CN106600612A - 一种电动汽车租赁前后损坏识别检测方法 - Google Patents

Abstract

本发明涉及一种电动汽车租赁前后损坏识别检测方法，属于电动汽车检测及图像识别技术领域。该方法包括以下步骤：S1：通过安装在电动汽车充电桩区域的摄像装置获取电动汽车租赁前后的两种图像；S2：将获取的数字图片压缩转换为灰度图像；S3：将目标图像分割成几个重点区域；S4：通过分析图像中像素间灰度的空间相关特性形成灰度共生矩阵，通过灰度共生矩阵计算两种图像的对比度CON、逆差矩IDM值；S5：对两种图像的对比度CON、逆差矩IDM进行颜色和纹理上的分析对比，两个定义一样的值进行相减，得到的数值在设定的阈值范围内，确定无损坏，反之有损坏。通过本方法，在电动车租赁过程中，确保车辆的正常运行的情况下，能够及时的确认被租赁的电动车是否存在人为因素的损坏，如刮蹭、凹陷等。

Description

一种电动汽车租赁前后损坏识别检测方法

技术领域

本发明属于电动汽车检测及图像识别技术领域，涉及一种电动汽车租赁前后损坏识别检测方法。

背景技术

现有的汽车识别技术主要应用在汽车号牌以及车型判断方面，以及通过识别技术辅助定位系统来判断车辆位置，例如车牌识别主要应用在停车场、小区出入口、高速公路收费站、公路卡口以及城市交通中。而在电动车方面，主要的研究方向在于对充电电池的实时监控和控制，对于电动车其他方面的识别还没有太多的研究内容。

电动汽车分时租赁具有广阔的市场前景，主要原因在于两点，一是道路资源的限制不可能让私家车无限制增长，同时，电动汽车能够减少尾气排放；另一方面，这种分时租赁可以降低人们的交通成本。在汽车共享这个领域，国内外巨头都在积极布局，2015年12月广汽投资一亿美元入股Uber中国，2016年1月通用5亿美元投资汽车共享服务商Lyft,同年5月丰田、大众、宝马分布入股相关公司，6月份苹果、阿里以及软银73亿美元投资滴滴出行，由此可见汽车共享领域是一个很有前景的领域。目前在我国主流一二线城市人口密度过大，均超过1000人/平方公里，这些城市由于限购等原因正成为新能源汽车消费的主力区域，在2015年我国居民交通消费总支出达到1.88万亿元，市场规模巨大，而在这些用户中有1亿多用户是有证无车组，假若有十分之一的选择电动车分时租赁，市场规模就在150亿—200亿元左右。所以在电动汽车分时租赁飞速发展的同时，对其电动车进行高效的管理就非常重要，来确保电动车在使用过程中保持最好的车况。

目前，在电动汽车的使用和监控过程中，很少对处于租赁状态的电动车辆的损坏情况进行监控识别。

发明内容

有鉴于此，本发明的目的在于提供一种电动汽车租赁前后损坏识别检测方法，该方法通过租赁前后的电动车辆图片识别来判断车辆是否存在刮蹭、凹陷等人为因素导致的车辆损坏，从而保证车辆的正常运行。

为达到上述目的，本发明提供如下技术方案：

一种电动汽车租赁前后损坏识别检测方法，该方法包括以下步骤：

S1：通过安装在电动汽车充电桩区域的摄像装置获取电动汽车租赁前后的两种图像；

S2：将获取的数字图片压缩转换为灰度图像；

S3：将目标图像分割成几个重点区域；

S4：通过分析图像中像素间灰度的空间相关特性形成灰度共生矩阵，通过灰度共生矩阵计算两种图像的对比度CON、逆差矩IDM值；

S5：对两种图像的对比度CON、逆差矩IDM进行颜色和纹理上的分析对比，两个定义一样的值进行相减，得到的数值在设定的阈值范围内，确定无损坏，反之有损坏。

进一步，在步骤S3中，由于要对电动车进行的是前后图像分析，所以在分割方法的采取上，需先采取定点然后分散的方法对重点部分进行分析。本发明采用直接搜索区域来进行图像分割，具体包括以下步骤：

1)首先确定电动车图像中的重点区域，即易产生摩擦、碰撞的位置；

2)在选择的这些区域中分别选择一个中心点作为生长的初始点，设定相似性准则，周围的像素点与其有相似性则合并到种子所在区域；

3)不断的重复步骤2)，使得中心点周围满足相似性准则的像素点集合在同一个区域；

4)分隔完图像之后，由于在分割之初前后图像就确定了同样的中心点，所以此时可以进行一个粗略的分析，即检查同一个中心点所占区域前后是否偏差不大，若是有较大偏差，如面积、图像方向不一样，则可以断定电动车在使用过程中遭到了损坏，若是偏差较小，则通过下面灰度共生矩阵来判断区域内的分割区域内的变化。

