CN104636713A - 一种基于sobel边缘检测的车窗区域识别方法及装置 - Google Patents
一种基于sobel边缘检测的车窗区域识别方法及装置 Download PDFInfo
- Publication number
- CN104636713A CN104636713A CN201310574625.4A CN201310574625A CN104636713A CN 104636713 A CN104636713 A CN 104636713A CN 201310574625 A CN201310574625 A CN 201310574625A CN 104636713 A CN104636713 A CN 104636713A
- Authority
- CN
- China
- Prior art keywords
- binaryzation
- gradient
- edge image
- edge images
- direction edge
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于sobel边缘检测的车窗区域识别方法及装置，属于图像处理领域。所述方法包括：对识别区域使用sobel梯度算子在垂直方向求梯度，得到水平边缘图像，以及使用倾斜sobel算子在45°和135°方向求梯度，得到45°方向边缘图像和135°方向边缘图像；根据所述水平边缘图像确定车窗的上下边界，以及根据所述45°方向边缘图像和135°方向边缘图像确定车窗的左右边界。本发明通过所述基于sobel边缘检测的车窗区域识别方法及装置，实现了提高车窗区域识别的抗干扰能力。
Description
技术领域
本发明涉及图像处理领域，特别涉及一种基于sobel边缘检测的车窗区域识别方法及装置。
背景技术
近几十年来，智能交通系统已经取得了飞速发展。车窗区域识别是智能交通系统中一个比较新的研究方向，具有很多重要的应用：为车型识别系统提供依据，在很大程度上改善车型的正确识别率；应用于识别驾驶员识别系统中，追踪驾驶员信息；应用于安全带识别系统中，很大程度上缩小搜索范围，提高安全带定位准确率。因此，对车窗区域的识别显得越来越重要。
现有的车窗区域识别方法，都是从车窗区域的灰度值出发，基于车窗区域位置的亮度异于车身其他区域的位置，从而将车窗区域位置识别出来。这种方法的缺点在于抗干扰能力弱，如果车窗区域位置的亮度与车身其他区域位置亮度差异度不大，就很难把车窗区域位置准确地识别出来；或者如果车身上有与车窗区域类似的一块区域，且其亮度特征同样异于车身其他区域，则会识别错误。
发明内容
本发明实施例提供了一种基于sobel边缘检测的车窗区域识别方法及装置，以提高车窗区域识别的抗干扰能力。
一方面，本发明实施例提供了一种基于sobel边缘检测的车窗区域识别方法，所述方法包括：
对识别区域使用sobel梯度算子在垂直方向求梯度，得到水平边缘图像，以及使用倾斜sobel算子在45°和135°方向求梯度，得到45°方向边缘图像和135°方向边缘图像；
根据所述水平边缘图像确定车窗的上下边界，以及根据所述45°方向边缘图像和135°方向边缘图像确定车窗的左右边界。
第二方面，本发明实施例提供了一种基于sobel边缘检测的车窗区域识别装置，所述装置包括：
边缘图像获取模块，用于对识别区域使用sobel梯度算子在垂直方向求梯度，得到水平边缘图像，以及使用倾斜sobel算子在45°和135°方向求梯度，得到45°方向边缘图像和135°方向边缘图像；
边界确定模块，用于根据所述水平边缘图像确定车窗的上下边界，以及根据所述45°方向边缘图像和135°方向边缘图像确定车窗的左右边界。
本发明提供的技术方案带来的有益效果是：
从上述本发明实施例可知，由于利用sobel梯度算法识别车窗的边缘，完全不依赖于车窗和车身的亮度差异信息，因此，提高了车窗区域识别的抗干扰能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1-a为本发明一种基于sobel边缘检测的车窗区域识别方法的第一实施例流程图；
图1-b为本发明一种基于sobel边缘检测的车窗区域识别方法的第二实施例流程图；
图2为本发明一种基于sobel边缘检测的车窗区域识别方法第三实施例流程图；
图3-a为本发明一种基于sobel边缘检测的车窗区域识别装置第一实施例结构示意图；
图3-b为本发明一种基于sobel边缘检测的车窗区域识别装置第二实施例结构示意图；
图4为本发明一种基于sobel边缘检测的车窗区域识别装置第三实施例结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明一种基于sobel边缘检测的车窗区域识别方法第一实施例流程，参见图1-a，所述方法包括：
101：对识别区域使用sobel梯度算子在垂直方向求梯度，得到水平边缘图像，以及使用倾斜sobel算子在45°和135°方向求梯度，得到45°方向边缘图像和135°方向边缘图像。
根据车牌位置向左右分别扩展4个车牌宽度，向上扩展30个车牌高度，形成识别区域。
对识别区域用sobel算子在垂直方向求梯度，得到水平边缘图像。
利用表1中的sobel算子对识别区域在垂直方向求梯度。
表1垂直梯度方向sobel算子
| -1 | -2 | -1 |
| 0 | 0 | 0 |
| 1 | 2 | 1 |
通过表1的算子，计算得到公式
