基于圖像處理的車輛類型識別的研究

朱金榮+張廣杰+夏長權

摘 要： 為了完善車型檢測識別的算法，首先利用傅里葉描述子的方法建立車輛圖形庫，對攝像頭采集到的車輛側面圖像進行形態學操作，得到車輛輪廓封閉曲線并與圖形庫模板匹配，確定車型；然后利用基于積分的方法處理車輛頂面圖像，計算出相應特征參數，確定車輛大小信息，解決車型檢測的多檢、錯檢現象。該文對圖像處理算法做了具體推導并給出了實現流程，通過仿真實驗表明，該文的算法能夠充分地提取車輛的形狀與幾何尺寸信息，車型識別正確率很高，且計算量小。

關鍵詞： 智能交通； 車型檢測； 傅里葉描述子； AOI區域劃分

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2017）04?0016?03

Research on vehicle type recognition based on image processing

ZHU Jinrong， ZHANG Guangjie， XIA Changquan

（College of Physical Science and Technology， Yangzhou University， Yangzhou 225002， China）

Abstract： In order to optimize the algorithm of vehicle type detection， the graphic base of vehicles was established with the method of Fourier descriptor. The vehicle side images acquired by camera are treated by means of morphological operation to get the closed curves of vehicle contour and match them with the templates in the graphic base to determine the vehicle type. The vehicle top images are processed with the integral method to calculate the corresponding characteristic parameters to ensure the size information of a vehicle， so as to eliminate the phenomenon of the wrong detection. The image processing algorithm is derived and its implementation flow process is given in this paper. The simulation experiment result shows that the algorithm is able to adequately extract the information of vehicle shape and size， the recognition accuracy is high， and the calculated amount small.

Keywords： intelligent traffic； vehicle type detection； Fourier descriptor； AOI region partition

0 引 言

車型識別技術是智能交通很重要的方面，車型識別技術[1]用于解決以下幾方面問題：ETC收費系統[2]通過車載收發機自動收費，全國各地區車輛分類標準及收費額度不統一，車載標簽容易被人更換，造成通行費的損失；車輛犯罪的問題主要表現為肇事逃逸和盜搶車輛，罪犯更換車輛牌照和改變車輛顏色等手段使得現有的車型識別技術不易鑒別；交通管理部門制定運營方案和選擇工程技術，需要對各路段進行交通量調查，系統地收集整理資料和數據，為城鄉交通進行布局和規劃。

以上各方面使得車型識別技術成為不可或缺的方法，現代化的設施也為車型識別提供了條件。ETC專用車道攝像頭有安置在道路兩側和龍門架上[2]的：安置與道路兩側的攝像頭視角垂直于車輛行進方向，與路面夾角很小，采集到車輛側面圖像；龍門架上的攝像頭高度很高，拍攝視角與路面夾角接近90°。大部分公路監控攝像頭都是這樣的視角，因此對ETC車道的車輛檢測算法具有普適性。本文對ETC車道車輛側面圖像采用了基于傅里葉描述子[3?4]的檢測算法，通過形狀信息建立車輛圖形庫，用于檢測車型，對車頂面圖像采用了基于積分思想的方法，計算出車輛的大小特征參數，兩種方法相結合判定車型。

1 車輛圖像庫

車輛類型檢測的過程是通過CCD攝像頭采集到視頻幀數據，經圖像采集卡傳遞到視頻處理器[5]進行運算的過程，視頻處理器中拷入的不僅有算法，還需要大量的車輛檢測樣本作為數據庫，稱為圖像庫。本節具體給出通過傅里葉描述子構建圖像庫的操作過程。

1.1 傅里葉描述子歸一化

對車輛圖像經過處理后能得到車輛對外邊界，顯示了車輛的形狀，呈一條封閉曲線。對一條封閉曲線按相等間隔取N個采樣點，在xy平面上從任意點開始，沿逆時針方向得到N個邊界點，，用復變量表示為，該坐標序列是周期函數，以曲線的周長為周期。在一個周期內對坐標序列進行快速離散傅里葉變換（FFT）[3]：

復系數即邊界的傅里葉描述子，該數組描述了邊界的變化。當該曲線旋轉角、平移和放大倍，FFT變換邊界起始點沿著封閉曲線移動了個采樣點后，復系數為：

（1）

式中，，車輛的運動和攝像頭的視場會造成上述曲線的平移、放大和FFT起始點的變化，因此需要提取曲線不隨上述因素的參數。觀察發現，當曲線平移時，只有分量的值發生改變。為低頻系數，對應于。因此把每一個復系數的幅值除以，得到歸一化傅里葉描述子：

（2）

歸一化后的傅里葉描述子可以計算任意2個車輛i和j間的相似程度，定義為離散度：

當趨近于0時，表示兩輛車形狀基本一致；越大，說明車輛形狀的差異越大。

1.2 檢測模板選取

將視頻幀RGB圖像進行去背景、灰度化、車輛目標提取[4]，然后進行二值化處理、邊界提取得到車輛輪廓的閉合曲線，用于傅里葉描述子的檢測。進行車輛檢測需要一定數量的圖像庫，對同類車需要選取可靠的檢測模板，構建圖像庫。圖1為不同形狀的小型家用汽車經過處理后的圖片，得到了車輛圖像的邊界和中心點。上下列分別表示向車輛左右行駛，使用歸一化傅里葉描述子計算不同形狀汽車的相似度差異。

