CN118366108B - 一种路空协同交通场景智能识别方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种路空协同交通场景智能识别方法，包括：获取若干帧待识别交通场景灰度图像中若干个目标对象；根据每个目标对象在所有帧待识别交通场景灰度图像中的位置变化情况，获取每个目标对象的运动轨迹一致性；根据每个目标对象的运动轨迹一致性以及轮廓参考邻域内像素点的灰度，获取每个目标对象的轮廓参考邻域内每个像素点的显著调整必要性；进而获取每个目标对象的轮廓参考邻域内每个像素点的优化后显著性；根据优化后显著性获取显著图；根据显著图进行交通场景识别。本发明提高了交通场景识别安全风险的准确性。

Description

一种路空协同交通场景智能识别方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种路空协同交通场景智能识别方法。

背景技术

视频监控系统在路空协同交通场景智能识别中扮演着重要的角色，它通过实时检测、预警和识别交通现场的安全风险，有助于提高交通区域的安全管理水平，降低事故发生的风险，并促进交通过程中的安全性与效率；在显著性检测的过程中，交通场景识别场地可能会有大量扬尘和雾气在空气中悬浮，以及光污染等影响，会引起视野模糊和可见性较低的问题，这会对监测设备和人员的观察范围造成影响，降低安全监测的准确性和有效性，为此需要对视频图像进行显著性检测；但在传统的显著性检测过程中，其更多的是通过灰度值之间的差异来表现显著性大小，但在交通场景识别的场景中，由于灰尘、雾气和光污染因素的影响，仅使用灰度值来评价显著性大小，导致检测结果不准确，进而使得降低了交通场景识别安全风险的准确性。

发明内容

为了解决上述问题，本发明提供一种路空协同交通场景智能识别方法，所述方法包括：

获取若干帧待识别交通场景灰度图像中若干个目标对象；

根据每个目标对象在所有帧待识别交通场景灰度图像中的位置变化情况，获取每个目标对象的运动轨迹一致性；

将任意一帧待识别交通场景灰度图像记为目标灰度图像；获取目标灰度图像中每个目标对象的轮廓参考邻域；根据每个目标对象的运动轨迹一致性以及轮廓参考邻域内像素点的灰度，获取每个目标对象的轮廓参考邻域内每个像素点的显著调整必要性；根据显著调整必要性获取每个目标对象的轮廓参考邻域内每个像素点的优化后显著性；

根据优化后显著性获取显著图；根据显著图进行交通场景识别。

优选的，所述根据每个目标对象在所有帧待识别交通场景灰度图像中的位置变化情况，获取每个目标对象的运动轨迹一致性，包括的具体方法为：

对于任意一个目标对象，获取所述目标对象的位置变化轨迹序列，以及位置变化轨迹序列中元素的轨迹长度；

获取所述目标对象的时序显著值序列；

获取第i个目标对象的运动轨迹一致性的计算方法为：

式中，SY_i表示第i个目标对象的运动轨迹一致性；S_i表示第i个目标对象的时序显著值序列；M_i表示第i个目标对象的位置变化轨迹序列；I_i表示第i个目标对象的位置变化轨迹序列中所有元素的总数量；l_i,j表示第i个目标对象的位置变化轨迹序列中第j个元素的轨迹长度；dtw(S_i,M_i)表示S_i和M_i之间的DTW距离；exp()表示以自然常数为底数的指数函数。

优选的，所述获取所述目标对象的位置变化轨迹序列，以及位置变化轨迹序列中元素的轨迹长度，包括的具体方法为：

利用SIFT算法获取所述目标对象在每帧待识别交通场景灰度图像中整个区域；将所述目标对象在所有帧待识别交通场景灰度图像中整个区域的质心位置组成的坐标位置序列，记为所述目标对象的位置变化轨迹序列；对于记为所述目标对象的位置变化轨迹序列中任意一个元素，将所述元素与下一个元素之间的欧氏距离，作为所述元素的轨迹长度。

优选的，所述获取所述目标对象的时序显著值序列，包括的具体方法为：

利用图像显著性检测算法获取所述目标对象在每帧待识别交通场景灰度图像中的平均显著值，将所述目标对象在所有帧待识别交通场景灰度图像中的平均显著值组成的显著值序列，记为所述目标对象的时序显著值序列。

