基于图像处理车型识别的算法研究.docx

基于图像处理车型识别的算法研究.docx

《基于图像处理车型识别的算法研究.docx》由会员分享，可在线阅读，更多相关《基于图像处理车型识别的算法研究.docx（40页珍藏版）》请在冰豆网上搜索。

基于图像处理车型识别的算法研究

摘要III

AbstractIV

第1章绪论.

1.1智能交通系统（ITS）

1.2车型识别技术简介-1-

1.2.1车型识别研究方向-2-

1.2.2车型识别方法分类-3-

1.3车型识别技术的应用前景

2.1反光信息提取-5-

2.2颜色信息提取-5-

2.3车型识别中的定位问题-6-

2.3.1车边定位算法-7-

2.3.2车窗定位算法-13-

2.4车型识别与分类-18-

2.4.1识别系统的基本组成-18-

2.4.2车型分类的标准-18-

2.5车型识别程序仿真结果-20-

2.5.1车型识别算法原理说明-20-

3.2.3搜索空间和搜索策略-25-

3.3模板匹配算法研究-25-

3.3.1模板匹配的基本原理说明-25-

3.3.2模板匹配基本算法-26-

3.3.3改进的模板匹配算法-27-

3.4模板匹配程序仿真结果-27-

3.4.1模板匹配程序流程图说明-27-

第4章总结和展望-30-

4.1总结

4.2展望

参考文献-32-

致谢-33-

-34-

基于图像处理车型识别的算法研究

摘要

随着经济的发展，各种交通运输工具尤其是汽车数量的剧增为人们的生活带来了极大

的便利，同时给交通管理部门带来了巨大压力，为了缓解交通压力智能交通系统（ITS）

应运而生。

车型识别是一种针对智能交通系统实际应用需求而产生的一个模式识别课题，它的研究对于ITS的发展具有重要的实际意义。

车型识别研究范围比较广泛，而本文为了缩小识别范围采用两级识别的方法，第一步

是针对车辆样本图像的分析，通过车边，车窗定位算法定位，根据车型分类的标准将大，中，小车型识别出来，缩小一定范围后，第二步是将识别出的所有小型车作为模板库，通过模板匹配算法在模板库中识别出与目标车型相同的车型，并在MATLAB^件上仿真。

关键词：

车型识别，车边定位算法，车窗定位算法，模板匹配

Theresearchalgorithmofvehicleidentification

basedonimageprocessing

Abstract

Withtherapiddevelopmentofscieneeandtechnology,theincreasingnumbersofallkindsoftransportationtoolsespeciallyvehicleshavebroughtobviousconveniencetohuman,butatthesametime,Itincreasesgreatpressurefortrafficmanagement,vehicleidentificationisamoderecognitionfortheIntelligentTransportationSystem（ITS）whoseresearchhasasignificantpracticalmeaningforITS.

Vehiclepatternidentificationisawiderangefield.Inthispaperinordertonarrowthefield,weapplythetwo-stepwaystodevelopthevehicleidentification.Thefirststepistheanalysisofsampleimagesofvehicles.Bythelocationalgorithmofthesidesandwindowsofvehicleslarge,mediaandsmallsizecanberecognized.Thesecondstepistobuildamoduleofallthesmallvehicleswhichhavebeenrecognizedinthefirststepidentifyingthescarsthroughtheidentificationwaysoftemplatematchingandverifiedinthematlabsoftware.Keywords：

vehiclepatternidentification,locationalgorithmofthesides,locationalgorithmofthewindows,templatematch

第1章绪论

1.1智能交通系统（ITS）

ITS是智能交通系统的简称，是指将先进的信息技术、数据通讯传输技术、电子控制技术、网络技术等高新技术有效地运用整个运输管理体系，使人、车、路密切配合、和谐统一的一种在大范围内、全方位发挥作用的实时、准确、高效的综合运输管理系统［1］。

