基于背景紋理的轎車車標定位方法①

李映東,吳曉紅,卿粼波,何小海

(四川大學 電子信息學院,成都 610065)

車輛信息的采集和識別已成為智能交通系統中至關重要的部分.然而已有的車牌識別系統受到套牌車的影響,無法準確的獲取車輛信息,面對這種情況,基于車輛圖像的車標識別受到了越來越多的重視,它已成為車輛識別系統中不可缺少的關鍵一環.而作為車標識別的先決條件,車標定位顯得格外重要,它是正確識別車標的首要條件和重要保障.但由于車標種類繁多、大小形狀不一、紋理不定,特別是車標背景散熱片的干擾,對車標的準確定位產生了影響.目前已提出了很多車標定位的研究方法,如:基于SVM的車標定位方法[1,2];基于DCT域的車標定位方法[3,4];基于PCA的車標定位方法[5,6];基于背景紋理分析的車標定位方法[7,8];基于邊緣檢測的車標定位方法[9–12];基于模板匹配的車標定位方法[13]等.但現有的多數車標定位方法只適合用于簡單的車標背景,且光照條件要求較高,局限性比較大.如文獻[7]通過動態模板來確定水平紋理背景車標的左右邊界以及基于邊緣密度來實現垂直紋理背景車標的精確定位,這種方法受光照影響比較大,對于有反光現象的車標背景,定位效果較差;文獻[8]對垂直紋理背景消融后,通過自適應二值化和形態學實現車標的精確定位,但是當散熱片紋理有一定角度時,會影響定位效果;文獻[12]利用Law算子對車標背景噪聲進行抑制后采用中值濾波來去除干擾,文獻[13]采用邊緣檢測和以部分背景散熱片作為模板匹配來定位車標的位置,這些方法都對車標背景散熱片紋理要求較高,當散熱片紋理并不是完全水平或者垂直而是有一定角度時定位效果較差.

針對現有車標定位方法的問題,通過構建車標及其背景圖像的數據集(部分如圖1),進過大量實驗并進行數據分析,本文提出了一種新的車標定位方法.先通過車標與車牌的空間位置關系的先驗知識,得到車標的粗定位區域.再對粗定位區域的圖像進行水平投影和垂直投影,根據水平投影的差異和垂直投影的方差大小判斷車標背景散熱片的紋理方向.利用Sobel算子對不同類別的背景散熱片進行消融,并采用鄰間二值化方法突出車標部分,同時結合一種基于投影的去噪方法對噪點進一步消除,從而實現車標的精確定位.

1 車標背景紋理的判別

車標圖案通常位于車首和車尾,位于車首部分的車標特征更加明顯,所以本文根據車首圖像實現車標的粗定位.基于先驗知識可以知道,通常轎車車標在車牌正上方的0.5～3.0個車牌的高度范圍內[14];此外,車標的寬度一般不會超過車牌.因此,可以根據車牌的位置對車標進行粗定位.如圖2所示是通過已有的車牌定位算法[15,16]得到的車標粗定位區域.

圖2 車標的粗定位

本文依據車標背景特征將車標背景分為三大類:無散熱片背景、類水平紋理散熱片背景和垂直紋理散熱片背景.無散熱片是指車標背景沒有散熱片或者散熱片在車標下面(如圖3(a)).類水平紋理散熱片(如圖3(d))是指各種水平方向紋理(散熱片角度在0度到45度之間)和網狀紋理散熱片.垂直紋理散熱片是指其主要散熱片角度在45度到90度之間的(如圖3(g)).

圖3 各種車標背景的水平投影和垂直投影

車標背景的類別可依據粗定位區域的投影來判斷.首先根據無散熱片背景的特性,本文利用粗定位區域的水平投影判斷車標背景有無散熱片.由于實際當中光照不均勻的影響可能導致車標的投影不完全,所以先對粗定位區域的二值化圖像進行膨脹,然后進行水平投影.判別條件如下:

其中,T是對車標粗定位區域進行水平投影,從上至下的首段連續不為零區域,S是這段區域的最大投影長度,H是粗定位圖片高度,W是粗定位圖片寬度.如圖3所示是各種車標背景及其投影.

