基于车窗特征提取的车辆识别方法技术

本发明专利技术公开了基于车窗特征提取的车辆识别方法，包括以下步骤：在视频图像中检测出车窗区域，并将其与源图像分离出来；找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取。本发明专利技术提取可辨识度高，能够唯一表示所属车辆，提取算法相比其他车辆识别特征简单易行，满足实时性。

【技术实现步骤摘要】
基于车窗特征提取的车辆识别方法
本专利技术属于图像处理领域，涉及一种基于车窗特征提取的车辆识别方法。
技术介绍
智能交通系统作为一种先进的自动化道路交通管理系统，主要依托前沿的计算机视频图像技术、模式识别、计算机网络技术、传感器技术及射频技术等。未来的智能交通系统将实现以下功能：取代人工记录车牌、监控车辆违法行为的方式，通过采集的视频图像自动识别车牌及车辆其他特征进行车辆自动识别，自动检测汽车超速、不遵守交通信号灯等违反交通规则的行为；通过云技术将各信息采集终端网络连接，后台服务器对各终端数据进行存储和IAI-动匹配，为高速路车辆识别和车辆行车里程、行车路径的确定提供技术支持：通过视频标注技术，对监控视频，中的感兴趣点进行标注，为公安部门侦破案件时查找可疑车辆、可疑人员提供按条件快速查找，取代人工花费大量时问在繁多的监控视频中查找的方式。总之，科研人员正不断把人工智能等方面的新技术应用于智能交通系统，使之朝着前面所述目标在管理和解决城市道路交通问题上不断改进和完善。作为智能交通系统的重要组成部份，基于视频图像的车辆识别系统以其低成本、高效率、自动化水平高等特点不仅是当前研究热点也成为智能交通发展的趋势。当前基于视频图像的车辆识别系统主要有车牌识别系统、车标识别系统和车脸识别系统等。车牌识别系统是比较成熟的系统，目前已经得到了广泛应用，但其识别率仍然难以满足交通需要，特别是在夜晚以及复杂天气条件下，而车标识别和车脸识别系统还都处于实验研究阶段，尚未得到实际应用。但随着我国车辆保有量的逐年增加，一些人出于自身利益和侥幸心理进行遮挡车牌、套牌、不挂牌等违法行为，同时在高速公路上也存在着类似现象，这不仅给交通管理带来了极大的不便，也在一定程度上损害了相关部f1的利益，同时也给公安交警等执法部门的案件侦破等带来了极坏的影响。
技术实现思路
为解决上述问题，本专利技术的目的在于提供一种以车前窗张贴物为特征的识别车辆方法。为实现上述目的，本专利技术的技术方案为基于车窗特征提取的车辆识别方法，包括以下步骤：在视频图像中检测出车窗区域，并将其与源图像分离出来；找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取。优选地，所述在视频图像中检测出车窗区域，并将其与源图像分离出来，包括以下步骤：读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像；对得到的二值化图像做sobel算法边缘检测，再进行模板滤波，保留水平直线部分；采用相位编组的霍夫变换来检测直线，找到车窗上下边界。优选地，所述找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取，包括以下步骤：采用Otsu算法前景分割，得到二值化图像；轮廓检测，去除面积小于预设最小值或大于预设最大值或小于预设宽度的轮廓；提取感兴趣区域，计算感兴趣区域的重心，算出重心连线、颜色直方图和面积，以轮廓顺序建立重心连线比序列、颜色序列和面积比序列。优选地，所述读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像中，用该二值化图像将灰度图像中车辆以外的像素的灰度值置零，设灰度图像的像素为，二值化图像中像素的灰度值为，遍历图像的每一个像素，依照下式改变值，。优选地，所述对得到的二值化图像做sobel算法边缘检测，再进行模板滤波，保留水平直线部分中，运用矩阵式w=[-1-1-1；888；-1-1-1]进行模板滤波。优选地，所述采用相位编组的霍夫变换来检测直线，依照下式，其中，f为处理后的图像，为每个像素的梯度相位，将梯度方向内且相邻的点编为一个编组区N，把每个编组区进行两点组合快速霍夫变换，得到每个编组区所支持直线的参数，采用下式对整个编组区进行峰值检查，找从最大值到0.8倍最大值的直线参数及组成该直线像素的梯度方向均值来检测出车窗的上下边缘线部分，。优选地，所述轮廓检测，去除面积小于预设最小值或大于预设最大值或小于预设宽度的轮廓，采用opencv函数cvFindContours实现轮廓检测。优选地，所述提取感兴趣区域，计算感兴趣区域的重心，采用下式，，其中，Xc,Yc表示区域重心的坐标，M00、M10、M01表示区域的面积，由下式确定，Mpq=sigma(i)sigma(j)ipjqf(i,j)，其中，x,y,i,j是区域点的坐标，p、q取0或1。优选地，所述颜色直方图采用HSV颜色模型的色度H来描述，统计色度分布，以分布最多的色度值作为颜色特征。优选地，所述色度H用角度度量，取值范围为0°～360°，颜色直方图的矩形条个数设为30。本专利技术的有益效果如下：本专利技术与现有的车辆识别方法相比，提出了能有效区分车辆的车窗张贴物的颜色和面积特征，用边缘处理和基于相位编组的霍夫变换检测和Otsu阈值分割方法等提取该特征的过程，并对车窗提取算法做了适应视频环境的改进。提取可辨识度高，能够唯一表示所属车辆，提取算法相比其他车辆识别特征简单易行，满足实时性。附图说明图1为本专利技术实施例1的基于车窗特征提取的车辆识别方法的步骤流程图；图2为本专利技术实施例2的基于车窗特征提取的车辆识别方法的步骤流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。相反，本专利技术涵盖任何由权利要求定义的在本专利技术的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本专利技术有更好的了解，在下文对本专利技术的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本专利技术。实施例1参见图1，为本专利技术实施例1的本专利技术的技术方案为基于车窗特征提取的车辆识别方法的步骤流程图，包括以下步骤：S10，在视频图像中检测出车窗区域，并将其与源图像分离出来；S20，找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取。通过上述步骤，首先是进行车窗定位，在视频图像中检测出车窗区域，并将其与源图像分离出来，以便于进一步对该区域进行独立分析和处理。与其他用于车辆识别的信息不同，无论是车牌信息、车标信息还是车辆纹理信息，它们都在一个固定位置，且是一个整体，而本专利技术的车窗张贴物信息则分布在车窗左半部分区域内，是由几个或多个张贴物共同组成的信息，它们不能被作为一个整体去分析其特征，故找到张贴物的重心，再经过分析论证选择了颜色序列和面积比序列作为车窗张贴物的特征，成功提取这些特征。实施例2参见图2，为本专利技术实施例1的本专利技术的技术方案为基于车窗特征提取的车辆识别方法的步骤流程图，S101，读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像；S102，对得到的二值化图像做sobel算法边缘检测，再进行模板滤波，保留水平直线部分；S103，采用相位编组的霍夫变换来检测直线，找到车窗上下边界；S201，采用Otsu算法前景分割，得到二值化图像；S202，轮廓检测，去除面积小于预设最小值或大于预设最大值或小于预设宽度的轮廓；S203，提取感兴趣区域，计算感兴趣区域的重心，算出重心连线、颜色直方图和面积，以轮廓顺序建立重心连线比序列、颜色序列和面积比序列。本文档来自技高网...

