CN109446913B - 一种判断车底是否改装的检测方法 - Google Patents

Abstract

本发明公开了一种判断车底是否改装的检测方法，包括如下步骤：1）获取车底图像；2）对车底图像进行预处理；3）计算边缘梯度差、标记出梯度差较大的区域；4）相似度计算；5）得出结果。这种方法具有安全性好、便于操作、检测效率高、实用性好、检测准确度高的优点。

Description

一种判断车底是否改装的检测方法

技术领域

本发明涉及车辆安检技术领域，具体是一种判断车底是否改装的检测方法。

背景技术

车辆行驶安全是我们一直强调的问题，但随着社会的高速发展，各种关于车辆的改装已经是一种很普遍的现象了，车辆的改造会造成各种安全隐患，容易引发安全事故；改装后的车底藏匿由于隐蔽性强、检查难度大、漏检情况多以且有可能造成对公众的危害，与此同时进出口的贸易不断增强，不法分子或者恐怖分子在改装后的车底携带危险物品已经是很常见的事情，在一些区域这类现象越发普遍,并且现象日益严重。

为了有效阻止此上诸类事件的发生，以往都是通过相机拍摄获取车底的可见光图像，来判断车底是否改装，这需要监控人员对电脑屏幕中的车底图像进行判断，由于长时间的屏幕监视会导致监控人员注意力下降等原因，导致车底检测效率变得低下、准确率降低。

现有的车底检测一般使用机器视觉来进行检测，有车底检测异物的、有车底阴影分割的等方法。但是现有方法的都需要在一定理想情况下如车底很干净，无泥巴污垢等才能实现较好的检测，这是现有车底检测方法普遍存在的缺陷。因此，基于机器视觉来实时检测出车辆底盘是否有改装或者携带危险物品是一个很值得研究的问题。

现有的技术方案中，车底检测已被列入大多数安全检查场合的例行检查项中，传统的车底检测是，利用器械将待检测车辆架高，提高车底底盘的高度，以便于可以清晰地查看才车底各细节部位的具体情况；或者将汽车开上地沟，以方便检查到车辆底部；最直接的方法是检测人员钻到车底下检查，受到客观条件制约，此种方法难度很大；另外使用手持反光镜，智能车机器摄像头等。

现有的技术缺点：效率低，人工操作，耗时耗力；漏检率高，受人员主观判断车辆有无改装等；信息化程度低，车底图像信息实时存储记录有限；人身安全保障差，需要近距离贴近车辆进行操作，容易造成检查人员安全事件。

发明内容

本发明的目的是针对现有技术的不足，而提供一种判断车底是否改装的检测方法。这种方法具有安全性好、便于操作、检测效率高、实用性好、检测准确度高的优点。

实现本发明目的的技术方案是：

一种判断车底是否改装的检测方法，与现有技术不同的是，包括如下步骤：

1)获取车底图像：采用检测车底改装专用设备中的工业相机对待检车辆车底进扫描拍照，获取待检车辆车底图像，所述检测车底改装专用装置包括工控机和与工控机连接的网络摄像机及工业相机；

2)对车底图像进行预处理：预处理包括如下步骤：

(1)依据公式(1)对步骤1)获取的车底图像进行直方图均衡化，所述直方图均衡化为：设D_m为车底图像灰度级的最大值，S为图像的面积即总像素数，H(u)为图像中具有u灰度值的像素总数，f(D)即为不同灰度级对应的直方图大小，则直方图均衡化通过公式(1)实现：

(2)将直方图均衡化处理后的图像进行同态增晰处理，即先用Daubechies4小波对直方图均衡化处理后的车底图像，进行二层分解，分别对一层和二层分解，对一层二层分解后得到低频和高频，用f(x，y)表示未进行二层分解的图像，则Daubechies4小波进行二层分解的原理可表示为公式(2)：

f(x，y)＝f_i(x，y)·f_r(x，y) (2)，

则在直方图均衡化处理后的车底图像W(u，v)中，物体的轮廓整体信息集中在低频段w_i(u，v)，而细节、边缘、纹理都集中在高频段W_r(u，v)，其中，u，v分别表示横、纵坐标，如公式(3)：

