專利名稱：計(jì)算機(jī)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(jì)算機(jī)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(jì)算機(jī)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(yīng)用提供了契機(jī)。計(jì)算機(jī)視覺是利用計(jì)算機(jī)來模擬人的視覺功能，從客觀事物的圖像中提取信息，進(jìn)行處理并加以理解，最終用于實(shí)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(biāo)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(gè)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(jī)與車輛之間的距離和拍攝的角度算出車輛的實(shí)際大小，這種方法存在的缺陷是，攝像機(jī)與車輛之間的距離必須保持不變，而這在實(shí)際應(yīng)用中是難以實(shí)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(biāo)準(zhǔn)進(jìn)行匹配，這種方法運(yùn)算量小，但是只適用于參數(shù)個(gè)數(shù)較少的情況下，而且參數(shù)太少就無法對車輛進(jìn)行有效分類。模板匹配法把得到的特征參數(shù)與標(biāo)準(zhǔn)模板進(jìn)行比較，這需要耗費(fèi)很多的計(jì)算時(shí)間而且容錯(cuò)性差。另一個(gè)更實(shí)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(shí)際應(yīng)用中都要求按照車輛的座位數(shù)和噸數(shù)來收費(fèi)，因此上述分類結(jié)果很難應(yīng)用在實(shí)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(jì)算機(jī)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(jì)算機(jī)通過視頻圖像識別車輛類型耗費(fèi)很多的計(jì)算時(shí)間而且容錯(cuò)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(jì)算機(jī)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(jì)算機(jī)獲取視頻圖像，從視頻圖像中提取出目標(biāo)關(guān)鍵幀，通過背景剪除提取出待識別的目標(biāo)區(qū)域，并對視頻圖像進(jìn)行預(yù)處理；(2)對預(yù)處理完畢的圖像進(jìn)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(jì)算目標(biāo)區(qū)域的形狀特征；(3)通過機(jī)器學(xué)習(xí)方法進(jìn)行所有車輛類型的樣本訓(xùn)練，當(dāng)樣本訓(xùn)練完畢后對待識別的目標(biāo)區(qū)域進(jìn)行分類預(yù)測識別出車輛類型。優(yōu)選的，所述方法步驟(2)中計(jì)算目標(biāo)區(qū)域的形狀特征采用的HU矩計(jì)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(biāo)原點(diǎn)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(jì)學(xué)中被用來反映隨機(jī)變量的分布情況，推廣到力學(xué)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(gè)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(biāo)原點(diǎn)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(gè)
矩都要除以Mqq的某個(gè)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(gè)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(jì)算得到，其計(jì)算公式如上圖hl-h7優(yōu)選的，所述方法步驟(3)機(jī)器學(xué)習(xí)方法為SVM支持向量機(jī)和BP的人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，先將準(zhǔn)備好的汽車類型訓(xùn)練樣本圖片集特征輸入SVM支持向量機(jī)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練。本發(fā)明技術(shù)方案的基本流程是獲得圖像——> 圖像預(yù)處理——> 提取特征——>圖像分類，該方法中基于圖像識別進(jìn)行車輛分類識別的過程主要包括兩個(gè)階段1、從圖像中提取目標(biāo)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(dòng)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(shè)備獲取的圖像有遠(yuǎn)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?yàn)榛趫D像識別的車輛分類問題具有模糊、殘缺、不確定的特點(diǎn)，良好的機(jī)器學(xué)習(xí)算法相比于以往模版方法能夠更好的適應(yīng)半自動(dòng)化的學(xué)習(xí)，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(jī)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法來完成特征映射。最后考慮到實(shí)際應(yīng)用的需要，根據(jù)作為數(shù)量將類別設(shè)計(jì)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(biāo)識車輛特征。它屬于相對幾何特征，不要求計(jì)算車輛的實(shí)際大小，而是計(jì)算車輛各個(gè)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(kuò)大了應(yīng)用范圍。