优选的，所述获取目标灰度图像中每个目标对象的轮廓参考邻域，包括的具体方法为：

对于目标灰度图像中第i1个目标对象，将组成第i1个目标对象的所有像素点记为第一像素点；将第i1个目标对象在目标灰度图像中的最小外接矩形区域，记为第i1个目标对象在目标灰度图像中的参考区域；将第i1个目标对象在目标灰度图像中的参考区域内除第一像素点以外的所有像素点构成的区域，记为第i1个目标对象的轮廓参考邻域。

优选的，所述根据每个目标对象的运动轨迹一致性以及轮廓参考邻域内像素点的灰度，获取每个目标对象的轮廓参考邻域内每个像素点的显著调整必要性，包括的具体方法为：

对于目标灰度图像中第i1个目标对象的轮廓参考邻域内第j1个像素点，获取第j1个像素点的质心位置向量和运动轨迹向量；

根据第j1个像素点的质心位置向量和运动轨迹向量，获取第j1个像素点的显著调整因子；

获取第i1个目标对象的轮廓参考邻域内第j1个像素点的显著调整必要性的计算方法为：

式中，XT_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的显著调整必要性；SY_i1表示第i1个目标对象的运动轨迹一致性；coss_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的显著调整因子；g_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的灰度值；表示第i1个目标对象的轮廓参考邻域内所有像素点的灰度值的均值；||表示取绝对值。

优选的，所述获取第j1个像素点的质心位置向量和运动轨迹向量，包括的具体方法为：

将第j1个像素点与第i1个目标对象在目标灰度图像中的质心位置的直线线段，记为第一直线；将第一直线与水平线的夹角度数记为第一方向；将第一方向上的单位向量作为第j1个像素点的质心位置向量；

将目标灰度图像的下一帧待识别交通场景灰度图像记为参考灰度图像；将第i1个目标对象在目标灰度图像中的质心位置与第i1个目标对象在参考灰度图像中的质心位置的直线线段，记为第二直线；将第二直线与水平线的夹角度数记为第二方向；将第二方向上的单位向量作为第i1个目标对象的运动轨迹向量。

优选的，所述根据第j1个像素点的质心位置向量和运动轨迹向量，获取第j1个像素点的显著调整因子，包括的具体方法为：

将第j1个像素点的质心位置向量与第i1个目标对象的运动轨迹向量之间的余弦相似度，作为第j1个像素点的显著调整因子。

优选的，所述根据显著调整必要性获取每个目标对象的轮廓参考邻域内每个像素点的优化后显著性，包括的具体方法为：

对于目标灰度图像中第i1个目标对象的轮廓参考邻域内第j1个像素点，利用图像显著性检测算法获取第j1个像素点的显著性；获取第i1个目标对象的轮廓参考邻域内第j1个像素点的优化后显著性的计算方法为：

式中，α'_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的优化后显著性；α_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的显著性；W_i1表示第i1个目标对象的轮廓参考邻域内所有像素点的数量；XT_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的显著调整必要性；XT_i1,k表示第i1个目标对象的轮廓参考邻域内第k个像素点的显著调整必要性。

优选的，所述根据优化后显著性获取显著图；根据显著图进行交通场景识别，包括的具体方法为：

将目标灰度图像中所有目标对象的轮廓参考邻域内所有像素点均记为目标灰度图像的目标像素点；将目标灰度图像中每个目标像素点的优化后显著性作为目标灰度图像中每个目标像素点的显著性后，并记为优化后目标灰度图像；将优化后目标灰度图像输入图像显著性检测算法中获取显著图；

预设一个显著值阈值T1，将显著图中显著值大于T1的像素点记为关注像素点，将所有关注像素点所构成的多个闭合区域均记为交通场景关注区域。

本发明的技术方案的有益效果是：本发明根据每个目标对象的运动轨迹一致性以及轮廓参考邻域内像素点的灰度，获取每个目标对象的轮廓参考邻域内每个像素点的显著调整必要性；根据显著调整必要性获取每个目标对象的轮廓参考邻域内每个像素点的优化后显著性；以此针对待识别交通场景灰度图像中目标对象在不同帧图像之间的相对距离以及轨迹变化来优化显著性，从而得出显著图；根据优化后显著性获取显著图，显著图能够更准确的突出显示了交通场景识别时的目标对象，进而提高了交通场景识别安全风险的准确性。

