CN104408431A - 交通监控下的车款识别方法 - Google Patents

交通监控下的车款识别方法 Download PDF

Info

Publication number
CN104408431A
CN104408431A CN201410715267.9A CN201410715267A CN104408431A CN 104408431 A CN104408431 A CN 104408431A CN 201410715267 A CN201410715267 A CN 201410715267A CN 104408431 A CN104408431 A CN 104408431A
Authority
CN
China
Prior art keywords
car
vehicle
edge
histogram
air admission
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.)
Granted
Application number
CN201410715267.9A
Other languages
English (en)
Other versions
CN104408431B (zh
Inventor
荆锐
程子轩
赵旦谱
王艳军
台宪青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu IoT Research and Development Center
Original Assignee
Jiangsu IoT Research and Development Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu IoT Research and Development Center filed Critical Jiangsu IoT Research and Development Center
Priority to CN201410715267.9A priority Critical patent/CN104408431B/zh
Publication of CN104408431A publication Critical patent/CN104408431A/zh
Application granted granted Critical
Publication of CN104408431B publication Critical patent/CN104408431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种交通监控下的车款识别方法，在图像预处理和车牌定位识别之后，进行车款识别步骤如下：以车牌位置为基准，获取候补矩形区域；分析候补区域直方图，识别是车头还是车尾；定位车头中的进气孔或车尾中的车灯；获取每一像素点的边缘方向，计算边缘直方图描述子；根据边缘直方图描述子匹配数据库，获取对应的车款类型。本发明的优点是：（1）解决了车标定位难和车标信息过少引起的问题；（2）基于车头进气孔和车尾车灯特征的唯一性，本方法不仅识别车辆生产商（即车标），还能识别车款和年限；（3）通过车头和车尾都可进行识别。

