CN117094914B - 基于计算机视觉的智慧城市道路监控系统 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，提出了基于计算机视觉的智慧城市道路监控系统，包括：获取含雾灰度图；根据不同方向的灰度共生矩阵获取车道潜在像素点集合；根据像素点所取邻域窗口内图像信息的对称性特征获取像素点的边缘差异系数；根据像素点所在中心区域与像素点所取搜索区域内不同位置处的纹理差异获取局部峭度异质性指数；根据局部峭度异质性指数获取车辆判定系数；根据车辆判定系数以及深度值获取去雾窗口大小；根据去雾窗口大小获取含雾灰度图对应的暗通道去雾图像。本发明利用城市道路上不同物体在含雾灰度图中信息差异自适应获取暗通道去雾算法中的窗口大小，避免固定大小的窗口对道路上不同位置去雾效果的影响。

Description

基于计算机视觉的智慧城市道路监控系统

技术领域

本发明涉及图像数据处理技术领域，具体涉及基于计算机视觉的智慧城市道路监控系统。

背景技术

智慧城市道路监控系统是指利用先进的信息技术和网络通信技术，对城市道路交通进行实时检测、管理和控制系统。智慧城市道路监控系统主要通过安装在道路上的高清摄像头和传感器设备，收集和处理道路交通相关数据，该系统主要包括对车辆的实时监控，违法检测、事故预警等功能，这些都要求摄像头采集的图像信息具有高清可靠的特点。但是在实际环境中，由于受光照条件、天气因素等影响，很大程度影响摄像头采集数据的质量。特别是针对大雾天气的有雾图像，如果直接对摄像头采集到的道路图像进行分析，分析的结果容易产生较大的误差，甚至出现错误的结果。

现阶段针对有雾图像的清晰化操作主要是对有雾图像进行去雾操作，传统基于图像增强的方法容易造成图像失真，而基于物理模型的大气散射模型的方法对图像去雾效果较好但是需要根据经验值设置初始参数，因此经验值的选取是否合适对结果影响较大。暗通道先验去雾算法中暗通道图像上每一像素点选取固定大小的窗口，对应相同大小的滤波半径，而由于固定窗口大小，容易造成图像色彩失真，并且对于雾气影响较大的区域去雾效果较差，影响智慧城市道路监控系统对道路上车辆监控的可信度。

发明内容

本发明提供基于计算机视觉的智慧城市道路监控系统，以解决传统暗通道去雾算法中固定的窗口大小以及滤波半径容易降低道路图像中去雾效果的问题，所采用的技术方案具体如下：

本发明一个实施例基于计算机视觉的智慧城市道路监控系统，该系统包括以下模块：

数据采集模块，将图像采集装置获取的道路有雾图像转换为含雾灰度图；

车道区域提取模块，根据含雾灰度图上不同方向的灰度共生矩阵获取车道潜在像素点集合；利用拟合算法基于车道潜在像素点集合获取车道拟合线；根据车道拟合线上每个像素点所取邻域窗口内图像信息的对称性特征获取车道拟合线上每个像素点的边缘差异系数；对边缘差异系数大于预设阈值的像素点进行标记，将车道潜在像素点集合删除所述标记像素点后获取的拟合直线的闭运算结果作为真实车道线，根据真实车道线上所有像素点的模糊特征获取含雾灰度图中的车道区域；

窗口尺度确定模块，根据车道区域内每个像素点所在中心区域与每个像素点所取搜索区域内不同位置处的纹理差异获取车道区域内每个像素点的局部峭度异质性指数；根据车道区域内所有像素点的局部峭度异质性指数获取真实边界集合；利用单目深度估计算法获取雾灰度图上每个像素点的深度值；根据真实边界集合的矩形拟合结果以及深度值获取每个像素点对应的去雾窗口大小；

道路监控模块，根据每个像素点对应的去雾窗口大小获取含雾灰度图对应的暗通道去雾图像；根据暗通道去雾图像实现对智慧城市道路上车辆的实时监控。

优选的，所述根据含雾灰度图上不同方向的灰度共生矩阵获取车道潜在像素点集合的方法为：

获取含雾灰度图在预设数量个方向上灰度共生矩阵在相同位置上元素值的均值，将所述均值按照任意一个方向上灰度共生矩阵中元素的位置构成的矩阵作为含雾灰度图的平均灰度共生矩阵；

