CN104407351A - 车辆窗口位置识别方法 - Google Patents

Abstract

本发明涉及一种车辆窗口位置识别方法，所述方法包括：通过激光测距的相位延迟变化来判定机动车高度；对获取的车辆图像数据进行处理分析，获得前挡风玻璃下沿位置参数；获得机动车驾驶舱高度和位置；根据机动车高度、挡风玻璃下沿位置、机动车驾驶舱高度和位置计算车辆窗口位置。其通过改进的算法可以更加精确的确定原图像边缘图像，精确计算机动车窗口位置，进而增加车道通行能力。

Description

车辆窗口位置识别方法

技术领域

本发明涉及车辆识别算法，尤其是涉及一种车辆窗口位置识别方法。

背景技术

伴随着国内高速公路的快速发展以及机动车数量的与日俱增，人们对于高速公路通行效率的提出了更高的要求，智能化的高速公路收费系统应运而生。从完全手动的人工收费系统到越来越普及的电子不停车收费(ETC)系统，高速公路收费系统取得了长足的进步。对于未办理ETC通行卡或偶尔使用高速公路的机动车辆，在高速公路使用自动发卡机无疑是一种可以提高通行效率的有效方式。

但是，在目前市场上常使用的自动发卡机存在以下缺点：

1.由于每个驾驶员驾车技术不同和驾驶室垂直位置不同，无法保证每个驾驶员都能将汽车停放在手臂能够轻松按键取卡的位置，有些驾驶员需要下车取卡，这样反而影响了通行效率。

2.即便采用了多个发卡口，但是识别车型不准确，造成发卡口的选择错误。

发明内容

本发明的目的是提供一种车辆窗口位置识别方法，其通过改进的Roberts边缘检测算子可以更加精确的确定原图像边缘图像，精确控制出卡的位置，方便用户的取卡，进而增加车道通行能力。

本发明是采用以下的技术方案实现的：1.一种车辆窗口位置计算方法，所述方法包括：

(1)、通过激光测距装置的相位延迟变化来判定机动车高度；

若激光测距装置(1)的调制光角频率为w，在待测量距离LAB上往返一次产生的相位延迟为φ，则对应时间t可表示为：其中φ+Δφ＝2π(m+Δm)，前式中，m表示激光往返LAB所经历的波长整数个数，Δm表示不足一个波长个数的分量，则待测距离LAB可表示为λ为波长，将所得到的待测距离与人工标靶相对应，解算车辆的实际高度值；

(2)、对车辆图像数据进行处理分析，获得前挡风玻璃下沿位置参数的方法如下；

1、获取图像坐标(x，y)上的像素点的灰度值f(x，y)，元素的取值范围为0～255，共256个灰度级；

2、通过公式G(x，y)＝|f(x，y)-f(x+1，y+1)|+|f(x+1，y)-f(x，y+1)|计算边缘检测算子；

3、边缘图像提取，边缘图像就是图像中各个像素的灰度级用来反映各像素符合边缘像素要求程度；参考边缘图像的直方图选取阈值，对车辆灰度图像的边缘图像进行阈值分割得到二值边缘图像；其中i＝0，1，…，255，f(i)是灰度值i的所有像素梯度之和，

其中f(i)＝f(x，y)+|f(x-1，y-1)-f(x+1，y+1)|+|f(x-1，y+1)-f(x+1，y-1)|

4、单阈值T分割后的二值边缘图像可定义为：

$g(x,y)=\begin{array}{}\end{array}\left\{\begin{array}{c}1,G(x,y)>T\\ 0,G(x,y)<T\end{array}\right.,$ 通过g(x，y)获取机动车前挡风玻璃下沿位置参数；

(3)、获得机动车驾驶舱高度和位置的方法如下；

在识别运动车辆车型之前，在学习的基础上建立起的标准车辆车型的模板库，里面存储着标准车辆车型的高度特征表，将待识别图像的Gabor集特征向量和不同的模板图像的特征向量进行比较，对于每一个模板图像都会有一个相似，取最高的相似值来确认待识别车辆的类型，以获得机动车驾驶舱高度和位置；

Gabor集特征向量计算如下：

定义滤波器为：

$\begin{array}{c}H(x,y{,w}_0,\mathrm{\&theta;})=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}\exp \{-\frac{1}{2{\mathrm{\&sigma;}}^2}[{(x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;})}^2+{(-x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;})}^2\left]\right\}\&CenterDot;\\ \left\{\exp \right[w_{0}x\cos \mathrm{\&theta;}+w_{0}y\sin \mathrm{\&theta;}]-\exp (-\frac{1}{2}{w}_0^2{\mathrm{\&sigma;}}^2)\}\end{array}$

