智能化交通视频目标车辆提取的数学模型分析

常天兴

(晋中职业技术学院 机电工程学院，山西 晋中 030600)

随着智慧化交通视频监测技术的发展，需要构建优化的智能化交通视频目标车辆提取模型，根据对智能化交通视频特征分布式融合和图像处理结果，提取智能化交通视频目标车辆，提高车辆的实时监控和识别能力.研究智能化交通视频目标车辆提取技术，在促进道路交通的智慧化信息管理方面具有重要意义，相关的智能化交通视频目标车辆提取技术研究在交通信息化管理中发挥重要作用，故研究智能化交通视频目标车辆提取技术受到人们的极大关注[1].

对智能化交通视频目标车辆提取技术设计是建立在对智能化交通视频目标车辆图像的特征信息融合和模糊度识别基础上，构建智能化交通视频目标车辆提取的线性参数识别模型，通过模糊图像辨识和边缘特征检测，进行智能化交通视频目标车辆图像分割，实现智能化交通视频目标车辆提取[2].当前，对智能化交通视频目标车辆提取技术主要有基于相似度特征分析的智能化交通视频目标车辆提取方法、基于模糊特征检测和线性分割的智能化交通视频目标车辆提取方法、基于统计特征信息处理的智能化交通视频目标车辆提取方法等，构建智能化交通视频目标车辆提取的多维特征参数识别模型，结合联合特征参数识别，实现对智能化交通视频目标车辆提取[3-5]，但传统方法进行智能化交通视频目标车辆提取的精度不高，时间开销较大.针对上述问题，提出基于边缘轮廓特征检测的智能化交通视频目标车辆提取数学模型构建方法.首先采用多维视频传感器实现智能化交通视频目标车辆图像采集，对采集的智能化交通视频目标车辆图像进行边缘轮廓特征检测和信息识别，提取智能化交通视频目标车辆图像的模糊度特征量，然后采用线性相关特征分析和图像视觉特征融合技术实现对智能化交通视频目标车辆图像的特征检测和特征提取，建立智能化交通视频目标车辆图像的检测识别和视觉融合模型，根据对智能化交通视频目标车辆图像的融合结果，采用边缘轮廓特征检测方法，实现智能化交通视频目标车辆图像特征提取.最后进行仿真测试分析，展示所提方法在提高智能化交通视频目标车辆提取能力方面的优越性能.

1 智能化交通视频目标车辆图像采集和特征分析

1.1 智能化交通视频目标车辆图像采集

为了实现智能化交通视频目标车辆图像采集，采用多维视频传感器拍摄智能化交通视频目标车辆图像，并构建智能化交通视频目标车辆图像像素密度函数，表示为

(1)

式(1)中，随机样本s的色彩深度值为p(s)，a为像素点数目，基于细节融合方法，采用模糊粗糙集理论，进行智能化交通视频目标车辆图像分割和样本空间融合处理

(2)

式(2)中，A为车辆像素分辨率，K为纹理值.通过迭代与低层特征合并的方法，得到视频目标车辆图像层次化调度模型为

(3)

式(3)中，B为尺度因子，Ds为空间细节度，采用细化处理和模糊聚类方法[6]，得到智能化交通视频目标车辆图像的参量为

W=[gx1(x1,y1)+gx2(x2,y2)](x2-x2),

(4)

式(4)中，(xi,yi)为车辆图像像素点，gx1,gx2分别为车辆图像像素多维尺度小波分解率，设每个层级的特征图中，D为阙值，得到级联融合下的智能化交通视频目标车辆的自适应加权融合估计为

(5)

式(5)中，R为目标车辆图像的每层特征图权重，X为每层图像的最小化误差，δ为车辆运行轨道参数均方差.构建智能化交通视频目标车辆图像的多维参数采集模型为

(6)

从中间层特征复用智能化交通视频目标车辆图像信息，得到灰度像素集为M×N，采用图像语义分割方法，得到智能化交通视频目标车辆图像采集为

α=Rsinηcosφ0≤φ≤2π,

(7)

其中，η表示智能化交通视频目标车辆图像输出粗糙集，φ表示稀疏特征分量，R表示智能化交通视频目标车辆图像的模板匹配系数.由此，智能化交通视频目标车辆图像信息采集结束，再对其进行特征分析.

1.2 智能化交通视频目标车辆图像特征分析

为了实现目标车辆图像特征分析，对已采集的智能化交通视频目标车辆图像进行边缘轮廓特征检测和信息识别，通过联合相似度特征分解方法[7]，提取智能化交通视频目标车辆图像的边缘轮廓灰度序列，得到智能化交通视频目标车辆的灰度序列为

(8)

式(8)中，i为车辆图像灰度值，i′为车辆图像亮度值，S为信息深层特征灰度集，N为信息的亮度特征集，N表示智能化交通视频目标车辆图像的灰度差值.智能化交通视频目标车辆检测的模糊度辨识参数为

(9)

其中，a为智能化交通视频目标车辆图像检测的阴影阙值；b为智能化交通视频目标车辆图像的透射率.

使用亮度特征来对智能化交通视频目标车辆图像进行深度学习，得到智能化交通视频目标车辆检测的图像信息分布满足

(10)

其中，δ为智能化交通视频目标车辆图像的亮度区域分布概率，δ为智能化交通视频目标车辆图像反射率.

结合多维参数识别方法，构建智能化交通视频目标车辆检测模型，得到检测识别模型为

(11)

式(11)中，j为中心环绕值.

