專(zhuān)利名稱：一種基于圖像識(shí)別的車(chē)輛分類(lèi)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于圖像識(shí)別的車(chē)輛分類(lèi)方法，屬于圖像識(shí)別技術(shù)領(lǐng)域。
背景技術(shù)：
近年來(lái)，智能交通系統(tǒng)發(fā)展快速(ITS)，隨著計(jì)算機(jī)視覺(jué)和模式識(shí)別技術(shù)的發(fā)展， 為智能交通系統(tǒng)更有效的應(yīng)用提供了契機(jī)。計(jì)算機(jī)視覺(jué)是利用計(jì)算機(jī)來(lái)模擬人的視覺(jué)功能，從客觀事物的圖像中提取信息，進(jìn)行處理并加以理解，最終用于實(shí)際檢測(cè)、測(cè)量和控制?；趫D像識(shí)別的車(chē)輛分類(lèi)過(guò)程主要包括從圖像中提取目標(biāo)車(chē)輛并提取特征參數(shù)； 在分類(lèi)器中輸入特征參數(shù)并得到分類(lèi)結(jié)果兩個(gè)階段。第一階段，特征參數(shù)的選取主要集中在對(duì)車(chē)輛幾何尺寸的度量，有絕對(duì)幾何尺寸和相對(duì)幾何尺寸。絕對(duì)幾何尺寸是根據(jù)攝像機(jī)與車(chē)輛之間的距離和拍攝的角度算出車(chē)輛的實(shí)際大小，這種方法存在的缺陷是，攝像機(jī)與車(chē)輛之間的距離必須保持不變，而這在實(shí)際應(yīng)用中是難以實(shí)現(xiàn)的。第二階段，最簡(jiǎn)單的方法就是對(duì)得到參數(shù)與已有的標(biāo)準(zhǔn)進(jìn)行匹配，這種方法運(yùn)算量小，但是只適用于參數(shù)個(gè)數(shù)較少的情況下，而且參數(shù)太少就無(wú)法對(duì)車(chē)輛進(jìn)行有效分類(lèi)。模板匹配法把得到的特征參數(shù)與標(biāo)準(zhǔn)模板進(jìn)行比較，這需要耗費(fèi)很多的計(jì)算時(shí)間而且容錯(cuò)性差。另一個(gè)更實(shí)際的問(wèn)題是，目前的分類(lèi)將車(chē)輛分為大中小或者轎車(chē)、客車(chē)、卡車(chē)三類(lèi)，而在實(shí)際應(yīng)用中都要求按照車(chē)輛的座位數(shù)和噸數(shù)來(lái)收費(fèi)，因此上述分類(lèi)結(jié)果很難應(yīng)用在實(shí)際之中。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題在于克服現(xiàn)有技術(shù)在進(jìn)行特征提取時(shí)，圖像采集設(shè)備與車(chē)輛之間的距離必須保持不變的缺陷，提供一種基于圖像識(shí)別的車(chē)輛分類(lèi)方法，該方法采用相對(duì)幾何參數(shù)作為特征參數(shù)，對(duì)圖像采集設(shè)備的安裝位置無(wú)嚴(yán)苛要求。本發(fā)明采用以下技術(shù)方案來(lái)解決上述技術(shù)問(wèn)題
一種基于圖像識(shí)別的車(chē)輛分類(lèi)方法，首先從圖像中提取目標(biāo)車(chē)輛并提取目標(biāo)車(chē)輛的特征參數(shù)，然后根據(jù)特征參數(shù)進(jìn)行分類(lèi)，所述特征參數(shù)為Hu幾何不變矩。進(jìn)一步地，所述根據(jù)特征參數(shù)進(jìn)行分類(lèi)是使用BP (Back I^ropagation)神經(jīng)網(wǎng)絡(luò)分類(lèi)器。本發(fā)明采用Hu幾何不變矩作為車(chē)輛圖像識(shí)別的特征參數(shù)，從而克服了現(xiàn)有技術(shù)圖像采集設(shè)備與車(chē)輛之間的距離必須保持不變的缺陷；并進(jìn)一步利用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行車(chē)輛分類(lèi)，對(duì)于車(chē)輛圖像中常見(jiàn)的模糊、殘缺等情況，具有更好的識(shí)別準(zhǔn)確率。


