CN103500327A - 基于空间位置信息的同一品牌车辆的车型识别方法 - Google Patents

Abstract

本发明涉及一种基于空间位置信息的同一品牌车辆的车型识别方法，该方法包括：采集车辆的图像；对所述车辆的图像进行直方图均衡化；设定车牌大小，根据车牌的大小对直方图均衡化后的图像进行伸缩和旋转校正；根据校正后的图像相对车牌的位置提取N个待测车型的特征区域；计算每个特征区域的特征向量；采用最小距离分类器将每一个特征向量与数据库中该品牌车辆的参考特征向量进行分类比较，识别出具体车型。本发明方法通过提取车牌的特征区域，然后对特征区域的相关参数进行识别，从而能够提高对车辆车型的识别精度。

Description

基于空间位置信息的同一品牌车辆的车型识别方法

技术领域

本发明属于智能交通中的图像处理领域，具体涉及一种基于空间位置信息的同一品牌车辆的车型识别方法。

背景技术

现阶段智能交通对车辆信息要求越来越高，识别出车辆信息具有很高的实用价值。目前，车型识别主要有基于物理参数的模式识别方法和基于图像处理的模式识别方法。基于物理参数的模式识别方法，通过线圈等感应器获得车辆的某些物理参数，但是只能识别出大型车、中型车、小型车等车型的大小，而不能识别出车辆的具体类型信息，例如不同品牌的汽车，以及同一品牌汽车下的不同车型等。而基于图像的车型识别方法，不仅可以得到车辆的大小信息，还可以识别出具体的车辆类型。

但是，基于图像的车型识别方法通常采用直接对图像进行分割的方法，分割出特征区域，再进行特征提取。其存在以下问题：直接提取出特征区域十分困难，难以控制提取精度，易产生错误，以及不同车型所分割出的特征区域可能非常相似，从而导致识别错误。因此直接分割提取特征识别，常常导致识别率达不到要求，并且算法的鲁棒性不够。

发明内容

本发明的目的在于克服上述现有技术的不足而提供一种基于空间位置信息的同一品牌车辆的车型识别方法，该识别方法通过提取车牌的特征区域，然后对特征区域的相关参数进行识别，从而能够提高对车辆的识别精度。

实现本发明目的采用的技术方案是一种基于空间位置信息的同一品牌车辆的车型识别方法，该方法包括：

（1）采集车辆正面的图像；

（2）对所述车辆的图像进行直方图均衡化；

（3）按分辨率设定车牌大小，根据车牌的大小对直方图均衡化后的图像进行伸缩和旋转校正，得到校正后的图像；

（4）根据校正后的图像相对车牌的位置以及该品牌车辆中的每种车型特征区域的位置进行特征区域的提取，提取出N个待测车型的特征区域，N为该品牌车辆中的车型数，所述特征区域为车辆正面图像上相对车牌的长方形空间位置；

（5）对提取的每个待测车型的特征区域分别计算出特征向量；

（6）采用最小距离分类器将步骤（5）中计算的每一个特征向量与数据库中该品牌车辆的参考特征向量进行分类比较，识别出具体车型。

本发明利用不同类型车辆的车辆图像特征区域相对于车牌的空间距离不同，从而对车牌的空间位置信息提取车辆的特征，进行车型识别，本方法能够有效减少因区域分割而导致的车辆错误识别，使得识别的结果更加的准确，提高了车型识别的正确率，该方法具有很高的实用价值。

附图说明

图1为本发明基于空间位置信息的同一品牌车辆的车型识别方法的流程图。

图2a为一车辆特征向量提取效果示意图。

图2b为另一车辆与图2a中车辆相同位置处特征向量提取效果示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

如图1所示，本发明基于空间位置信息的同一品牌车辆的车型识别方法包括以下步骤：

步骤S100、采集车辆正面的图像，可以通过摄像机直接采集车辆的一张图片，如收费站进出口处采集的车辆信息图片，也可以从摄像机摄取的车牌视频中采集一帧所需的车辆信息图片。

步骤S200、对采集的车辆图像进行直方图均衡化，具体通过以下公式进行直方图均衡化：

$s_k=\mathrm{int}[255*\underset{i=0}{\overset{k}{\mathrm{\Σ}}}\frac{n_k}{n}]$

上式中，s_k表示直方图均衡化后图像的像素，int表示取整，k表示车辆图像的像素，n_k表示车辆图像的像素出现的次数（在直方图中一个图像里面，比如像素值100在一个图像中出现了30次，则n_k就是30），n表示图像总的像素数。

