CN105184293A - 基于显著性区域检测的车标定位方法 - Google Patents

Abstract

本发明提供一种基于显著性区域检测的车标定位方法，包括：进行车标粗略位置提取、视觉显著性图提取、基于显著图的图像分割及车标提取。本发明通过离散余弦变换DCT、符号函数Sign处理和反散余弦变换DCT来快速实现视觉显著性检测。显著区域图是一个灰度图像，灰度值越大就代表越可能包含车标，因此可以通过选择合适的阈值二值化显著图，得到二值连通区域，来提取车标。本发明利用视觉显著性检测处理车标区域，能很好的用于车标定位，具有很高的识别率，在复杂环境具有很好的鲁棒性。

Description

基于显著性区域检测的车标定位方法

技术领域

本发明属于数字图像处理技术领域，涉及计算机视觉、模式识别相关理论知识，应用于车标定位技术。

技术背景

据工信部信息化装备司在2012年1月20日发布的《2011年中国汽车工业经济运行情况》公告显示，2011年全年汽车销量超过到1850万辆，再次刷新全球记录。然而，随着汽车产业在我国的蓬勃发展，相关问题也随之而来，如车辆盗窃、套牌倒牌现象也大有愈演愈烈之势。随着计算机视觉技术的发展成熟，智能交通监控系统也被相关部门用于辅助管理交通运输。而车辆识别技术是智能交通系统中不可或缺的一部分，受到了许多研究人员的关注。

车辆识别目前大部分都是基于车牌识别。车牌识别也成功的运用于高速公路和城市交通要道的监控管理中。但车牌识别也有其不足之处，如背景中存在广告牌、背景中存在文字以及被盗车犯更换车牌，车牌识别就无能为力了。为了弥补现有基于车牌识别的车辆识别系统的不足。车标作为车辆的一个重要标志，成为车辆识别的一个新的研究方向。车标识别作为完善和发展智能交通系统有着非常重要的作用。

目前常用的车标定位识别方法有以下几种：

(1)基于图像形态学处理的车标定位和识别方法。这类方法是首先对车辆进行Sobel边缘检测，然后在运用数字图像形态学中开操作和闭操作等得到连通域，然后结合模板匹配方法进行车标定位识别。这种方法优点是简单快速，但是识别率低，对于噪声和阴影等复杂背景失效。详见文献：Yunqiong,W.,L.ZhifangandX.Fei,Afastcoarse-to-finevehiclelogodetectionandrecognitionmethod,inRoboticsandBiomimetics,2007.ROBIO2007.IEEEInternationalConferenceon.2007,IEEE:Sanya.p.691

(2)基于车标几何结构的车标定位识别方法。这种方法是利用车标位于车牌和车灯之间的位置关系，即车标一般位于两个车灯之间而且在车牌之上。通过检测车灯和车牌来定位识别车标。这种方法的优点是定位准确性较高，缺点是依赖于车灯和车牌的检测，当有其中一个检测失败时，车标定位也随之失败，可靠性较差。详见文献：WentingLu,HonggangZhang,LanKunyan,andJunGuo.DetectionofVehicleManufactureLogosUsingContextualInformation.TheNinthAsianConferenceonComputerVision,ACCV2009,Xi’an,China,Sep.23-27.EI:20105213526341

利用形态学和几何结构的车标定位识别是都是基于空域特征的定位方法，因而对于噪声和复杂背景下提取车标效果欠佳。

发明内容

本发明所要解决的技术问题是，提供一种可以快速稳定的检测到车标区域的车标定位方法。

本发明为解决上述技术问题所采用的技术方案是，基于显著性区域检测的车标定位方法，包括以下步骤：

步骤1：进行车标粗略位置提取；

步骤2：视觉显著性图提取

步骤2-1对车标粗略位置图进行RGB三色通道分离，分解为R颜色通道图片、G颜色通道图片和B颜色通道图片；

步骤2-2分别求RGB三个颜色通道的离散余弦变换后再经过符号函数变换后分别得到RGB三个颜色通道的签名图像；

步骤2-3对RGB三个颜色通道的签名图像进行反离散余弦变换得到背景离散化的重构图像；

步骤2-4将三个颜色通道的重构图像进行融合得到融合后的图像；

步骤2-5利用高斯函数对融合后的图像进行滤波得到显著性区域图，高斯滤波核参数σ＝max(W,H)*0.045；W和H分别为对融合后的图像的宽度和高度，max(·)表示取最大值；

步骤3：基于显著图的图像分割及车标提取

步骤3-1对显著性区域图进行二值化处理得到二值化后的图像；

步骤3-2对二值化后的图像白色区域进行连通域提取，并用一个外接矩形框去拟合连通域得到外接矩形框；

步骤3-3在车标粗略位置图中提取外接矩形框所在位置的图像即为车标图像。

本发明通过离散余弦变换DCT、符号函数Sign处理和反散余弦变换DCT来快速实现视觉显著性检测。显著区域图是一个灰度图像，灰度值越大就代表越可能包含车标，因此可以通过选择合适的阈值二值化显著图，得到二值连通区域，来提取车标。

