JP4942510B2

JP4942510B2 - 車両画像認識装置およびその方法

Info

Publication number: JP4942510B2
Application number: JP2007043722A
Authority: JP
Inventors: シゥエジウォン; レソン
Original assignee: Alpine Electronics Inc
Current assignee: Alpine Electronics Inc
Priority date: 2006-02-28
Filing date: 2007-02-23
Publication date: 2012-05-30
Anticipated expiration: 2027-02-23
Also published as: CN101030259A; JP2007235951A; CN101030259B

Description

本発明は、車両画像認識装置およびその方法に関し、特に車両画像識別用のSVM（サポートベクタマシン：Support Vector Machines）分類器を用いて車両画像を認識する車両画像認識装置およびその方法に関する。

車両画像識別装置に採用されるSVM分類器は、統計的学習理論における学習方法に基づいて生成されて画像識別に使用され、構造が簡単で一般化の能力が強い利点がある(非特許文献1,2)。
従来の車両画像識別においてSVM分類器で車両画像識別を行う場合、図１に示すように、(1)学習過程においてマニュアルで選択された車両学習サンプル1及び背景サンプル2を用いて学習を行ってSVM分類器3を生成し、しかる後、(2)識別過程において、各種の車両特徴（例えば車の下影、車の水平エッジ、車の垂直エッジ及び車の対称性などの特徴）に基づいて撮影画像から切り取られた所定画像領域ROI（関心領域：Region of Interest）４の画像に対して、(1)の学習過程で取得されているSVM類器を適用して車両の分類識別を行って結果を出力する。

車両画像識別に際しては、運転道路上の車両の型、色、自車との距離を識別するだけでなく、自車の運転方向との角度が異なる車両を識別したり、背景、照明及び天気の異なる車両を識別する必要があり、SVM分類器3を生成するための学習サンプルの分布範囲が非常に広くなる。すなわち、学習サンプルの種類や数が非常に多くなる。このため、従来のように単一のSVM分類器だけでサンプルの特徴を分類し、該分類結果に基づいて識別するためには、学習サンプル集が膨大になり、しかも、単一のSVM分類器で分布の複雑なサンプルを区分することは難しい。このため、識別率が低く、例えば、単一のSVM分類器で明暗混合した車両を識別する場合に、暗い車両の識別効果が悪くなり、一方、分類識別用のサポートベクタの数が多すぎて、分類器の学習時間と識別処理用時間が長すぎるようになり、リアルタイム性が悪い問題が発生する。
"Preceding Vehicle Recognition Based on Learning From Sample Images" Takeo Kato, Yoshiki Ninomiya、and Ichiro Masaki, IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOl.3, No. 4, December 2002, page 252-260 "Quantized Wavelet Features and Support Vector Machines for On-Road Vehicle Detection" Zehang Sun, George Bebis and Ronald Miller, Seventh International Conference on Control, Automation, Robotics And Vision, Dec 2002, Singapore, page 1041-1046

以上より、本発明の目的は、SVM分類器を採用する場合であってもSVM分類器の学習時間を短縮させ、しかも車両画像識別の識別率及びリアルタイム性を向上させることができる車両画像認識装置およびその方法を提供することである。

・車両画像認識方法
上記課題を解決するために、本発明はSVM分類器を用いて車両画像を認識する車両画像認識方法であり、多種類の車両認識特徴に基づいて学習サンプルを分類するステップ、前記学習サンプルの車両認識特徴に対応するSVM分類器に該学習サンプルを用いて学習させるステップ、車両画像認識を行う時、認識しようとする画像が備える特徴を抽出するステップ、該認識しようとする画像をこの特徴に対応するSVM分類器に割り当てるステップ、該SVM分類器を用いて車両画像を認識するステップを有することを特徴とする。
前記多種類の車両認識特徴は、水平線特徴、垂直線特徴、輝度、色、コントラストを含む。
前記認識しようとする画像の特徴の抽出は、認識しようとする画像の特定の領域に対して行われる。
前記認識しようとする画像が複数の車両認識特徴を有する場合、該画像を各特徴に対応する各SVM分類器に割り当てる。
学習サンプルが所定の車両認識特徴の条件を満たすか否か判断し、満たす場合には該学習サンプルを用いて該車両認識特徴に対応するSVM分類器に学習させる。
前記所定の車両認識特徴の条件は、水平エッジ数、垂直エッジ数、画像輝度、画像コントラスト、画像の色を含む。

