道路場景下車輛圖像的表觀特征分析方法
【技術領域】
[0001] 本發(fā)明涉及一種道路場景下車輛的表觀特征分析方法，屬于交通圖像處理技術領 域。
【背景技術】
[0002] 對道路及治安卡口拍攝圖像中的車輛進行定位和特征提取，形成該車輛結(jié)構化的 特征描述，并進一步用于車輛類型、品牌信息、車身顏色等的識別，是智能交通系統(tǒng)的重要 技術之一，可以在交通管理、公安監(jiān)控、信息統(tǒng)計等領域廣泛應用。如車輛類型的識別可對 路網(wǎng)中不同類型車輛的禁區(qū)行駛行為進行檢測；車輛品牌和號牌的識別可直接用于套牌車 輛的檢測；品牌信息、車身顏色的識別則可用于汽車行業(yè)的信息統(tǒng)計和市場調(diào)查等。
[0003] 在現(xiàn)有的文獻中，已有一些車輛類型識別和車輛品牌識別的方法，大部分方法從 具體的車輛識別目標（如車牌、車標、車輛前臉、車身形狀等）出發(fā)，未對車輛進行全局到局 部的分析理解，因此受實際道路場景中的干擾影響較大，其方法準確率和實際應用仍有較 大差距。
[0004] 具體地，車輛類型的識別主要用于各型轎車、各型客車、各型貨車的區(qū)分。如申請 號為201210350574. 2的中國專利申請中提出利用背景剪除提取目標車輛區(qū)域的輪廓，計 算輪廓形狀的幾何不變矩用于識別車型，這種利用視頻的方法簡單有效，但應用范圍受到 局限；如申請?zhí)枮?01310471461. 2的中國專利申請中提出利用車輛號牌底色判斷車輛類 型，這種方法直觀快速，但僅能區(qū)分少部分車型；如申請?zhí)枮?01210082814. 5的中國專利 申請中提出將輪廓與車輛的3D模型庫進行匹配并判斷車輛類型的方法，該方法需要建立 多種類型的車輛3D模型庫，并確定攝像機的拍攝視角，實施方式較為復雜。
[0005] 車輛品牌的識別用于鑒定車輛所屬的具體廠商，如大眾、別克、豐田等，主要有基 于車標和車輛前臉區(qū)域的識別方法。如申請?zhí)枮?01210042809. 1的中國專利申請中提出 利用Adaboost組合分類器結(jié)合圖像Haar特征的提取，對圖像中的車標進行檢測和分類， 判斷車輛的品牌，這種方法的難點在于車標圖像種類眾多、尺寸不一，因此難以保證很高 的分類準確性；如申請?zhí)枮?01310416016. 6的中國專利申請中提出利用車輛前臉區(qū)域， 包括大燈、霧燈、通氣柵、后視鏡、雨刷、車標、保險杠等多個位置，構建hog (histogram of gradient)和LBP (Local Binary Pattern)的組合特征向量，用于車輛品牌的識別，該方法 的抗干擾性強，但對車輛局部細節(jié)區(qū)域的圖像清晰度有較高的要求。
[0006] 可見，已有的一些車輛類型識別和車輛品牌識別的方法仍然存在較為明顯的缺 陷，這是由于大部分方法仍然針對具體識別問題，缺乏對圖像全局的整體分析理解，使用的 技術手段容易受應用環(huán)境所局限。因此，本發(fā)明從全局到局部的表觀特征分析角度出發(fā)，提 出一種能夠?qū)Φ缆穲鼍跋屡臄z的車輛圖像進行準確的車輛定位、車型識別、品牌識別的方 法，具有高識別率和低誤報性能。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的是克服現(xiàn)有技術的不足，提供一種道路場景下車輛圖像的表觀特征 分析方法，能夠更加準確的識別車輛，且實施簡便。
[0008] 本發(fā)明所述的道路場景下車輛圖像的表觀特征分析方法，包括：對圖像進行預處 理；對圖像中的目標車輛進行定位；對目標車輛區(qū)域的主要部件進行分割；根據(jù)目標車輛 主要部件分割結(jié)果計算主要部件的相對關系，判斷車輛類型；對目標車輛主要部件提取表 觀特征，并與各品牌車輛的主要部件表觀特征描述庫進行特征匹配，獲得目標車輛的品牌 信息。
