CN101783076A - 一种视频监控模式下的快速车型识别方法 - Google Patents

Abstract

本发明公开了一种视频监控模式下的快速车型识别方法，按照以下步骤实施：设置道路监控装置，并将车辆分成轿车、以特殊色彩标识的出租车、面包车、中型车、公交车及大型货车，步骤1、初始化，对视频监控装置进行训练学习；步骤2、提取车辆目标区域的面积及其外接矩形的长和宽，构造相应特征，并将车辆目标粗分类为小型车、中型车、大型车；步骤3、对小型车多个目标分别提取车身的主色调特征识别出出租车，再提取小型车车窗相对位置特征参数，进一步确定面包车或轿车；步骤4、提取车顶亮度特征参数及车顶纹理特征参数，确定大型车是否为公交车。本发明的方法按照分类特征，能够对多种车辆进行快速、准确的识别。

Description

一种视频监控模式下的快速车型识别方法

技术领域

本发明属于智能交通管理技术领域，涉及一种视频监控模式下的快速车型识别方法。

背景技术

快速准确的对监控区域的车辆进行特征提取和分类，是智能交通系统中一个重要的研究方向，车型识别除了在高速公路的自动收费和企事业单位的车辆管理系统中应用外，在一般城市道路上的应用对于建设畅通城市也是非常重要的。

现有的普通监控场景的视频采集要求是，监控摄像机需要固定在所监控的道路的正上方，离地面6-10m高度，所监视区域的最远距离不超过离地高度10倍，一般俯角的设置为10°-20°，监视画面中心距离监控摄像机的水平距离在20m-50m之间，可以根据需要调整。正常行驶车辆由远而近行驶，根据不同车型特征的提取方法，并根据所计算得到的特征，完成车型的分类，不足之处在于所使用的图像处理方法，其识别算法的时间复杂度比较大，算法执行的效率低，识别精确度不够高。

发明内容

本发明的目的是提供一种视频监控模式下的快速车型识别方法，解决了现有技术中存在识别时间复杂度比较大，算法执行的效率低，识别精确度不够高的问题。

本发明所采用的技术方案是，一种视频监控模式下的快速车型识别方法，按照以下步骤实施：

设置道路视频监控装置，并根据交通调度所需的基本车型信息，将车辆分成小型车、中型车、大型车，其中小型车分为轿车、以特殊色彩标识的出租车和面包车，大型车分为公交车及大型货车，共计六种车型，

步骤1、初始化

对视频监控装置进行训练学习，包括进行目标检测，以及后续的车型识别时所需要参数的自动学习，

1a)、目标检测

通过单高斯建模方法获得背景帧之后，采用背景差分法进行目标检测，即：

设F_k＝[f_k(i，j)]_m×n为监视视频的当前帧，B＝[b(i，j)]_m×n为背景模型，R_k＝[r_k(i，j)]_m×n为当前帧的目标区域检测结果，则：

$r_k(i,j)=\left\{\begin{array}{cc}1& \mathrm{if}|f_k(i,j)-b(i,j)|>\mathrm{th}\\ 0& \mathrm{if}|f_k(i,j)-b(i,j)|\≤\mathrm{th}\end{array}\right.---\left(1\right)$

其中，th为判断阈值，该阈值为背景标准差的两倍，之后，将检测出的结果图像R_k再进行数学形态学运算，以获得完整的目标区域；

1b)、目标的色度均值统计

对步骤1a)得到的所有目标点集合Ω＝{(i，j)|r_k(i，j)＝1}中的点(i，j)，计算其颜色度值C(i，j)：

C(i，j)＝|F_r(i，j)-F_g(i，j)|+|F_r(i，j)-F_b(i，j)|+|F_g(i，j)-F_b(i，j)|       (2)

其中，(i，j)∈Ω，F_r(i，j)，F_g(i，j)，F_b(i，j)分别为目标在点(i，j)上的红绿蓝三通道的像素值，之后，求在初始化过程中，视频帧序列中所有目标的色度值的均值，记作μ_C，另外，对驶过的出租车通过人机交互标识出后，计算其色彩分布范围[C_min，C_max]；

1c)、目标范围的标定

在监视画面上设置一虚拟检测线，根据监视场所包括的道路面积及长度的物理尺寸与监视画面中像素间的映射关系，以及虚拟检测线所标定的位置，确定汽车区域的面积分布范围[S_min，S_max]，以及车辆的长、宽分布范围[H_min，H_max]，[W_min，W_max]，中型车的车辆长度分布范围[H_mid1，H_mid2]，初始化过程结束；

步骤2、从步骤1的结果图像中提取车辆目标区域的面积S_v及其外接矩形的长H和宽W，构造相应特征，剔除候选目标中的伪目标，并将车辆目标粗分类为小型车、中型车、大型车，具体步骤如下：

