[发明专利]一种视频监控模式下的快速车型识别方法

权利要求书

1.一种视频监控模式下的快速车型识别方法，按照以下步骤实施：

设置道路视频监控装置，所述道路视频监控装置的结构是，监控摄像机 固定在所监控的道路正上方，离地面6-10m高度，所监视区域的最远距离不 超过离地高度10倍，监控摄像机俯角为10°-20°，监视画面中心距离监 控摄像机的水平距离在20m-50m之间，在监控画面下部1/4的位置处设置一 道虚拟检测线，并根据交通调度所需的基本车型信息，将车辆分成小型车、 中型车、大型车，其中小型车分为轿车、以特殊色彩标识的出租车和面包车， 大型车分为公交车及大型货车，共计六种车型，

步骤1、初始化

对视频监控装置进行训练学习，包括进行目标检测，以及后续的车型识 别时所需要参数的自动学习，

1a)、目标检测

通过单高斯建模方法获得背景帧之后，采用背景差分法进行目标检测， 即：

设F_k＝[f_k(i，j)]_m×n为监视视频的当前帧，B＝[b(i，j)]_m×n为背景模型， R_k＝[r_k(i，j)]_m×n为当前帧的目标区域检测结果，则：

rk(i,j)=1if|fk(i,j)-b(i,j)|>th0if|fk(i,j)-b(i,j)|≤th---(1)]]>

其中，th为判断阈值，该阈值为背景标准差的两倍，之后，将检测出的 结果图像R_k再进行数学形态学运算，以获得完整的目标区域；

1b)、目标的色度均值统计

对步骤1a)得到的所有目标点集合Ω＝{(i，j)|r_k(i，j)＝1}中的点(i，j)，计算 其颜色度值C(i，j)：

C(i，j)＝|F_r(i，j)-F_g(i，j)|+|F_r(i，j)-F_b(i，j)|+|F_g(i，j)-F_b(i，j)|  (2)

其中，(i，j)∈Ω，F_r(i，j)，F_g(i，j)，F_b(i，j)分别为目标在点(i，j)上的红绿蓝三 通道的像素值，之后，求在初始化过程中，视频帧序列中所有目标的色度值 的均值，记作μ_C，另外，对驶过的出租车通过人机交互标识出后，计算其色 彩分布范围[C_min，C_max]；

1c)、目标范围的标定

在监视画面上设置一虚拟检测线，根据监视场所包括的道路面积及长度 的物理尺寸与监视画面中像素间的映射关系，以及虚拟检测线所标定的位 置，确定汽车区域的面积分布范围[S_min，S_max]，以及车辆的长、宽分布范围 [H_min，H_max]，[W_min，W_max]，中型车的车辆长度分布范围[H_mid1，H_mid2]，初始化过程 结束；

步骤2、从步骤1的结果图像中提取车辆目标区域的面积S_v及其外接矩 形的长H和宽W，构造相应特征，剔除候选目标中的伪目标，并将车辆目标 粗分类为小型车、中型车、大型车，具体步骤如下：

对初始化环节中检测得到的目标区域，通过贴标签的方法标识出每个不 同的目标区域，得到N个目标区域Ω_k，k＝1，2，...，N，然后，对每个区域进行 如下的处理与识别：

2a)、统计图像中每个目标区域的面积S_vk，k＝1，2，...，N

面积计算公式如下：

其中，Ω_k，k＝1，2，...，N为当前判断的目标区域，如果S_vk＜S_min，则该区域 是非车辆目标，删除；如果该区域为无效目标区域，删除；如果 S_min≤S_vk≤S_max，则判断出是一个有效的候选目标；

2b)、对该有效的候选目标区域求其外接矩形，得到外接矩形的长H_k和 宽W_k，根据初始化时得到的参数值，如果H_k≤W_k，或者H_k＜H_min，或者 W_k＜W_min，或者H_k＞H_max，或者W_k＞W_max，则该区域视为无效目标区域，删除； 如果H_min≤H_k≤H_max，W_min≤W_k≤W_max，则进行如下的判断：

根据初始化中获得的中型车的分布参数H_mid1和H_mid2，如果H_k＜H_mid1，则 判断为小型车；如果H_k＞H_mid2，则判断为大型车；否则，即H_mid1≤H_k≤H_mid2， 则判断为中型车；

2c)、提取目标区域的面积占空比特征ρ_S

将车辆目标所在区域的实际面积与其最小外接矩形面积的比值，定义为 面积占空比特征ρ_S，按照公式4进行计算：

按照摄像机所拍摄的车辆均接近于矩形，设置阈值ρ_th＝70％，如ρ_S＜ρ_th， 即判定为无效目标删除；

步骤3、将步骤2判定为小型车的目标设对该L 个目标分别提取车身的主色调特征K_C，并识别出其中的用特殊颜色标识的出 租车，具体步骤如下：

将车身主色调的特征分为三类，分别编码为0，1，2，浅色调车辆编码 为0，深色调车辆编码为1，特殊颜色编码为2，

3a)、深色调的特征提取

首先计算车辆目标区域上R，G，B三个通道的像素值与相同位置上背景区 域的像素值的差值，即：

D_r(i，j)＝F_r(i，j)-B_r(i，j)