・車両画像認識装置
本発明は車両画像を認識する車両画像認識装置であり、各車両認識特徴に対応して設けられ、学習サンプルの車両認識特徴によって予め学習を行う複数のSVM分類器、多種類の車両認識特徴に基づいて学習サンプルを分類し、該学習サンプルの車両認識特徴に対応するSVM分類器に該学習サンプルを割当てる割り当て手段、認識しようとする車両及び背景を撮像する撮像手段、前記撮像手段で撮像した画像より車両認識特徴を抽出して、該画像を該車両認識特徴に対応のSVM分類器に割り当てる割当手段を備え、認識しようとする画像が備える特徴に従って割り当てられた前記SVM分類器は、該認識しようとする画像の車両画像認識を行う。

本発明によれば以下の技術効果が奏せられる。
(1)車両識別率を向上させることができる。
本発明は、車両サンプルの車両認識特徴に基づいて分類処理を行って学習および認識を行うことによって、複雑なサンプル分布の問題を複数の比較的に簡単なサンプル分布の問題に分解する。この結果、本発明によれば、従来の方法に比べると、車両の車両認識特徴をよりよく反映したSVM分類器を作成して画像識別でき、暗い車両に対する識別は、従来方式より明らかに改善し、全体的な識別率を大きく向上できる。
(2)リアルタイム性を向上させることができる。
本発明は、学習サンプルを該サンプルの有する車両認識特徴を用いて分類し、該車両認識特徴に対応するSVM分類器に該学習サンプルを用いて学習させる。これにより、本発明によれば、学習サンプル数を少なくでき、またサポートベクタ数を大幅に低下できる。SVM分類器が分類識別を行うための時間は主にサポートベクタ数に依存するため、その数が少なくなるほど、分類識別を行うための時間が少なくなるので、分類識別のリアルタイム性を向上できる。
(3)適応性を向上させることができる。
本発明は、学習サンプルを該サンプルの有する車両認識特徴を用いて分類し、該車両認識特徴に対応するSVM分類器に該学習サンプルを用いて学習させるため、異なる照明、天気及び道路であっても、識別率を大きく向上することができる。

（Ａ）本発明の概略
本発明は、図２に示すように、複数の車両認識特徴C1〜CNに対応させて予め学習を行うSVM分類器SVM1〜SVMNを設けておく。そして、サンプル割当手段SALは車両が既知の学習サンプルSSMLを車両認識特徴により分類し、該サンプルを該車両認識特徴に対応するSVM分類器に割り当て、該SVM分類器に該学習サンプルを用いて学習させる。上記の車両認識特徴としては、たとえば、(１)水平線特徴(水平線分布あるいは水平エッジの数や位置、長さ)、(２)垂直線特徴(垂直線あるいは垂直エッジの数や位置、長さ)、(３)輝度分布、(４)色分布、（５）コントラストが考えられる。
学習は、たとえば、図３に示すように、サンプル画像から車両を含む画像領域ROIを切り取り、該ROI画像のサイズをm×mの規定サイズになるよう縮小または拡大し、該規定サイズのROI画像をラスタースキャンし、ラスタースキャン結果に基づいて特徴ベクトルを作成する。たとえば、走査線毎に所定輝度以上の画素数を表現する輝度ベクトルx=(n₁,n₂,…,ｎ_m)、あるいは、走査線毎に水平エッジの有無、長さを示す特徴ベクトルなどを作成する。
車両画像認識を行う際は、図４に示すように、画像割当手段IMALが、車両を含む所定画像領域ROIの画像より車両認識特徴C1〜CNを抽出して、該画像を該車両認識特徴に対応のSVM分類器SVM1〜SVMNに割り当てる。画像が割り当てられたSVM分類器は、学習結果に基づいて該認識しようとする画像の車両画像認識を行い、認識結果を出力する。たとえば、SVM分類器は所定画像領域ROIの画像に対して学習時と同様の処理を行って特徴ベクトルを作成し、この特徴ベクトルと保存してある各特徴ベクトルと比較して車両を識別する。なお、１つの画像領域ROIの画像が複数の特徴条件に合致すれば、対応の各SVM分類きに割り当て、得られた結果を判定して、識別結果を出力する。

