CN101246553B - 一种基于三角剖分变换的车型识别方法 - Google Patents
一种基于三角剖分变换的车型识别方法 Download PDFInfo
- Publication number
- CN101246553B CN101246553B CN200810101587XA CN200810101587A CN101246553B CN 101246553 B CN101246553 B CN 101246553B CN 200810101587X A CN200810101587X A CN 200810101587XA CN 200810101587 A CN200810101587 A CN 200810101587A CN 101246553 B CN101246553 B CN 101246553B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- zone
- hypothesis
- triangulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于三角剖分变换的车型识别方法,首先对图像进行边缘检测提取角点集合,将其输入三角剖分变换获取车辆假设区域,之后根据图像纹理特征判断出真实车辆区域,最后进行特征匹配判定车型结果。本发明运用三角剖分技术能较好地解决车辆区域检测和分割过程中的背景变换问题,而且由于使用简单适用的三角剖分算法来代替繁琐的分割算法,可以降低系统的时间复杂度,提高系统适用性和鲁棒性。
Description
技术领域
本发明涉及一种基于三角剖分变换的车型识别方法,属视频图像处理和车辆检测领域。
背景技术
基于计算机图像识别技术的车型识别技术是智能交通系统的一个重要组成部分,其任务是处理分析拍摄得到的车辆图像,以自动识别获取目标车辆的车型信息。该技术有着广阔的应用前景,适用于城市交通车辆管理、交通流量检测、交通控制与诱导、智能停车场管理、公安执法系统、高速公路收费系统、城市道路监控系统和闯红灯等违法车辆监控以及车辆安全防盗等众多领域。
车型识别是一门综合的技术,包括车辆快速检测技术和车辆分类判别技术。传统车型识别方法通过背景减除法、帧差法等方法来检测运动目标车辆,难以应用在单帧图像的环境中;实际应用中受背景变换、光照、天气情况影响很大;同时由于采集图像一般较大,在图像处理和特征值提取阶段花费较多资源,降低了系统执行效率。
发明内容
本发明的技术解决问题:克服现有技术的不足,提供一种基于三角剖分变换的车型识别方法,该方法运用三角剖分技术能较好地解决车辆区域检测和分割过程中的背景变换问题,而且由于使用简单适用的三角剖分算法来代替繁琐的分割算法,降低了系统的时间复杂度,提高了系统适用性和鲁棒性。
本发明的技术解决方案:一种基于三角剖分变换的车型识别方法包括以下步骤:
(1)采用数字形态学方法进行图像预处理,从而去除无用区域、消除图像噪声、增强有用信号、修正图像的失真和变形;
(2)使用Canny算子对图像进行边缘检测获取轮廓信息,然后应用Hough变换取得图像中的直线集合进而提取角点集合;
(3)进行车辆假设区域检测,将获取的图像角点集合输入三角剖分变换,输出三角集合,然后从这些三角区域中寻找车辆的真实区域,得到目标车辆假设区域;
(4)通过图像纹理特征对车辆假设区域进行验证;
(5)借助已经得到的直线集合得到真实世界中目标车辆轮廓线的距离特征在图像坐标中的映射信息,根据该映射信息进行目标车辆的车型匹配并最终输出结果。
本发明与现有技术相比的优点在于:三角剖分(Constrained Delaunay Triangulation,约束Delaunay三角剖分)作为一种新的图像分割算法,其计算简单、适应性强,广泛应用于各种实时系统,取得了良好效果。本发明将三角剖分技术应用于车型识别领域,较好地解决了车辆区域检测和分割过程中的背景变换问题,而且以简单实用的三角剖分算法代替繁琐的分割算法,大大降低了系统时间复杂度,提高了系统适用性和鲁棒性。
附图说明
图1为本发明的车型识别方法流程图;
图2为本发明的角点提取示意图;其中2a为预处理之后图像,2b为边缘轮廓图像,2c为图像中直线集合,2d为图像中角点集合;
图3为本发明的车辆上下边缘提取示意图,其中3a为三角剖分后三角集合,3b为上下边缘;
图4为本发明的车辆真实区域提取示意图,其中4a为原始图像,4b为假设区域,4c为真实车辆区域。
具体实施方式
本发明基于三角剖分变换提出了一种新的通用车型识别方法,基本思路是对图像中的角点集合进行三角剖分并借助于车辆可以由两条水平线所限定这一事实来获取车辆假设区域,之后依据图像纹理特征判断出真实车辆区域,最终进行特征匹配判定车型结果,其具体包括以下步骤:
在图1车型识别方法流程图中,本发明主要分图像预处理、角点提取、车辆假设区域检测、车辆假设区域验证、车型判别匹配五个步骤。
第一步:图像预处理。采用数字形态学方法进行图像预处理,借助辅助信息去除无用区域,对去除无用区域后的彩色图像进行灰度化、数字形态学滤波去噪以及灰度拉伸,从而减轻后续处理压力、消除图像噪声、增强有用信号、修正图像的失真和变形,具体方法如下:
(1)借助辅助信息去除无用区域,减轻后续处理压力;
