基于OpenCV的車輛信息檢測系統研究

【摘 要】提出了一種利用OpenCV函數庫來進行圖像處理，并進行圖像基本處理，AOI區域定位，特征點坐標提取的方法，定位時采用行列掃描的方法確定車輛上下和左右邊界，然后對存在車輛信息噪聲的情況進行了過濾，AOI區域定位采用了邊緣檢測閾值比較的方法，特征點的坐標提取是采用平均模板匹配法，得到了很好的效果。

【關鍵詞】AOI區域定位；特征點提取；邊緣檢測

智能交通系統，簡稱ITS（Intelligent Transportation System），是目前世界各國交通領域競相研究和開發的前沿研究課題和熱點。ITS系統是人們將先進的信息技術、數據通訊傳輸技術、電子控制技術、傳感器技術以及計算機處理技術等有效地綜合運用于整個交通體系，從而建立起的一種在大范圍內，全方位發揮作用的實時、準確、高效的交通綜合管理系統。車輛信息檢測系統是智能交通系統中一個非常重要的方向，主要由圖像采集、AOI區域定位、特征點坐標提取以及信息識別四部分組成，己經越來越受到人們的重視。它具有良好的實際應用價值，目前主要應用于公路治安卡口、開放式收費站、車載移動查車、違章記錄系統、門禁管理、停車場管理等場合。

利用VC++，在OpenCV計算機視覺庫的基礎上，對車輛進行圖像獲取，圖像處理，最終得到車輛信息，主要包括以下幾個步驟，如圖1所示：

圖1 主要步驟

1.圖像獲取

利用OpenCV庫函數可以對攝像機進行操作的特性，首先定義CvCapture結構變量并初始化capture=0，CvCapture結構包含從攝像機或視頻文件讀取幀所需的信息，然后使用OpenCV庫函數cvCreateCameraCapture（）從攝像機得到視頻信息，即：capture= cvCreateCameraCapture（-1）。獲取視頻信息后還要獲得圖像，首先要定義IplImage結構變量并進行初始化frame=0，獲取圖像利用OpenCV的庫函數cvQueryFrame（），即：frame=cvQueryFrame（capture）[1]。

2.圖像預處理

利用OpenCV庫函數獲取到的圖像是彩色圖像，即每個像素點由紅色（R），綠色（G）和藍色（B）3個分量組成，如果直接用彩色圖像計算量會很大， 很難達到實時、快速識別的目的。在實際應用中，我們可以采用如下公式將彩色圖像轉換為灰度圖像：

Y=0.299*R+0.587*G+0.114*B

其中，Y代表轉換后灰度圖像的像素值，R、G、B分別代表彩色圖像中紅、綠、藍三原色的分量[3]。利用cvCvtColor（src，pImgCanny，CV_RGB2GRAY）；對圖像進行灰度化處理。如圖2所示：

圖2 灰度圖像

下一步對灰度化圖像進行二值化處理。二值化就是選擇一個閾值T，如果圖像中的某個灰度值大于T，就將這個像素的灰度值設為255，否則設為0.公式如下：

g（x，y）=255，g（x，y）≥T

0，g（x，y）

選擇閾值T時，本文采用自適應閾值法，利用cvAdaptiveThreshold（）函數得到[1]。并采用Robert算子邊緣檢測二值化，二值化后的圖像如圖3所示，邊緣檢測的圖像如圖4所示。

圖3 二值化圖像

圖4 邊緣檢測圖像

3.AOI區域定位

預處理完的車牌圖像就可以進行AOI區域定位了，由于車輛信息在圖片中自身的特殊性，可以根據車輛圖像的自身特點進行定位。

3.1車輛的特點

（1）車輛輪廓最低點一般是車身最低點，其下方沒有明顯的邊緣密集區域。

（2）車輛輪軸大小、 個數明顯，并且圓心到邊界距離一定。

（3）拍攝環境不同，可能會造成車輛圖像有一定的噪聲。

（4）車輛信息區域的像素點明顯多于其他部分。

因此，可以對邊緣檢測后的圖像進行行掃描和列掃描，從而得到車輛信息區域。

3.2車輛信息行與列掃描

設定方法：

（1）將邊緣檢測圖像中每行灰度級為255的像素的個數介于一定范圍內。設定車輛區域中每行灰度級為255的像素個數最大最小值分別為num1、num2。若某行中灰度級為255的像素個數集中介于[num1，num2]，則可以將此行的行號存入車輛AOI候選區域。