W(u，v)＝w_i(u，v)·W_r(u，v) (3)，

将直方图均衡化处理后的车底图像，用W(u，v)表示，分解成低频w_i(u，v)和高频W_r(u，v)，对低频段和高频段分别乘上同态滤波函数H(u，v)，得到在高频段和低频段的车底图像G(u，v)，公式分别为公式(4)、(5)和(6)：

G(u，v)＝W(u，v)·H(u，v) (4)，

G(u，v)＝u²+v²低频 (5)，

G(u，v)＝u^1/2+v^1/2高频 (6)，

重构出增强的车底图像；

(3)对步骤(2)得到的增强后的车底图像进行图像平滑去噪：首先对增强后的车底图像进行中值滤波，中值滤波即是去一个N*N的移动窗口，该窗口内部含有奇数数目像素，去窗口之后，将窗口中各像素点的灰度值按强度大小排序，并选用中间数据来代替窗口中的N*N个像素点灰度值，完成中值滤波后，对中值滤波后的图像进行线性函数转换，完成归一化操作，转换成标准模式，得到预处理之后的图像，其中，线性函数转换表达式如公式(7)：

y＝(x-MinValue)/(MaxValue-MinValue) (7)，

x、y分别为转换前、转换后的值，MaxValue、MinValue分别为样本的最大值和最小值；

3)计算边缘梯度差、标记出梯度差较大的区域：根据步骤2)得到的图像，采用以二阶导数为基础的边缘检测拉普拉斯算子，通过寻求二阶导数中的过零点来检测预处理后图像的边缘，假定拉普拉斯算子为二阶微分算子，利用边缘点处的二阶导函数出现零交叉的原理检测预处理后图像的边缘，车底图像的拉普拉斯算子表达式为公式(8)：

采用查分方程对x和y方向上的二阶偏导数近似为公式(9)：

用j-1替换j，得到公式(10)：

公式(10)是以点(i，j)为中心的二阶偏导数近似表达式，同理可得公式(11)：

公式(10)和公式(11)相加可得到所求车底图像的拉普拉斯算了

为公式(12)：

并将梯度差较大的地方标记出来，作为重点观察区域；

4)相似度计算：将步骤2)预处理后的车底图像与数据库中与之相对应型号的车底图像进行匹配并计算相似度，车底图像相似度计算是采用基于深度特征分析的双线性图像相似度匹配的方法，包括如下步骤：

(1)特征提取：将车底图像数据集在卷积神经网络模型上进行微调训练，利用训练好的卷积神经网络对图像进行特征提取，所述特征包括车辆底部装置的大小、形状、轮廓以及车底图像的边缘特征，并获得全连接层输出的图像内的物体轮廓细节特征，其中，卷积层提取的特征x_j过程如公式(13)：

其中，l表示层数，k表示由l层到l+1层要产生的特征的数量，b表示偏置，M_i表示选择的输入特征图的集合，f是激活函数采用非线性激活函数(Recitified linear Unit，简称Relu)，Relu定义为公式(14)：

f(x_i)＝max(0，x_i) (14)，

训练好的的卷积神经网络中池化层是在卷积特征提取的基础上，对每个卷积得到的特征进行取平均；

(2)比较：根据实际情况，设置大小相似度阈值，相似度与设置阈值比较，最终判断出车辆是否进行了改装，双线性相似性度量通过学习到一个成对的相似性函数S，输入p_i、p_j是两个图片的特征向量，输出的是两个样本相似度，S函数表示如式(15)(16)：

