[发明专利]夜晚模式镜头付着物的检测方法、系统、终端和存储介质

权利要求书

1.夜晚模式镜头付着物的检测方法，其特征在于，包括以下步骤：

S01：图像分割：对输入图像进行疑似区域分割；

S02：特征提取：提取因附着物造成模糊的轮廓区域，并对轮廓内的一种或几种评价指标进行统计计算，综合指标结果判定区域是否为附着物；

S03：预警判断：对判定区进行累计标记，累计次数超过报警阈值的处理结果进行预警触发。

2.根据权利要求1所述的夜晚模式镜头付着物的检测方法，其特征在于，在夜晚模式下步骤S01图像分割流程为：

连续获取多帧捕获图像，寻找背景具有光源的一帧或多帧图像，将图像转换为灰度图，计算该灰度图的灰度直方图，获得包含像素点灰度值大小、灰度级分布、出现频率的统计数组；给灰度直方图中像素点分级，计算不同灰度等级与其他灰度值的空间距离，并计算灰度级之间的距离值以及概率系数乘积的总和；从而得到不同灰值的显著性图，将附着可疑区域分离出。

3.根据权利要求1所述的夜晚模式镜头付着物的检测方法，其特征在于，当背景有光源出现呈现为对光源的折射呈现亮斑，将彩色图像转换为灰度图，以图像亮度值为主要区分依据并减少计算量；计算统计灰度图像灰度直方图，灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计；灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率：

P(k)＝nk/N

其中N为像素总数，nk为灰度级k的像素个数；

在灰度直方图的基础上，计算不同灰度等级与其他灰度值的灰度空间距离；

D(k,i)＝|k-i|

其中D(k,i)表示灰度级k到灰度级i的灰度空间距离；

那么灰度级k的显著性值计算方法为，灰度k到其他灰度级的灰度距离值与其他灰度值的概率系数乘积的总和：

S(k)表示灰度级为k的像素显著性值，P(i)为灰度级i的概率值，D(k,i)为灰度级k到灰度级i的灰度空间距离值；

从而得到不同灰值的显著性图，将附着可疑区域分离出。

4.根据权利要求1所述的夜晚模式镜头付着物的检测方法，其特征在于，所述步骤S01中，图像分割方式采用深度学习方式包括以下步骤：

预处理：将图像下采样到M*N尺寸，对图像数据存储格式进行转换为三通道BGR格式。

图像分割：将输入图像数据送入语义分割卷积神经网络，经过正向传播，输出每个像素点的分类，获得疑似附着物区域的像素点集合。

5.根据权利要求4所述的夜晚模式镜头付着物的检测方法，其特征在于，所述采用深度学习方式获取图像分割结果时，使用的网络模型为语义分割的卷积神经网络，其特征提取的主干网络可以采用resnet18，squeezenet1.1、mobilenent等网络；语义分割反卷积部分采用了PSPnet的框架，融合主干网络最后四层不同尺度的特征图，最终输出与原图大小一致的分割结果图。

6.根据权利要求1所述的夜晚模式镜头付着物的检测方法，其特征在于，所述步骤S02特征提取中，对轮廓内的多种清晰度评价指标进行统计计算的具体表述为：

利用图像统计特征、形状纹理特征、清晰度评价特征中的一种或几种，对划分出的轮廓进行统计计算，得到不同种类的评价指标数值。

利用图像统计特征、形状纹理特征、清晰度评价特征中的一种或几种，对划分出的轮廓进行统计计算，得到不同种类的评价指标数值。

图像统计特征：灰度(Gray)、梯度(Grads)、二次梯度(Laplas)、数学统计、均值方差、最大值、最小值(mean/variance/max/min)

形状纹理特征：圆度和面积(Round/Area)、小波变换算子(Wavelet_f)、

清晰度评价特征：均值(Variance)、EVA、Hist、二次梯度(Laplas)

Value＝F(area,vector)。