CN110956200A - 一种轮胎花纹相似度检测方法 - Google Patents

Abstract

本发明公开了一种轮胎花纹相似度检测方法，该方法基于模版匹配对轮胎花纹图像进行提取，由改进后的LBP算法与Hash算法相结合，计算花纹相似度。该算法包括以下步骤：对整体轮胎图像进行提取；通过优化后的模版匹配进行轮胎花纹图像提取；获取具有旋转不变性的LBP码；提取图像指纹信息，计算图像相似度；对检测结果偏高的花纹图像进行分割，计算局部相似度，筛选出相似度高的部分。本方法适应性强，无需指定轮胎图像背景，可以准确的提取出轮胎花纹图像，解决了轮胎花纹旋转角度多变、光照不一致等问题。

Description

一种轮胎花纹相似度检测方法

技术领域

本发明属于图像识别领域，具体涉及一种基于模版匹配与LBP算法的轮胎相似度检测算法。

背景技术

在对轮胎花纹进行相似度计算前必须保证轮胎花纹图像的可靠性与准确性。模版匹配是较为原始的模式识别方法，对于一个待识别的图像，在需要将图像中的某一对象进行提取时，模版匹配会在待识别图像中选择与模版图像大小、形状一致的区域与模版图像进行比较选择与模版图像相似度最高的部分，但是轮胎图像主要颜色为黑色，利用原始的模版匹配算法进行轮胎花纹提取会产生较大的误差。

LBP算子以圆形窗口对图像进行有顺序的扫描，得到的8位的LBP码。在图像旋转前后，LBP码会发生改变，进行图像纹理提取时，每一次都选择最小的二进制编码作为该点的像素值。在图像旋转前后，虽然图像原像素点的位置发生了改变，但其进行LBP采样时的最小值始终保持不变。该LBP算法很好的克服了轮胎花纹的旋转问题，但是该算法使用颜色直方图进行相似度检测，而轮胎图像的颜色分布十分集中，对于任意轮胎图像通过颜色直方图进行相似度检测，其相似度都会达到95％左右，无法有效进行图像的区分和提取。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种适应性较强、可以克服轮胎图像颜色分布集中、花纹旋转角度多变、光照不一致等问题的基于模版匹配与LBP算法的轮胎相似度检测方法。

为解决上述技术问题，本发明的一种轮胎花纹相似度检测方法，包括以下步骤：

S1：获取轮胎图像，对其进行滤波处理，去除轮胎表面细小的防滑花纹；

S2：以整体轮胎图像作为模版，对拥有复杂背景的目标轮胎图像通过归一化平方差匹配法进行第一次模版匹配并将匹配结果与图像背景分离，得到整体轮胎图像；

S3：对步骤S2中获取的整体轮胎图像进行HSV颜色提取，将轮胎花纹与轮胎其他部分进行分离，并对其进行边缘提取，以轮胎花纹为模版进行二次模版匹配，在经过处理后图像上确定匹配区域的坐标并返回原图，在原图中截取目标花纹，得到轮胎花纹图像；

S4：对步骤S3中获取的轮胎花纹图像进行LBP码提取，获取具有旋转不变特性的LBP码，获取该LBP码的指纹信息，计算相似度；

S5：对S4中检测相似度高于给定阈值的花纹图像进行分割，对分割后的全部图像分别执行S1-S4进行相似度检测，将相似度最高的局部图像筛选出来。

S2中所述匹配结果为R(x,y)，R(x,y)满足：

其中，T表示模版图像，I表示待对比图像，(x′，y′)，(x，y)分别代表两个图像上的点。

S4所述计算相似度具体为：

采用dHash算法计算二者的汉明距离d，对于边长为m，宽为n的图像，二者相似度sim计算过程如下所示：

本发明的有益效果：

相比于现有技术的缺点，例如：对于光线较暗时获取的图像识别效果较差，能够克服的光照影响有限，并且对于人工依赖较多，很难做到独立提取目标花纹等，本发明针对现有方法的不足进行了优化，优化后的模版匹配算法分为两个阶段，第一阶段通过原模版匹配算法进行整体匹配，第二阶段通过HSV模型，将经过一次模版匹配的待识别图像进行颜色提取，仅保留黑色部分，能够有效的将轮胎花纹与轮胎其他部分分离，将进行颜色提取后的图像进行Sobel边缘检测可以有效的去除干扰，更加突出完整的花纹图像，最后再进行模版匹配。对于LBP算法，用dHash算法代替颜色直方图在该算法中的作用，在有效的降低光照影响的同时保证检测结果的可靠性。本发明方法以模版匹配算法为基础，在轮胎背景复杂时，无需人工干预，只需输入待检测花纹，即可在整体轮胎图像中获得待对比轮胎花纹，在一定程度上克服了轮胎花纹旋转角度多变、光照不均匀的问题，检测结果可靠性较高。