對于車標背景有散熱片的,本文利用其粗定位區域的垂直投影方差來判斷散熱片的種類是類水平紋理還是垂直紋理.通過實驗可以發現這兩類散熱片的垂直投影方差差異性較大,如圖3(f)和圖3(i)所示.分類判別條件如下:

其中,V是車標粗定位左起1/3區域垂直投影的方差,M是方差閾值并由實驗得出,實驗發現M=2.8可以很好的區分出背景的散熱片紋理.如圖4是車標背景紋理的判別流程圖.

圖4 車標背景紋理判別流程圖

2 車標的精定位

根據水平投影和垂直投影上的特性將車標背景分類后,分別對不同種類的車標背景進行處理,從而達到車標的精確定位.如圖5是車標精確定位整體框圖.

圖5 車標精確定位整體框圖

2.1 無散熱片背景的車標精定位

對于背景無散熱片的,由于沒有散熱片的干擾,噪聲較小,可根據粗定位區域的投影來確定車標的準確位置.由于實際當中光照不均勻的影響可能導致車標的投影不完全,所以先對粗定位區域的二值化圖像進行膨脹,然后在其水平投影上取出自上而下首段連續不為零的區域,再對這段區域進行垂直投影,截取垂直投影中連續不為零的最大區域,得到的即是精確定位的結果,如圖6所示.

圖6 無散熱片背景的車標精確定位

2.2 類水平紋理背景的車標精定位

對于車標背景散熱片是類水平紋理的,首先利用Sobel垂直算子對其進行消融.通常消融的結果噪聲較大,文獻[7]中采用最大類間方差法進行二值化分割,可是其對光照和背景的要求很高,難以突出車標部分.為了最大限度的消除背景噪聲的影響,本文采用了一種適用于車標定位的鄰間二值化方法:

其中,f(i,j)是點(i,j)的灰度值,k是灰度值閾值.由于Sobel垂直算子消融后的圖像在垂直方向上保持著邊緣特征,基于這一特性,可以將(i,j)與其上下兩個點的灰度值相加,當相加結果小于k,即視為噪點.經過實驗發現k=400時可以在保證車標區域的基礎上很好的去除邊緣噪聲.

與OTSU(最大類間方差法)相比,本文方法適應性更廣,特別是當背景散熱片有一定的角度和背景散熱片是網狀的,效果更加突出.如圖7是OTSU與本文鄰間二值化算法的對比.

圖7 鄰間二值化與OTSU效果對比

通過Sobel算子對車標背景散熱片消融,并進行鄰間二值化,然后對圖像進行去噪.對于一些背景紋理比較復雜的車標,文獻[8]單一的運用形態學去噪效果并不是很好.本文根據類水平紋理的邊緣特征,采用了一種基于投影的去噪方法.類水平紋理鄰間二值化后的車標部分在水平投影上具有連續性且長度最大,在垂直投影上分為幾個連續區域.基于這一特性,可以取水平投影中連續不為零的最大區域,其他區域可視為噪點并去除.

式中,f(i,j)是點(i,j)的灰度值,Tm是采用鄰間二值化后在其水平投影上連續不為零的最大區域.結果如圖8(d)–8(f)所示.

圖8 類水平紋理背景的車標精確定位

對經過水平方向上去噪之后得到的圖像進行垂直投影.取垂直投影中連續不為零的最大區域,然后與各連續區域對比,小于最大區域長度的1/5視為噪點.

式中,f(i,j)是點(i,j)的灰度值,W(i,j)是點(i,j)所在的區域,Wm是垂直投影上連續不為零的最大區域.結果如圖8(g)–8(i)所示.對經過去噪之后的圖像膨脹,取其最大的外接矩形,即是車標精確定位的結果,如圖8所示.

根據車標的物理特性,其輪廓具有一定的對稱性,本文對車標的對稱性加以約束,以減小冗余,使車標的最終定位更加精確:

式中,Lleft是車標左邊界到粗定位區域中軸線的距離,Lright是車標右邊界到粗定位區域中軸線的距離.

2.3 垂直紋理背景的車標精定位

對于車標背景散熱片是垂直紋理的,利用Sobel水平算子對其進行背景消融,并采用鄰間二值化.與類水平紋理不同的是,垂直紋理鄰間二值化是取 (i,j)與該點左右兩個點的灰度值相加,當相加的值小于k即視為噪點.