步骤S300、首先，按分辨率设定车牌大小，本实施例中设定的车牌的大小为长120个像素，高30个像素。车牌的大小是在均衡化后的车牌大小，即均衡化后所有的车牌大小一样（均衡化前后车牌大小的变化取决于车牌提取方法，但实际上车牌大小几乎无变化，设定的根据是实际车牌的长宽比和图像的分辨率，实际车牌比大概4:1。本实施例车牌的大小120*30是根据实际图片情况，但长宽比为4:1，也可以根据图像的分辨率设定为其它值。

其次，根据车牌的大小对直方图均衡化后的图像进行伸缩和旋转校正，得到校正后的图像；具体校正方法为：根据车牌大小采用双线性插值方法对图像进行伸缩校正，然后再检测出车牌上下边缘，用直线拟合车牌上下边缘，直线的斜率所对的角度即为倾斜角度，取两个倾斜角的均值为最终车牌倾斜角，根据所述最终车牌倾斜角进行旋转校正。

步骤S400、根据校正后的图像相对车牌的位置以及该品牌车辆中的每种车型特征区域的位置进行特征区域的提取，提取出N个待测车型的特征区域，N为该品牌车辆中的车型数，所述特征区域为车辆正面图像上相对车牌的长方形空间位置；

其中一种车型的特征区域的具体提取过程为：根据校正后的图像中车牌中心的位置，采用如下公式提取特征区域

left=x-len1 right=x+len2 top=y-width1 down=y-width2

上式中，left为特征区域的起始列，right为特征区域的终止列，top为特征区域的起始行，down为特征区域的终止行，x为车牌的上边缘中心所在的列，y为车牌上边缘所在的行，len1、len2、width1、width2分别为该品牌车辆中某一车型特征区域的左、右、上、下四条边所在直线与该车型车牌中心的距离；

对于该品牌车辆中的每种车型，分别采用上述方法提取出N个待测车型的特征区域。

步骤S500、对提取的每个待测车型的特征区域分别计算出特征向量；

对每个待测车型的特征区域计算待测车型的特征向量，包括以下具体步骤：对特征区域进行金子塔分解，对每一层高斯图像提取其奇异值，将奇异值组成的向量作为特征向量，包括：用高斯函数和所述特征区域图像做卷积，特征区域图像为f，g₁=f*g，g_k=g_k-1*g，其中g为二维高斯函数，{g₁,g₂,…,g_k}为高斯金字塔；对高斯金子塔中的每一层高斯图像进行奇异值提取，即每一层高斯图像矩阵为A,AA^T的特征值为λ₁≥λ₂≥…≥λ_i≥λ_i+1=…=λ_n=0，λ_i为图像的奇异值，(λ₁,λ₂,…,λ_n)构成了所取层高斯图像的特征向量，将每一层高斯图像的奇异值按上述规则组合并到一起为w=(λ₁₁,λ₁₂,…,λ_1n,λ₂₁,λ₂₂,…,λ_2n,…,λ_k1,λ_k2,…,λ_kn)，其中k为高斯金字塔的层数，n为单个高斯图像奇异值的个数，w就构成了整个特征区域图像的特征向量；

按照上述方法，分别计算出所述N个待测车型特征区域的特征向量。

步骤S600、将N个待测车型特征区域的特征向量采用最小距离分类器分别与数据库中该品牌车辆所有车型的参考特征向量进行分类比较，识别出具体车型，所述最小距离分类器的公式为：

min||w-w_i|| i=1,2,…,n

式中，w为待测车辆的特征向量，wi为已知车型的特征向量，|| ||为欧式距离，最小距离对应的类型i₀就为待测车辆图像的类型。

数据库中该品牌车辆所有车型的参考特征向量是根据该品牌中所有车型的特征区域（特征区域按照统一的规定提取），再对提取出的特征区域计算特征向量，计算方法同上述步骤S500，计算出每种车型的特征向量，即为参考特征向量。

采用上述方法对与数据库中某一车型的车辆进行待测车型的特征向量提取，效果如图2a中所示的方框区域，然后再采用上述方法对另一不同车型的车辆在相同位置处提取特征向量，效果如图2b所示的方框区域，比较图2a和图2b，很显然，对于不同车型采用本发明方法提取的特征向量的差别很大，因此，根据本发明方法提取的特征向量与数据库中车辆的特征向量进行分类比较，即可识别出该车辆的具体车型。

Claims (7)