如表1所示，總共8個樣本，A1與a1，A2與a2，A3與a3，A4與a4呈鏡像對稱，離散度值都小于0.05，說明了行駛方向不對車輛檢測產生影響。A1，A2，A4汽車及向右行駛的a1，a2，a4汽車與其他7個樣本的離散度有的達到0.2，相對較大，因此不具備檢測車型的條件，不能構建圖像庫。A3和a3樣本的平均離散度最小，且與其他樣本的離散度值都小于0.15，因此可以作為圖像庫檢測模板。其他車型也通過此種方法確定檢測模板。

表1 車輛類間離散度

1.3 基準特征向量

車型特征向量是識別車輛類型的基準系數，車型檢測通過計算待識別車輛圖像的歸一化傅里葉描述子與車型特征向量的距離來完成。本文總結了幾種車型的基準特征向量，經過大量的統計分析，可以對各類車型計算出具有普適性的傅里葉描述子作為基準特征向量[5]，用于車輛檢測。表2為各種車型的歸一化傅里葉描述子（為了避免漏檢，需要增加樣本數量，實際的圖像庫中沒類車型都有很多組基準特征向量）。進行車輛檢測時，計算機經過圖像處理操作得到被檢車輛的傅里葉描述子，然后計算出與各基準特征向量的值，值小于設定閾值T的所對應車型即為所檢測出車型。

2 車輛特征參數

現實中有很多大小、功能類型不同的車輛形狀卻很相似，第1.3節中通過被檢車輛與圖像庫的離散度判斷車輛類型的方法會出現幾種車型無法區分的情況，因此需要確定車輛的大小。通過安置于道路兩側的攝像頭采集的圖像不能夠準確得到車輛的大小信息。但是安裝于高處的攝像頭能夠更大視角地采集路面圖像如圖2所示，計算車輛大小參數。利用基于積分的數學方法可以提取車輛大小特征參數[6]。車輛在車道上會覆蓋相應的區域，稱為AOI區域，即感興趣區域。本文通過AOI（Area of Interesting）區域將被檢測車道劃分成多個子區域來實現攝像機像平面的標定和車輛大小的計算。

本文算法設置的每個AOI區域與實際道路長度相等，順著車道方向延伸。拍攝到的圖像是實物在攝像機像平面上的投影，如圖3所示，攝像機安裝位置及拍攝角度確定后，可以測出攝像機視角，光軸與豎直方向的夾角和攝像頭焦點C與地面的距離H。

AOI區域劃分為n個實際長度相同的子區域：

，，，，，為AOI區域在像平面上的分界點，與光軸相垂直。圖3中點為焦點在車道面上的投影，為與之間的夾角，與之間的夾角為。經過幾何推導得到：

設對應于像平面中的與之比為，與之比為，證得：

因此，圖像中的感興趣區域長度與圖像中的總長度的對應關系為。通過計算得到車頭至車尾的區域，從而計算出車長。結合第1節中的方法求得車輛高度，得到車輛特征參數。此算法計算出車輛的大小特征，進一步縮小了車型判斷的范圍，使得由1.3節中的基準特征向量檢測車型不易出現誤判。

3 結 論

本文對表2中各類機動車各選取了100多個樣本進行仿真計算，實驗結果表明，通過圖形庫實現的車型檢測可以檢測出車輛類型，但有24.7%的情況檢測出多種車型；車輛特征參數的計算對車輛大小進行限制，再次計算全部都判斷出車型。由于人為原因，有2%左右出現了誤判。在計算量上，基于傅里葉描述子的算法只對車輛外輪廓使用了100個邊界采樣點，取了10個低頻分量的傅里葉描述子計算待檢測目標與圖像庫模板的歐氏距離，減少了特征參數的維數，計算量小。第2節的方法只需要計算車輛的長度，且通過數學推導得到了很簡化的車長計算公式，計算量也很小，因此適用于交通流速很快的城市道路，具有普適性與魯棒性。本文的車型檢測算法旨在完善當前車輛視頻檢測的不足。第2節中車輛大小特征參數的算法能將車輛長寬高的計算誤差控制在6%以內，但只能確定車輛大小規模，不能夠確定車輛具體車型、功能，其目的是為了減少第1節不同大小卻形狀相似的車輛之間的誤判?；诟道锶~描述子檢測車輛類型的算法，最大程度地提取了車輛的形狀信息，且建立了圖像庫，可用于各種交通檢測系統，更有利于現代智能交通的完善。

參考文獻

[1] XU Zewei， CHEN Xianqiao.Vehicle recognition and classification method based on laser scanning point cloud data [C] //International Conference on Transportation Information and Safety（ICTIS）. [S.l.]： IEEEXplore， 2015：44?49.

[2] HSU G H， LIN L R， JAN R H， et al. Design of ETC violation enforcement system for non?payment vehicle searching [C]// Proceedings of International Conference on Advanced Communication Technology. [S.l.]： ICACT， 2013： 169?178.

[3] 趙濤，鄧偉.結合PCA和FPD的傅里葉形狀描述子[J].計算機工程，2011，37（21）：149?151.

[4] ZHAO Lele， WANG Bing， SHU Huazhong. Multi?scale Fourier descriptor with phase information for image retieval [C]// 1st International Conference on Energy Systems and Electrical Power. [S.l.： s.n.]， 2011： 5068?5075.

[5] MITHUN Niluthpol Chowdhury. Detection and classification of vehicle from video using multiple time?spatial images [J]. IEEE transactions on intelligent transportation systems， 2012， 13： 1215?1225.

[6] 黃震宇.成雅高速公路收費系統的設計與實現[D].成都：電子科技大學，2013.

[7] 張茜婷，閆國偉.基于三維逆投影圖的車速檢測[J].現代電子技術，2015，38（16）：70?72.