CN103577829B - 一种车标定位方法和装置 - Google Patents

Abstract

本发明公开了一种车标定位方法和装置，属于计算机图像处理领域，该方法包括：根据先验知识确定车标所在的大致区域，并提取轮廓图；对轮廓图进行自适应分割，得到最优连通区分割；筛选出分割所得区域中为车标的区域，提取出车标图像。本发明实施例的方法和装置，采用自适应的连通区分割来定位车标，能提高车标定位的准确率。此外，通过定义车标似然度来进一步精定位车标，能更有效提高车标的定位准确率。

Description

一种车标定位方法和装置

技术领域

本发明涉及智能交通领域和计算机图像处理领域，尤其涉及一种车标定位方法和装置。

背景技术

近年来，随着汽车数量的不断增加、现代交通的不断发展，智能交通系统被广泛关注。作为智能交通系统的重要组成部分，车标识别成为一个热门的研究课题，具有很高的经济价值。车标定位是车标识别中最重要的一步，将直接影响车标识别的效果。

车标定位是在包含车辆的图片上定位包含车标的小块区域。它的难点在于当车辆图片中有较多噪音和干扰，会造成：

(1)散热片的垂直、水平、网格状边缘；

(2)未被去除干净的散热片的边缘；

(3)提取边缘时的误检边缘；

(4)由于光照变化造成的假边缘。

目前主要有两种思路来定位车标：1)基于车标和背景特征，例如基于图像的边缘、形状、模板匹配和纹理特征来定位车标；考虑到车标背景是散热片，去除散热片的固有模式后进行形态学操作，去除面积很小的白点，最终得到连通度为固定值的车标区域；2)基于机器学习算法，例如用Adaboost来学习车标的位置。

车标的定位大体分为车标粗定位，车标精定位两个步骤。连通区划分是车标精定位的重要步骤，对车标粗定位处理的结果通过划分连通区得到若干区域直接影响最终车标的定位结果。目前大部分算法直接用一个经验值定义连通度。设定的连通度太小时，划分得到的连通区域可能只包含车标的一部分；设定的连通度太大时，划分得到的连通区域可能会包含噪音和干扰，从而导致车标定位不准确。

发明内容

有鉴于此，本发明要解决的技术问题是提供一种车标定位方法和装置，以通过自适应连通区域划分进行图像分割来优化车标定位，提高车标定位的准确率。

本发明解决上述技术问题所采用的技术方案如下：

根据本发明的一个方面，提供的一种车标定位方法包括：

车标粗定位步骤：根据先验知识确定车标所在的大致区域，并提取轮廓图；

自适应分割步骤：对轮廓图进行自适应分割，得到最优连通区分割；

车标区域筛选步骤：筛选出最优连通区分割所得区域中为车标的区域，提取出车标图像；

其中，自适应分割步骤进一步包括：对轮廓图用不同的连通半径定义连通，得到不同的连通区；根据连通区数量与连通半径的关系，找出使连通区数量保持不变的连通半径的最长区间；采用最长区间内的连通半径的值划分连通区，得到最优连通区分割。

优选地，车标粗定位步骤进一步包括：根据车牌位置确定车标所在的大致区域；对车标所在的大致区域提取轮廓图；去除轮廓图中散热片的轮廓。

优选地，车标区域筛选步骤进一步包括：

根据噪音的先验知识，去除最优连通区分割所得区域中的噪音区域；

根据似然度判别去除噪音区域后的每一个连通区是车标还是噪音，提取连通区为车标的区域，得到车标图像。

优选地，根据对噪音的先验知识，去除最优连通区分割所得区域中的噪音区域进一步包括：针对每一个连通区的最小包络矩形，当矩形的面积小于第一预定的阈值、矩形的长宽比大于第二预定的阈值、或者连通区的前景点数目与矩形面积之比小于第三预定的阈值时，将矩形视为噪音区域去掉。