其中，(x，y)定义了时域中的像素位置，w₀为中心频率，θ为Gabor小波的旋转方向，σ是高斯函数沿x和y轴的标准偏差，这里σ_x＝σ_y，加入补偿图像的直流分量；

通过公式G_Hf＝f(x，y)*H(x，y，w₀，θ)获得Gabor集特征向量，f(x，y)为坐标(x，y)上的像素点的灰度值；

(4)、根据机动车高度、挡风玻璃下沿位置、机动车驾驶舱高度和位置计算车辆窗口位置。

附图说明

图1a是本发明的系统结构侧面示意图

图1b是本发明的系统结构正面示意图

图2是本发明的算法流程图

具体实施方式

本本发明的目的是提供一种车辆窗口位置识别方法，解决公路或停车场入口目前发卡系统效率低下，不能方便司机取卡，以及发卡窗口选择不准确等技术问题。

如图1a和1b所示，公路入口自动发卡系统是由位于入口上空的激光测距装置(1)、人工标靶(3)、虚拟触发线(5)、抓拍相机(2)和取卡机(4)组成。取卡机包括位于上部的高位出卡口(41)、位于中部的地位出卡口(42)、位于顶部的主动红外检测器(44)和位于下部的激光测距装置(43)。

下面结合图2，对本发明中的车辆窗口位置识别方法工作流程进行详细说明。

首先，机动车驶入检测区，触动虚拟触发线(5)；

其次，启动相位激光测距装置(1)和抓拍相机(2)；

S1.抓拍相机(2)抓拍到车辆图像数据通过无线或有线方式发送给取卡机中的计算及控制模块，其中抓拍的图片需要包含人工标靶；同时，激光测距装置(1)将车辆高度数据发送给计算及控制模块；

计算及控制模块根据获得的激光测距装置(1)相位延迟差值来计算机动车高度，根据车型的不同得出结果不同，本发明采用相位法激光测距，就是通过测量连续的调制信号在待测距离上往返传播所产生的相位变化来间接地测定信号传播时间，从而求得被测的距离。具体算法如下：

若调制光角频率为w，在待测量距离LAB上往返一次产生的相位延迟为φ，则对应时间t可表示为：其中φ+Δφ＝2π(m+Δm)，前式中，m表示激光往返LAB所经历的整数个波长的个数，Δm表示不足一个波长的分量的个数，则待测距离LAB可表示为为波长。将所得到的待测距离与人工标靶相对应，解算车辆的实际高度值。

S2.计算及控制模块对车辆图像数据进行处理，获取机动车前挡风玻璃下沿位置参数，具体算法如下：

1、获取图像坐标(x，y)上的像素点的灰度值f(x，y)，元素的取值范围为0～255，共256个灰度级；

2、通过公式G(x，y)＝|f(x，y)-f(x+1，y+1)|+|f(x+1，y)-f(x，y+1)|计算边缘检测算子；

3、边缘图像提取，边缘图像就是图像中各个像素的灰度级用来反映各像素符合边缘像素要求程度。参考边缘图像的直方图选取阈值，对车辆灰度图像的边缘图像进行阈值分割得到二值边缘图像。阈值其中i＝0，1，…，255，f(i)是灰度值i的所有像素梯度之和，

其中f(i)＝f(x，y)+|f(x-1，y-1)-f(x+1，y+1)|+|f(x-1，y+1)-f(x+1，y-1)|

4、单阈值T分割后的二值边缘图像可定义为：

$g(x,y)=\begin{array}{}\end{array}\left\{\begin{array}{c}1,G(x,y)>T\\ 0,G(x,y)<T\end{array}\right.,$ 通过g(x，y)获取机动车前挡风玻璃下沿位置参数。

S3和S4.计算及控制模块根据前挡风玻璃下沿位置参数、机动车高度、机动车驾驶舱高度，进而计算出驾驶舱玻璃窗的位置；

在识别运动车辆车型之前，在学习的基础上建立起的标准车辆车型的模板库(小轿车、大客车、货车等)，里面存储着标准车辆车型的高度特征表，将待识别图像的Gabor集特征向量和不同的模板图像的特征向量进行比较，对于每一个模板图像都会有一个相似，取最高的相似值来确认待识别车辆的类型，以获得驾驶舱高度和位置。

