CN101196980A - 基于视频的高速移动车辆标志精确识别方法 - Google Patents

Abstract

一种基于视频的高速移动车辆标志精确识别方法，属采用图像和模式识别来实现车辆检测和车辆标志识别的计算处理方法。主要由5大功能模块组成：摄像机控制模块、运动检测模块、车辆抓拍模块、车辆定位模块、车标识别模块组成。它由摄像系统获取实定视频图像，通过对视频图像处理判断是否是车辆通过，并根据运动特征判断车辆的运动方向，并从图像序列中分割出移动车辆图片，通过车辆纹理特定位车标，前后利用车标特征对车头标志或车尾标志进行分类识别。本发明能解决高速行驶车辆的车型及车标识别，尤其是车尾标志的识别。

Description

基于视频的高速移动车辆标志精确识别方法

技术领域

本发明属于图像处理与模式识别技术，具体来说是利用图像处理和模式识别技术来实现车辆的检测和车标识别的计算机处理系统。

背景技术

目前，国外的车辆识别技术研究主要集中在低速车辆和车牌识别方面。对车型(如小车，大货车等)的识别分类非常粗糙，比如Autoscope产品只分大、中、小等三类。因此，普遍识别能力与性能较差，主要运用于收费站停车检测，不能识别高速移动车辆，更无精确识别车辆标志(车头标志与车尾标志)的技术。国内也有多单位在进行车辆识别技术方面的研究，其研究基本上都局限于车牌识别技术上，基本没有涉足车辆标志识别领域。

现有的一些车型分类系统和识别技术多采用非视频方式，比如红外对管、地感磁力检测器、激光检测器来完成车辆几何尺寸和/或外形轮廓的获取，或者是转化为对磁感应特征曲线的分类识别，这些方法存在许多不足的地方，一是成本高，有的方式还需要破坏路面；二是没有车标信息，车型分类难以完全满足应用需求；三是没有车辆图片信息，很难在公安交通等特殊领域进行应用，比如交通违章、违法肇事等需车辆现场图片作为证据。

目前，国内外对于车辆标志识别的研究主要集中在三个方面：第一是主要针对静止车辆或是低速车辆的单幅图像的处理；第二是主要针对车辆头部的标志进行处理；第三是主要研究车辆头部标志的定位，以及少量车标的简单识别。

1、针对单幅图像的车辆头部车标定位

其中比较有代表性的研究是四川大学的庄勇等人的以及李贵俊等人的两篇学术论文。(1)一种快速车标定位方法，庄永，杨红雨，游志胜，李贵俊，黄戈，四川大学学报(自然科学版)，第41卷第6期，1167-1171，2004年12月；(2)基于能量增强和形态学滤波的车标定位方法，李贵俊，刘正熙，游志胜，王宁，光电子·激光，第16卷第1期，76-79，2005年1月。

目的：实现一种针对车辆图片的车辆头部标志的快速定位算法。

技术措施：处理对象为车头图片，利用车辆牌照与标志之间的位置关系，把车辆标志纹理的能量特征与形态学方法相结合，确定车标在图片中的位置。

效果：基本只能针对采集好的车头图片进行处理，没有涉及到移动车辆，特别是高速移动车辆的捕获和定位。一般对车头标志定位准确率在95％左右，但是都受到车牌定位效果的左右。

2、针对单幅图像的车辆头部车标识别

其中比较有代表性的研究是四川大学的罗彬等人的论文：基于边缘直方图的快速汽车标志识别方法，罗彬，游志胜，曹刚，计算机应用研究，第六期，150-151，2004年6月。

