0010]步驟4,通過后期處理排除步驟3所得結(jié)果的錯誤檢測，得到人行橫道線識別結(jié)果；[0011]步驟5,利用步驟2訓(xùn)練得到的分類器對訓(xùn)練組影像進(jìn)行人行橫道線的檢測識別，并通過后期處理排除所得結(jié)果的錯誤檢測，得到人行橫道線識別結(jié)果；[0012]步驟6,根據(jù)步驟4所得各測試組影像的識別結(jié)果和步驟5所得各訓(xùn)練組影像的識別結(jié)果分別統(tǒng)計檢測結(jié)果，包括對任一張測試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對每一個識別結(jié)果矩形包含的像素進(jìn)行累加，得到橫坐標(biāo)值相應(yīng)像素被識別為人行橫道的次數(shù)；[0013]步驟7,為每張測試組影像和訓(xùn)練組影像分別繪制直方圖，包括對任一張測試組影像或訓(xùn)練組影像，根據(jù)步驟6所得統(tǒng)計結(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別為人行橫道的次數(shù)；[0014]步驟8,從各測試組影像和訓(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)模型對測試組的影像進(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識別時，對分類器輸出的識別結(jié)果矩形按照位置信息進(jìn)行聚類，剔除離散的識別結(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算影像上人行橫道線長度的理論范圍，如果識別結(jié)果的長度超出該范圍，則認(rèn)為是錯誤識別進(jìn)行剔除。[0019]本發(fā)明還相應(yīng)提供一種人行橫道線自動檢測分析系統(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)練用于檢測人行橫道線的分類器；[0022]測試初始識別模塊，用于利用分類器模塊訓(xùn)練出的分類器對測試組影像進(jìn)行人行橫道線的檢測識別；[0023]測試后期處理模塊，用于通過后期處理排除測試初始識別模塊所得結(jié)果的錯誤檢測，得到人行橫道線識別結(jié)果；[0024]訓(xùn)練識別模塊，用于利用分類器模塊訓(xùn)練得到的分類器對訓(xùn)練組影像進(jìn)行人行橫道線的檢測識別，并通過后期處理排除所得結(jié)果的錯誤檢測，得到人行橫道線識別結(jié)果；[0025]統(tǒng)計模塊，用于根據(jù)測試后期處理模塊所得各測試組影像的識別結(jié)果和訓(xùn)練識別模塊所得各訓(xùn)練組影像的識別結(jié)果分別統(tǒng)計檢測結(jié)果，包括對任一張測試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對每一個識別結(jié)果矩形包含的像素進(jìn)行累加，得到橫坐標(biāo)值相應(yīng)像素被識別為人行橫道的次數(shù)；[0026]直方圖生成模塊，用于為每張測試組影像和訓(xùn)練組影像分別繪制直方圖，包括對任一張測試組影像或訓(xùn)練組影像，根據(jù)統(tǒng)計模塊所得統(tǒng)計結(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別為人行橫道的次數(shù)；[0027]特征提取模塊，用于從各測試組影像和訓(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)模型對測試組的影像進(jìn)行人行橫道線污損程度分析，得到分析結(jié)果。[0030]本發(fā)明能夠自動從序列影像中檢測出人行橫道區(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)部門對污損的設(shè)施進(jìn)行及時的維護(hù)、保養(yǎng)，從而減少道路交通安全隱患，為人民的生命財產(chǎn)安全提供保障。本發(fā)明主要應(yīng)用于地理國情監(jiān)測，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，污損程度分析和數(shù)字化入庫管理提供了手段，為建立人行橫道線數(shù)據(jù)庫，開展地理國情監(jiān)測，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、檢測階段無需人工干預(yù)、自動化程度高、檢測正確率高的優(yōu)點(diǎn)。本發(fā)明受到多項基金的支持，為重點(diǎn)科研項目：1.四川省地理國情監(jiān)測工程技術(shù)研究中心資助項目，項目批準(zhǔn)號GC201514;2.中央高?；究蒲袠I(yè)務(wù)費(fèi)專項資金資助項目，項目編號2014213020201。本發(fā)明具有重大實用價值。【專利附圖】【附圖說明】[0031]圖1為本發(fā)明實施例的總流程圖；[0032]圖2為本發(fā)明實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)明實施例的特征直方圖；[0034]圖4為本發(fā)明實施例的基于積分圖的像素特征計算方法示意圖；[0035]圖5為本發(fā)明實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)提出的一種自動檢測人行橫道并進(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)助保障人民生命財產(chǎn)安全的實用價值。本發(fā)明技術(shù)方案可采用軟件技術(shù)實現(xiàn)自動流程運(yùn)行。下面結(jié)合附圖和實施例對本發(fā)明技術(shù)方案進(jìn)一步詳細(xì)說明。[0037]參考圖1，本發(fā)明實施例包含人行橫道自動檢測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攝影測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]建議采用移動攝影測量車采集的帶有位置信息的序列街景影像，移動攝影測量車上一般帶有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)練用于檢測人行橫道線的分類器。