进一步，在步骤S4中，灰度共生矩阵是图像灰度的二阶统计度量，反映了纹理图像灰度在方向、局部领域和变化幅度的综合信息。因为这种算法计算量大，所以在上一步图像分割步骤上就已经划分出了明显差异的部分，减轻了利用灰度共生矩阵的计算量，提减少了反应时间，提高了效率；具体包括以下步骤：

1)计算共生矩阵：S为检测区域R中有相似空间关系的像素点集合，共生矩阵定义为：

右边分数的分子是有空间联系、灰度值分别为i，j的像素对的个数，分母是像素对的总和个数(n代表数量)，得到的结果P是归一化结果；

对于一副特定区域的图像Gf(i，j)，大小N×N，包含的像素灰度级为{0,1,…,G-1}，产生的灰度共生矩阵是个二维矩阵C(i,j)，每个矩阵元素表示的是在某一距离d和角度θ，强度i和j一起出现的概率；

2)在生成设计灰度级数的灰度共生矩阵后，按照以下公式计算对比度CON，相关性COR值、能量ASM值或者熵ENT值：

在上式中ASM体现的是对纹理灰度变化稳定程度的度量，值越大，表明是规则变化较为稳定的纹理；CON反映图像清晰度和纹理沟纹的深浅；逆差距IDM反映了图像纹理的同质性，来度量图像纹理局部变化多少；熵值ENT表明了图像灰度分布的复杂程度，越大图像越复杂。

本发明的有益效果在于：通过本方法，在电动车租赁过程中，确保车辆的正常运行的情况下，能够及时的确认被租赁的电动车是否存在人为因素的损坏，如刮蹭、凹陷等。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明的整体流程图；

图2为实施例中灰度共生矩阵元素角度方向图；

图3为本发明的运行步骤图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明的整体流程图，如图所示，本发明提供的电动汽车租赁前后损坏识别检测方法具体包括以下步骤：

S1：通过安装在电动汽车充电桩区域的摄像装置获取电动汽车租赁前后的两种图像；

S2：将获取的数字图片压缩转换为灰度图像；

S3：将目标图像分割成几个重点区域；

S4：通过分析图像中像素间灰度的空间相关特性形成灰度共生矩阵，通过灰度共生矩阵计算两种图像的对比度CON、逆差矩IDM值；

S5：对两种图像的对比度CON、逆差矩IDM进行颜色和纹理上的分析对比，两个定义一样的值进行相减，得到的数值在设定的阈值范围内，确定无损坏，反之有损坏。

具体来说，在步骤S3中，由于要对电动车进行的是前后图像分析，所以在分割方法的采取上，需先采取定点然后分散的方法对重点部分进行分析。本发明采用直接搜索区域来进行图像分割，具体包括以下步骤：

1)首先确定电动车图像中的重点区域，即易产生摩擦、碰撞的位置；

2)在选择的这些区域中分别选择一个中心点作为生长的初始点，设定相似性准则，周围的像素点与其有相似性则合并到种子所在区域；

3)不断的重复步骤2)，使得中心点周围满足相似性准则的像素点集合在同一个区域；

4)分隔完图像之后，由于在分割之初前后图像就确定了同样的中心点，所以此时可以进行一个粗略的分析，即检查同一个中心点所占区域前后是否偏差不大，若是有较大偏差，如面积、图像方向不一样，则可以断定电动车在使用过程中遭到了损坏，若是偏差较小，则通过下面灰度共生矩阵来判断区域内的分割区域内的变化。

在步骤S4中，灰度共生矩阵是图像灰度的二阶统计度量，反映了纹理图像灰度在方向、局部领域和变化幅度的综合信息。因为这种算法计算量大，所以在上一步图像分割步骤上就已经划分出了明显差异的部分，减轻了利用灰度共生矩阵的计算量，提减少了反应时间，提高了效率；具体包括以下步骤：

1)计算共生矩阵：S为检测区域R中有相似空间关系的像素点集合，共生矩阵定义为：

右边分数的分子是有空间联系、灰度值分别为i，j的像素对的个数，分母是像素对的总和个数(n代表数量)，得到的结果P是归一化结果；

对于一副特定区域的图像Gf(i，j)，大小N×N，包含的像素灰度级为{0,1,…,G-1}，产生的灰度共生矩阵是个二维矩阵C(i,j)，每个矩阵元素表示的是在某一距离d和角度θ，强度i和j一起出现的概率；距离的选择根据需要进行选择，角度可以分为4个方向，如图2所示。