本发明的有益效果是，利用视觉显著性检测处理车标区域，能很好的用于车标定位，具有很高的识别率，在复杂环境具有很好的鲁棒性。

附图说明

图1为车标定位流程图；

图2车标粗略位置提取流程示意图；

图3基于显著区域图的车标定位分割流程示意图。

具体实施方式

基于视觉显著性区域检测的车标定位方法流程图，如附图1所示，包括以下步骤，下面是这些步骤的详细说明，

步骤1：车标粗略位置提取，如图2所示

步骤1-1Canny边缘检测：对输入的车辆图片进行边缘检测，Canny边缘检测算法可以一定程度抑制噪声，得到车辆的边缘图片。

步骤1-2车头区域切割：对1-1中得到的边缘图片进行水平投影，车头区域是投影值最大的连续区域，并且有先验知识知道车头在图片的偏下位置，设定阈值进行上下切割得到车头区域图片。

步骤1-3车标粗略区域切割：对1-2中得到的车头图片，再进行左右切割，保留中间1/2的图像区域。即把图片最左边1/4区域和最右边1/4区域切除，得到的图片就是车标所在的粗略位置图。

步骤2：视觉显著性图(SaliencyMap)提取，附图3所示

步骤2-1颜色通道分离：在步骤1中得到的粗略区域图作为输入，进行通道分离，把RGB三色图像的每个颜色通道分解为R颜色通道图片、G颜色通道图片和B颜色通道图片。

步骤2-2求签名图像：根据定义的公式imageSignature(x)＝Sign(DCT(x))，首先分别求RGB三个颜色通道的离散余弦变换(DCT)，然后再经过符号函数Sign变换后就可以分别得到各个颜色通道的签名图像。

步骤2-3反离散余弦变换：把步骤2-2中得到的各个颜色通道的图片进行反离散余弦变换(IDCT)，就可以得到背景离散化的重构的图像。R通道的离散重构图片为G通道的离散重构图片为B通道的离散重构图片为

步骤2-4通道融合：将步骤2-3中各个颜色通道的背景离散化后的重构图像进行融合，融合的方法就是简单的求和取平均值作为融合后的图像值。设得到的融合后图片为则 $\hat{X}=({\hat{X}}_R+{\hat{X}}_G+{\hat{X}}_B)/3.$

步骤2-5高斯滤波：利用高斯函数对融合后的图像进行滤波。设图像的宽度和高度分别为W和H，则高斯滤波核σ参数σ＝max(W,H)*0.045，即取宽度和高度的最大值，再乘以常数0.045得到的高斯滤波核对融合后的图像滤波，就可以得到显著性区域图SaliencyMap。

步骤3：基于显著图(SaliencyMap)的图像分割及车标提取(附图3所示)

步骤3-1二值化显著图：对显著图用大津自动阈值化处理(OSTU)，阈值化可以自动选择阈值对灰度图像进行二值化处理，设阈值为th，则可以定义二值化后的图像为，

$f\left(x\right)=\left\{\begin{array}{cc}255,& x\&GreaterEqual;th\\ 0,& x<th\end{array}\right.$

步骤3-2寻找连通域：对二值化后的图像白色区域就是车标所在的位置，用寻找连通域的方法，找到这块区域，并用一个外接矩形框去拟合这个连通域。

步骤3-3分割图像提取车标：得到步骤3-3中的外接矩形框，如附图3中所示的红色矩形框就是车标所在的位置，切割原图像中矩形框所在的位置就是车标了，到这车标就定位结束，输出车标然后进行识别就可以了。

Claims (5)

1.基于显著性区域检测的车标定位方法，其特征在于，包括以下步骤：

步骤1：进行车标粗略位置提取；

步骤2：视觉显著性图提取

步骤2-1对车标粗略位置图进行RGB三色通道分离，分解为R颜色通道图片、G颜色通道图片和B颜色通道图片；

步骤2-2分别求RGB三个颜色通道的离散余弦变换后再经过符号函数变换后分别得到RGB三个颜色通道的签名图像；

步骤2-3对RGB三个颜色通道的签名图像进行反离散余弦变换得到背景离散化的重构图像；

步骤2-4将三个颜色通道的重构图像进行融合得到融合后的图像；

步骤2-5利用高斯函数对融合后的图像进行滤波得到显著性区域图，高斯滤波核参数σ＝max(W,H)*0.045；W和H分别为对融合后的图像的宽度和高度，max(·)表示取最大值；

步骤3：基于显著图的图像分割及车标提取

步骤3-1对显著性区域图进行二值化处理得到二值化后的图像；

步骤3-2对二值化后的图像白色区域进行连通域提取，并用一个外接矩形框去拟合连通域得到外接矩形框；

步骤3-3在车标粗略位置图中提取外接矩形框所在位置的图像即为车标图像。

2.如权利要求1所述基于显著性区域检测的车标定位方法，其特征在于，进行车标粗略位置提取的具体方法是：

步骤1-1对输入的车辆图片进行边缘检测，得到车辆的边缘图片；

步骤1-2对边缘图片进行水平投影，选择图片偏下位置且投影值连续大于阈值的区域作为车头图片；

步骤1-3对车头图片进行左右切割，保留中间1/2的图像区域得到车标粗略位置图。

3.如权利要求2所述基于显著性区域检测的车标定位方法，其特征在于，步骤1-1中边缘检测使用Canny边缘检测算法。

4.如权利要求1所述基于显著性区域检测的车标定位方法，其特征在于，将三个颜色通道的重构图像进行融合的具体方法为：

融合后图片，为为R通道的重构图片值，为G通道的重构图片，为B通道的重构图片。

5.如权利要求1所述基于显著性区域检测的车标定位方法，其特征在于，高斯函数核参数σ＝max(W,H)*0.045；W和H分别为对融合后的图像的宽度和高度，max(·)表示取最大值。