CN107133588A - 基于车窗特征提取的车辆识别方法 - Google Patents

基于车窗特征提取的车辆识别方法 Download PDF

Info

Publication number
CN107133588A
CN107133588A CN201710304643.9A CN201710304643A CN107133588A CN 107133588 A CN107133588 A CN 107133588A CN 201710304643 A CN201710304643 A CN 201710304643A CN 107133588 A CN107133588 A CN 107133588A
Authority
CN
China
Prior art keywords
area
vehicle
vehicle window
image
gravity
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
Application number
CN201710304643.9A
Other languages
English (en)
Inventor
严曲雅
徐超
郭晓泽
鲁晓
吴峻
杨典
张春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Anhui Transportation Holding Group Co Ltd
Original Assignee
Anhui University
Anhui Transportation Holding Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University, Anhui Transportation Holding Group Co Ltd filed Critical Anhui University
Priority to CN201710304643.9A priority Critical patent/CN107133588A/zh
Publication of CN107133588A publication Critical patent/CN107133588A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于车窗特征提取的车辆识别方法，包括以下步骤：在视频图像中检测出车窗区域，并将其与源图像分离出来；找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取。本发明提取可辨识度高，能够唯一表示所属车辆，提取算法相比其他车辆识别特征简单易行，满足实时性。

