本發(fā)明屬于圖像處理領(lǐng)域，涉及一種基于車窗特征提取的車輛識別方法。

背景技術(shù)：

智能交通系統(tǒng)作為一種先進(jìn)的自動化道路交通管理系統(tǒng)，主要依托前沿的計算機視頻圖像技術(shù)、模式識別、計算機網(wǎng)絡(luò)技術(shù)、傳感器技術(shù)及射頻技術(shù)等。未來的智能交通系統(tǒng)將實現(xiàn)以下功能：取代人工記錄車牌、監(jiān)控車輛違法行為的方式，通過采集的視頻圖像自動識別車牌及車輛其他特征進(jìn)行車輛自動識別，自動檢測汽車超速、不遵守交通信號燈等違反交通規(guī)則的行為；通過云技術(shù)將各信息采集終端網(wǎng)絡(luò)連接，后臺服務(wù)器對各終端數(shù)據(jù)進(jìn)行存儲和iai-動匹配，為高速路車輛識別和車輛行車?yán)锍獭⑿熊嚶窂降拇_定提供技術(shù)支持：通過視頻標(biāo)注技術(shù)，對監(jiān)控視頻，中的感興趣點進(jìn)行標(biāo)注，為公安部門偵破案件時查找可疑車輛、可疑人員提供按條件快速查找，取代人工花費大量時問在繁多的監(jiān)控視頻中查找的方式?？傊?，科研人員正不斷把人工智能等方面的新技術(shù)應(yīng)用于智能交通系統(tǒng)，使之朝著前面所述目標(biāo)在管理和解決城市道路交通問題上不斷改進(jìn)和完善。

作為智能交通系統(tǒng)的重要組成部份，基于視頻圖像的車輛識別系統(tǒng)以其低成本、高效率、自動化水平高等特點不僅是當(dāng)前研究熱點也成為智能交通發(fā)展的趨勢。當(dāng)前基于視頻圖像的車輛識別系統(tǒng)主要有車牌識別系統(tǒng)、車標(biāo)識別系統(tǒng)和車臉識別系統(tǒng)等。車牌識別系統(tǒng)是比較成熟的系統(tǒng)，目前已經(jīng)得到了廣泛應(yīng)用，但其識別率仍然難以滿足交通需要，特別是在夜晚以及復(fù)雜天氣條件下，而車標(biāo)識別和車臉識別系統(tǒng)還都處于實驗研究階段，尚未得到實際應(yīng)用。但隨著我國車輛保有量的逐年增加，一些人出于自身利益和僥幸心理進(jìn)行遮擋車牌、套牌、不掛牌等違法行為，同時在高速公路上也存在著類似現(xiàn)象，這不僅給交通管理帶來了極大的不便，也在一定程度上損害了相關(guān)部f1的利益，同時也給公安交警等執(zhí)法部門的案件偵破等帶來了極壞的影響。

技術(shù)實現(xiàn)要素：

為解決上述問題，本發(fā)明的目的在于提供一種以車前窗張貼物為特征的識別車輛方法。

為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案為基于車窗特征提取的車輛識別方法，包括以下步驟：

在視頻圖像中檢測出車窗區(qū)域，并將其與源圖像分離出來；

找到車窗張貼物的重心，選擇顏色序列和面積比序列作為車窗張貼物的特征，進(jìn)行特征提取。

優(yōu)選地，所述在視頻圖像中檢測出車窗區(qū)域，并將其與源圖像分離出來，包括以下步驟：

讀取監(jiān)控視頻圖像，轉(zhuǎn)換為灰度圖像，運用背景差法獲得只有車輛前景的二值化圖像；

對得到的二值化圖像做sobel算法邊緣檢測，再進(jìn)行模板濾波，保留水平直線部分；

采用相位編組的霍夫變換來檢測直線，找到車窗上下邊界。

優(yōu)選地，所述找到車窗張貼物的重心，選擇顏色序列和面積比序列作為車窗張貼物的特征，進(jìn)行特征提取，包括以下步驟：

采用otsu算法前景分割，得到二值化圖像；

輪廓檢測，去除面積小于預(yù)設(shè)最小值或大于預(yù)設(shè)最大值或小于預(yù)設(shè)寬度的輪廓；

提取感興趣區(qū)域，計算感興趣區(qū)域的重心，算出重心連線、顏色直方圖和面積，以輪廓順序建立重心連線比序列、顏色序列和面積比序列。

優(yōu)選地，所述讀取監(jiān)控視頻圖像，轉(zhuǎn)換為灰度圖像，運用背景差法獲得只有車輛前景的二值化圖像中，用該二值化圖像將灰度圖像中車輛以外的像素的灰度值置零，設(shè)灰度圖像的像素為，二值化圖像中像素的灰度值為，遍歷圖像的每一個像素，依照下式改變值，

