基于矩不變理論的車型識別技術研究

張海寧，唐晟超

(西安工業(yè)大學電子信息工程學院，西安710021)

1 引言

車型的自動識別系統(tǒng)是從車輛分類的標準出發(fā)，對各種車輛進行信息采集，然后利用這些信息對車輛進行自動分類。目前在光照度好、拍攝角度小等條件下，已經有很高的車型識別率。但當光照度差、拍攝角度大、以及車體角度發(fā)生變化時，車型就很難被正確識別。本論文基于研究不變矩特征提出算法，使用歐氏距離法作為特征匹配算法，對運動的目標圖像特征提取方面的算法進行了探索，通過選用車型圖像作為研究對象，進行車型識別。

2 基于不變矩的特征提取算法

各類汽車車身側視圖的區(qū)別在于車身總長、總高、頂蓬位置及頂蓬長度的不同，在設計時，根據車型分類的具體要求，可以使用上述特征計算出如下幾個參數，作為本系統(tǒng)分類識別器的輸入數據:

頂蓬中心=(頂蓬中心坐標—車頭坐標)/汽車總長;

頂長比=頂蓬長度/汽車長度;

頂高比=頂蓬長度/汽車高度;

前后比=頂蓬中心至車廂前端尺寸/頂蓬中心至車廂后端尺寸。

雖然以上方法可提取圖像的特征，但是對于有效識別還是存在很大的差異，特別是對具有平移、縮放、旋轉性質的目標識別效果不是很好，故提出基于矩不變理論的識別方法。

令圖像區(qū)域f(x，y)是分段連續(xù)的，其(m..n)階笛卡爾系幾何矩(簡稱矩)定義為:

只要f(x，y)在x，y平面D區(qū)域的有限部分中有非零值，則上式中定義的所有各階矩都存在，(m..n)階中心矩具有平移變換不變性:

x0，y0表示圖像的重心。

中心矩可以由其等階或者低階的矩表示出來，這樣便可以對中心矩進行標準化處理:

標準化的中心矩不但具有平移變換的不變性，而且還具有比例縮放變換的不變性。

因圖像的位置、形狀、方向、大小等特性都與矩這個參數有關。將圖像區(qū)域f(x，y)換成二維影像圖形值，可以假設f(x，y)在物體內取值為1而在其外都取0值，這樣它就與物體的輪廓建立了一個一一對應，所以這個矩集合就反映了物體的輪廓信息。分析一個車型圖像的矩組合，首先提取原始圖像邊緣，進行二值形態(tài)學處理后，得到二值圖像，其含有車體的部分對應“1”即亮點，而背景部分對應“0”即暗點。然后，進行矩組合的特征提取，其算法如圖1(函數invariancematrix)所示。

圖1 不變矩函數的計算方法

3 特征匹配

對于圖像識別來說，除了特征提取外，特征的對比也是核心技術之一。設有n個樣本U=(X1，X2…Xn)，其中每一個樣本Xi具有m個特性指標，即Xi由向量Xi=(xi1，xi2…xin)表示。則兩個樣本 Xi，Xj之間的相似程度可以由以下方式來定義:

針對車型識別研究，歐氏距離法是一個比較有效的匹配方法之一。計算目標圖像和待匹配圖像Ri兩個向量之間的歐氏距離Di，定義P為歐氏距離的最小值，預先設定一個閾值L以確定兩者的相似度，如果P＜L，則目標圖像是所尋找的待匹配圖像Ri，反之則不是。

4 車型自動識別系統(tǒng)實現流程

本文以各種公路收費站為參考模型，就是首先通過由傳感器獲取的車型輸入數據來得到車型表達，然后將它與數據庫中存儲的車型表達相匹配。具體步驟是:

(1)利用圖像捕捉設備捕捉車輛圖像信號;

(2)對車輛圖像進行預處理，包括灰度化和噪聲消除;

(3)對車型圖像進行邊緣檢測，得出車型的邊緣信號;

(4)提取車型的歸一化矩不變量特征值。

(5)與車型庫的車型圖進行相似度計算，以判定車型。

在圖像的預處理過程中，采用圖像的灰度化過程，以減少計算量。

接下來是圖像相減工作，該工作的目的是去除背景，只留下待處理的車型輪廓信息。

在圖像的邊緣提取過程中，本系統(tǒng)使用邊緣提取方法提取出目標輪廓。在特征抽取和匹配過程中，在輪廓邊界圖的基礎上，對圖像目標的區(qū)域圖和邊界圖進行中心矩計算，并進行中心矩歸一化。由此計算出目標圖像和待匹配圖像中目標的特征向量，最后計算兩個向量之間的歐氏距離，通過預先設定的閾值來判定兩者的相似度，從而達到車型識別的目的。典型的車型識別系統(tǒng)如圖2所示。

