[发明专利]一种基于去雾AI图像分析系统和快速响应门禁控制方法

摘要

本发明提供了一种基于去雾AI图像分析系统以及快速响应门禁控制方法。本发明通过人工智能(AI)学习技术实现对当前图像的场景模式判断，采取与场景模式适配的图像局域划分策略，降低局域内的场景深度差异，通过与图像场景最优适配的局域划分策略使得假定局域的场景透射率均衡所带来的误差最小化，显著降低了去雾图像的块状效应，同时无需软抠图和引导滤波等精细调整算法，节约了门禁系统的运算资源，加快了门禁响应速度。同时本发明还可以基于场景模式判定当前图像是否存在去雾算法失效的情况，并且相应地引用相同场景模式下的无雾图像中提取的参数执行去雾算法中相关参数的修正，从而提升了门禁系统的鲁棒性。

主权项

1.一种基于去雾AI图像分析的系统，其特征在于，包括：图像场景特征提取模块，用于获取通过门禁摄像设备采集的当前图像，并且对所述当前图像执行增强处理，然后提取表示当前图像场景特征的图像边缘像素比率、封闭边缘像素比率、图像灰度一致性、图像像素纹理分布，将这些表示场景特征的值聚合为一个集合，作为有雾图像的场景特征集矢量；其中，图像场景特征提取模块按照如下方式计算图像边缘像素比率：利用canny边缘检测算子来计算图像中属于边缘的像素个数，然后与总像素做比值求出边缘像素比率，作为描述图像场景深度的复杂程度的一个维度，边缘像素比率为：其中，E、R分别为图像宽和高方向上的像素数，W为边缘的像素个数；其中，图像场景特征提取模块按照如下方式计算封闭边缘像素比率：对于利用canny边缘检测算子计算的边缘像素(x,y)，提取以该边缘像素(x,y)为中心的3ⅹ3像素块中包含的每个相邻像素(x_b,y_b),进而，计算边缘像素(x,y)的灰度值I(x,y)在x方向的灰度梯度和在y方向的灰度梯度利用梯度计算像素梯度幅度函数值和像素梯度角度函数值计算相邻像素(x_b,y_b)的灰度值I(x_b,y_b)在x方向的灰度梯度和在y方向的灰度梯度计算相邻像素(x_b,y_b)的像素梯度幅度函数值和像素梯度角度函数值判断|AF(x,y)‑AF(x_b,y_b)|≤AF_T和|DF(x,y)‑F(x_b,y_b)|≤DF_T是否成立，若二者均成立则将该相邻像素(x_b,y_b)也加入边缘像素；其中AF_T和DF_T为预设的像素梯度角度阈值和像素梯度幅度阈值；遍历全部识别出的图像边缘像素及其相邻像素，以进行上述将相邻像素加入边缘像素的处理；然后，设置一封闭验证游标；选取任意边缘像素，将封闭验证游标放置在该边缘像素上，判断以该边缘像素为中心的3ⅹ3像素块当中是否存在其它边缘像素，如果存在则将封闭验证游标移动至所述其它边缘像素；迭代执行上述判断，如果通过遍历图像边缘的边缘像素，该游标能够回归其起点，则认定当前的边缘为封闭边缘；在识别了全部封闭边缘之后，计算图像中属于封闭边缘的像素个数，然后与总像素做比值求出边缘像素比率；其中，图像场景特征提取模块按照如下方式计算图像灰度一致性：其中，f(i，j)是图像中(i，j)像素的处像素的灰度值，是图像中以(i，j)像素为中心的3*3邻域像素的灰度均值；E、R分别为图像宽和高方向上的像素数；图像场景特征提取模块按照如下方式计算图像像素纹理分布：将图像分解为N×N个子区域，N的取值范围为5‑10；针对其中每一个子区域，为该子区域内的每一个像素提取以该像素为中心像素、包括该像素左上、上、右上、右、右下、下、左下、左侧相邻像素的3×3像素块；该中心像素的纹理特征值T_c为：其中i_c表示中心像素的像素