專利名稱：計算機通過視頻圖像識別車輛類型的方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像識別技術(shù)領(lǐng)域，具體涉及一種計算機通過視頻圖像識別車輛類型的方法。
背景技術(shù)：
近年來，智能交通系統(tǒng)發(fā)展快速(ITS)，隨著計算機視覺和模式識別技術(shù)的發(fā)展，為智能交通系統(tǒng)更有效的應用提供了契機。計算機視覺是利用計算機來模擬人的視覺功能，從客觀事物的圖像中提取信息，進行處理并加以理解，最終用于實際檢測、測量和控制?；趫D像識別的車輛分類過程主要包括從圖像中提取目標車輛并提取特征參數(shù)；在分類器中輸入特征參數(shù)并得到分類結(jié)果兩個階段。第一階段，特征參數(shù)的選取主要集中在對車輛幾何尺寸的度量，有絕對幾何尺寸和相對幾何尺寸。絕對幾何尺寸是根據(jù)攝像機與車輛之間的距離和拍攝的角度算出車輛的實際大小，這種方法存在的缺陷是，攝像機與車輛之間的距離必須保持不變，而這在實際應用中是難以實現(xiàn)的。第二階段，最簡單的方法就是對得到參數(shù)與已有的標準進行匹配，這種方法運算量小，但是只適用于參數(shù)個數(shù)較少的情況下，而且參數(shù)太少就無法對車輛進行有效分類。模板匹配法把得到的特征參數(shù)與標準模板進行比較，這需要耗費很多的計算時間而且容錯性差。另一個更實際的問題是，目前的分類將車輛分為大中小或者轎車、客車、卡車三類，而在實際應用中都要求按照車輛的座位數(shù)和噸數(shù)來收費，因此上述分類結(jié)果很難應用在實際之中。本發(fā)明因此而來。

發(fā)明內(nèi)容
本發(fā)明目的在于提供一種計算機通過視頻圖像識別車輛類型的方法，解決了現(xiàn)有技術(shù)中計算機通過視頻圖像識別車輛類型耗費很多的計算時間而且容錯性差等問題。為了解決現(xiàn)有技術(shù)中的這些問題，本發(fā)明提供的技術(shù)方案是一種計算機通過視頻圖像識別車輛類型的方法，其特征在于所述方法包括以下步驟(I)計算機獲取視頻圖像，從視頻圖像中提取出目標關(guān)鍵幀，通過背景剪除提取出待識別的目標區(qū)域，并對視頻圖像進行預處理；(2)對預處理完畢的圖像進行特征提取，選用圖像形狀特征中的Hu幾何不變矩作為車輛特征參數(shù)，計算目標區(qū)域的形狀特征；(3)通過機器學習方法進行所有車輛類型的樣本訓練，當樣本訓練完畢后對待識別的目標區(qū)域進行分類預測識別出車輛類型。優(yōu)選的，所述方法步驟(2)中計算目標區(qū)域的形狀特征采用的HU矩計算公式為hj = n 20+ n 02;
h2 = (n20-n02)2+nn2;h3 = (n 3o_3 n 12)2+ (3 n 21- n 03)2 ；h4 = (n so+ n 12)2+ (n21+ n 03)2 ；h5 = (n 3Q-3 n 12) (n 3Q+n 12) [ (n 3Q+n 12) 2-3 (n 21+n 03)2]+(3 n 21- n 03) (n 21+ n 03) [3 (n21+ n 03)2-(n21+n03)2]；h6 = (n20-n02) [(n30+n12)2-(n21+n03)2]+4 n n (n so+ n 12) (n 21+ n 03)；h7 = (3 n 21- n 03) (n 2i+ n 03) [3 (3 n 21+ n 03)2- (n21+ n 03)2]- (n 30- n 12) (n 21+ n 03) [3 (n 3Q+ n 12)2-(n21+n03)2]；
EiS其中= Pp'qf Mm 2 圖像f(x，y)的(p+q)階幾何矩定義為Mm =
9