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为本发明一种路空协同交通场景智能识别方法的步骤流程图；

图2为本发明一种路空协同交通场景智能识别方法的特征关系流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种路空协同交通场景智能识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种路空协同交通场景智能识别方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种路空协同交通场景智能识别方法的步骤流程图，该方法包括以下步骤：

步骤S001：获取若干帧待识别交通场景灰度图像中若干个目标对象。

具体的，首先需要采集若干帧待识别交通场景灰度图像中若干个目标对象，具体过程为：

通过交通监控视频影像获取若干帧待识别交通场景图像；对于任意一帧待识别交通场景图像，对所述帧待识别交通场景图像进行中值滤波去噪和灰度化操作得到所述帧待识别交通场景灰度图像；进而获得若干帧待识别交通场景灰度图像。其中，中值滤波和灰度化操作为现有技术，本实施例此处不做过多赘述。

进一步的，对于任意一帧待识别交通场景灰度图像，将该帧待识别交通场景灰度图像输入训练好的神经网络中获取该帧待识别交通场景灰度图像中若干个目标对象；其中，本实施例使用的神经网络为Resnet50，训练该神经网络的数据集的获取方法为：采集大量帧待识别交通场景灰度图像，人为地在每帧待识别交通场景灰度图像中标记出人和车辆位置，并记为目标对象位置，也即待识别交通场景灰度图像中目标对象位置标记为1，非目标对象标记为0，这个标记结果记为每帧待识别交通场景灰度图像的标签；采集大量帧的待识别交通场景灰度图像以及其对应的标签构成数据集；利用该数据集训练该神经网络，训练过程中使用的损失函数为交叉损失函数；其中，具体的训练过程是神经网络的公知内容，本实施例不再赘述具体的训练过程。

至此，通过上述方法得到若干帧待识别交通场景灰度图像中若干个目标对象。

步骤S002：根据每个目标对象在所有帧待识别交通场景灰度图像中的位置变化情况，获取每个目标对象的运动轨迹一致性。

需要说明的是，由于环境因素的影响会导致目标对象的边缘轮廓不够清晰，也即人员及车辆目标的边缘轮廓往往只能表征大致区域，而整体目标对象在时序多帧图像上的对应变化的一致性，可用于分析目标对象内外像素点灰度特征在时序上及运动轨迹变化过程中稳定一致性，反应出环境因素对目标对象的边缘影响稳定性，进而便于后续实现显著性的调整。

具体的，对于任意一个目标对象，利用SIFT(Scale-invariant featuretransform)算法获取所述目标对象在每帧待识别交通场景灰度图像中整个区域；将所述目标对象在所有帧待识别交通场景灰度图像中整个区域的质心位置组成的坐标位置序列，记为所述目标对象的位置变化轨迹序列；对于记为所述目标对象的位置变化轨迹序列中任意一个元素，将所述元素与下一个元素之间的欧氏距离，作为所述元素的轨迹长度。

利用图像显著性检测算法获取所述目标对象在每帧待识别交通场景灰度图像中的平均显著值，将所述目标对象在所有帧待识别交通场景灰度图像中的平均显著值组成的显著值序列，记为所述目标对象的时序显著值序列。

其中，SIFT算法和图像显著性检测算法为现有技术，本实施例此处不作过多赘述。

需要说明的是，由于每个目标对象在相应帧待识别交通场景灰度图像中的平均显著值的变化与位置变化轨迹序列中元素变化是相关联的，所以当目标对象的位置轨迹变化与平均显著值的变化关联性越强，则表明目标对象内的像素点在多尺度及时序上的分析都表现出稳定性，即目标对象的内外像素点的相对灰度特征变化程度小，则其进行显著性调整后的结果可信度就越高。