获取所述平均灰度共生矩阵中元素值按照降序顺序的排列结果，将所述排列结果中前预设数量个元素对应的灰度值组成的集合作为筛选灰度值集合；

将含雾灰度图中灰度值位于筛选灰度值集合内的像素点标记为车道潜在像素点，将所有车道潜在像素点组成的集合作为车道潜在像素点集合。

优选的，所述根据车道拟合线上每个像素点所取邻域窗口内图像信息的对称性特征获取车道拟合线上每个像素点的边缘差异系数的方法为：

获取以车道拟合线上每个像素点为中心点的预设大小的邻域窗口，利用经过所述邻域窗口中心点的直线将所述邻域窗口分割为左分割区域、右分割区域；

将每个像素点对应的左分割区域内像素点灰度值的均值与右分割区域内像素点灰度值的均值之间差值的绝对值作为每个像素点的左右偏差度量；

根据左右分割区域内灰度值的分布差异获取每个像素点的中心不均衡系数；

每个像素点的边缘差异系数由每个像素点的左右偏差度量、中心不均衡系数两部分组成，其中，所述边缘差异系数与左右偏差度量、中心不均衡系数成正比关系。

优选的，所述根据左右分割区域内灰度值的分布差异获取每个像素点的中心不均衡系数的方法为：

将每个像素点与其对应的左分割区域内每个像素点的灰度值差值的绝对值在左分割区域上的累加作为每个像素点的第一累加值，将每个像素点的第一累加值与每个像素点对应的左分割区域内像素点数量的比值作为每个像素点的左侧偏差量；

将每个像素点与其对应的右分割区域内每个像素点的灰度值差值的绝对值在右分割区域上的累加作为每个像素点的第二累加值，将每个像素点的第二累加值与每个像素点对应的右分割区域内像素点数量的比值作为每个像素点的右侧偏差量；

将每个像素点的左侧偏差量与右侧偏差量的差值绝对值作为每个像素点的中心不均衡系数。

优选的，所述根据真实车道线上所有像素点的模糊特征获取含雾灰度图中的车道区域的方法为：

获取每一条真实车道线上以每个像素点作为中心点所取局部窗口内灰度值的分布方差，将所述分布方差小于预设阈值的局部窗口对应的像素点作为所述像素点所在真实车道线的终点；

将相邻两条真实车道线的终点的连线作为上边界，将相邻两条真实车道线与含雾灰度图的交点的连线作为下边界，将所述上边界、下边界、相邻两条真实车道线组成的区域作为相邻两条真实车道线对应的车道区域。

优选的，所述根据车道区域内每个像素点所在中心区域与每个像素点所取搜索区域内不同位置处的纹理差异获取车道区域内每个像素点的局部峭度异质性指数的方法为：

根据邻域窗口内像素点之间的灰度值分布获取每个邻域窗口的局部峭度值；

将以每个像素点为中心的邻域窗口作为每个像素点的中心区域，将每个像素点中心区域的局部峭度值与每个邻域窗口的局部峭度值之间差值的绝对值在每个像素点所取搜索区域内的累加作为分子，将邻域窗口在所述搜索区域内的滑动次数作为分母，将分子与分母的比值作为每个像素点的局部峭度异质性指数。

优选的，所述根据邻域窗口内像素点之间的灰度值分布获取每个邻域窗口的局部峭度值的方法为：

将每个邻域窗口内每个像素点与每个邻域窗口内像素点灰度值均值的差值作为分子，将每个邻域窗口内像素点灰度值的分布方差作为分母，将分子与分母的比值的平方在每个邻域窗口上的累加作为每个像素点的第一组成因子；

将每个邻域窗口内所有像素点的第一组成因子的均值作为每个邻域窗口的局部峭度值。

优选的，所述根据车道区域内所有像素点的局部峭度异质性指数获取真实边界集合的方法为：

将局部峭度异质性指数大于预设阈值的像素点标记为目标像素点，分别计算目标像素点与其四邻域内每个像素点之间梯度幅值的差值，将所述梯度幅值的差值中的最大值对应的像素点与目标像素点组成的集合作为真实边界集合。