（Ｂ）車両画像認識装置
本発明の車両画像識別装置は、図５に示すように、入力画像を取得する撮像装置１０と、ノイズなどを除去する画像前処理装置１１と、撮影画像から関心領域(Region of Interest) ROI、たとえば車両画像を含む所定画像領域を取得する画像分割装置１２と、画像領域ROIの画像が有する車両識別特徴、例えば水平線特徴、垂直線特徴、輝度、色及びコントラストなどに基づいて、画像領域ROIの画像を所定のSVM分類器SVM1〜 SVMNに割り当てる割当装置と１３、前記各種の車両識別特徴に対応する複数種のSVM分類器を備えた分類装置１４と、SVM分類器の出力結果を裁定し、対応の画像領域ROIに含まれる画像が車両であるか、又は背景であるかを決定する裁定装置１５と、具体的な識別結果、例えば車両又は背景を出力する出力装置１６を備えている。
以下、本発明に係る車両識別特徴に従ってSVM分類器を分類し,学習させる過程を具体的に説明する。本発明の実施の形態において、輝度、コントラスト、色、水平エッジ、垂直エッジなどの特徴によって分類する方式を提案する。しかし、本発明はこれに限られなく、本発明の実施の形態は、本発明の主旨を逸脱しない範囲内に、各種の変形及び切換えを行うことができる。

（Ｃ）実施例１
図６および図７は第1実施例の学習処理フローおよび車両画像認識処理フローである。第1実施例では、はサンプル画像の水平エッジと垂直エッジの特徴を用いて対応のSVM分類器SVM7~SVM10(図６)に学習させ、画像領域ROIに含まれる画像が有する水平エッジと垂直エッジの特徴に応じたSVM分類器を用いて画像認識を行わせる場合について説明する。なお、水平エッジと垂直エッジに限らず輝度、コントラスト、色に着目して学習、識別することができることは勿論である。
認識しようとする車両又は背景には複数の水平エッジ及び垂直エッジ（水平線及び垂直線）がある。車両サンプル及び背景サンプルについて垂直線／水平線の数を抽出する方法は、差分法、境界演算子又はその他の方法があるが、本発明では、差分法で垂直線／水平線の特徴を抽出することを例として、以下に説明する。

まず、画像領域ROIのサンプル画像を階調図に変換する。処理しようとするサンプル階調画像が合計ｎ行であると仮定し、図８に示すように各行毎に下から上へ「１」から番号を付ける。そして、ｋ（便宜に説明するために、３≦ｋ≦９と設定する）行ごとに１つの領域を構成し、２行目〜ｋ+１行目からなる領域をR1で示し、３行目〜ｋ+２行目からなる領域をR2で示し、…、ｋ+２行目〜２ｋ+１行目からなる領域をRk+1で示し、…ｓ+１行目〜ｓ+ｋ行目からなる領域をRsで示し、合計ｓ個の領域があるものとする。
Ｒ１領域から考察し、領域R1における第１行目について、最左の第１の画素点(着目画素点)から、第２行目における対応の画素点との階調差分演算を行い、差演算の結果dが設定値d₁（ここで、例えば、８≦d₁≦１６と設定する）より大きければ、着目画素は明から暗になる画素点としてカウントし（Ncd=Ncd+1, Ncdの初期値はゼロ）、差演算の結果dが設定値d₂（ここで、例えば、−１６≦d₂≦−８と設定する）より小さければ、それを暗から明になる画素点としてカウントする（Ndc=Ndc+1, Ndcの初期値はゼロ）。以後、着目行における次の画素点の差演算および上記カウントを引き続き行う。着目行における明から暗になる画素点数Ncd及び暗から明になる画素点数Ndcの最大値が設定値d₃（ここで、例えば画像の１行の画素点の数の35％〜60％をｄ₃とする）より大きければ、着目行は水平線であると認められ、それを水平線の数Nhとしてカウントし、次に領域Rk+1領域に転換して、領域Ｒ１と同様の上記処理を行って水平線の考察、カウントを行う。一方、前記の最大値が設定値d₃より小さければ着目している行は水平線でないとして、領域R1の次の領域R2に変更して上記処理を繰り返す。