Δfy(x，y)＝|{f(x-1，y+1)+2*f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+2*f(x，y-1)+f(x+1，y-1)}|
使用该公式对识别区域在垂直方向求梯度，得到水平边缘图像。
对识别区域用倾斜sobel算子在45°和135°方向求梯度，得到45°方向边缘图像和135°方向边缘图像。
利用表2中的倾斜sobel算子对识别区域在45°方向求梯度。
表245°倾斜sobel算子
| -1 | 0 | 0 |
| -2 | 0 | 0 |
| -1 | 0 | 1 |
| 0 | 0 | 2 |
| 0 | 0 | 1 |
通过表2的算子，计算得到公式
Δfx(x，y)＝|{f(x+1，y)+2*f(x+1，y+1)+f(x+1，y+2)}-{f(x-1，y-2)+2*f(x-1，y-1)+f(x-1，y)}|
使用该公式对识别区域在45°方向求梯度，得到45°方向边缘图像。
利用表3中的倾斜sobel算子对识别区域在135°方向求梯度。
表3135°倾斜sobel算子
| 0 | 0 | 1 |
| 0 | 0 | 2 |
| -1 | 0 | 1 |
| -2 | 0 | 0 |
| -1 | 0 | 0 |
通过表3的算子，计算得到公式
Δfy(x，y)＝|{f(x+1，y-2)+2*f(x+1，y-1)+f(x+1，y)}-{f(x-1，y)+2*f(x-1，y+1)+f(x-1，y+2)}|
使用该公式对识别区域在135°方向求梯度，得到135°方向边缘图像。
102：根据所述水平边缘图像确定车窗的上下边界，以及根据所述45°方向边缘图像和135°方向边缘图像确定车窗的左右边界。
由均值确定或者使用otsu算法得到阈值，根据该阈值对所述水平边缘图像进行二值化，得到二值化水平边缘图像，统计所述二值化水平边缘图像每行各个点的累加值。
根据统计出的所述二值化水平边缘图像每行各个点的累加值，在垂直方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和邻域内各个点的累加值的大小，确定两个最佳波峰，并将所述两个最佳波峰所在行确定为车窗的上下边界。
由均值确定或者使用otsu算法得到阈值，根据该阈值对所述45°方向边缘图像和135°方向边缘图像进行二值化，得到二值化45°方向边缘图像和二值化135°方向边缘图像，统计所述二值化45°方向边缘图像每行各个点的累加值和二值化135°方向边缘图像每行各个点的累加值。
根据统计出的所述二值化45°方向边缘图像每行各个点的累加值，在135°方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和其邻域内各个点的累加值的大小，确定1个45°方向最佳波峰；根据统计出的所述二值化135°方向边缘图像每行各个点的累加值，在45°方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和其邻域内各个点的累加值的大小，确定1个135°方向最佳波峰；并将所述45°方向最佳波峰所在行和135°方向最佳波峰所在行确定为车窗的左右边界。
本实施例通过利用sobel梯度算法识别车窗的边缘，完全不依赖于车窗和车身的亮度差异信息，因此，提高了车窗区域识别的抗干扰能力。
本发明一种基于sobel边缘检测的车窗区域识别方法第二实施例流程，参见图1-b，所述方法包括：
101：对识别区域用sobel算子在垂直方向求梯度，得到水平边缘图像。
根据车牌位置向左右分别扩展4个车牌宽度，向上扩展30个车牌高度，形成识别区域。
利用表4中的sobel算子对识别区域在垂直方向求梯度。
表4垂直梯度方向sobel算子
| -1 | -2 | -1 |
| 0 | 0 | 0 |
| 1 | 2 | 1 |
通过表4的算子，计算得到公式
Δfy(x，y)＝|{f(x-1，y+1)+2*f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+2*f(x，y-1)+f(x+1，y-1)}|
使用该公式对识别区域在垂直方向求梯度，得到水平边缘图像。
102：对所述水平边缘图像进行二值化，得到二值化水平边缘图像，统计所述二值化水平边缘图像每行各个点的累加值。
由均值确定或者使用otsu算法得到阈值，根据该阈值对所述水平边缘图像进行二值化，得到二值化水平边缘图像，统计所述二值化水平边缘图像每行各个点的累加值。
103：根据统计出的所述二值化水平边缘图像每行各个点的累加值确定两个最佳的波峰，并将所述两个最佳的波峰所在行确定为车窗的上下边界。
根据统计出的所述二值化水平边缘图像每行各个点的累加值，在垂直方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和邻域内各个点的累加值的大小，确定两个最佳波峰，并将所述两个最佳波峰所在行确定为车窗的上下边界。
104：对识别区域用倾斜sobel算子在45°和135°方向求梯度，得到45°方向边缘图像和135°方向边缘图像。
利用表5中的倾斜sobel算子对识别区域在45°方向求梯度。
表545°倾斜sobel算子
| -1 | 0 | 0 |
| -2 | 0 | 0 |
| -1 | 0 | 1 |
| 0 | 0 | 2 |
| 0 | 0 | 1 |
通过表5的算子，计算得到公式