f f xp*yq*f(x, y)dxdy(p, q = I, , );其中 M00 = / f f (x, y) dxdy,通過一階矩(M01,M10)確定圖像質(zhì)心(x。, y。)xc = M10/M00 ；yc = M01/M00,然后將坐標原點移至x。和y。處,就得到了對于圖像位移不變的中心矩，即U p,q = / / [(x-xe)p]*[(y_ye)p]*f (x, y)dxdy。幾何矩是由 HU(Visual pattern recognition by moment invariants)在 1962年提出的。圖像f (x, y)的(p+q)階幾何矩定義為Mm =ff xp*yq*f (x, y) dxdy (p, q =1，...，⑴)矩在統(tǒng)計學中被用來反映隨機變量的分布情況，推廣到力學中，它被用作刻畫空間物體的質(zhì)量分布。同樣的道理，如果我們將圖像的灰度值看作是一個二維或三維的密度分布函數(shù)，那么矩方法即可用于圖像分析領(lǐng)域并用作圖像特征的提取。最常用的，物體的零階矩表示了圖像的“質(zhì)量”眞。=ff f(x,y) dxdy,—階矩(MQ1, Mltl)用于確定圖像質(zhì)心(xe,y。)xc =M10/M00 ；yc = ，若將坐標原點移至x。和y。處，就得到了對于圖像位移不變的中心矩。如yp,q=/ / [(x-xJKG-yc^hfO^yWxdy ;歸一化矩和中心距也基本相同，除了每個
矩都要除以Mqq的某個冪:%. =譯 :
OHU矩是歸一化的中心距的線性組合，這樣做是為了能夠獲取代表圖像某個特征的矩函數(shù)，這些矩函數(shù)對某些變化如縮放、旋轉(zhuǎn)和鏡像映射具有不變性。HU矩是從中心距中計算得到，其計算公式如上圖hl-h7優(yōu)選的，所述方法步驟(3)機器學習方法為SVM支持向量機和BP的人工神經(jīng)網(wǎng)絡相結(jié)合的方法，先將準備好的汽車類型訓練樣本圖片集特征輸入SVM支持向量機網(wǎng)絡和BP神經(jīng)網(wǎng)絡進行樣本訓練。本發(fā)明技術(shù)方案的基本流程是獲得圖像——> 圖像預處理——> 提取特征——>圖像分類，該方法中基于圖像識別進行車輛分類識別的過程主要包括兩個階段1、從圖像中提取目標車輛并提取特征參數(shù)。2、在分類器中輸入特征參數(shù)并得到分類結(jié)果。該方法能夠半自動地對車型分類，盡量提高分類的正確率。 車型分類最直觀的特征為車輛輪廓，相同類型的車輛具有相似的圖像輪廓，相比于圖像的顏色和紋理特征，圖像的形狀特征能夠更好的區(qū)分不同類型的車輛，而形狀特征中，考慮到設備獲取的圖像有遠近高低和角度的不同，因此選用形狀特征作中具有旋轉(zhuǎn)和平移不變性的矩特征為特征參數(shù)。因為基于圖像識別的車輛分類問題具有模糊、殘缺、不確定的特點，良好的機器學習算法相比于以往模版方法能夠更好的適應半自動化的學習，同是考慮到各類車輛形狀相對固定，車型樣本數(shù)量不用過多的因素，因此采用SVM支持向量機與BP神經(jīng)網(wǎng)絡相結(jié)合的方法來完成特征映射。最后考慮到實際應用的需要，根據(jù)作為數(shù)量將類別設計為小轎車、SUV和客車。本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的有益效果本發(fā)明技術(shù)方案選用圖像形狀特征中的Hu幾何不變矩作為車輛特征參數(shù)，相比現(xiàn)有的絕對幾何特征能夠更加精確地標識車輛特征。它屬于相對幾何特征，不要求計算車輛的實際大小，而是計算車輛各個幾何參數(shù)之間的比例，這能夠反映車輛的整體結(jié)構(gòu)，而且對車輛的形狀大小不做限制，即要求攝像頭的安裝比較靈活，擴大了應用范圍。