CN105512653A - 一种基于车辆对称特征的城市交通场景中车辆的检测方法 - Google Patents

Abstract

本发明公开一种基于车辆对称特征的城市交通场景中车辆的检测方法，通过采集城市交通场景图像并获取图像中的车辆轮廓特征；再利用车辆轮廓竖直对称轴、车辆车牌的水平对称轴及竖直对称轴来检测城市交通场景图像中的车辆区域，为城市交通场景理解及车辆监控分析奠定前沿基础，对于提高车辆驾驶的安全性，实时发布交通流量信息诱导交通等都具有重要的作用。

Description

一种基于车辆对称特征的城市交通场景中车辆的检测方法

技术领域

本发明专利涉及智能交通研究领域，尤其是城市交通场景理解及车辆监控分析。

背景技术

计算机图像处理技术、通信与网络传输技术及电子技术的发展使得交通的智能化及现代化管理和控制成为可能，通过建立交通智能管理和控制体系，综合管理及控制人、车和路等交通参与体，对于提高交通运输效率和效益，保证交通安全，促进可持续发展具有十分重要的作用。将车辆检测应用于城市交通场景理解及车辆监控分析，对于提高车辆驾驶的安全性，实时发布交通流量信息诱导交通等具有重要的作用。

已经广泛应用于车辆检测的设施设备有磁感线圈、超声波、红外线及监控相机等。基于视频图像的车辆检测技术通过监控相机获得实时交通视频信息，结合图像处理原理和模式识别方法对图像进行实时处理，并对车辆逆行、慢速、超速和交通阻塞等交通行为进行分析，并自动统计以及记录相关数据。车辆区域检测是自动交通事件检测系统的关键技术之一，T.Zielke等人使用基于图像亮度对称的中心线做了检测，能够从背景中分割出车辆区域，但却存在图像亮度对光照变化敏感的问题；Y.Du等人通过车辆轮廓对称特征，对每对像素“投票选举”对称轴，检测结果却易受交通标志及道路边缘影响。

故，需要一种新的技术方案以解决上述问题。

发明内容

本发明专利所要解决的问题是高精度地检测出城市交通场景图像中的车辆区域，以用于后续交通事件的自动检测和识别。

为实现上述发明目的，本发明可采用如下技术方案：

一种基于车辆对称特征的城市交通场景中车辆的检测方法，包括步骤：

1)采用监控像机采集城市交通场景图像，并对城市交通场景图像进行预处理；

2)采用拉普拉斯算子提取城市交通场景图像的边缘信息，以获取图像中的车辆轮廓特征；

3)采用水平扫描算法检测城市交通场景图像中的车辆轮廓竖直对称轴；

4)采用最大对称值区段法计算城市交通场景图像中车辆车牌的水平对称轴和竖直对称轴；

5)采用灰度积分投影算法定位城市交通场景图像中的车辆区域。

与现有技术相比，本技术方案利用车辆轮廓竖直对称轴、车辆车牌的水平对称轴及竖直对称轴来检测城市交通场景图像中的车辆区域，为城市交通场景理解及车辆监控分析奠定前沿基础，对于提高车辆驾驶的安全性，实时发布交通流量信息诱导交通等都具有重要的作用。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明公开的一种基于车辆对称特征的城市交通场景中车辆的检测方法，包括步骤：

1)采用监控像机采集城市交通场景图像，并采用中值滤波对城市交通场景图像进行预处理；

2)采用拉普拉斯算子提取城市交通场景图像的边缘信息，以获取图像中的车辆轮廓特征；

3)采用水平扫描算法检测城市交通场景图像中的车辆轮廓竖直对称轴；

4)采用最大对称值区段法计算城市交通场景图像中车辆车牌的水平对称轴和竖直对称轴；

5)采用灰度积分投影算法定位城市交通场景图像中的车辆区域。

所述步骤1)中，采用监控像机采集城市交通场景图像，并采用中值滤波对城市交通场景图像进行预处理。

令采集的城市交通场景图像为f(x,y)，则城市交通场景图像f(x,y)的灰度变换为

w(x,y)＝g[f(x,y)](1)

其中，g(x)为灰度变换函数，w(x,y)为所得的城市交通场景图像的灰度图像。根据不同的图像特性，选择不同的滤波函数，本专利中采用中值滤波作为滤波器函数，以消除图像噪声的同时保留图像中的细节信息。

