CN104616285A - 车身图像的检测方法 - Google Patents

Abstract

本发明公开了车身图像的检测方法，它包括以下步骤：对每一个目标物采集两幅图片,一幅是没有目标物的背景图,另一幅是有目标物的前景图,在图像处理中利用两幅图之间的相关信息做差影,去除背景,对得到的差影图像进行二值化处理,并对二值化处理后的图像进行连通性分析,当某一连通区域面积大于一定的阈值,则此连通区域为提取的目标图像或其中的一部分,最终实现目标物的检测。本发明的优点在于：采用本发明方法能够快速检测车身图像。

Description

车身图像的检测方法

技术领域

本发明涉及检测方法，尤其涉及车身图像的检测方法。

背景技术

近年来，车辆超限超载严重影响国家财产和人民生命安全，危及社会经济秩序，已成为一个突出的社会问题。《道路交通安全法实施条例》规定严禁超限，载物的长、宽、高不得违反装载要求，不得遗洒、飘散载运物；《营运车辆综合性能要求和检验方法》(GB18565－2001)整车整备检测项目中要求对汽车尺寸参数进行检测，车辆的结构不得任意改造。对于在用的车辆，车管部门要结合机动车综合性能检测站的年度检验，依据营运车辆检验国家标准等有关参数重新核定，监督并杜绝“大吨小标”的车辆上路，避免车辆超限超载现象。从车辆本身入手，研究超限超载监控的技术，在目前“路口称重”和“严管重罚”等成效不明显的情况下，汽车整车尺寸测量技术将从根源上杜绝超载发生，将成为综合防治超限超载的重要技术组成部分。

上世纪80年代，美国通用汽车公司率先将计算机视觉技术成功应用于车身局部尺寸的在线检测。上世纪90年代，欧美一些发达国家(如美国的Chief公司、瑞典的Data liner公司)就开始从事基于激光扫描的车身二维尺寸测量技术的研究；但大多数公司开发的激光测量系统都是采用电子测量和激光测量相结合方法，这种方法需要在被测车身的侧面和前方架设两个导轨，且对导轨的加工和安装精度有很高的要求，导致系统成本高，且操作使用不便。除激光测量系统外，国外还开发了较为先进的汽车白车身轮廓电子测量系统，如意大利Spanesi公司的电子测量系统、瑞典Car-o-liner公司的电子测量系统等。电子测量系统在测量精度、操作性方面都有不错的表现，但它最大缺陷是不能同时进行多点测量，每次只能测量一个点，测量耗时长。除此之外，还有轮廓测定机、轮廓测试仪、形状测量仪、表面形状测量仪等技术和设备，但从某种意义上说，这些技术更适合测量那些精度要求很高的微小零部件，很难将它们运用在车辆外廓这样的大尺寸测量中。

近年来，国内相关的企业和高校科研人员也对车辆外轮廓尺寸测量技术进行了相关的研究。在文献“刘常杰,邾继贵,杨学友,叶声华.汽车白车身在线激光视觉检测站[J].仪器仪表学报,2004,25(4):671-672”中介绍了一种用于汽车白车身在线激光视觉检测的方法，它可以测量的车身关键尺寸主要包括挡风玻璃尺寸、车门安装处棱边位置及定位孔位置关系等。这一系统采用视觉检测技术，但不能实现车辆的外轮廓测量。在文献“翟乃斌,基于计算机视觉的汽车整车尺寸测量系统的研究[D],长春:吉林大学,2007吉林大学”中提出了一种双目视觉和单目视觉技术相结合的方法，实现了对车辆整车尺寸的测量。文献“王兴宇,车辆外观三维轮廓投影识别系统的开发与研究[D],长春:吉林大学,2007”中研制了一种车辆动态三维轮廓投影识别系统，它通过三维重建的方法实现车辆整车尺寸的测量。

从图像中确定出目标所在的位置并将不同的目标区分开来是图像分割和模式识别的范畴，是实现车辆整车尺寸的测量的关键。在这一领域中，多年来人们已经进行了大量的研究并取得了很多成果，提出了很多算法，如：王春波,张卫东,张文渊,许晓鸣.复杂交通环境中车辆的视觉检测[J].上海交通大学学报,2000,12(12):1680-1686；王文格.基于数字图像处理技术的汽车轮廓提取[J].计算机与数字工程,2004,32(4):33-34；王颋,肖世德,朱为鹏.背景信息提取运动目标物图像分割算法[J].计算机工程与应用,2004,12:34-36；李庆启,陈显华,王立红.视频监视中运动目标检测与识别方法[J].计算机工程,2004,8(16):143-145；章毓晋.图像工程(中册)—图像分析[M].北京:清华大学出版社,2005:367-386；陈柏生.一种二值图像连通区域标记的新方法[J].计算机工程与应用,2006,25:46-47。

但是目前尚未发现一种能普遍适用于所有应用的最优图像分割方法,必须根据具体的应用条件提出适合具体应用环境下的图像分割算法目前图像分割领域已经提出的绝大部分分割方法的基础是像素间的相似性和跳变性.如依据工作对象来分,大致可以分为:

(1)相似性分割,将具有同一灰度级或者相同组织结构的像素提取出来,聚集在一起以描述图像中的不同区域,这种基于相似性原理的图像分割方法通常也被称为基于区域图像分割。

(2)非连续性分割,首先检测局部不连续性,然后将它们连接起来形成边界,这些边界把图像分割成不同的区域,这种基于不连续性原理检测物体边缘的方法也可称之为基于点相关的图像分割。

