CN103593981B - 一种基于视频的车型识别方法 - Google Patents
一种基于视频的车型识别方法 Download PDFInfo
- Publication number
- CN103593981B CN103593981B CN201310354841.8A CN201310354841A CN103593981B CN 103593981 B CN103593981 B CN 103593981B CN 201310354841 A CN201310354841 A CN 201310354841A CN 103593981 B CN103593981 B CN 103593981B
- Authority
- CN
- China
- Prior art keywords
- target
- block
- vehicle
- car
- area
- 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
Abstract
本发明提供了一种基于视频的车型识别方法,对含有车辆的视频序列进行训练学习,对检测得到的目标车辆区域位置构造区域面积以及外接矩形长度特征,将车辆目标粗分类为小型车、中型车和大型车;对小型车目标,采用车窗位置特征参数确定其为轿车或者面包车;对大型车目标的车辆区域下部1/4~1/2处做水平边缘线检测,判断为大货车或公交车。本发明检测算法简单、实时性强,检测到车辆信息比较完整,提取的车型特征少、稳定性高、算法易于实现,识别率高。
Description
技术领域
本发明属于图像处理和车辆检测领域,涉及一种车型识别方法。
背景技术
车型识别技术作为智能交通系统(ITS)的重要组成部分,在ITS中发挥着重要的作用。车型识别除了在高速公路的自动收费和停车场的车辆管理系统中应用外,还可以应用于机器人、计算机视觉等高新技术领域。
现有的基于视频的车型识别一般都是针对车辆侧面的信息进行识别,对于电子眼拍摄的车辆正面信息进行识别的方法不是很多,并且识别率不够高,主要的原因在于:1)运动车辆检测与分割时,车辆信息不完整;2)提取的车辆特征易受外界因素影响。
发明内容
为了克服现有技术的不足,本发明提供一种基于视频的车型识别方法,解决了现有技术中存在提取车辆信息不完整,提取的车辆特征稳定性低,识别率不够高的问题。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1、对含有车辆的视频序列进行训练学习,采用分块帧间差法进行目标检测,并通过分析变化区域的面积来标定目标车辆区域位置,完成后续的车型识别所需要的参数的自动学习;
步骤2、对步骤1中检测得到的目标车辆区域位置,通过贴标签的方法标识出每个不同的目标区域,构造区域面积以及外接矩形长度特征,将车辆目标粗分类为小型车、中型车和大型车;
步骤3、对步骤2判定为小型车的目标,根据面包车与轿车车窗位置的不同,采用车窗位置特征参数对小型车辆进行进一步的识别,确定其为轿车或者面包车;
步骤4、将步骤2判定的大型车的目标,对车辆区域下部1/4~1/2处做水平边缘线检测,可以检测到车头顶部的两条水平边缘线,并且之间的距离大于设定值的为大货车,否则为公交车。
本发明的有益效果是,1)运动车辆检测算法简单、实时性强,检测到车辆信息比较完整;2)先通过面积特征将非车辆的运动目标排除,其次再通过面积特征将车辆目标粗分类为小型车、中型车、大型车,最后根据小型车车窗位置的不同、大型车有无 相对独立的车头导致提取直线距离的不同,将小车型分为小轿车与面包车,大型车分为公交车与大货车,该算法提取的车型特征少、稳定性高、算法易于实现,识别率高。
附图说明
图1是本发明一种车型识别方法的一个实施例的流程图;
图2是运动车辆检测的一个实施例的流程图;
图3是本发明方法中目标及其外接矩形处理示意图;
图4是本发明方法中车窗位置特征处理示意图。
图中,1.视频图像,2.车辆外轮廓,3.车窗轮廓。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明的车型识别方法,按照以下步骤实施:
对含有运动车辆信息的视频,进行运动车辆检测与分割,提取车辆面积信息,将车辆分成小型车、中型车、大型车,其中小型车分为轿车和面包车,大型车分为公交车以及大货车,共计五种车型。
步骤1、初始化
对含有车辆的视频序列进行训练学习,包括进行目标检测,以及后续的车型识别时所需要的参数的自动学习。
a)、目标检测
采用分块帧间差法进行目标检测,具体步骤为:
首先将图像分成M×N块(M=Height/h,N=Width/h,Height为图像的高度,Width为图像的宽度,h为正方形小块的边长,一般为3~5个像素,本文取4);其次计算相邻两帧图像对应块的灰度差异,并生成灰度差异图;最后将得到的灰度差异图二值化(二值化的阈值取值为300~600),值为1的区域就是检测到的目标区域。
对应小块之间的灰度差异是指块内各个对应点的灰度差值的平方和,数学表达式如下:
式中:Dk,x,y表示第k帧(x,y)块的灰度差异值,(x,y代表块的编号,从左上角开始 对块进行编号,x=1~M,y=1~N),Ik,x,y(i,j)表示第k帧(x,y)块内(i,j)位置的灰度值(块内的像素从左上角开始编号,i=1~h,j=1~h)。Ik-1,x,y(i,j)表示第k-1帧(x,y)块内(i,j)位置的灰度值。