Description

交通监控下的车款识别方法
技术领域
本发明涉及一种根据交通监控图像数据进行自动车款识别的方法，属于智能交通技术领域。
背景技术
随着车牌识别技术的成熟，车标识别在智能交通中的重要性越来越明显。该技术可用于：（1）在识别车牌号码的同时，要确定车牌与车型的一致性，即鉴别是否为套牌车辆。（2）监控摄像头信息的数据量以指数形式增长，嫌疑车辆的查找成为公安、交管部门的大难题。（3）根据人眼视觉感受，往往对车系、车型、车身颜色较敏感，车标及车款识别更有利于案件侦查。这些都对车标及车款识别的研究提出了更高的要求。
现有大部分车标识别方法将重点放在车辆所属车系的确定上，即仅识别车辆的生产厂商，如奥迪、宝马、雪佛兰等。常用方法是找到车标后进行车标识别，实现方法包含：车标粗定位、车标精定位、车标识别。利用车牌与车标的拓扑关系，确定车标的大致区域；根据提取的粗略位置在准确的提取车标。但由于监控摄像头中，车标定位识别背景和前方干扰物会影响到车标的分割，较困难。同时车标所含的信息量过少，导致识别率过低。
现有方法使用多种方法提高车标定位的准确性：如基于先验知识的车标定位、基于能量增强和形态学滤波的车标定位、基于模板匹配的车标定位、基于Adaboost的车标定位等方法；车标识别方面，常用PCA特征、不变矩特征、边缘直方图特征、2DPCA、SIFT等特征，分类方法有最近邻方法、K近邻法、BP神经网络、支持向量机（SVM）等。
车标定位是这种方法的瓶颈，定位的准确与否直接影响到车标识别的准确性，但鉴于车标位置的不确定性以及车标周围的环境噪声影响，并没有理想的定位方法，另外，高清监控摄像头中，车标像素少，信息量很少，对识别率也造成了一定影响。
发明内容
本发明的目的是克服现有技术中存在的不足，提供一种车款识别方法，绕过车标识别，以车牌位置为基准，查找车头中的进气孔或车尾中的车灯，获取每一个像素点的边缘方向，计算边缘直方图描述子，与数据库进行匹配，最终获得车款类型。
按照本发明提供的技术方案，所述的交通监控下的车款识别方法包括以下步骤：
a、以车牌位置为基准，获取候补矩形区域；
b、分析候补区域直方图，识别是车头还是车尾；
c、定位车头中的进气孔或车尾中的车灯；
d、获取每一像素点的边缘方向，计算边缘直方图描述子；
e、根据边缘直方图描述子匹配数据库，获取对应的车款类型。
具体的，步骤b识别车头车尾的方法为：根据车牌颜色，确定车型，蓝色车牌为中小型车，黄色车牌为大型车；获取车牌位置，以车牌位置为基准，根据不同车型车牌位置与进气孔位置的拓扑关系，选择不同的候补矩形区域作为进气孔的粗略矩形；使用sobel算子，获取水平边缘图像，计算垂直方向上水平边缘的直方图；根据直方图特征，判断是否包含进气孔，若包含进气孔，则判定为车头，否则，判定为车尾。
步骤b若判定为车头，则步骤c对车头进气孔进行定位：计算步骤a中候补矩形区域垂直方向的水平边缘直方图，根据直方图分布，计算第一条进气孔线，第一条进气孔至车牌上方，作为进气孔的精确位置；由于车头中车标与车牌的拓扑关系相对固定，车标位于车牌上方1/4～3/4区域，结合直方图特性，精确定位车标位置。
步骤b若判定为车尾，则步骤c对车尾车灯进行定位：在车牌识别的基础上，以车牌中心点为准，寻找对称的两个车灯；根据车牌位置与车牌颜色，小型车和大型车选择不同的车灯候补区域；在候补区域中，HSV空间下，利用色度信息筛选图像中的红色区域，粗略查找车灯区域；结合水平、垂直方向上的边缘直方图特性，获取车灯精确位置。
步骤d首先根据像素点的亮度，计算该像素点的边缘强度阈值；然后计算每个像素点的边缘类型，包括6种类型：无边缘、水平边缘，45度边缘、垂直边缘、135度边缘、无方向边缘；将图像划分为多个子图像块，分别对每个子图像块的边缘直方图描述子进行计算，组成多维模型。
若测试图像与各个模型的最小欧氏距离小于指定阈值，则判定欧氏距离最小的模型为车款类型；若大于该阈值，则更新到模型库中。
本发明的优点是：
（1）解决了车标定位难和车标信息过少引起的问题；
（2）基于车头进气孔和车尾车灯特征的唯一性，本方法不仅识别车辆生产商（即车标），还能识别车款和年限。
（3）通过车头和车尾都可进行识别。
附图说明
图1是实现车款识别的总体流程图。
图2是本发明实施例的流程图。
图3是边缘直方图描述子提取示意图。
图4是五种类型的边缘示意图。
具体实施方式
每一个生产厂商的每一个车型，进气孔、车前灯、车尾灯的构造都有自己独特的特征。对于车头，进气孔的亮度和梯度相比较车身、车灯要明显的多，易于识别。可以通过车牌定位和车牌颜色，对车头进气孔进行定位，再使用边缘直方图描述子，进行数据库匹配。对于车尾，车尾的车窗和车身容易被贴上广告贴画等，不利于模型匹配。因此选择信息包含量较多的车尾灯进行数据库匹配,，通过对车尾灯的定位识别，判断车辆所属车款。
