視頻監控系統中運動車輛的車標識別技術

楊正云，王　林

（貴州民族大學理學院，貴州貴陽550025）

視頻監控系統中運動車輛的車標識別技術

楊正云，王林

（貴州民族大學理學院，貴州貴陽550025）

車標識別技術是車輛識別技術新的研究方向，包括車標定位和車標識別兩項關鍵技術。作者對復雜背景下運動車輛車標定位與識別技術進行了研究，首先，利用Sobel算子找到車輛圖像中豎邊緣區域，采用Shen算子進行水平方向平滑并二值化處理；其次，利用車牌的特征和紋理實現了對車牌的精確定位，再根據車牌與車標的特殊位置關系確定車標所在區域，用車標的先驗知識與紋理特征實現對車標的分割；最后，通過支持向量機的方法對分割出的車標進行識別。實驗結果表明，該算法簡單有效，具有較好的魯棒性和較高的識別率。

車牌定位；車標分割；支持向量機；車標識別；

隨著我國經濟的不斷發展，人民生活水平的不斷提高，每年都有大量的新增車輛上路，給交通管理帶來極大的挑戰，智能交通系統（Intelligence Traffic System，簡稱ITS）的研究被提到重要位置。在ITS中，基于視頻圖像的運動車輛識別技術是自動采集車輛特征信息的重要技術基礎［1］，而車標識別技術是車輛識別技術新的研究方向，是對基于車牌和車型識別的車輛識別技術的重要補充和發展。車標識別技術包括車標定位和車標識別兩項關鍵技術。

目前，常用的車標定位算法有：（1）基于局部對稱性特征的快速車標定位［2］；（2）基于能量增強和形態學濾波的車標定位方法［3］；（3）基于紋理一致性測度的汽車車標分割方法；（4）基于Adaboost的車標定位方法［4］；（5）基于模塊匹配的車標定位方法［5］；（6）基于小波變換的車標定位［6］。

車標識別技術可分為基于區域的技術［7］和基于邊緣的技術［8］。常用的識別方法可分為基于統計的方法、基于句法模式識別的方法、基于人工神經網絡的方法等。

但由于汽車品牌與設計的復雜多樣，各種品牌的汽車車標大小不一，位置與形狀也各不相同，獲取的視頻圖像背景復雜、光照不均、大小形狀不一等情況，增加了車標定位和識別的難度。

本文提出了一種在復雜背景下對運動車輛車標定位與識別的方法。根據車牌與車標的特殊位置關系，在車牌定位的基礎上，實現對車標的定位，用車標的先驗知識與紋理特征將車標分割出來，并通過支持向量機方法對分割出的車標進行識別。

1　車標定位

通過仔細觀察不難發現，幾乎所有車輛的車標都處于車輛前臉中軸線上，且都位于車牌上方。由于車牌特征較豐富且形狀基本統一，定位相對比車標容易。因此，利用車牌和車標的特殊位置關系，在車牌定位的基礎上，能較好地定位車標。

1.1車牌定位

本文采用文獻［9，10］方法對車牌進行定位。首先采用豎直方向的Sobel算子獲取車輛圖像的邊緣圖并用Shen算子對其作水平方向的濾波和進行二值化處理，通過去掉滿足閾值條件的豎直、水平方向的連續線區域，得到了數量較多的候選車牌區域；然后根據車牌的先驗知識去掉不滿足長寬比閾值的區域，降低候選車牌區域數；最后再利用車牌的字符特征與紋理特征篩選出正確的車牌區域，處理結果如圖1所示。

圖1　車牌定位的處理流程圖

1.2車標定位

1.2.1車標搜索范圍

車牌定位后，為了快速有效地實現車標定位，利用車牌和車標位置關系的先驗知識，將搜索范圍限制在車牌的上方區域。本文根據車牌的位置，確定的車標搜索范圍如下：

其中，Ph1、Ph2表示車牌在圖像中的高度位置，Ps1、Ps1表示車牌在圖像中水平位置，Pw表示車牌的寬度，Bh1、Bh2表示車標在圖像中的高度位置，Bs1、Bs2表示車標在圖像中的水平位置，實驗結果如圖2所示。

圖2　車標定位處理結果圖

部分車輛的車標粗定位圖如圖3所示。

圖3　各種車標粗定位的實驗結果圖

1.2.2車標預處理

完成車標粗定位后，接著對車標進行精定位。在對車標進行精定位前，首先對車標圖像進行預處理，以消除部分噪音的干擾。由于多數車標邊緣的信息較豐富，作者采用Sobel算子對邊緣進行提取。Sobel算子由兩個卷積核組成，一個對豎直方向邊緣響應較大，一個對水平方向邊緣響應較大，如下所示：

由于車標圖像豎直方向的邊緣信息較豐富，因此本文采用豎直邊緣Sobel算子對車標圖像進行邊緣提取，并根據經驗值自定義閾值，大于閾值的像素值設為1，小于閾值的像素值設為0，最后得到一幅只有0和1的灰度圖像，使圖像呈現黑白效果。在本文中，的取值為65，二值化的過程可用數學描述如下：