优选的，所述根据真实边界集合的矩形拟合结果以及深度值获取每个像素点对应的去雾窗口大小的方法为：

将真实边界集合中每个像素点所在拟合矩形的矩形度与预设阈值的比值作为第二组成因子，每个像素点的局部峭度异质性指数与第二组成因子之和作为每个像素点的车辆判定系数；

将每个像素点的车辆判定系数与预设区域系数之和作为分子，将每个像素点的深度值与预设参数的乘积作为分母，将分子与分母的比值的取整结果作为每个像素点的去雾窗口的边长。

优选的，所述根据每个像素点对应的去雾窗口大小获取含雾灰度图对应的暗通道去雾图像的方法为：

将每个像素点对应的去雾窗口边长的一半作为暗通道去雾算法中每个像素点对应的滤波半径，利用最小值滤波获取含雾灰度图对应的暗通道去雾图像。

本发明的有益效果是：本发明通过大雾天气对道路上不同区域影响程度的分析，根据车道线的纹理特征构建边缘差异系数，边缘差异系数考虑了车道线的对称性特征，能够将车道区域从含雾灰度图中精准分离出来；并基于车道区域内每个像素点所取邻域范围内邻域窗口滑动过程的信息变化构建局部峭度差异性指数，局部峭度差异性指数考虑了含雾灰度图中车辆上不同区域内灰度信息变化大的特点，其次构建疑似车辆轮廓判定窗口系数，通过车辆信息判定窗口系数，最终结合图像的深度信息和区域信息自适应调整窗口大小。本发明能够根据含雾灰度图中不同区域的图像特征自适应调整窗口边长以及滤波半径大小，在较大程度保留纹理和色彩信息的前提下，增强了车窗车牌区域的去雾效果，提高了智慧城市道路监控系统对道路上各类车辆行驶状态以及违章行为的识别精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的基于计算机视觉的智慧城市道路监控系统的流程示意图；

图2为本发明一个实施例所提供的获取车道区域的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的基于计算机视觉的智慧城市道路监控系统流程图，该系统包括：数据采集模块、车道区域提取模块、窗口尺度确定模块、道路监控模块。

数据采集模块，在街道路口安装高清CCD相机，利用CCD相机获取有雾天气下城市道路上的交通监控视频，后续针对交通监控视频中每一帧车道图像进行去雾处理，所述车道图像为RGB图像。由于在车道图像获取时不可避免会出现噪声的干扰，为了降低对图像质量的影响，需要对每一帧车道图像进行去噪处理，本方案采用高斯滤波的方法对车道图像进行降噪，利用高斯核函数对有雾图像进行卷积操作达到消除图像中随机噪声的目的，其次对去噪后的车道图像进行灰度化，将第k帧去噪后车道图像的灰度化结果记为含雾灰度图，高斯滤波去噪以及图像灰度化为公知技术，具体过程不再赘述。

至此，得到城市道路雾天监控视频中每一帧的含雾灰度图，用于后续车道区域的提取。

车道区域提取模块，对于每一帧含雾灰度图，本发明采用暗通道先验去雾算法进行图像去雾，因此首先需要获取含雾灰度图的暗通道图像。传统暗通道去雾算法是选取每个像素点在RGB三通道图像中的最小值组成暗通道图像。然而对于智慧城市道路监控系统而言，由于每一帧含雾灰度图中道路上不同车辆距离CCD相机的监控距离不同，不同车辆的视觉模糊程度也会不同，除此之外，由于含雾灰度图中根据距离CCD相机远近不同雾的浓度也是不一致的，因此需要进行不同程度的去雾，才能得到用于智慧城市道路监控的清晰图像。

首先对每一帧含雾灰度图进行区域分割，以含雾灰度图为例，获取含雾灰度图灰度共生矩阵，将含雾灰度图/>内像素点的256个灰度级量化到64个灰度级。由于车道线区域受雾天的影响，在不同远近的地方其灰度值存在一定的差异，但是具备相同的纹理信息，因此通过量化方式能够降低由监控距离造成的灰度值差异的影响。