实现车款识别的总体流程如图1所示，包括：图像预处理单元、车牌定位单元、车标识别单元，最后得到汽车生产商、车款及生产年份。
在图像预处理和车牌定位识别之后，进行车款识别方法如下：
以车牌位置为基准，获取候补矩形区域；
分析候补区域直方图，识别是车头还是车尾；
定位车头中的进气孔或车尾中的车灯；
获取每一像素点的边缘方向，计算边缘直方图描述子；
根据边缘直方图描述子匹配数据库，获取对应的车款类型。
以下结合图2和实施例对本发明的方法流程做详细说明。
（1）识别车头或车尾。
根据车牌颜色确定车型，蓝色车牌为中小型车，黄色车牌为大型车。不同车型，进气孔与车牌拓扑关系不同。获取车牌位置，以车牌位置为基准，根据不同车型车牌位置与进气孔位置的拓扑关系，选择不同的候补矩形区域作为进气孔的粗略矩形。使用sobel算子，获取水平边缘图像，计算垂直方向上水平边缘的直方图。根据直方图特征，判断是否包含进气孔，若包含进气孔，则判定为车头，执行步骤2；否则，判定为车尾，执行步骤3。
（2）车头进气孔的精确定位。
计算步骤1中候补矩形区域垂直方向的水平边缘直方图，根据直方图分布，计算第一条进气孔线，第一条进气孔至车牌上方，作为进气孔的精确位置。由于车头中车标与车牌的拓扑关系相对固定，车标位于车牌上方1/4～3/4区域，结合直方图特性，可精确定位车标位置。
（3）车尾中车灯精确定位。
由于车尾的车窗和车身容易受广告、阴影等因素干扰，不利于模型匹配，而车灯信息不易被干扰，且车灯的边缘信息量较大，不受灯光是否打开的干扰。
在车牌识别的基础上，以车牌中心点为准，寻找对称的两个车灯。需要进行筛选。根据车牌位置与车牌颜色，小型车和大型车选择不同的车灯候补区域；在候补区域中，HSV（色调、饱和度、亮度）空间下，利用色度信息筛选图像中的红色区域，粗略查找车灯区域；结合水平、垂直方向上的边缘直方图特性，获取车灯精确位置。
（4）如图3所示，边缘直方图描述子的提取过程包括：
（4.1）根据像素点的亮度，计算该像素点的边缘强度阈值（T edge ），该阈值用于判断是否有边缘。
（4.2）计算每个像素点的边缘类型。对每个像素点，可能存在6种情况：无边缘、垂直边缘、水平边缘、45度边缘、135度边缘和无方向边缘。有边缘的类型的边缘如图4所示。分别用5种边缘算子计算其5个方向上的边缘强度，然后参考步骤4.1中的边缘阈值判断是否存在边缘，若存在边缘，则判断哪个方向上的边缘强度最大，将边缘强度最大的方向定义为该像素点的边缘方向。如公式（1）所示，式中T edge 为边缘强度的阈值。m v (i, j)是垂直方向的边缘强度，mh (i, j)是水平方向的边缘强度，md45(i, j)是45度方向的边缘强度，md135(i, j)是135度方向的边缘强度，mever(i, j)是无方向的边缘强度。
max{ mv(i, j),mh (i, j),md45(i, j),md135(i, j)，mever(i, j)} > Tedge              （1）
（4.3）滤除smear现象引起的垂直边缘。
Smear现象是指摄像头的CCD传感器在拍摄强光下的物体时出现光散射形成条状光线影像的现象，一般称为漏光。影响了车辆本身的边缘方向计算，需要滤除。利用整幅图像的垂直边缘图定位条状光束，在条状光束边缘处去掉垂直边缘，只计算其他四种情况下的最大值作为边缘方向，如公式（2）所示。
max{ mh (i, j),md45(i, j),md135(i, j)，mever(i, j)} > Tedge                           （2）
（4.4）计算边缘直方图描述子。
边缘直方图描述子是用图像中每个子图像的5种类型的边缘直方图来表示的，所谓子图像是将图像分成多个不相重叠的图像块中的一块。对每一个子图像，求出的5个方向上的边缘直方图就表示了该子图像上5种类型的边缘发生的频率。对每个图像块，统计每个像素点的边缘类型，若像素点有边缘，将该像素点边缘强度最大的方向对应的子图像的Bin值加1。
本发明可依据图像特征将图像划分为多个子图像块，例如：若分为4*4=16个子图像块，则计算每个子图像块的边缘直方图，共计5×16＝80个Bin的边缘直方图，即组成80维模型。
（5）模型的匹配与更新。
若测试图像与各个模型的最小欧氏距离小于某阈值（此阈值可根据模型库中的数据进行设定），则判定欧氏距离最小的模型为车款类型。若大于某阈值，则更新到模型库中。
本发明与现有的车标定位方法都是使用数据库匹配的方法，但本发明所述方法计算区域比较大，特征较多。除了车标之外，还包括车头进气孔和车尾灯的识别，叠加匹配识别率和准确率都大大提升。

