本發(fā)明屬于圖像處理和目標檢測技術領域，具體涉及一種交通視頻圖像智能化分割方法。
背景技術：
近年來，目標檢測成為科研和商業(yè)領域的研究熱點，如小目標自動跟蹤、車輛跟蹤、行人跟蹤、人臉檢測、文字檢測、飛機檢測等領域。閾值分割技術是目標檢測系統(tǒng)中的一種重要技術，其基本原理是假設目標的灰度和背景灰度不一致，通過合適的閾值分割，將目標與背景分離，極大地降低了背景干擾，為后續(xù)的識別跟蹤提供了良好的圖像條件。此外，閾值分割技術還廣泛應用于遙感圖像處理、目標識別、文字圖像處理、醫(yī)學圖像處理、場景分析等許多領域。
1998年以來，人工神經(jīng)網(wǎng)絡識別技術已經(jīng)引起了廣泛的關注，并且應用于圖像分割?；谏窠?jīng)網(wǎng)絡的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數(shù)，然后用決策函數(shù)對像素進行分類來達到分割的目的。這種方法需要大量的訓練數(shù)據(jù)。神經(jīng)網(wǎng)絡存在巨量的連接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題。選擇何種網(wǎng)絡結(jié)構是這種方法要解決的主要問題。
對圖像分割智能化算法的研究已有幾十年的歷史，借助各種理論至今已提出了上千種各種類型的分割算法。盡管人們在圖像智能化分割方面做了許多研究工作。但由于尚無通用分割理論，因此現(xiàn)已提出的智能化分割算法大都是針對具體問題的，并沒有一種適合于所有圖像的通用的智能化分割算法。
技術實現(xiàn)要素：
本發(fā)明提出了一種交通視頻圖像智能化分割方法，為實現(xiàn)上述目的，本發(fā)明技術方案為：
1)根據(jù)芯片采集得到的灰度圖像，對其進行灰度初始化，計算得到圖像的像素點為N1，灰度值的范圍是{0,1，…，L-1}，設定圖像的閾值為x，接下來利用改進的遺傳算法對圖像的閾值進行最有設計。
2)根據(jù)閾值圖像分割理論，圖像分割閾值的一個判斷標準是其熵值的大小，當熵值取最大值時，圖像的分割效果最好，圖像中的背景和目標內(nèi)部灰度一致性較高，而鄰間則較差。
3)根據(jù)熵值構造閾值圖分割代價函數(shù)。
4)構建基于改進遺傳算法的閾值圖像分割算法，首先，用反映復雜系統(tǒng)能量分布的冪次法則改造選擇算子；其次，設計具有自學習特性的環(huán)境-基因雙演化交叉算子；再次，采用反饋機理改進更新策略，提出一種自適應的更新策略算子；最后，提出基因漂流算子并用于進化算法中；以上各算子在進行進化計算過程中相互平衡、相互制約，以提高算法的效率及防止早熟；
5)初始化：設定基于改進遺傳算法的閾值圖像分割算法終止條件，設置算法運行參數(shù)；
6)算法終止條件判斷：當滿足終止條件就結(jié)束算法，執(zhí)行第8)步，否則，執(zhí)行第7)步；
7)采用基于改進遺傳算法的閾值圖像分割算法對交通信號圖進行分割，返回6)；
8)根據(jù)圖形分割結(jié)果，對車輛信息進行識別。
進一步的，第2)步構建灰度圖的方法是，根據(jù)芯片采集得到的圖片，對其進行細分以及灰度處理，并用N1表示分割圖片的像素點個數(shù)，而灰度值表示為{0,1，…，L-1}，得到分割圖像的灰度參數(shù)圖。
進一步的，所述第4)步中，用反映復雜系統(tǒng)能量分布的冪次法則改造選擇算子是對父代的選擇采用冪次法，而對母代的選擇則采用順序選擇，并與環(huán)境-基因雙演化交叉算子、自適應更新策略算子、基因漂流算子配合使用，防止算法出現(xiàn)早熟。
進一步的，更新規(guī)模變量pr采用反饋修改方式，當種群逐代進化時則較多的個體采用“優(yōu)勝劣汰”更新策略，促使群體迅速收斂；但種群陷于局部最優(yōu)解，進化趨勢不明顯時則采用“子代直接取代父代”的更新策略，為群體引入更多的基因模式。
進一步的，采用基因漂流算子發(fā)生基因漂流事件的概率為pf，其采用了反饋控制技術。