根据上述分析，对所采集的智能化交通视频目标车辆图像完成了边缘轮廓特征检测和信息识别分析，为智能化交通视频目标车辆图像的模糊度特征的检测和提取提供了基础.

2 智能化交通视频目标车辆提取优化

2.1 智能化交通视频目标特征检测

为了实现智能化交通视频目标特征检测，根据智能化特征分布式融合方法[8]，完成了智能化交通视频目标车辆图像参数识别，得到级联融合下，智能化交通视频目标车辆图像的模板匹配度为

(12)

式(12)中，r为车辆图像分层滤波，N为智能化交通视频目标车辆图像检测的接权值，e为车辆颜色模型的编码权重，利用线性回归分析方法，得到平移映射参数分布

(13)

式(13)中，k为异步辨识度，并且k≠l.

根据尺度缩放映射分布，采用统计分析和直方图交集融合方法[9]，得到交通视频目标车辆图像解析度为

(14)

式(14)中，u为目标车辆稳态率，F为目标车辆图像彩色采样点.

采用双线性插值方法[10]，得到智能化交通视频目标车辆图像的样本图模型为

(15)

式(15)中，∂为车辆图像的颜色数组索引值.对式(15)进行归一化处理，构建智能化交通视频目标特征检测模型，用Lx,y来表示(x,y)位置处像素点处联合特征参数，得到智能化交通视频目标车辆图像的边缘特征检测输出为

Vx,y=med(Lx-1,y-1,…,Lx,y,…,Lx+1,y+1).

(16)

根据上述分析，实现了智能化交通视频目标特征检测，以便对智能化交通视频目标车辆特征进行提取优化.

2.2 智能化交通视频目标特征提取优化

为了对检测到的智能化交通视频目标特征进行优化提取，基于属性参数融合和超维像素特征分析方法[11]，进行智能化交通视频目标车辆特征提取过程中的灰度直方图重构，得到智能化交通视频图像特征的线性方程描述为

Γ=Ix1(x1,x2)(x1-x1)+Ix2(x1,x2)(x2-x2).

(17)

若交通视频目标车辆图像的统计特征量满足C(x)=0，则

Q=2π[Γ·ln(x2-x1)]·U,

(18)

其中，U为车辆图像像素特征融合度，采用特征复用的方式[12]，建立智能化交通视频目标车辆图像的超分辨率重建模型，超分辨重组结果

(19)

其中μ为智能化交通视频目标车辆图像的超分辨率，η为智能化交通视频目标车辆图像小波软阈值，智能化交通视频目标车辆图像采集时间间隔为n.对智能化交通视频目标车辆图像的信息融合和滤波降噪[13]，得到智能化交通视频目标车辆图像特征提取的输出参数为

ψ=(c1-a)(δ·pl-2J-δ+c2+c1).

(20)

综上分析，完成了智能化交通视频目标车辆图像提取模型优化.实现了智能化交通视频目标车辆检测的数学模型优化设计.

3 仿真测试与结果分析

为了验证所提方法在实现智能化交通视频目标车辆检测和特征提取中的应用性能，采用Matlab进行仿真测试分析，构建智能化交通视频目标车辆图像检测模型，检测的传感器节点为200，图像信息采集的Sink节点为12，交通视频跟踪识别的采样频率为24 KHz，图像的模板匹配系数为0.25，根据上述参数设定，得到智能化交通视频目标车辆图像采集结果如图1所示.

图1 智能化交通视频目标车辆图像采集结果图2 智能化交通视频目标车辆图像标定

以图1采集的智能化交通视频目标车辆图像为测试对象，进行智能化交通视频目标车辆图像标定，如图2所示.

分析图2得知，所提方法能有效实现对智能化交通视频目标车辆图像标定，在此基础上，实现对智能化交通视频目标车辆提取.

3.1 智能化交通视频目标车辆图像的辨识度测试

智能化交通视频目标车辆特征提取如图3所示.

图3 文献[3]方法车辆特征提取结果图4 文献[5]方法车辆特征提取结果

图5 所提方法车辆特征提取结果

分析图3-图5得知，所提方法在提取智能化交通视频目标车辆特征时，对车辆图像的辨识度更高.

3.2 智能化交通视频目标车辆图像的精度测试

针对不同方法进行智能化交通视频目标车辆检测定位的精度测试，结果见图6.

分析图6可知，所提方法所检测的车辆定位误差率维持在10%以下，与文献[3]、文献[4]方法相比，误差较低，由此可知所提方法精度较高.

3.3 智能化交通视频目标车辆图像的效率测试

针对不同方法进行智能化交通视频目标车辆检测定位的效率测试，结果见图7.

分析图7可知，所提方法在固定时间段内检测数量可达到200个.在任意时间节点上，所提方法与文献[3]以及文献[5]相比，车辆检测的数量更多.由此可知所提方法进行车辆检测时效率更高.

4 结语

构建智能化交通视频目标车辆提取的线性参数识别模型，所提出的基于边缘轮廓特征检测的智能化交通视频目标车辆提取数学模型构建方法.采用模糊粗糙集理论，进行智能化交通视频目标车辆图像分割和样本空间融合处理，提取智能化交通视频目标车辆图像的模糊度特征量，根据智能化特征分布式融合方法，构建智能化交通视频目标车辆图像参数识别模型，实现智能化交通视频目标车辆检测的数学模型优化设计.研究得知，所提方法进行智能化交通视频目标车辆提取的辨识性能较好，检测精度和效率较高.