目的：实验一种基于边缘直方图的车标识别算法。

技术措施：处理对象为车头图片，在模板匹配定位的基础上，运用相关法和边缘直方图识别车头车标。

效果：只能识别17种标志，识别正确率为90％左右。没有提出识别率的指标，没有涉及运动车辆的抓拍，而且对车尾的车标识别没有描述。

基于视频的高速移动车辆标志的精确识别，在国内外虽然经过多年研究，但仍是一个另人困惑的技术难题。至今为止，尚未查阅到这方面有比较理想的、可大规模推广的实用技术。

发明内容

本发明的目的是提供一种能对高速移动车辆的车头标志或车尾标志进行识别的基于视频的高速移动车辆标志精确识别方法。

本发明的目的是通过以下技术方案加以实现的：一种基于视频的高速移动车辆标志精确识别方法，按以下步骤进行：

a)、首先对摄像机与采集卡实时捕获的连续视频图象进行平均灰度的计算，平均灰度范围有3个等级：80-110，110-160，160-190，，通过调整摄像机建国快门、摄像头增益和采集卡增益，控制整个图象的平均灰度在110-160之间，接着进行运动检测，如果长时间不能检测到运动，或者一直检测到运动不间断，则继续调整快门和增益，使平均灰度在所取等级范围内变化，直到检测到有规律的运动出现，即一段运动后有一个空闲时间，接着再一段运动，完成摄像机的粗调过程；经过运动检测，可以对车辆进行抓拍和对有牌车辆进行快速的牌照定位，调整摄像机参数，使车牌的平均灰度在90-100之间，以满足车辆标志的识别，细调每5分钟进行一次，把这5分钟内能检测到的车牌累计起来，计数平均灰度，与标准灰度范围比较，并作相应快门调整，如果在3个连续的细调周期都不能找到车牌，则返回粗调，以另一个平均灰度范围等级作上述处理；

b)、上述运动检测采用视频中一帧的奇偶场进行块运动检测、且场间时间间隔限制在20毫秒内；一帧的奇偶场图象大小为768×288，把图象分成18×18大小的块，每块对应像素值差的绝对值之和再除以块的总像素数，作为块的运动参数，这个参数大于给定阈值30的块，作为运动块，小于30的块，作为静止块；记录每一帧运动块的数目以及运动块的位置，作位运动参数；比较一个序列帧的运动块数目与位置的变化，获得运动方向以及运动位置的变化情况，对正向车辆来说，当记录运动块数目达到极大值而且运动的前沿还设有离开图象下沿时，对车辆进行抓拍，对反向车辆来说，当记录运动块数目达到极小值而且运动的后沿还没有离开图象下沿时，对车辆进行抓拍；

c)、根据运动区域、边缘信息和纹理信息在抓拍的图象中确定车头或车尾的定位区域；

d)、车辆标志的定位：首先对定位区域进行边缘提取；边缘信息在Y方向投影，根据投影直方图，确定纹理丰富的区域；结合车辆定位位置，在纹理丰富的带状区域计算对称轴；与车牌位置比较，如果车辆对称轴与车牌中心距离在20像素之内，用车牌中心代替得到的车辆对称轴；以8连通对边缘信息进行标记，找出车辆定位区域的各个连通区域；对连通区域大小进行判别，保留在车辆标志大小范围内的区域，作为待识别区域；

e)、根据特制模板对上述待识别区域进行筛选：按互相关系数公式计算待识别区域中每一像素点与车标模板中每一像素的互相关系数，并取互相关系数最小的5个车标模板，进入下一级特征识别；

互相关系数公式为： $\mathrm{\γ}=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}S(x,a,b,c)[f(i,j)-v][g(i,j)-w]}{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{[f(i,j)-v]}^2\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{[g(i,j)-w]}^2}$

其中，f(i，j)为候选区域(i，j)位置的灰度值，v为候选区域的平均灰度，g(i，j)为模板(i，j)位置的灰度值，w为模板的平均灰度，x为(i，j)点到中心的欧氏距离。S(x，a，b，c)为车标模块的隶属度函数，其定义为：