(2)将去除无用区域后的彩色图像进行灰度化,转化为灰度图像;
(3)对该灰度图像进行数字形态学滤波滤去噪声;
(4)对去噪后的图像进行灰度拉伸,令灰度范围扩展到0~255,以增强图像的对比度。
第二步:角点提取。采用Canny算子得到轮廓特征(如图2b所示)后,应用Hough变换进行直线提取(如图2c所示),在进行边缘提取的过程中需要对轮廓线段进行过滤,因为边缘提取之后的轮廓集,通常是由具有一定弧度的长短不一的曲线段而非精确的直线段组成,过短的线段可能是一些噪点集,过于弯曲的线段则不太可能是车辆轮廓。本发明过滤时选定线段弧度上限为π/60,线段长度下限为30个像素,对直线集合进行过滤,以过滤掉过短和过于弯曲的线段,即噪点集和非轮廓线段。获取图像的直线集之后,将所有直线的两个端点汇集,即得角点集合(如图2d所示)。
第三步:车辆假设区域检测将所提取的图像角点集合输入三角剖分变换,输出三角集合(如图3a所示),由于这些三角形覆盖了所有的图像区域,所要做的就是在这些三角区域中寻找车辆的真实区域。车辆区域一般由车辆前端轮廓线Lf和后端轮廓线Lb两条水平线段(如图3b所示)所围四边形所限定。将已有直线集合进行过滤,得到长度在一定区间、相对于图像水平线倾角较小的类水平直线,这些类水平直线即为后端轮廓线Lb的候选直线。通过寻找Lb对应的Lf(大部分候选Lb没有对应的Lf),即可得到车辆区域,如图3车辆上下边缘提取过程所示。将轿车、货车和客车三类车型真实尺寸映射到图像坐标系中得到三种车辆长度。这样至多通过三次查找和匹配,就可以确定Lb和Lf对应都存在的目标车辆假设区域(如图4b所示)。
第四步:真实车辆区域图像与非真实车辆区域可以通过特定的图像纹理特征来进行区别。本发明选用五种特征向量进行甄别,分别是角点密度Dc、水平直线密度Dh、垂直直线密度Dv、假设区域的标准偏差Sd和三角形密度Dt。其中角点密度指的是假设区域单位面积中的角点数量,水平直线密度指的是假设车辆区域单位面积中的水平直线数量,垂直线段密度指的是假设车辆区域单位面积中的垂直直线数量。假设区域的标准偏差可以通过该假设车辆区域中每个三角形的特征密度S(t)计算得到,公式如下:
其中S(t)为假设区域中三角形的个数,Sa为假设区域的面积;三角形密度指假设区域单位面积中三角形个数。这五个特征向量参数在一定程度上代表了假设区域的车辆特征,即随着五个特征向量参数值的增加,假设区域为真实车辆区域的可信度也增加。因此,本发明引入参数权重的概念,对这五个参数进行归一化处理,建立统一的车型匹配函数式:
R=α*Dc+β*Dh+γ*Dv+δ*Sd+ε*D 2)
R∈[0,1],为区域可信度,α、β、γ、δ、ε∈(0,1),为加权参数,R代表着检测区域是车辆区域的可信度,R值越大,代表假设区域是目标车辆区域的可信度越大,其阈值为0.8,即:R>0.8则判定车辆假设区域为真实车辆区域(如图4c所示),其中参数α、β、y、δ、ε以及R的阈值都是利用大量训练样本,通过MSE(Mean Square Error)最小均方误差准则建立线性判别函数式得到的。经大量试验证明,该线性分类器实现简单,错分率小,具有良好的效果。
第五步:车型判别匹配即借助于已经得到的直线集合,通过真实世界中车辆轮廓线的距离特征在图像坐标中的映射信息,最终输出目标车辆的车型匹配结果。根据车型识别领域国家标准,识别车型分为轿车、货车和客车,三类车型的长宽比以及车体面积存在明显不同,本发明就是借助于已经得到的直线集合,通过真实世界中车辆轮廓线的距离特征在图像坐标系中的映射信息、实际车辆区域面积信息的特征信息进行特征融合和判别匹配,最终输出目标车辆的车型匹配结果,即该车辆类型。前面的工作已经得到了存在车辆的图像以及车辆在图像中的切分区域。利用地面约束以及大部分车辆外形受两条直线约束的事实,可以比较容易得到待识别车辆在画面坐标中的长宽比Rv*。但由于采集设备是从后上方进行信息采集的,其与水平面的倾角会造成车辆比例的扭曲,需要进行修正。设采集设备与水平面的倾角为θ,随着θ的增加,Rv*趋于Rf,故采用修正值Rv来取代Rv*与Rf进行匹配计算,两者对应关系如下式:
Rv=Rv*/Sinθ 0≤θ≤π/2 (3)
Claims (6)
1.一种基于三角剖分变换的车型识别方法,其特征在于包括以下步骤:
(1)采用数字形态学方法进行图像预处理,从而去除无用区域、消除图像噪声、增强有用信号、修正图像的失真和变形;
(2)使用Canny算子对图像进行边缘检测获取轮廓信息,然后应用Hough变换取得图像中的直线集合进而提取角点集合;
(3)进行车辆假设区域检测,将获取的图像角点集合输入三角剖分变换,输出三角集合,然后从这些三角区域中寻找车辆的真实区域,得到目标车辆假设区域;
(4)通过图像纹理特征对车辆假设区域进行验证;
(5)借助已经得到的直线集合得到真实世界中目标车辆轮廓线的距离特征在图像坐标中的映射信息,根据该映射信息进行目标车辆的车型匹配并最终输出结果。
2.根据权利要求1所述的一种基于三角剖分变换的车型识别方法,其特征在于:所述步骤(1)采用数字形态学方法进行图像预处理的方法如下:
(1)借助辅助信息去除无用区域,减轻后续处理压力;
(2)将去除无用区域后的彩色图像进行灰度化,转化为灰度图像;