Description

基于车窗特征提取的车辆识别方法
技术领域
本发明属于图像处理领域，涉及一种基于车窗特征提取的车辆识别方法。
背景技术
智能交通系统作为一种先进的自动化道路交通管理系统，主要依托前沿的计算机视频图像技术、模式识别、计算机网络技术、传感器技术及射频技术等。未来的智能交通系统将实现以下功能：取代人工记录车牌、监控车辆违法行为的方式，通过采集的视频图像自动识别车牌及车辆其他特征进行车辆自动识别，自动检测汽车超速、不遵守交通信号灯等违反交通规则的行为；通过云技术将各信息采集终端网络连接，后台服务器对各终端数据进行存储和IAI-动匹配，为高速路车辆识别和车辆行车里程、行车路径的确定提供技术支持：通过视频标注技术，对监控视频，中的感兴趣点进行标注，为公安部门侦破案件时查找可疑车辆、可疑人员提供按条件快速查找，取代人工花费大量时问在繁多的监控视频中查找的方式。总之，科研人员正不断把人工智能等方面的新技术应用于智能交通系统，使之朝着前面所述目标在管理和解决城市道路交通问题上不断改进和完善。
作为智能交通系统的重要组成部份，基于视频图像的车辆识别系统以其低成本、高效率、自动化水平高等特点不仅是当前研究热点也成为智能交通发展的趋势。当前基于视频图像的车辆识别系统主要有车牌识别系统、车标识别系统和车脸识别系统等。车牌识别系统是比较成熟的系统，目前已经得到了广泛应用，但其识别率仍然难以满足交通需要，特别是在夜晚以及复杂天气条件下，而车标识别和车脸识别系统还都处于实验研究阶段，尚未得到实际应用。但随着我国车辆保有量的逐年增加，一些人出于自身利益和侥幸心理进行遮挡车牌、套牌、不挂牌等违法行为，同时在高速公路上也存在着类似现象，这不仅给交通管理带来了极大的不便，也在一定程度上损害了相关部f1的利益，同时也给公安交警等执法部门的案件侦破等带来了极坏的影响。
发明内容
为解决上述问题，本发明的目的在于提供一种以车前窗张贴物为特征的识别车辆方法。
为实现上述目的，本发明的技术方案为基于车窗特征提取的车辆识别方法，包括以下步骤：
在视频图像中检测出车窗区域，并将其与源图像分离出来；
找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取。
优选地，所述在视频图像中检测出车窗区域，并将其与源图像分离出来，包括以下步骤：
读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像；
对得到的二值化图像做sobel算法边缘检测，再进行模板滤波，保留水平直线部分；
采用相位编组的霍夫变换来检测直线，找到车窗上下边界。
优选地，所述找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取，包括以下步骤：
采用Otsu算法前景分割，得到二值化图像；
轮廓检测，去除面积小于预设最小值或大于预设最大值或小于预设宽度的轮廓；
提取感兴趣区域，计算感兴趣区域的重心，算出重心连线、颜色直方图和面积，以轮廓顺序建立重心连线比序列、颜色序列和面积比序列。
优选地，所述读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像中，用该二值化图像将灰度图像中车辆以外的像素的灰度值置零，设灰度图像的像素为，二值化图像中像素的灰度值为，遍历图像的每一个像素，依照下式改变值，
。
优选地，所述对得到的二值化图像做sobel算法边缘检测，再进行模板滤波，保留水平直线部分中，运用矩阵式w=[-1 -1 -1；8 8 8；-1 -1 -1]进行模板滤波。
优选地，所述采用相位编组的霍夫变换来检测直线，依照下式，
其中，f为处理后的图像，为每个像素的梯度相位，
将梯度方向内且相邻的点编为一个编组区N，把每个编组区进行两点组合快速霍夫变换，得到每个编组区所支持直线的参数，采用下式对整个编组区进行峰值检查，找从最大值到0.8倍最大值的直线参数及组成该直线像素的梯度方向均值来检测出车窗的上下边缘线部分，
。
优选地，所述轮廓检测，去除面积小于预设最小值或大于预设最大值或小于预设宽度的轮廓，采用opencv函数cvFindContours实现轮廓检测。
优选地，所述提取感兴趣区域，计算感兴趣区域的重心，采用下式，
，
其中，Xc,Yc表示区域重心的坐标，M00 、M10 、M01表示区域的面积，由下式确定，
Mpq = sigma(i)sigma(j) ip jq f(i,j)，
其中，x,y,i,j是区域点的坐标，p、q取0或1。
优选地，所述颜色直方图采用HSV颜色模型的色度H来描述，统计色度分布，以分布最多的色度值作为颜色特征。
优选地，所述色度H用角度度量，取值范围为0°～360°，颜色直方图的矩形条个数设为30。
本发明的有益效果如下：本发明与现有的车辆识别方法相比，提出了能有效区分车辆的车窗张贴物的颜色和面积特征，用边缘处理和基于相位编组的霍夫变换检测和Otsu阈值分割方法等提取该特征的过程，并对车窗提取算法做了适应视频环境的改进。提取可辨识度高，能够唯一表示所属车辆，提取算法相比其他车辆识别特征简单易行，满足实时性。
附图说明
图1为本发明实施例1的基于车窗特征提取的车辆识别方法的步骤流程图；
图2为本发明实施例2的基于车窗特征提取的车辆识别方法的步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
实施例1
参见图1，为本发明实施例1的本发明的技术方案为基于车窗特征提取的车辆识别方法的步骤流程图，包括以下步骤：
S10，在视频图像中检测出车窗区域，并将其与源图像分离出来；
S20，找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取。
通过上述步骤，首先是进行车窗定位，在视频图像中检测出车窗区域，并将其与源图像分离出来，以便于进一步对该区域进行独立分析和处理。与其他用于车辆识别的信息不同，无论是车牌信息、车标信息还是车辆纹理信息，它们都在一个固定位置，且是一个整体，而本发明的车窗张贴物信息则分布在车窗左半部分区域内，是由几个或多个张贴物共同组成的信息，它们不能被作为一个整体去分析其特征，故找到张贴物的重心，再经过分析论证选择了颜色序列和面积比序列作为车窗张贴物的特征，成功提取这些特征。
实施例2
参见图2，为本发明实施例1的本发明的技术方案为基于车窗特征提取的车辆识别方法的步骤流程图，