$S(x,a,b,c)=\left\{\begin{array}{c}0,x>a,a=r\\ {(x-a)}^2/(b-a)(c-a),b\&le;x<a,b=3r/4\\ 1-{(x-c)}^2/(c-b)(c-a),c\&le;x<b,c=r/2\\ 1,x\&le;c\end{array}\right.;$

f)、根据方向分形算法对筛选后的车标进行精确识别：计算出待定区域的0度、45度、90度、135度的4方向分形维后，把它作为一个一维向量，与筛选后的车标模板的标准4方向分形维的一维向量之间计算欧式距离，以欧式距离最短者，作为识别的车标类型。

上述运动检测的处理方法中，车辆抓拍后和确定车头或车尾定位区域前，还要对图象进行预处理：对车头图象，则进行图形噪声去除以及对比度增强处理：对于车尾图象，则运用同态滤波技术进行处理。

从上述技术方案的总体构思是：首先由视频摄像系统获取实时视频图像，然后通过实时图像处理判断是否有车辆通过，其次根据运动特征判断车辆的运动方向并从图像序列中分割出移动车辆图片，通过运动特征判断车辆的行驶方向，通过车辆纹理特征信息定位车标，最后利用车标的特征对车头标志或者车尾标志进行分类识别。

本方案的实施步骤大体可概括为下面几步

1、通过特有的摄象机控制技术，得到全天候清晰的视频图象。

2、在奇、偶双场的采集模式下，用块运动检测技术检测运动物体，时速最高为180公里。

3、运用运动跟踪技术对车辆头部或者尾部图象进行准确抓拍，抓拍率达到99％。

4、针对车头或者车尾图片采用不同的方式对图象进行预处理，并分割出车辆位置。

5、利用形状信息、特征点信息与纹理信息定位车标。

6、基于模糊识别技术，对车标进行一级分类；运用分形细节特征相结合的方法，对36种轿车车标进行精确识别。识别率达到85％，识别正确率达到95％。识别时间小于0.5秒。其中，识别率指在一时间段中识别到的车标个数与这段时间中通过的上述36种轿车的总数之比；识别正确率指在一段时间中识别到的车标正确的个数与这段时间中识别到的车标总个数之比。

本发明专利在技术方案上主要有3大方面与现有技术有重大区别。

1、采用特有的摄象机控制技术与运动检测和跟踪技术，在纯视频工作模式下可以准确抓拍高速移动车辆，抓拍率达到99％。

2、对车辆尾部的车标进行定位和识别。

3、对36种常见的轿车车标进行精确识别，识别率达到85％，识别正确率达到95％。

本发明的有益效果是：

本发明不但包含了基于视频信息的运动车辆抓拍技术，而且解决了轿车类型的识别问题。

基于视频的运动车辆抓拍技术的抓拍率达到了99％，完全可以取代现在大量应用于公路交通工程的地感线圈抓拍模式。基于视频的方式不但成本低，而且安装灵活方便，更加适用于我国现阶段的交通状况。

本发明主要识别轿车车头标志和车尾标志，完全采用视频处理技术，实时、自动捕获、定位移动车辆，克服运动模糊，利用车辆的外形特征自动实现车标的准确定位、分割和识别。可以识别出36种(如奔驰、宝马、凯迪拉克、奥迪、福特、别克、大众、本田、丰田、尼桑、马自达、现代、三菱、凌志、保时捷、法拉利、红旗、中华、标致、富康、雪铁龙、铃木、道奇、哈飞、欧宝、起亚、奇瑞、吉利、夏力、雪佛莱、雷诺、福莱尔、菲亚特、沃尔沃、皇冠、跃进等)轿车品牌，并且识别率达到85％，识别正确率达到95％。那么现在的治安卡口、电子警察、旅行时间以及移动查车等不论是抓拍车头或者是车尾图片的公安交通系统都可以嵌入本专利技术。不但可以丰富车辆信息采集的内容，而且与车牌结果相结合，更为打击涉车的违法犯罪行为提供了有力的保证。本发明应用范围包括公安、交警和交通领域等。