对初始化环节中检测得到的目标区域，通过贴标签的方法标识出每个不同的目标区域，得到N个目标区域Ω_k，k＝1，2，...，N，然后，对每个区域进行如下的处理与识别：

2a)、统计图像中每个目标区域的面积S_vk，k＝1，2，...，N

面积计算公式如下： $S_{\mathrm{vk}}=\underset{(i,j)\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}},k=\mathrm{1,2},...,N---\left(3\right)$

其中，Ω_k，k＝1，2，...，N为当前判断的目标区域，如果S_vk＜S_min，则该区域是非车辆目标，删除；如果

该区域为无效目标区域，删除；如果S_min≤S_vk≤S_max，则判断出是一个有效的候选目标；

2b)、对该有效的候选目标区域求其外接矩形，得到外接矩形的长H_k和宽W_k，根据初始化时得到的参数值，如果H_k≤W_k，或者H_k＜H_min，或者W_k＜W_min，或者H_k＞H_max，或者W_k＞W_max，则该区域视为无效目标区域，删除；如果H_min≤H_k≤H_max，W_min≤W_k≤W_max，则进行如下的判断：

根据初始化中获得的中型车的分布参数H_mid1和H_mid2，如果H_k＜H_mid1，则判断为小型车；如果H_k＞H_mid2，则判断为大型车；否则，即H_mid1≤H_k≤H_mid2，则判断为中型车；

2c)、提取目标区域的面积占空比特征ρ_S

将车辆目标所在区域的实际面积与其最小外接矩形面积的比值，定义为面积占空比特征ρ_S，按照公式4进行计算： ${\mathrm{\ρ}}_S=\frac{S_{\mathrm{vk}}}{H_k\·W_k}---\left(4\right)$

按照摄像机所拍摄的车辆均接近于矩形，设置阈值ρ_th＝70％，如ρ_S＜ρ_th，即判定为无效目标删除；

步骤3、将步骤2判定为小型车的目标设

k＝1，2，...，L，L≤N，对该L个目标分别提取车身的主色调特征K_C，并识别出其中的用特殊颜色标识的出租车，具体步骤如下：

将车身主色调的特征分为三类，分别编码为0，1，2，浅色调车辆编码为0，深色调车辆编码为1，特殊颜色编码为2，

3a)、深色调的特征提取

首先计算车辆目标区域上R，G，B三个通道的像素值与相同位置上背景区域的像素值的差值，即：

D_r(i，j)＝F_r(i，j)-B_r(i，j)

D_g(i，j)＝F_g(i，j)-B_g(i，j)                             (5)

D_b(i，j)＝F_b(i，j)-B_b(i，j)

其中，

k＝1，2，...，L，为当前判断的小型车目标区域，F_r(i，j)，F_g(i，j)，F_b(i，j)分别为目标的红绿蓝三通道的像素值，B_r(i，j)，B_g(i，j)，B_b(i，j)分别为该

k＝1，2，...，L，区域对应位置上的背景帧的红绿蓝三通道的像素值，

然后，找出

k＝1，2，...，L中所有符合深色调特征的像素点，即：

其中，阈值th₁是根据初始化中得到的目标色度均值计算得到，即th₁＝0.7·μ_C，C(i，j)定义为颜色度，用来描述某一像素有颜色的程度，按照公式2计算得到，统计属于深色调的像素点个数：

${\mathrm{Num}}_1=\underset{(i,j)\∈{\widehat{\mathrm{\Ω}}}_k}{\mathrm{\Σ}}{R}_k(i,j)---\left(7\right)$

计算主色调分布比率ρ_C： ${\mathrm{\ρ}}_C=\frac{{\mathrm{Num}}_1}{S_{\mathrm{vk}}}---\left(8\right)$

如果

则K_C＝1，按照现有车辆的结构设定

否则主色调为浅色，即K_C＝0；

3b)、特殊色调的提取

其中，

k＝1，2，...，L为当前判断的小型车目标区域，属于特殊色调的像素个数为： ${\mathrm{Num}}_2=\underset{(i,j)\∈{\widehat{\mathrm{\Ω}}}_k}{\mathrm{\Σ}}{R}_l(i,j)---\left(10\right)$

计算特殊色的主色调分布比率 ${\mathrm{\ρ}}_{C_s}:{\mathrm{\ρ}}_{C_s}=\frac{{\mathrm{Num}}_2}{S_{\mathrm{vk}}}---\left(11\right)$