具体的，根据每个目标对象在所有帧待识别交通场景灰度图像中的位置变化情况，获取每个目标对象的运动轨迹一致性。

作为一种示例，获取第i个目标对象的运动轨迹一致性的计算方法为：

式中，SY_i表示第i个目标对象的运动轨迹一致性；S_i表示第i个目标对象的时序显著值序列；M_i表示第i个目标对象的位置变化轨迹序列；I_i表示第i个目标对象的位置变化轨迹序列中所有元素的总数量；l_i,j表示第i个目标对象的位置变化轨迹序列中第j个元素的轨迹长度；dtw(S_i,M_i)表示S_i和M_i之间的DTW距离；exp()表示以自然常数为底数的指数函数，实施例采用exp(-x)模型来呈现反比例关系，x为模型的输入，实施者可根据实际情况选择反比例函数。

至此，通过上述方法得到每个目标对象的运动轨迹一致性。

步骤S003：根据每个目标对象的运动轨迹一致性以及轮廓参考邻域内像素点的灰度，获取每个目标对象的轮廓参考邻域内每个像素点的显著调整必要性；进而获取每个目标对象的轮廓参考邻域内每个像素点的优化后显著性。

需要说明的是，由于图像显著性检测算法的显著值调整是基于高斯分布矩阵进行的，而在交通场景精准智能识别场景中，对于运动的目标对象的关注度更高，这是由于采集路面交通图像时的摄像设备的角度是相对固定的，因此目标对象的运动倾向往往是更需要关注的区域；并且由于图像显著性检测算法在处理的过程中，需要利用显著性阈值提取出关注区域，通常状况下关注区域位于获取的图像中间，而在路空协同的交通状况分析场景下，关注区域通常为移动的各个目标对象，且目标对象相对位置关系越靠近的其区域边缘的像素点需要更精细化的分析，构建区域像素点的显著性调整必要性，获得准确显著检测结果，便于后续实现交通场景精准智能识别。

具体的，将任意一帧待识别交通场景灰度图像记为目标灰度图像，对于目标灰度图像中第i1个目标对象，将组成第i1个目标对象的所有像素点记为第一像素点；将第i1个目标对象在目标灰度图像中的最小外接矩形区域，记为第i1个目标对象在目标灰度图像中的参考区域；将第i1个目标对象在目标灰度图像中的参考区域内除第一像素点以外的所有像素点构成的区域，记为第i1个目标对象的轮廓参考邻域。

1.获取每个目标对象的轮廓参考邻域内每个像素点的显著调整必要性。

具体的，对于目标灰度图像中第i1个目标对象的轮廓参考邻域内第j1个像素点，将第j1个像素点与第i1个目标对象在目标灰度图像中的质心位置的直线线段，记为第一直线；将第一直线与水平线的夹角度数记为第一方向；将第一方向上的单位向量作为第j1个像素点的质心位置向量。

将目标灰度图像的下一帧待识别交通场景灰度图像记为参考灰度图像；将第i1个目标对象在目标灰度图像中的质心位置与第i1个目标对象在参考灰度图像中的质心位置的直线线段，记为第二直线；将第二直线与水平线的夹角度数记为第二方向；将第二方向上的单位向量作为第i1个目标对象的运动轨迹向量。

将第j1个像素点的质心位置向量与第i1个目标对象的运动轨迹向量之间的余弦相似度，作为第j1个像素点的显著调整因子。

根据每个目标对象的运动轨迹一致性以及轮廓参考邻域内像素点的灰度，获取每个目标对象的轮廓参考邻域内每个像素点的显著调整必要性。

作为一种示例，获取第i1个目标对象的轮廓参考邻域内第j1个像素点的显著调整必要性的计算方法为：

式中，XT_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的显著调整必要性；SY_i1表示第i1个目标对象的运动轨迹一致性；coss_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的显著调整因子；g_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的灰度值；表示第i1个目标对象的轮廓参考邻域内所有像素点的灰度值的均值；||表示取绝对值。

至此，获取每个目标对象的轮廓参考邻域内每个像素点的显著调整必要性。

2.获取每个目标对象的轮廓参考邻域内每个像素点的优化后显著性。

具体的，对于目标灰度图像中第i1个目标对象的轮廓参考邻域内第j1个像素点，利用图像显著性检测算法获取第j1个像素点的显著性；根据显著调整必要性获取每个目标对象的轮廓参考邻域内每个像素点的优化后显著性。