Δfx(x，y)＝|{f(x+1，y)+2*f(x+1，y+1)+f(x+1，y+2)}-{f(x-1，y-2)+2*f(x-1，y-1)+f(x-1，y)}|
使用该公式对识别区域在45°方向求梯度，得到45°方向边缘图像。
利用表6中的倾斜sobel算子对识别区域在135°方向求梯度。
表6135°倾斜sobel算子
| 0 | 0 | 1 |
| 0 | 0 | 2 |
| -1 | 0 | 1 |
| -2 | 0 | 0 |
| -1 | 0 | 0 |
通过表6的算子，计算得到公式
Δfy(x，y)＝|{f(x+1，y-2)+2*f(x+1，y-1)+f(x+1，y)}-{f(x-1，y)+2*f(x-1，y+1)+f(x-1，y+2)}|
使用该公式对识别区域在135°方向求梯度，得到135°方向边缘图像。
105：对所述45°方向边缘图像和135°方向边缘图像进行二值化，得到二值化45°方向边缘图像和二值化135°方向边缘图像，统计所述二值化45°方向边缘图像每行各个点的累加值和二值化135°方向边缘图像每行各个点的累加值。
由均值确定或者使用otsu算法得到阈值，根据该阈值对所述45°方向边缘图像和135°方向边缘图像进行二值化，得到二值化45°方向边缘图像和二值化135°方向边缘图像，统计所述二值化45°方向边缘图像每行各个点的累加值和二值化135°方向边缘图像每行各个点的累加值。
106：根据统计出的所述二值化45°方向边缘图像每行各个点的累加值确定一个45°方向最佳波峰，根据统计出的所述二值化135°方向边缘图像每行各个点的累加值确定一个135°方向最佳波峰，并将所述45°方向最佳波峰所在行和135°方向最佳波峰所在行确定为车窗的左右边界。
根据统计出的所述二值化45°方向边缘图像每行各个点的累加值，在135°方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和其邻域内各个点的累加值的大小，确定1个45°方向最佳波峰；根据统计出的所述二值化135°方向边缘图像每行各个点的累加值，在45°方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和其邻域内各个点的累加值的大小，确定1个135°方向最佳波峰；并将所述45°方向最佳波峰所在行和135°方向最佳波峰所在行确定为车窗的左右边界。
本实施例通过利用sobel梯度算法识别车窗的边缘，完全不依赖于车窗和车身的亮度差异信息，因此，提高了车窗区域识别的抗干扰能力。
本发明一种基于sobel边缘检测的车窗区域识别方法第三实施例流程，如图2所示，所述方法流程包括：
201：根据车牌位置向左右分别扩展4个车牌宽度，向上扩展30个车牌高度，形成识别区域。
202：使用公式
Δfy(x，y)＝|{f(x-1，y+1)+2*f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+2*f(x，y-1)+f(x+1，y-1)}|
对识别区域在垂直方向求梯度，得到水平边缘图像。
利用表7中的sobel算子对识别区域在垂直方向求梯度。
表7垂直梯度方向sobel算子
| -1 | -2 | -1 |
| 0 | 0 | 0 |
| 1 | 2 | 1 |
通过表7的算子，计算得到公式
Δfy(x，y)＝|{f(x-1，y+1)+2*f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+2*f(x，y-1)+f(x+1，y-1)}|
使用该公式对识别区域在垂直方向求梯度，得到水平边缘图像。
203：对所述水平边缘图像进行二值化，得到二值化水平边缘图像，统计所述二值化水平边缘图像每行各个点的累加值。与步骤102相同，此处不再赘述。
204：根据统计出的所述二值化水平边缘图像每行各个点的累加值确定两个最佳的波峰，并将所述两个最佳的波峰所在行确定为车窗的上下边界。与步骤103相同，此处不再赘述。
205：使用公式
Δfx(x，y)＝|{f(x+1，y)+2*f(x+1，y+1)+f(x+1，y+2)}-{f(x-1，y-2)+2*f(x-1，y-1)+f(x-1，y)}|
对识别区域在45°方向求梯度，得到45°方向边缘图像；使用公式
Δfy(x，y)＝|{f(x+1，y-2)+2*f(x+1，y-1)+f(x+1，y)}-{f(x-1，y)+2*f(x-1，y+1)+f(x-1，y+2)}|
对识别区域在135°方向求梯度，得到135°方向边缘图像。
利用表8中的倾斜sobel算子对识别区域在45°方向求梯度。
表845°倾斜sobel算子
| -1 | 0 | 0 |
| -2 | 0 | 0 |
| -1 | 0 | 1 |
| 0 | 0 | 2 |
| 0 | 0 | 1 |
通过表8的算子，计算得到公式
Δfx(x，y)＝|{f(x+1，y)+2*f(x+1，y+1)+f(x+1，y+2)}-{f(x-1，y-2)+2*f(x-1，y-1)+f(x-1，y)}|
吏用该公式对识别区域在45°方向求梯度，得到45°方向边缘图像。
利用表9中的倾斜sobel算子对识别区域在135°方向求梯度。
表9135°倾斜sobel算子
| 0 | 0 | 1 |
| 0 | 0 | 2 |
| -1 | 0 | 1 |
| -2 | 0 | 0 |
| -1 | 0 | 0 |
通过表9的算子，计算得到公式
