1.一种雾霾场景中交通标识牌的识别方法,其特征在于,所述方法包括下述步骤:根据雾霾天气中的光线反射模型和去雾霾模型构建去雾霾图像模型,并依据所述去雾霾图像模型对拍摄到的雾霾图像进行去雾霾处理;
结合所述去雾霾图像模型构建结合多层注意力检测机理模型的层叠检测系统,对去雾霾后的图像进行交通标识牌初步检测,获取交通标识牌的分类特征信息;
利用构建的神经网络分类器对所述交通标识牌的分类特征信息进行标识牌检测识别。
2.根据全露要求1所述的雾霾场景中交通标识牌的识别方法,其特征在于,所述根据雾霾天气中的光线反射模型和去雾霾模型,对拍摄到的雾霾图像进行去雾霾处理的步骤具体包括下述步骤:根据雾霾天气中的光线反射模型和去雾霾模型,对大气中固体颗粒的折射以及光线穿透程度进行分析和建模,计算得到大气成分参数;
采用暗原色模型的分析方法,对标识牌的颜色变化进行颜色分析,获取大气透射率的估计值;
根据计算得到的大气成分参数和大气透射率估计值,得到去雾霾后的图像。
3.根据权利要求2所述的雾霾场景中交通标识牌的识别方法,其特征在于,所述结合所述去雾霾图像模型构建结合多层注意力检测机理模型的层叠检测系统,对去雾霾后的图像进行交通标识牌初步检测,获取交通标识牌的分类特征信息的步骤具体包括下述步骤:对去雾霾后的图像进行解析,获取去雾霾图像的概念特征集合,所述概念特征集合包括形状特征、颜色特征、梯度特征以及位置特征;
对去雾霾图像的概念特征集合进行有效特征的选择,获取交通标识牌的分类特征信息。
4.根据权利要求3所述的雾霾场景中交通标识牌的识别方法,其特征在于,所述利用构建的神经网络分类器对所述交通标识牌的分类特征信息进行标识牌检测识别的步骤之前还包括下述步骤:对样本图像进行训练,生成神经网络分类器;
所述对样本图像进行训练,生成神经网络分类器的步骤具体包括下述步骤:获取交通标识牌样本图像和非交通标识牌样本图像,建立训练样本图库;
使用Haar小波特征、MB-LBP特征和SURF特征对所述训练样本图库中的图像进行特征选择;
将选择到的特征输入到三层感知器神经网络进行交通标识牌的综合训练,获得所述神经网络分类器;
所述神经网络分类器输入的是选择的特征,输出的是交通标识牌的分类结果信息。
5.根据权利要求4所述的雾霾场景中交通标识牌的识别方法,其特征在于,所述对样本图像进行训练,生成神经网络分类器的步骤之前还包括下述步骤:对视频序列中跟踪到的交通标识牌进行纵向处理;
所述对视频序列中跟踪到的交通标识牌进行纵向处理的步骤具体包括下述步骤:建立交通标识牌的训练图像集,基于PCA核函数建立图像投影空间;
建立MAP估计数学模型;
根据所述图像投影空间和MAP估计数学模型,生成基于核函数PCA的MAP重建数学模型;
在视频序列中选择其中一幅初始图像进行空间投影,作为初始的先验图像信息;
基于初始的先验图像信息对连续视频帧中的图像进行纵向模糊处理,获取高分辨率的图像。
6.一种雾霾场景中交通标识牌的识别系统,其特征在于,所述系统包括:去雾霾处理模块,用于根据雾霾天气中的光线反射模型和去雾霾模型构建去雾霾图像模型,并依据所述去雾霾图像模型对拍摄到的雾霾图像进行去雾霾处理;
交通标识牌分类特征获取模块,用于结合所述去雾霾图像模型构建结合多层注意力检测机理模型的层叠检测系统,对去雾霾后的图像进行交通标识牌初步检测,获取交通标识牌的分类特征信息;
标识牌识别模块,用于利用构建的神经网络分类器对所述交通标识牌的分类特征信息进行标识牌检测识别。
7.根据全露要求6所述的雾霾场景中交通标识牌的识别系统,其特征在于,所述去雾霾处理模块具体包括:大气成分计算模块,用于根据雾霾天气中的光线反射模型和去雾霾模型,对大气中固体颗粒的折射以及光线穿透程度进行分析和建模,计算得到大气成分参数;
透射率估计模块,用于采用暗原色模型的分析方法,对标识牌的颜色变化进行颜色分析,获取大气透射率的估计值;
去雾图像计算模块,用于根据计算得到的大气成分参数和大气透射率估计值,得到去雾霾后的图像。
8.根据权利要求7所述的雾霾场景中交通标识牌的识别系统,其特征在于,所述交通标识牌分类特征获取模块具体包括:特征集合获取模块,用于对去雾霾后的图像进行解析,获取去雾霾图像的概念特征集合,所述概念特征集合包括形状特征、颜色特征、梯度特征以及位置特征;
标识牌分类特征获取模块,用于对去雾霾图像的概念特征集合进行有效特征的选择,获取交通标识牌的分类特征信息。
9.根据权利要求8所述的雾霾场景中交通标识牌的识别系统,其特征在于,所述系统还包括:神经网络分类器生成模块,用于对样本图像进行训练,生成神经网络分类器;
所述神经网络分类器生成模块具体包括:
训练样本图库建立模块,用于获取交通标识牌样本图像和非交通标识牌样本图像,建立训练样本图库;
特征选择模块,用于使用Haar小波特征、MB-LBP特征和SURF特征对所述训练样本图库中的图像进行特征选择;
综合训练模块,用于将选择到的特征输入到三层感知器神经网络进行交通标识牌的综合训练,获得所述神经网络分类器;
所述神经网络分类器输入的是选择的特征,输出的是交通标识牌的分类结果信息。
10.根据权利要求9所述的雾霾场景中交通标识牌的识别系统,其特征在于,所述系统还包括:纵向处理模块,用于对视频序列中跟踪到的交通标识牌进行纵向处理;
所述纵向处理模块具体包括:
图像投影空间建立模块,用于建立交通标识牌的训练图像集,基于PCA核函数建立图像投影空间;
MAP模型建立模块,用于建立MAP估计数学模型;
重建数学模型生成模块,用于根据所述图像投影空间和MAP估计数学模型,生成基于核函数PCA的MAP重建数学模型;
先验图像信息生成模块,用于在视频序列中选择其中一幅初始图像进行空间投影,作为初始的先验图像信息;
高分辨率图像获取模块,用于基于初始的先验图像信息对连续视频帧中的图像进行纵向模糊处理,获取高分辨率的图像。