优选地，根据似然度判别去除噪音区域后的每一个连通区是车标还是噪音进一步包括：

根据车标的居中性和/或均匀性定义似然函数；

计算每个连通区的车标似然度，确定似然度最大的连通区域为车标区域。

根据本发明的另一个方面，提供的一种车标定位装置包括车标粗定位模块、自适应分割模块以及车标区域筛选模块，其中：

车标粗定位模块：用于根据先验知识确定车标所在的大致区域，并提取轮廓图；

自适应分割模块：用于对轮廓图进行自适应分割，得到最优连通区分割；

车标区域筛选模块：用于筛选出最优连通区分割所得区域中为车标的区域，提取出车标图像；

其中，自适应分割模块进一步包括区域分割单元、连通半径确定单元以及最优分割单元，其中：

区域分割单元，用于对轮廓图用不同的连通半径定义连通，得到不同的连通区；

连通半径确定单元，用于根据连通区数量与连通半径的关系，找出使连通区数量保持不变的连通半径的最长区间；

最优分割单元，用于采用最长区间内的连通半径的值划分连通区，得到最优连通区分割。

优选地，车标粗定位模块进一步包括区域确定单元、轮廓图提取单元以及轮廓图去噪单元，其中：

区域确定单元，用于根据车牌位置确定车标所在的大致区域；

轮廓图提取单元，用于对车标所在的大致区域提取轮廓图；

轮廓图去噪单元，用于去除轮廓图中散热片的轮廓。

优选地，车标区域筛选模块进一步包括区域去噪单元、区域判别单元以及车标提取单元，其中：

区域去噪单元，用于根据噪音的先验知识，去除最优连通区分割所得区域中的噪音区域；

区域判别单元，用于根据似然度判别去除噪音区域后的每一个连通区是车标还是噪音；

车标提取单元，用于提取连通区为车标的区域，得到车标图像。

本发明实施例提供的车标定位方法和装置，通过自适应连通区域划分进行图像分割，使得划分得到的连通区域内部的点距离尽可能的近，连通区域之间点距离尽可能远，提高了车标定位的准确率。此外，通过定义车标似然度来进一步精定位车标，更有效提高车标的定位准确率。

附图说明

图1为本发明实施例提供的一种车标定位方法的流程图。

图2为本发明优选实施例提供的车标粗定位方法的流程图。

图3为本发明优选实施例提供的自适应分割方法的流程图。

图4为本发明优选实施例提供的车标区域筛选方法的流程图。

图5为本发明优选实施例提供的一种车标定位方法的流程图。

图6为本发明实施例提供的一种车标定位装置的结构示意图。

图7为本发明优选实施例提供的车标粗定位模块的结构示意图。

图8为本发明优选实施例提供的自适应分割模块的结构示意图。

图9为本发明优选实施例提供的车标区域筛选模块的结构示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示为本发明实施例提供的一种车标定位方法的流程图，该方法包括以下步骤：

S102、根据先验知识确定车标所在的大致区域，并提取轮廓图。

请参阅图2，作为本步骤S102的一种优选方式，可进一步包括以下步骤：

S1022、根据车牌位置确定车标所在的大致区域。

具体来说，本步骤中对车辆图像根据车牌位置确定车标所在的大致区域。比如确定为：车牌正上方与车牌等宽，高度为5倍车牌高度的区域。

S1024、对车标所在的大致区域提取轮廓图。

具体来说，可以对车标所在的大致区域采用Prewitt算子、RobertsCross算子、Canny算子、Sobel算子、罗盘算子、Marr-Hildreth算子、高斯-拉普拉斯算子等任何一种方式提取轮廓图。在本实施例中使用Canny算子检测边缘。

S1026、去除轮廓图中散热片的轮廓。

其中，散热片的轮廓包括但不限于直线纹理，在本实施例中可使用Hough变换的方法去除各个角度的直线纹理。

S104、对轮廓图进行自适应分割，得到最优连通区分割。

具体来说，本步骤采用不同的连通度来划分连通区，并自适应地选择一种连通度使得在当前分割下不同连通区的点距离最远，使得分割效果最好。即用不同的连通半径r对图片求连通区，记录连通区的数目N与连通半径r的变化关系，在N-r关系图上，找出使N保持不变的最长区间。以上述最长区间内的r值来分割连通区，得到若干连通区。