现代化的城市包括现代化的管理，现代化的交通，现代化的生活水平，智能交通系统是实现现代化的交通的必然要求。

汽车的大量增加，引发了交通的新问题，汽车超速、超载、闯红灯等违章现象及汽车犯罪事件等剧增，伤亡事故屡屡发生。

我国的交通事故率远远高于美国、日本、德国、法国等国家，连续不断的交通事故，为国家造成了重大的经济损失。

我国智能交通系统的起步比较晚，发展比较慢，交通管理手段较为落后，大部分依赖于人工现场维护管理，交通执法人员劳动强度大、效率较低。

无论是在大中城市还是广大中小城镇乡村，交通状况及其配套的管理方式已成为影响我国经济发展的一个重要因素。

为改善目前的交通状况，保证道路交通的畅通，国家有关管理部门已下决心改善目前的交通状况。

为了加强ITS的研究，交通部建立“国家智能运输系统工程技术研究中心”、“智

能运输系统研究中心实验室”。

国家科技部组织交通部、铁道部、公安部、建设部、国家技术监督局等有关部门，筹建了中国ITS政府协调小组，总体规划包括道路、铁路、水运、民航在内的中国ITS发展战略、标准制定和人才培训，组织ITS关键技术的攻关和示范工程［2］。

1.2车型识别技术简介

计算机视觉作为智能交通系统中的一项重要技术，受到越来越多的重视。

计算机视觉即是用各种成像系统代替视觉感官作为视觉信息输入手段，由计算机来代替大脑完成处理与解释。

计算机视觉不仅能使机器感知环境中几何信息，包括位置、大小、形状、运动等，

还能对它们进行扫描、解释和理解。

计算机视觉为交通系统提供了直观方便的分析手段，交通环境中的大量信息，如车辆、交通标志和路面标识等都来源于视觉。

用计算机视觉来处理和理解这些信息是一种必然的选择［3］。

在ITS中，基于视频图像的运动车辆类型精确识别技术是自动采集车辆特征信息产品

-1-

的重要技术基地，也是目前相对薄弱的技术环节。

以它为核心技术的相关产品是智能交通系统的重要前端设备，在交通调查、交通管理和车辆管理中起着重要作用。

特别需要注意的是，伴随着机动车数量不断增加，盗抢机动车、利用机动车犯罪等类型案件也是显著增加，引起了全社会关注。

据不全统计，我国被盗车辆的总数已达到数百万辆。

盗抢机动车不仅给失主造成了经济损失，而且严重破坏了社会稳定。

打击涉车犯罪必须采取多种措施,高科技破案手段的配置是重要条件之一。

盗抢车辆案犯往往以小客车、特别是中、高档轿车作为作案重点，得手后通过更换车辆牌照，改变车辆外观等，迅速逃往外地进行销赃、使用。

目前公安部门在得到失主报案后，在各个治安网点布控的方法主要靠人眼观察车牌号、颜色，又由于不能使停车检查车辆的比例过大，因此侦破率很低。

基于视频摄像的车牌自动识别系统的采用虽然提高了车辆识别的实时性和准确率，也大大节省了警力，但这种方式仅对于查处违章车辆，以及在盗抢车辆事件刚发生时，罪犯还来不及伪装车辆时比较有效。