在垂直紋理的散熱片背景中,車標下方或者上方通常會有一條水平長條,對車標的精確定位有所影響.因此,在鄰間二值化之后,需要對其進行消除.實際中這條水平長條大多數并不是完全水平的,而是具有一定的幅度,且其在水平投影上的值與車標部分差異明顯,因此,當相鄰兩行的投影值相加結果大于粗定位圖像寬度的1/5,即視為長條部分并去除.

其中,f(i,j)為點(i,j)的灰度值,h(i)為粗定位區域水平投影,W為粗定位區域寬度.

垂直紋理預處理后的車標部分在垂直投影上具有連續性且長度最大,在水平投影上分為幾個連續區域.基于這一特性,可以取垂直投影中連續不為零的最大區域,其他區域可視為噪點并去除.對經過垂直方向上去噪之后的圖像進行水平投影,取投影中長度最大的連續區域,然后與各連續區域對比,小于最大區域長度的1/5視為噪點.最后對經過去噪之后的圖像膨脹,取其最大的外接矩形,即是車標精確定位的結果,如圖9所示.

圖9 垂直紋理背景的車標精確定位

3 實驗結果及分析

為了驗證本文算法的有效性,從某城市主要道路隨機采集了轎車車頭圖像,并準確獲取了含有車標的粗定位圖像1000張,車標種類32種.包含了實際運用中常見的轎車車輛散熱片背景.本文將其分為三類:無散熱片背景101張,類水平散熱片背景612張,垂直散熱片背景287張.采用本文算法對這1000張圖像進行車標的精確定位.由于本文算法是對現有的基于背景紋理分析的車標定位方法[7,8]的進一步改進,故采用本文同樣的實驗數據與文獻[7,8]進行對比(C++實現測試),結果如表1所示.

表1 車標定位準確率對比(單位:%)

文獻[7]采用了動態模板定位類水平紋理邊界的方法,同時對于垂直紋理引入了邊緣顆粒度的概念,但是當背景散熱片紋理比較復雜時,定位效果并不好,且受光照的影響較大.文獻[8]采用不同的濾波算子對不同的車標背景散熱片進行消除,并根據車標的物理特性和自適應二值化實現精確定位,但其對于車標背景散熱片是網狀的定位率較低.本文方法基于投影的車標背景分類對不同的背景散熱片進行消除,采用了一種鄰間二值化和基于投影的去噪方法,能很好的消除車標背景噪聲的影響,適用性廣,對車標的定位更加準確.由表1可知,本文算法的車標定位準確率明顯優于文獻[7,8].

本文算法受光照影響較小,對于多數存在反光現象的背景能夠實現車標精確定位,如圖10(a)所示.但是對于反光現象特別嚴重的,如圖10(b)所示,定位效果較差,主要是因為反光的面積太大,其邊緣與背景紋理的方向差別較大,無法對其很好的消融,造成定位錯誤,這也是以后需要進一步改進的地方.

圖10 反光背景的車標定位

4 結束語

本文提出了一種基于背景紋理的轎車車標定位方法.首先依據車標和車牌之間的空間位置關系的先驗知識,獲取車標的粗定位區域,然后依據其在水平投影與垂直投影上的差異性將車標背景分為三大類.運用Sobel算子分別對不同種類的散熱片進行消融;為了更好的去除散熱片背景對定位車標的影響,本文引入了一種鄰間二值化方法,既有效的保存了車標部分的信息,又能更好的消除背景的噪點,特別是對網狀和有一定角度的背景散熱片的效果尤其突出.同時采用基于投影的去噪方法消除車標周圍殘留的噪點,并利用車標的物理特性和形態學對圖像進一步處理,以此實現車標的精確定位.本文提出的車標定位方法實用性強,適用于不同的車標背景,特別是對背景比較復雜的(如網狀散熱片背景)車標定位效果優于其它方法.實驗表明,本文的車標定位方法是準確、高效的.

本文算法在實際的實驗中效果很好,但對于反光現象特別嚴重的車標粗定位圖像,定位準確率相對較低,需進一步改進.