S106、筛选出最优连通区分割所得区域中为车标的区域，提取出车标图像。

请参阅图4，作为本步骤S106的一种优选方式，可进一步包括以下步骤：

S1062、根据噪音的先验知识，去除最优连通区分割所得区域中的噪音区域；

具体来说，根据对噪音的先验知识，去掉不可能是车标的区域，针对每一个连通区的最小包络矩形，满足下面标准之一即可被视为噪音连通区去掉：

(a)矩形的面积小于第一预定的阈值。举例来说，矩形面积小于2*r就认为矩形的面积太小而视为是噪音；

(b)矩形的长宽比大于第二预定的阈值。举例来说，当矩形的长宽比大于5就认为矩形太过狭长而视为是噪音；

(c)连通区的前景点数目与矩形面积之比小于第三预定的阈值。举例来说，在本实施例中认为连通区的前景点数目与矩形面积之比小于0.1就认为连通区中的前景点太稀疏而视为是噪音。

S1064、根据似然度判别去除噪音区域后的每一个连通区是车标还是噪音，提取连通区为车标的区域，得到车标图像。

作为本步骤的一种优选方案，可以针对去掉噪音得到的区域，根据车标与车牌的相对位置关系、以及车标自身中轴两侧的前景像素数目的分布均匀程度进行判别区域是否是车标区域。即根据车标的居中性和均匀性定义似然函数，计算每个连通区的车标似然度，判断每个区域是车标还是噪音，从而确定车标的精确位置，比如：定义车标的居中度d为车标区域的中心与车牌中心的距离与车牌宽度之比，由居中度确定的似然度L1＝-d²+1；定义车标的均匀度p为车标中轴两侧的像素数目之比，由均匀度确定的似然度为L2＝2p/(p²+1)；则车标似然度函数为L＝L1+L2，找出似然函数最大值对应的区域，提取该区域的图像作为车标图像。

本发明实施例提供的车标定位方法，通过自适应连通区域划分进行图像分割，使得划分得到的连通区域内部的点距离尽可能的近，连通区域之间点距离尽可能远，提高了车标定位的准确率。此外，通过定义车标似然度来进一步精定位车标，更能有效提高车标的定位准确率。

如图3所示为本发明优选实施例提供的自适应分割方法的流程图，该方法包括以下步骤：

S1042、对轮廓图用不同的连通半径定义连通，得到不同的连通区。

具体来说，定义两点(x1，y1)和(x2，y2)的连通距离dist((x1,y1),(x2,y2))为：

dist((x1,y1),(x2,y2))＝max(|x1-x2|,|y1-y2|)

其中，点(x1，y1)与(x2，y2)是r-连通的，当且仅当

dist((x1，y1),(x2，y2))≤r

时，两点(x1，y1)和(x2，y2)在同一个连通区内。

S1044、根据连通区数量与连通半径的关系，找出使连通区数量保持不变的连通半径的最长区间。

设R1与R2是两个连通区，即由互相连通的点组成的点集，则R1与R2的距离dist(R1,R2)为：

$dist(R1,R2)=\underset{A\∈R1,B\∈R2}{min}\left(dist\right(A,B\left)\right)$

其中，A表示R1连通区中的点,B表示R2连通区中的点，记录根据连通区数量与连通半径的关系后，现在的问题转化为求合适的r，使得R1，R2，R3…Rn内部的点距离尽可能的近，R1，R2，R3…Rn之间的点距离尽可能远。即使得以半径r对图像I求连通区时，得到的连通区集合{R1，R2，…，Rn}满足目标函数Q的值最大。

Q＝avg_(i,j)(dist(Ri，Rj))–αr

其中，avg表示求平均数，avg_(i,j)(dist(Ri，Rj))表示任意两个连通区之间的距离的平均值，r表示所有连通区内部点的距离的平均值，α为系数，用于描述“连通尺度小”和“连通区之间距离大”这两方面因素之间的权重。α越大，则越重视前者；反之越重视后者。

由目标函数可以直接对不同的r取值求图像的连通区，计算目标函数的最大值对应的r。但考虑到时间复杂度和实现的方便问题，可以采用一种近似最优解的简便算法。考虑变量

N(r)＝card(F(I,r))