[0009] 其中，圖像的預處理可以包括去除圖像噪聲、圖像畸形校正，還可以包括通過統(tǒng)計 圖像像素的灰度值，計算圖像的平均灰度和對比度，判斷是否為白天拍攝的圖像，如果圖像 的平均灰度高于設定閾值或者對比度低于設定閾值，則判定該圖像為白天拍攝。
[0010] 圖像中目標車輛的定位可采用全局梯度分析與全局號牌檢測結(jié)合的方式。通過全 局梯度分析可大致確定目標車輛區(qū)域的，進一步檢測區(qū)域內(nèi)號牌位置，基于對稱性獲得目 標車輛準確位置；或者，在全局圖像中檢測號牌位置，進一步對號牌周圍圖像區(qū)域進行梯度 分析，獲得目標車輛準確位置。
[0011] 梯度分析的方法涉及一種梯度復雜度算子，包括：嵌套的兩個圖像窗口。其圖像窗 口的尺度根據(jù)檢測目標的大小進行調(diào)整，計算輸出為這兩個圖像窗口的梯度統(tǒng)計值比值；
[0012] 對目標車輛圖像區(qū)域的主要部件的分割可基于局部梯度分析，獲得目標車輛主要 部件的邊緣區(qū)域，從而進行區(qū)分。提取的目標車輛主要部件的圖像區(qū)域一般包括目標車輛 的前臉、引擎蓋、車頂、前擋風玻璃和車側(cè)面圖像區(qū)域。
[0013] 所述判斷車輛類型可依據(jù)分割得到的目標車輛主要部件的相對位置、相對尺度關 系。
[0014] 車輛品牌信息的獲取可依據(jù)分割得到的目標車輛主要部件的表觀特征與各品牌 車輛的主要部件表觀特征描述庫的匹配結(jié)果。
[0015] 所述特征描述庫是通過對各品牌車輛的主要部件圖像區(qū)域進行人工分割，并進一 步提取特征建立的，且特征數(shù)據(jù)的記錄對應車輛品牌信息。
[0016] 通過上述方案形成的車輛表觀特征分析方案，可以對拍攝的白天道路場景圖像中 的目標車輛進行準確的定位、主要部件分割、特征分析，從而獲得車輛類型和車輛品牌信 息。該方案要求攝像機拍攝的角度為目標車輛的前上方，符合我國道路及治安卡口的視頻 監(jiān)控設備安裝要求，可廣泛應用于道路及治安卡口的視頻圖像監(jiān)控系統(tǒng)中。本發(fā)明方法成 熟可靠、實現(xiàn)成本低，通過攝像機、嵌入式處理器或者計算機便可以實現(xiàn)，而且通過對特征 描述庫的更新可提高方法的性能和支持的車輛品牌數(shù)目。
【附圖說明】
[0017] 圖1示出本發(fā)明的總體流程圖。
[0018] 圖2示出梯度復雜度算子示意圖。
[0019] 圖3示出車輛定位方法的流程圖。
[0020] 圖4示出梯度復雜度算子對圖像的濾波響應示意圖。
[0021] 圖5示出全局圖像號牌檢測結(jié)果示意圖。
[0022] 圖6示出車輛主要部件分割及梯度直方圖統(tǒng)計方向示意圖。
[0023] 圖7示出車輛主要部件分割坐標位置示意圖。
【具體實施方式】
[0024] 下面結(jié)合具體附圖和實施例對本發(fā)明進一步闡述。本實施例中，輸入圖像要求為 白天拍攝并包含目標車輛的單張圖像或者視頻的某幀。
[0025] 圖1示出了本發(fā)明的車輛表觀特征分析方法的流程圖概覽。
[0026] 本發(fā)明的針對道路場景下的車輛表觀特征分析方法包括以下步驟：
[0027] 步驟S1、圖像預處理：對攝像機拍攝的道路場景圖像去除圖像噪聲、圖像畸形校 正，并判定是否為白天拍攝的圖像。
[0028] 在實施例中，去除圖像噪聲采用均值濾波、中值濾波或者高斯濾波方法。
[0029] 圖像畸形校正根據(jù)攝像機實際成像效果決定是否進行，若改攝像機的圖像畸變使 得圖像中目標車輛發(fā)生嚴重變形，則應根據(jù)攝像機及其鏡頭參數(shù)計算圖像仿射矩陣，利用 該仿射矩陣對圖像數(shù)據(jù)進行空間映射，生成無畸變或畸變較小的新圖像。