如

则判断该车辆的主色调为特殊色，即K_C＝2，否则K_C不变，

如果K_C＝1，为深色车辆，将该车判断为轿车；如果K_C＝2，将该车判断为出租车；如果K_C＝0，则按照下述步骤提取车窗相对位置特征参数K_W，进一步确定小型车辆为面包车或轿车：

3c)、根据面包车与轿车在车窗位置上的位置不同，采用车窗位置特征，由步骤2得到的车辆区域的外接矩形的长为H，车窗的水平中心线到车顶轮廓的矩形后端的距离为M，则车窗相对位置特征参数K_W定义为：

$K_W=\frac{M}{H}---\left(12\right)$

车窗位置相对特征参数K_W用于对步骤3中尚未分类的主色调标记为K_C＝0的车辆进行车型识别，如果K_C＝0，并且K_W＞th₃，则该车辆为面包车；如果K_C＝0，并且K_W≤th₃，则该车辆为轿车；

面包车的前车窗比较靠前，K_W相对比较大，根据在监视画面下部1/4处设置检测线的前提，给定阈值th₃＝40％来进行判断，提取该特征的关键是确定车窗的中心位置，采用如下的算法：

首先，将车辆所在区域灰度化：V＝max(R，G，B)           (13)

其中，V为图像的亮度，R，G，B分别为图像的红、绿、蓝三个颜色分量，因为进入本步骤检测的车辆均为浅色的小型车，车身的浅色金属漆的反射光强度大于车窗的透明玻璃的反射强度，所以先计算车辆区域的亮度均值为：

${\mathrm{\μ}}_V=\frac{1}{N_{{\widetilde{\mathrm{\Ω}}}_k}}\·\underset{(i,j)\∈{\widetilde{\mathrm{\Ω}}}_k}{\mathrm{\Σ}}V(i,j)---\left(14\right)$

其中，

k＝1，2，...，M，M≤L为当前判断的浅色小型车目标区域，为目标区域中的像素点个数；

然后，按照公式15检测车窗区域：

最后，经过形态学运算，获得车窗区域之后，得到车窗的水平中心线到车顶轮廓的矩形后端的距离M，代入公式12计算车窗位置特征参数，确定小型车辆的类型；

步骤4、将步骤2判定的大型车作为车辆目标，提取车顶亮度特征参数K_L及车顶纹理特征参数K_B，确定大型车是否为公交车

根据车辆从远至近的方式进入监控视野，确定区域的后面1/2部分为车顶区域，前面1/2部分为车头区域，则车顶的亮度参数K_L为

$K_L=\frac{\frac{1}{N_{{\mathrm{\Ω}}_t}}\·\underset{(x,y)\∈{\mathrm{\Ω}}_t}{\mathrm{\Σ}}F(i,j)}{\frac{1}{N_{{\mathrm{\Ω}}_h}}\·\underset{(x,y)\∈{\mathrm{\Ω}}_h}{\mathrm{\Σ}}F(i,j)}---\left(16\right)$

其中，

为车顶部分区域的像素总数，

为车头区域的像素总数，Ω_t为车顶区域，Ω_h为车辆区域，F(i，j)为车辆在相关区域中的亮度值，

如果K_L≤1，则判定是大型货车；如果K_L＞1，则需要进一步判断其车顶区域的纹理特征，

对检测出的车顶区域Ω_t，采用Sobel锐化算法获得其边缘锐化结果，并按照大津算法求得的阈值对其进行二值化处理，二值化后，边缘上的点标识为1，统计这些像素点的个数，设为N_B，则纹理特征参数K_B定义为：

$K_B=\frac{N_B}{N_{{\mathrm{\Ω}}_t}}---\left(17\right)$

如果K_B＜th₄，th₄是根据目前公交车的车顶纹理规则确定的统计值，预设为th₄＝20％，则表明纹理简单，判断该大型车为公交车，否则为大型货车。

本发明的有益效果是，通过选取视频监控条件下的车型特征，完成车辆的特征提取，并采用分层细化的分类方法，最大限度的降低了算法的时间复杂度，提高了算法执行的效率，实现车型的快速准确分类。

附图说明

图1是本发明方法中的监控场景设置示意图；

图2是本发明方法中的目标及其外接矩形处理示意图；

图3是本发明方法中的车窗位置特征处理示意图。

图中，1.监控摄像机，2.监控画面，3.车辆外轮廓，4.车顶轮廓，5.车窗轮廓。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1，为本发明方法中使用的道路监控场景设置示意图，监控摄像机1固定在所监控的道路的正上方，离地面6-10m高度，所监视区域的最远距离不超过离地高度10倍，监控摄像机俯角a的设置为10°-20°，监视画面中心距离监控摄像机的水平距离在20m-50m之间，可以根据需要调整。

