CN1741037A - 一种全自动汽车清洗中车辆模式识别的方法 - Google Patents

Abstract

本发明提出一种全自动汽车清洗中车辆模式识别方法，包括以下步骤：(1)由一激光器向被测车辆表面不同位置发射光束；(2)由一CCD摄像头采集被测车辆表面不同光点位置反射的激光，然后利用常规方法计算即车辆的深度信息；(3)该CCD摄像头还对被测车辆进行摄像，获得带有被测车辆的标志性特征部分的平面图像；(4)根据被测车辆的标志性特征部分的平面图像，计算被测车辆和数据库中的标准模板图像之间的相似性；(5)如果平面图像相似性较高，比较该车辆的深度信息和该数据库中该标准模板对应的深度信息之间是否吻合，判断被测车辆是否为数据库中某种已有车型或无此车型。应用本发明的技术方案，识别正确率高，容易实现，有助于提高工作效率。

Description

一种全自动汽车清洗中车辆模式识别的方法

技术领域

本发明涉及一种车辆模式识别方法，尤其涉及一种全自动汽车清洗中车辆模式识别的方法。

背景技术

在目前各种自动洗车设备中，由于都是基于磙子毛刷，无须输入车形状、型号信息。在新型清洗方法中，有需要车辆外部轮廓信息的，一般的方法是即时测量或手动输入车辆型号，以从数据库中取得已有的外形轮信息。

现有的物体识别的方法基本采用平面图像处理和识别，受环境条件限制，识别正确率不高。

在实际应用中，绝大部分车辆外部轮廓信息都存储于数据库中，因此需要一种利用现有数据库对车辆型号进行准确识别的方法。

发明内容

本发明的发明目的可以通过车辆平面图像信息和立体信息结合，并对比数据库中相关数据来实现。

本发明提供一种全自动汽车清洗中车辆模式识别方法，包括以下步骤：

(1)由一普通低功率激光器向被测车辆特征表面不同位置发射光束；

(2)由一CCD摄像头采集被测车辆表面不同光点位置反射的激光，然后利用常规方法计算被测车辆表面不同位置和CCD摄像头之间的距离，即车辆的深度信息；

(3)该CCD摄像头还对被测车辆进行摄像，获得带有被测车辆的标志性特征部分的平面图像；

(4)根据被测车辆的标志性特征部分的平面图像，计算被测车辆和存储有标准车辆特征数据的数据库中的标准模板图像之间的相似性；

(5)如果被测车辆标志性特征部分和该数据库中的某个标准模板图像相关性较高，计算该车辆的深度信息和该数据库中该标准模板对应的深度信息之间的相似性，如果这两种深度信息也基本相似，则判断被测车辆为数据库中某种已有车型，否则判断数据库中无此车型。

优选地，在步骤(3)中对被测车辆尾部或头部进行摄像。

优选地，在步骤(3)获得平面图像后还包括对该平面图像进行平滑、对比度增强、边缘提取处理的步骤。

优选地，步骤(2)中利用线性内插值法计算距离的方法获得深度信息，其计算公式为当x_i＜x＜x_i+1时(1≤i≤n)，

z＝z_i+(z_i+1-z_i)(x-x_i)/(x_i+1-x_i)，

其中x，x₁，x₂，…，x_n为激光点在该CCD摄像头横向位置的值和作z，z₁，z₂，…，z_n为这些激光点对应的和该CCD摄像头之间的距离数据。

优选地，步骤(4)中相似性的计算公式为：

$R(i,j)=\frac{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}[S^{i,j}(m,n)\×T(m,n)]}{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{\left[S^{i,j}(m,n)\right]}^2}$

其中R(i，j)为被测车辆和标准模板图像之间的相似性测度，S^i，j(i，j表示位置)代表特征图象，T代表模板图象，m、n代表图象中像素所在行、列序号。

优选地，步骤(5)中相似性的判断方法为：

首先计算差值D(h，k)，

D(h，k)＝G(h，k)-Q(h，k)；

其中h＝1，2，…，H；k＝1，2，…，K；h，k为距离数据在水平和垂直方向的序号；G(h，k)代表车辆特征表面深度数据，Q(h，k)代表步骤(4)中相似性测度较高的标准模板深度数据；