其中，W是学习矩阵，p为要比对的图像样本，||·||_Fro是Frobenius范数，也称为L₂范数，p假设三个样本为一组，分别是(P_i，P_i ⁺，P_i ^-)，其中，P⁺、P^-是同一类样本，而P、P^-是不同类的样本，S_w为相似性函数，在第i次迭代中，Wⁱ是权衡两部分的效果：一部分是与前一次W^i-1要尽可能靠近，另一部分是损失函数要小，参数C用于控制两部分的权衡效果，其中，双线性相似性度量算法为：

初始化W＝W⁰，设置迭代次数n，重复下面迭代过程，表示如式(17)-(20)：

a.随机挑选三张图片P，P⁺，P^-满足S_w(P_i，P_i ⁺)＞S_w(P_i，P_i ^-) (17)，

b.更新Wⁱ＝W^i-1+λ_iVⁱ (18)，

其中，

Vⁱ＝[P_i ^l(P_k ⁺-P_k ^-)，...，P_i ^d(P_k ⁺-P_k ^-)]^T (20)，

c.直到达到迭代次数n为止，得到W矩阵；

其中

为损失函数，即铰链损失，λ_i为相似性损失项的最小值，Vⁱ为样本特征相似性度量的转置矩阵，通过公式(15)计算图像间的相似度值S，值的大小表示图像的相似度，值越大，图像间的相关性越大，反之相关性越小；

5)得出结果：依据步骤4)得到的相似性函数值S与设置相似度阈值进行比较，当相似性函数值S小于所设置相似度阈值时，视为待检车辆进行了车底改装处理，并观测步骤3)中得到的车底图片的重点观察区域，从中进一步确定出发生车底改装的可能区域，反之，当相似性函数值S大于所设置相似度阈值时，则视为待检车辆未进行了车底改装处理，根据此规则得出车辆底部是否进行了改装。

这种方法具有安全性好、便于操作、检测效率高、实用性好、检测准确度高的优点。

附图说明

图1为实施例方法的流程示意图。

具体实施方式

下面结合附图和实施例对本发明内容做进一步的阐述，但不是对本发明的限定。

实施例：

参照图1，一种判断车底是否改装的检测方法，包括如下步骤：

1)获取车底图像：采用检测车底改装的专用设备中的工业相机对待检车辆车底进扫描拍照，获取待检车辆车底图像，本例检测车底改装的专用装置包括型号为研华IPC-5120工控机和与工控机连接的型号为DH-ITC215-PU1B-Z网络摄像机及型号为EV71YClMCL2010-BA1工业相机；

2)对车底图像进行预处理：预处理包括如下步骤：

(1)依据公式(1)对步骤1)获取的车底图像进行直方图均衡化，所述直方图均衡化为：设D_m为车底图像灰度级的最大值，S为图像的面积即总像素数，H(u)为图像中具有u灰度值的像素总数，f(D)即为不同灰度级对应的直方图大小，则直方图均衡化通过公式(1)实现：

(2)将直方图均衡化处理后的图像进行同态增晰处理，即先用Daubechies4小波对直方图均衡化处理后的车底图像，进行二层分解，分别对一层和二层分解，对一层二层分解后得到低频和高频，用f(x，y)表示未进行二层分解的图像，则Daubechies4小波进行二层分解的原理可表示为公式(2)：

f(x，y)＝f_i(x，y)·f_r(x，y) (2)，

则在直方图均衡化处理后的车底图像W(u，v)中，物体的轮廓整体信息集中在低频段w_i(u，v)，而细节、边缘、纹理都集中在高频段W_r(u，v)，其中，u，v分别表示横、纵坐标，如公式(3)：

W(u，v)＝w_i(u，v)·W_r(u，v) (3)，

将直方图均衡化处理后的车底图像，用W(u，v)表示，分解成低频w_i(u，v)和高频W_r(u，v)，对低频段和高频段分别乘上同态滤波函数H(u，v)，得到在高频段和低频段的车底图像G(u，v)，公式分别为公式(4)、(5)和(6)：