本发明的视频监控模式下的快速车型识别方法，按照以下步骤实施：

设置图1所示的道路视频监控装置；根据交通调度所需的基本车型信息，将车辆分成小型车、中型车、大型车，其中小型车包括轿车、以特殊色彩标识的出租车和面包车，大型车包括公交车及大型货车，共计六种车型；

步骤1、初始化

对视频监控装置进行训练学习，包括进行目标检测，以及后续的车型识别时所需要参数的自动学习。

1a)、目标检测

通过单高斯建模方法获得背景帧之后，采用背景差分法进行目标检测，设F_k＝[f_k(i，j)]_m×n为监视视频的当前帧，B＝[b(i，j)]_m×n为背景模型，R_k＝[r_k(i，j)]_m×n为当前帧的目标区域检测结果，则：

$r_k(i,j)=\left\{\begin{array}{cc}1& \mathrm{if}|f_k(i,j)-b(i,j)|>\mathrm{th}\\ 0& \mathrm{if}|f_k(i,j)-b(i,j)|\≤\mathrm{th}\end{array}\right.---\left(1\right)$

其中，th为判断阈值，该阈值为背景标准差的两倍，之后，将检测出的结果图像R_k再进行数学形态学运算，以获得完整的目标区域；

1b)、目标的色度均值统计

对步骤1a)得到的所有目标点集合Ω＝{(i，j)|r_k(i，j)＝1}中的点(i，j)，计算其颜色度值C(i，j)：

C(i，j)＝|F_r(i，j)-F_g(i，j)|+|F_r(i，j)-F_b(i，j)|+|F_g(i，j)-F_b(i，j)|       (2)

其中，(i，j)∈Ω，F_r(i，j)，F_g(i，j)，F_b(i，j)分别为目标在点(i，j)上的红绿蓝三通道的像素值。之后，求在初始化过程中，视频帧序列中所有目标的色度值的均值，记作μ_C，另外，对驶过的出租车通过人机交互标识出后，根据公式(2)得到其颜色度值后，计算其颜色度值的分布范围[C_min，C_max]。

1c)、目标范围的标定

考虑到相同车辆距离监视摄像头远近的不同，其大小也不同，所以在监视画面上设置一虚拟检测线，作为检测的基准线。按照图1的模式架设监控用摄像机，将虚拟检测线设置在监控画面下部1/4的位置处为宜，基准线标定之后，根据监视场所包括的道路面积及长度的物理尺寸与监视画面中像素间的映射关系，以及虚拟检测线所标定的位置，确定汽车区域的面积分布范围[S_min，S_max]，以及车辆的长、宽分布范围[H_min，H_max]，[W_min，W_max]，中型车的车辆长度分布范围[H_mid1，H_mid2]。

初始化过程结束后，进入后续的车型识别过程。

步骤2、参照图2，在监控画面2中显示出车辆外轮廓3，从步骤1的结果图像中提取车辆目标区域的面积S_v及车辆外轮廓3的外接矩形长H和宽W，构造相应特征，剔除候选目标中的伪目标，并将车辆目标粗分类为小型车、中型车、大型车。

对初始化环节中检测得到的目标区域，通过贴标签的方法标识出每个不同的目标区域，假设得到了N个目标区域Ω_k，k＝1，2，...，N，然后，对每个区域进行处理与识别，具体步骤如下：

2a)、统计图像中每个目标区域的面积S_vk，k＝1，2，...，N

面积计算公式如下：

$S_{\mathrm{vk}}=\underset{(i,j)\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}},k=\mathrm{1,2},...,N---\left(3\right)$

其中，Ω_k，k＝1，2，...，N为当前判断的目标区域，如果S_vk＜S_min，则该区域是非车辆目标，删除；如果

该区域为无效目标区域，删除；如果S_min≤S_vk≤S_max，则判断出是一个有效的候选目标。

2b)、对该有效的候选目标区域求其外接矩形，得到外接矩形的长H_k和宽W_k，根据初始化时得到的参数值，如果H_k≤W_k，或者H_k＜H_min，或者W_k＜W_min，或者H_k＞H_max，或者W_k＞W_max，则该区域视为无效目标区域，删除；如果H_min≤H_k≤H_max，W_min≤W_k≤W_max，则进行如下的判断：

根据初始化中获得的中型车的分布参数H_mid1和H_mid2，如果H_k＜H_mid1，则判断为小型车；如果H_k＞H_mid2，则判断为大型车；否则，即H_mid1≤H_k≤H_mid2，则判断为中型车。

2c)、提取目标区域的面积占空比特征ρ_S

将车辆目标所在区域的实际面积与其最小外接矩形面积的比值，定义为面积占空比特征ρ_S，按照公式进行计算： ${\mathrm{\ρ}}_S=\frac{S_{\mathrm{vk}}}{H_k\·W_k}---\left(4\right)$