将灰度差异图像进行二值化处理,数学表达式如下:
其中Ok , x , y表示第k帧(x,y)块的灰度值;th是阈值(本文取400),它的大小决定识别目标的灵敏度;之后,将检测出的结果图Ok再进行数学形态学运算,以获得完整的目标区域。
将大小为M*N的检测结果图Ok恢复到原图像的大小(Height*Width),数学表达式如下:
b)、提取目标车辆
在(a)中获得的MO图像上设置一条虚拟检测带(二值图像MO的大小为Height*Wid,设检测带的宽为10,检测带位于0.8×Height~0.8×Height+10,长为Width),将检测带横向均匀分成12块,统计检测带上每块所包含的目标区域的面积,如果检测带上某块满足以下条件:当前帧检测带上该块所包含的目标区域的面积大于等于前一帧检测带上相应块的面积,同时大于等于该块面积最大值的1/2;前两帧在检测带上该块所包含的目标区域的面积小于前一帧在检测带上相应块的面积,同时小于等于该块面积最大值的1/3;当前帧、前一帧、前两帧在检测带上该块包含的目标区域的面积不能全为0;则该块内有运动车辆出现。
如果确定检测带上至少有1个块内有运动车辆出现,则提取当前帧的二值图像MO,并对该帧的二值图像进行8-连通域标记,提取二值图像MO与检测带上有运动车辆出现的块内有相同标记号的区域的外接矩形,则为目标车辆区域。
c)、目标范围的标定
根据虚拟检测带所标定的目标车辆区域位置以及拍摄视频时所处的位置和角度,确定汽车区域的面积范围[Smin,Smax],以及车辆的长度分布范围[Hmin,Hmax],初始化过 程结束。
步骤2、从步骤1的结果图中提取车辆目标区域的面积S以及外接矩形的长度H,构造相应特征,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目标区域,得到N个目标区域Ωk,k=1,2,...,N,然后,对每个区域进行如下的处理与识别:
统计图像中每个目标区域的面积,表达式为:
如果Sk<Smin,则该区域是非车辆目标,删除;如果Sk>Smax,该区域为无效目标区域,删除;如果Smin≤Sk≤Smax,则判断出是一个有效的候选目标。中型车的车辆面积分布范围为[Smid1,Smid2],根据中型车的分布参数Smid1和Smid2,如果Sk<Smid1,则判断为小型车;如果Sk>Smid2,则判断为大型车;否则,即Smid1≤Sk≤Smid2,则判断为中型车。
步骤3、对步骤2判定为小型车的目标,根据面包车与轿车车窗位置的不同,采用车窗位置特征,由步骤2得到车辆区域的外接矩形的长为H,车窗的上边缘水平线到车辆区域的外接矩形前端的距离为L,则车窗相对位置特征参数为
车窗相对位置特征参数Bl用于对小型车辆进行识别,如果Bl>thl,则该车辆为轿车;如果Bl≤thl,则该车辆为面包车。
面包车的前车窗比较靠前,Bl相对比较小,根据在检测画面下部0.8*Height~0.8*Height+10处设置检测带的前提,给定阈值thl=60%来进行判断,提取该特征的关键是确定车窗上边缘的直线位置,采用如下算法:
(1)使用sobe1方法对车辆区域进行边缘检测;
(2)在车辆区域下部1/4~1/2处,采用Hough变换做直线检测,取检测到的最长的线段为目标直线;
(3)获得目标直线后,得到车窗的上边缘水平直线到车辆区域外接矩形前端的距 离L以及车辆区域外接矩形的长度H,代入公式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,提取车窗附近的直线特征,确定大型车是公交车还是大货车。其中,公交车是类似一个长方体一样的整体,而大货车是由相对独立的方形车头(与后挂车身有一定距离间隔)与后挂车身相连接。在对车辆区域下部1/4~1/2处做水平边缘线检测时,对于大货车,可以检测到大货车车头顶部的两条水平边缘线,并且之间的距离相对比较大;而对于公交车,却没有这样的车头水平边缘线,通常只能检测到一条或者两条间隔非常小的直线,我们设两条水平边缘线之间的距离为Ld,故可用该特征作为识别大型车辆的特征。具体算法步骤如下:
(1)使用sobe1方法对车辆区域进行边缘检测;
(2)在车辆区域下部1/4~1/2处,采用Hough变换做直线检测,取最长的2条线段为目标直线;
(3)获得目标直线后,计算得出两条直线之间的距离,记为Ld。
对于公交车,提取的2条直线比较接近,Ld相对比较小,如果(thd取40%),则该车辆为公交车;反之,为大货车。
Claims (1)
1.一种基于视频的车型识别方法,其特征在于包括下述步骤:
步骤1、对含有车辆的视频序列进行训练学习,采用分块帧间差法进行目标检测,并通过分析变化区域的面积来标定目标车辆区域位置,完成后续的车型识别所需要的参数的自动学习;其中采用分块帧间差法进行目标检测,具体步骤为:
(a)首先将图像分成M×N块,其中M=Height/h,N=Width/h,Height为图像的高度,Width为图像的宽度,h为正方形小块的边长,h取值为3~5个像素;其次计算相邻两帧图像对应块的灰度差异,并生成灰度差异图;最后将得到的灰度差异图二值化,其中二值化的阈值取值为300~600,值为1的区域就是检测到的目标区域;
对应小块之间的灰度差异是指块内各个对应点的灰度差值的平方和,数学表达式如下:
式中:Dk,x,y表示第k帧(x,y)块的灰度差异值,其中x,y代表块的编号,从左上角开始对块进行编号,x=1~M,y=1~N,Ik,x,y(i,j)表示第k帧(x,y)块内(i,j)位置的灰度值,其中块内的像素从左上角开始编号,i=1~h,j=1~h;Ik-1,x,y(i,j)表示第k-1帧(x,y)块内(i,j)位置的灰度值;
将灰度差异图像进行二值化处理,数学表达式如下:
其中Ok,x,y表示第k帧(x,y)块的灰度值;th是阈值,本文取400,它的大小决定识别目标的灵敏度;之后,将检测出的结果图Ok再进行数学形态学运算,以获得完整的目标区域;
将大小为M*N的检测结果图Ok恢复到原图像的大小Height*Width,数学表达式如下:
b)、提取目标车辆
在(a)中获得的MO图像上设置一条虚拟检测带,其中二值图像MO的大小为Height*Width,设检测带的宽为10,检测带位于0.8×Height~0.8×Height+10,长为Width,将检测带横向均匀分成12块,统计检测带上每块所包含的目标区域的面积,如果检测带上某块满足以下条件:当前帧检测带上该块所包含的目标区域的面积大于等于前一帧检测带上相应块的面积,同时大于等于该块面积最大值的1/2;前两帧在检测带上该块所包含的目标区域的面积小于前一帧在检测带上相应块的面积,同时小于等于该块面积最大值的1/3;当前帧、前一帧、前两帧在检测带上该块包含的目标区域的面积不能全为0;则该块内有运动车辆出现;
如果确定检测带上至少有1个块内有运动车辆出现,则提取当前帧的二值图像MO,并对该帧的二值图像进行8-连通域标记,提取二值图像MO与检测带上有运动车辆出现的块内有相同标记号的区域的外接矩形,则为目标车辆区域;
c)、目标范围的标定
根据虚拟检测带所标定的目标车辆区域位置以及拍摄视频时所处的位置和角度,确定汽车区域的面积范围[Smin,Smax],以及车辆的长度分布范围[Hmin,Hmax],初始化过程结束;
步骤2、对步骤1中检测得到的目标车辆区域位置,通过贴标签的方法标识出每个不同的目标区域,构造区域面积以及外接矩形长度特征,将车辆目标粗分类为小型车、中型车和大型车;
步骤3、对步骤2判定为小型车的目标,根据面包车与轿车车窗位置的不同,采用车窗位置特征参数对小型车辆进行进一步的识别,确定其为轿车或者面包车;
步骤4、将步骤2判定的大型车的目标,对车辆区域下部1/4~1/2处做水平边缘线检测,可以检测到车头顶部的两条水平边缘线,并且之间的距离大于设定值的为大货车,否则为公交车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310354841.8A CN103593981B (zh) | 2013-01-18 | 2013-08-14 | 一种基于视频的车型识别方法 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310019419.7 | 2013-01-18 | ||
CN2013100194197 | 2013-01-18 | ||
CN201310019419 | 2013-01-18 | ||
CN201310354841.8A CN103593981B (zh) | 2013-01-18 | 2013-08-14 | 一种基于视频的车型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103593981A CN103593981A (zh) | 2014-02-19 |
CN103593981B true CN103593981B (zh) | 2016-08-24 |
Family
ID=50084091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310354841.8A Expired - Fee Related CN103593981B (zh) | 2013-01-18 | 2013-08-14 | 一种基于视频的车型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103593981B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680793B (zh) * | 2015-02-04 | 2016-09-07 | 上海依图网络科技有限公司 | 一种大货车违章上高架报警方法 |
CN104680795B (zh) * | 2015-02-28 | 2018-02-27 | 武汉烽火众智数字技术有限责任公司 | 一种基于局部区域特征的车型识别方法和装置 |
CN105335757A (zh) * | 2015-11-03 | 2016-02-17 | 电子科技大学 | 一种基于局部特征聚合描述符的车型识别方法 |
CN106504542A (zh) * | 2016-09-30 | 2017-03-15 | 北京中星微电子有限公司 | 车速智能监控方法和系统 |
CN106651881B (zh) * | 2016-12-28 | 2023-04-28 | 同方威视技术股份有限公司 | 车辆检查系统、车辆部位识别方法及系统 |
CN107226023A (zh) * | 2017-04-10 | 2017-10-03 | 江苏车视杰电子有限公司 | 图像处理实时预警系统及方法 |
CN107578048B (zh) * | 2017-08-02 | 2020-11-13 | 浙江工业大学 | 一种基于车型粗分类的远视场景车辆检测方法 |