附图说明

图1为第一次模版匹配结果。

图2为HSV颜色提取结果。

图3为边缘检测效果图。

图4为第二次模版匹配结果图。

图5为图像旋转前后LBP码对比图。

具体实施方式

下面结合附图对本发明做进一步说明。

本发明的一种轮胎相似度检测方法基于模版匹配对轮胎花纹图像进行提取，由改进后的LBP算法与Hash算法相结合，计算花纹相似度，该算法包括：对整体轮胎图像进行提取，通过优化后的模版匹配进行轮胎花纹图像提取，获取具有旋转不变性的LBP码，提取图像指纹信息，计算图像相似度，对检测结果偏高的花纹图像进行分割，计算局部相似度，筛选出相似度高的部分。本方法适应性强，无需指定轮胎图像背景，可以准确的提取出轮胎花纹图像，解决了轮胎花纹旋转角度多变、光照不一致等问题。

该算法包括以下步骤：

S1、获取轮胎图像，进行双边滤波处理，去除细小花纹；

S2、以整体轮胎图像为模版，通过归一化平方差匹配法进行第一次模版匹配；

S3、将成将归一化平方差匹配法通过HSV颜色模型与Sobel边缘检测进行优化，以轮胎花纹图像作为模版，进行二次模版匹配；

S4、对S3中获得的轮胎花纹图像进行最小值LBP码提取，获取其指纹信息，计算花纹指纹信息间的汉明距离并计算相似度；

S5、对S4中检测结果过高的花纹图像进行分割，进行局部相似度检测，将相似度过高的部分进行筛选。

如步骤S1所述，由于轮胎表面存在细小的防滑花纹，该防滑花纹对轮胎花纹是否构成侵权影响较小，但对检测结果影响较大，获取轮胎图像后，对轮胎图像进行双边滤波处理，在去除细小的防滑花纹的同时保证轮胎花纹边缘信息的完整。在步骤S1中，没有忽略轮胎表面的细小花纹，去除这些细小花纹提高了检测结果的可靠性与准确性。

如步骤S2所述，以整体轮胎图像为模版，以归一化平方差法进行第一次模版匹配，T表示模版图像，I表示待对比图像，(x′，y′)，(x，y)分别代表两个图像上的点，R表示匹配结果，计算公式如下所示：

如步骤S3所述，对S2中得到的整体轮胎图像进行颜色提取，将轮胎其它部分与花纹进行分离，分离后图像中仅保留轮胎花纹主体部分，但是还存在较多的干扰，对经过HSV颜色提取的轮胎图像进行Sobel边缘检测，经过边缘检测的图像轮胎花纹信息更加突出，对其进行二次模版匹配，在经过处理后图像上确定匹配区域的坐标并返回原图，在原图中截取目标花纹。

如步骤S4所述，对S3中得到的轮胎花纹图像进行最小值LBP码提取，获取该LBP码的指纹信息，采用dHash算法计算二者的汉明距离d，对于边长为m，宽为n的图像，二者相似度sim计算过程如下所示：

在步骤S5中，对于相似度过高的花纹图像进行局部相似度检测。

下面结合图1～图5进行具体说明。

对任意背景轮胎图像如S2所述，进行归一化平方差模版匹配，匹配结果如图1所示。

图2为S2中整体轮胎图像HSV颜色提取效果图，轮胎花纹颜色为黑色，查阅相关资料可获得其HSV颜色空间中的参数范围。可以看出部分花纹由于光照原因在颜色提取后图像信息丢失，在图3中引入了Sobel算子对图二进行边缘检测，突出花纹边缘信息，并对不规则的背景信息有一定的筛选作用。经过HSV颜色提取与Sobel边缘检测处理后的图像进行二次模版匹配，匹配结果如图4所示，在图4中获取匹配花纹的坐标信息，将该信息返回到原图中即得到轮胎花纹图像。

