[发明专利]基于图像信息统计的场景识别方法

说明书

本发明公开了一种基于图像信息统计的场景识别方法，属一种图像识别方法，包括如下步骤：步骤A、摄像机采集图像，并以RGB图像输入识别单元；步骤B、识别单元将当前RGB图像转换为灰度图像，并分别由灰度图像计算得到Hog特征、直方图Hist特征与LBP特征；步骤C、将HOG特征、直方图Hist特征与LBP特征分别归一化处理，计算得到最终的特征向量F；通过对当前的图像进行识别，经计算得出特征向量F，再由当前的特征向量F的不同值，分别对应不同的场景状态，从而识别出当前的场景，进而可根据不同的场景，调整适宜的摄像机图像参数与降噪参数，提升了摄像机镜头资源的利用率，更有利于提升拍摄图像的清晰程度。

技术领域

本发明涉及一种图像识别方法，更具体的说，本发明主要涉及一种基于图像信息统计的场景识别方法。

背景技术

摄像机作为图像传感器在机器视觉领域是必不可少的。而摄像头成像质量往往受到物理属性和成本的限制，比如在白天我们需要一个清晰而艳丽的画面，而到了晚上相比于艳丽的色彩我们更希望降低噪声的影响得到一个通透的画面而这二者往往需要不同的参数设定，单一而通用的设定要么成本太高要么效果不好，所以识别当前摄像机所处的场景信息显得尤为重要。因而有必要针对图像场景识别方法做进一步的研究和改进。

发明内容

本发明的目的之一在于针对上述不足，提供一种基于图像信息统计的场景识别方法，以期望解决现有技术中摄像机单一而通用的设定成本太高，亦或效果不好，无法通过当前摄像机所处的场景调整参数等技术问题。

为解决上述的技术问题，本发明采用以下技术方案：

本发明所提供的一种基于图像信息统计的场景识别方法，所述的方法包括如下步骤：

步骤A、摄像机采集图像，并以RGB图像输入识别单元；

步骤B、识别单元将当前RGB图像转换为灰度图像，并分别由灰度图像计算得到Hog特征、直方图Hist特征与LBP特征；

步骤C、将HOG特征、直方图Hist特征与LBP特征分别归一化处理，通过下式得到最终的特征向量F：

F= HogNrom+LBP+HistNorm

上式中，HogNrom= Hog/(CsizeÍCsize)，其中CsizeÍCsize为图像细胞单元Cell的尺寸；HistNorm=Hist/(WÍH)，其中W与H为图像的宽度和高度；

步骤D、特征向量F通过八种分类器得到Result1-8，其中，Result = Max（result[8]），且满足Result＞1的最终结果Result[i]；所述Result[i]为Result1-8中之一，且如Result[i]≥1，则赋值1，且如Result[i]＜1，则赋值为0。

作为优选，进一步的技术方案是：所述步骤D中通过SVM分类器将特征向量F分为Result1-8。

更进一步的技术方案是：所述Result1-8分别为黑天无路灯、黑天有路灯、阴天或黄昏、白天低亮、白天高亮、隧道、后方有大面积远光过曝、天际线上有强光的场景。

更进一步的技术方案是：所述Hog特征通过如下步骤得到：

通过下式计算每个像素的水平方向和竖直方向的梯度，以及计算每个像素位置的梯度大小和方向：

上式中，Gx(x,y) 和Gy(x,y) 分别表示当前像素点（x,y）处的水平方向和垂直方向梯度值；

通过下式计算像素点（x,y）处的梯度幅值和梯度方向；

统计细胞单元（Cell）的梯度方向直方图；