该特征用来去除部分伪目标的干扰，去除原理是：车辆目标在视频中的图像的外包络线的形状都是凸的，不考虑异型车的特殊情况，按照图1架设的摄像机所拍摄的车辆均接近于矩形，基于这个假设，如果一个车辆目标的占空比小于某一阈值ρ_th＝70％的话，即ρ_S＜ρ_th，就判定为无效目标删除。

步骤3、将步骤2判定的小型车的目标设为

k＝1，2，...，L，L≤N，对该L个目标分别提取其车身的主色调特征K_C，并识别出小型车目标中的用特殊颜色标识的出租车。

车身的主色调特征是为了区分采用特殊色彩的公用车辆时采用的，例如，消防车辆为红色车身涂饰等，或者某地的绝大多数出租车为绿色车身涂饰。因此，对于不同的车身颜色，其判断及处理的方法不同。在此将车身主色调的特征分为三类，分别编码为0，1，2，浅色调车辆编码为0，深色调车辆编码为1，特殊颜色编码为2。

3a)、深色调的特征提取

首先计算车辆目标区域上R，G，B三个通道的像素值与相同位置上背景区域的像素值的差值，即：

D_r(i，j)＝F_r(i，j)-B_r(i，j)

D_g(i，j)＝F_g(i，j)-B_g(i，j)                   (5)

D_b(i，j)＝F_b(i，j)-B_b(i，j)

其中，

k＝1，2，...，L，为当前判断的小型车目标区域，F_r(i，j)，F_g(i，j)，F_b(i，j)分别为目标的红绿蓝三通道的像素值，B_r(i，j)，B_g(i，j)，B_b(i，j)分别为该

k＝1，2，...，L，区域对应位置上的背景帧的红绿蓝三通道的像素值，

然后，找出k＝1，2，...，L中所有符合深色调特征的像素点，即：

其中，阈值th₁是根据初始化中得到的目标色度均值计算得到，即th₁＝0.7·μ_C，C(i，j)定义为颜色度，用来描述某一像素有颜色的程度，按照公式(2)计算得到，统计属于深色调的像素点个数：

${\mathrm{Num}}_1=\underset{(i,j)\∈{\widehat{\mathrm{\Ω}}}_k}{\mathrm{\Σ}}{R}_k(i,j)---\left(7\right)$

计算主色调分布比率ρ_C： ${\mathrm{\ρ}}_C=\frac{{\mathrm{Num}}_1}{S_{\mathrm{vk}}}---\left(8\right)$

如果

则K_C＝1，按照现有车辆的结构，以及图1所示的架设摄像机的方式，可确定

否则主色调为浅色，即K_C＝0；

3b)、特殊色调的提取：

其中，

k＝1，2，...，L为当前判断的小型车目标区域，属于特殊色调的像素个数为： ${\mathrm{Num}}_2=\underset{(i,j)\∈{\widehat{\mathrm{\Ω}}}_k}{\mathrm{\Σ}}{R}_l(i,j)---\left(10\right)$

计算特殊色的主色调分布比率 ${\mathrm{\ρ}}_{C_s}:{\mathrm{\ρ}}_{C_s}=\frac{{\mathrm{Num}}_2}{S_{\mathrm{vk}}}---\left(11\right)$

如

则判断该车辆的主色调为特殊色，即K_C＝2，否则K_C不变，

根据步骤2中确定的车型的大小，以及本步骤所检测出的车身主色调特征进行判断，如果K_C＝1，为深色车辆，将该车判断为轿车；如果K_C＝2，将该车判断为出租车；如果K_C＝0，则按照下述步骤提取车窗相对位置特征参数K_W，进一步确定小型车辆为面包车或轿车：

3c)、由于面包车与轿车在车窗位置上的构造区别最为明显，设置采用如图3所示的车窗位置特征，由步骤2得到的车辆区域的外接矩形的长为H，车窗的水平中心线到车顶轮廓4的矩形后端的距离为M，则车窗相对位置特征参数K_W定义为： $K_W=\frac{M}{H}---\left(12\right)$

车窗位置相对特征参数K_W是用来对步骤3中尚未分类的主色调标记为K_C＝0的车辆进行车型识别，如果K_C＝0，并且K_W＞th₃，则该车辆为面包车；如果K_C＝0，并且K_W≤th₃，则该车辆为轿车；

由于面包车的前车窗比较靠前，K_W相对比较大，根据图1所示的架设摄像机的结构，以及在监视画面下部1/4处设置检测线的前提，给定阈值的经验值th₃＝40％来进行判断，提取该特征的关键是确定车窗的中心位置，为此，采用如下的算法：