作为一种示例，获取第i1个目标对象的轮廓参考邻域内第j1个像素点的优化后显著性的计算方法为：

式中，α'_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的优化后显著性；α_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的显著性；W_i1表示第i1个目标对象的轮廓参考邻域内所有像素点的数量；XT_i1,j1表示第i1个目标对象的轮廓参考邻域内第j1个像素点的显著调整必要性；XT_i1,k表示第i1个目标对象的轮廓参考邻域内第k个像素点的显著调整必要性。

至此，通过上述方法得到每个目标对象的轮廓参考邻域内每个像素点的优化后显著性。

步骤S004：根据优化后显著性获取显著图；根据显著图进行交通场景识别。

具体的，将目标灰度图像中所有目标对象的轮廓参考邻域内所有像素点均记为目标灰度图像的目标像素点；将目标灰度图像中每个目标像素点的优化后显著性作为目标灰度图像中每个目标像素点的显著性后，并记为优化后目标灰度图像；将优化后目标灰度图像输入图像显著性检测算法中获取显著图；其中显著图包含多个像素点，每个像素点对应是一个显著值。

进一步的，预设一个显著值阈值T1，其中本实施例以T1＝0.8为例进行叙述，本实施例不进行具体限定，其中T1可根据具体实施情况而定；将显著图中显著值大于T1的像素点记为关注像素点，将所有关注像素点所构成的多个闭合区域均记为交通场景关注区域。

请参阅图2，其示出了一种路空协同交通场景智能识别方法的特征关系流程图。

至此，本实施例完成。

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 (7)

1.一种路空协同交通场景智能识别方法，其特征在于，该方法包括以下步骤：

获取若干帧待识别交通场景灰度图像中若干个目标对象；

根据每个目标对象在所有帧待识别交通场景灰度图像中的位置变化情况，获取每个目标对象的运动轨迹一致性；

所述根据每个目标对象在所有帧待识别交通场景灰度图像中的位置变化情况，获取每个目标对象的运动轨迹一致性，包括的具体方法为：

对于任意一个目标对象，获取所述目标对象的位置变化轨迹序列，以及位置变化轨迹序列中元素的轨迹长度；

获取所述目标对象的时序显著值序列；

获取第个目标对象的运动轨迹一致性的计算方法为：

；

式中，表示第个目标对象的运动轨迹一致性；表示第个目标对象的时序显著值序列；表示第个目标对象的位置变化轨迹序列；表示第个目标对象的位置变化轨迹序列中所有元素的总数量；表示第个目标对象的位置变化轨迹序列中第个元素的轨迹长度；表示和之间的DTW距离；表示以自然常数为底数的指数函数；

将任意一帧待识别交通场景灰度图像记为目标灰度图像；获取目标灰度图像中每个目标对象的轮廓参考邻域；

所述根据每个目标对象的运动轨迹一致性以及轮廓参考邻域内像素点的灰度，获取每个目标对象的轮廓参考邻域内每个像素点的显著调整必要性，包括的具体方法为：

对于目标灰度图像中第个个目标对象的轮廓参考邻域内第个像素点，获取第个像素点的质心位置向量和运动轨迹向量；

根据第个像素点的质心位置向量和运动轨迹向量，获取第个个像素点的显著调整因子；

获取第个目标对象的轮廓参考邻域内第个像素点的显著调整必要性的计算方法为：

；

式中，表示第个目标对象的轮廓参考邻域内第个像素点的显著调整必要性；表示第个目标对象的运动轨迹一致性；表示第个目标对象的轮廓参考邻域内第个像素点的显著调整因子；表示第个目标对象的轮廓参考邻域内第个像素点的灰度值；表示第个目标对象的轮廓参考邻域内所有像素点的灰度值的均值；表示取绝对值；

根据每个目标对象的运动轨迹一致性以及轮廓参考邻域内像素点的灰度，获取每个目标对象的轮廓参考邻域内每个像素点的显著调整必要性；根据显著调整必要性获取每个目标对象的轮廓参考邻域内每个像素点的优化后显著性；