所述步骤2)中，采用拉普拉斯算子提取城市交通场景图像的边缘信息，以获取图像中的车辆轮廓特征。

本技术方案中的图像边缘检测采用拉普拉斯算子，拉普拉斯算子是不依赖于边缘方向的二阶微分算子。城市交通场景图像的拉普拉斯变换为

G(i,j)＝|4f(i,j)-f(i+1,j)-f(i-1,j)-f(i,j+1)-f(i,j-1)|(2)

其中，f(i,j)为像素点(i,j)的像素值，G(i,j)为采用Laplace算子检测到的图像中的车辆轮廓特征。

所述步骤3)中，采用水平扫描算法检测城市交通场景图像中的车辆轮廓竖直对称轴。令W为要计算的每个像素点对称值的幅宽，(x',y')为当前水平扫描线像素的坐标，则城市交通场景图像的水平扫描线上像素点(x,y)的对称值V(x,y)为

$V(x,y)=\underset{x^{\′}=1}{\overset{W/2}{\Σ}}S(x,x^{\′},y^{\′})---\left(3\right)$

由于车辆轮廓对称值在其竖直对称轴处最大而在车辆边缘处对称值最小，因此第x列对称值之和Vcol(x)为

$Vcol\left(x\right)=\underset{n=0}{\overset{M}{\Σ}}V(x,n*val)---\left(5\right)$

其中，val为行距，M为列数。

对由式(3)求得的Vcol(x)进行排序，最大对称值Vcol(x_m)对应的列x_m则为车辆轮廓的竖直对称轴。

步骤4)中，采用最大对称值区段法计算城市交通场景图像中车辆车牌的水平对称轴和竖直对称轴。计算车辆轮廓的竖直对称轴最大区段

$Vcol(x_m,n)=\underset{n=i}{\overset{i+5}{\Σ}}V(x_m,n*val),i=1,2,...,M---\left(6\right)$

由上式求得Vcol(x_m,n)最大时对应的城市交通场景图像中扫描行n_m，则对应的纵坐标为

y_m＝n_m*val(7)

令参考点(x_m,y_m)到车辆轮廓对称轴搜索窗下边缘距离为δ，车牌水平对称轴搜索区域为参考点到搜索下边缘距离δ的β₁到β₂倍(本实施例中取β₁＝0.2、β₂＝0.8)。计算车牌水平对称轴搜索区域每条竖直扫描线上像素点对称值，将每行对称值之和最大行作为车牌水平对称轴y_s。令参考点(x_m-δ₁,y_s-δ₂)和(x_m+δ₁,y_s+δ₂)为车牌竖直对称轴搜索区域，计算搜索区域每条水平扫描线像素点对称值，则对称值和最大列为车牌竖直对称轴x_s。

步骤5)中，采用灰度积分投影算法定位城市交通场景图像中的车辆区域。假设车辆区域在由(x_s-w,y_s-h_t)和(x_s+w,y_s+h_b)确定的矩形包围框内，采用灰度积分投影算法搜索车辆区域，则城市交通场景中车辆的边缘图像竖直积分投影v_i和水平积分投影h_i为

$v_i=\underset{j=1}{\overset{2w}{\Σ}}f(x_i,y_i)---\left(8\right)$

$h_i=\underset{i=1}{\overset{h_b+h_t}{\Σ}}f(x_i,y_i)---\left(9\right)$

其中，f(x,y)是像素点(x,y)处的像素值，2w和h_t+h_b为车牌搜索区域的宽和高。分别计算竖直和水平积分投影的最大值m_v和m_h，从上到下搜索水平投影目标像素个数超过0.5m_h的第一行作为上边界最后一行作为下边界从左到右搜索竖直投影目标像素个数超过0.5m_v的第一列作为左边界最后一列作为下边界由坐标和确定的矩形区域则为检测到的城市交通场景图像中的车辆区域。

Claims (7)