首先，采用公式(13)将车辆所在区域灰度化：

V＝max(R，G，B)                                (13)

其中，V为图像的亮度，R，G，B分别为图像的红、绿、蓝三个颜色分量，因为进入本步骤检测的车辆均为浅色的小型车，车身的浅色金属漆的反射光强度大于车窗的透明玻璃的反射强度，先计算车辆区域的亮度均值，即：

${\mathrm{\μ}}_V=\frac{1}{N_{{\widetilde{\mathrm{\Ω}}}_k}}\·\underset{(i,j)\∈{\widetilde{\mathrm{\Ω}}}_k}{\mathrm{\Σ}}V(i,j)---\left(14\right)$

其中，k＝1，2，...，M，M≤L为当前判断的浅色小型车目标区域，

为目标区域中的像素点个数；

然后，按照公式(15)检测车窗区域：

最后，经过形态学运算，确定出车窗区域，获得车窗区域之后，即可按照图3所示的关系，得到车窗的水平中心线到车顶轮廓4的矩形后端的距离M，代入公式(12)计算车窗位置特征参数，确定小型车辆的类型。

步骤4、将步骤2判定的大型车作为车辆目标，提取车顶亮度特征参数K_L及车顶纹理特征参数K_B，以确定大型车是否为公交车。

大型车分为公交车及大型货车，公交车的车顶大多为浅色，并且车顶只有几个透气的天窗，呈现在监视画面上的纹理较为简单。通过图1所示的监控系统，拍摄得到的大型车的车顶面积会大于整体区域的一半以上，为了抵消一些不必要的干扰，根据车辆从远至近的方式进入监控视野的约定，确定区域的后面1/2部分为车顶区域，前面1/2部分为车头区域，则车顶的亮度参数K_L为： $K_L=\frac{\frac{1}{N_{{\mathrm{\Ω}}_t}}\·\underset{(x,y)\∈{\mathrm{\Ω}}_t}{\mathrm{\Σ}}F(i,j)}{\frac{1}{N_{{\mathrm{\Ω}}_h}}\·\underset{(x,y)\∈{\mathrm{\Ω}}_h}{\mathrm{\Σ}}F(i,j)}---\left(16\right)$

其中，

为车顶部分区域的像素总数，

为车头区域的像素总数，Ω_t为车顶区域，Ω_h为车辆区域，F(i，j)为车辆在相关区域中的亮度值，

如果K_L≤1，则判定是大型货车；如果K_L＞1，则需要根据其车顶区域的纹理特征进一步判断：

对检测出的车顶区域Ω_t，采用Sobel锐化算法获得其边缘锐化结果，并按照大津算法求得的阈值对其进行二值化处理，二值化后，边缘上的点标识为1，统计这些像素点的个数，设为N_B，则纹理特征参数K_B定义为：

$K_B=\frac{N_B}{N_{{\mathrm{\Ω}}_t}}---\left(17\right)$

如果K_B＜th₄，th₄是根据目前公交车的车顶纹理规则确定的统计值，预设为th₄＝20％，则表明纹理简单，判断该大型车为公交车，否则为大型货车，至此，完成了对进入监视视场中的六类车型的识别过程。

本发明的车型识别方法，根据目前的道路视频资料，结合各类车辆在监视画面中所呈现的不同特征，通过相应的特征提取方法，获得能够标识轿车、出租车、面包车、中型车、公交车、大型货车(非公交车)的特征，采用分层细化识别的方法，最大限度的降低了算法的时间复杂度，实现车型的快速分类。

Claims (2)

1.一种视频监控模式下的快速车型识别方法，按照以下步骤实施：

设置道路视频监控装置，并根据交通调度所需的基本车型信息，将车辆分成小型车、中型车、大型车，其中小型车分为轿车、以特殊色彩标识的出租车和面包车，大型车分为公交车及大型货车，共计六种车型，

步骤1、初始化

对视频监控装置进行训练学习，包括进行目标检测，以及后续的车型识别时所需要参数的自动学习，

1a)、目标检测

通过单高斯建模方法获得背景帧之后，采用背景差分法进行目标检测，即：

设F_k＝[f_k(i，j)]_m×n为监视视频的当前帧，B＝[b(i，j)]_m×n为背景模型，R_k＝[r_k(i，j)]_m×n为当前帧的目标区域检测结果，则：

$r_k(i,j)=\left\{\begin{array}{cc}1& \mathrm{if}|f_k(i,j)-b(i,j)|>\mathrm{th}\\ 0& \mathrm{if}|f_k(i,j)-b(i,j)|\≤\mathrm{th}\end{array}\right.---\left(1\right)$