本发明在北京和深圳公安交通系统中试用中取得成功。

附图说明

图1是本发明的总体方案流程图；

图2是本发明的逻辑结构图；

图3是摄相机控制模块的程序流程图；

图4是车辆运动检测模块与车辆抓拍模块的程序流程图；

图5是车辆定位模块的程序流程图；

图6是车标识别模块的程序流程图；

图7是正向行驶车辆图片效果图；

图8四逆向行驶车辆图片效果图；

图9是车头标志和车尾标志定位示意图；

图10是车标定位位置输出示意图；

图11是车标模板示意图。

具体实施方式

本技术的具体实施流程如图2所示。技术实现主要由5大功能模块组成：摄象机控制模块，运动检测模块，车辆抓拍模块，车标定位模块，车标识别模块。

摄象机控制模块根据获得的视频对摄象机——采集卡进行连动控制，并且在有车辆抓拍的情况下还要通过图象细节进行摄象机控制，从而得到满足车标识别要求的视频图象。

运动检测模块完成奇偶场的采集，并且根据奇偶场图象进行块运动计算，得到需要的运动参数。

车辆抓拍模块接收各种运动参数，根据运动跟踪算法检测车辆运动方向，抓拍一张完整的车头或者车尾图片。

车标定位模块在车辆图片上利用形状信息、特征点信息与纹理信息确定车标的位置。位置信息分无、唯一和多个位置三种。

车标识别模块根据定位模块传送的位置信息，在所有车标可能出现的位置进行识别，输出置信度最大的识别结果作为该车辆的车标。

本发明的具体实施主要有以下5大方面的内容。

1、视频捕获与摄象机控制

整个系统通过摄象机与采集卡进行实时视频捕获。为了得到有利于识别系统处理的图象，一般以车牌为标准调节视场大小(因为车牌的实际大小是统一标准)。在标准的768*576的视频图象中，当车牌处于图象中间位置时，其所占像素为140个像素点是最佳视场大小。

由于在全天候条件下，光线变化剧烈，而且抓拍对象为高速运动车辆，所以如果采用摄象机通常提供的自动控制功能，不但不能得到不带运动模糊的清晰图象，而且在图象局部区域的亮度和对比度上也不能满足车标识别的要求。

本技术采用“摄像头光圈快门、摄像头增益和采集卡增益的联动自适应控制”，通过连续视频对摄象机进行粗调，依据抓拍图片的特殊区域对摄象机进行细调，总控制能力达到80db以上，有效解决了图象采集方面的问题，为整个系统提供高质量的视频源。

摄像机控制的具体处理方法是：首先计算连续视频图象的平均灰度，平均灰度范围有3个等级：80-110，110-160，160-190。通过调整快门和增益，控制整个图象的平均灰度在110-160之间；接着进行运动检测，如果长时间不能检测到运动，或者一直检测到运动不间断，则继续调整快门和增益，使平均灰度在标准范围内变化，直到检测到有规律的运动出现(即一段运动后有一个空闲时间，接着再一段运动)；这是摄象机的粗调过程。经过运动检测，可以对车辆进行抓拍，通过目前成熟的车牌定位技术，可以对有牌车辆进行快速的牌照定位。调整摄象机参数，使车牌的平均灰度在90-100之间，就满足我们车辆标志的识别。细调每5分钟进行一次。把这5分钟内能检测到的车牌累计起来，计算平均灰度，与标准灰度范围比较，并作相应快门调整。如果在3个连续的细调周期都不能找到车牌，则返回粗调，以另一个平均灰度范围等级作上述处理。其程序流程图如图3所示。

2、运动检测与车辆抓拍

一般的运动检测技术都是在视频的2帧之间进行。而2帧之间的时间间隔为40毫秒，如果因为机器的处理能力和算法的原因，不能对连续2帧进行处理的话，所处理的2帧图象的时间间隔还会加大。这极为影响运动检测的准确性。本专利技术采用视频中1帧的奇偶场进行块运动检测，场间时间间隔严格限制在20毫秒内，不但可以消除光线的变化，而且可以检测到高速运动物体。