接著對二值化的圖像進行數學形態學的開運算處理，膨脹和腐蝕這兩種操作是形態學處理的基礎。膨脹的具體操作是：用一個結構元素（一般是3×3的大小）掃描圖像中的每一個像素，用結構元素中的每一個像素與其覆蓋的像素做“與”操作，如果都為0，則該像素為0，否則為1。腐蝕的具體操作是：用一個結構元素（一般是3×3的大小）掃描圖像中的每一個像素，用結構元素中的每一個像素與其覆蓋的像素做“與”操作，如果都為1，則該像素為1，否則為0。

腐蝕的作用是消除物體邊界點，使目標縮小，可以消除小于結構元素的噪聲點；膨脹的作用是將與物體接觸的所有背景點合并到物體中，使目標增大，可添補目標中的空洞。開運算是先腐蝕后膨脹的過程，可以消除圖像上細小的噪聲，并平滑物體邊界。閉運算時先膨脹后腐蝕的過程，可以填充物體內細小的空洞，并平滑物體邊界。圖3中車標預處理的結果如圖4所示。

圖4　車標預處理結果圖

2　車標分割

通過上述預處理可以看出，噪聲比較少的圖像通過預處理便可得到車標區域（圖4a），但是大部分圖像還是存在較嚴重的干擾（圖4b、c、d）。因此，針對這種情況，本文對這幾張圖進行垂直投影來分析車標的特征，以方便進行精定位。車標粗定位圖像的垂直投影圖如圖5所示。

圖5　車標垂直投影處理結果圖

其中，曲線表示車標粗定位的垂直投影圖，垂直線表示中軸線。

研究發現，大多數的車標都位于車牌的正中上方，從圖5也可看出，車標圖像不管有沒有噪聲的干擾，車標投影圖都處在圖像的中間，并呈現出“幾”字型，本文的重點就是要找到“幾”字型左右兩邊的低谷點，由此來消除低谷點兩邊的噪聲，具體步驟如下。

（1）從左向右搜索滿足以下條件的低谷點I（i，j）：

1）I（i，j）=0&I（i，j）＜I（i，j-1）；

2）I（i，j）=0&I（i，j）＜I（i，j+1）；

3）I（i，j）＜I（i，j-1）&I（i，j）＜I（i，j+1）；

4）I（i，j）=I（i，j-1）&I（i，j）＜I（i，j+1）；

5）I（i，j）＜I（i，j-1）&I（i，j）=I（i，j+1）；

（3）算出垂直投影圖中的中軸點：zhon_zhu= round（n/2）；如果步驟（2）中的滿足該式：P2（i）〈zhon_zhu&P2（i+1）〉zhon_zhu；便記下這兩個波谷點

車標消除左右噪聲后的處理結果如圖6所示。

圖6　消除左右噪聲處理結果圖

通過圖6可以看出，圖b、圖c車標左右兩邊的噪聲得到了很好的抑制，但是圖d位于車標正上方的部分噪聲并沒有消除掉。雖然車標的形狀大小不統一，但是大部分車標都是左右對稱的，并且在垂直方向上，雖然車標與車牌的位置關系不確定，但是車標總是在車牌的上方，位于車身的垂直中軸線上，通過中軸線算出候選車標圖像的對稱性，既可以判斷候選車標圖像是否位于中軸線上，又可以判斷候選車標圖像左右是否對稱。根據以上信息便可對車標進行精定位，如圖7所示。

圖7　中軸線結果圖

根據圖6，可以通過以下步驟篩選出正確的車標位置：

（1）找到圖d中各個候選車標區域的最大左右邊緣點值：left_p（i）和right_p（i），分別求出left_p（i）和right_p（i）到中心軸的距離Li（1）、Li（2）。

（2）算出差值Ki=Li（1）-Li（2）。

圖8　消除多余噪聲處理結果圖

通過上述步驟，在車標粗定位圖中就只剩下了車標圖。通過填充，最終處理后的車標粗定位圖經掃描上下左右邊緣點，便可從圖3的車標粗定位圖中分割出車標，車標分割處理結果如圖9所示。

圖9　車標分割結果圖

3　車標識別

圖像的特征一般有紋理、顏色、空間和形狀等。由于車標紋理相對比較整齊，通過分類法很難區別各種車標的特征，所以本文以形狀作為原始特征來進行識別。本文在對車標進行二值化的過程中，不僅保留了車標的形狀，還保留了車標的紋理，通過建立二值化車標庫，即可利用支持向量機分類器對待識別車標的二值化圖進行識別。車標庫是車標正確分類的關鍵。在實驗中，本文從多幅圖像中選擇部分車標作為模板樣本，并且每一種車標選取四張不同大小、光照的圖像，以避免在識別過程中，由于一張圖像匹配誤差過大而導致識別結果無效的情況。一種車標有多張圖像不僅可以保證識別的準確性，還可以避免識別過程中的誤判。

完成了待識別車標的特征提取和車標庫的建立后，即可采用分類器對待識別車標進行識別。其中分類器［11］包括最小距離分類器、貝葉斯分類器、支持向量機分類器和神經網絡分類器等，因為支持向量機分類器設計簡單并且能夠滿足實時性要求，所以本文選擇這種分類方法。