其中，th为判断阈值，该阈值为背景标准差的两倍，之后，将检测出的结果图像R_k再进行数学形态学运算，以获得完整的目标区域；

1b)、目标的色度均值统计

对步骤1a)得到的所有目标点集合Ω＝{(i，j)|r_k(i，j)＝1}中的点(i，j)，计算其颜色度值C(i，j)：

C(i，j)＝|F_r(i，j)-F_g(i，j)|+|F_r(i，j)-F_b(i，j)|+|F_g(i，j)-F_b(i，j)|    (2)

其中，(i，j)∈Ω，F_r(i，j)F_g(i，j)，F_b(i，j)分别为目标在点(i，j)上的红绿蓝三通道的像素值，之后，求在初始化过程中，视频帧序列中所有目标的色度值的均值，记作μ_C，另外，对驶过的出租车通过人机交互标识出后，计算其色彩分布范围[C_min，C_max]；

1c)、目标范围的标定

在监视画面上设置一虚拟检测线，根据监视场所包括的道路面积及长度的物理尺寸与监视画面中像素间的映射关系，以及虚拟检测线所标定的位置，确定汽车区域的面积分布范围[S_min，S_max]，以及车辆的长、宽分布范围[H_min，H_max]，[W_min，W_max]，中型车的车辆长度分布范围[H_mid1，H_mid2]，初始化过程结束；

步骤2、从步骤1的结果图像中提取车辆目标区域的面积S_v及其外接矩形的长H和宽W，构造相应特征，剔除候选目标中的伪目标，并将车辆目标粗分类为小型车、中型车、大型车，具体步骤如下：

对初始化环节中检测得到的目标区域，通过贴标签的方法标识出每个不同的目标区域，得到N个目标区域Ω_k，k＝1，2，...，N，然后，对每个区域进行如下的处理与识别：

2a)、统计图像中每个目标区域的面积S_vk，k＝1，2，...，N

面积计算公式如下：k＝1，2，...，N    (3)

其中，Ω_k，k＝1，2，...，N为当前判断的目标区域，如果S_vk＜S_min，则该区域是非车辆目标，删除；如果

该区域为无效目标区域，删除；如果S_min≤S_vk≤S_max，则判断出是一个有效的候选目标；

2b)、对该有效的候选目标区域求其外接矩形，得到外接矩形的长H_k和宽W_k，根据初始化时得到的参数值，如果H_k≤W_k，或者H_k＜H_min，或者W_k＜W_min，或者H_k＞H_max，或者W_k＞W_max，则该区域视为无效目标区域，删除；如果H_min≤H_k≤H_max，W_min≤W_k≤W_max，则进行如下的判断：

根据初始化中获得的中型车的分布参数H_mid1和H_mid2，如果H_k＜H_mid1，则判断为小型车；如果H_k＞H_mid2，则判断为大型车；否则，即H_mid1≤H_k≤H_mid2，则判断为中型车；

2c)、提取目标区域的面积占空比特征ρ_s

将车辆目标所在区域的实际面积与其最小外接矩形面积的比值，定义为面积占空比特征ρ_s，按照公式4进行计算：

按照摄像机所拍摄的车辆均接近于矩形，设置阈值ρ_th＝70％，如ρ_s＜ρ_th，即判定为无效目标删除；

步骤3、将步骤2判定为小型车的目标设k＝1，2，...，L，L≤N，对该L个目标分别提取车身的主色调特征K_C，并识别出其中的用特殊颜色标识的出租车，具体步骤如下：

将车身主色调的特征分为三类，分别编码为0，1，2，浅色调车辆编码为0，深色调车辆编码为1，特殊颜色编码为2，

3a)、深色调的特征提取

首先计算车辆目标区域上R，G，B三个通道的像素值与相同位置上背景区域的像素值的差值，即：

D_r(i，j)＝F_r(i，j)-B_r(i，j)

D_g(i，j)＝F_g(i，j)-B_g(i，j)    (5)

D_b(i，j)＝F_b(i，j)-B_b(i，j)

其中，

k＝1，2，...，L，为当前判断的小型车目标区域，F_r(i，j)，F_g(i，j)，F_b(i，j)分别为目标的红绿蓝三通道的像素值，B_r(i，j)，B_g(i，j)，B_b(i，j)分别为该

k＝1，2，...，L，区域对应位置上的背景帧的红绿蓝三通道的像素值，

然后，找出

k＝1，2，...，L中所有符合深色调特征的像素点，即：

其中，阈值th₁是根据初始化中得到的目标色度均值计算得到，即th₁＝0.7·μ_C，C(i，j)定义为颜色度，用来描述某一像素有颜色的程度，按照公式2计算得到，统计属于深色调的像素点个数：