然后，在h·k个差值D(h，k)中寻找彼此相等值最多的数据，如果该数据的个数占整体数据个数的百分比在98％以上，而且其它数据之间的最大差值小于允许误差的话，就认为车辆模式与标准模板深度信息相似；否则，就认为车辆模式与标准模板深度信息不相似。

应用本发明的技术方案，识别正确率高，容易实现，有助于提高工作效率。

附图说明

下面结合附图，对本发明的具体实施作详细描述。

图1本发明的车辆模式识别的流程框图。

具体实施方式

如图1所示，进行车辆模式识别时：

首先，由一普通低功率激光器向被测车辆特定特征区域扫描式发射光束，CCD每隔一定间距采样光点，并计算光点位置。该激光器是现有技术激光测距用的激光器，只要能满足测距功能即可。所用激光器的波长一般440-550nm。在一个优选实施例采用480nm的激光器。

其次，由一CCD(Charge Coupled Device，电荷耦合器件)摄像头采集被测车辆表面不同光点位置反射的激光，然后利用常规方法计算被测车辆表面不同位置和CCD摄像头之间的距离，即车辆的深度信息。车辆的深度信息的常规计算方法包括三角法或插值法等。一般来说，用激光测距前已经对光点位置与实际距离进行了足够多点的标定，利用标定过的光点位置与对应实际标定距离的数据对，利用三角法或插值法，就可根据实测光点位置得到足够精度的实测距离值。在一个优选实施例中采用线性内插值法计算车辆的深度信息。

在标定过程中可以得到激光光点在CCD摄像头横向位置的值x₁，x₂，…，x_n和与其对应的距离数据z₁，z₂，…，z_n。这些数据在标定完成后保存。在实测车辆时，如果得到车辆表面某激光光点p在CCD摄像头上横向位置的值为x，为了得到车辆表面激光点p到CCD摄像头的距离z的数值，可以用下面的公式计算：

当x_i＜x＜x_i+1时(1≤i≤n)，

z＝z_i+(z_i+1-z_i)(x-x_i)/(x_i+1-x_i)；

若x等于x_i，则直接令z＝z_i即可。只要x₁＜x＜x_n，总能根据上式计算出车辆尾部某点的深度信息。

接着，该CCD摄像头还对被测车辆进行摄像，获得带有被测车辆的标志性特征部分的平面图像。一般来讲，被测车辆的标志性特征部分位于车辆的尾部及头部，例如车辆尾部/头部表示车型号的金属字，或尾部上半部表示车型和车系列字号(如富康，ZX，1.6L)等。对于获得的平面图像最好还进行平滑、对比度增强、边缘提取等常规处理。本实施例采用1240×800像素的摄像头。

然后，根据被测车辆的标志性特征部分的平面图像，计算被测车辆和一个存储有标准车辆特征数据的数据库中的标准模板图像之间的相似性。其中，在一个优选实施例中，平面图像相似性的计算公式为：

$R(i,j)=\frac{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}[S^{i,j}(m,n)\×T(m,n)]}{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{\left[S^{i,j}(m,n)\right]}^2}$

其中R(i，j)为被测车辆和标准模板图像之间的互相关相似性测度，S^i，j(i，j表示位置)代表特征图象，T代表模板图象，m，n代表图象中像素所在行、列序号。

最后，如果被测车辆标志性特征部分和该数据库中的某个标准模板图像相似性较高，例如其互相关系数R大于0.95，则认为与模板基本一致，然后，判断该车辆的深度信息和该数据库中该标准模板对应的深度信息之间的相似性，如果两者深度信息相似性，则判断被测车辆为数据库中某种已有车型，否则判断数据库中无此车型。其中，在一个优选实施例中，深度信息相似性的判断方法为：

首先计算差值D(h，k)，

D(h，k)＝G(h，k)-Q(h，k)；

其中h＝1，2，…，H；k＝1，2，…，K；h，k为距离数据在水平和垂直方向的序号；G(h，k)代表车辆特征表面深度数据，Q(h，k)代表R大于0.95的标准模板深度数据；