Gabor集特征向量计算如下：

Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似。它在提取目标的局部空间和频率域信息方面具有良好的特性，即Gabor小波对于图像的边缘敏感，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，能够提供对光照变化良好的适应性，将图像在一定格点上取大小和方向不同的2D-gabor小波变换，取变换系数幅值作为特征向量，能有效地对图像的边缘信息特征进行抽取，本发明构造ODC值核函数作为滤波器，定义为：

$\begin{array}{c}H(x,y{,w}_0,\mathrm{\&theta;})=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}\exp \{-\frac{1}{2{\mathrm{\&sigma;}}^2}[{(x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;})}^2+{(-x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;})}^2\left]\right\}\&CenterDot;\\ \left\{\exp \right[w_{0}x\cos \mathrm{\&theta;}+w_{0}y\sin \mathrm{\&theta;}]-\exp (-\frac{1}{2}{w}_0^2{\mathrm{\&sigma;}}^2)\}\end{array}$

其中，(x，y)定义了时域中的像素位置，w₀为中心频率，θ为Gabor小波的旋转方向，σ是高斯函数沿x和y轴的标准偏差，这里σ_x＝σ_y，加入补偿图像的直流分量。

通过公式G_Hf＝f(x，y)*H(x，y，w₀，θ)获得Gabor集特征向量，f(x，y)为坐标(x，y)上的像素点的灰度值。

公路入口自动发卡系统通过改进的Roberts边缘检测算子可以更加精确的确定原图像边缘图像，精确控制出卡的位置，方便用户的取卡，进而增加车道通行能力。

Claims (1)

1.一种车辆窗口位置识别方法，所述方法包括： 

(1)、通过激光测距的相位延迟变化来判定机动车高度； 

若激光测距的调制光角频率为w，在待测量距离LAB上往返一次产生的相位延迟为φ，则对应时间t可表示为：其中φ+Δφ＝2π(m+Δm)，前式中，m表示激光往返LAB所经历的波长整数个数，Δm表示不足一个波长个数的分量，则待测距离LAB可表示为λ为波长，将所得到的待测距离与人工标靶相对应，解算车辆的实际高度值； 

(2)、对获取的车辆图像数据进行处理分析，获得前挡风玻璃下沿位置参数，其具体方法如下； 

①获取图像坐标(x，y)上的像素点的灰度值f(x，y)，元素的取值范围为0～255，共256个灰度级； 

②通过公式G(x，y)＝|f(x，y)-f(x+1，y+1)|+|f(x+1，y)-f(x，y+1)|计算边缘检测算子； 

③边缘图像提取，边缘图像就是图像中各个像素的灰度级用来反映各像素符合边缘像素要求程度；参考边缘图像的直方图选取阈值，对车辆灰度图像的边缘图像进行阈值分割得到二值边缘图像；阈值 其中i＝0，1，…，255，f(i)是灰度值i的所有像素梯度之和， 

其中f(i)＝f(x，y)+|f(x-1，y-1)-f(x+1，y+1)|+|f(x-1，y+1)-f(x+1，y-1)|； 

④单阈值T分割后的二值边缘图像可定义为： 

通过g(x，y)获取机动车前挡风玻璃下沿位置参数； 

(3)、获得机动车驾驶舱高度和位置，其具体方法如下； 

在识别运动车辆车型之前，在学习的基础上建立起的标准车辆车型的模板库，里面存储着标准车辆车型的高度特征表，将待识别图像的Gabor集特征向量和不同的模板图像的特征向量进行比较，对于每一个模板图像都会有一个相似，取最高的相似值来确认待识别车辆的类型，以获得机动车驾驶舱高度和位置； 

Gabor集特征向量计算如下： 

定义滤波器为： 

其中，(x，y)定义了时域中的像素位置，w₀为中心频率，θ为Gabor小波的旋转方向，σ是高斯函数沿x和y轴的标准偏差，这里σ_x＝σ_y，加入补偿图像的直流分量； 

通过公式G_Hf＝f(x，y)*H(x，y，w₀，θ)获得Gabor集特征向量，f(x，y)为坐标(x，y)上的像素点的灰度 值； 

(4)、根据机动车高度、挡风玻璃下沿位置、机动车驾驶舱高度和位置计算车辆窗口位置。