抽出した水平線の数Nhが設定の範囲値d₄（ここで、例えば、d₄⊆［３，６］と仮定する）内であれば(３≦Nh≦６)、候補小型車両サンプルであると認められ、それを水平特徴学習サンプル集１としてSVM分類機（SVM7）に割り当て、さもなければ、他の候補車両サンプルであると認められ、水平特徴学習サンプル集２としてSVM分類機（SVM8）に割り当てる。その後、水平特徴学習サンプル集１を用いてSVM分類器（SVM7）を学習させ、水平特徴学習サンプル集２を用いてSVM分類器（SVM8）を学習させる。すなわち、SVM7、SVM8は車両に対応させて水平線特徴（水平線分布あるいは水平エッジの数や位置、長さ）を学習し、学習結果を記憶する。

一方、学習サンプルについて垂直線の数を判断して垂直線を抽出する方法は、水平線と類似する方法、例えば、差分法を用いて垂直線の抽出を行うことができる。垂直線の抽出は、たとえば、以下の三つのステップを含む。即ち、第１のステップは、学習画像を階調図に変換し、階調図の下半部において垂直線を抽出する領域Regionを確定し、第２のステップで、領域Regionの左半部に対して左から右に向かう順序で前記水平線を抽出する差分法と類似する過程で最左の垂直線を抽出し、第３のステップは、領域Regionの右半部に対して右から左に向かう順序で前記水平線を抽出する差分法と類似する過程で最右の垂直線を抽出する。車両下の陰の領域で垂直線を抽出するのは非常に難しいため、該領域を垂直線抽出対象領域から除外する必要がある。そこで、第1ステップにおいて垂直線抽出対象領域である領域Regionを決定する。
図９を参照すると、Regionを確定する方法は以下の通りである。サンプル画像をｍ行、ｎ列とし、各行毎に下から上へ「１」から番号を付け、まず、１行目から考察し、階調値が設定値ｄ₅（例えば、４≦ｄ₅≦７と設定する）より小さい１行目の暗い画素点の数dを求め、該画素数dがある値ｄ₆（例えば、２０≦ｄ₆≦５０）より大きければ、着目行はサンプル画像底部の暗い領域の下エッジであると認定する。しかし、前記条件を満たさなければ、２行目から、順次に上向かってｋ（ｋ＝ｍ／２）行目までを比較し、いずれも満たさなければ、d₅の値を２d₅に調整し、依然として満たさなければ、d₅の値を３d₅、…、20d5まで調整する。

サンプル画像底部の暗い領域の下エッジが見つかれば、該下エッジをｉ（１≦ｉ＜ｋ）行目であるとし、d₅の値を、例えば２d₅に設定し、ｉ+１行目から、前記と類似する考察過程を行い、ある行（ｊ＋１）の画素点の階調値が２d₅より大きい数cが設定値より大きければ、ｊ行がサンプル画像底部の暗い領域の上エッジであると判定し、ｉ〜ｊからなる車下陰領域を除外し、j＋１〜kの領域を垂直線抽出対象領域でRegionとして決定する。

次に、第２のステップと第３のステップに進み、最後に得られる垂直線の数が１以上２以下であれば、垂直特徴学習サンプル集１としてSVM分類機（SVM9）に割り当て、さもなければ、垂直特徴学習サンプル集２としてSVM分類機（SVM10）に割り当てる。その後、垂直特徴学習サンプル集１でSVM分類器（SVM9）を学習させ、垂直特徴学習サンプル集２でSVM分類器（SVM10）を学習させる。すなわち、SVM9、SVM10は車両に対応させて垂直線特徴（垂直線分布あるいは垂直エッジの数や位置、長さ）を学習し、学習結果を記憶する。
分類識別時には、画像領域ROIの画像の水平特徴及び垂直特徴を判定し、該画像が水平特徴を有するのか、垂直特徴を有するのかに応じて所定のSVM分類器に割り当て、該SVM分類器は学習結果に基づいて画像認識を行う。１つの画像領域ROIが複数の特徴条件（例えば、４つの水平線、２つの垂直線を有する）を満たす場合には、それらを対応の複数のSVM分類器に割り当て、その後、得られた結果を裁定する。裁定の方法は、信頼度に基づいて判断する方法、又は投票法を含み、最終的に識別結果を出力する。信頼度に基づく方法は、垂直特徴と水平特徴のうち特徴条件を満たす程度により識別結果に重み付けして識別する。