图5为轮胎花纹图像旋转前后，分别进行最小值LBP码提取结果图，可以看出在旋转角度不同的情况下，对图像进行LBP纹理特征提取能够得到一致的结果，可以很好的克服花纹旋转角度不同的问题。

本发明进行轮胎花纹相似度检测时，以模版匹配算法为基础，在轮胎背景复杂时，无需人工干预，只需输入待检测花纹，即可在整体轮胎图像中获得待对比轮胎花纹，在一定程度上克服了轮胎花纹旋转角度多变、光照不均匀的问题，检测结果可靠性较高、适应性更强。

本发明具体实施方式还包括：

本发明包括以下步骤：

S1：获取轮胎图像，对其进行滤波处理，去除轮胎表面细小的防滑花纹；

S2：在待检测图像中提取整体轮胎图像，使得轮胎与复杂背景分离；

S3：对步骤S2中获取的整体轮胎图像进行第二次匹配，对轮胎主体进行颜色提取，并对颜色提取后的图像进行边缘提取，最终得到准确的轮胎花纹图像；

S4：对步骤S3中获取的轮胎花纹图像进行最小值LBP码提取，获取该LBP码的指纹信息，计算相似度；

S5：对S4中检测结果过高的花纹图像进行分割，进行局部相似度检测，将相似度过高的部分进行筛选。

在步骤S1中，选取双边滤波进行处理，在达到去除细小花纹目的的同时保证了边缘信息的完整。

在步骤S2中，选择归一化平方差匹配法进行模版匹配。

在步骤S3中，在获取轮胎花纹图像的HSV颜色参数范围后对S2中获得的整体轮胎图像进行颜色提取，去除参数范围外的部分，并对剩余部分进行Sobel边缘检测，突出边缘信息后进行二次匹配获得准确的轮胎花纹图像。

在步骤S2、S3中，通过HSV颜色模型与Sobel算子对归一化平方差匹配法进行优化，优化后的算法更加适用于轮胎花纹的提取。在进行第一次轮胎整体图像提取后，对轮胎图像中黑色部分进行HSV颜色提取，并对提取后的图像进行Sobel边缘检测，最后对轮胎花纹图像进行二次匹配。

在步骤S4中，对在S3中获得的轮胎花纹图像选择具有旋转不变性的最小值LBP算法进行纹理特征提取，并选择dHash算法代替原始的颜色直方图法进行相似度计算。

在步骤S5中，对检测结果过高的轮胎花纹进行区域分割，分割后进行二次检测，筛选出相似度高的部分。

Claims (3)

1.一种轮胎花纹相似度检测方法，其特征在于，包括以下步骤：

S1：获取轮胎图像，对其进行滤波处理，去除轮胎表面细小的防滑花纹；

S2：以整体轮胎图像作为模版，对拥有复杂背景的目标轮胎图像通过归一化平方差匹配法进行第一次模版匹配并将匹配结果与图像背景分离，得到整体轮胎图像；

S3：对步骤S2中获取的整体轮胎图像进行HSV颜色提取，将轮胎花纹与轮胎其他部分进行分离，并对其进行边缘提取，以轮胎花纹为模版进行二次模版匹配，在经过处理后图像上确定匹配区域的坐标并返回原图，在原图中截取目标花纹，得到轮胎花纹图像；

S4：对步骤S3中获取的轮胎花纹图像进行LBP码提取，获取具有旋转不变特性的LBP码，获取该LBP码的指纹信息，计算相似度；

S5：对S4中检测相似度高于给定阈值的花纹图像进行分割，对分割后的全部图像分别执行S1-S4进行相似度检测，将相似度最高的局部图像筛选出来。

2.根据权利要求1所述的一种轮胎花纹相似度检测算法，其特征在于：S2中所述匹配结果为R(x,y)_，R(x,y)满足：

其中，T表示模版图像，I表示待对比图像，(x′，y′)，(x，y)分别代表两个图像上的点。

3.根据权利要求1所述的一种轮胎花纹相似度检测算法，其特征在于：S4所述计算相似度具体为：

采用dHash算法计算二者的汉明距离d，对于边长为m，宽为n的图像，二者相似度sim计算过程如下所示：

Images