D_g(i，j)＝F_g(i，j)-B_g(i，j)  (5)

D_b(i，j)＝F_b(i，j)-B_b(i，j)

其中，为当前判断的小型车目标区域， F_r(i，j)，F_g(i，j)，F_b(i，j)分别为目标的红绿蓝三通道的像素值， B_r(i，j)，B_g(i，j)，B_b(i，j)分别为该区域对应位置上的背景帧的红 绿蓝三通道的像素值，

然后，找出中所有符合深色调特征的像素点，即：

其中，阈值th₁是根据初始化中得到的目标色度均值计算得到，即 th₁＝0.7·μ_C，C(i，j)定义为颜色度，用来描述某一像素有颜色的程度，按照公 式2计算得到，统计属于深色调的像素点个数：

Num1=Σ(i,j)∈Ω^kRk(i,j)---(7)]]>

计算主色调分布比率ρ_C：

如果则K_C＝1，按照现有车辆的结构设定否则主色 调为浅色，即K_C＝0；

3b)、特殊色调的提取

其中，为当前判断的小型车目标区域，属于特 殊色调的像素个数为：

计算特殊色的主色调分布比率

如则判断该车辆的主色调为特殊色，即K_C＝2，否则K_C不变，

如果K_C＝1，为深色车辆，将该车判断为轿车；如果K_C＝2，将该车判断 为出租车；如果K_C＝0，则按照下述步骤提取车窗相对位置特征参数K_W，进 一步确定小型车辆为面包车或轿车：

3c)、根据面包车与轿车在车窗位置上的位置不同，采用车窗位置特征， 由步骤2得到的车辆区域的外接矩形的长为H，车窗的水平中心线到车顶轮 廓的矩形后端的距离为M，则车窗相对位置特征参数K_W定义为：

KW=MH---(12)]]>

车窗位置相对特征参数K_W用于对步骤3中尚未分类的主色调标记为 K_C＝0的车辆进行车型识别，如果K_C＝0，并且K_W＞th₃，则该车辆为面包车； 如果K_C＝0，并且K_W≤th₃，则该车辆为轿车；

面包车的前车窗比较靠前，K_W相对比较大，根据在监视画面下部1/4处 设置检测线的前提，给定阈值th₃＝40％来进行判断，提取该特征的关键是确 定车窗的中心位置，采用如下的算法：

首先，将车辆所在区域灰度化：V＝max(R，G，B)  (13)

其中，V为图像的亮度，R，G，B分别为图像的红、绿、蓝三个颜色分量， 因为进入本步骤检测的车辆均为浅色的小型车，车身的浅色金属漆的反射光 强度大于车窗的透明玻璃的反射强度，所以先计算车辆区域的亮度均值为：

μV=1NΩ~k·Σ(i,j)∈Ω~kV(i,j)---(14)]]>

其中，为当前判断的浅色小型车目标区域，为目标区域中的像素点个数；

然后，按照公式15检测车窗区域：

最后，经过形态学运算，获得车窗区域之后，得到车窗的水平中心线到 车顶轮廓的矩形后端的距离M，代入公式12计算车窗位置特征参数，确定 小型车辆的类型；

步骤4、将步骤2判定的大型车作为车辆目标，提取车顶亮度特征参数K_L及车顶纹理特征参数K_B，确定大型车是否为公交车

根据车辆从远至近的方式进入监控视野，确定区域的后面1/2部分为车 顶区域，前面1/2部分为车头区域，则车顶的亮度参数K_L为

KL=1NΩt·ΣF(i,j)(i,j)∈Ωt1NΩh·ΣF(i,j)(i,j)∈Ωh---(16)]]>

其中，为车顶部分区域的像素总数，为车头区域的像素总数，Ω_t为车顶区域，Ω_h为车辆区域，F(i，j)为车辆在相关区域中的亮度值，

如果K_L≤1，则判定是大型货车；如果K_L＞1，则需要进一步判断其车顶 区域的纹理特征，

对检测出的车顶区域Ω_t，采用Sobel锐化算法获得其边缘锐化结果，并 按照大津算法求得的阈值对其进行二值化处理，二值化后，边缘上的点标识 为1，统计这些像素点的个数，设为N_B，则纹理特征参数K_B定义为：

KB=NBNΩt---(17)]]>

如果K_B＜th₄，th₄是根据目前公交车的车顶纹理规则确定的统计值，预设为 th₄＝20％，则表明纹理简单，判断该大型车为公交车，否则为大型货车。