[发明专利]一种雨天环境下基于图像特征的监控环境识别方法

权利要求书

1.一种雨天环境下基于图像特征的监控环境识别方法，包括白天雨天环境识别算法和夜间有路灯反光的雨天环境识别算法，其特征在于，白天雨天识别算法分为以下几个步骤：

步骤一：分别在左侧与右侧车道标记雨天检测区域，分别对两个检测区域中的亮度、像素梯度进行统计，得到三个参数分别是右侧像素点梯度分布方差Variance_R，左侧像素点梯度分布方差Variance_L，以及检测区域亮度Luminance，本算法中综合考虑计算速度和计算效果，以及各向同性的原则，像素点梯度值采用8邻域均值的方法作为该像素点的梯度值，如下式所示，

式中x_i为各像素点的像素值；

步骤二：根据步骤一得到的右侧像素点梯度分布方差、左侧像素点梯度分布方差以及检测区域亮度，计算得到协方差矩阵范数|∑|；同时初始化天气阀值T后，对天气阀值T进行更新，当计算得到的协方差矩阵范数|∑|＜T，判断为白天晴天；当|∑|＞T，判断为白天雨天；

所述夜间有路灯反光的雨天环境识别算法分为以下几个步骤：

步骤一：夜间雨天环境中最为突出的是灯光的反光，利用这一特征进行夜间雨天的识别，路面反射看到的灯光大多偏亮黄色或者趋近于白色，也就是说这些像素点的RGB像素值接近于(255，255，255)，根据这些特征，本算法中将某一像素点是否是高亮点的定义如下：

其中P(x，y)＝1表示该像素点是高亮点，0表示非高亮点，

步骤二：假设有一组观测值{x_n}，n＝1，…，N，x_n是欧式空间中的一个D维向量：

x_n＝(x_n1，...，x_nD)^Tx_n∈R^D

在{μ_i}i＝1，…，D坐标系下，将x_n转换到{μ_i}坐标系下，得到

x_n＝(α_n1，...，α_nD)^T

取D维坐标中的M个坐标基向量，用这M个基向量方向的系数来近似表示x_n，得到

式中z_ni＝x_n^Tu_i＝α_ni，n＝1，...，N；i＝1，...，M；

计算近似值与实际值的差异：

由于前M项与原向量是一致的，因此计算差值时，前M项都为0，用基向量的形式来表示差值，则得到如下表达式：

由于{u_i}坐标系下的基向量都是单位正交向量，且具有完备性，因此将两个向量的差异表示为如下

通过矩阵的运算将上式简化成

按照方差的公式：

求得d_n(n＝1，...，N)的方差，下面分别计算以及[E(d_n)]²，

将d_n对数据集中所有N组数据进行求均值，得到：

整理后得到简化表达式：

式中，表示N组数据{x_n}的协方差矩阵，

利用基向量集{u_i}的单位正交特性

式中δ_ij为克罗内克符号，

简化[E(d_n)]²的表达式：

再求(d_n)²：

式中为一标量，只与x_n有关，则(d_n)²的表达式化简为：

令则有

利用拉格朗日乘数法：

分别对u_i(i＝M+1，...，D)求偏导，求得导数零点，得到

令矩阵H＝(B-SS)，将上式化简为：

Hu_i＝λ_iu_i

该式表示λ_i为矩阵H对应于特征向量u_i的特征值，

由矩阵B和矩阵S的表达式可以看出，B和S²都是对称矩阵，因而矩阵H也是D×D的对称矩阵，且矩阵只与当前数据集{x_n}相关，对于一个确定的数据集，按照H的表达式求出H的所有特征向量和特征值，然后按照特征值大小进行排序，选择与前M个最大的特征值对应的特征向量作为主成分子空间对数据集进行投影；

利用以上算法对系统采集的数据进行处理，得到新的正交基向量{u₁，u₂}，其中u₁所对应的特征值较大，因此u₁为主成分方向，然后对所有数据进行转换，将数据集转换到以{u₁，u₂}为坐标轴的空间中进行分析，所有的数据点都会退化为在同一条直线上的点，且比较理想地向两个区域聚集，这条直线的方向就是基向量u₂的方向，在这种情况下再利用K-Means算法对其进行聚类分析，就能够确定当前环境是否属于雨天夜间环境。