Claims (6)

1.交通监控下的车款识别方法，其特征是，包括以下步骤：
a、以车牌位置为基准，获取候补矩形区域；
b、分析候补区域直方图，识别是车头还是车尾；
c、定位车头中的进气孔或车尾中的车灯；
d、获取每一像素点的边缘方向，计算边缘直方图描述子；
e、根据边缘直方图描述子匹配数据库，获取对应的车款类型。
2.如权利要求1所述的交通监控下的车款识别方法，其特征是，步骤b识别车头车尾的方法为：根据车牌颜色，确定车型，蓝色车牌为中小型车，黄色车牌为大型车；获取车牌位置，以车牌位置为基准，根据不同车型车牌位置与进气孔位置的拓扑关系，选择不同的候补矩形区域作为进气孔的粗略矩形；使用sobel算子，获取水平边缘图像，计算垂直方向上水平边缘的直方图；根据直方图特征，判断是否包含进气孔，若包含进气孔，则判定为车头，否则，判定为车尾。
3.如权利要求1所述的交通监控下的车款识别方法，其特征是，步骤b若判定为车头，则步骤c对车头进气孔进行定位：计算步骤a中候补矩形区域垂直方向的水平边缘直方图，根据直方图分布，计算第一条进气孔线，第一条进气孔至车牌上方，作为进气孔的精确位置；由于车头中车标与车牌的拓扑关系相对固定，车标位于车牌上方1/4～3/4区域，结合直方图特性，精确定位车标位置。
4.如权利要求1所述的交通监控下的车款识别方法，其特征是，步骤b若判定为车尾，则步骤c对车尾车灯进行定位：在车牌识别的基础上，以车牌中心点为准，寻找对称的两个车灯；根据车牌位置与车牌颜色，小型车和大型车选择不同的车灯候补区域；在候补区域中，HSV空间下，利用色度信息筛选图像中的红色区域，粗略查找车灯区域；结合水平、垂直方向上的边缘直方图特性，获取车灯精确位置。
5.如权利要求1所述的交通监控下的车款识别方法，其特征是，步骤d首先根据像素点的亮度，计算该像素点的边缘强度阈值；然后计算每个像素点的边缘类型，包括6种类型：无边缘、水平边缘，45度边缘、垂直边缘、135度边缘、无方向边缘；将图像划分为多个子图像块，分别对每个子图像块的边缘直方图描述子进行计算，组成多维模型。
6.如权利要求5所述的交通监控下的车款识别方法，其特征是，步骤e中，若测试图像与各个模型的最小欧氏距离小于设定阈值，则判定欧氏距离最小的模型为车款类型；若大于该阈值，则更新到模型库中。
CN201410715267.9A 2014-11-28 2014-11-28 交通监控下的车款识别方法 Active CN104408431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410715267.9A CN104408431B (zh) 2014-11-28 2014-11-28 交通监控下的车款识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410715267.9A CN104408431B (zh) 2014-11-28 2014-11-28 交通监控下的车款识别方法

Publications (2)

Publication Number Publication Date
CN104408431A true CN104408431A (zh) 2015-03-11
CN104408431B CN104408431B (zh) 2017-12-26

Family

ID=52646062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410715267.9A Active CN104408431B (zh) 2014-11-28 2014-11-28 交通监控下的车款识别方法

Country Status (1)