G(u，v)＝W(u，v)·H(u，v) (4)，

G(u，v)＝u²+v²低频 (5)，

G(u，v)＝u^1/2+v^1/2高频 (6)，

重构出增强的车底图像；

(3)对步骤(2)得到的增强后的车底图像进行图像平滑去噪：首先对增强后的车底图像进行中值滤波，中值滤波即是去一个N*N的移动窗口，该窗口内部含有奇数数目像素，去窗口之后，将窗口中各像素点的灰度值按强度大小排序，并选用中间数据来代替窗口中的N*N个像素点灰度值，完成中值滤波后，对中值滤波后的图像进行线性函数转换，完成归一化操作，转换成标准模式，得到预处理之后的图像，其中，线性函数转换表达式如公式(7)：

y＝(x-MinValue)/(MaxValue-MinValue) (7)，

x、y分别为转换前、转换后的值，MaxValue、MinValue分别为样本的最大值和最小值；

3)计算边缘梯度差、标记出梯度差较大的区域：根据步骤2)得到的图像，采用以二阶导数为基础的边缘检测拉普拉斯算子，通过寻求二阶导数中的过零点来检测预处理后图像的边缘，假定拉普拉斯算子为二阶微分算子，利用边缘点处的二阶导函数出现零交叉的原理检测预处理后图像的边缘，车底图像的拉普拉斯算子表达式为公式(8)：

采用查分方程对x和y方向上的二阶偏导数近似为公式(9)：

用j-1替换j，得到公式(10)：

公式(10)是以点(i，j)为中心的二阶偏导数近似表达式，同理可得公式(11)：

公式(10)和公式(11)相加可得到所求车底图像的拉普拉斯算子

为公式(12)：

并将梯度差较大的地方标记出来，作为重点观察区域；

4)相似度计算：将步骤2)预处理后的车底图像与数据库中与之相对应型号的车底图像进行匹配并计算相似度，车底图像相似度计算是采用基于深度特征分析的双线性图像相似度匹配的方法，包括如下步骤：

(1)特征提取：将车底图像数据集在卷积神经网络模型上进行微调训练，利用训练好的卷积神经网络对图像进行特征提取，所述特征包括车辆底部装置的大小、形状、轮廓以及车底图像的边缘特征，并获得全连接层输出的图像内的物体轮廓细节特征，其中，卷积层提取的特征x_j过程如公式(13)：

其中，l表示层数，k表示由l层到l+1层要产生的特征的数量，b表示偏置，M_i表示选择的输入特征图的集合，f是激活函数采用非线性激活函数(Recitified linear Unit，简称Relu)，Relu定义为公式(14)：

f(x_i)＝max(0，x_i) (14)，

训练好的的卷积神经网络中池化层是在卷积特征提取的基础上，对每个卷积得到的特征进行取平均；

(2)比较：根据实际情况，设置大小相似度阈值，相似度与设置阈值比较，最终判断出车辆是否进行了改装，双线性相似性度量通过学习到一个成对的相似性函数S，输入p_i、p_j是两个图片的特征向量，输出的是两个样本相似度，S函数表示如式(15)(16)：

其中，W是学习矩阵，p为要比对的图像样本，||·||_Fro是Frobenius范数，也称为L₂范数，p假设三个样本为一组，分别是(P_i，P_i ⁺，P_i ^-)，其中，P⁺、P^-是同一类样本，而P、P^-是不同类的样本，S_w为相似性函数，在第i次迭代中，Wⁱ是权衡两部分的效果：一部分是与前一次W^i-1要尽可能靠近，另一部分是损失函数要小，参数C用于控制两部分的权衡效果，其中，双线性相似性度量算法为：