所述根据显著调整必要性获取每个目标对象的轮廓参考邻域内每个像素点的优化后显著性，包括的具体方法为：

对于目标灰度图像中第个目标对象的轮廓参考邻域内第第个像素点，利用图像显著性检测算法获取第个像素点的显著性；获取第个目标对象的轮廓参考邻域内第个像素点的优化后显著性的计算方法为：

；

式中，表示第个目标对象的轮廓参考邻域内第个像素点的优化后显著性；表示第个目标对象的轮廓参考邻域内第个像素点的显著性；表示第个目标对象的轮廓参考邻域内所有像素点的数量；表示第个目标对象的轮廓参考邻域内第个像素点的显著调整必要性；表表示第个目标对象的轮廓参考邻域内第个像素点的显著调整必要性；

根据优化后显著性获取显著图；根据显著图进行交通场景识别。

2.根据权利要求1所述一种路空协同交通场景智能识别方法，其特征在于，所述获取所述目标对象的位置变化轨迹序列，以及位置变化轨迹序列中元素的轨迹长度，包括的具体方法为：

利用SIFT算法获取所述目标对象在每帧待识别交通场景灰度图像中整个区域；将所述目标对象在所有帧待识别交通场景灰度图像中整个区域的质心位置组成的坐标位置序列，记为所述目标对象的位置变化轨迹序列；对于记为所述目标对象的位置变化轨迹序列中任意一个元素，将所述元素与下一个元素之间的欧氏距离，作为所述元素的轨迹长度。

3.根据权利要求1所述一种路空协同交通场景智能识别方法，其特征在于，所述获取所述目标对象的时序显著值序列，包括的具体方法为：

利用图像显著性检测算法获取所述目标对象在每帧待识别交通场景灰度图像中的平均显著值，将所述目标对象在所有帧待识别交通场景灰度图像中的平均显著值组成的显著值序列，记为所述目标对象的时序显著值序列。

4.根据权利要求1所述一种路空协同交通场景智能识别方法，其特征在于，所述获取目标灰度图像中每个目标对象的轮廓参考邻域，包括的具体方法为：

对于目标灰度图像中第个目标对象，将组成第个目标对象的所有像素点记为第一像素点；将第个目标对象在目标灰度图像中的最小外接矩形区域，记为第个目标对象在目标灰度图像中的参考区域；将第个目标对象在目标灰度图像中的参考区域内除第一像素点以外的所有像素点构成的区域，记为第个目标对象的轮廓参考邻域。

5.根据权利要求1所述一种路空协同交通场景智能识别方法，其特征在于，所述获取第个像素点的质心位置向量和运动轨迹向量，包括的具体方法为：

将第个像素点与第个目标对象在目标灰度图像中的质心位置的直线线段，记为第一直线；将第一直线与水平线的夹角度数记为第一方向；将第一方向上的单位向量作为第个像素点的质心位置向量；

将目标灰度图像的下一帧待识别交通场景灰度图像记为参考灰度图像；将第个目标对象在目标灰度图像中的质心位置与第个目标对象在参考灰度图像中的质心位置的直线线段，记为第二直线；将第二直线与水平线的夹角度数记为第二方向；将第二方向上的单位向量作为第个目标对象的运动轨迹向量。

6.根据权利要求1所述一种路空协同交通场景智能识别方法，其特征在于，所述根据第个像素点的质心位置向量和运动轨迹向量，获取第个像素点的显著调整因子，包括的具体方法为：

将第个像素点的质心位置向量与第个目标对象的运动轨迹向量之间的余弦相似度，作为第个像素点的显著调整因子。

7.根据权利要求1所述一种路空协同交通场景智能识别方法，其特征在于，所述根据优化后显著性获取显著图；根据显著图进行交通场景识别，包括的具体方法为：

将目标灰度图像中所有目标对象的轮廓参考邻域内所有像素点均记为目标灰度图像的目标像素点；将目标灰度图像中每个目标像素点的优化后显著性作为目标灰度图像中每个目标像素点的显著性后，并记为优化后目标灰度图像；将优化后目标灰度图像输入图像显著性检测算法中获取显著图；

预设一个显著值阈值T1，将显著图中显著值大于T1的像素点记为关注像素点，将所有关注像素点所构成的多个闭合区域均记为交通场景关注区域。