[0041]實施例從采集的數(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)。為了保證對算法評估時的公正性，這組數(shù)據(jù)只用作訓(xùn)練用，不參加算法的評估。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%時結(jié)束訓(xùn)練。流程可設(shè)計為，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分類器，然后判斷正確率是否達(dá)標(biāo)，若否則返回樣本庫中抽取新的正負(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分類器對測試組影像進(jìn)行檢測。[0042]具體實施時，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。[0043]步驟3.利用步驟2訓(xùn)練出的分類器對測試組影像進(jìn)行人行橫道線的檢測識別。[0044]利用步驟2得到的分類器就可以達(dá)到對同一數(shù)據(jù)源獲取的所有數(shù)據(jù)上的人行橫道線自動檢測的目的了。具體實施時，可采用OpenCV的庫實現(xiàn)初步自動檢測，OpenCV函數(shù)能夠?qū)崿F(xiàn)利用載入的分類器，從影像中計算出目標(biāo)的位置。本步驟先將目標(biāo)影像和分類器同時輸入，基于OpenCV函數(shù)對影像進(jìn)行識別，并得到初始識別結(jié)果。初始結(jié)果是成百上千的矩形識別框，它們不能直接描繪出人行橫道線的完整區(qū)域。因為每一個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別結(jié)果，接下來利用矩形框的位置信息，對矩形框進(jìn)行聚類，同時將離散矩形剔除，保留剩下的識別結(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)個數(shù)下限這兩個閾值進(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)果的錯誤檢測，精化檢測成果，得到人行橫道線識別結(jié)果。[0046]由于實際場景千變?nèi)f化，所以有時還需要后期處理來剔除錯誤識別，后期處理的方法可在具體實施時根據(jù)情況選擇設(shè)定，一般可包括：利用近大遠(yuǎn)小的方法排除錯誤檢測；計算識別區(qū)域人行橫道白線的條數(shù)，根據(jù)閾值判斷該識別區(qū)域是否是人行橫道區(qū)域等，例如聚類后的某個類中矩形數(shù)目少于10,則判斷該類并非人行橫道線區(qū)域。本步驟得到從測試組影像中識別的大量人行橫道線檢測區(qū)域，可以作為人行橫道線檢測結(jié)果輸出。[0047]本發(fā)明設(shè)計了利用近大遠(yuǎn)小的方法排除錯誤檢測的方式，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，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)練得到的分類器對訓(xùn)練組影像進(jìn)行人行橫道線的檢測識別，并運(yùn)用步驟4的方法進(jìn)行后期處理，得到人行橫道線識別結(jié)果。與測試組類似，本步驟得到從訓(xùn)練組影像中識別的大量人行橫道線檢測區(qū)域。[0049]步驟6.根據(jù)步驟4所得各測試組影像的識別結(jié)果和步驟5所得各訓(xùn)練組影像的識別結(jié)果分別統(tǒng)計檢測結(jié)果：對任一張測試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對每一個識別結(jié)果矩形包含的像素進(jìn)行累加，設(shè)某個矩形中橫坐標(biāo)為a處的有A個像素，則橫坐標(biāo)為a處像素在該矩形被識別為人行橫道的數(shù)目為A，累計所有矩形的數(shù)目，統(tǒng)計出橫坐標(biāo)為a(ae(0，W)，W為影像寬度）處像素被識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，被兩個矩形識別出了，一個矩形高度是8,另一個矩形高度是10,那么說明X=900的這組像素,被識別為人行橫道的總數(shù)為8+10=18。[0050]步驟7.為每張測試組影像和訓(xùn)練組影像分別繪制直方圖：對任一張測試組影像或訓(xùn)練組影像，根據(jù)步驟6所得統(tǒng)計結(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別為人行橫道的次數(shù)。[0051]實施例根據(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別為人行橫道的次數(shù)。[0052]步驟8.從直方圖中提取特征。對任一張測試組影像或訓(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數(shù)之和（每一個橫坐標(biāo)被識別為人行橫道的總數(shù)之和，即直方圖的每一個縱列的值之和），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。具體實施時，本領(lǐng)域技術(shù)人員可自行設(shè)定需提取的特征類型。[0053]例如一個影像寬度為1600,計算出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個數(shù)中，300個的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是因為繪制直方圖的時候，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)行無損檢測的模型。[0056]步驟10.