而且Hu幾何不變矩技術(shù)成熟，有良好的應用基礎。本發(fā)明技術(shù)方案選用SVM支持向量機和BP的人工神經(jīng)網(wǎng)絡相結(jié)合的分類方法，能夠更加精確地分類樣本。與傳統(tǒng)的模板匹配法相比，人工神經(jīng)網(wǎng)絡方法更加擅長解決圖像識別這種具有模糊、殘缺、不確定的特點的問題。同時SVM支持向量機善于處理小樣本和函數(shù)非線性擬合問題，相比模板匹配法受制于參數(shù)規(guī)模，SVM支持向量機與人工神經(jīng)網(wǎng)絡相結(jié)合的方法在處理規(guī)模較大的樣本時仍然有較快的計算速度和容錯性。經(jīng)測試樣本測試，BP神經(jīng)網(wǎng)絡對于客車的識別率高，達到88%，而SVM支持向量機對于轎車有較高識別率，達到85%，兩者結(jié)合較好解決了三類車型的分類。本發(fā)明技術(shù)方案優(yōu)化了分類標準現(xiàn)有的分類標準多將車輛分成大中小或者轎車卡車客車三類，實際用用意義不大。本發(fā)明將分類標準細化，根據(jù)客運車輛座位數(shù)量，將分類標準分為客車(大于10座)、SUV (大于5座且小于10座)、轎車(小于5座)，相比以往分類更具有操作性。


下面結(jié)合附圖及實施例對本發(fā)明作進一步描述圖1為預處理后客車、SUV、轎車的輪廓圖像；圖2為圖像預處理的工作流程圖；圖3為圖像特征提取的工作流程圖；圖4為分類器訓練的工作流程圖。
具體實施例方式以下結(jié)合具體實施例對上述方案做進一步說明。應理解，這些實施例是用于說明本發(fā)明而不限于限制本發(fā)明的范圍。實施例中采用的實施條件可以根據(jù)具體廠家的條件做進一步調(diào)整，未注明的實施條件通常為常規(guī)實驗中的條件。實施例該實施例中計算機通過視頻圖像識別車輛類型的方法，按照如下步驟進行(I)計算機獲取視頻圖像，從視頻圖像中提取出目標關(guān)鍵幀，通過背景剪除提取出待識別的目標區(qū)域，并對視頻圖像進行預處理；(2)對預處理完畢的圖像進行特征提取，選用圖像形狀特征中的Hu幾何不變矩作為車輛特征參數(shù)，計算目標區(qū)域的形狀特征；(3)通過機器學習方法進行所有車輛類型的樣本訓練，當樣本訓練完畢后對待識別的目標區(qū)域進行分類預測識別出車輛類型。整個技術(shù)方案主要有三個部分視頻圖像預處理、特征提取和分類器訓練。1、視頻圖像預處理從視頻圖像中提取出目標關(guān)鍵幀，運用背景剪除技術(shù)提取出待識別的目標區(qū)域，對含有目標區(qū)域的幀圖像進行增強、降噪、矯正、分割、二值化等圖像處理，使其相對清晰且利于特征提取并保存得到的結(jié)果。圖1為預處理后的三種汽車圖像輪廓。2、特征提取利用hu矩計算公式hj = n 20+ n 02 ；h2 = (n 20- n 02)2+ n n2 ；h3 = (n 3o_3 n 12)2+ (3 n 21- n 03)2 ；h4 = (n 30+ n 12)2+ (n21+ n 03)2 ；h5 = (n 3o~3 n 12) (n 30+ n 12) [ (n 30+ n 12) 2-3 (n 21+ n 03)2]+(3 n 21- n 03) (n 21+ n 03) [3 (n21+ n 03)2-(n21+ n03)2]；h6 — ( n 2o— rI 02) [ ( rI 30+ 打 12) _ ( rI 21+ 03)]+4 n n (n so+ n 12) (n 21+ n 03)； h7 = (3 n 21- n 03) (n 21+ n 03) [3 (3 n 21+ n 03)2- (n21+ n 03)2]- (n 30- n 12) (n 21+ n 03) [3 (n 3Q+ n 12)2- ( n 21+ rI 03)2];
