基于車輛正面俯視圖的車型識別方法

摘 要 提出一種從車體正面俯視圖識別車型的方法。選擇車體面積和車窗上邊緣分別到車體前、后端的距離的比值作為識別分類的特征向量，同時提高分類的可靠性。特征提取算法中，利用相位編組形式的霍夫（Hough）變換，精確定位車窗。實驗結(jié)果驗證了該方法的識別準(zhǔn)確性以及優(yōu)良的時效性，可以滿足車輛識別的實時性要求。

【關(guān)鍵詞】車型識別 車窗定位 特征提取 Hough變換

車型識別是高速公路自動收費(fèi)和交通流量統(tǒng)計的重要依據(jù)，是智能交通系統(tǒng)（ITS）不可或缺的重要組成部分。車型識別可分為兩大類：一類是通過傳感器（例如紅外、環(huán)形磁感應(yīng)線圈等）獲取車輛的重要參數(shù)進(jìn)行識別分類。另外一類是基于視頻處理的方法。

1 車輛特征研究

實際中，由于面包車與轎車車型本身構(gòu)造上的差異，面包車幾乎沒有突出的前臉，且車頂長度幾乎同車身長度相等。故將比值T作為第二項特征。

2 車輛特征提取方法

2.1 提取特征面積S

提取車輛面積S這一特征的具體算法如下：

（1）采用可以不斷學(xué)習(xí)，具有自適應(yīng)性等良好特性的混合高斯背景建模方法獲得車流視屏中的道路背景圖像。

（2）車輛檢測，在獲得道路背景之后，將視頻流中后續(xù)的車輛圖像，再通過二值化處理，得到車體的二值圖像。

（3）形態(tài)學(xué)重構(gòu)，應(yīng)用背景差法和二值化處理之后的車體二值圖像還不能直接用于后續(xù)的車體面積計算。

（4）計算車體面積，獲得面積特征S。

提取長度比值T

將車窗上邊緣的定位提取算法如下幾表示。

2.2.1 預(yù)處理

對采集到的車輛圖像經(jīng)過灰度變換后得到車輛的灰度圖形，道路環(huán)境因素通常較為復(fù)雜，且會受到不同程度的干擾，車窗邊緣的亮度通常比背景亮度低很多，所以需要對車輛圖像進(jìn)行噪聲濾除，并對亮度和對比度做成調(diào)整。自適應(yīng)濾波的原理如下：

首先，由公式（1）、公式（2）計算像素的μ（局部均值）和σ2（方差）。

v2是圖像的噪聲方差。形態(tài)學(xué)圖像處理中的開運(yùn)算可以平滑對象的輪廓，斷開狹窄的鏈接，去掉細(xì)小的突出部分，可對不均勻的背景亮度進(jìn)行補(bǔ)償。

2.2.2 車窗上邊緣檢測

Hough變換是較穩(wěn)健的流行統(tǒng)計算法，用來從圖像中提取全局特征，但是該方法的缺點(diǎn)是：

（1）由于Hough變換是以局部邊緣檢測算子為基礎(chǔ)的，該方法對于若對比度的直線檢測成功率較低；

（2）該方法對邊緣特征做局部決策前，缺乏對圖像結(jié)構(gòu)的全局理解。

算法描述：

（1）相位編組、區(qū)域?qū)傩杂嬎悖簩囕v圖像進(jìn)行預(yù)處理并通過直線檢測和模板濾波之后得到一副包含車窗等邊界的二值圖像。

（2）去掉面積較小的區(qū)域并進(jìn)行區(qū)域直線檢測：通過計算每一編組區(qū)域的長度、寬度以及面積，并對各編組區(qū)域標(biāo)定相位方向。

（3）全局峰值檢測：對全局編組區(qū)域參數(shù)A（ρ，θ）執(zhí)行局部峰值檢測，獲得局部極值單元。

3 分類結(jié)果與分析

對車輛正面俯視圖經(jīng)過圖像預(yù)處理、邊緣檢測、模板濾波、直線提取之后，提取到用來識別分類車型的兩項重要特征：車體面積S和車窗上邊緣分別到車體前后邊端的比值T。

可表示為F=（S，T）

本文采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別分類。

4 結(jié)論

目前側(cè)視圖識別車型中最少需要使用三項特征，而本文提出的基于車輛正面俯視圖識別車型的方法，僅選用車體面積S和車窗上邊緣到車體前、后端長度的比值T這兩項特征。

參考文獻(xiàn)

[1]陳任，黃輝先，譚媛等.基于圖像對稱性的車輛遙感識別[J].國土資源遙感，2016，28（04）：135-140.

作者簡介

張辰銳（1988-），男，山西省呂梁市人。碩士研究生。助教。研究方向為圖像處理、模式識別。

作者單位

呂梁學(xué)院物理系 山西省呂梁市 033000