圖1為本發(fā)明的基于圖像識(shí)別的車(chē)輛分類(lèi)方法的流程示意圖；圖2為本發(fā)明具體實(shí)施方式
中所述背景圖像； 圖3為本發(fā)明具體實(shí)施方式
中所述包含車(chē)輛的圖像； 圖4為本發(fā)明具體實(shí)施方式
中所述分割后的圖像； 圖5為本發(fā)明具體實(shí)施方式
中所述濾波后的圖像； 圖6為本發(fā)明具體實(shí)施方式
中所述增強(qiáng)后的圖像； 圖7為本發(fā)明具體實(shí)施方式
中所述分類(lèi)結(jié)果。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明
本發(fā)明的基于圖像識(shí)別的車(chē)輛分類(lèi)方法，如圖1所示，具體包括以下步驟 步驟A、采集目標(biāo)車(chē)輛的圖像；
本步驟中可以利用照相機(jī)、攝像機(jī)、攝像頭等現(xiàn)有設(shè)備進(jìn)行圖像采集，本發(fā)明方法中對(duì)圖像采集設(shè)備與車(chē)輛之間的距離無(wú)特別要求；圖1、圖2分別顯示了采集到的背景圖像及包括車(chē)輛的圖像(即目標(biāo)圖像)；
步驟B、對(duì)采集到的圖像進(jìn)行預(yù)處理；具體包括以下各子步驟 步驟Bi、將采集到的圖像進(jìn)行灰度化；
步驟B2、分割出目標(biāo)圖像中的車(chē)輛區(qū)域；本具體實(shí)施方式
中采用背景幀差法，當(dāng)然，也可采用現(xiàn)有的其它圖像分割方法；分割出的圖像如圖4所示；
步驟B3、對(duì)分割出的的圖像進(jìn)行中值濾波；中值濾波后的圖像如圖5所示； 步驟B4、對(duì)濾波后的圖像進(jìn)行目標(biāo)區(qū)域增強(qiáng)；增強(qiáng)后的圖像如圖6所示； 步驟B5、對(duì)圖像進(jìn)行腐蝕膨脹；
步驟B6、對(duì)圖像進(jìn)行二值化處理；本具體實(shí)施方式
中，在進(jìn)行二值化處理時(shí)，目標(biāo)區(qū)域?yàn)?，背景區(qū)域?yàn)?;
上述各步驟中涉及的灰度化、圖像分割、中值濾波、圖像增強(qiáng)、圖像腐蝕膨脹以及二值化等均采用現(xiàn)有技術(shù)，其詳細(xì)原理及過(guò)程此處不再贅述。步驟C、對(duì)預(yù)處理后的圖像，提取其Hu幾何不變矩特征參數(shù)；其具體算法如下，
定義1、圖像的(P + q)階矩。給定二維連續(xù)函數(shù)f( X，y)，式(1)定義了其( ρ + q)
階矩:Mpq = / xp yq f( χ, y) dxdy, p, q =0，1，2
按照式(1)，一幅大小為MXN的二維圖像{ f( i, j) I i = 0， ，Μ; j = 0， ，N}，其(ρ + q)階矩定義如式(2)所示
P和q可取所有的非負(fù)整數(shù)值，它產(chǎn)生一個(gè)矩的無(wú)限集。根據(jù)帕普利斯(Papoulis )唯一性定理，這個(gè)無(wú)限集完全可以確定二維圖像函數(shù)f( i, j)本身。其零階矩只有一
權(quán)利要求