。

優(yōu)選地，所述對得到的二值化圖像做sobel算法邊緣檢測，再進(jìn)行模板濾波，保留水平直線部分中，運用矩陣式w=[-1-1-1；888；-1-1-1]進(jìn)行模板濾波。

優(yōu)選地，所述采用相位編組的霍夫變換來檢測直線，依照下式，

其中，f為處理后的圖像，為每個像素的梯度相位，

將梯度方向內(nèi)且相鄰的點編為一個編組區(qū)n，把每個編組區(qū)進(jìn)行兩點組合快速霍夫變換，得到每個編組區(qū)所支持直線的參數(shù)，采用下式對整個編組區(qū)進(jìn)行峰值檢查，找從最大值到0.8倍最大值的直線參數(shù)及組成該直線像素的梯度方向均值來檢測出車窗的上下邊緣線部分，

。

優(yōu)選地，所述輪廓檢測，去除面積小于預(yù)設(shè)最小值或大于預(yù)設(shè)最大值或小于預(yù)設(shè)寬度的輪廓，采用opencv函數(shù)cvfindcontours實現(xiàn)輪廓檢測。

優(yōu)選地，所述提取感興趣區(qū)域，計算感興趣區(qū)域的重心，采用下式，

，

其中，xc,yc表示區(qū)域重心的坐標(biāo)，m00、m10、m01表示區(qū)域的面積，由下式確定，

mpq=sigma(i)sigma(j)i^pj^qf(i,j)，

其中，x,y,i,j是區(qū)域點的坐標(biāo)，p、q取0或1。

優(yōu)選地，所述顏色直方圖采用hsv顏色模型的色度h來描述，統(tǒng)計色度分布，以分布最多的色度值作為顏色特征。

優(yōu)選地，所述色度h用角度度量，取值范圍為0°～360°，顏色直方圖的矩形條個數(shù)設(shè)為30。

本發(fā)明的有益效果如下：本發(fā)明與現(xiàn)有的車輛識別方法相比，提出了能有效區(qū)分車輛的車窗張貼物的顏色和面積特征，用邊緣處理和基于相位編組的霍夫變換檢測和otsu閾值分割方法等提取該特征的過程，并對車窗提取算法做了適應(yīng)視頻環(huán)境的改進(jìn)。提取可辨識度高，能夠唯一表示所屬車輛，提取算法相比其他車輛識別特征簡單易行，滿足實時性。

附圖說明

圖1為本發(fā)明實施例1的基于車窗特征提取的車輛識別方法的步驟流程圖；

圖2為本發(fā)明實施例2的基于車窗特征提取的車輛識別方法的步驟流程圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

相反，本發(fā)明涵蓋任何由權(quán)利要求定義的在本發(fā)明的精髓和范圍上做的替代、修改、等效方法以及方案。進(jìn)一步，為了使公眾對本發(fā)明有更好的了解，在下文對本發(fā)明的細(xì)節(jié)描述中，詳盡描述了一些特定的細(xì)節(jié)部分。對本領(lǐng)域技術(shù)人員來說沒有這些細(xì)節(jié)部分的描述也可以完全理解本發(fā)明。