记录场间的运动参数，再结合帧间的运动估计，可以跟踪车辆在视场中从出现到消失的过程。从这个过程中得到车辆的运动方向，并且找到一张车辆位置合适的图片，以便后续的定位与识别处理(图片效果如图7与图8所示)。

具体的运动检测与抓拍的方法如下：一帧的奇偶场图象大小为768×288，把图象分成18×18大小的块，每块对应像素值差的绝对值之和再除以块的总像素数，作为块的运动参数。这个参数大于给定阈值30的块，作为运动块，小于30的块，作为静止块。记录每一帧运动块的数目以及运动块的位置，也作为运动参数。比较一个序列帧的运动块数目与位置的变化，可以得到运动方向以及运动位置的变化情况。比如正向车辆，当记录运动块数目达到极大值而且运动的前沿还没有离开图象下沿时，为车辆合适的抓拍位置。对于一个运动物体，程序的处理流程如图4所示。

3、图象预处理与车辆(车头或者车尾)定位

轿车车头标志一般放置于车头换气扇上，而车尾标志放置于金属外壳上。车头标志与换气扇的灰度对比度比较大，而车尾标志与车辆金属外壳的灰度对比小；很多车辆前后标志的灰度分布也不一样。所以，为了更好地进行定位与识别，对车头与车尾图象要进行不同的预处理。

对于车头图象，只需要进行一般的图象噪声去除以及对比度增强就可以进行后续的定位与识别。对于车尾图象，需要运用同态滤波技术，提高图象的辩识度，才能得到较好的识别效果。同态滤波技术为图象处理中的成熟技术，不再详细介绍，可查阅有关图象处理书籍。

根据运动区域、边缘信息和纹理信息，可以在抓拍的图象中首先确定车辆头部(或者尾部)的大体位置，这个位置不一定绝对准确，但是一般要包含车牌、车灯、换气扇、车标等纹理比较丰富的区域。这一步主要是根据边缘纹理相对集中这个思想来完成，效果如图9所示。

4、车辆标志定位

在选定的车辆区域中，确定车辆标志的所在位置，是定位要完成的工作。在本技术中，与一般方法不同的是，我们认为定位具有不确定性，定位结果可能会给出几个等待识别的位置。而一般方法都只是试图寻找一个车标位置。

定位主要依赖的条件是对称性、位置相关性(车标、车灯以及车牌)、大小、区域连通性。利用车辆区域中的纹理信息和灰度分布的变化情况，可以快速得到满足位置条件以及具有连通性的待识别区域，作为定位结果。如图8所示，有输出1个位置的情况，也有输出2个定位结果的情况。

车辆的对称性主要考虑纹理对称和灰度对称。主要要考虑在车辆拍摄不完整情况下(摄象机视场范围不够)，但只要能拍摄到车辆一半图象，车辆仍然具有的局部对称性。这时由于车辆不完整，轮廓的对称性不再有效。位置相关主要指在通常情况下，轿车都具有车牌、车灯、车标等纹理丰富区域，而且相互的位置有一定的关联和约束。连通性主要指车标是一个独立的纹理丰富的区域，可以用边缘4连通或者8连通来进行标记。

具体步骤如下：首先对定位区域进行边缘提取；边缘信息在Y方向投影，根据投影直方图，确定纹理丰富的区域；结合车辆定位位置，在纹理丰富的带状区域计算对称轴；与车牌位置比较，如果车辆对称轴与车牌中心距离在20像素之内，用车牌中心代替得到的车辆对称轴；以4连通或8连通对边缘信息进行标记，找出车辆定位区域的各个连通区域；对连通区域位置进行判别，保留在中心轴上的区域；对连通区域大小进行判别，保留在车辆标志大小范围内的区域。其程序流程图如图5所示。