获取含雾灰度图在0°、45°、90°、135°四个方向上灰度共生矩阵，分别计算上述四个方向的灰度共生矩阵在相同位置上元素值的均值，将所述均值按照任意一个方向上灰度共生矩阵中元素的位置构成的矩阵记为含雾灰度图/>的平均灰度共生矩阵G。灰度共生矩阵为公知技术，具体过程不再赘述。由于城市道路上车道线的存在，导致在平均灰度共生矩阵G会有一定数量的元素呈现偏离平均的现象，因此对平均灰度共生矩阵G中所有位置上的元素进行降序排列，取排序结果中前A个元素，A的大小取经验值10，将含雾灰度图/>中灰度值是前A个元素对应灰度值的像素点标记为车道潜在像素点，将所有车道潜在像素点组成的集合作为车道潜在像素点集合P。

在智慧城市道路监控视频的每一帧道路图像内，由于CCD相机的拍摄范围有限，因此本发明中利用拟合算法获取表征每一帧含雾灰度图中的车道线的拟合直线，利用霍夫直线拟合算法获取车道潜在像素点集合P中像素点对应的拟合直线，霍夫直线拟合为公知技术，具体过程不再赘述。为了避免道路上其余辅助线或者道路标记线对车道线的干扰，将含雾灰度图的长、宽尺寸分别记为H、W，将线段长度大于长度阈值的拟合直线作为含雾灰度图/>上的车道拟合线。长度阈值的大小设置为H、W两个参数中较大值的二分之一，实施者可根据道路实际情况自行选择合适的长度阈值。

进一步的，根据含雾灰度图上的车道拟合线上左右邻域范围内图像信息对称的特点，以车道拟合线上每个像素点为中心点设置大小为/>的邻域窗口，将经过每个像素点与邻域窗口上下边界垂直的直线作为分割线，所述分割线将邻域窗口分割成左分割区域、右分割区域，将车道拟合线上像素点i所取邻域窗口分割后的左分割区域、右分割区域分别记为/>、/>。

基于上述分析，此处构建边缘差异系数V，计算车道拟合线上像素点i的边缘差异系数：

式中，是像素点i的中心不均衡系数，/>是像素点i的灰度值，/>、/>分别是/>、/>内像素点的数量，/>、/>分别是左分割区域/>内像素点a、右分割区域/>内像素点b的灰度值；

、/>分别是左分割区域/>内、右分割区域/>内像素点灰度值的均值。

其中，像素点i所取邻域窗口中左侧区域内像素点的灰度值分布差异越大，第一累加值/>的值越大，左侧偏差量/>的值越大，同理右分割区域/>内像素点灰度值与像素点i的灰度值差异越大，第二累加值/>的值越大，右侧偏差量/>的值越大；如果邻域窗口左右两侧分割区域内像素点之间的对称性越强，左偏差量、右偏差量大小越接近，/>的值越小；左分割区域内、右分割区域/>内像素点灰度值的均值越接近，左右偏差度量/>的值越小，/>的值越小。

当像素点位于车道线上时，两边具有一定的对称性，所以左右两边灰度值基本相等，像素点的边缘差异系数越小，将边缘差异系数V大于判断阈值的像素点标记为非车道线像素点，判断阈值的大小取经验值40，将所有被标记的像素点从车道潜在像素点集合P删除，再次利用霍夫直线拟合算法获取像素点集合P中剩余像素点对应的拟合直线，将所述剩余像素点拟合直线的闭运算结果记为真实车道线。

进一步的，对于任意一条真实车道线，获取真实车道线上以每个像素点作为中心点所取局部窗口内灰度值的分布方差，将所述分布方差小于阈值的局部窗口对应的像素点作为所述真实车道线的终点，阈值大小取经验值30；其次获取相邻两条真实车道线的终点，将相邻两条真实车道线的终点的连线作为上边界，将相邻两条真实车道线与含雾灰度图的交点的连线作为下边界，将所述上边界、下边界、相邻两条真实车道线组成的区域作为相邻两条车道线对应的车道区域，如图2所示。

至此，得到含雾灰度图中的车道区域，用于后续暗通道去雾算法中每个像素点窗口尺度的获取。

窗口尺度确定模块，由于道路监控系统主要是对道路违法行为的监控，因此需要重点分析道路上车辆的情况，根据上述步骤获取的车道区域进一步判断道路上车辆的情况。在道路区域路面的灰度值是基本一致的，只有在车辆区域会有灰度差异变化。