實施例1

參見圖1，為本發(fā)明實施例1的本發(fā)明的技術(shù)方案為基于車窗特征提取的車輛識別方法的步驟流程圖，包括以下步驟：

s10，在視頻圖像中檢測出車窗區(qū)域，并將其與源圖像分離出來；

s20，找到車窗張貼物的重心，選擇顏色序列和面積比序列作為車窗張貼物的特征，進(jìn)行特征提取。

通過上述步驟，首先是進(jìn)行車窗定位，在視頻圖像中檢測出車窗區(qū)域，并將其與源圖像分離出來，以便于進(jìn)一步對該區(qū)域進(jìn)行獨立分析和處理。與其他用于車輛識別的信息不同，無論是車牌信息、車標(biāo)信息還是車輛紋理信息，它們都在一個固定位置，且是一個整體，而本發(fā)明的車窗張貼物信息則分布在車窗左半部分區(qū)域內(nèi)，是由幾個或多個張貼物共同組成的信息，它們不能被作為一個整體去分析其特征，故找到張貼物的重心，再經(jīng)過分析論證選擇了顏色序列和面積比序列作為車窗張貼物的特征，成功提取這些特征。

實施例2

參見圖2，為本發(fā)明實施例1的本發(fā)明的技術(shù)方案為基于車窗特征提取的車輛識別方法的步驟流程圖，

s101，讀取監(jiān)控視頻圖像，轉(zhuǎn)換為灰度圖像，運用背景差法獲得只有車輛前景的二值化圖像；

s102，對得到的二值化圖像做sobel算法邊緣檢測，再進(jìn)行模板濾波，保留水平直線部分；

s103，采用相位編組的霍夫變換來檢測直線，找到車窗上下邊界；

s201，采用otsu算法前景分割，得到二值化圖像；

s202，輪廓檢測，去除面積小于預(yù)設(shè)最小值或大于預(yù)設(shè)最大值或小于預(yù)設(shè)寬度的輪廓；

s203，提取感興趣區(qū)域，計算感興趣區(qū)域的重心，算出重心連線、顏色直方圖和面積，以輪廓順序建立重心連線比序列、顏色序列和面積比序列。

具體實施例中，s101，用該二值化圖像將灰度圖像中車輛以外的像素的灰度值置零，設(shè)灰度圖像的像素為，二值化圖像中像素的灰度值為，遍歷圖像的每一個像素，依照下式改變值，

。

如此，在后續(xù)檢測時，可以去除車輛以外部分直線的干擾，從而準(zhǔn)確得到車輛的邊界直線，同時也就確定了車輛的輪廓邊界。

s102中，保留水平直線部分中，運用矩陣式w=[-1-1-1；888；-1-1-1]進(jìn)行模板濾波。使圖像盡可能只留下水平直線部分，提高后續(xù)霍夫變換檢測直線的準(zhǔn)確性。

s103中，采用相位編組的霍夫變換來檢測直線，依照下式，

其中，f為處理后的圖像，為每個像素的梯度相位，

將梯度方向內(nèi)且相鄰的點編為一個編組區(qū)n，把每個編組區(qū)進(jìn)行兩點組合快速霍夫變換，得到每個編組區(qū)所支持直線的參數(shù)，采用下式對整個編組區(qū)進(jìn)行峰值檢查，找從最大值到0.8倍最大值的直線參數(shù)及組成該直線像素的梯度方向均值來檢測出車窗的上下邊緣線部分，

。

計算出各直線段的長度，找出并表示出最長直線段以及次長直線段，并根據(jù)該兩個線段位置提取中間的車窗部分。

s201中，采用opencv函數(shù)cvfindcontours實現(xiàn)輪廓檢測，是經(jīng)過了與自適應(yīng)閾值分割、基本全局閾值分割的對比，該函數(shù)在找到輪廓的同時能夠?qū)⑤喞宵c的坐標(biāo)信息存儲在一個序列里，便于確定輪廓位置，并且該函數(shù)檢測輪廓的順序是從下到上從左到右。

s202中，計算感興趣區(qū)域的重心，采用下式，

，

其中，xc,yc表示區(qū)域重心的坐標(biāo)，m00、m10、m01表示區(qū)域的面積，由下式確定，

mpq=sigma(i)sigma(j)i^pj^qf(i,j)，

其中，x,y,i,j是區(qū)域點的坐標(biāo)，p、q取0或1。

s203中，顏色直方圖采用hsv顏色模型的色度h來描述，統(tǒng)計色度分布，以分布最多的色度值作為顏色特征，色度h用角度度量，取值范圍為0°～360°，顏色直方圖的矩形條個數(shù)設(shè)為30。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。