支持向量機［12］，一般簡稱SVM，是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，其學習策略便是間隔最大化，最終可轉化為一個凸二次規劃問題的求解。支持向量機的最終問題則轉化為對線性判別函數和判別面的求解，利用線性判別函數涉及多類分類器，有多種方法：（1）可以把類問題轉化為個兩類問題，其中第 個問題是用線性判別函數把屬于類和不屬于的點分開；（2）更復雜的方法是用個線性判別函數，把樣本分為個類別，每個線性判別函數只對其中的兩個類別分類。線性判別函數是指的各個分量的線性組合函數：

設計線性分類器，就是利用訓練樣本集建立線性判別函數，而設計線性分類器的主要問題就是利用訓練樣本集尋找準則函數的極值點和常見的準則函數有：Fisher準則函數、感知準則函數、最小平方誤差準則函數等，進而進一步得到最優分類函數：

表1　各種車標識別效果

從實驗結果可以看出，識別的正確率不是很高，主要是由于本文采用視頻中的一幅圖像來作處理，車標圖案受光照和環境的影響較大，在待識別前進行二值化時信息損失較嚴重，從而影響了識別效果，對于這個問題還需進一步研究。

4　結束語

本文首先對車牌進行精確定位，并利用車標與車牌的特殊位置關系，對車標進行粗定位，接著采用Sobel算子、數學形態學濾波等一系列的算法對車標進行預處理，然后再根據車標的先驗知識與紋理特征對車標進行分割，最后采用支持向量機對待識別車標進行分類識別。實驗結果表明，該方法簡單、有效且有較高的識別率。

［1］J Barroso，Lbulas-Crus，E L Dagless.Real-time Number Plate Reading［C］.4th IFAC Workshop on Algorithms and Architectures for Real-time Control.Vilamoura，Portugal：AARTC，1997.70-73.

［2］肖飛，王運瓊，劉麗梅，等.基于局部對稱性特征的快速車標定位［J］.計算機科學，2010，（37），298-300.

［3］李貴俊，劉正熙，游志勝，等.基于能量增強和形態學濾波的車標定位方法［J］.光電子·激光，2005，16（1）：76-79.

［4］Anagnostopoulos C N E，Anagnostopoulos I E，Loumos V C.A license plate recognition algorithm for intelligent transportation system applications［J］.IEEE Intelligent Transportation Systems，2006，7（3）：377-392.

［5］劉皓.高清圖像中基于車牌定位的車輛跟蹤和違章檢測［D］.南京：南京理工大學，2012.

［6］Humayun，Karim Sulehria，YeZhang.Vehicle Logo Recognition tion Using Mathematical Morphology［C］.Processing of the 6th WSEAS Int.Conference on Telecommunications and Information，Dallas Texas，2007.22-24.

［7］Arun Kumar M，Gopal M.Reduced One-against-all Method for Multiclass SVM Classification［J］.Expert Systems with Applications，2011，38（11）：14238-14248.

［8］王玫，王國宏，高小林，等基于PCA和邊緣不變矩的車標識別新方法［J］.計算機工程與應用，2008，44（4）：224-226.

［9］Qian Cui，Lin Wang，Shuihe Ge，et al.License Plate Location based on Direction and Edge Information［C］.Second Asia-Pacific Conference on Computational Intelligence and Industial Application（PACIIA09），2009，vol 2.300-303.

［10］Renlon Pan，Xiaojuan Ma，Lin Wang，An Efficient Method for Skew Correction of License Plate［C］.2th International Workshop on Education Technology and Computer Science，Vol 2，2010.90-93.

［11］孫娟紅.車標識別方法研究［D］.大連：遼寧師范大學，2011.

［12］Este A，Gringoli F.On-line SVM-traffic classification［C］.Wireless Communications and Mobile Computing Confer ence，2011.1778-1783.

（責任編輯：朱彬）

On the Technology of Recognizing Moving Vehicle Logo in Video Surveillance System

YANG Zheng-yun，WANG Lin
（College of Science，Guizhou Minzu University，Guiyang 550025，China）

The technology of recognizing moving vehicle logo is a new orientation，which consists of two parts：location and recognition.The author of this paper has looked at the two kinds of technology.Firstly，use the Sobel operator to find the area where exist more vertical edges，then adopt Shen operator to smooth the horizontal direction and to make a binarization process.Secondly，get an accurate location of license plate based on the license plate features and texture feature，and ensure the logo area by the specific relations between license plate and logo location，achieving the segmentation of logo under the priori knowledge about logo and texture feature.At last，support vector machine method is adopted to recognize the segmental logo.The experimental results show that this algorithm is simple and effective，and has stronger robustness and a higher recognition rate.

license plate location；vehicle logo segmentation；support vector machine；logo recognition

TP391.4

A

1009-3583（2016）-0110-05

2016-01-14

楊正云，女，貴州鎮寧縣人，貴州民族大學理學院碩士研究生。研究方向：圖像處理與模式識別。