S101，读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像；
S102，对得到的二值化图像做sobel算法边缘检测，再进行模板滤波，保留水平直线部分；
S103，采用相位编组的霍夫变换来检测直线，找到车窗上下边界；
S201，采用Otsu算法前景分割，得到二值化图像；
S202，轮廓检测，去除面积小于预设最小值或大于预设最大值或小于预设宽度的轮廓；
S203，提取感兴趣区域，计算感兴趣区域的重心，算出重心连线、颜色直方图和面积，以轮廓顺序建立重心连线比序列、颜色序列和面积比序列。
具体实施例中，S101，用该二值化图像将灰度图像中车辆以外的像素的灰度值置零，设灰度图像的像素为，二值化图像中像素的灰度值为，遍历图像的每一个像素，依照下式改变值，
。
如此，在后续检测时，可以去除车辆以外部分直线的干扰，从而准确得到车辆的边界直线，同时也就确定了车辆的轮廓边界。
S102中，保留水平直线部分中，运用矩阵式w=[-1 -1 -1；8 8 8；-1 -1 -1]进行模板滤波。使图像尽可能只留下水平直线部分，提高后续霍夫变换检测直线的准确性。
S103中，采用相位编组的霍夫变换来检测直线，依照下式，
其中，f为处理后的图像，为每个像素的梯度相位，
将梯度方向内且相邻的点编为一个编组区N，把每个编组区进行两点组合快速霍夫变换，得到每个编组区所支持直线的参数，采用下式对整个编组区进行峰值检查，找从最大值到0.8倍最大值的直线参数及组成该直线像素的梯度方向均值来检测出车窗的上下边缘线部分，
。
计算出各直线段的长度，找出并表示出最长直线段以及次长直线段，并根据该两个线段位置提取中间的车窗部分。
S201中，采用opencv函数cvFindContours实现轮廓检测，是经过了与自适应阈值分割、基本全局阈值分割的对比，该函数在找到轮廓的同时能够将轮廓上点的坐标信息存储在一个序列里，便于确定轮廓位置，并且该函数检测轮廓的顺序是从下到上从左到右。
S202中，计算感兴趣区域的重心，采用下式，
，
其中，Xc,Yc表示区域重心的坐标，M00 、M10 、M01表示区域的面积，由下式确定，
Mpq = sigma(i)sigma(j) ip jq f(i,j)，
其中，x,y,i,j是区域点的坐标，p、q取0或1。
S203中，颜色直方图采用HSV颜色模型的色度H来描述，统计色度分布，以分布最多的色度值作为颜色特征，色度H用角度度量，取值范围为0°～360°，颜色直方图的矩形条个数设为30。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于车窗特征提取的车辆识别方法，其特征在于，包括以下步骤：
在视频图像中检测出车窗区域，并将其与源图像分离出来；
找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取。
2.根据权利要求1所述的方法，其特征在于，所述在视频图像中检测出车窗区域，并将其与源图像分离出来，包括以下步骤：
读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像；
对得到的二值化图像做sobel算法边缘检测，再进行模板滤波，保留水平直线部分；
采用相位编组的霍夫变换来检测直线，找到车窗上下边界。
3.根据权利要求1所述的方法，其特征在于，所述找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取，包括以下步骤：
采用Otsu算法前景分割，得到二值化图像；
轮廓检测，去除面积小于预设最小值或大于预设最大值或小于预设宽度的轮廓；
提取感兴趣区域，计算感兴趣区域的重心，算出重心连线、颜色直方图和面积，以轮廓顺序建立重心连线比序列、颜色序列和面积比序列。
4.根据权利要求2所述的方法，其特征在于，所述读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像中，用该二值化图像将灰度图像中车辆以外的像素的灰度值置零，设灰度图像的像素为，二值化图像中像素的灰度值为，遍历图像的每一个像素，依照下式改变值，
。
5.根据权利要求2所述的方法，其特征在于，所述对得到的二值化图像做sobel算法边缘检测，再进行模板滤波，保留水平直线部分中，运用矩阵式w=[-1 -1 -1；8 8 8；-1 -1 -1]进行模板滤波。
6.根据权利要求2所述的方法，其特征在于，所述采用相位编组的霍夫变换来检测直线，依照下式，
其中，f为处理后的图像，为每个像素的梯度相位，
将梯度方向内且相邻的点编为一个编组区N，把每个编组区进行两点组合快速霍夫变换，得到每个编组区所支持直线的参数，采用下式对整个编组区进行峰值检查，找从最大值到0.8倍最大值的直线参数及组成该直线像素的梯度方向均值来检测出车窗的上下边缘线部分，
。
7.根据权利要求3所述的方法，其特征在于，所述轮廓检测，去除面积小于预设最小值或大于预设最大值或小于预设宽度的轮廓，采用opencv函数cvFindContours实现轮廓检测。
8.根据权利要求3所述的方法，其特征在于，所述提取感兴趣区域，计算感兴趣区域的重心，采用下式，
，
其中，Xc,Yc表示区域重心的坐标，M00 、M10 、M01表示区域的面积，由下式确定，
Mpq = sigma(i)sigma(j) ip jq f(i,j)，
其中，x,y,i,j是区域点的坐标，p、q取0或1。
9.根据权利要求3所述的方法，其特征在于，所述颜色直方图采用HSV颜色模型的色度H来描述，统计色度分布，以分布最多的色度值作为颜色特征。
10.根据权利要求9所述的方法，其特征在于，所述色度H用角度度量，取值范围为0°～360°，颜色直方图的矩形条个数设为30。
CN201710304643.9A 2017-05-03 2017-05-03 基于车窗特征提取的车辆识别方法 Pending CN107133588A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710304643.9A CN107133588A (zh) 2017-05-03 2017-05-03 基于车窗特征提取的车辆识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710304643.9A CN107133588A (zh) 2017-05-03 2017-05-03 基于车窗特征提取的车辆识别方法