進一步的，所述第7)步中，采用基于復雜系統(tǒng)理論的進化計算算法對圖像進行分割是在圖分割代價函數(shù)的指導下，基于第5)步所述的初始化工作和第6)步所述的終止條件判斷，對第2)步構建灰度圖進行最優(yōu)化分割的過程，包括下述步驟：
(1)判斷是否需要進行基因漂流操作，若不需要，轉(zhuǎn)至執(zhí)行第(4)步；
(2)使用第4)步所述的基因漂流算子，選擇優(yōu)勢基因位修改所有個體的等基因位；
(3)按照第3)步構造的代價函數(shù)計算當前所有個體的代價函數(shù)值；
(4)使用第4)步所述的冪次法則改造選擇算子從群體中選擇用于交配的父代個體；
(5)判斷是否需要進行雜交操作，若不需要，轉(zhuǎn)至執(zhí)行第(7)步；
(6)使用第4)步所述的環(huán)境——基因交叉算子雜交父代個體以獲得子代個體；
(7)判斷是否需要進行變異操作，若不需要，轉(zhuǎn)至執(zhí)行第(9)步；
(8)變異子代個體；
(9)按照第3)步構造的代價函數(shù)計算子代個體的代價函數(shù)值；
(10)使用第4)步所述的自適應更新策略更新群體。
進一步的，利用第7)步所得的閾值對灰度圖進行分割，在第8)步中根據(jù)所分割到的圖像，提取出目標圖像，完成芯片的功能，之后對目標圖像進行信息識別，從而完成對采集信息的識別。
本發(fā)明的優(yōu)點在于：采用了改進的遺傳算法對閾值進行優(yōu)化計算，得到最佳閾值，從而根據(jù)最優(yōu)閾值進行閾值法圖像分割，完成目標圖像分割，有優(yōu)良的實用價值。
附圖說明
圖1為本發(fā)明的流程圖。
具體實施方式
下面結(jié)合附圖和具體實施例對本發(fā)明的技術方案作詳細說明：
1)構造閾值圖分割代價函數(shù)：用反映復雜系統(tǒng)能量分布的冪次法則改造選擇算子；其次，設計具有自學習特性的環(huán)境-基因雙演化交叉算子；再次，采用反饋機理改進更新策略，提出一種自適應的更新策略算子；最后，提出基因漂流算子并用于進化算法中；以上各算子在進行進化計算過程中相互平衡、相互制約，以提高算法的效率及防止早熟；
2)初始化：設定基于改進遺傳算法的閾值圖像分割算法終止條件，設置算法運行參數(shù)；
3)算法終止條件判斷：當滿足終止條件就結(jié)束算法，執(zhí)行第5)步，否則，執(zhí)行第4)步；
4)采用基于改進遺傳算法的閾值圖像分割算法對信號圖進行分割，返回3)；
5)根據(jù)圖形分割結(jié)果，對信息進行識別。
具體操作步驟如下所示：
(1)判斷是否需要進行基因漂流操作，若不需要，轉(zhuǎn)至執(zhí)行第(4)步；
(2)使用第4)步所述的基因漂流算子，選擇優(yōu)勢基因位修改所有個體的等基因位；
(3)按照第3)步構造的代價函數(shù)計算當前所有個體的代價函數(shù)值；
(4)使用第4)步所述的冪次法則改造選擇算子從群體中選擇用于交配的父代個體；
(5)判斷是否需要進行雜交操作，若不需要，轉(zhuǎn)至執(zhí)行第(7)步；
(6)使用第4)步所述的環(huán)境——基因交叉算子雜交父代個體以獲得子代個體；
(7)判斷是否需要進行變異操作，若不需要，轉(zhuǎn)至執(zhí)行第(9)步；
(8)變異子代個體；
(9)按照第3)步構造的代價函數(shù)計算子代個體的代價函數(shù)值；
(10)使用第4)步所述的自適應更新策略更新群體。
利用第4)步所得的閾值對灰度圖進行分割，在第5)步中根據(jù)所分割到的圖像，提取出目標圖像，完成芯片的功能，之后對目標圖像進行信息識別，從而完成對采集信息的識別。
如圖1所示的，通過系統(tǒng)初始化，對系統(tǒng)中的參數(shù)進行設定，如每秒采集圖象的幀數(shù)，圖象二值化的門限值(閾值)。視頻圖象按序列連續(xù)捕捉下來并數(shù)字化，存入內(nèi)存或幀緩存中將這些采集到的序列數(shù)字圖像進行預處理(濾波除噪,圖象銳化,對比度增強)對預處理后的圖像進行圖象分割，并對分割后的目標圖象進行特征提取。