Δfy(x，y)＝|{f(x+1，y-2)+2*f(x+1，y-1)+f(x+1，y)}-{f(x-1，y)+2*f(x-1，y+1)+f(x-1，y+2)}|
使用该公式对识别区域在135°方向求梯度，得到135°方向边缘图像。
206：对所述45°方向边缘图像和135°方向边缘图像进行二值化，得到二值化45°方向边缘图像和二值化135°方向边缘图像，统计所述二值化45°方向边缘图像每行各个点的累加值和二值化135°方向边缘图像每行各个点的累加值。与步骤105相同，此处不再赘述。
207：根据统计出的所述二值化45°方向边缘图像每行各个点的累加值确定一个45°方向最佳波峰，根据统计出的所述二值化135°方向边缘图像每行各个点的累加值确定一个135°方向最佳波峰，并将所述45°方向最佳波峰所在行和135°方向最佳波峰所在行确定为车窗的左右边界。与步骤106相同，此处不再赘述。
本实施例通过对识别区域使用sobel算子求梯度，得到边缘图像，再对边缘图像二值化，统计二值化边缘图像每行各个点的累加值，找出每行各个点的累加值的最佳波峰，从而确定最佳波峰所在行为车窗边界，完全不依赖于车窗和车身的亮度差异信息，因此，提高了车窗区域识别的抗干扰能力。
与本发明一种基于sobel边缘检测的车窗区域识别方法的实施例相对应，本发明还提供一种基于sobel边缘检测的车窗区域识别装置的实施例。
本发明一种基于sobel边缘检测的车窗区域识别装置的第一实施例结构示意图如图3-a所示，所述装置30包括：边缘图像获取模块310和边界确定模块320。
边缘图像获取模块310，用于对识别区域使用sobel梯度算子在垂直方向求梯度，得到水平边缘图像，以及使用倾斜sobel算子在45°和135°方向求梯度，得到45°方向边缘图像和135°方向边缘图像。
根据车牌位置向左右分别扩展4个车牌宽度，向上扩展30个车牌高度，形成识别区域。
边缘图像获取模块310对识别区域用sobel算子在垂直方向求梯度，得到水平边缘图像。
利用表10中的sobel算子对识别区域在垂直方向求梯度。
表10垂直梯度方向sobel算子
| -1 | -2 | -1 |
| 0 | 0 | 0 |
| 1 | 2 | 1 |
通过表10的算子，计算得到公式
Δfy(x，y)＝|{f(x-1，y+1)+2*f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+2*f(x，y-1)+f(x+1，y-1)}|
边缘图像获取模块310使用该公式对识别区域在垂直方向求梯度，得到水平边缘图像。
边缘图像获取模块310对识别区域用倾斜sobel算子在45°和135°方向求梯度，得到45°方向边缘图像和135°方向边缘图像。
利用表11中的倾斜sobel算子对识别区域在45°方向求梯度。
表1145°倾斜sobel算子
| -1 | 0 | 0 |
| -2 | 0 | 0 |
| -1 | 0 | 1 |
| 0 | 0 | 2 |
| 0 | 0 | 1 |
通过表11的算子，计算得到公式
Δfx(x，y)＝|{f(x+1，y)+2*f(x+1，y+1)+f(x+1，y+2)}-{f(x-1，y-2)+2*f(x-1，y-1)+f(x-1，y)}|
边缘图像获取模块310使用该公式对识别区域在45°方向求梯度，得到45°方向边缘图像。
利用表12中的倾斜sobel算子对识别区域在135°方向求梯度。
表12135°倾斜sobel算子
| 0 | 0 | 1 |
| 0 | 0 | 2 |
| -1 | 0 | 1 |
| -2 | 0 | 0 |
| -1 | 0 | 0 |
通过表12的算子，计算得到公式
Δfy(x，y)＝|{f(x+1，y-2)+2*f(x+1，y-1)+f(x+1，y)}-{f(x-1，y)+2*f(x-1，y+1)+f(x-1，y+2)}|
边缘图像获取模块310使用该公式对识别区域在135°方向求梯度，得到135°方向边缘图像。
边界确定模块320，用于根据所述水平边缘图像确定车窗的上下边界，以及根据所述45°方向边缘图像和135°方向边缘图像确定车窗的左右边界。
由均值确定或者使用otsu算法得到阈值，边界确定模块320根据该阈值对所述水平边缘图像进行二值化，得到二值化水平边缘图像，统计所述二值化水平边缘图像每行各个点的累加值。
边界确定模块320根据统计出的所述二值化水平边缘图像每行各个点的累加值，在垂直方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和邻域内各个点的累加值的大小，确定两个最佳波峰，并将所述两个最佳波峰所在行确定为车窗的上下边界。
由均值确定或者使用otsu算法得到阈值，边界确定模块320根据该阈值对所述45°方向边缘图像和135°方向边缘图像进行二值化，得到二值化45°方向边缘图像和二值化135°方向边缘图像，统计所述二值化45°方向边缘图像每行各个点的累加值和二值化135°方向边缘图像每行各个点的累加值。
边界确定模块320根据统计出的所述二值化45°方向边缘图像每行各个点的累加值，在135°方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和其邻域内各个点的累加值的大小，确定1个45°方向最佳波峰；根据统计出的所述二值化135°方向边缘图像每行各个点的累加值，在45°方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和其邻域内各个点的累加值的大小，确定1个135°方向最佳波峰；并将所述45°方向最佳波峰所在行和135°方向最佳波峰所在行确定为车窗的左右边界。
