基于機器視覺的車標標記與識別系統的設計

賈尚云,高曉陽，鄭博博，李紅嶺，楊梅，周蓓蓓

（730070 甘肅省 蘭州市 甘肅農業大學 機電工程學院）

0 引言

隨著汽車數量的急劇增加，車標的識別與檢測成為目前在道路交通監管方面研究較多的課題之一。受外界環境影響，如白天與黑夜光線變化、道路灰塵的遮蓋、季節更替等，車標的識別與檢測精度不夠理想[1-2]。通常情況下，采用紅外線照明攝像或者運用比較特殊的光線傳感器的檢測方法，檢測成本較高，難以普遍推廣[3]。本文結合圖像處理技術設計的汽車車標檢測與識別系統，不僅提高了識別的準確率，而且造價較低，在車標檢測與識別方面具有很好的應用價值。

1 設計方案

該系統以計算機硬件為主體，以MATLAB 軟件為核心，設計了一套基于機器視覺的車標檢測與識別系統。系統總體設計主要包括：車標圖像采集與顯示、圖像預處理、圖像的檢測標記與識別，其中圖像預處理包括灰度化、邊緣檢測、列檢測以及圖像的閉運算。系統結構框圖如圖1 所示。

圖1 系統總體框圖Fig.1 System overall block diagram

系統開始工作前首先進行大量的車標圖片數據的采集，然后將采集到的車標圖片進行訓練得到訓練集，再進行圖像預處理工作，得到處理后去除噪聲和干擾的圖片，最后進行車標檢測和識別。為保證系統的可靠性、降低干擾，車標圖片采集需要在相同的天氣環境和相同的時間進行。

2 圖像處理

圖像預處理可消除圖像中的無關信息，增強真實信息的可檢測性，提高車標的檢測與識別的準確率[4-5]，本系統借助MATLAB 軟件對采集到的車標圖片進行圖像灰度化、圖像的邊緣檢測、圖像的列檢測和圖像的標記檢測，達到了車標檢測和識別的目的。

2.1 圖像的灰度化

彩色的圖像中包含著許多顏色信息，在圖像識別過程中會降低MATLAB 的處理速度，所以在對車標圖像進行標記與識別時需要將圖像進行灰度化處理。經過灰度變換后，圖像像素的動態范圍會增加，圖像的對比度擴展，圖像變得更加清晰、細膩且容易識別。圖2 為原始圖像經灰度化后的圖像。

圖2 圖像灰度化Fig.2 Image grayscale

2.2 圖像的邊沿檢測

2 個相異的灰度值的相鄰區域之間總存在交叉的邊沿，邊沿檢測是圖像分割、特征提取等圖像分析的前提。通常通過門的極限法來確定一個值或者一個點是否實用有效，所以如果一個有效點的二維1 階反導數比所指定門的極限大，就可以定義所處理的圖像中的一個次點就是一個邊沿點。經過1 階或2 階導數的圖像的邊沿檢測，求得的1 階導數值若高于某個臨界點的閾值，則確定這個點為所求的邊緣點。但是這樣做會導致所檢測的邊沿點超出太多，所以可以利用對梯度局部求解得到所需要的最大值對應點，并確定這個點為所需要的邊沿點，去除非局部邊沿的最大值，可以檢測出所得的邊沿。如圖3 所示為圖像的邊沿檢測。

圖3 圖像邊沿檢測Fig.3 Image edge detection

2.3 圖像的列檢測

圖像的列檢測就是對圖像進行左右檢測，去除上下圖像對車標檢測與識別的影響，保留左右所需要的圖像，以客觀操作達到主觀效果，圖像的列檢測與圖像增強處理的最大區別是，圖像的增強處理是將灰度化圖像與所得的背景圖像作程序的減法處理，然后運用程序對所得圖像進行增強處理，達到對所需圖像的增強；圖像的列檢測是對上下圖像的剔除，保留左右圖像。圖4 為圖像的列檢測結果。

圖4 圖像列檢測Fig.4 Image column detection

2.4 圖像的閉運算

圖像的閉運算就是對圖像進行數學上的閉合運算，其目的是為了突出車標與車牌的部分領域，使其實化，達到圖像的小型處理。圖像的腐蝕是一種對邊界點進行消除的方式，其作用是可將所需要的圖像目標縮小，孔洞變大，能有效消除被孤立的噪聲點。而膨脹的作用是將與現存的物體相接觸的所有背景點合并到物體內部，這樣做的結果與腐蝕的恰恰相反，能讓目標增大，孔洞變小，填補了現存目標物體內部的空洞，形成一個連通域。

對圖像進行先膨脹后腐蝕的過程叫做圖像的閉運算，其特點是可以填充物體內部一些細小的空洞，以達到對鄰近物體的連接和對邊界平滑的作用。如圖5 所示為圖像的閉運算結果。

圖5 圖像閉運算Fig.5 Image-closed operation

2.5 圖像最小目標的去除

因為目標圖像中含有車標圖像、車牌圖像、輪廓圖像等一系列圖像，而我們僅需對車標進行檢測與識別，因此就需要對目標圖像進行整理，去除輪廓圖像。如圖6 為圖像最小目標的去除結果。

圖6 圖像最小目標的去除Fig.6 Removal of image minimum targets

2.5 車標的標記與識別

車標的標記檢測是將圖片中車標所在的位置標記出來，同時達到圖像校正的目的[6-8]。圖7 所示即為車標的標記與識別結果，系統能夠正確識別汽車標志，且識別率較高。

圖7 車標標記與識別Fig.7 Vehicle logo marking and identification

3 結果與分析

本文通過對車標的檢測與識別的算法研究，并進行大量訓練、檢驗與分析，得到了對車標的檢測與識別結果。在此過程中，首先要采集大量車標圖片輸入MATLAB 軟件進行圖像預處理。圖像采集統一選擇在下午6 時，這時的太陽溫和、光線充足，降低了太陽光線和噪音的干擾，使用同一個相機進行采集，避免由于像素差異引起圖像檢驗結果的不準確性。實驗表明，該系統檢測效率高，檢測精度和穩定性好。如圖8 所示為實驗驗證結果。

圖8 實驗驗證結果Fig.8 Experimental validation results

機器視覺的算法需要對車標進行大量的訓練，然后進行匹配，由于車標的種類繁多，有些車標在訓練時沒有統計進去，降低了對一些特殊車標的檢測與識別的正確率。今后的研究應加大對訓練集的擴充，達到應檢盡檢的目的。