然后，在h·k个差值D(h，k)中寻找彼此相等值最多的数据，如果该数据的个数占整体数据个数的百分比在98％以上，而且其它数据之间的最大差值小于允许误差的话，就认为车辆模式与标准模板深度信息相似；否则，就认为车辆模式与标准模板深度信息不相似。一般来讲，若距离值以毫米为单位的话，两值相差小于2，即认为两值相等。允许误差一般为5毫米。

一般来讲，用平面图像的互相关相似性测度就可以识别车辆的型号了。但是，在特殊情况下，由于车主或外部的原因，可能车标不全或安装了其它车的车标(如夏利车安装了奔驰的车标)，就会给识别造成困难。这时对应R值较大而R′较小的情况，计算机会提示工作人员，从两个计算结果中进行人工选择。以上平面图像相关性数据结合和深度信息的识别方法的可大大提高自动识别的可靠性，避免由于操作人员不熟悉车型造成的效率降低或输入错误。

应用本发明的车辆模式识别方法，在车辆标志正常时，识别准确率高达98％，可以有效提高工作效率。本发明也具有广泛的应用前景，可以用以具有立体几何特征的许多物体的识别。

Claims (6)

1.一种全自动汽车清洗中车辆模式识别方法，其特征在于，包括以下步骤：

(1)由一普通低功率激光器向被测车辆表面不同位置发射光束；

(2)由一CCD摄像头采集被测车辆表面不同光点位置反射的激光，然后利用常规方法计算被测车辆表面不同位置和CCD摄像头之间的距离，即车辆的深度信息；

(3)该CCD摄像头还对被测车辆进行摄像，获得带有被测车辆的标志性特征部分的平面图像；

(4)根据被测车辆的标志性特征部分的平面特征图像，计算被测车辆和存储有标准车辆特征数据的数据库中的标准模板图像之间的相似性；

(5)如果被测车辆标志性特征部分和该数据库中的某个标准模板图像之间的相似性较高，计算该车辆的深度信息和该数据库中该标准模板对应的深度信息之间的相似性，如果这两个深度信息之间相似性也较高，则判断被测车辆为数据库中某种已有车型，否则判断数据库中无此车型。

2.如权利要求1所述的车辆模式识别方法，其特征在于，在步骤(3)中对被测车辆尾部或头部进行摄像。

3.如权利要求1所述的车辆模式识别方法，其特征在于，在步骤(3)获得平面图像后还包括对该平面图像进行平滑、对比度增强、边缘提取处理的步骤。

4.如权利要求1-3之一所述的车辆模式识别方法，其特征在于，步骤(2)中利用线性内插值法计算距离的方法获得深度信息，其计算公式为，当x_i＜x＜x_i+1时(1≤i≤n)，

z＝z_i+(z_i+1-z_i)(x-x_i)/(x_i+1-x_i)，

其中x，x₁，x₂，...，x_n为激光点在该CCD摄像头横向位置的值和z，z₁，z₂，...，z_n为这些激光点对应的和该CCD摄像头之间的距离数据。

5.如权利要求1-3之一所述的车辆模式识别方法，其特征在于，步骤(4)中相似性的计算公式为：

$R(i,j)=\frac{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}[S^{i,j}(m,n)\×T(m,n)]}{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{\left[S^{i,j}(m,n)\right]}^2}$

其中R(i，j)为被测车辆和标准模板图像之间的互相关相似性测度，S^i，j(i，j表示位置)代表特征图象，T代表模板图象，m，n代表图象中像素所在行、列序号。

6.如权利要求1-3之一所述的车辆模式识别方法，其特征在于，步骤(5)中相似性的判断方法为：

首先计算差值D(h，k)，

D(h，k)＝G(h，k)-Q(h，k)；

其中h＝1，2，...，H；k＝1，2，...，K；h，k为距离数据在水平和垂直方向的序号；G(h，k)代表车辆特征表面实测深度数据，Q(h，k)代表平面图像相似性较高的模板对应车型特征表面深度数据；

然后，在h·k个差值D(h，k)中寻找彼此相等值最多的数据，如果该数据的个数占整体数据个数的百分比在98％以上，而且其它数据之间的最大差值小于允许误差的话，就认为车辆模式与标准模板深度信息相似；否则，就认为车辆模式与标准模板深度信息不相似。

Images