Publications (1)

Publication Number Publication Date
CN107133588A true CN107133588A (zh) 2017-09-05

Family

ID=59716227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710304643.9A Pending CN107133588A (zh) 2017-05-03 2017-05-03 基于车窗特征提取的车辆识别方法

Country Status (1)

Country Link
CN (1) CN107133588A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133170A (zh) * 2017-10-31 2018-06-08 浙江浩腾电子科技股份有限公司 一种多方向车辆的车窗定位方法
CN108563976A (zh) * 2017-11-29 2018-09-21 浙江工业大学 一种基于车窗位置的多方向车辆颜色识别方法
CN109165689A (zh) * 2018-08-29 2019-01-08 浙江工业大学 一种车辆车窗精准定位方法
CN109508720A (zh) * 2018-10-23 2019-03-22 高新兴科技集团股份有限公司 一种车辆颜色识别方法及装置
CN110390335A (zh) * 2019-07-29 2019-10-29 广东泓胜科技股份有限公司 一种车型识别方法及装置
CN115626159A (zh) * 2021-07-01 2023-01-20 信扬科技(佛山)有限公司 车辆示警系统、方法及汽车

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133170A (zh) * 2017-10-31 2018-06-08 浙江浩腾电子科技股份有限公司 一种多方向车辆的车窗定位方法
CN108133170B (zh) * 2017-10-31 2020-07-14 浙江浩腾电子科技股份有限公司 一种多方向车辆的车窗定位方法
CN108563976A (zh) * 2017-11-29 2018-09-21 浙江工业大学 一种基于车窗位置的多方向车辆颜色识别方法
CN108563976B (zh) * 2017-11-29 2021-04-02 浙江工业大学 一种基于车窗位置的多方向车辆颜色识别方法
CN109165689A (zh) * 2018-08-29 2019-01-08 浙江工业大学 一种车辆车窗精准定位方法
CN109165689B (zh) * 2018-08-29 2021-10-26 浙江工业大学 一种车辆车窗精准定位方法
CN109508720A (zh) * 2018-10-23 2019-03-22 高新兴科技集团股份有限公司 一种车辆颜色识别方法及装置
CN109508720B (zh) * 2018-10-23 2021-04-23 高新兴科技集团股份有限公司 一种车辆颜色识别方法及装置
CN110390335A (zh) * 2019-07-29 2019-10-29 广东泓胜科技股份有限公司 一种车型识别方法及装置
CN115626159A (zh) * 2021-07-01 2023-01-20 信扬科技(佛山)有限公司 车辆示警系统、方法及汽车

Similar Documents

Publication Publication Date Title
CN107133588A (zh) 基于车窗特征提取的车辆识别方法
Marzougui et al. A lane tracking method based on progressive probabilistic Hough transform
CN106203398B (zh) 一种检测车道边界的方法、装置和设备
CN105930791B (zh) 基于ds证据理论的多摄像头融合的路面交通标志识别方法
Huang et al. On-board vision system for lane recognition and front-vehicle detection to enhance driver's awareness
CN107705301B (zh) 一种基于无人机航拍公路图像的公路标线破损检测方法
CN108052904B (zh) 车道线的获取方法及装置
CN109101924A (zh) 一种基于机器学习的路面交通标志识别方法
CN110334634A (zh) 一种车道线类别的检测方法和预警装置
CN105528609A (zh) 一种基于字符位置的车牌定位方法
CN103077384A (zh) 一种车标定位识别的方法与系统
CN110226170A (zh) 一种雨雪天气中的道路交通标志识别方法
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN112001216A (zh) 一种基于计算机的汽车行驶车道检测系统
CN110008900B (zh) 一种由区域到目标的可见光遥感图像候选目标提取方法
CN109635737A (zh) 基于道路标记线视觉识别辅助车辆导航定位方法
CN105117726A (zh) 基于多特征区域累积的车牌定位方法
Satzoda et al. Robust extraction of lane markings using gradient angle histograms and directional signed edges
Coronado et al. Detection and classification of road signs for automatic inventory systems using computer vision
Pratomo et al. Parking detection system using background subtraction and HSV color segmentation
CN110853000B (zh) 一种车辙的检测方法
Lu A lane detection, tracking and recognition system for smart vehicles
CN112802348B (zh) 一种基于混合Gaussian模型的车流量计数方法
Joshy et al. Improved detection and tracking of lane marking using Hough transform

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170905