而对罪犯偷盗车辆后改换车牌、颜色等车辆基本特征的惯用手法却无能为力。

大量的案例分析指出，盗抢名贵轿车的罪犯在作案得手后往往不愿将车辆拆卸销赃，那样会降低该车的价值，于是车辆类型特征就成为破案的重要信息，因为以车型识别为核心技术

的产品也成为ITS领域越来越成为迫切的需要。

1.2.1车型识别研究方向

由于研究人员各自的研究应用目的不同，所采取的解决问题的思路和方式也很不一样而我的论文中主要是通过识别的目的来区分的。

根据车型识别的识别目标区分，可以分为两种，一种是判断车的类型，也就是我们通常所说的身份识别，另一种则是判断两个对象是否属于同一车型，即为身份鉴定。

“身份识别”方式通常需要识别车辆属于模式类中的哪一类型，是一个纯粹的模式识别问题，一般分为以下几种：

•以一定的标准判断目标车辆规格属于哪一种类型

模式类通常为：

大型车、中型车、小型车、越野车、大型公共汽车等，这种分类方式的研究目的通常应用在公路收费、车流量分析等需求中

•判断车辆属于哪一种系列的车辆

模式类通常为：

大众、别克、东风等，主要以车标作为区分标志，通常应用于公安稽

查、市场统计、交通管理等场合

•判断车辆属于哪一种型号的车辆

模式类通常为：

桑塔纳、捷达、QQ别克君威等，同样用于公安稽查、市场统计、交

-2-

通管理等场合

“身份鉴定”方式一般不需要判断车辆属于哪一类，而只需判断两张车辆图片中的车辆（即识别对象）是否属于同一种车型即可，这是个难度大大降低的识别问题，在理想情况下甚至于无需模式识别的方法而只需要普通的图像处理方式即可，这种研究方向包括：

•比较两张车辆图片中的车辆是否相似或属于同一车型通常应用于案例监控、停车场防盗、园区出入管理等场合

•查找多张车辆图片中与已知图片车辆相同车型者通常应用于公安稽查、图像检索等场合

1.2.2车型识别方法分类

针对识别对象的来源不同，识别方法的分类也有两种思路，一种是基于物理参数模式识别方式，一种是基于图像处理模式识别方式。

★基于物理参数模式识别方式

含义：

指通过其他物理测量方式获得目标车辆的一些参数，这些参数往往是通过线圈、光电感应器、衡量等传感器获得的车辆的车宽、车长、轮距、车重、底盘轴粗、底盘高等多种物理数据，再运用模式识别方法将其进行归类。

优点：

可以以比较成熟的物理方法直接获得对揣测性识别有用的很多参数，并由这些参数可以较为容易地进行车型识别，算法较为简单，事实上很多时候车辆的大小分类即是根据物理参数来规定的，如载重、车高、车长、载员数等。

缺点：

这种方式获得车辆数据的方法比较麻烦，需要架设大量的外部辅助测量设备，增加了系统的不稳定性，且这些设备也存在设备老化、故障率比较高等缺点。

通常来说，这种方式一般只能判断车辆的大小类型，而无法进一步通过识别判断车辆的更进一步的信息。

★基于图像处理模式识别方式

含义：

指通过摄像头或数码相机等因素采集设备获得车辆的数字图像（包括红外、透视等特殊因素），通过对车辆图像的分析，获取车辆特征，从而通过模式识别算法对车辆进行分类。

优点：

可以充分挖掘车辆图像中的信息，以求对车辆进行尽可能准确的分类，在仔细设计图像拍摄角度和范围的情况下，可以对车辆进行尽而可能细的分类，如判别出车辆的品牌、颜色甚至具体型号。

由于仅采用光学图像分析，避免了使用过多的传感器或其他外部设备，使这种方式使用起来更为简便，设备故障低，适用范围广。

-3-

缺点：

不易提取准确的特征，必须综合考虑特征的提取和模式的分类。

算法非常复杂,难度大，这也是这一技术迟迟不能再实际系统中得到应用的原因。

1.3车型识别技术的应用前景

（1）自动收费系统

在公路收费、收费停车场等等应用领域，车型识别技术与车牌识别相结合，可以有效减少通关时间、防止“倒卡、换卡”等逃避通行费的作弊行为、减少人员占用、降低运营成本、实现交通收费一卡通等，提高自动化水平，产生明显的经济效益。