1.一種基于圖像識(shí)別的車(chē)輛分類(lèi)方法，首先從圖像中提取目標(biāo)車(chē)輛并提取目標(biāo)車(chē)輛的特征參數(shù)，然后根據(jù)特征參數(shù)進(jìn)行分類(lèi)，其特征在于，所述特征參數(shù)為Hu幾何不變矩。
2.如權(quán)利要求1所述基于圖像識(shí)別的車(chē)輛分類(lèi)方法，其特征在于，所述根據(jù)特征參數(shù)進(jìn)行分類(lèi)是使用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器。
3.如權(quán)利要求2所述基于圖像識(shí)別的車(chē)輛分類(lèi)方法，其特征在于，該方法將車(chē)輛分為小轎車(chē)、吉普車(chē)、面包車(chē)、客車(chē)這四類(lèi)。
4.如權(quán)利要求2或3所述基于圖像識(shí)別的車(chē)輛分類(lèi)方法，其特征在于，該方法具體包括以下步驟步驟A、采集目標(biāo)車(chē)輛的圖像；步驟B、對(duì)采集到的圖像進(jìn)行預(yù)處理；步驟C、對(duì)預(yù)處理后的圖像，提取其Hu幾何不變矩特征參數(shù)；步驟D、將提取的特征參數(shù)輸入預(yù)先訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器，輸出車(chē)輛的分類(lèi)結(jié)
5.如權(quán)利要求4所述基于圖像識(shí)別的車(chē)輛分類(lèi)方法，其特征在于，步驟B所述預(yù)處理具體包括以下各子步驟步驟Bi、將采集到的圖像進(jìn)行灰度化； 步驟B2、分割出目標(biāo)圖像中的車(chē)輛區(qū)域； 步驟B3、對(duì)分割出的的圖像進(jìn)行中值濾波； 步驟B4、對(duì)濾波后的圖像進(jìn)行目標(biāo)區(qū)域增強(qiáng)； 步驟B5、對(duì)圖像進(jìn)行腐蝕膨脹； 步驟B6、對(duì)圖像進(jìn)行二值化處理。
6.如權(quán)利要求5所述基于圖像識(shí)別的車(chē)輛分類(lèi)方法，其特征在于，對(duì)圖像進(jìn)行二值化處理時(shí)，目標(biāo)區(qū)域?yàn)?，背景區(qū)域?yàn)?。
7.如權(quán)利要求5所述基于圖像識(shí)別的車(chē)輛分類(lèi)方法，其特征在于，所述分割出目標(biāo)圖像中的車(chē)輛區(qū)域，具體采用背景幀差法。
全文摘要
本發(fā)明公開(kāi)了一種基于圖像識(shí)別的車(chē)輛分類(lèi)方法，屬于圖像識(shí)別技術(shù)領(lǐng)域。本發(fā)明方法采用Hu幾何不變矩作為車(chē)輛圖像識(shí)別的特征參數(shù)，從而克服了現(xiàn)有技術(shù)圖像采集設(shè)備與車(chē)輛之間的距離必須保持不變的缺陷；并進(jìn)一步利用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行車(chē)輛分類(lèi)，對(duì)于車(chē)輛圖像中常見(jiàn)的模糊、殘缺等情況，具有更好的識(shí)別準(zhǔn)確率。相比現(xiàn)有技術(shù)，本發(fā)明具有適用范圍廣、分類(lèi)精度高的優(yōu)點(diǎn)，尤其適合于智能交通系統(tǒng)中的應(yīng)用。
文檔編號(hào)G06K9/00GK102194130SQ201110129858
公開(kāi)日2011年9月21日 申請(qǐng)日期2011年5月19日 優(yōu)先權(quán)日2011年5月19日
發(fā)明者馮玉璽, 陳國(guó)慶 申請(qǐng)人:蘇州兩江科技有限公司