CN104616007A - 一种基于显著性检测和颜色直方图模型的车辆识别方法 - Google Patents

Abstract

本发明属于目标识别与图像处理领域，具体为一种基于显著性检测和颜色直方图模型的车辆识别方法，采用基于局部特征的显著性检测方法从场景图像中提取显著性区域作为候选区域，将候选区域的颜色空间由RGB空间转换到HSV空间，统计HSV中H分量的直方图分布情况，将含有两个主要颜色等级分量的候选区确定为车辆区域。本发明适用于车辆监控系统中。

Description

一种基于显著性检测和颜色直方图模型的车辆识别方法

技术领域

本发明属于目标识别与图像处理领域，涉及一种车辆识别方法，特别涉及一种基于显著性检测和颜色直方图模型的车辆识别方法。

背景技术

车辆识别在智能交通、无人驾驶或自动驾驶等领域有着重要的应用价值，一直是计算机视觉领域的热点研究问题。由于车辆种类较多、形状各异，所处的背景通常又较为复杂，因此准确有效地实现车辆的自动识别具有较大的难度。

因此，设计一种具有较强抗干扰能力的车辆识别方法具有很好的应用价值。

发明内容

本发明所要解决的技术问题是，针对具有较为复杂的背景图像，设计一种能够自动识别车辆目标的方法。

本发明所采用的技术方案是：一种基于显著性检测和颜色直方图模型的车辆识别方法，根据被检测图像的局部特征对被检测图像进行显著性检测，确定出图像中的车辆候选区域，将各候选区域的颜色从RGB空间转换到HSV空间，利用HSV空间中的H分量构建各候选区域的颜色直方图模型，根据颜色直方图模型的分布特征完成车辆的识别。

本发明的目的在于设计一种基于显著性检测和颜色直方图模型的车辆识别方法，利用显著性检测抑制图像中大部分背景信息对车辆识别的影响，根据候选区直方图的分布特征实现车辆的识别。提高车辆识别的准确性，具有很好的实用性。

附图说明

图1是像素块分布图。

图2是原始监控图像。

图3是基于局部特征的显著性检测结果。

图4是二值显著区域图像。

图5是左数第3辆车的颜色直方图。

图6最终车辆识别结果。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明采用基于局部特征的显著性检测方法从场景图像中提取显著性区域作为候选区域。如图1所示，在提取局部特征时，将图像分割成a×a的像素小块，选取以块B(i，j)为中心的l×l块的区域作为局部区域，本发明中l取值为3。

通过中心块与邻域块的颜色差异来确定每一块的显著性程度。中心块B(i，j)与邻域块B(m，n)的差异Dis_RGB(B(i，j)，B(m，n))表示为：

Dis_RGB(B(i，j)，B(m，n))＝(R_i，j-R_m，n)²+(G_i，j-G_m，n)²+(B_i，j-B_m，n)²       (1)

其中，m＝i-1，i，i+1；n＝j-1，j，j+1；R_i，j、G_i，j、B_i，j分别为中心块B(i，j)在RGB三原色的三个分量值，R_m，n、G_m，n、B_m，n分别为邻域块B(m，n)在RGB三原色的三个分量值。

中心块B(i，j)与邻域块B(m，n)的颜色显著值Dis_Loc-RGB(B(i，j)，B(m，n))计算为：

${\mathrm{Dis}}_{\mathrm{Loc}-\mathrm{RGB}}(B(i,j),B(m,n))=\left\{\begin{array}{c}0,{\mathrm{Dis}}_{\mathrm{RGB}}(B(i,j),B(m,n))\≤T\\ \mathrm{\α}\×{\mathrm{Dis}}_{\mathrm{RGB}}(B(i,j),B(m,n)),{\mathrm{Dis}}_{\mathrm{RGB}}(B(i,j),B(m,n))>T\end{array}\right.---\left(2\right)$

其中，T为设定的阈值，α为放大因子，α＞1。如果Dis_RGB(B(i，j)，B(m，n))≤T，则表示中心块B(i，j)与邻域块B(m，n)颜色差异不大，不足以引起视觉注意，因此可忽略它们之间的差异；如果Dis_RGB(B(i，j)，B(m，n))＞T，则表示颜色差异明显，应突出并放大这种差异。

中心块(B(i，j)的显著程度值S_Loc(i，j)由其与邻域块的颜色显著值平均得到：

$S\_\mathrm{Loc}(i,j)=\frac{1}{9}\underset{m=i-1}{\overset{i+1}{\mathrm{\Σ}}}\underset{n=j+1}{\overset{j+1}{\mathrm{\Σ}}}{\mathrm{Dis}}_{\mathrm{LOC}-\mathrm{RGB}}(B(i,j),B(m,n))---\left(3\right)$

依次计算图像中每个分块的显著程度值，对生成的显著程度图像利用高斯滤波进行平滑处理，得到显著性检测结果。将图像二值化，并进行腐蚀、填充操作，确定出候选区。

由于图片的背景通常比较复杂，因此部分背景信息也会被显著性检测方法提取出来，从而对车辆的准确检测产生一定干扰。由于车辆通常具有车身和车窗两个主要颜色区，本发明将这一特征作为车辆检测准则。

将候选区域的颜色空间由RGB空间转换到HSV空间，统计HSV中H分量的直方图分布情况，设q^j为第j个候选区域颜色直方图模型，m为颜色特征的分级，b(x_i)为候选区中第i个像素x_i的颜色特征值，δ为脉冲函数，则颜色直方图模型表示为：

$q_u^j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\δ}[b\left(x_i\right)-u],u=\mathrm{1,2},...,m---\left(4\right)$

在得到候选区域的H分量的直方图后，若其中含有两个主要颜色等级分量，则表示该候选区域包含两个主要颜色，可将其确定为车辆区域，否则确定为背景区域。

图2为一个露天停车场的监控图像，以8×8作为基本单元块，基于局部特征的显著性检测结果如图3所示。

由图3可见，图像中车辆区域的轮廓大致都被检测出来。将图像进行二值化，然后进行腐蚀、填充操作，得到二值显著区域图像如图4所示。图4中白色区域对应的即为候选区域。

图5为左数第三辆车候选区的颜色直方图，图中含有两个主要颜色分量等级，因此将该区域判断为车辆区域。

通过颜色直方图比较，车辆区域比干扰区域有更多的颜色分布，车辆区域的颜色直方图具有两个突出分量，直方图分布中都含有两个峰值区，但干扰区域的颜色直方图一般不具有这些特征。

最终所得车辆识别结果如图6所示。

本发明的优点在于，利用基于局部特征的显著性检测方法确定图像中的显著区域作为车辆候选区域，根据候选区颜色分布特征对车辆区域进行识别，方法简单易行，计算量小。本发明适用于车辆监控系统中。

Claims (1)

1.一种基于显著性检测和颜色直方图模型的车辆识别方法，其特征在于，采用基于局部特征的显著性检测方法从场景图像中提取显著性区域作为候选区域，将候选区域的颜色空间由RGB空间转换到HSV空间，统计HSV中H分量的直方图分布情况，将含有两个主要颜色等级分量的候选区确定为车辆区域。