5、车辆标志识别并输出

本识别技术的第一步是根据特制模板对待识别区域进行筛选。基于模糊识别技术，对于车标模板构造隶属度函数，采用模糊分类的方法，对车标进行一级分类。由于模板的特点突出，可以在第一步去除大量结构信息完全不同的车标种类，达到减少识别种类，加快识别时间的目的。

根据车标模板的特点，取S函数作为隶属度函数，S函数的定义如下。

$S(x,a,b,c)=\left\{\begin{array}{c}0,x>a,a=r\\ {(x-a)}^2/(b-a)(c-a),b\&le;x<a,b=3r/4\\ 1-{(x-c)}^2/(c-b)(c-a),c\&le;x<b,c=r/2\\ 1,x\&le;c\end{array}\right.$

其中，r是车标模板内接圆半径或者内接椭圆长轴，x是像素点到模板中心的欧氏距离。隶属度函数得到的值，作为下面进行互相关运算时，各个距离不同的像素点作运算时的加权系数。其互相关计算公式如下所示。

$\mathrm{\&gamma;}=\frac{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}S(x,a,b,c)[f(i,j)-v][g(i,j)-w]}{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}{[f(i,j)-v]}^2\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}{[g(i,j)-w]}^2}$

其中，f(i，j)为候选区域(i，j)位置的灰度值，v为候选区域的平均灰度，g(i，j)为模板(i，j)位置的灰度值，w为模板的平均灰度，x为(i，j)点到中心的欧氏距离。取互相关系数最小的5个车标模板作为第一步候选者，进入下一级特征识别。

各种车标的模板是对实际车标图象进行一定叠加与平滑处理后形成的。图10是几个车标模板的示意图。在比较的时候需要针对定位的区域，对车标模板进行相应的缩放。

第二步是根据方向分形算法对筛选后的车标进行精确识别。基于分形理论的分形维数，是区分纹理图象间差异的极好度量。在一般分形维的基础之上，本专利技术又特别提出了方向分形维的概念。把一般的分形维推广到0度、45度、90度和135度4个方向的分形维数计算。用这四个方向的分形维来严格区分相似车标。具体方法是，当计算出了待定区域的4方向分形维后，把它作为一个一维向量，与筛选后的模板的标准4方向分形维的一维向量之间计算欧氏距离，以欧氏距离最短者，作为识别的车标类型。整个识别模块的程序如图6所示。

关于具体的分形维理论、分形维计算属于成熟技术，可以参考有关分形的书籍；关于方向分形维的详细计算方法，请参考本专利发明者的相关学术论文：基于方向分形维的高速公路车辆边缘检测研究，信号处理，周欣，黄席樾，第20卷第3期，258-262，2004年6月。在这篇论文中对方向分形维算法的实现有深入和详细的介绍。

Claims (4)

1.一种基于视频的高速移动车辆标志精确识别方法，其特征是：按以下步骤进行：

a)、首先对摄像机与采集卡实时捕获的连续视频图象进行平均灰度的计算，平均灰度范围有3个等级：80-110，110-160，160-190，，通过调整摄像机建国快门、摄像头增益和采集卡增益，控制整个图象的平均灰度在110-160之间，接着进行运动检测，如果长时间不能检测到运动，或者一直检测到运动不间断，则继续调整快门和增益，使平均灰度在所取等级范围内变化，直到检测到有规律的运动出现，即一段运动后有一个空闲时间，接着再一段运动，完成摄像机的粗调过程；经过运动检测，可以对车辆进行抓拍和对有牌车辆进行快速的牌照定位，调整摄像机参数，使车牌的平均灰度在90-100之间，以满足车辆标志的识别，细调每5分钟进行一次，把这5分钟内能检测到的车牌累计起来，计数平均灰度，与标准灰度范围比较，并作相应快门调整，如果在3个连续的细调周期都不能找到车牌，则返回粗调，以另一个平均灰度范围等级作上述处理；