[0030] 步驟Sl中引入圖像是否"白天拍攝"的判定，通過統(tǒng)計圖像像素的灰度值，計算圖 像的平均灰度和對比度，如果圖像的平均灰度高于設定閾值或者對比度低于設定閾值，則 可確定該圖像為白天拍攝的（夜晚拍攝的圖像平均灰度值較小，且由于閃光燈，其對比度 較大）。因此本發(fā)明中"白天拍攝"的概念為自我設定的范圍，視圖像屬性而定。
[0031] 步驟S2、目標車輛定位：在圖像中準確檢測出目標車輛所在的區(qū)域，消除圖像背 景對后續(xù)分析的影響。目前的車輛定位技術中有多種方案，用的比較廣泛的是Haar特征和 Adaboost組合分類器結(jié)合的方案。該方法利用多尺度的滑動窗口在圖像中遍歷，對窗口中 的數(shù)據(jù)提取Haar特征并通過離線學習得到的Adaboost組合分類器進行分類，確定當前窗 口是否為車輛。該方法優(yōu)點是準確性高，但計算復雜度高，實時性一般，且對新場景的適應 性差。因此，在實施例中，本發(fā)明采用全局梯度分析與全局號牌檢測結(jié)合的方式。
[0032] 本步驟中，使用了 一種梯度復雜度算子201。圖2示出了該算子的結(jié)構及其在圖像 中濾波的示意。該算子由嵌套的兩個圖像窗口組成。其外圍窗口大小為W 1XH1像素，內(nèi)部 窗口大小為W2XH2像素，W i、氏、W2、H2的取值根據(jù)檢測目標的大小來確定，算子的計算輸出 為這兩個圖像窗口的加權梯度統(tǒng)計值比值： ,,,、fu(x,v) WJl,
[0033] Κ',.ν) .T7T 7T， //,(x^v) W2U7
[0034] 其中（x，y)為當前算子所在圖像像素位置202，hJPh2分別為外圍窗口和內(nèi)部窗 口中各像素的梯度值之和。
[0035] 圖3示出了步驟S2的處理流程，進一步包括：
[0036] 步驟S21、全局梯度分析：利用梯度復雜度算子對圖像進行全局濾波。該濾波操 作通過如下方式提高計算速度：基于Sobel算子計算梯度分布，進一步計算梯度分布的積 分圖像。本實施例中，為了使算子能對車輛邊緣區(qū)域203進行響應，WjP H 2取值為車輛車 梁/柱的圖像像素寬度，WJP H i取值分別為W 2和H 2的兩倍。圖4示出了圖像經(jīng)過該算子 的濾波輸出（該圖像進行了反相和標準化）。
[0037] 然后，對濾波圖像進行二值化，獲得圖像中邊緣變化比較強烈的區(qū)域（一般為車 輛邊緣區(qū)域，其他紋理復雜的區(qū)域如綠化帶、柵欄、樹枝等會被濾去）。在實施例中，二值化 的閾值根據(jù)算子兩個窗口面積比值的大小設置為I. 8。
[0038] 繼續(xù)利用圖像形態(tài)學操作，對二值化圖像多次閉運算和開運算，使得邊緣區(qū)域相 互融合。
[0039] 進一步，計算二值化圖像中各個連通區(qū)域的面積和長寬比，濾除面積較小以及長 寬比不符合車輛比例的連通區(qū)域，剩下的連通區(qū)域為大致的車輛候選位置。
[0040] 步驟S22、局部號牌檢測：如果步驟S21中能夠獲得一個或多個車輛候選位置，則 利用車輛號牌檢測方法來對這些車輛候選目標位置進一步確認。
[0041] 當前車輛號牌檢測技術也存在多種方案，考慮本發(fā)明針對的是白天拍攝的圖像， 采用基于顏色檢測的方式來檢測車輛號牌。首先對車輛候選位置的梯度值進行二值化獲得 車輛的邊緣像素；然后遍歷每個邊緣像素，判斷該像素左右相鄰像素的顏色是否分別藍色 和白色、或者黃色和黑色，如果是則判定該像素為號牌區(qū)域的邊緣像素；最后，對通過判定 的像素進行圖像閉運算，得到的融合區(qū)域為車輛的號牌位置。進一步刪除通過上述方式不 能獲得號牌位置的車輛候