对于含雾灰度图中车道区域上的像素点f，以像素点f为中心，设置大小为的窗口作为搜索区域R，以像素点f为中心点所取的/>大小的邻域窗口为中心区域，在搜索区内利用与中心区域同样窗口大小的滑动窗口W以一个像素点为尺度进行滑动，以从搜索区域从左到右从上到下的顺序滑动。

根据滑动窗口W在滑动过程中与中心区域内像素信息的差异性评估像素点f的局部纹理特征。计算像素点f的局部峭度异质性指数：

式中，是滑动窗口W第j次滑动位置对应的局部峭度值，/>是滑动窗口W内像素点的数量，/>的大小为25，x是滑动窗口W第j次滑动位置内第x个像素点，/>、/>分别是滑动窗口W第j次滑动位置内像素点灰度值的均值、分布方差；

M是滑动窗口W遍历一次搜索区域需要滑动的次数，/>是滑动窗口与中心区域重叠时对应的局部峭度值。

其中，滑动窗口W第j次滑动位置内像素点的左右两侧对称性越差，的值越大，第一组成因子/>的值越大，/>的值越大；像素点所处中心区域与搜索区域内不同位置的像素差异越大，/>的值越大。局部峭度异质性指数/>反映了在车道区域各个像素点与邻域区域内灰度值的差异性，当像素点f在道路上时，其所处搜索范围内灰度值较为均匀，/>的值较小，当像素点f在车辆上时，其所处搜索范围内灰度差异会比较大，的值较大。

获取车道区域内每个像素点的局部峭度异质性指数，利用最大类间方差法获取局部峭度异质性指数的分割阈值，将局部峭度异质性指数大于分割阈值的像素点标记为目标像素点，最大类间方差法为公知技术，具体过程不再赘述。进一步的，利用Sobel算子获取含雾灰度图上每个像素点的梯度幅值，对于任意一个目标像素点，分别计算目标像素点与其四邻域内每个像素点之间梯度幅值的差值，将所述梯度幅值的差值中的最大值对应的像素点与目标像素点组成的集合作为真实边界集合。

进一步的，对真实边界集合的像素点进行矩形拟合，这样做的目的是因为被标记为目标像素点的像素点绝大多数都是车道上行驶的车辆上的像素点，利用矩形拟合能够获取车辆上的车牌区域以及近似矩阵的车窗区域。

除此之外，城市道路监控视频中每一帧含雾灰度图中像素点距离摄像头的距离也是自适应窗口大小重要的判别依据。城市道路监控视频中相邻两帧含雾灰度图中像素点之间具有一定的运动相关性，将城市道路监控视频中每一帧含雾灰度图作为输入，利用阴影恢复形状SFS算法获取每一帧含雾灰度图对应的深度图像，深度图像与图像原始大小一致，每一个像素点位置的值对应的是该像素点的深度值，将含雾灰度图对应的深度图记为。像素点距离摄像头越近雾浓度越低，反之越高。因此基于矩形拟合结果以及深度值获取每个像素点在去雾时的窗口大小，计算真实边界集合内像素点f的去雾窗口尺度/>：

式中，是像素点f的车辆判定系数，/>是像素点f的局部峭度异质性指数，/>是像素点f所在拟合矩形的矩形度，/>是矩形判定阈值，/>的大小取经验值3；

是像素点f的去雾窗口尺度，/>是向下取整函数，/>是深度图像中像素点f的深度值的归一化结果，/>是距离决定因子，/>的大小取经验值0.5。

其中，像素点f所在的拟合矩形越有可能是车辆上矩形区域，的值越大，第二组成因子/>的值越大，车辆判定系数/>的值越大，相应的去雾窗口尺度/>越大，细节信息保留越完整。

进一步的，获取真实边界集合内每个像素点的去雾窗口尺度，根据像素点的去雾窗口尺度确定每个像素点在暗通道去雾过程中的窗口大小以及滤波半径，本发明中，将每个像素点的去雾窗口尺度的二分之一作为其对应的滤波半径，例如像素点f的去雾窗口大小为，像素点f的滤波半径为/>。