（2）公安交通监控与侦稽系统

车辆更换车牌或克隆假车牌比较容易，但在通常情况下却无法改变车型，因此在违章稽查、肇事逃逸追捕、嫌疑车辆分布式监控等应用需求中，具有十分广阔的应用前景。

（3）车辆管理与征费系统

对于机动车辆登记、征费、征税、管理、报废等应用中，车牌号码和车辆型号、车身颜色均为非常重要的信息，将车型识别、车牌识别等技术结合在一起，有利于建立一套完整而高效的自动化车辆管理、征费系统。

（4）车辆图像检索

图像检索是模式识别领域的一大研究课题，这里仅指对车辆图像的检索，通常应用于公安稽查、事故检索、市场统计、流量分析等不同的需求领域。

（5）车辆出入防盗管理系统

在小区营院、停车场等场所区域中，车辆防盗是一项重要的安保内容，不法分子可能采用调换车牌和进低档车出高档车的方式偷盗高档车辆，使用车型识别技术可以完全杜绝此类盗窃事件的发生。

第2章车型的定位与识别

利用计算机进行图像处理有两个目的，一是产生更适合人观察和识别的图像；二是希望能由计算机自动识别和理解图像。

无论为了哪种目的，图像处理关键的一步就是包含有大量各式各样景物信息的图像进行分解。

分解的最终结果是图像被分解成一些具有某种特征的最小成分，称为图像的基元。

图像的特征指图像中可用作标志的属性，分为图像的统计特征和图像的视觉特征两类［5］。

图像的统计特征指一些人定义的特征，通过变换才能得到，如图像的直方图、矩、频谱等；图像的视觉特征是指人的视觉可直接感受到的自然特征，如区域的亮度、纹理或轮廓等。

利用这两类特征把图像分解成一系列有意义的目标或区域的过程称为图像的分割。

如果我们要建立一个识别不同种类对象的系统，首先必须确定应测量对象的哪些特征以产生描述参数。

被度量的这些特殊的属性称为对象的特征，而所得的参数组成了每个对象的特征向量。

用于物体识别的特征有许多，但大部分特征是基于图像中的区域和边界，通常的有以下三类特征：

（1）全局特征，通常是图像区域的一些特征，如面积、周长等；

（2）

局部特征，通常位于物体边界上或者区域中可分辨的一个小曲面，如曲率及其有关的性质;

（3）关系特征，是基于区域、封闭轮廓或局部特征等不同实体的相对位置建立的，包括特征之间的距离和相对方位测量值。

特征提取的算法很多，根据应用对象，应选择可靠的特征检测方法和特征定位方法［2］。

2.1反光信息提取

反光信息提取是指利用单帧图像将具有某种或某几种反光特性的像素从图像中提取出来，而这些像素正是反映车辆外形特征的像素。

当光照加于立体物体上时，物体表面的反光强度一定是不一致的，通常反光强度最不好的像素是位于物体的边缘，那里的反射光未能进入摄像头。

提取方法是简单的，实质上就是先进行灰度化操作，再进行二值化操作,只是二值化时阈值的选取至关重要。

2.2颜色信息提取

颜色信息的提取是指将颜色变化的边界或具有某一稳定颜色的色块从图像中提取出来。

颜色信息不仅是识别过程必须给出的识别结果之一，同时它也能起到辅助定位的作用，

所以好的颜色信息提取算法对于整个系统来说是很重要的。

颜色信息的检测和提取都会使

用各种颜色模型，最常用的模型就是RG模型。

颜色的陡变信息，即颜色边界信息，是相对容易提取出来的。

但是前面已经说过，这种信息提取方法会把所有的色变信息都提取出来，包括某些路面的平面色变信息，要从众多的边界信息中恢复出车辆的连续边界是困难的，所以色变边界信息的提取只能和其它的方法结合使用才会有价值；如果事先知道车身的颜色，那么提取该颜色的色块可以较好的提取车身信息，这些信息对于车辆的精确定位是很有帮助的，前面提到过，提取弱反光信息可以用于车辆定位，但并不是任何情况下都能将车辆精确定位，尤其是阳光太强的情况下，弱反光信息会大幅度的减少，给定位造成了较大的困难，但是提取弱反光信息用于在整幅图像中找出车辆的大概位置是有效的。