【技术保护点】
基于车窗特征提取的车辆识别方法，其特征在于，包括以下步骤：在视频图像中检测出车窗区域，并将其与源图像分离出来；找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取。

【技术特征摘要】
1.基于车窗特征提取的车辆识别方法，其特征在于，包括以下步骤：在视频图像中检测出车窗区域，并将其与源图像分离出来；找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取。2.根据权利要求1所述的方法，其特征在于，所述在视频图像中检测出车窗区域，并将其与源图像分离出来，包括以下步骤：读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像；对得到的二值化图像做sobel算法边缘检测，再进行模板滤波，保留水平直线部分；采用相位编组的霍夫变换来检测直线，找到车窗上下边界。3.根据权利要求1所述的方法，其特征在于，所述找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取，包括以下步骤：采用Otsu算法前景分割，得到二值化图像；轮廓检测，去除面积小于预设最小值或大于预设最大值或小于预设宽度的轮廓；提取感兴趣区域，计算感兴趣区域的重心，算出重心连线、颜色直方图和面积，以轮廓顺序建立重心连线比序列、颜色序列和面积比序列。4.根据权利要求2所述的方法，其特征在于，所述读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像中，用该二值化图像将灰度图像中车辆以外的像素的灰度值置零，设灰度图像的像素为，二值化图像中像素的灰度值为，遍历图像的每一个像素，依照下式改变值，。5.根据权利要求2所述的方法，其特征在于，所述对得到的二值化图像做sobe...

【专利技术属性】
技术研发人员：严曲雅，徐超，郭晓泽，鲁晓，吴峻，杨典，张春，
申请(专利权)人：安徽大学，安徽省交通控股集团有限公司，
类型：发明
国别省市：安徽,34