至此，得到真实边界集合内每个像素点的去雾窗口尺度，用于后续获取清晰度较高的监控视频。

道路监控模块，对于含雾灰度图中非真实边界集合中的像素点，保持原始算法中的去雾尺度大小以及滤波半径。由于像素点的去雾窗口越大，对应的色彩和细节信息保留越完整，因此距离摄像头越近的地方，受雾气影响越小，同时车辆信息越丰富，应当采用较大的去雾窗口进行滤波，但针对车辆中车牌和车窗区域调整大窗口滤波，增强去雾效果。同时距离摄像头越远的地方，受雾气影响程度大，经过雾气的透射，色彩和纹理信息较少，应当采用较小的去雾窗口进行滤波，能够增强去雾效果。

本发明中利用的滤波方式为最小值滤波，根据上述步骤自适应获取每一帧含雾灰度图中每个像素点的去雾窗口大小以及滤波半径，利用暗通道去雾算法获取每一帧含雾灰度图的清晰图像，暗通道去雾算法为公知技术，具体过程不再赘述。进一步的，获取城市道路监控视频中每一帧车道图像对应的清晰图像，将所有清晰图像按照时间先后顺序传输到道路监管中心，道路监管中心根据清晰图像中车辆的行驶状态记录道路上车辆是否发生违法行为。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于计算机视觉的智慧城市道路监控系统，其特征在于，该系统包括以下模块：

数据采集模块，将图像采集装置获取的道路有雾图像转换为含雾灰度图；

车道区域提取模块，根据含雾灰度图上不同方向的灰度共生矩阵获取车道潜在像素点集合；利用拟合算法基于车道潜在像素点集合获取车道拟合线；根据车道拟合线上每个像素点所取邻域窗口内图像信息的对称性特征获取车道拟合线上每个像素点的边缘差异系数；对边缘差异系数大于预设阈值的像素点进行标记，将车道潜在像素点集合删除所述标记像素点后获取的拟合直线的闭运算结果作为真实车道线，根据真实车道线上所有像素点的模糊特征获取含雾灰度图中的车道区域；

窗口尺度确定模块，根据车道区域内每个像素点所在中心区域与每个像素点所取搜索区域内不同位置处的纹理差异获取车道区域内每个像素点的局部峭度异质性指数；根据车道区域内所有像素点的局部峭度异质性指数获取真实边界集合；利用单目深度估计算法获取雾灰度图上每个像素点的深度值；根据真实边界集合的矩形拟合结果以及深度值获取每个像素点对应的去雾窗口大小；

道路监控模块，根据每个像素点对应的去雾窗口大小获取含雾灰度图对应的暗通道去雾图像；根据暗通道去雾图像实现对智慧城市道路上车辆的实时监控。

2.根据权利要求1所述的基于计算机视觉的智慧城市道路监控系统，其特征在于，所述根据含雾灰度图上不同方向的灰度共生矩阵获取车道潜在像素点集合的方法为：

获取含雾灰度图在预设数量个方向上灰度共生矩阵在相同位置上元素值的均值，将所述均值按照任意一个方向上灰度共生矩阵中元素的位置构成的矩阵作为含雾灰度图的平均灰度共生矩阵；

获取所述平均灰度共生矩阵中元素值按照降序顺序的排列结果，将所述排列结果中前预设数量个元素对应的灰度值组成的集合作为筛选灰度值集合；

将含雾灰度图中灰度值位于筛选灰度值集合内的像素点标记为车道潜在像素点，将所有车道潜在像素点组成的集合作为车道潜在像素点集合。

3.根据权利要求1所述的基于计算机视觉的智慧城市道路监控系统，其特征在于，所述根据车道拟合线上每个像素点所取邻域窗口内图像信息的对称性特征获取车道拟合线上每个像素点的边缘差异系数的方法为：

获取以车道拟合线上每个像素点为中心点的预设大小的邻域窗口，利用经过所述邻域窗口中心点的直线将所述邻域窗口分割为左分割区域、右分割区域；

将每个像素点对应的左分割区域内像素点灰度值的均值与右分割区域内像素点灰度值的均值之间差值的绝对值作为每个像素点的左右偏差度量；

根据左右分割区域内灰度值的分布差异获取每个像素点的中心不均衡系数；

每个像素点的边缘差异系数由每个像素点的左右偏差度量、中心不均衡系数两部分组成，其中，所述边缘差异系数与左右偏差度量、中心不均衡系数成正比关系。

4.根据权利要求3所述的基于计算机视觉的智慧城市道路监控系统，其特征在于，所述根据左右分割区域内灰度值的分布差异获取每个像素点的中心不均衡系数的方法为：

将每个像素点与其对应的左分割区域内每个像素点的灰度值差值的绝对值在左分割区域上的累加作为每个像素点的第一累加值，将每个像素点的第一累加值与每个像素点对应的左分割区域内像素点数量的比值作为每个像素点的左侧偏差量；