2)在生成设计灰度级数的灰度共生矩阵后，按照以下公式计算对比度CON，相关性COR值、能量ASM值或者熵ENT值：

在上式中ASM体现的是对纹理灰度变化稳定程度的度量，值越大，表明是规则变化较为稳定的纹理；CON反映图像清晰度和纹理沟纹的深浅；逆差距IDM反映了图像纹理的同质性，来度量图像纹理局部变化多少；熵值ENT表明了图像灰度分布的复杂程度，越大图像越复杂。图3为本发明的运行步骤图。

通过本方法，在电动车租赁过程中，确保车辆的正常运行的情况下，能够及时的确认被租赁的电动车是否存在人为因素的损坏，如刮蹭、凹陷等。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (3)

1.一种电动汽车租赁前后损坏识别检测方法，其特征在于：该方法包括以下步骤：

S1：通过安装在电动汽车充电桩区域的摄像装置获取电动汽车租赁前后的两种图像；

S2：将获取的数字图片压缩转换为灰度图像；

S3：将目标图像分割成几个重点区域；

S4：通过分析图像中像素间灰度的空间相关特性形成灰度共生矩阵，通过灰度共生矩阵计算两种图像的对比度CON、逆差矩IDM值；

S5：对两种图像的对比度CON、逆差矩IDM进行颜色和纹理上的分析对比，两个定义一样的值进行相减，得到的数值在设定的阈值范围内，确定无损坏，反之有损坏。

2.根据权利要求1所述的一种电动汽车租赁前后损坏识别检测方法，其特征在于：在步骤S3中，采用直接搜索区域来进行图像分割，具体包括以下步骤：

1)首先确定电动车图像中的重点区域，即易产生摩擦、碰撞的位置；

2)在选择的这些区域中分别选择一个中心点作为生长的初始点，设定相似性准则，周围的像素点与其有相似性则合并到种子所在区域；

3)不断的重复步骤2)，使得中心点周围满足相似性准则的像素点集合在同一个区域；

4)分隔完图像之后，由于在分割之初前后图像就确定了同样的中心点，所以此时可以进行一个粗略的分析，即检查同一个中心点所占区域前后是否偏差不大，若是有较大偏差，如面积、图像方向不一样，则可以断定电动车在使用过程中遭到了损坏，若是偏差较小，则通过下面灰度共生矩阵来判断区域内的分割区域内的变化。

3.根据权利要求1所述的一种电动汽车租赁前后损坏识别检测方法，其特征在于：在步骤S4中，具体包括以下步骤：

1)计算共生矩阵：S为检测区域R中有相似空间关系的像素点集合，共生矩阵定义为：

(x₁，y₁)、(x₂，y₂)表示图像中两个像素点的位置，且都属于集合S中，两点之间存在一定的间距，f(x₁，y₁)＝i表示的是像素点(x₁，y₁)的灰度值，f(x₂，y₂)＝j表示像素点(x₂，y₂)的灰度值，分子的n代表的是具有空间联系但灰度值分别为i和j的像素对个数，分母是像素对的总和个数，得到的结果P是归一化结果；

对于一副特定区域的图像Gf(i，j)，大小N×N，包含的像素灰度级为{0,1,…,G-1}，产生的灰度共生矩阵是个二维矩阵C(i,j)，每个矩阵元素表示的是在某一距离d和角度θ，强度i和j一起出现的概率；

2)在生成设计灰度级数的灰度共生矩阵后，按照以下公式计算对比度CON，相关性COR值、能量ASM值或者熵ENT值：

$CON=\underset{i}{\Σ}\underset{j}{\Σ}{(i,j)}^{2}P(i,j)---\left(1\right)$

$IDM=\underset{i}{\Σ}\underset{j}{\Σ}\frac{P(i,j)}{1+{(i-j)}^2}---\left(2\right)$

$ASM=\underset{i}{\Σ}\underset{j}{\Σ}P{(i,j)}^2---\left(3\right)$

$ENT=-\underset{i}{\Σ}\underset{j}{\Σ}P(i,j)\×InP(i,j)---\left(4\right)$

在上式中ASM体现的是对纹理灰度变化稳定程度的度量，值越大，表明是规则变化较为稳定的纹理；CON反映图像清晰度和纹理沟纹的深浅；逆差距IDM反映了图像纹理的同质性，来度量图像纹理局部变化多少；熵值ENT表明了图像灰度分布的复杂程度，越大图像越复杂。