CN102163278B - 一种公交车道非法车辆闯入检测方法 - Google Patents

Abstract

本发明公开了一种公交车道非法车辆闯入检测方法，其特征在于：其包括以下步骤：首先获取进入公交车道的车辆视频；然后转换成数字图像，并提取其中的矩形区域的局部图像；对局部图像进行色度筛选，排除不具备车牌特殊色度的局部图像；使用应用haar特征训练的Adaboost级联分类器对所述局部图像进行筛选，筛选出车牌图像；对筛选出的所述车牌图像进行底色识别，辨别是非为非法闯入车辆。本发明的公交车道非法车辆闯入检测方法利用公交车的车牌底色为黄色这一特点，通过对公交车道的视频监控图像进行分析，分析进入公交车道的车辆的车牌底色是否为黄色，从而判断出是否为非法闯入车辆。具有自动化程度高、准确性高、鲁棒性好等优点。

Description

一种公交车道非法车辆闯入检测方法

技术领域

本发明属于视频检测方法，尤其是基于视频的车牌自动识别检测方法。

背景技术

近年来我国经济发展迅速，城市化建设日新月异，代表城市形象的公共交通系统日益完善，大力发展城市公共交通系统，在政府部门和社会各界中都得到了足够的重视，我国政府一直提倡公交优先的交通发展战略。

公交优先重要的是道路分配的优先，建立公交优先专用车道。但在实际操作中，公交优先专用车道经常被非法车辆闯入或者占用，导致道路堵塞，严重影响公交的运行效率。

对于非法车辆闯入公交车道的现象，现阶段交通部门主要采取下列方法：交警采取视频抓拍、人工摄录、现场执法、警告式执法等多种形式对社会车辆占用公交车道进行严厉处罚。在行动中更多依靠监控探头，降低因现场执法对交通通畅造成的影响。但很明显的是，上述多种方法，都需要人工参与，自动化程度低，效率低下，所以很难较大规模的实施。

发明内容

本发明提供了一种解决上述问题的方案，提供一种利用公交车牌底色为黄色这一特点而专门研制的公交车道非法车辆闯入检测方法。

本发明的技术方案是提供一种公交车道非法车辆闯入检测方法，其特征在于：其包括以下步骤：

获取进入公交车道的车辆视频；

将1)中得到的视频转换成数字图像，然后提取所述数字图像中的矩形区域的局部图像；

将2)中得到的所述局部图像进行色度筛选，排除不具备车牌特殊色度的所述局部图像；

使用Adaboost级联分类器对3)中得到的所述局部图像进行筛选，筛选出具有车牌特殊纹理的局部图像作为最终检测得到的车牌图像；

对4)中筛选出的所述车牌图像进行底色识别，底色为黄色的则视为公交车辆，否则则为非法闯入车辆。

优选的，所述步骤2)中，应用角点计算的方法获取所述数字图像中的矩形区域。

优选的，所述步骤2)中，先应用Sobel算子处理所述数字图像得到边缘图像，然后应用梯度方法对所述边缘图像进行计算以提取角点，最后应用所述角点计算的方法计算出属于矩形物体的边缘，从而得到该矩形物体的图像。

优选的，所述步骤3)使用HSV色彩空间变换所述步骤2)中得到的矩形区域，分析每个矩形区域的色度和饱和度，排除不具备车牌特殊色度的矩形区域。

优选的，所述步骤4)中的Adaboost级联分类器由两个特征分类器合成的双特征前后置分类器，前置分类器用于车牌粗纹理的快速筛选，后置分类器用于车牌细纹理的精确筛选。

优选的，所述步骤4)中所述的Adaboost级联分类器中包含的所述前置分类器应用Haar特征训练得到，所述后置分类器应用LBP特征训练得到。

本发明的公交车道非法车辆闯入检测方法利用公交车的车牌底色为黄色这一特点，通过对公交车道的视频监控图像进行分析，分析进入公交车道的车辆的车牌底色是否为黄色，从而判断出是否为非法闯入车辆。具有自动化程度高、准确性高、鲁棒性好等优点。

附图说明

图1是本发明的算法原理框图；

图2是Haar特征的分类图。

具体实施方式

下面对本发明的具体实施方式作进一步详细的描述。

如图1所示，本发明的公交车道非法车辆闯入检测方法首先进行视频采集，采集到的视频信息依次经过角点筛选、色度筛选、HaarAdaboost级联分类器筛选和LBP Adaboost级联分类器筛选，最终得出检测结果。

本发明所采用的方案是在数字摄像机作为传感器的支持下实现的，车牌检测原理主要利用了车牌的矩形特征(角点)、字符背景宏观结构纹理特征、字符布局微观结构纹理特征等特征进行分析。以下结合附图1所示的算法原理图，详细说明本方法的具体实施方式。

①采用数字摄像机作为传感器连续采集定点区域图像形成数字视频流作为信号源，数字摄像机采用CCD或者CMOS等A/D芯片；摄像机的架设要合理，以使所监控区域场景视频中车牌的宽度大于30像素为宜；

②首先需要从视频图像中分割出车牌的候选区域，即粗选，粗选最重要的性能指标就是高检测率，换句话说就是将车牌漏检的概率降到最低。车牌最直观的特征是矩形外形(角点)和特殊色度背景，先用Sobe l算子(索贝尔算子(Sobel operator)是图像处理中的算子之一，主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量)处理图像得到边缘图像，接着进行膨胀、腐蚀、连通性分析等形态学处理和区域面积滤波排除孤立点，然后应用梯度方法计算角点并分析得到矩形区域作为车牌的候选区域。使用HSV色彩空间变换车牌图像，分析色度(H通道)和饱和度(S通道)，排除不具备车牌特殊色度的背景区域。