初始化W＝W⁰，设置迭代次数n，重复下面迭代过程，表示如式(17)-(20)：

a.随机挑选三张图片P，P⁺，P^-满足S_w(P_i，P_i ⁺)＞S_w(P_i，P_i ^-) (17)，

b.更新Wⁱ＝W^i-1+λ_iVⁱ (18)，

其中，

Vⁱ＝[P_i ^l(P_k ⁺-P_k ^-)，...，P_i ^d(P_k ⁺-P_k ^-)]^T (20)，

c.直到达到迭代次数n为止，得到W矩阵；

其中

为损失函数，即铰链损失，λ_i为相似性损失项的最小值，Vⁱ为样本特征相似性度量的转置矩阵，通过公式(15)计算图像间的相似度值S，值的大小表示图像的相似度，值越大，图像间的相关性越大，反之相关性越小；

5)得出结果：依据步骤4)得到的相似性函数值S与设置相似度阈值进行比较，当相似性函数值S小于所设置相似度阈值时，视为待检车辆进行了车底改装处理，并观测步骤3)中得到的车底图片的重点观察区域，从中进一步确定出发生车底改装的可能区域，反之，当相似性函数值S大于所设置相似度阈值时，则视为待检车辆未进行了车底改装处理，根据此规则得出车辆底部是否进行了改装。

Claims (1)

1.一种判断车底是否改装的检测方法，其特征是，包括如下步骤：

1)获取车底图像：采用检测车底改装专用设备中的工业相机对待检车辆车底进扫描拍照，获取待检车辆车底图像，所述检测车底改装专用装置包括工控机和与工控机连接的网络摄像机及工业相机；

2)对车底图像进行预处理：预处理包括如下步骤：

(1)依据公式(1)对步骤1)获取的车底图像进行直方图均衡化，所述直方图均衡化为：设D_m为车底图像灰度级的最大值，S为图像的面积即总像素数，H(u)为图像中具有u灰度值的像素总数，f(D)即为不同灰度级对应的直方图大小，则直方图均衡化通过公式(1)实现：

(2)将直方图均衡化处理后的图像进行同态增晰处理，即先用Daubechies4小波对直方图均衡化处理后的车底图像，进行二层分解，分别对一层和二层分解，对一层二层分解后得到低频和高频，用f(x，y)表示未进行二层分解的图像，则Daubechies4小波进行二层分解的原理可表示为公式(2)：

f(x，y)＝f_i(x，y)·f_r(x，y) (2)，

则在直方图均衡化处理后的车底图像W(u，v)中，物体的轮廓整体信息集中在低频段w_i(u，v)，而细节、边缘、纹理都集中在高频段W_r(u，v)，其中，u，v分别表示横、纵坐标，如公式(3)：

W(u，v)＝w_i(u，v)·W_r(u，v) (3)，

将直方图均衡化处理后的车底图像，用W(u，v)表示，分解成低频w_i(u，v)和高频W_r(u，v)，对低频段和高频段分别乘上同态滤波函数H(u，v)，得到在高频段和低频段的车底图像G(u，v)，公式分别为公式(4)、(5)和(6)：

G(u，v)＝W(u，v)·H(u，v) (4)，

G(u，v)＝u²+v² (5)，

G(u，v)＝u^1/2+v^1/2 (6),

重构出增强的车底图像；

(3)对步骤(2)得到的增强后的车底图像进行图像平滑去噪：首先对增强后的车底图像进行中值滤波，中值滤波即是去一个N*N的移动窗口，该窗口内部含有奇数数目像素，去窗口之后，将窗口中各像素点的灰度值按强度大小排序，并选用中间数据来代替窗口中的N*N个像素点灰度值，完成中值滤波后，对中值滤波后的图像进行线性函数转换，完成归一化操作，转换成标准模式，得到预处理之后的图像，其中，线性函数转换表达式如公式(7)：

y＝(x-MinValue)/(MaxValue-MinValue) (7)，

x、y分别为转换前、转换后的值，MaxValue、MinValue分别为样本的最大值和最小值；

3)计算边缘梯度差、标记出梯度差较大的区域：根据步骤2)得到的图像，采用以二阶导数为基础的边缘检测拉普拉斯算子，通过寻求二阶导数中的过零点来检测预处理后图像的边缘，假定拉普拉斯算子为二阶微分算子，利用边缘点处的二阶导函数出现零交叉的原理检测预处理后图像的边缘，车底图像的拉普拉斯算子表达式为公式(8)：