本实施例通过利用sobel梯度算法识别车窗的边缘，完全不依赖于车窗和车身的亮度差异信息，因此，提高了车窗区域识别的抗干扰能力。
本发明一种基于sobel边缘检测的车窗区域识别装置的第二实施例结构示意图如图3-b所示，所述装置40包括：第一边缘图像获取模块410、第一二值化模块420、上下边界确定模块430、第二边缘图像获取模块440、第二二值化模块450和左右边界确定模块460。
第一边缘图像获取模块410，用于对识别区域用sobel算子在垂直方向求梯度，得到水平边缘图像。
根据车牌位置向左右分别扩展4个车牌宽度，向上扩展30个车牌高度，形成识别区域。
利用表13中的sobel算子对识别区域在垂直方向求梯度。
表13垂直梯度方向sobel算子
| -1 | -2 | -1 |
| 0 | 0 | 0 |
| 1 | 2 | 1 |
通过表13的算子，计算得到公式
Δfy(x，y)＝|{f(x-1，y+1)+2*f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+2*f(x，y-1)+f(x+1，y-1)}|
第一边缘图像获取模块410使用该公式对识别区域在垂直方向求梯度，得到水平边缘图像。
第一二值化模块420，用于对所述水平边缘图像进行二值化，得到二值化水平边缘图像，统计所述二值化水平边缘图像每行各个点的累加值。
由均值确定或者使用otsu算法得到阈值，第一二值化模块420根据该阈值对所述水平边缘图像进行二值化，得到二值化水平边缘图像，统计所述二值化水平边缘图像每行各个点的累加值。
上下边界确定模块430，用于根据统计出的所述二值化水平边缘图像每行各个点的累加值确定两个最佳的波峰，并将所述两个最佳的波峰所在行确定为车窗的上下边界。
上下边界确定模块430根据统计出的所述二值化水平边缘图像每行各个点的累加值，在垂直方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和邻域内各个点的累加值的大小，确定两个最佳波峰，并将所述两个最佳波峰所在行确定为车窗的上下边界。
第二边缘图像获取模块440，用于对识别区域用倾斜sobel算子在45°和135°方向求梯度，得到45°方向边缘图像和135°方向边缘图像。
利用表14中的倾斜sobel算子对识别区域在45°方向求梯度。
表1445°倾斜sobel算子
| -1 | 0 | 0 |
| -2 | 0 | 0 |
| -1 | 0 | 1 |
| 0 | 0 | 2 |
| 0 | 0 | 1 |
通过表14的算子，计算得到公式
Δfx(x，y)＝|{f(x+1，y)+2*f(x+1，y+1)+f(x+1，y+2)}-{f(x-1，y-2)+2*f(x-1，y-1)+f(x-1，y)}|
第二边缘图像获取模块440使用该公式对识别区域在45°方向求梯度，得到45°方向边缘图像。
利用表15中的倾斜sobel算子对识别区域在135°方向求梯度。
表15135°倾斜sobel算子
| 0 | 0 | 1 |
| 0 | 0 | 2 |
| -1 | 0 | 1 |
| -2 | 0 | 0 |
| -1 | 0 | 0 |
通过表15的算子，计算得到公式
Δfy(x，y)＝|{f(x+1，y-2)+2*f(x+1，y-1)+f(x+1，y)}-{f(x-1，y)+2*f(x-1，y+1)+f(x-1，y+2)}|
第二边缘图像获取模块440使用该公式对识别区域在135°方向求梯度，得到135°方向边缘图像。
第二二值化模块450，用于对所述45°方向边缘图像和135°方向边缘图像进行二值化，得到二值化45°方向边缘图像和二值化135°方向边缘图像，统计所述二值化45°方向边缘图像每行各个点的累加值和二值化135°方向边缘图像每行各个点的累加值。
由均值确定或者使用otsu算法得到阈值，第二二值化模块450根据该阈值对所述45°方向边缘图像和135°方向边缘图像进行二值化，得到二值化45°方向边缘图像和二值化135°方向边缘图像，统计所述二值化45°方向边缘图像每行各个点的累加值和二值化135°方向边缘图像每行各个点的累加值。
左右边界确定模块460，用于根据统计出的所述二值化45°方向边缘图像每行各个点的累加值确定一个45°方向最佳波峰，根据统计出的所述二值化135°方向边缘图像每行各个点的累加值确定一个135°方向最佳波峰，并将所述45°方向最佳波峰所在行和135°方向最佳波峰所在行确定为车窗的左右边界。
左右边界确定模块460根据统计出的所述二值化45°方向边缘图像每行各个点的累加值，在135°方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和其邻域内各个点的累加值的大小，确定1个45°方向最佳波峰；左右边界确定模块460根据统计出的所述二值化135°方向边缘图像每行各个点的累加值，在45°方向上找到几个波峰，然后对波峰进行判断，通过比对每行各个点的累加值的大小和其邻域内各个点的累加值的大小，确定1个135°方向最佳波峰；并将所述45°方向最佳波峰所在行和135°方向最佳波峰所在行确定为车窗的左右边界。
本实施例通过利用sobel梯度算法识别车窗的边缘，完全不依赖于车窗和车身的亮度差异信息，因此，提高了车窗区域识别的抗干扰能力。
