基于圖像的貨車檢測方法
【技術領域】
[0001] 本發(fā)明設及交通管理監(jiān)控領域，尤其是一種貨車檢測方法。
【背景技術】
[0002] 大貨車車體較長、行駛速度慢、轉彎半徑大，極易造成市區(qū)道路的大面積擁堵。為 了緩解市區(qū)道路的壓力，保障市區(qū)道路的暢通與安全，各市中屯、地段通常會進行貨運車的 限行。
[0003] 隨著計算機視覺和模式識別技術的不斷發(fā)展，人們可W從圖像中提取信息并進行 處理，自動、實時地對車輛進行檢測和分類，實現對通行車輛的自動識別，并和硬件結合在 一起，進行限行貨車的違法行為的抓拍。
[0004] 目前基于圖像的車型檢測技術，主要包括兩個階段。
[0005] 一、從圖像中分割出目標車輛。該一階段主要利用圖像序列之間存在的大量相關 信息進行車輛區(qū)域定位和分割。如果在復雜的背景下分割出完整的目標車輛區(qū)域是整個系 統的前提和基礎，目標區(qū)域的分割質量直接影響到車型的判斷結果。目前的研究均沒有考 慮復雜背景下的情況。
[0006]二、提取車輛特征。在車輛經過預處理后，需要選取具有代表性的特征并將其量 化，作為描述車輛特征的參數。選取的特征應既能充分體現所屬車型的特點，又具有簡潔 性，減少計算復雜度。
[0007]目前，車輛特征的選取主要集中在車輛幾何尺寸的度量。該種方法的缺陷是攝像 頭與車輛之間的距離必須保持不變，而該在實際應用中難W實現。

【發(fā)明內容】

[000引本發(fā)明的目的在于克服現有技術中存在的不足，提供一種基于圖像的貨車檢測方 法，可W用一張靜態(tài)圖像即可進行車輛類型的區(qū)分，特別方便與公安交通部口展開工作，能 夠充分利用已有的車輛抓拍系統的圖像數據，減少設備W及其他相關資源的投入；方便交 警開展道路貨車整治工作，維持優(yōu)良的道路通行狀態(tài)；協助交管部口分析判斷城市道路中 的貨車的運行走向，更好的規(guī)劃管理市內的貨車通行狀況。本發(fā)明采用的技術方案是：
[0009] 一種基于圖像的貨車檢測方法，其特征在于，包括下述步驟：
[0010] 步驟A，車牌定位，在原始圖像中定位車牌位置區(qū)域；
[0011] 步驟B，根據定位車牌結果，判斷原始圖像中的車輛為大車或小車；
[0012] 步驟C，對判斷出的大車根據車牌與地面的相對位置和前擋風玻璃的大小，從中繼 續(xù)區(qū)分出貨車。
[0013] 進一步地，所述步驟A具體包括：
[0014] 步驟A1，根據圖像庫中的圖像車牌出現區(qū)域的固定性，在原始圖像上截取相應的 區(qū)域作為車牌檢測的樣本；
[0015] 步驟A2,在截取后的圖像中，設置藍色與黃色闊值；將與藍色接近的區(qū)域進行分 害d，得到藍色闊值圖像；將與黃色接近的區(qū)域進行分割，得到黃色闊值圖像；
[0016] 將上述的藍色闊值圖像與黃色闊值圖像相或，得到藍或黃闊值圖像；
[0017] 步驟A3,將步驟（A1)中截取后的圖像從RGB空間轉換到HSI空間，并在S通道中 設定闊值對圖像進行二值化，得到S通道闊值掩膜圖像；
[001引步驟A4,將步驟（A3)的S通道闊值掩膜圖像與步驟（A2)的藍或黃闊值圖像相點 乘，得到二值化圖像；
[0019] 步驟A5,將步驟（A4)中二值化圖像通過水平投影法統計每一行中白色像素點的 個數，個數在設定范圍內的圖像行被標記為"疑似車牌所在行"，在一系列連續(xù)的"疑似車牌 所在行"中，選擇連續(xù)行數最多的一組，確定為車牌所在行；
[0020] 步驟A6,將車牌所在行提取出來進行垂直投影，統計每一列中白色像素點的個數， 將個數高于設定數值的列數標記為車牌所在列；得到車牌所在行、列之后，就完成了車牌的 第一次位置定位；也就是車牌位置的粗定位；
[0021] 步驟A7,根據車牌粗定位的位置，在步驟（A4)二值化圖像中取出該個位置區(qū)域的 圖像即車牌第一次定位二值化圖像，在步驟（A1)的截取圖像中取出該個位置區(qū)域的圖像 即車牌第一次定位彩色圖像；
[0022] 步驟A8,將車牌第一次定位結果輸入判斷模塊，確定定位出的位置區(qū)域是否是一 個好的車牌；步驟A8包括下述判斷過程：