采用查分方程对x和y方向上的二阶偏导数近似为公式(9)：

用j-1替换j,得到公式(10)：

公式(10)是以点(i,j)为中心的二阶偏导数近似表达式，同理可得公式(11)：

公式(10)和公式(11)相加可得到所求车底图像的拉普拉斯算子

为公式(12)：

并将梯度差较大的地方标记出来，作为重点观察区域；

4)相似度计算：将步骤2)预处理后的车底图像与数据库中与之相对应型号的车底图像进行匹配并计算相似度，车底图像相似度计算是采用基于深度特征分析的双线性图像相似度匹配的方法，包括如下步骤：

(1)特征提取：将车底图像数据集在卷积神经网络模型上进行微调训练，利用训练好的卷积神经网络对图像进行特征提取，所述特征包括车辆底部装置的大小、形状、轮廓以及车底图像的边缘特征，并获得全连接层输出的图像内的物体轮廓细节特征，其中，卷积层提取的特征x_j过程如公式(13)：

其中，l表示层数，k表示由l层到l+1层要产生的特征的数量，b表示偏置，M_i表示选择的输入特征图的集合，f是激活函数采用非线性激活函数(Recitified linear Unit，简称Relu)，Relu定义为公式(14)：

f(x_i)＝max(0，x_i) (14)，

训练好的的卷积神经网络中池化层是在卷积特征提取的基础上，对每个卷积得到的特征进行取平均；

(2)比较：根据实际情况，设置大小相似度阈值，相似度与设置阈值比较，最终判断出车辆是否进行了改装，双线性相似性度量通过学习到一个成对的相似性函数S，输入p_i、p_j是两个图片的特征向量，输出的是两个样本相似度，S函数表示如式(15)(16)：

其中，W是学习矩阵，p为要比对的图像样本，||.||_Fro是Frobenius范数，也称为L₂范数，p假设三个样本为一组，分别是(P_i，P_i ⁺，P_i ^-)，其中，P⁺、P^-是同一类样本，而P、P^-是不同类的样本，S_W为相似性函数，在第i次迭代中，Wⁱ是权衡两部分的效果：一部分是与前一次W^i-1要尽可能靠近，另一部分是损失函数要小，参数C用于控制两部分的权衡效果，其中，双线性相似性度量算法为：

初始化W＝W⁰，设置迭代次数n，重复下面迭代过程，表示如式(17)-(20)：

a.随机挑选三张图片P，P⁺，P^-满足S_W(P_i，P_i ⁺)＞S_W(P_i，P_i ^-) (17)，

b.更新Wⁱ＝W^i-1+λ_iVⁱ (18)，

其中，

Vⁱ＝[P_i ^l(P_k ⁺-P_k ^-)，...，P_i ^d(P_k ⁺-P_k ^-)]^T (20)，

c.直到达到迭代次数n为止，得到W矩阵；

其中

为损失函数，即铰链损失，λ_i为相似性损失项的最小值，Vⁱ为样本特征相似性度量的转置矩阵，通过公式(15)计算图像间的相似度值S，值的大小表示图像的相似度，值越大，图像间的相关性越大，反之相关性越小；

5)得出结果：依据步骤4)得到的相似性函数值S与设置相似度阈值进行比较，当相似性函数值S小于所设置相似度阈值时，视为待检车辆进行了车底改装处理，并观测步骤3)中得到的车底图片的重点观察区域，从中进一步确定出发生车底改装的可能区域，反之，当相似性函数值S大于所设置相似度阈值时，则视为待检车辆未进行了车底改装处理，根据此规则得出车辆底部是否进行了改装。

Images