其中，N是以r为半径求得的连通区的数目。易知N(r)是一个非严格单调递减的函数，在r增大的过程中N值可能会减小，也可能会保持不变。对于N值减小的情况，由于r增大，使得原本相距较远、可能并不属于一个对象的两个连通区被合并在一起。而N的数目不发生变化的情况，不妨设r从r0增大到r0+Δr时N均不发生变化，到r0+Δr+1时N变小。则说明以r属于[r0，r0+Δr]划分出的连通区，任意两个区域之间的距离均严格大于Δr，因此r增加才不会使任何两个连通区合并。那么自然，所有区域之间的平均距离也严格大于Δr。

设此时划分的连通区的平均距离为avg_dist＝Δr+C，其中C是一个未知的修正量。但相比于Δr，C的值很大概率是一个小量。如果不是的话，即说明当前划分的区域之间的平均距离显著的大于Δr，那么当r超越r0+Δr继续增大时，原来划分的连通区应当继续保持不变才更为合理。因此可认为C以大概率为一小量。

因此，为了加快寻找r的算法，在对本问题的影响基本不大的情况下，可以忽略C，即认为以r为连通半径划分的连通区的平均距离avg_dist＝Δr。其中Δr为从当前r开始保持连通数目N不变的最大间距。

则目标函数就变为

Q＝Δr-αr

前面已经解释了在本场景中可以弱化对连通半径小的要求，而由于在具体数据上，Δr的尺度本身就要大于r，故直接取α＝1即可。由此便得到将图像分为多个区域时的最优划分。

S1046、用该最长区间内的连通半径的值划分连通区，得到最优连通区分割。

本发明实施例提供的自适应分割方法，通过自适应连通区域划分进行图像分割，使得划分得到的连通区域内部的点距离尽可能的近，连通区域之间点距离尽可能远，提高了车标定位的准确率。

如图5为本发明优选实施例提供的一种车标定位方法的流程图，该方法包括以下步骤：

S502、根据车牌确定车标所在的大致区域。

S504、采用Canny边缘检测算法提取车标所在的大致区域轮廓图。

S506、去除大致区域轮廓图中的散热片的线性轮廓。

S508、采用自适应连通区域分割，得到若干个连通区。

S510、去除连通区中明显属于噪音的区域；

S512、根据车标的居中性和均匀性对去噪音区域后的区域进行后验，筛选出车标区域。

如图6所示为本发明实施例提供的一种车标定位装置的结构示意图，该装置包括车标粗定位模块10、自适应分割模块20和车标区域筛选模块30，其中：

车标粗定位模块10：用于根据先验知识确定车标所在的大致区域，并提取轮廓图；

自适应分割模块20：用于对轮廓图进行自适应分割，得到最优连通区分割；

车标区域筛选模块30：用于筛选出最优连通区分割所得区域中为车标的区域，提取出车标图像。

请参阅图7，作为本实施例的一种优选方案，车标粗定位模块10可进一步包括区域确定单元101、轮廓图提取单元102和轮廓图去噪单元103，其中：

区域确定单元101，用于根据车牌位置确定车标所在的大致区域；

轮廓图提取单元102，用于对车标所在的大致区域提取轮廓图；

轮廓图去噪单元103，用于去除轮廓图中散热片的轮廓。

请参阅图8，作为本实施例的一种优选方案，自适应分割模块20可进一步包括区域分割单元201、连通半径确定单元202和最优分割单元203，其中：

区域分割单元201，用于对轮廓图用不同的连通半径定义连通，得到不同的连通区；

连通半径确定单元202，用于根据连通区数量与连通半径的关系，找出使连通区数量保持不变的连通半径的最长区间；

最优分割单元203，用于采用最长区间内的连通半径的值划分连通区，得到最优连通区分割。

请参阅图9，作为本实施例的一种优选方案，车标区域筛选模块30进一步包括：

区域去噪单元301，用于根据噪音的先验知识，去除最优连通区分割所得区域中的噪音区域；

进一步地，区域去噪单元301具体用于：针对每一个连通区的最小包络矩形，当矩形的面积小于第一预定的阈值、矩形的长宽比大于第二预定的阈值、或者连通区的前景点数目与矩形面积之比小于第三预定的阈值时，将所述矩形视为噪音区域去掉。