1.一种基于车辆对称特征的城市交通场景中车辆的检测方法，其特征是包括步骤：

1)采用监控像机采集城市交通场景图像，并对城市交通场景图像进行预处理；

2)采用拉普拉斯算子提取城市交通场景图像的边缘信息，以获取图像中的车辆轮廓特征；

3)采用水平扫描算法检测城市交通场景图像中的车辆轮廓竖直对称轴；

4)采用最大对称值区段法计算城市交通场景图像中车辆车牌的水平对称轴和竖直对称轴；

5)采用灰度积分投影算法定位城市交通场景图像中的车辆区域。

2.根据权利要求1所述的基于车辆对称特征的城市交通场景中车辆的检测方法，其特征是所述步骤3)中采用水平扫描算法检测城市交通场景图像中的车辆轮廓竖直对称轴；

令W为要计算的每个像素点对称值的幅宽，(x',y')为当前水平扫描线像素的坐标，则城市交通场景图像的水平扫描线上像素点(x,y)的对称值V(x,y)为

$V(x,y)=\underset{x^{\′}=1}{\overset{W/2}{\Σ}}S(x,x^{\′},y^{\′});$

其中，

由于车辆轮廓对称值在其竖直对称轴处最大而在车辆边缘处对称值最小，因此第x列对称值之和Vcol(x)为

其中，val为行距，M为列数；

对由式(3)求得的Vcol(x)进行排序，最大对称值Vcol(x_m)对应的列x_m则为车辆轮廓的竖直对称轴。

3.根据权利要求1所述的基于车辆对称特征的城市交通场景中车辆的检测方法，其所述步骤4)中，采用最大对称值区段法计算城市交通场景图像中车辆车牌的水平对称轴和竖直对称轴；

计算车辆轮廓的竖直对称轴最大区段

$Vcol(x_m,n)=\underset{n=i}{\overset{i+5}{\Σ}}V(x_m,n*val),i=1,2,...,M;$

由上式求得Vcol(x_m,n)最大时对应的城市交通场景图像中扫描行n_m，则对应的纵坐标为

y_m＝n_m*val；

令参考点(x_m,y_m)到车辆轮廓对称轴搜索窗下边缘距离为δ，车牌水平对称轴搜索区域为参考点到搜索下边缘距离δ的β₁到β₂倍；其中β₁、β₂为自定数值；计算车牌水平对称轴搜索区域每条竖直扫描线上像素点对称值，将每行对称值之和最大行作为车牌水平对称轴y_s；令参考点(x_m-δ₁,y_s-δ₂)和(x_m+δ₁,y_s+δ₂)为车牌竖直对称轴搜索区域，计算搜索区域每条水平扫描线像素点对称值，则对称值和最大列为车牌竖直对称轴x_s。

4.根据权利要求3所述的基于车辆对称特征的城市交通场景中车辆的检测方法，其特征是取β₁＝0.2、β₂＝0.8。

5.根据权利要求1所述的基于车辆对称特征的城市交通场景中车辆的检测方法，其特征是所述步骤5)中，采用灰度积分投影算法定位城市交通场景图像中的车辆区域；

假设车辆区域在由(x_s-w,y_s-h_t)和(x_s+w,y_s+h_b)确定的矩形包围框内，采用灰度积分投影算法搜索车辆区域，则城市交通场景中车辆的边缘图像竖直积分投影v_i和水平积分投影h_i为

$v_i=\underset{j=1}{\overset{2w}{\Σ}}f(x_i,y_i);$

$h_i=\underset{i=1}{\overset{h_b+h_t}{\Σ}}f(x_i,y_i);$

其中，f(x,y)是像素点(x,y)处的像素值，2w和h_t+h_b为车牌搜索区域的宽和高；分别计算竖直和水平积分投影的最大值m_v和m_h，从上到下搜索水平投影目标像素个数超过0.5m_h的第一行作为上边界最后一行作为下边界从左到右搜索竖直投影目标像素个数超过0.5m_v的第一列作为左边界最后一列作为下边界由坐标和确定的矩形区域则为检测到的城市交通场景图像中的车辆区域。

6.根据权利要求1所述的基于车辆对称特征的城市交通场景中车辆的检测方法，其特征是步骤1)中，令采集的城市交通场景图像为f(x,y)，则城市交通场景图像f(x,y)的灰度变换为

w(x,y)＝g[f(x,y)]；

其中，g(x)为灰度变换函数，w(x,y)为所得的城市交通场景图像的灰度图像，同时采用中值滤波作为滤波器函数以消除图像噪声的同时保留图像中的细节信息。

7.根据权利要求1所述的基于车辆对称特征的城市交通场景中车辆的检测方法，其特征是步骤2)中，城市交通场景图像的拉普拉斯变换为

G(i,j)＝|4f(i,j)-f(i+1,j)-f(i-1,j)-f(i,j+1)-f(i,j-1)|；

其中，f(i,j)为像素点(i,j)的像素值，G(i,j)为采用拉普拉斯算子检测到的图像中的车辆轮廓特征。