1.一种基于空间位置信息的同一品牌车辆的车型识别方法，其特征在于，包括：

（1）采集车辆正面的图像；

（2）对所述车辆的图像进行直方图均衡化；

（3）按分辨率设定车牌大小，根据车牌的大小对直方图均衡化后的图像进行伸缩和旋转校正，得到校正后的图像；

（4）根据校正后的图像相对车牌的位置以及该品牌车辆中的每种车型特征区域的位置进行特征区域的提取，提取出N个待测车型的特征区域，N为该品牌车辆中的车型数，所述特征区域为车辆正面图像上相对车牌的长方形空间位置；

（5）对提取的每个待测车型的特征区域分别计算出特征向量；

（6）采用最小距离分类器将步骤（5）中计算的每一个特征向量与数据库中该品牌车辆的参考特征向量进行分类比较，识别出具体车型。

2.根据权利要求1所述基于空间位置信息的同一品牌车辆的车型识别方法，其特征在于，步骤（2）中通过以下公式进行图像的直方图均衡化：

$s_k=\mathrm{int}[255*\underset{i=0}{\overset{k}{\mathrm{\Σ}}}\frac{n_k}{n}]$

式中，s_k表示直方图均衡化后图像的像素，int表示取整，k表示车辆图像的像素，n_k表示车辆图像的像素出现的次数，n表示图像总的像素数。

3.根据权利要求1所述基于空间位置信息的同一品牌车辆的车型识别方法，其特征在于，步骤（3）中对直方图均衡化后的图像进行校正包括：根据车牌大小采用双线性插值方法对图像进行伸缩校正，然后再检测出车牌上下边缘，用直线拟合车牌上下边缘，直线的斜率所对的角度即为倾斜角度，取两个倾斜角的均值为最终车牌倾斜角，根据所述最终车牌倾斜角进行旋转校正。

4.根据权利要求1所述基于空间位置信息的同一品牌车辆的车型识别方法，其特征在于：按分辨率设定车牌的大小为长120个像素，高30个像素。

5.根据权利要求1所述基于空间位置信息的同一品牌车辆的车型识别方法，其特征在于，步骤（4）中根据校正后的图像相对车牌的位置进行特征区域的提取，具体提取过程为：根据校正后的图像中车牌中心的位置，采用如下公式提取待测车型的特征区域：

left=x-len1 right=x+len2 top=y-width1 down=y-width2

式中，left为特征区域的起始列，right为特征区域的终止列，top为特征区域的起始行，down为特征区域的终止行，x为车牌的上边缘中心所在的列，y为车牌上边缘所在的行，len1、len2、width1、width2分别为该品牌车辆中某一车型特征区域的左、右、上、下四条边所在直线与该车型车牌中心的距离；

对于该品牌车辆中的每种车型，分别采用上述方法提取出N个待测车型的特征区域。

6.根据权利要求5所述基于空间位置信息的同一品牌车辆的车型识别方法，其特征在于，对每个待测车型的特征区域计算待测车型的特征向量，包括以下步骤：对特征区域进行金子塔分解，对每一层高斯图像提取其奇异值，将奇异值组成的向量作为特征向量，包括：用高斯函数和所述特征区域图像做卷积，特征区域图像为f，g₁=f*g，g_k=g_k-1*g，其中g为二维高斯函数，{g₁,g₂,…,g_k}为高斯金字塔；对高斯金子塔中的每一层高斯图像进行奇异值提取，即每一层高斯图像矩阵为A,AA^T的特征值为λ₁≥λ₂≥…≥λ_i≥λ_i+1=…=λ_n=0，λ_i为图像的奇异值，(λ₁,λ₂,…,λ_n)构成了所取层高斯图像的特征向量，将每一层高斯图像的奇异值按上述规则组合并到一起为w=(λ₁₁,λ₁₂,…,λ_1n,λ₂₁,λ₂₂,…,λ_2n,…,λ_k1,λ_k2,…,λ_kn)，其中k为高斯金字塔的层数，n为单个高斯图像奇异值的个数，w就构成了整个特征区域图像的特征向量；

按照上述方法，分别计算出所述N个待测车型特征区域的特征向量。

7.根据权利要求6所述基于空间位置信息的同一品牌车辆的车型识别方法，其特征在于：将N个待测车型特征区域的特征向量采用最小距离分类器分别与数据库中该品牌车辆所有车型的参考特征向量进行分类比较，识别出具体车型，所述最小距离分类器的公式为：

min||w-w_i|| i=1,2,…,n

式中，w为待测车辆的特征向量，w_i为已知车型的特征向量，|| ||为欧式距离，最小距离对应的类型i₀就为待测车辆图像的类型。

Images