本发明一种基于sobel边缘检测的车窗区域识别装置的第三实施例结构示意图如图4所示，所述装置50包括第一边缘图像获取模块410、第一二值化模块420、上下边界确定模块430、第二边缘图像获取模块440、第二二值化模块450、左右边界确定模块460和识别区域形成模块470。其中第一边缘图像获取模块410、第一二值化模块420、上下边界确定模块430、第二边缘图像获取模块440、第二二值化模块450和左右边界确定模块460与一种基于sobel边缘检测的车窗区域识别装置的第二实施例中相同，此处不再赘述。
识别区域形成模块470，用于根据车牌位置向左右分别扩展4个车牌宽度，向上扩展30个车牌高度，形成识别区域。
其中，第一边缘图像获取模块410具体用于：使用公式
Δfy(x，y)＝|{f(x-1，y+1)+2*f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+2*f(x，y-1)+f(x+1，y-1)}|
对识别区域在垂直方向求梯度。
利用表16中的sobel算子对识别区域在垂直方向求梯度。
表16垂直梯度方向sobel算子
| -1 | -2 | -1 |
| 0 | 0 | 0 |
| 1 | 2 | 1 |
通过表16的算子，计算得到公式
Δfy(x，y)＝|{f(x-1，y+1)+2*f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+2*f(x，y-1)+f(x+1，y-1)}|
第一边缘图像获取模块410使用该公式对识别区域在垂直方向求梯度，得到水平边缘图像。
其中，第二边缘图像获取模块440具体用于：使用公式
Δfx(x，y)＝|{f(x+1，y)+2*f(x+1，y+1)+f(x+1，y+2)}-{f(x-1，y-2)+2*f(x-1，y-1)+f(x-1，y)}|
对识别区域在45°方向求梯度；
使用公式
Δfy(x，y)＝|{f(x+1，y-2)+2*f(x+1，y-1)+f(x+1，y)}-{f(x-1，y)+2*f(x-1，y+1)+f(x-1，y+2)}|
对识别区域在135°方向求梯度。
利用表17中的倾斜sobel算子对识别区域在45°方向求梯度。
表1745°倾斜sobel算子
| -1 | 0 | 0 |
| -2 | 0 | 0 |
| -1 | 0 | 1 |
| 0 | 0 | 2 |
| 0 | 0 | 1 |
通过表17的算子，计算得到公式
Δfx(x，y)＝|{f(x+1，y)+2*f(x+1，y+1)+f(x+1，y+2)}-{f(x-1，y-2)+2*f(x-1，y-1)+f(x-1，y)}|
第二边缘图像获取模块440使用该公式对识别区域在45°方向求梯度，得到45°方向边缘图像。
利用表18中的倾斜sobel算子对识别区域在135°方向求梯度。
表18135°倾斜sobel算子
| 0 | 0 | 1 |
| 0 | 0 | 2 |
| -1 | 0 | 1 |
| -2 | 0 | 0 |
| -1 | 0 | 0 |
通过表18的算子，计算得到公式
Δfy(x，y)＝|{f(x+1，y-2)+2*f(x+1，y-1)+f(x+1，y)}-{f(x-1，y)+2*f(x-1，y+1)+f(x-1，y+2)}|
第二边缘图像获取模块440使用该公式对识别区域在135°方向求梯度，得到135°方向边缘图像。
本实施例通过对识别区域使用sobel算子求梯度，得到边缘图像，再对边缘图像二值化，统计二值化边缘图像每行各个点的累加值，找出每行各个点的累加值的最佳波峰，从而确定最佳波峰所在行为车窗边界，完全不依赖于车窗和车身的亮度差异信息，因此，提高了车窗区域识别的抗干扰能力。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于sobel边缘检测的车窗区域识别方法，其特征在于，所述方法包括：
对识别区域使用sobel梯度算子在垂直方向求梯度，得到水平边缘图像，以及使用倾斜sobel算子在45°和135°方向求梯度，得到45°方向边缘图像和135°方向边缘图像；
根据所述水平边缘图像确定车窗的上下边界，以及根据所述45°方向边缘图像和135°方向边缘图像确定车窗的左右边界。
2.根据权利要求1所述的方法，其特征在于，所述对识别区域用sobel算子在垂直方向求梯度具体为：使用公式
Δfy(x，y)＝|{f(x-1，y+1)+2*f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+2*f(x，y-1)+f(x+1，y-1)}|
对识别区域在垂直方向求梯度。
3.根据权利要求1所述的方法，其特征在于，所述根据所述水平边缘图像确定车窗的上下边界，包括：
对所述水平边缘图像进行二值化，得到二值化水平边缘图像，统计所述二值化水平边缘图像每行各个点的累加值；
根据统计出的所述二值化水平边缘图像每行各个点的累加值确定两个最佳的波峰，并将所述两个最佳的波峰所在行确定为车窗的上下边界。
4.根据权利要求1所述的方法，其特征在于，所述对识别区域用倾斜sobel算子在45°方向求梯度具体为：使用公式
Δfx(x，y)＝|{f(x+1，y)+2*f(x+1，y+1)+f(x+1，y+2)}-{f(x-1，y-2)+2*f(x-1，y-1)+f(x-1，y)}|
对识别区域在45°方向求梯度；
对识别区域用倾斜sobel算子在135°方向求梯度具体为：使用公式