（Ｄ）実施例２
実施例２においては、画像の輝度、あるいはコントラスト、あるいは色の特徴を用いて、対応の分類器（SVM1-SVM6）を学習させる。
図１０は画像の輝度の特徴を用いて対応の分類器を学習させる処理フローである。
まず、学習サンプル画像について明、暗（輝度）を判断する。その判断方法は、画像全体の階調値の平均値又は画像における画素点の階調値を用いて行うことができる。本発明では、画像における画素点の階調値に基づいて判断を行うものであり、サンプル画像を階調図に変換し(ステップ１０１)、次に、階調値が設定値ｄ₈（例えば、６０≦ｄ₈≦１００と設定する）より小さい画素点の数を統計し(ステップ１０２)、前記条件を満たす画素点の数が画像全体の画素点の数に占める百分率が設定値ｄ₉（例えば０．５＜ｄ₉≦０．８と設定する）より大きければ、学習サンプル画像が輝度の低いサンプルであると判定し(ステップ１０３，１０４)。さもなければ、輝度の高いサンプルであると判定する（ステップ１０３，１０５)。最後に、輝度の低いサンプルであれば低輝度に応じたSVM分類器（図６のSVM１）に学習させ(ステップ１０６)、輝度の高いサンプルであれば高輝度に応じたSVM分類器（SVM２）に学習させる(ステップ１０７)。すなわち、SVM1、SVM2は車両に対応させて輝度分布を学習し、学習結果を記憶する。

以上は、画像の輝度の特徴を用いて対応の分類器を学習させる処理フローであるが、コントラストの特徴を用いて対応の分類器を学習させることもできる。まず、学習サンプルについてコントラストが高いか又は低いかを判断する。その判断方法は、画像における画素点の階調値に基づいて判断を行う。即ち、画像全体の階調値の平均値を求め、画素点毎に輝度と平均値を比較し、その差が設定範囲値d₁₀（例えば、d₁₀⊆［−５，５］と仮定する）内にある画素点数が、画像全体の画素点数Pに占める所定割合d₁₁（例えば0.5×P＜ｄ₁₁≦0.8×Pと設定する）より大きければ、コントラストが低いと判断し、対応のサンプルを低コントラスト学習サンプル集として割り当てる。さもなければ、コントラストが高いと判断し、対応のサンプルを高コントラスト学習サンプル集として割り当てる。最後に、低コントラスト学習サンプル集を用いてSVM分類器（SVM3）を学習させ、高コントラスト学習サンプル集を用いてSVM分類器（SVM4）を学習させる。SVM３、SVM４は車両に対応させてコントラストを学習し、学習結果を記憶する。

以上は、画像の輝度、コントラストの特徴を用いて対応の分類器を学習させる処理フローであるが、色の特徴を用いて対応の分類器を学習させることもできる。すなわち、学習サンプルの色について黒色、非黒色を判断する。その判断方法は、HSI色空間（Hue-Saturation-Intensity、色相―飽和度―強度）において、サンプル画像中のHSIの三つの成分におけるI成分の値が設定の範囲値d₁₂（例えば、d₁₂⊆（０，０．５５）と仮定する）を満たすと、黒色のサンプルであると判定し、それを黒色学習サンプル集として割り当て、さもなければ、非黒色学習サンプル集として割り当てる。最後に、黒色学習サンプル集を用いてSVM分類器(SVM5)を学習させ、非黒色学習サンプル集を用いてSVM分類器(SVM6)を学習させる。SVM５、SVM６は車両に対応させて飽和度分布を学習し、学習結果を記憶する。

分類識別に際しては、画像領域ROIの画像について輝度、コントラスト及び色の特徴を判定した後、該画像が有する特徴に基づいて該画像を対応のSVM分類器に割り当てる。１つのROIの画像は、複数の特徴の条件（例えば、暗く、かつ黒色である）を満たすと、該画像をそれぞれ対応のSVM1とSVM5に割り当て、それぞれより得られた結果に基づいて裁定を行う。裁定の方法は、信頼度に基づいて判断する方法、又は投票法を含み、最終的に識別結果を出力する。