（2）對（1）中得到的車牌候選區域相鄰兩行號做平均，若均值誤差小于某個值M，說明此行在AOI區域內。

（3）通過（2）中得到的行號分割圖像得到了AOI區域，記錄此時的車輛邊界特征點。

圖5 AOI區域確定圖像

3.3 車輛信息特征點提取

為了檢測車輛長度，首先要確定車頭與車尾的兩個特征點。通過對圖像的分析，我們可以看出圖像中車輛的區域存在以下特點：

車輛區域灰度值比較大：

檢測的前提條件是兩個圖像不存在位置的誤差和角度誤差，實際往往無法達到100%的精確，因此會存在較小的誤差，從而在對圖像進行二值化處理的時候往往產生如椒鹽噪聲似的亮點，盡管通過二次濾波可以消除大部分亮點，但仍會存在少量亮點。

通過對車輛圖像的一系列處理，我們得到了最終的車輛單色圖像。通過對圖像特點的分析，我們可以看到車輛區域在圖像中顯示為白色，基于這個特點利用平均模板進行匹配，從而實現車輛的車頭車尾與車身的自動搜索，特征點定位如圖6所示：

圖6 特征點確定圖像

3.4輪軸信息的確定

輪軸的定位就是在車輛圖像中把輪軸區域提取出來，是輪軸檢測的關鍵技術，是提高輪軸檢測識別率的前提和基礎。定位的準確度直接影響著輪軸信息檢測的識別性能。

我們使用一種綜合的定位方法，將灰度特征和幾何特征結合起來進行定位的方法。由于車輛輪軸自身的一些特點，例如，一般位于一張圖片的底部、輪軸為圓形、輪軸周圍的像素點比中心像素點較多等。本文利用OPenCV函數庫中的cvFindCircles（）在圖片中找到輪軸圈，初步確定輪軸區域。

在此基礎上進行特征檢測，精確定位，進行輪軸特征匹配，利用CV_IMAGE_ELEM得到每一點的灰度值，記錄每一個AOI區域所有的灰度值特征，找到輪軸中心的位置，然后記錄每一個圓心的圖像坐標值，利用單位轉換的原理得到圖像中物體對應的實際物體的尺寸，利用cvSetImageROI（）設置敏感區域，將定位到的輪軸區域放大處理，cvCopy（）從源圖像中拷貝圖像，從而得到輪軸區域圖片，如圖7所示，為進一步判斷輪軸半徑等參數做下一步分析。

圖7 輪軸區域圖像

這里利用Xu提出的隨機Hough變換（RHT），相對于Hough變換，RHT能夠大量降低內存需求和計算時間。把圖像空間隨機選取的不共線的三個點映射成參數空間的一個點，是多對一的映射，避免一到多映射的巨大計算量。在處理復雜圖像時，由于隨機采樣仍引入大量的無效單元，從而造成大量無效積累。論文針對實際應用需要提出一些改進利用隨機Hough 變換用于圓檢測。

算法實現基本流程如下：

<1>構造邊緣點集P，初始化參數單元集Q，循環次數n=0.S為確定真實圓閾值。

<2>按一定規則從P中選取3個點Pi，Pj，Pk，計算確定的圓參數O（a，b，r）。

<3>從Q中找出Oi，滿足‖O（a，b，r）-Oi‖≤δ則繼續。否則轉<2>。

<4>取Pm（m≠i，j，k）計算dm-0，若滿足dm-0<δ，則Qi=Qi+1。P=P-{Pm}，n=n+1，直至取完滿足條件。

{Pm|a+r-t≤xm≤a+r+t，a+r-t≤ym≤a+r+t}的點。

<5>如果計數Qi>S，確認O（a，b，r）為真實圓，否則從Q中去除Qi，轉<2>。

<6>判斷并檢測圓的數目是否符合規定，達到結束程序；否則轉<2>。

4.結論

本文利用了行掃描和列掃描的方法對車輛AOI區域進行粗定位，利用特征點定位并進行閾值平均得到車輛高度與車長特征，并通過Hough變換對輪軸圖像進行處理，便于進一步的圓特征確定，最后利用特征點坐標比較得出車輛信息，得到了很好的效果，從實驗的300張圖像得到的結果來看，車輛特征信息確定成功率達到95%以上，但在實際的應用中，車牌圖像還要受到很多因素的干擾，因此要進一步提高識別率和識別速度是下一步要研究的內容。

【參考文獻】

[1]劉瑞禎，于仕琪.OpenCV教程——基礎篇[M].北京航空航天大學出版社，2007.

[2]曾麗華，李超.基于邊緣與顏色信息車牌精確定位算法[J].北京航空航天大學學報，2007：33-9，1112-1115.

[3]岡薩雷斯.數字圖像處理[M].北京電子工業出版，2007.

[4]孫炎增，張前進.車牌字符識別技術的研究與實現[J].微電子學與計算機，2008：25-6，101-104.

[5]龐茂群，鄧開發.一種基于灰度圖像的車牌定位方法[J].計算機工程與科學，2009：31-10，39-41.