根據(jù)步驟8從各測試組影像的直方圖分別提取的特征，利用步驟9中訓(xùn)練好的模型對測試組的影像進(jìn)行人行橫道線污損程度分析，可對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，對同一數(shù)據(jù)源任意影像都可視為測試組影像，對其中的人行橫道區(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影像進(jìn)行識別，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別區(qū)域的位置和大小信息。再依照步驟6對這些信息進(jìn)行統(tǒng)計，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)，人工智能自動目標(biāo)識別原理和攝影測量、計算機(jī)視覺豐富的理論知識，結(jié)合跨學(xué)科科學(xué)技術(shù)，將模式識別、計算機(jī)視覺與攝影測量的理論運(yùn)用到人行橫道線自動檢測和污損程度分析方法中。[0059]為便于實施參考起見，本發(fā)明提供了實施例的進(jìn)一步具體實現(xiàn)說明如下：[0060]實施例步驟2涉及的訓(xùn)練分類器對測試組的輸入影像進(jìn)行人行橫道線檢測的算法原理如下：[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、長度和樣本灰度進(jìn)行計算。任意設(shè)定模板的樣式，位置，尺度和長度，均可采用特征值計算公式如下：[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]由于計算特征值的運(yùn)算量主要集中在計算區(qū)域像素值之和上，所以為了提高特征值計算效率，利用了PaulViolade的團(tuán)隊根據(jù)面積區(qū)域圖（Su_ed-areatables)提出的利用積分圖加速計算特征值的算法。樣本的積分圖的思想簡單可以描述為：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應(yīng)積分圖上的位置。為了計算原始樣本圖上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檢測分析方法，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)練出的分類器對測試組影像進(jìn)行人行橫道線的檢測識別；步驟4,通過后期處理排除步驟3所得結(jié)果的錯誤檢測，得到人行橫道線識別結(jié)果；步驟5,利用步驟2訓(xùn)練得到的分類器對訓(xùn)練組影像進(jìn)行人行橫道線的檢測識別，并通過后期處理排除所得結(jié)果的錯誤檢測，得到人行橫道線識別結(jié)果；步驟6,根據(jù)步驟4所得各測試組影像的識別結(jié)果和步驟5所得各訓(xùn)練組影像的識別結(jié)果分別統(tǒng)計檢測結(jié)果，包括對任一張測試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對每一個識別結(jié)果矩形包含的像素進(jìn)行累加，得到橫坐標(biāo)值相應(yīng)像素被識別為人行橫道的次數(shù)；步驟7,為每張測試組影像和訓(xùn)練組影像分別繪制直方圖，包括對任一張測試組影像或訓(xùn)練組影像，根據(jù)步驟6所得統(tǒng)計結(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別為人行橫道的次數(shù)；步驟8,從各測試組影像和訓(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)模型對測試組的影像進(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檢測分析方法，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識別時，對分類器輸出的識別結(jié)果矩形按照位置信息進(jìn)行聚類，剔除離散的識別結(jié)果矩形。3.根據(jù)權(quán)利要求1所述人行橫道線自動檢測分析方法，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算影像上人行橫道線長度的理論范圍，如果識別結(jié)果的長度超出該范圍，則認(rèn)為是錯誤識別進(jìn)行剔除。4.一種人行橫道線自動檢測分析系統(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)練用于檢測人行橫道線的分類器；測試初始識別模塊，用于利用分類器模塊訓(xùn)練出的分類器對測試組影像進(jìn)行人行橫道線的檢測識別；測試后期處理模塊，用于通過后期處理排除測試初始識別模塊所得結(jié)果的錯誤檢測，得到人行橫道線識別結(jié)果；訓(xùn)練識別模塊，用于利用分類器模塊訓(xùn)練得到的分類器對訓(xùn)練組影像進(jìn)行人行橫道線的檢測識別，并通過后期處理排除所得結(jié)果的錯誤檢測，得到人行橫道線識別結(jié)果；統(tǒng)計模塊，用于根據(jù)測試后期處理模塊所得各測試組影像的識別結(jié)果和訓(xùn)練識別模塊所得各訓(xùn)練組影像的識別結(jié)果分別統(tǒng)計檢測結(jié)果，包括對任一張測試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對每一個識別結(jié)果矩形包含的像素進(jìn)行累加，得到橫坐標(biāo)值相應(yīng)像素被識別為人行橫道的次數(shù)；直方圖生成模塊，用于為每張測試組影像和訓(xùn)練組影像分別繪制直方圖，包括對任一張測試組影像或訓(xùn)練組影像，根據(jù)統(tǒng)計模塊所得統(tǒng)計結(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別為人行橫道的次數(shù)；特征提取模塊，用于從各測試組影像和訓(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)模型對測試組的影像進(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】G06K9/62GK104331708SQ201410618083【公開日】2015年2月4日申請日期: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,譚凱申請人:武漢大學(xué)