所以提取弱反光信息结合提取色块信息的定位算法思想由此产生。

首先，使用弱反光信息提取的方法在整幅图像中找出车辆的大致矩形范围，在该矩形区域内进行颜色检测，将检测到的颜色作为提取色块信息的依据，最后将弱反光信息和色块信息结合到一起进行第二次在全图像中的定位［8］。

图2.1描述了这个算法思想。

图2.1定位图

2.3车型识别中的定位问题

车型识别中的定位包括车辆目标的定位和特征的定位，即车边、车窗的定位。

无论是目标定位或是特征定位，其原理是相同的，都是利用特征图像的投影数据进行水平和垂直的图像分割，从而找出定位矩形。

定位过程和信息提取过程也是不能截然分开的，初始定

位完成后仍然需要进一步提取并获得更精确的定位数据。

定位的准确率大部分取决于信息提取的优势，就定位过程本身来说关键在于找准分割阈值，并且能够按照模型中提供的拍摄距离参数自动调整分割阈值。

处理流程图如图2.2所示：

开始

使用水平和垂直的投影数据，按照合适的T值寻找分割点

图2.2生成分割矩形流程图

图2.3车边定位算法流程图

2.3.1车边定位算法

（1）汽车图像边缘检测算法

图像的边缘是图像的最基本特征，所谓边缘（或边沿）是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。

边缘广泛存在于物体与背景之间、物体与物体之间，基元与基元之间。

因此它是图像分割所依赖的重要特征。

物体的边缘是由灰度不连续性所反应的。

经典的边缘提取方法是考察图像的每个像素在某个邻域内灰度的变化，利用边缘邻近一阶或二阶方向导数变化规律，用简单的方法检测边缘，称为边缘检测局部算子法。

边缘检测算子检查每个像素的邻域并对灰度变化率进行量化，包括方向的确定。

下面介绍几种常见的边缘检测算子。

☆Sobel算子

该算子是以

（2-1）

Sobel提出一种将方向差分运算与局部平均相结合的方法，即Sobel算子。

f（x，y）为中心的3x3邻域上计算x和Y方向的偏导数，即

Sx={f（x+1,y—1）+2f（x+1,y）+f（x+1,y+1）}-

{f（x_1,y_1）+2f（x_1,y）+f（x_1）_（y+1）}

Sy={f（x_1,y+1）+2f（x,y+1）+f（x+1）_（y+1）}_『

{f（x-1,y-1）2f（x,y-1）f（x1,y-1）}

实际上，上式应用了f（x,y）邻域图像强度的加权平均差值。

其梯度大小为:

或取绝对值:

它的Sobel边缘检测算子方向模板为:

抗噪声特性会更好，但这样做会增加计算量，并且得到的边缘也较粗。

Sobel算子利用像素上下、左右相邻点的灰度加权算法，根据在边缘点处达到极值这

-8-

一现象进行边缘的检测。

因此Sobel算子对噪声具有平滑作用，提供较为精确的边缘的方向信息，但是这是由于局部平均的影响，它同时也会检测出许多的伪边缘，且边缘定位精度不够高。

当对精度要求不是很高时，是一种较常用的边缘检测方法。

☆Roberts算子：

由Roberts提出的算子是一种利用局部差分算子寻找边缘的算子，它在2x2邻域上计算

对角导数：

g（x,y）=以f（x,y）-f（x■1,y■1）]2■[f（x,y1^f（x1,y）]2（2-5）

g（x,y）称为Roberts交叉算子。

在实际应用中，为了简化计算，用梯度函数的Roberts绝对值来近似：

g（x,y）=f（x,y）—f（x+1,y+1）+f（x,y+1）—f（x+1,y）（2-6）

另外还可以用Roberts最大算子来计算:

