论文部分内容阅读
本征图像分解是计算机视觉中的一个基础问题,给定一幅输入图像,需要分解出对应的反照率本征图和亮度本征图,早期的本征图分解算法Retinex算法模拟了人眼的光照不变性,获得了较好的分解结果,但是其忽略了人的双目的深度辨别能力。本文提出将深度图像信息与导数分类的Retinex相结合的本征图分解方法,解决了Stereo Retinex将深度信息与Retinex多层模型结合导致的在高层金字塔中丢失深度边界的问题,该方法结合深度信息对图像导数进行二分类,一类为反照率导数,一类为亮度导数,在导数分类完成后只需要通过积分的方式即可获得对应的反照率本征图和亮度本征图。实验结果表明该方法很好的提高了Retinex算法的精度。本文将Retinex算法与SIFT算法进行了结合,提出新的特征点提取和匹配的R-SIFT(Retinex SIFT)方法,SIFT等特征提取匹配算法在光照差异较大的两幅图中失效,但是本文实验结果表明R-SIFT在这些情况下仍然表现良好,表明R-SIFT具有更好的光照不变性。文章最后给出了本征图分解的在车牌识别中的应用,车牌识别是智能交通系统的一个重要环节,其中车牌定位是车牌识别的基础环节,车牌定位的结果会对整个车牌系统产生重要的影响。传统的车牌定位方法在夜晚等光照恶劣的环境下均失效,本文中将Retinex本征图分解算法应用于车牌定位,在提取出的光照无关的反照率本征图上进行车牌位置的提取,很好的解决了投影分析法等传统车牌定位方法在光照较暗的环境下的失效问题。在定位车牌的基础上我们使用R-SIFT匹配的方法进行了嫌疑车辆预警识别,首先使用登记的车辆照片为基准进行车牌定位与R-SIFT特征提取,然后将提取的特征发往各个监测点,各个监测点对监测到的车辆进行车牌定位并提取特征,最后将该特征与收到的基准特征进行匹配,当匹配点数量达到一定阈值时,提示嫌疑车辆出现,不同的阈值可以表示事件的重要程度。