[0023] 步驟A8. 1，計算車牌粗定位后，車牌第一次定位二值化圖像的尺寸和長寬比，如果 長寬比在設定范圍內，則認為長寬比滿足與車牌相近的條件；
[0024] 步驟A8. 2,統計車牌粗定位后，車牌第一次定位彩色圖像中的黃色像素點個數，W 及藍色像素點個數；
[0025] 藍色像素點數或黃色像素點數如超過粗定位后的車牌第一次定位彩色圖像的像 素點總數的一個比例闊值，則認為滿足像素比例條件；
[0026] 步驟A8. 3,統計車牌粗定位后，車牌第一次定位彩色圖像的像素點總數是否在適 當的區(qū)間范圍，如在區(qū)間范圍內則認為車牌粗定位區(qū)域與一個車牌大小相當；
[0027] 步驟A8. 4,判斷車牌粗定位后，車牌第一次定位彩色圖像是否存在一定的紋理： 將車牌第一次定位彩色圖像作HSI顏色空間轉換，然后對其中的S通道作邊緣檢測，并統計 邊緣點總數，如果邊緣點總數超過設定闊值，認為車牌粗定位后，車牌第一次定位彩色圖像 存在一定的紋理；
[002引如果車牌粗定位后，上述步驟A8. 1~步驟A8. 4均通過了判斷，則輸出定位結果， 否則繼續(xù)下一步；
[0029] 步驟A9,將步驟（A4)得到的二值化圖像，利用Sobel算子檢測梯度；
[0030] 步驟A9. 1，計算二值化圖像每個像素點水平、垂直梯度，并計算水平、垂直梯度平 方和，得到方差圖像；
[0031] 步驟A9. 3,找出二值化圖像中水平、垂直梯度平方和的最大值；
[0032] 步驟A9. 4,W水平、垂直梯度平方和的最大值的一個縮小倍數為闊值，對方差圖像 進行二值化，得到方差二值化圖像；
[0033] 步驟A9. 5,W-個與車牌尺寸相當的滑動窗遍歷方差二值化圖像，統計局部白點 個數；
[0034] 步驟A9. 6,找到白點個數最多的區(qū)域，得到區(qū)域的位置坐標；
[0035] 根據該個位置坐標，在步驟（A4)二值化圖像中取出該個位置區(qū)域的圖像即車牌 第二次定位二值化圖像，在步驟（A1)的截取圖像中取出該個位置區(qū)域的圖像即車牌第二 次定位彩色圖像；
[0036] 采用和步驟（A8)相同的方法進行判斷，如果車牌第二次定位彩色圖像通過了判 斷，則輸出定位結果；否則繼續(xù)下一步；
[0037] 步驟A10,進行車牌定位第=次判斷；
[003引步驟A10. 1，在步驟（A1)中截取后的圖像中，設置白色闊值；將與白色接近的區(qū)域 進行分割，得到白色闊值圖像；計算白色闊值圖像水平、垂直梯度平方和，得到白色闊值梯 度圖像；
[0039] 步驟A10. 2,在步驟（A1)中截取后的圖像中，設置藍色闊值；將與藍色接近的區(qū)域 進行分割，得到藍色闊值圖像；計算藍色闊值圖像水平、垂直梯度平方和，得到藍色闊值梯 度圖像；
[0040] 步驟A10. 3,將白色闊值梯度圖像與藍色闊值梯度圖像進行相并的操作，得到藍白 梯度二值化圖像；
[0041] 步驟A10. 4,W-個與車牌尺寸相當的滑動窗遍歷藍白梯度二值化圖像，統計局部 白點個數；
[0042] 步驟A10. 5,找到白點個數最多的區(qū)域，得到區(qū)域的位置坐標；
[0043] 根據該個位置坐標，在步驟（A4)二值化圖像中取出該個位置區(qū)域的圖像即車牌 第=次定位二值化圖像，在步驟（A1)的截取圖像中取出該個位置區(qū)域的圖像即車牌第= 次定位彩色圖像；
[0044] 采用和步驟（A8)相同的方法進行判斷，如果車牌第=次定位彩色圖像通過了判 斷，則輸出定位結果；否則定位失敗。
[0045] 更進一步地，
[0046] 步驟A3中，二值化時，S通道中闊值TH= 0. 3,大于TH的像素點為1，否則為0。
[0047] 更進一步地，
[0048] 步驟A9. 4中，水平、垂直梯度平方和的最大值的一個縮小倍數為0. 2倍。
[0049] 進一步地，
[0化日]所述步驟B具體包括下述步驟B1和/或步驟B2 :
[0化1] 步驟B1，在步驟A中得到的車牌定位彩色圖像中，即車牌第一次定位彩色圖像、或 車牌第二次定位彩色圖像、或車牌第=次定位彩色圖像中，檢測黃色像素點個數，若大于設 定闊值則將原始圖像中當前車輛判別為大型車；
[0化2] 步驟B2,根據原始圖像上部區(qū)域的平整度，W及車牌占一個包含車牌在內的截取 圖像中的寬度占比，聯合判斷原始圖像中的車輛為大車或小車