従来のSVM分類器を用いて車両画像識別を行う場合の概略処理フローである。本発明の車両画像識別において、学習サンプルの有する条件(画像特徴)に従って分類されたSVM分類器に学習させるための学習処理フローである。 SVM分類器の学習説明図である。本発明の車両画像識別において、着目する画像領域ROIの画像が有する条件(画像特徴)に従って分類されたSVM分類器を用いて画像識別処理する処理フローである。本発明の車両画像識別装置の構造を示すブロック図である。本発明の実施形態において学習サンプルの有する各種の識別特徴に従って対応のSVM分類器を分類識別し、該SVM分類器に該学習サンプルを用いて学習させる過程を示す図である。本発明の実施形態において対象の画像の有する各種の特徴に対応するSVM分類器を分類識別し、該SVM分類器を用いて画像識別処理する過程を示す図である。本発明の実施の形態において学習サンプル画像の水平線の数を判断する概念図である。垂直線抽出対象領域Regionの決定方法説明図である。本発明の実施形態において学習サンプル画像に対して明暗判断を行う過程を示す図である。

符号の説明

１０撮像手段
１１画像前処理手段
１２画像分割手段
１３割当手段
１４分類手段
１５裁定手段
１６出力手段

Claims

車両画像を認識する車両画像認識方法において、
多種類の車両認識特徴に基づいて学習サンプルを分類するステップ、
前記学習サンプルの車両認識特徴に対応するSVM分類器に該学習サンプルを用いて学習させるステップ、
車両画像認識を行う時、認識しようとする画像が備える特徴を抽出するステップ、
該認識しようとする画像をこの特徴に対応するSVM分類器に割り当てるステップ、
該SVM分類器を用いて車両画像を認識するステップ、
を有することを特徴とする車両画像認識方法。
前記多種類の車両認識特徴は、水平線特徴、垂直線特徴、輝度、色、コントラストを含む、
ことを特徴とする請求項１記載の車両画像認識方法。
前記認識しようとする画像の特徴の抽出は、認識しようとする画像の特定の領域に対して行う、
ことを特徴とする請求項１に記載の車両画像認識方法。
認識しようとする画像は、複数の車両認識特徴を有する場合、該画像をそれぞれの特徴に対応するSVM分類器に割り当てる、
ことを特徴とする請求項１〜３記載の車両画像認識方法。
学習サンプルが所定の車両認識特徴の条件を満たすか否か判断し、満たす場合には該学習サンプルを用いて該車両認識特徴に対応するSVM分類器に学習させる、
ことを特徴とする請求項１〜３記載の車両画像認識方法。
前記所定の車両認識特徴の条件は、水平エッジ数、垂直エッジ数、画像輝度、画像コントラスト、画像の色を含む、
ことを特徴とする請求項５記載の車両画像認識方法。
車両画像を認識する車両画像認識装置において、
各車両認識特徴に対応して設けられ、学習サンプルの車両認識特徴によって予め学習を行う複数のSVM分類器、
多種類の車両認識特徴に基づいて学習サンプルを分類し、該学習サンプルの車両認識特徴に対応するSVM分類器に該学習サンプルを割当てる割り当て手段、
認識しようとする車両及び背景を撮像する撮像手段、
前記撮像手段で撮像した画像より車両認識特徴を抽出して、該画像を該車両認識特徴に対応のSVM分類器に割り当てる割当手段、
を備え、認識しようとする画像が備える特徴に従って割り当てられた前記SVM分類器は、該認識しようとする画像の車両画像認識を行う、
ことを特徴とする車両画像認識装置。
前記多種の車両認識特徴は、水平線特徴、垂直線特徴、輝度、色、コントラストを含む、
ことを特徴とする請求項７記載の車両画像認識装置。
前記認識しようとする画像の特徴の抽出は、認識しようとする画像の特定の領域に対して行う、
ことを特徴とする請求項７記載の車両画像認識装置。
認識しようとする画像が、複数の車両認識特徴を有する場合、該画像をそれぞれの特徴に対応するSVM分類器に割り当てる、
ことを特徴とする請求項７〜９記載の車両画像認識装置。
学習サンプルが所定の車両認識特徴の条件を満たすか否か判断し、満たす場合には該学習サンプルを用いて該車両認識特徴に対応するSVM分類器を学習させる、
ことを特徴とする請求項７〜９記載の車両画認識装置。
前記所定の車両認識特徴の条件は、水平エッジ数、垂直エッジ数、画像輝度、画像コントラスト、画像の色を含む、
ことを特徴とする請求項１１記載の車両画像認識装置。