(3)对该灰度图像进行数字形态学滤波滤去噪声;
(4)对去噪后的图像进行灰度拉伸,令灰度范围扩展到0~255,以增强图像的对比度。
3.根据权利要求1所述的一种基于三角剖分变换的车型识别方法,其特征在于:所述步骤(2)使用Canny算子对图像进行边缘检测获取轮廓信息,然后应用Hough变换取得图像中的直线集合进而提取角点集合的方法如下:
(1)对输入图像进行Canny滤波提取轮廓信息;
(2)对提取的图像轮廓信息应用Hough变换取得图像中的直线集合;
(3)选定线段弧度上限为π/60,线段长度下限为30个像素,对直线集合进行过滤,以过滤掉过短和过于弯曲的线段,即噪点集和非轮廓线段;
(4)将直线集所有直线的两个端点汇集,得到角点集合。
4.根据权利要求1所述的一种基于三角剖分变换的车型识别方法,其特征在于:所述步骤(3)进行车辆假设区域检测,将获取的图像角点集合输入三角剖分变换,输出三角集合,然后从这些三角区域中寻找车辆的真实区域,得到目标车辆假设区域的步骤如下:
(1)将在步骤(2)中所提取的图像角点集合输入三角剖分变换,输出三角集合;
(2)从三角集合中寻找车辆的真实区域,即由车辆前端轮廓线Lf和后端轮廓线Lb两条水平线段所围四边形,具体步骤如下:①将已有直线集合进行过滤,得到长度在一定区间、相对于图像水平线倾角较小的类水平直线,即后端轮廓线Lb的候选直线集合;②寻找Lb对应的Lf,即可得到车辆假设区域;③将车辆假设区域的长度与映射到图像坐标系中得到的轿车、货车和客车三类车型的车辆长度进行匹配。
5.根据权利要求1所述的一种基于三角剖分变换的车型识别方法,其特征在于:所述步骤(4)通过图像纹理特征对车辆假设区域进行验证的方法为:
(1)选定角点密度Dc、水平直线密度Dh、垂直直线密度Dv、假设区域的标准偏差Sd、三角形密度Dt五个特征;所述角点密度指的是假设区域单位面积中的角点数量,水平直线密度指的是假设车辆区域单位面积中的水平直线数量,垂直线段密度指的是假设车辆区域单位面积中的垂直直线数量,假设区域的标准偏差Sd通过该假设车辆区域中每个三角形的特征密度S(t)计算得到,公式如下:
其中S(t)为假设区域中三角形的个数,Sa为假设区域的面积,
三角形密度指假设区域单位面积中三角形个数;
(2)对所述五个特征向量参数进行归一化处理;
(3)根据公式R=α*Dc+β*Dh+γ*Dv+δ*Sd+ε*D计算区域可信度R,其中α、β、γ、δ、ε∈(0,1),是经过大量试验总结出来的加权参数,取R>0.8,则判定车辆假设区域为真实车辆区域。
6.根据权利要求1所述的一种基于三角剖分变换的车型识别方法,其特征在于:所述步骤(5)借助已经得到的直线集合得到真实世界中目标车辆轮廓线的距离特征在图像坐标中的映射信息,根据该映射信息进行目标车辆的车型匹配并最终输出结果的步骤如下:
(1)根据公式Dr=|Rv-Rf|分别计算车辆假设区域中经过修改后的待识别车辆在画面坐标中的车辆长宽比例Rv与三类车型理论长宽比Rf的距离Dr;
(2)根据公式Da=|Sac-S|分别计算实际车辆区域面积Sac与三类车型参考面积S的距离Da;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810101587XA CN101246553B (zh) | 2008-03-07 | 2008-03-07 | 一种基于三角剖分变换的车型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810101587XA CN101246553B (zh) | 2008-03-07 | 2008-03-07 | 一种基于三角剖分变换的车型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101246553A CN101246553A (zh) | 2008-08-20 |
CN101246553B true CN101246553B (zh) | 2010-06-02 |
Family
ID=39946992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200810101587XA Expired - Fee Related CN101246553B (zh) | 2008-03-07 | 2008-03-07 | 一种基于三角剖分变换的车型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101246553B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833765B (zh) * | 2010-04-30 | 2011-11-16 | 天津大学 | 基于双向匹配和三角形约束的特征匹配方法 |
CN103198705B (zh) * | 2013-03-21 | 2015-05-27 | 电子科技大学 | 车位状态自动检测方法 |
CN103295003B (zh) * | 2013-06-07 | 2016-08-10 | 北京博思廷科技有限公司 | 一种基于多特征融合的车辆检测方法 |