其中Ttp'q = >up_sJMm 2 圖像f(x，y)的(p+q)階幾何矩定義為
權(quán)利要求
1.一種計算機通過視頻圖像識別車輛類型的方法，其特征在于所述方法包括以下步驟(1)計算機獲取視頻圖像，從視頻圖像中提取出目標關(guān)鍵幀，通過背景剪除提取出待識別的目標區(qū)域，并對視頻圖像進行預處理；(2)對預處理完畢的圖像進行特征提取，選用圖像形狀特征中的Hu幾何不變矩作為車輛特征參數(shù)，計算目標區(qū)域的形狀特征；(3)通過機器學習方法進行所有車輛類型的樣本訓練，當樣本訓練完畢后對待識別的目標區(qū)域進行分類預測識別出車輛類型。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于所述方法步驟(2)中計算目標區(qū)域的形狀特征采用的HU矩計算公式為h2 = (η20-η02)2+ηπ2 ；h3 = (η3ο-3η12)2+(3η21-η03)2 ；h4 = (n30+n12)2+(n21+n03)2 ；h5 = (n 30-3 n 12) (n so+ n 12) [ ( η 30+ n 12) 2-3 (η 21+ n 03) 2I+ (3 n21-n03) (n21+n03) [3(n21+n03)2-(Ji21+ n03)2]；h6 = (n20-n02) [(n3o+n12)2-(n21+no3)2]+4nu(n30+n12) (n21+n03)；h7 — (3 π 21~ Π 03) ( rI 21+ rI 03) [3 (3 Π. 21+ rI 03) _ (打 21+ 打 03)]-(n30-n12) (n21+n03) [3(n30+n12)2 -(Ji21+ n03)2]；p4-q其中=2 圖像f(x，y)的(p+q)階幾何矩定義為Mm =9f f xp*yq*f(x, y)dxdy(p, q = I, · · · , °° );其中 M00 = / f f (x, y) dxdy,通過一階矩(MQ1, M10)確定圖像質(zhì)心(x。，y。)xc = M10/M00 ；yc = M01/M00,然后將坐標原點移至x。和y。處,就得到了對于圖像位移不變的中心矩，即μ p,q = / f [(x-xe)p]*[(y-ye)p]*f (χ，y)dxdy。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于所述方法步驟(3)機器學習方法為SVM支持向量機和BP的人工神經(jīng)網(wǎng)絡相結(jié)合的方法，先將準備好的汽車類型訓練樣本圖片集特征輸入SVM支持向量機網(wǎng)絡和BP神經(jīng)網(wǎng)絡進行樣本訓練。
全文摘要
本發(fā)明公開了一種計算機通過視頻圖像識別車輛類型的方法，其特征在于所述方法包括以下步驟(1)計算機獲取視頻圖像，從視頻圖像中提取出目標關(guān)鍵幀，通過背景剪除提取出待識別的目標區(qū)域，并對視頻圖像進行預處理；(2)對預處理完畢的圖像進行特征提取，選用圖像形狀特征中的Hu幾何不變矩作為車輛特征參數(shù)，計算目標區(qū)域的形狀特征；(3)通過機器學習方法進行所有車輛類型的樣本訓練，當樣本訓練完畢后對待識別的目標區(qū)域進行分類預測識別出車輛類型。該方法能夠半自動地對車型分類，盡量提高分類的正確率。
文檔編號G06K9/46GK103020582SQ20121035057
公開日2013年4月3日 申請日期2012年9月20日 優(yōu)先權(quán)日2012年9月20日
發(fā)明者陳國慶, 馮玉璽 申請人:蘇州兩江科技有限公司