g（x,y）=max（f（x,y）—f（x+1,y+1）,f（x,y+1）—f（x+1,y））（2-7）

上式能够提供较好的不变性边缘取向。

对于同等长度但取向不同的边缘，应用Roberts最

大值算子比应用Roberts交叉算子所得到的合成幅度变化小

Roberts边缘检测算子的卷积算子为：

由上面两个卷积算子对图像运算后，代入

（2-7）式，可求得图像的梯度幅度值g（x,y），然

后适当选取门限TH,作如下判断：

g（x,y）>TH，（i,j）为阶跃状边缘点，{g（i,j）}为一个二

值图像，也就是图像的边缘图像。

☆Prewitt算子:

Prewitt提出了类似的计算偏微分估计值的方法

5={f（x1,y-1）f（x1,y）f（x1,y1）}-

（2-9）

{f（x-1,y-1）+f（x-1,y）+f（x-1）-（y+1）}

Sy-{f（x-1,y1）f（x,y1）f（x1^（y1）}-

{f（x-1,y-1）f（x,y-1）f（x1,y-1）}

当用两个掩模板（卷积算子）组成边缘检测器时，通常取较大的幅度作为输出值。

这

使得它们对边缘的走向有些敏感。

取它们的平方和的开方可以获得性能更一致的全方位

的响应。

这与真实的梯度值更接近。

另一种方法是，可以将Prewitt算子扩展到八个方

向，即边缘样板算子。

这些算子样板由离线的边缘子图像构成。

依次用边缘样板去检测

-9-

图像，与被检测区域最为相似的样板给出最大值。

用这个最大值作为算子的输出值

八个算子样板对应的边缘方向如图所示:

图2.4Prewitt算法八个算子模板对应的边缘方向

2）提色块算法

在先前车体定位的算法中，提色块算法是一种非常重要的算法，对于非灰黑色车在其

阴影较小的情况下的车体定位非常有效。

其算法流程图如图2.5所示：

该算法的差分图效果较好，且无噪声干扰时，对车体的定位较为准确。

但当差分图效果较差时，尤其是白色车受路面交通白线的影响时，最大上升沿和最大下降沿往往找不准确，从而使车形定位的矩形找不准确。

采用上述方法，会将路面交通白线宽度和位置误确定为车体的宽度和位置，如图2.6所示：

图2.6提色块法定位车边

为了弥补上述算法的缺陷，现在在提色块算法的基础上，提出一种改进的算法，大致思想是：

由于在根据色块信息得到动态矩形的二值图中，车体往往占据绝大多数白色象素且为连通区域。

根据这一特点，先取动态矩形中间位置的一点（该点通常都在车体范围中），若为白色象素，即向左水平扫描，遇见白色象素则继续扫描，直到遇见黑色象素则停止扫描，此时该点即为车体左边位置•然后又从中间点向右扫描，同样的道理，可找到车体右边位置。

由于在先前的提色块算法中，主要是车宽的位置容易受到干扰的影响。

采用改进的方法，主要提高定位车宽的准确率。

如果用改进的算法去定位车长，反而会因为车窗的影响，而使车长的定位发生错误。

所以该算法主要用来提高车宽的定位的准确性。

需要注意的是上述算法中，找取动态矩形框中间的生长点（即起始扫描点）尤其重要。

因为找到的一点如果是黑象素，算法会停止•或者即使该起始点是白色象索，如果车体中有黑色象素的干扰，同样都会找不准确车宽位置。

为了避免出现这样的问题，可在动态矩形框中多找几个起始扫描点。

一般的方法是在动态矩形框中确立一个9*3的点阵作为27个

起始扫描点，如图2.7所示：

图2.7起始扫描点

这样，可从下至上，从左至右依次对27个其实扫描点进行左右扫描，可得到27个车

宽，取最宽