[发明专利]基于车窗特征提取的车辆识别方法

说明书

技术领域

本发明属于图像处理领域，涉及一种基于车窗特征提取的车辆识别方法。

背景技术

智能交通系统作为一种先进的自动化道路交通管理系统，主要依托前沿的计算机视频图像技术、模式识别、计算机网络技术、传感器技术及射频技术等。未来的智能交通系统将实现以下功能：取代人工记录车牌、监控车辆违法行为的方式，通过采集的视频图像自动识别车牌及车辆其他特征进行车辆自动识别，自动检测汽车超速、不遵守交通信号灯等违反交通规则的行为；通过云技术将各信息采集终端网络连接，后台服务器对各终端数据进行存储和IAI-动匹配，为高速路车辆识别和车辆行车里程、行车路径的确定提供技术支持：通过视频标注技术，对监控视频，中的感兴趣点进行标注，为公安部门侦破案件时查找可疑车辆、可疑人员提供按条件快速查找，取代人工花费大量时问在繁多的监控视频中查找的方式。总之，科研人员正不断把人工智能等方面的新技术应用于智能交通系统，使之朝着前面所述目标在管理和解决城市道路交通问题上不断改进和完善。

作为智能交通系统的重要组成部份，基于视频图像的车辆识别系统以其低成本、高效率、自动化水平高等特点不仅是当前研究热点也成为智能交通发展的趋势。当前基于视频图像的车辆识别系统主要有车牌识别系统、车标识别系统和车脸识别系统等。车牌识别系统是比较成熟的系统，目前已经得到了广泛应用，但其识别率仍然难以满足交通需要，特别是在夜晚以及复杂天气条件下，而车标识别和车脸识别系统还都处于实验研究阶段，尚未得到实际应用。但随着我国车辆保有量的逐年增加，一些人出于自身利益和侥幸心理进行遮挡车牌、套牌、不挂牌等违法行为，同时在高速公路上也存在着类似现象，这不仅给交通管理带来了极大的不便，也在一定程度上损害了相关部f1的利益，同时也给公安交警等执法部门的案件侦破等带来了极坏的影响。

发明内容

为解决上述问题，本发明的目的在于提供一种以车前窗张贴物为特征的识别车辆方法。

为实现上述目的，本发明的技术方案为基于车窗特征提取的车辆识别方法，包括以下步骤：

在视频图像中检测出车窗区域，并将其与源图像分离出来；

找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取。

优选地，所述在视频图像中检测出车窗区域，并将其与源图像分离出来，包括以下步骤：

读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像；

对得到的二值化图像做sobel算法边缘检测，再进行模板滤波，保留水平直线部分；

采用相位编组的霍夫变换来检测直线，找到车窗上下边界。

优选地，所述找到车窗张贴物的重心，选择颜色序列和面积比序列作为车窗张贴物的特征，进行特征提取，包括以下步骤：

采用Otsu算法前景分割，得到二值化图像；

轮廓检测，去除面积小于预设最小值或大于预设最大值或小于预设宽度的轮廓；

提取感兴趣区域，计算感兴趣区域的重心，算出重心连线、颜色直方图和面积，以轮廓顺序建立重心连线比序列、颜色序列和面积比序列。

优选地，所述读取监控视频图像，转换为灰度图像，运用背景差法获得只有车辆前景的二值化图像中，用该二值化图像将灰度图像中车辆以外的像素的灰度值置零，设灰度图像的像素为，二值化图像中像素的灰度值为，遍历图像的每一个像素，依照下式改变值，

。

优选地，所述对得到的二值化图像做sobel算法边缘检测，再进行模板滤波，保留水平直线部分中，运用矩阵式w=[-1 -1 -1；8 8 8；-1 -1 -1]进行模板滤波。

优选地，所述采用相位编组的霍夫变换来检测直线，依照下式，

其中，f为处理后的图像，为每个像素的梯度相位，

将梯度方向内且相邻的点编为一个编组区N，把每个编组区进行两点组合快速霍夫变换，得到每个编组区所支持直线的参数，采用下式对整个编组区进行峰值检查，找从最大值到0.8倍最大值的直线参数及组成该直线像素的梯度方向均值来检测出车窗的上下边缘线部分，

。

优选地，所述轮廓检测，去除面积小于预设最小值或大于预设最大值或小于预设宽度的轮廓，采用opencv函数cvFindContours实现轮廓检测。

优选地，所述提取感兴趣区域，计算感兴趣区域的重心，采用下式，

，