Δfy(x，y)＝|{f(x+1，y-2)+2*f(x+1，y-1)+f(x+1，y)}-{f(x-1，y)+2*f(x-1，y+1)+f(x-1，y+2)}|
对识别区域在135°方向求梯度。
5.根据权利要求1所述的方法，其特征在于，所述根据所述45°方向边缘图像和135°方向边缘图像确定车窗的左右边界，包括：
对所述45°方向边缘图像和135°方向边缘图像进行二值化，得到二值化45°方向边缘图像和二值化135°方向边缘图像，统计所述二值化45°方向边缘图像每行各个点的累加值和二值化135°方向边缘图像每行各个点的累加值；
根据统计出的所述二值化45°方向边缘图像每行各个点的累加值确定一个45°方向最佳波峰，根据统计出的所述二值化135°方向边缘图像每行各个点的累加值确定一个135°方向最佳波峰，并将所述45°方向最佳波峰所在行和135°方向最佳波峰所在行确定为车窗的左右边界。
6.一种基于sobel边缘检测的车窗区域识别装置，其特征在于，所述装置包括：
边缘图像获取模块，用于对识别区域使用sobel梯度算子在垂直方向求梯度，得到水平边缘图像，以及使用倾斜sobel算子在45°和135°方向求梯度，得到45°方向边缘图像和135°方向边缘图像；
边界确定模块，用于根据所述水平边缘图像确定车窗的上下边界，以及根据所述45°方向边缘图像和135°方向边缘图像确定车窗的左右边界。
7.根据权利要求6所述的装置，其特征在于，边缘图像获取模块具体用于：使用公式
Δfy(x，y)＝|{f(x-1，y+1)+2*f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+2*f(x，y-1)+f(x+1，y-1)}|
对识别区域在垂直方向求梯度。
8.根据权利要求6所述的装置，其特征在于，所述边界确定模块包括：
第一二值化模块，用于对所述水平边缘图像进行二值化，得到二值化水平边缘图像，统计所述二值化水平边缘图像每行各个点的累加值；
上下边界确定模块，用于根据统计出的所述二值化水平边缘图像每行各个点的累加值确定两个最佳的波峰，并将所述两个最佳的波峰所在行确定为车窗的上下边界。
9.根据权利要求6所述的装置，其特征在于，边缘图像获取模块具体用于：使用公式
Δfx(x，y)＝|{f(x+1，y)+2*f(x+1，y+1)+f(x+1，y+2)}-{f(x-1，y-2)+2*f(x-1，y-1)+f(x-1，y)}|
对识别区域在45°方向求梯度；
使用公式
Δfy(x，y)＝|{f(x+1，y-2)+2*f(x+1，y-1)+f(x+1，y)}-{f(x-1，y)+2*f(x-1，y+1)+f(x-1，y+2)}|
对识别区域在135°方向求梯度。
10.根据权利要求6所述的装置，其特征在于，所述边界确定模块包括：
第二二值化模块，用于对所述45°方向边缘图像和135°方向边缘图像进行二值化，得到二值化45°方向边缘图像和二值化135°方向边缘图像，统计所述二值化45°方向边缘图像每行各个点的累加值和二值化135°方向边缘图像每行各个点的累加值；
左右边界确定模块，用于根据统计出的所述二值化45°方向边缘图像每行各个点的累加值确定一个45°方向最佳波峰，根据统计出的所述二值化135°方向边缘图像每行各个点的累加值确定一个135°方向最佳波峰，并将所述45°方向最佳波峰所在行和135°方向最佳波峰所在行确定为车窗的左右边界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310574625.4A CN104636713A (zh) | 2013-11-15 | 2013-11-15 | 一种基于sobel边缘检测的车窗区域识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310574625.4A CN104636713A (zh) | 2013-11-15 | 2013-11-15 | 一种基于sobel边缘检测的车窗区域识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104636713A true CN104636713A (zh) | 2015-05-20 |
Family
ID=53215445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310574625.4A Pending CN104636713A (zh) | 2013-11-15 | 2013-11-15 | 一种基于sobel边缘检测的车窗区域识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104636713A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105510964A (zh) * | 2015-11-27 | 2016-04-20 | 中国石油大学(华东) | 复杂构造区低级序走滑断层的地震识别方法 |
| CN107766802A (zh) * | 2017-09-29 | 2018-03-06 | 广州大学 | 一种机动车前排驾乘人员未扣安全带的自适应检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060062458A1 (en) * | 2003-03-06 | 2006-03-23 | Lockheed Martin Corporation | Method and system for identifying objects in an image |