将每个像素点与其对应的右分割区域内每个像素点的灰度值差值的绝对值在右分割区域上的累加作为每个像素点的第二累加值，将每个像素点的第二累加值与每个像素点对应的右分割区域内像素点数量的比值作为每个像素点的右侧偏差量；

将每个像素点的左侧偏差量与右侧偏差量的差值绝对值作为每个像素点的中心不均衡系数。

5.根据权利要求1所述的基于计算机视觉的智慧城市道路监控系统，其特征在于，所述根据真实车道线上所有像素点的模糊特征获取含雾灰度图中的车道区域的方法为：

获取每一条真实车道线上以每个像素点作为中心点所取局部窗口内灰度值的分布方差，将所述分布方差小于预设阈值的局部窗口对应的像素点作为所述像素点所在真实车道线的终点；

将相邻两条真实车道线的终点的连线作为上边界，将相邻两条真实车道线与含雾灰度图的交点的连线作为下边界，将所述上边界、下边界、相邻两条真实车道线组成的区域作为相邻两条真实车道线对应的车道区域。

6.根据权利要求1所述的基于计算机视觉的智慧城市道路监控系统，其特征在于，所述根据车道区域内每个像素点所在中心区域与每个像素点所取搜索区域内不同位置处的纹理差异获取车道区域内每个像素点的局部峭度异质性指数的方法为：

根据邻域窗口内像素点之间的灰度值分布获取每个邻域窗口的局部峭度值；

将以每个像素点为中心的邻域窗口作为每个像素点的中心区域，将每个像素点中心区域的局部峭度值与每个邻域窗口的局部峭度值之间差值的绝对值在每个像素点所取搜索区域内的累加作为分子，将邻域窗口在所述搜索区域内的滑动次数作为分母，将分子与分母的比值作为每个像素点的局部峭度异质性指数。

7.根据权利要求6所述的基于计算机视觉的智慧城市道路监控系统，其特征在于，所述根据邻域窗口内像素点之间的灰度值分布获取每个邻域窗口的局部峭度值的方法为：

将每个邻域窗口内每个像素点与每个邻域窗口内像素点灰度值均值的差值作为分子，将每个邻域窗口内像素点灰度值的分布方差作为分母，将分子与分母的比值的平方在每个邻域窗口上的累加作为每个像素点的第一组成因子；

将每个邻域窗口内所有像素点的第一组成因子的均值作为每个邻域窗口的局部峭度值。

8.根据权利要求1所述的基于计算机视觉的智慧城市道路监控系统，其特征在于，所述根据车道区域内所有像素点的局部峭度异质性指数获取真实边界集合的方法为：

将局部峭度异质性指数大于预设阈值的像素点标记为目标像素点，分别计算目标像素点与其四邻域内每个像素点之间梯度幅值的差值，将所述梯度幅值的差值中的最大值对应的像素点与目标像素点组成的集合作为真实边界集合。

9.根据权利要求1所述的基于计算机视觉的智慧城市道路监控系统，其特征在于，所述根据真实边界集合的矩形拟合结果以及深度值获取每个像素点对应的去雾窗口大小的方法为：

将真实边界集合中每个像素点所在拟合矩形的矩形度与预设阈值的比值作为第二组成因子，每个像素点的局部峭度异质性指数与第二组成因子之和作为每个像素点的车辆判定系数；

将每个像素点的车辆判定系数与预设区域系数之和作为分子，将每个像素点的深度值与预设参数的乘积作为分母，将分子与分母的比值的取整结果作为每个像素点的去雾窗口的边长。

10.根据权利要求1所述的基于计算机视觉的智慧城市道路监控系统，其特征在于，所述根据每个像素点对应的去雾窗口大小获取含雾灰度图对应的暗通道去雾图像的方法为：

将每个像素点对应的去雾窗口边长的一半作为暗通道去雾算法中每个像素点对应的滤波半径，利用最小值滤波获取含雾灰度图对应的暗通道去雾图像。