b)、上述运动检测采用视频中一帧的奇偶场进行块运动检测、且场间时间间隔限制在20毫秒内；一帧的奇偶场图象大小为768×288，把图象分成18×18大小的块，每块对应像素值差的绝对值之和再除以块的总像素数，作为块的运动参数，这个参数大于给定阈值30的块，作为运动块，小于30的块，作为静止块；记录每一帧运动块的数目以及运动块的位置，作位运动参数；比较一个序列帧的运动块数目与位置的变化，获得运动方向以及运动位置的变化情况，对正向车辆来说，当记录运动块数目达到极大值而且运动的前沿还设有离开图象下沿时，对车辆进行抓拍，对反向车辆来说，当记录运动块数目达到极小值而且运动的后沿还没有离开图象下沿时，对车辆进行抓拍；

c)、根据运动区域、边缘信息和纹理信息在抓拍的图象中确定车头或车尾的定位区域；

d)、车辆标志的定位：首先对定位区域进行边缘提取；边缘信息在Y方向投影，根据投影直方图，确定纹理丰富的区域；结合车辆定位位置，在纹理丰富的带状区域计算对称轴；与车牌位置比较，如果车辆对称轴与车牌中心距离在20像素之内，用车牌中心代替得到的车辆对称轴；以8连通对边缘信息进行标记，找出车辆定位区域的各个连通区域；对连通区域大小进行判别，保留在车辆标志大小范围内的区域，作为待识别区域；

e)、根据特制模板对上述待识别区域进行筛选：按互相关系数公式计算待识别区域中每一像素点与车标模板中每一像素的互相关系数，并取互相关系数最小的5个车标模板，进入下一级特征识别；

互相关系数公式为： $\mathrm{\&gamma;}=\frac{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}S(x,a,b,c)[f(i,j)-v][g(i,j)-w]}{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}{[f(i,j)-v]}^2\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}{[g(i,j)-w]}^2}$

其中，f(i，j)为候选区域(i，j)位置的灰度值，v为候选区域的平均灰度，g(i，j)为模板(i，j)位置的灰度值，w为模板的平均灰度，x为(i，j)点到中心的欧氏距离。S(x，a，b，c)为车标模块的隶属度函数，其定义为：

$S(x,a,b,c)=\left\{\begin{array}{c}0,x>a,a=r\\ {(x-a)}^2/(b-a)(c-a),b\&le;x<a,b=3r/4\\ 1-{(x-c)}^2/(c-b)(c-a),c\&le;x<b,c=r/2\\ 1,x\&le;c\end{array}\right.$

f)、根据方向分形算法对筛选后的车标进行精确识别：计算出待定区域的0度、45度、90度、135度的4方向分形维后，把它作为一个一维向量，与筛选后的车标模板的标准4方向分形维的一维向量之间计算欧式距离，以欧式距离最短者，作为识别的车标类型。

2.根据权利要求1所述基于视频的高速移动车辆标志精确识别方法，其特征是：所述运动检测的处理方法中，车辆抓拍后和确定车头或车尾定位区域前。还要对图象进行预处理：对车头图象，则进行图形噪声去除以及对比度增强处理：对于车尾图象，则运用同态滤波技术进行处理。

3.根据权利要求2所述基于视频的高速移动车辆标志精确识别方法，其特征是：所述步骤摄像机控制的处理方法中，摄像机与采集卡定时捕获的连续视频图象的视场大小是以车牌位为标准而定的相对于标准7689*576视频图象的140个像素点。

4.根据权利要求3所述基于视频的高速移动车辆标志精确识别方法，其特征是：所述车标识别的处理方法中，各种车标模块是对实际车标图象进行一定叠加和平滑处理后形成的，且在比较的时候需要针对定位的区域，对车标模块进行相应的缩放。

Images