圖2 車型識別流程

識別過程如下:

(1)彩色圖像轉化為灰度圖像，對轉化后的灰度圖像進行去噪增強。對不同大小的圖片，采取了不同增強方式(對較小的圖片采用中值濾波;對較大的圖片采用均值濾波)，本系統(tǒng)使用中值濾波進行去噪增強。

(2)對一組標準車型圖像Ri(Ri=1，2…n)進行邊緣提取，取得一組主要圖形區(qū)域Gi(標準車型圖形Gi)。首先進行減運算去除背景，經Canny邊緣提取得到二值化的邊緣圖像。由于經過了去噪，所以得到的二值化邊緣圖像中，值為1的點一定是圖案的邊緣點，得到標準車型圖形Gi。

(3)對標準車型圖形Gi進行二值形態(tài)學處理(腐蝕、區(qū)域填充)，得到可進行提取不變矩的標準車型圖形Fi。

(4)對這組標準車型圖形Fi進行中心矩的計算，然后分別計算出其包含七個不變矩的特征向量M(i，:)。

(5)對測試車型圖像R進行邊緣提取、二值形態(tài)學處理，取得其測試車型圖形F;對測試車型圖形F進行中心矩的計算，然后計算出其包含七個不變矩的特征向量invariancematrix。

(6)分別計算測試車型圖形R的特征向量invariancematrix和已知標準車型圖形Ri的特征向量M(i，:)之間的歐氏距離Di;

(7)取 P=min{Di，i=1，2…n}，并記錄該最小值是和哪一幅標準車型圖形計算時產生的。

(8)預先設定一個閾值L以確定兩者的相似度:如果P＜L，則認為該測試車型圖形R屬于所記錄的標準車型圖形，否則該測試車型圖形屬于未知圖形，也就是說該測試車型圖像為未知車型圖像。

5 車型識別測試

本論文中運用2100幅不同類型的汽車車型圖像(其中客車類800輛、轎車類900輛貨車類400輛)進行識別和分類，測試所得各項指標如表1所示，對車型的傾斜度有較強的抗斜效果。

表1 車型識別率圖表

從被識別圖像中三類車各隨機抽取10幅，將每一個圖像做10次隨機旋轉(旋轉角度在－5°－+5°之間)，各得到100幅圖像。

分別計算其不變矩，識別結果如表2所示。

表2 車型識別率圖表

最后再從被識別圖像中各隨機抽取50幅，將每一個圖像分別縮小0.8倍、放大1.2倍，各得到100幅縮放圖像。

分別計算其不變矩，識別結果如表3所示。

表3 車型識別率圖表

6 結束語

選擇了目標圖像的七個矩不變量作為圖像的特征，這些矩不變量是平移、縮放以及旋轉不變的。從而可以在識別過程中有效地克服由于被識別圖像在發(fā)生平移、旋轉等情況時所產生的干擾，有效提高了系統(tǒng)的抗干擾能力。

［1］王波濤，孫景鰲，蔡安妮.相對矩及在幾何形狀識別中的應用［J］.中國圖象圖形學報，2001，6(A 版)(3):296－300.

［2］Alrawi Mohammed，YANG Jie，ZHANG Feng － chao.A PC－Based Real－Time Computation of Moment Invariants［J］.Journal of Software，2002，13(9):1765 －1772.

［3］姚玉榮，章毓晉.利用小波和矩進行基于形狀的圖象檢索［J］.中國圖象圖形學報，2000，5(A 版)(3):206－210.

［4］王坤明，許忠仁.基于不變矩和神經網絡的交通標志識別方法研究［J］.計算機應用研究.2004(3):254－260.

［5］杜亞娟，張洪才.基于矩特征的三維飛機目標識別［J］.數據采集與處理，2000，15(3):390 －394.

［6］甘俊英，張有為.基于不變矩特征和神經網絡的人臉識別模型［J］.計算機工程與應用，2002(7):53－56.

［7］劉進，張?zhí)煨?圖像不變矩的推廣［J］.計算機學報，2004，27(5):668 －674.

［8］柏正堯，周紀勤.離散情況下不變矩的不變性分析［J］.云南大學學報，2000，22(3):185 －188.

［9］姚春光，谷一鳴.不規(guī)則形狀圖象矩特征的一種快速準確算法［J］.模式識別與仿真，2003，22(9):80 －81.

［10］劉鋼欽.利用角點坐標計算圖象的矩不變量［J］.計算機工程與科學，2002，24(1):40 －42.