而且Hu幾何不變矩技術(shù)成熟，有良好的應(yīng)用基礎(chǔ)。本發(fā)明技術(shù)方案選用SVM支持向量機(jī)和BP的人工神經(jīng)網(wǎng)絡(luò)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(luò)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(diǎn)的問題。同時(shí)SVM支持向量機(jī)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(jī)與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法在處理規(guī)模較大的樣本時(shí)仍然有較快的計(jì)算速度和容錯(cuò)性。經(jīng)測試樣本測試，BP神經(jīng)網(wǎng)絡(luò)對于客車的識別率高，達(dá)到88%，而SVM支持向量機(jī)對于轎車有較高識別率，達(dá)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(biāo)準(zhǔn)現(xiàn)有的分類標(biāo)準(zhǔn)多將車輛分成大中小或者轎車卡車客車三類，實(shí)際用用意義不大。本發(fā)明將分類標(biāo)準(zhǔn)細(xì)化，根據(jù)客運(yùn)車輛座位數(shù)量，將分類標(biāo)準(zhǔn)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(shí)施例對本發(fā)明作進(jìn)一步描述圖1為預(yù)處理后客車、SUV、轎車的輪廓圖像；圖2為圖像預(yù)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(xùn)練的工作流程圖。
具體實(shí)施例方式以下結(jié)合具體實(shí)施例對上述方案做進(jìn)一步說明。應(yīng)理解，這些實(shí)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(shí)施例中采用的實(shí)施條件可以根據(jù)具體廠家的條件做進(jìn)一步調(diào)整，未注明的實(shí)施條件通常為常規(guī)實(shí)驗(yàn)中的條件。實(shí)施例該實(shí)施例中計(jì)算機(jī)通過視頻圖像識別車輛類型的方法，按照如下步驟進(jìn)行(I)計(jì)算機(jī)獲取視頻圖像，從視頻圖像中提取出目標(biāo)關(guān)鍵幀，通過背景剪除提取出待識別的目標(biāo)區(qū)域，并對視頻圖像進(jìn)行預(yù)處理；(2)對預(yù)處理完畢的圖像進(jìn)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(jì)算目標(biāo)區(qū)域的形狀特征；(3)通過機(jī)器學(xué)習(xí)方法進(jìn)行所有車輛類型的樣本訓(xùn)練，當(dāng)樣本訓(xùn)練完畢后對待識別的目標(biāo)區(qū)域進(jìn)行分類預(yù)測識別出車輛類型。整個(gè)技術(shù)方案主要有三個(gè)部分視頻圖像預(yù)處理、特征提取和分類器訓(xùn)練。1、視頻圖像預(yù)處理從視頻圖像中提取出目標(biāo)關(guān)鍵幀，運(yùn)用背景剪除技術(shù)提取出待識別的目標(biāo)區(qū)域，對含有目標(biāo)區(qū)域的幀圖像進(jìn)行增強(qiáng)、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(yù)處理后的三種汽車圖像輪廓。2、特征提取利用hu矩計(jì)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(jì)算機(jī)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(jì)算機(jī)獲取視頻圖像，從視頻圖像中提取出目標(biāo)關(guān)鍵幀，通過背景剪除提取出待識別的目標(biāo)區(qū)域，并對視頻圖像進(jìn)行預(yù)處理；(2)對預(yù)處理完畢的圖像進(jìn)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(jì)算目標(biāo)區(qū)域的形狀特征；(3)通過機(jī)器學(xué)習(xí)方法進(jìn)行所有車輛類型的樣本訓(xùn)練，當(dāng)樣本訓(xùn)練完畢后對待識別的目標(biāo)區(qū)域進(jìn)行分類預(yù)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(jì)算目標(biāo)區(qū)域的形狀特征采用的HU矩計(jì)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(biāo)原點(diǎn)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(jī)器學(xué)習(xí)方法為SVM支持向量機(jī)和BP的人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，先將準(zhǔn)備好的汽車類型訓(xùn)練樣本圖片集特征輸入SVM支持向量機(jī)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練。
全文摘要
本發(fā)明公開了一種計(jì)算機(jī)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(jì)算機(jī)獲取視頻圖像，從視頻圖像中提取出目標(biāo)關(guān)鍵幀，通過背景剪除提取出待識別的目標(biāo)區(qū)域，并對視頻圖像進(jìn)行預(yù)處理；(2)對預(yù)處理完畢的圖像進(jìn)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(jì)算目標(biāo)區(qū)域的形狀特征；(3)通過機(jī)器學(xué)習(xí)方法進(jìn)行所有車輛類型的樣本訓(xùn)練，當(dāng)樣本訓(xùn)練完畢后對待識別的目標(biāo)區(qū)域進(jìn)行分類預(yù)測識別出車輛類型。該方法能夠半自動(dòng)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