发明内容

本发明的目的在于克服已有技术的缺点，提供一种快速检测车身图像的车身图像的检测方法。

为了达到上述目的，本发明采用的技术方案是：

本发明的车身图像的检测方法，它包括以下步骤：

对每一个目标物采集两幅图片,一幅是没有目标物的背景图,另一幅是有目标物的前景图,在图像处理中利用两幅图之间的相关信息做差影,去除背景,对得到的差影图像进行二值化处理,并对二值化处理后的图像进行连通性分析,当某一连通区域面积大于一定的阈值,则此连通区域为提取的目标图像或其中的一部分,最终实现目标物的检测。

本发明的优点在于：采用本发明方法能够快速检测车身图像。

具体实施方式

下面结合具体实施例对本发明进行详细描述。

本发明的车身图像的检测方法，它包括以下步骤：

对每一个目标物采集两幅图片,一幅是没有目标物的背景图,另一幅是有目标物的前景图,在图像处理中利用两幅图之间的相关信息做差影,去除背景,对得到的差影图像进行二值化处理,并对二值化处理后的图像进行连通性分析,当某一连通区域面积大于一定的阈值,则此连通区域为提取的目标图像或其中的一部分,最终实现目标物的检测。

本方法中利用差值模型得到的灰度图像进行黑白二值化处理,若灰度值小于某一阈值ε，将该像素的灰度值置0,对应的图像f₂(x,y)上的像素点被视为背景消除，而若图像上的像素灰度值较大(对应车体部分的像素由于灰度值较大)，作为分割目标而保留了下来，提取的目标图像记为T_D(x,y)，满足关系式(1-1)

$T_D(x,y)=\left\{\begin{array}{cc}{f}_2(x,y)& (D_{12}\&GreaterEqual;\mathrm{\&epsiv;})\\ 0& (D_{12}<\mathrm{\&epsiv;})\end{array}\right.---(1-1)$

本方法选取整体最优阈值法，利用类间距离与类内距离之比作为最佳分割的目标函数，实现差值图像的二值化处理，基本思想是统计每幅图像灰度的分布特性，利用类别方差作为判据，确定一个最佳阈值ε，使目标物与背景像素类的类间方差最大，同时类内方差最小。

设图像灰度级为m级，灰度值为i的像素数为n_i，则总像素数N为：

$N=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{n}_i---(1-2)$

各像素出现的概率为：

$p_i=\frac{n}{N},(i=1,L,m)---(1-3)$

假设以灰度k为阈值将图像分成两部分H和L，则

$\left\{\begin{array}{c}L=\{\mathrm{1,2,3},L,k\}\\ H=\{k+1,k+2,L,m\}\end{array}\right.---(1-4)$

其概率为：

$\left\{\begin{array}{c}{p}_L=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{p}_i=p\left(k\right)\\ p_H=\underset{i=k+1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_i=1-p\left(k\right)\end{array}\right.---(1-5)$

对应的灰度均值为：

$\left\{\begin{array}{c}{\mathrm{\&alpha;}}_L=\frac{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}i\&CenterDot;p_i}{p_L}=\frac{\mathrm{\&alpha;}\left(k\right)}{p\left(k\right)}\\ {\mathrm{\&alpha;}}_H=\frac{\underset{i=k+1}{\overset{m}{\mathrm{\&Sigma;}}}i\&CenterDot;p_i}{p_H}=\frac{\mathrm{\&alpha;}-\mathrm{\&alpha;}\left(k\right)}{1-p\left(k\right)}\end{array}\right.---(1-6)$

其中，为图像灰度的统计均值。L区域与H区域之间的类间距离为：

$D_B={(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{(i-{\mathrm{\&alpha;}}_H)}^2\&CenterDot;p_i+\underset{i=k+1}{\overset{m}{\mathrm{\&Sigma;}}}{(i-{\mathrm{\&alpha;}}_L)}^2\&CenterDot;p_i)}^{\frac{1}{2}}---(1-7)$

L区域与H区域之间的类内距离为：

$D_w={(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{(i-{\mathrm{\&alpha;}}_L)}^2\&CenterDot;p_i+\underset{i=k+1}{\overset{m}{\mathrm{\&Sigma;}}}{(i-{\mathrm{\&alpha;}}_H)}^2\&CenterDot;p_i)}^{\frac{1}{2}}---(1-8)$

得到评价函数：

$\mathrm{\&sigma;}\left(k\right)=\frac{D_B\left(k\right)}{D_w\left(k\right)}---(1-9)$

从灰度级(1,2,3,L,m)中选取k值，当σ(k)取最大值时，此时的k就是图像的最佳分割阈值ε，最优域值的选取一定程度上消除了由光照差异引起的噪声，所述的L为大于1小于m的整数。

Claims (2)

1.车身图像的检测方法，其特征在于它包括以下步骤：

对每一个目标物采集两幅图片,一幅是没有目标物的背景图,另一幅是有目标物的前景图,在图像处理中利用两幅图之间的相关信息做差影,去除背景,对得到的差影图像进行二值化处理,并对二值化处理后的图像进行连通性分析,当某一连通区域面积大于一定的阈值,则此连通区域为提取的目标图像或其中的一部分,最终实现目标物的检测。

2.根据权利要求1所述的车身图像的检测方法，其特征在于：所述的黑白二值化处理的具体步骤包括：若灰度值小于某一阈值，将该像素的灰度值置0,对应的图像上的像素点被视为背景消除；若图像上的像素灰度值较大，则作为分割目标保留下来，满足下面关系式：

$T_D(x,y)=\left\{\begin{array}{cc}{f}_2(x,y)& (D_{12}\&GreaterEqual;\mathrm{\&epsiv;})\\ 0& (D_{12}<\mathrm{\&epsiv;})\end{array}\right.$

式中ε为阈值，f₂(x,y)代表灰度值小于某一阈值对应的图像，T_D(x,y)代表提取的目标图像。