区域判别单元302，用于根据似然度判别去除噪音区域后的每一个连通区是车标还是噪音；

进一步地，区域判别单元302包括：

似然度定义子单元3021，用于根据车标的居中性和/或均匀性定义似然函数；

车标区域确定子单元3022，用于计算每个连通区的车标似然度，确定似然度最大的连通区域为车标区域。

车标提取单元303，用于提取连通区为车标的区域，得到车标图像。

需要说明的是，上述方法实施例中的所有技术方案在本装置中同样适用，

这里不再重述。

本发明实施例的车标定位装置，通过自适应连通区域划分进行图像分割，使得划分得到的连通区域内部的点距离尽可能的近，连通区域之间点距离尽可能远，提高了车标定位的准确率。此外，通过定义车标似然度来进一步精定位车标，更能有效提高车标的定位准确率。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (8)

1.一种车标定位方法，其特征在于，该方法包括：

车标粗定位步骤：根据先验知识确定车标所在的大致区域，并提取轮廓图；

自适应分割步骤：对所述轮廓图进行自适应分割，得到最优连通区分割；

车标区域筛选步骤：筛选出所述最优连通区分割所得区域中为车标的区域，提取出车标图像；

其中，所述自适应分割步骤进一步包括：

对所述轮廓图用不同的连通半径定义连通，得到不同的连通区；

根据连通区数量与连通半径的关系，找出使连通区数量保持不变的连通半径的最长区间；

采用所述最长区间内的连通半径的值划分连通区，得到最优连通区分割。

2.根据权利要求1所述的车标定位方法，其特征在于，所述车标粗定位步骤进一步包括：

根据车牌位置确定车标所在的大致区域；

对所述车标所在的大致区域提取轮廓图；

去除所述轮廓图中散热片的轮廓。

3.根据权利要求1所述的车标定位方法，其特征在于，所述车标区域筛选步骤进一步包括：

根据噪音的先验知识，去除所述最优连通区分割所得区域中的噪音区域；

根据似然度判别所述去除噪音区域后的每一个连通区是车标还是噪音，提取连通区为车标的区域，得到车标图像。

4.根据权利要求3所述的车标定位方法，其特征在于，所述根据对噪音的先验知识，去除所述最优连通区分割所得区域中的噪音区域进一步包括：

针对每一个连通区的最小包络矩形，当矩形的面积小于第一预定的阈值、矩形的长宽比大于第二预定的阈值、或者连通区的前景点数目与矩形面积之比小于第三预定的阈值时，将所述矩形视为噪音区域去掉。

5.根据权利要求3所述的车标定位方法，其特征在于，所述根据似然度判别所述去除噪音区域后的每一个连通区是车标还是噪音进一步包括：

根据车标的居中性和/或均匀性定义似然函数；

计算每个连通区的车标似然度，确定似然度最大的连通区域为车标区域。

6.一种车标定位装置，其特征在于，该装置包括以下模块：

车标粗定位模块：用于根据先验知识确定车标所在的大致区域，并提取轮廓图；

自适应分割模块：用于对所述轮廓图进行自适应分割，得到最优连通区分割；

车标区域筛选模块：用于筛选出最优连通区分割所得区域中为车标的区域，提取出车标图像；

其中，所述自适应分割模块进一步包括：

区域分割单元，用于对所述轮廓图用不同的连通半径定义连通，得到不同的连通区；

连通半径确定单元，用于根据连通区数量与连通半径的关系，找出使连通区数量保持不变的连通半径的最长区间；

最优分割单元，用于采用最长区间内的连通半径的值划分连通区，得到最优连通区分割。

7.根据权利要求6所述的车标定位装置，其特征在于，所述车标粗定位模块进一步包括：

区域确定单元，用于根据车牌位置确定车标所在的大致区域；

轮廓图提取单元，用于对所述车标所在的大致区域提取轮廓图；

轮廓图去噪单元，用于去除所述轮廓图中散热片的轮廓。

8.根据权利要求6所述的车标定位装置，其特征在于，车标区域筛选模块进一步包括：

区域去噪单元，用于根据噪音的先验知识，去除所述最优连通区分割所得区域中的噪音区域；

区域判别单元，用于根据似然度判别所述去除噪音区域后的每一个连通区是车标还是噪音；

车标提取单元，用于提取连通区为车标的区域，得到车标图像。