Country Link
CN (1) CN104408431B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447456A (zh) * 2015-11-17 2016-03-30 上海良相智能化工程有限公司 一种智能视觉识车方法
CN105447528A (zh) * 2015-12-29 2016-03-30 同方威视技术股份有限公司 列车车号和车型识别方法和系统及安全检查方法和系统
CN108021879A (zh) * 2017-11-30 2018-05-11 天津天地基业科技有限公司 一种基于视频图像的交通车辆类型识别方法
CN108764102A (zh) * 2018-05-22 2018-11-06 哈尔滨理工大学 一种基于颜色提取算法的前方车辆图像的特征识别方法
CN110414357A (zh) * 2019-06-28 2019-11-05 上海工程技术大学 一种基于车辆类型识别的前方车辆定位方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488973A (zh) * 2013-09-12 2014-01-01 上海依图网络科技有限公司 基于图像的车辆品牌识别方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488973A (zh) * 2013-09-12 2014-01-01 上海依图网络科技有限公司 基于图像的车辆品牌识别方法和系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447456A (zh) * 2015-11-17 2016-03-30 上海良相智能化工程有限公司 一种智能视觉识车方法
CN105447528A (zh) * 2015-12-29 2016-03-30 同方威视技术股份有限公司 列车车号和车型识别方法和系统及安全检查方法和系统
CN105447528B (zh) * 2015-12-29 2018-11-27 同方威视技术股份有限公司 列车车号和车型识别方法和系统及安全检查方法和系统
US10204268B2 (en) 2015-12-29 2019-02-12 Nuctech Company Limited Method and system for identifying train number and train type, and method and system for security inspection
CN108021879A (zh) * 2017-11-30 2018-05-11 天津天地基业科技有限公司 一种基于视频图像的交通车辆类型识别方法
CN108764102A (zh) * 2018-05-22 2018-11-06 哈尔滨理工大学 一种基于颜色提取算法的前方车辆图像的特征识别方法
CN110414357A (zh) * 2019-06-28 2019-11-05 上海工程技术大学 一种基于车辆类型识别的前方车辆定位方法
CN110414357B (zh) * 2019-06-28 2023-04-07 上海工程技术大学 一种基于车辆类型识别的前方车辆定位方法

Also Published As

Publication number Publication date
CN104408431B (zh) 2017-12-26

Similar Documents

Publication Publication Date Title
CN104778444B (zh) 道路场景下车辆图像的表观特征分析方法
CN103077384B (zh) 一种车标定位识别的方法与系统
CN102509098B (zh) 一种鱼眼图像车辆识别方法
CN105321350B (zh) 套牌车检测方法及装置
CN103745598B (zh) 基于前脸特征的车型识别方法
CN104408431B (zh) 交通监控下的车款识别方法
CN102915433B (zh) 基于字符组合的车牌定位和识别方法
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
CN107016362B (zh) 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统
CN104050684B (zh) 一种基于在线训练的视频运动目标分类方法与系统
CN104050447A (zh) 一种交通信号灯识别方法和装置
CN105913041A (zh) 一种基于预先标定的信号灯识别方法
KR20070027768A (ko) 교통 표지판 탐지를 위한 방법
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
CN102902957A (zh) 一种基于视频流的自动车牌识别方法
CN103034836A (zh) 道路标志检测方法和道路标志检测设备
CN106709412B (zh) 交通标志检测方法和装置
Chen et al. Multi-shape descriptor vehicle classification for urban traffic
CN105718916A (zh) 一种基于霍夫变换的车道线检测方法
CN111832388B (zh) 一种车辆行驶中交通标志检测与识别方法及系统
CN104182728A (zh) 一种基于模式识别的车标自动定位与识别方法
CN108520528B (zh) 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法
Satzoda et al. Robust extraction of lane markings using gradient angle histograms and directional signed edges
CN105975949A (zh) 一种基于视觉信息的汽车识别方法
CN105512662A (zh) 一种无牌车辆检测方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant