论文部分内容阅读
摘要：在智能交通系统中， 车型识别在全自动收费系统和交通监控中发挥着十分重要的指导作用，因为图像获取的信息量十分丰富，因此，运用图像处理技术对车型进行识别已成了当前重点研究的方向。本文主要对智能图像处理技术进行了探讨。
关键词：智能图像；处理技术；车型识别
中图分类号：C37文献标识码： A
引言
因为中国经济的持续发展带动了汽车产业的迅速发展，机动车的数量以每年
10%的速度增长，然而现有的道路交通和管理设施却跟不上智能交通发展的需求，特别是大多数城市道路布局不合理，道路交通引导功能不完善；其次因为交通拥堵、交通事故等问题所带来的尾气污染问题也不容忽视。而智能图像处理技术则可以很好地解决这一难题。
1、视频车型识别系统原理
视频车型识别系统原理如图。如果车辆驶入收费站入口，就会触发埋设在固定位置的传感器，对CCD 摄像头和图像采集卡进行控制摄取运动车辆的侧面进行图像帧，主要包含了背景图像和运动车辆图像。之后对已经获得的车辆图像运用图像恢复、分割、二值化、边缘提取等种种的预处理，从而将干扰和噪声过滤掉，获取车型的轮廓，接着再依据分类器的结构从处理后的图像中获取有效的特征参数，将分类器输入进行识别。
2、图像处理
2.1图像恢复
景物在成像的过程中，会被很多因素所影响，因而会导致图像质量下降，这其实就是图像退化，为了使图像能够恢复本来的面目，因为汽车和摄像机之间存在着相对的运动，时常会导致使图像处于模糊装填，这种情况下可运用下列算法快速去恢复模糊图像：假设汽车图像f ( x ， y )，汽车在x 方向上作匀速直线运动，总位移量为a，总运动时间为T，那么模糊后图像任意点的值为：
这是图像的模糊模型。
图像的恢复公式为：
式中：n指的是x / a 的整数部分；
A 指的是常数，如果k 非常大的情况下，接近g (.) 的均值。
因为车辆经过收费站的时候是限速前行的，所以摄像机和曝光时间是一定的，汽车的位移量s 确定起来就比较容易。
2.2图像分割
图像分割指的就是在背景图中将目标图像标识出来，从而方便与图像的识别，在本文中主要采用基于边缘检测的方法从背景中将车的图像分离出来。边缘增强采用运算速度快的梯度法对两幅图像分别进行；算法如下：
假设图像函数为g( x， y)，它的梯度是一个向量，定义
为在( x， y) 点处的梯度，其方向是函数g( x， y) 在这点变化率最大的方向，其长度等于函数g( x， y) 的最大变化率，即：
从上式中能够得知，图像函数的值和相邻像素的灰度差值关系为正比，在图像灰度变化相对平缓的区域梯度值比较小，但是在图像轮廓上，像素的灰度值有着陡然的变化，梯度值非常大；在等灰度地区，梯度值等于零。那么，在以上梯度算法的基础上增强图像。之后再把车辆边缘图像与背景边缘图像相减进行运算。
设g1( x， y) 和g2( x， y) 分别是车辆边缘图像和背景边缘图像，h( x， y)是相减后的图像，0 指的是暗点灰度值，则有：
再进行了相减运算之后，不但能够得出边缘相减的图像，将车辆从背景中分割出来，而且还能够克服因为摄像机位置轻微抖动和光线微弱变化所产生的影响。
2.3图像的二值化
为了能够将车边缘从边缘相减图中提取出来，还需要对图像进行二值化处理。在边缘相减图像中，边缘在整个边缘相减图像中只占据很小的一部分，在直方图中体现为两个峰值，也就是背景和边缘，这两个峰值在大小上有很大的区别。所以运用微分直方图对其进行二值化处理。就是先八领域laplace 运算一次边缘相减图像，提出运算值较高的点来对直方图进行统计，依据这些点的直方图并不是依据整个边缘相减图像的直方图来对阈值进行二值化去确定。这样很容易实现并且其效果也是非常好的。二值化后的图像块不是连续的，有着很多的孤立点， 轮廓上也存在断点，为了方便车辆图像特征的提取，进一步进行如下处理：
2.3.1直线拟合
（1）从左往右对图像第一行的像素点进行扫描，将第一个亮点找到，并将其定位左起始点；运用相同的的方法从右往左对第一行进行扫描并找到右起始点；
（2）从图像的上方向下方进行扫描，对相邻行i 及i +1 行的像素点予以处理；对第i 行而言，从左往右进行扫描要是碰到第一个亮点，就将其列数记下，记为array；对于i + 1 行而言，扫描获得的列数为array+ 1，如果array < array+ 1，则令( i + 1， array- 1) = 1，不然就让( i + 1， array- 1) = 0，這样能够把车辆图像的左边部分拟合；
（3）运用上述相同的方法可以将车辆的右半部分拟全。
2.3.2填充
（1）横向填充。扫描图像的每一行，如果在某一行从左往右碰见第一个亮点，将其坐标( i ，j )记下，之后在同一行从右往左寻找第一个亮点，将其其坐标( i ， k ) 记下，则在同一行把两个亮点之间的所有像素点变成亮点，即令：d ( i ， x ) = 255，x = j ， j + 1， …， k
（2）纵向填充。方法与横向填充类似，从上往下对完成经处理后的二值图像进行扫描。如图2 所示：
2.3.3轮廓跟踪
为了能够得出连续车辆边缘轮廓图像，采用轮廓跟踪的方法对二值化后的图像进行计算，其算法为从上往下，从左往右对全图进行扫描。找到全部的以0( 0 为暗， 1为亮) 为邻点的1，那么这些值为1 的点就肯定是边界点，以此将辆的轮廓提出，，具体如图3 所示：
3、车型识别系统
通过预处理车俩图像，可以获取车辆的边缘图像。之后再对图像边缘数据进行分析，从而获取车辆的形状和车型参数，建立数据库，实现车型的识别。
3.1车型库的构建
识别车型的依据是车辆图像边缘的轮廓形状和尺寸是车辆。所以，系统一定要建立车型数据库，将其和车辆检测的信号加以比较，对车辆类型进行判定。车辆构建原理图如图5 所示。
图5 中，参数提取模块能够获取车辆的车高、轴数、轴距以及轮距等较为重要的参数，边缘轮廓线粗化是加宽提取的边缘线条，放宽因为动态图像摄取时
出现的误差，使提取的数据可以在误差允许的范围内快速而又准确地进行识别。
为了将车辆进行分类，首先对各种车辆的参数进行收集，之后将计算机中的车辆车型输入数据库，运用计算机的检索功能优选分类参数。依据我国常用车型采用的车辆分类标准，按照大、中、小型车以及多轴车加以分类和存储。这种方案设计的车型数据库运用二维数据库结构，各类汽车的轮距与轴距的参数关系如图6 所示，运用轮廓线和四项参数分类车辆的准确率能够达到到91%以上。
从图6 可以得出，通过分类车辆的轴距、前轮距和轴数，就能够实现对车辆依照标准载重和座位数分类车辆。其分类参数关系如下：
大型车：轴数=2， 轴距> A， 且轮距> W2
中型车：轴数=2， 轴距> A， 且W1 < 轮距 小型车：轴数=2， 轴距< A， 或轮距< W2
多轴车：轴数>2
依据上述，只要将车辆的轮廓图检测出来并将其轴距、轮距和轴数确定就能够识别车型。
4、车型识别系统的应用
车型识别的步骤如下；
4.1运用一个CCD 传感器和图像采集卡抓取车辆的侧面图像和正面图像，获取车辆外形图像信号；
4.2图像恢复、分割、二值化车辆图像，将干扰噪声消除，得到图像边缘信号；
4.3将车辆轮廓图形和车辆参数提取出来；
4.4对车型数据库查询，对其车型加以判别。我们在背景和天气相同的情况下，运用数码摄像机对轿车、客车、货车图像进行了采集，共280 帧进行实验，实验中有25 处识别错误，主要是因为在边缘数据分析时没有将卡车货物的轮廓准确剔除，错误将其认为是其它车型。实验结果证明，车型识别率高达91%以上。
在进行了进一步的改进和处理之后，这一系统将会进一步使车辆识别准确性提高，有着很好地应用前景。
结语
在现代交通管理中视频汽车识别系统的应用前景非常好，其中图像预处理技术在整个系统的识别效率及精度中发挥着十分重要的作用，本文中所论述的图像处理方法运算速度比较快，对于在线车型识别十分有益。
参考文献：
[1]娄莉,党瑞荣. 基于智能图像处理技术的车型识别[J]. 微电子学与计算机,2006,06:71-73.
[2]马丽娜,曹新德. 基于图像处理技术的车型自动识别系统设计[J]. 郑州轻工业学院学报(自然科学版),2011,03:42-44.
关键词：智能图像；处理技术；车型识别
中图分类号：C37文献标识码： A
引言
因为中国经济的持续发展带动了汽车产业的迅速发展，机动车的数量以每年
10%的速度增长，然而现有的道路交通和管理设施却跟不上智能交通发展的需求，特别是大多数城市道路布局不合理，道路交通引导功能不完善；其次因为交通拥堵、交通事故等问题所带来的尾气污染问题也不容忽视。而智能图像处理技术则可以很好地解决这一难题。
1、视频车型识别系统原理
视频车型识别系统原理如图。如果车辆驶入收费站入口，就会触发埋设在固定位置的传感器，对CCD 摄像头和图像采集卡进行控制摄取运动车辆的侧面进行图像帧，主要包含了背景图像和运动车辆图像。之后对已经获得的车辆图像运用图像恢复、分割、二值化、边缘提取等种种的预处理，从而将干扰和噪声过滤掉，获取车型的轮廓，接着再依据分类器的结构从处理后的图像中获取有效的特征参数，将分类器输入进行识别。
2、图像处理
2.1图像恢复
景物在成像的过程中，会被很多因素所影响，因而会导致图像质量下降，这其实就是图像退化，为了使图像能够恢复本来的面目，因为汽车和摄像机之间存在着相对的运动，时常会导致使图像处于模糊装填，这种情况下可运用下列算法快速去恢复模糊图像：假设汽车图像f ( x ， y )，汽车在x 方向上作匀速直线运动，总位移量为a，总运动时间为T，那么模糊后图像任意点的值为：
这是图像的模糊模型。
图像的恢复公式为：
式中：n指的是x / a 的整数部分；
A 指的是常数，如果k 非常大的情况下，接近g (.) 的均值。
因为车辆经过收费站的时候是限速前行的，所以摄像机和曝光时间是一定的，汽车的位移量s 确定起来就比较容易。
2.2图像分割
图像分割指的就是在背景图中将目标图像标识出来，从而方便与图像的识别，在本文中主要采用基于边缘检测的方法从背景中将车的图像分离出来。边缘增强采用运算速度快的梯度法对两幅图像分别进行；算法如下：
假设图像函数为g( x， y)，它的梯度是一个向量，定义
为在( x， y) 点处的梯度，其方向是函数g( x， y) 在这点变化率最大的方向，其长度等于函数g( x， y) 的最大变化率，即：
从上式中能够得知，图像函数的值和相邻像素的灰度差值关系为正比，在图像灰度变化相对平缓的区域梯度值比较小，但是在图像轮廓上，像素的灰度值有着陡然的变化，梯度值非常大；在等灰度地区，梯度值等于零。那么，在以上梯度算法的基础上增强图像。之后再把车辆边缘图像与背景边缘图像相减进行运算。
设g1( x， y) 和g2( x， y) 分别是车辆边缘图像和背景边缘图像，h( x， y)是相减后的图像，0 指的是暗点灰度值，则有：
再进行了相减运算之后，不但能够得出边缘相减的图像，将车辆从背景中分割出来，而且还能够克服因为摄像机位置轻微抖动和光线微弱变化所产生的影响。
2.3图像的二值化
为了能够将车边缘从边缘相减图中提取出来，还需要对图像进行二值化处理。在边缘相减图像中，边缘在整个边缘相减图像中只占据很小的一部分，在直方图中体现为两个峰值，也就是背景和边缘，这两个峰值在大小上有很大的区别。所以运用微分直方图对其进行二值化处理。就是先八领域laplace 运算一次边缘相减图像，提出运算值较高的点来对直方图进行统计，依据这些点的直方图并不是依据整个边缘相减图像的直方图来对阈值进行二值化去确定。这样很容易实现并且其效果也是非常好的。二值化后的图像块不是连续的，有着很多的孤立点， 轮廓上也存在断点，为了方便车辆图像特征的提取，进一步进行如下处理：
2.3.1直线拟合
（1）从左往右对图像第一行的像素点进行扫描，将第一个亮点找到，并将其定位左起始点；运用相同的的方法从右往左对第一行进行扫描并找到右起始点；
（2）从图像的上方向下方进行扫描，对相邻行i 及i +1 行的像素点予以处理；对第i 行而言，从左往右进行扫描要是碰到第一个亮点，就将其列数记下，记为array；对于i + 1 行而言，扫描获得的列数为array+ 1，如果array < array+ 1，则令( i + 1， array- 1) = 1，不然就让( i + 1， array- 1) = 0，這样能够把车辆图像的左边部分拟合；
（3）运用上述相同的方法可以将车辆的右半部分拟全。
2.3.2填充
（1）横向填充。扫描图像的每一行，如果在某一行从左往右碰见第一个亮点，将其坐标( i ，j )记下，之后在同一行从右往左寻找第一个亮点，将其其坐标( i ， k ) 记下，则在同一行把两个亮点之间的所有像素点变成亮点，即令：d ( i ， x ) = 255，x = j ， j + 1， …， k
（2）纵向填充。方法与横向填充类似，从上往下对完成经处理后的二值图像进行扫描。如图2 所示：
2.3.3轮廓跟踪
为了能够得出连续车辆边缘轮廓图像，采用轮廓跟踪的方法对二值化后的图像进行计算，其算法为从上往下，从左往右对全图进行扫描。找到全部的以0( 0 为暗， 1为亮) 为邻点的1，那么这些值为1 的点就肯定是边界点，以此将辆的轮廓提出，，具体如图3 所示：
3、车型识别系统
通过预处理车俩图像，可以获取车辆的边缘图像。之后再对图像边缘数据进行分析，从而获取车辆的形状和车型参数，建立数据库，实现车型的识别。
3.1车型库的构建
识别车型的依据是车辆图像边缘的轮廓形状和尺寸是车辆。所以，系统一定要建立车型数据库，将其和车辆检测的信号加以比较，对车辆类型进行判定。车辆构建原理图如图5 所示。
图5 中，参数提取模块能够获取车辆的车高、轴数、轴距以及轮距等较为重要的参数，边缘轮廓线粗化是加宽提取的边缘线条，放宽因为动态图像摄取时
出现的误差，使提取的数据可以在误差允许的范围内快速而又准确地进行识别。
为了将车辆进行分类，首先对各种车辆的参数进行收集，之后将计算机中的车辆车型输入数据库，运用计算机的检索功能优选分类参数。依据我国常用车型采用的车辆分类标准，按照大、中、小型车以及多轴车加以分类和存储。这种方案设计的车型数据库运用二维数据库结构，各类汽车的轮距与轴距的参数关系如图6 所示，运用轮廓线和四项参数分类车辆的准确率能够达到到91%以上。
从图6 可以得出，通过分类车辆的轴距、前轮距和轴数，就能够实现对车辆依照标准载重和座位数分类车辆。其分类参数关系如下：
大型车：轴数=2， 轴距> A， 且轮距> W2
中型车：轴数=2， 轴距> A， 且W1 < 轮距
多轴车：轴数>2
依据上述，只要将车辆的轮廓图检测出来并将其轴距、轮距和轴数确定就能够识别车型。
4、车型识别系统的应用
车型识别的步骤如下；
4.1运用一个CCD 传感器和图像采集卡抓取车辆的侧面图像和正面图像，获取车辆外形图像信号；
4.2图像恢复、分割、二值化车辆图像，将干扰噪声消除，得到图像边缘信号；
4.3将车辆轮廓图形和车辆参数提取出来；
4.4对车型数据库查询，对其车型加以判别。我们在背景和天气相同的情况下，运用数码摄像机对轿车、客车、货车图像进行了采集，共280 帧进行实验，实验中有25 处识别错误，主要是因为在边缘数据分析时没有将卡车货物的轮廓准确剔除，错误将其认为是其它车型。实验结果证明，车型识别率高达91%以上。
在进行了进一步的改进和处理之后，这一系统将会进一步使车辆识别准确性提高，有着很好地应用前景。
结语
在现代交通管理中视频汽车识别系统的应用前景非常好，其中图像预处理技术在整个系统的识别效率及精度中发挥着十分重要的作用，本文中所论述的图像处理方法运算速度比较快，对于在线车型识别十分有益。
参考文献：
[1]娄莉,党瑞荣. 基于智能图像处理技术的车型识别[J]. 微电子学与计算机,2006,06:71-73.
[2]马丽娜,曹新德. 基于图像处理技术的车型自动识别系统设计[J]. 郑州轻工业学院学报(自然科学版),2011,03:42-44.