角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点。角点在保留图像图形重要特征的同时，可以有效地减少信息的数据量，使其信息的含量很高，有效地提高了计算的速度，在三维场景重建、运动估计、目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。基于梯度的方法是通过计算边缘的曲率来判断角点的存在性，角点计算数值的大小不仅与边缘强度有关，而且与边缘方向的变化率有关。步骤如下：

(1)计算图像像素点在水平和垂直方向上的梯度，以及两者的乘积，得到M中4个元素的值；

其中，I_x ²＝I_x×I_x；I² _y＝I_y×I_y。

(2)对图像进行高斯滤波，得到新的M；

离散二维零均值高斯函数为

$\mathrm{Gauss}=\exp (-\frac{(x^2+y^2)}{2{\mathrm{\σ}}^2})$

(3)计算原图像上对应的每个像素点的兴趣值，即R值；

R＝{I_x ²×I_y ²-(I_xI_y)²}-k{I_x ²+I_x ²}²

(4)选取局部极值点。特征点是局部范围内的极大兴趣值对应的像素点；

(5)设定阈值，选取一定量的角点；

③计算当前图像的HSV色彩空间格式图像及色度H通道积分图，对每个感兴趣候选区域计算其色度统计值，并依据车牌特有的几种底色进行筛选，保留具有车牌特定底色的候选区域；

④经过步骤②之后，已经提取到类似车牌矩形外形的候选区域，但并非所有矩形区域都是车牌，需要进一步进行筛选。依据观察，车牌在矩形框架内以某种特定颜色为背景，中间嵌入其它色彩的字符。从宏观看车牌是两个矩形组成的，一个代表车牌背景，一个代表字符；从微观看，字符中包含汉字、字母和数字，并且其组合和空间布局存在固定规则。因此，车牌表现出稳定的纹理结构，虽然不同类别的车辆车牌有所不同，但都是国家统一制定的，类别数是有限的，因此可以用基于统计学习的方法用有限样本训练得到分类器，其中最重要的是确保用作分类器训练的样本的多样性，即包括不同种类的车牌、不同环境下的，如白天黑夜、强光反射、遮挡、模糊、雨雪天气、不同角度等。

本发明所述算法采用Adaboost训练分类器。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，并将关键放在关键的训练数据上面。

Adaboost训练过程如下：

1.先通过对N个训练样本的学习得到第一个弱分类器；

2.将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器；

3.将1和2都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；

4.最终经过提升得到强分类器。

训练分类器需要先选择特征，依据先前分析的车牌具有的宏观结构和微观结构两个纹理特征，即字符背景宏观结构纹理特征和字符布局微观纹理特征，基于不同纹理特征描述符对纹理描述能力的不同以及实际应用测试结果，选择Haa r特征训练分类器作为前置分类器，选择局部二元模式LBP训练分类器作为后置分类器。以下分别阐明这两个分类器。

Haar对宏观结构纹理特征描述能力较强，因此选择Haar特征训练分类器作为前置分类器，主要用于字符背景结构宏观纹理特征的检测，快速排除不具备字符背景结构纹理特征的候选矩形区域，为后续保留了较小的候选区域集。Haar特征有如图2所示的几种，应用积分图像来快速计算Haar特征。

Haar特征适合于宏观结构纹理特征描述，但抗光照不均的能力较差，对微观纹理特征描述能力不稳定，因此选择具备抗光照不均能力的局部二元模式LBP训练分类器作为后置分类器，用于字符组合布局微观纹理特征的检测，抗光照不均能力很强，效果很好。

到此，一个车牌检测器已经实现。本算法采用了由粗到细的筛选策略，结合了基于角点和色度的候选区域筛选、基于Haar特征和局部二元模式LBP特征训练的Adaboost分类器的细选等步骤，加快检测速度、提高了检测率和降低了误检率、在实际环境中测试达到较高的鲁棒性。

以上实施例仅为本发明其中的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种公交车道非法车辆闯入检测方法，其特征在于：其包括以下步骤：

1)获取进入公交车道的车辆视频；

2)将1）中得到的视频转换成数字图像，然后提取所述数字图像中的矩形区域的局部图像；

3)将2）中得到的所述局部图像进行色度筛选，排除不具备车牌特殊色度的所述局部图像；

4)使用Adaboost级联分类器对3）中得到的所述局部图像进行筛选，筛选出具有车牌特殊纹理的所述局部图像作为最终检测得到的车牌图像；

5)对4）中筛选出的所述车牌图像进行底色识别，底色为黄色的则视为公交车辆，否则则为非法闯入车辆；

所述步骤2）中，应用角点计算的方法获取所述数字图像中的矩形区域；

所述步骤2）中，先应用Sobel算子处理所述数字图像得到边缘图像，然后应用梯度方法对所述边缘图像进行计算以提取角点，最后应用所述角点计算的方法计算出属于矩形物体的边缘，从而得到该矩形物体的图像。

2.根据权利要求1所述的公交车道非法车辆闯入检测方法，其特征在于：所述步骤3）使用HSV色彩空间变换所述步骤2）中得到的矩形区域，分析每个矩形区域的色度和饱和度，排除不具备车牌特殊色度的矩形区域。

3.根据权利要求1所述的公交车道非法车辆闯入检测方法，其特征在于：所述步骤4）中的Adaboost级联分类器由两个特征分类器合成的双特征前后置分类器，前置分类器用于车牌粗纹理的快速筛选，后置分类器用于车牌细纹理的精确筛选。

4.根据权利要求3所述的公交车道非法车辆闯入检测方法，其特征在于：所述步骤4）中所述的Adaboost级联分类器中包含的所述前置分类器应用Haar特征训练得到，所述后置分类器应用LBP特征训练得到。

Images