灰度值，i_p表示相邻像素的像素灰度值，按照左上、上、右上、右、右下、下、左下、左的顺序，p的取值依次由1至8；且在3×3像素块内，以中心像素的灰度值为阈值，将相邻的8个像素的灰度值与其进行比较，若相邻像素灰度值大于等于中心像素灰度值，则该相邻像素被标记为1，否则该相邻像素标记为0；这样，3×3像素块内的8个相邻像素经比较可产生8个数值为0或者1的标记，按照左上、上、右上、右、右下、下、左下、左的顺序将相邻像素对应的标记排列为一个8位的二进制数，该8位二进制数转化为十进制即为T_c，作为中心像素的纹理特征值，并用这个值来反映该像素块的纹理信息；对于N×N个子区域中的每一个子区域，获得其中每一个像素的纹理特征值，进而进行图像的像素纹理特征值的直方图统计，获得每个子区域的直方图数据；将全部子区域的直方图数据组合在一起，形成所述像素纹理分布特征；场景模式分类模块，用于将表示当前图像场景特征的特征集矢量输入场景模式分类向量机，根据场景模式分类向量机的输出结果，确定该当前图像是否属于在暗通道去雾处理中需要对暗通道值和/或大气光值进行特殊估计的场景模式；参数特殊估计模块，根据所述场景模式分类模块的判断结果，确定当前图像属于需要对暗通道值和/或大气光值进行特殊估计的有雾图像的情况下，根据预存储的相同场景模式下无雾图像，特殊估计暗通道值和/或大气光值；基于人工神经网络的局域划分策略决定模块，用于预先建立一个标准局域划分模板，并且通过对其中每个标准局域均匀划分为一个或者多个等大的精细局域，生成局域划分调整策略；选取一定数量的有雾图像作为样本，针对每一张有雾图像样本，通过所述图像场景特征提取模块提取场景特征集矢量，作为样本特征集矢量；并且针对每一张有雾图像样本在标准局域划分模板的基础上进行精细局域划分，获得样本局域划分调整策略；将全部有雾图像样本的样本特征集矢量和样本局域划分调整策略，代入卷积神经网络模型，执行对该模型基于场景特征输出局域划分调整策略的训练；将当前有雾图像的场景特征集矢量输入训练后的卷积神经网络模型，使该卷积神经网络模型输出适应当前有雾图像的局域划分调整策略；将表示有雾当前图像场景特征的特征集矢量输入以有雾图像样本数据进行训练之后的人工智能神经网络，根据神经网络的输出确定局域划分调整策略；去雾处理模块，根据所述局域划分调整策略对所述有雾当前图像划分局域，并且针对所划分的局域计算该局域的透射率值；进而根据所述局域的透射率值以及大气光值，从所述有雾当前图像计算去雾图像；其中，如果当前有雾图像不属于需要特殊估计的图像，则基于无雾图像暗通道为0的先验规则以及通过提取图像中的最大亮度像素值作为大气光值的设定，针对按照局域划分调整策略所划分的每个局域，如下计算每个局域的透射率进而将求得的A和每个局域的场景透射率t(Δ)代入上述模型：其中，局域Δ内的t(x,y)取值为场景透射率t(Δ)，从而可以求得去雾图像J(x,y)；反之，如果去雾处理模块根据场景模式分类模块的判定结果，确定当前有雾图像属于需要特殊估计暗通道值和/或大气光值的图像，则按照参数特殊估计模块为当前图像选定的参考无雾图像对应的参考暗通道值以及参考大气光值，代入如下公式：从而针对按照局域划分调整策略所划分的每个局域，计算每个局域的透射率；进而将特殊估计的A值和每个局域的场景透射率t(Δ)代入上述模型：其中，局域Δ内的t(x,y)取值为场景透射率t(Δ)，从而可以求得去雾图像J(x,y)；图像分析模块，用于针对所述去雾图像执行识别人物身份相关的图像分析，并根据图像分析结果控制门禁设备的响应。