${\mathrm{Num}}_1=\underset{(i,j)\∈{\widehat{\mathrm{\Ω}}}_k}{\mathrm{\Σ}}{R}_k(i,j)---\left(7\right)$

计算主色调分布比率ρ_C：

如果

则K_C＝1，按照现有车辆的结构设定

否则主色调为浅色，即K_C＝0；

3b)、特殊色调的提取

其中，

k＝1，2，...，L为当前判断的小型车目标区域，属于特殊色调的像素个数为：

计算特殊色的主色调分布比率

如

则判断该车辆的主色调为特殊色，即K_C＝2，否则K_C不变，

如果K_C＝1，为深色车辆，将该车判断为轿车；如果K_C＝2，将该车判断为出租车；如果K_C＝0，则按照下述步骤提取车窗相对位置特征参数K_W，进一步确定小型车辆为面包车或轿车：

3c)、根据面包车与轿车在车窗位置上的位置不同，采用车窗位置特征，由步骤2得到的车辆区域的外接矩形的长为H，车窗的水平中心线到车顶轮廓的矩形后端的距离为M，则车窗相对位置特征参数K_W定义为：

$K_W=\frac{M}{H}---\left(12\right)$

车窗位置相对特征参数K_W用于对步骤3中尚未分类的主色调标记为K_C＝0的车辆进行车型识别，如果K_C＝0，并且K_W＞th₃，则该车辆为面包车；如果K_C＝0，并且K_W≤th₃，则该车辆为轿车；

面包车的前车窗比较靠前，K_W相对比较大，根据在监视画面下部1/4处设置检测线的前提，给定阈值th₃＝40％来进行判断，提取该特征的关键是确定车窗的中心位置，采用如下的算法：

首先，将车辆所在区域灰度化：V＝max(R，G，B)    (13)

其中，V为图像的亮度，R，G，B分别为图像的红、绿、蓝三个颜色分量，因为进入本步骤检测的车辆均为浅色的小型车，车身的浅色金属漆的反射光强度大于车窗的透明玻璃的反射强度，所以先计算车辆区域的亮度均值为：

${\mathrm{\μ}}_V=\frac{1}{N_{{\widetilde{\mathrm{\Ω}}}_k}}\·\underset{(i,j)\∈{\widetilde{\mathrm{\Ω}}}_k}{\mathrm{\Σ}}V(i,j)---\left(14\right)$

其中，k＝1，2，...，M，M≤L为当前判断的浅色小型车目标区域，

为目标区域中的像素点个数；

然后，按照公式15检测车窗区域：

最后，经过形态学运算，获得车窗区域之后，得到车窗的水平中心线到车顶轮廓的矩形后端的距离M，代入公式12计算车窗位置特征参数，确定小型车辆的类型；

步骤4、将步骤2判定的大型车作为车辆目标，提取车顶亮度特征参数K_L及车顶纹理特征参数K_B，确定大型车是否为公交车

根据车辆从远至近的方式进入监控视野，确定区域的后面1/2部分为车顶区域，前面1/2部分为车头区域，则车顶的亮度参数K_L为

$K_L=\frac{\frac{1}{N_{{\mathrm{\Ω}}_t}}\·\underset{(x,y)\∈{\mathrm{\Ω}}_t}{\mathrm{\Σ}}F(i,j)}{\frac{1}{N_{{\mathrm{\Ω}}_h}}\·\underset{(x,y)\∈}{\mathrm{\Σ}}F(i,j)}---\left(16\right)$

其中，

为车顶部分区域的像素总数，

为车头区域的像素总数，Ω_t为车顶区域，Ω_h为车辆区域，F(i，j)为车辆在相关区域中的亮度值，

如果K_L≤1，则判定是大型货车；如果K_L＞1，则需要进一步判断其车顶区域的纹理特征，

对检测出的车顶区域Ω_t，采用Sobel锐化算法获得其边缘锐化结果，并按照大津算法求得的阈值对其进行二值化处理，二值化后，边缘上的点标识为1，统计这些像素点的个数，设为N_B，则纹理特征参数K_B定义为：

$K_B=\frac{N_B}{N_{{\mathrm{\Ω}}_t}}---\left(17\right)$

如果K_B＜th₄，th₄是根据目前公交车的车顶纹理规则确定的统计值，预设为th₄＝20％，则表明纹理简单，判断该大型车为公交车，否则为大型货车。

2.根据权利要求1所述的方法，其特征在于，所述道路视频监控装置的结构是，监控摄像机固定在所监控的道路正上方，离地面6-10m高度，所监视区域的最远距离不超过离地高度10倍，监控摄像机俯角为10°-20°，监视画面中心距离监控摄像机的水平距离在20m-50m之间，在监控画面下部1/4的位置处设置一道虚拟检测线。

Images