| CN102831392A (zh) * | 2012-07-09 | 2012-12-19 | 哈尔滨工业大学 | 一种远距离虹膜跟踪与采集装置及其方法 |
| CN102842045A (zh) * | 2012-08-03 | 2012-12-26 | 华侨大学 | 一种基于组合特征的行人检测方法 |
-
2013
- 2013-11-15 CN CN201310574625.4A patent/CN104636713A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060062458A1 (en) * | 2003-03-06 | 2006-03-23 | Lockheed Martin Corporation | Method and system for identifying objects in an image |
| CN102831392A (zh) * | 2012-07-09 | 2012-12-19 | 哈尔滨工业大学 | 一种远距离虹膜跟踪与采集装置及其方法 |
| CN102842045A (zh) * | 2012-08-03 | 2012-12-26 | 华侨大学 | 一种基于组合特征的行人检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 汪岳: ""基于边缘检测经典算法的改进研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 * |
| 谭立勋等: "实时图像处理中Sobel算子的改进", 《弹箭与制导学报》 * |
| 靳鹏飞: "一种改进的Sobel图像边缘检测算法", 《应用光学》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105510964A (zh) * | 2015-11-27 | 2016-04-20 | 中国石油大学(华东) | 复杂构造区低级序走滑断层的地震识别方法 |
| CN107766802A (zh) * | 2017-09-29 | 2018-03-06 | 广州大学 | 一种机动车前排驾乘人员未扣安全带的自适应检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103177246B (zh) | 基于动态区域划分的双模型车道线识别方法 | |
| CN105760812A (zh) | 一种基于Hough变换的车道线检测方法 | |
| CN105405142A (zh) | 一种玻璃面板的边缺陷检测方法及系统 | |
| CN111291603B (zh) | 车道线检测方法、装置、系统及存储介质 | |
| CN109583280A (zh) | 车道线识别方法、装置、设备及存储介质 | |
| CN102663760B (zh) | 一种对图像中的车辆挡风镜区域进行定位分割的方法 | |
| CN110502983B (zh) | 一种检测高速公路中障碍物的方法、装置及计算机设备 | |
| CN103927526A (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
| CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
| CN103632140B (zh) | 一种车道线检测方法及装置 | |
| CN106650567B (zh) | 一种安全带检测方法和装置 | |
| CN102419820A (zh) | 一种快速检测视频与图像中汽车车标的方法 | |
| CN104239867A (zh) | 车牌定位方法及系统 | |
| CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
| CN104063877B (zh) | 一种候选车道线混合判断识别方法 | |
| CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
| CN102842039B (zh) | 一种基于Sobel算子的道路图像检测方法 | |
| CN104134200A (zh) | 一种基于改进加权融合的运动场景图像拼接方法 | |
| CN107273802A (zh) | 一种铁路列车闸瓦钎环故障的检测方法及装置 | |
| CN105718916A (zh) | 一种基于霍夫变换的车道线检测方法 | |
| CN106845482A (zh) | 一种车牌定位方法 | |
| CN104112139A (zh) | 一种lpr车牌精确定位的方法和系统 | |
| CN104112141A (zh) | 一种基于公路监控设备的货车安全带系挂状态的检测方法 | |
| CN104268589A (zh) | 一种前方车辆检测方法 | |
| CN104182728A (zh) | 一种基于模式识别的车标自动定位与识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150520 |