CN104820401A (zh) * | 2015-03-13 | 2015-08-05 | 北京航空航天大学 | 基于约束Delaunay三角剖分的飞机结构件筋特征识别方法 |
CN107392207B (zh) * | 2017-06-12 | 2020-11-17 | 北京大学深圳研究生院 | 一种图像归一化方法、装置和可读存储介质 |
CN107341802B (zh) * | 2017-07-19 | 2021-02-09 | 无锡信捷电气股份有限公司 | 一种基于曲率与灰度复合的角点亚像素定位方法 |
CN109101934A (zh) * | 2018-08-20 | 2018-12-28 | 广东数相智能科技有限公司 | 车型识别方法、装置与计算机可读存储介质 |
CN112581487A (zh) * | 2020-12-30 | 2021-03-30 | 征图新视(江苏)科技股份有限公司 | 自动提取检测区域及定位核的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1996392A (zh) * | 2006-08-14 | 2007-07-11 | 东南大学 | 三维扫描系统中的图形重构方法 |
-
2008
- 2008-03-07 CN CN200810101587XA patent/CN101246553B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1996392A (zh) * | 2006-08-14 | 2007-07-11 | 东南大学 | 三维扫描系统中的图形重构方法 |
Non-Patent Citations (2)
Title |
---|
李刚,赵玉新.基于边界特征点提取的约束Delaunay三角剖分算法.系统仿真学报 2007年第16期.2007,(2007年第16期),3734-3738,3765. |
李刚,赵玉新.基于边界特征点提取的约束Delaunay三角剖分算法.系统仿真学报 2007年第16期.2007,(2007年第16期),3734-3738,3765. * |
Also Published As
Publication number | Publication date |
---|---|
CN101246553A (zh) | 2008-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101246553B (zh) | 一种基于三角剖分变换的车型识别方法 | |
CN104657727B (zh) | 一种车道线的检测方法 | |
CN103077384B (zh) | 一种车标定位识别的方法与系统 | |
CN103854320B (zh) | 基于激光雷达的车型自动识别方法 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN103034836B (zh) | 道路标志检测方法和道路标志检测设备 | |
CN107025432B (zh) | 一种高效的车道线检测跟踪方法及系统 | |
CN100468443C (zh) | 基于视频的高速移动车辆标志精确识别方法 | |
CN102737248B (zh) | 复杂路况下的车道线特征点提取方法与装置 | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN104077756B (zh) | 一种基于车道线置信度的方向滤波方法 | |
CN104036262B (zh) | 一种lpr车牌筛选识别的方法和系统 | |
CN103593981B (zh) | 一种基于视频的车型识别方法 | |
CN107392103A (zh) | 路面车道线的检测方法及装置、电子设备 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN104298976A (zh) | 基于卷积神经网络的车牌检测方法 | |
CN105631414A (zh) | 一种基于贝叶斯分类器的车载多障碍物分类装置及方法 | |
CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
CN104463241A (zh) | 一种智能交通监控系统中的车辆类型识别方法 | |
CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN102902957A (zh) | 一种基于视频流的自动车牌识别方法 | |
CN102419820A (zh) | 一种快速检测视频与图像中汽车车标的方法 | |
CN106326822A (zh) | 车道线检测的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100602 Termination date: 20150307 |
|
EXPY | Termination of patent right or utility model |