CN108416168B (zh) * | 2018-03-29 | 2021-11-02 | 北京航空航天大学 | 基于分层决策的地形适配区选取方案 |
CN109785621B (zh) * | 2019-02-02 | 2021-08-27 | 重庆港力环保股份有限公司 | 一种依托大数据的道路交通噪声智能优化控制方法 |
CN110390335A (zh) * | 2019-07-29 | 2019-10-29 | 广东泓胜科技股份有限公司 | 一种车型识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783076A (zh) * | 2010-02-04 | 2010-07-21 | 西安理工大学 | 一种视频监控模式下的快速车型识别方法 |
CN102637361A (zh) * | 2012-04-01 | 2012-08-15 | 长安大学 | 一种基于视频的车型判别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100811555B1 (ko) * | 2006-04-20 | 2008-03-07 | 삼성에스디에스 주식회사 | 차량 측면 형상을 이용한 차종분류장치 및 그 방법 |
TW201040893A (en) * | 2009-05-12 | 2010-11-16 | Ind Tech Res Inst | Method and apparatus for recognitizing types of vehicles |
-
2013
- 2013-08-14 CN CN201310354841.8A patent/CN103593981B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783076A (zh) * | 2010-02-04 | 2010-07-21 | 西安理工大学 | 一种视频监控模式下的快速车型识别方法 |
CN102637361A (zh) * | 2012-04-01 | 2012-08-15 | 长安大学 | 一种基于视频的车型判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103593981A (zh) | 2014-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103593981B (zh) | 一种基于视频的车型识别方法 | |
CN103559791B (zh) | 一种融合雷达和ccd摄像机信号的车辆检测方法 | |
CN104657727B (zh) | 一种车道线的检测方法 | |
CN103177246B (zh) | 基于动态区域划分的双模型车道线识别方法 | |
CN102810250B (zh) | 基于视频的多车型交通信息检测方法 | |
CN109190523B (zh) | 一种基于视觉的车辆检测跟踪预警方法 | |
CN102693423B (zh) | 一种在强光条件下车牌精确定位的方法 | |
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 | |
CN103984950B (zh) | 一种适应白天检测的运动车辆刹车灯状态识别方法 | |
CN107891808B (zh) | 行车提醒方法、装置及车辆 | |
Chen et al. | Nighttime brake-light detection by Nakagami imaging | |
CN107886034B (zh) | 行车提醒方法、装置及车辆 | |
CN105488453A (zh) | 一种基于图像处理的驾驶员未系安全带检测识别方法 | |
CN103927526A (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
CN102880863B (zh) | 一种基于可变形部件模型的车牌及驾驶员人脸定位方法 | |
CN102073852B (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
CN104077756B (zh) | 一种基于车道线置信度的方向滤波方法 | |
CN107392103A (zh) | 路面车道线的检测方法及装置、电子设备 | |
CN103034843B (zh) | 一种基于单目视觉的夜间车辆检测方法 | |
CN102419820A (zh) | 一种快速检测视频与图像中汽车车标的方法 | |
CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
CN105740782A (zh) | 一种基于单目视觉的驾驶员换道过程量化方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN201825037U (zh) | 高速公路车辆的车道偏离报警装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160824 Termination date: 20170814 |