專利名稱：一種基于圖像識別的車輛分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于圖像識別的車輛分類方法，屬于圖像識別技術(shù)領(lǐng)域。
背景技術(shù)：
近年來，智能交通系統(tǒng)發(fā)展快速(ITS)，隨著計算機視覺和模式識別技術(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。計算機視覺是利用計算機來模擬人的視覺功能，從客觀事物的圖像中提取信息，進(jìn)行處理并加以理解，最終用于實際檢測、測量和控制?；趫D像識別的車輛分類過程主要包括從圖像中提取目標(biāo)車輛并提取特征參數(shù)； 在分類器中輸入特征參數(shù)并得到分類結(jié)果兩個階段。第一階段，特征參數(shù)的選取主要集中在對車輛幾何尺寸的度量，有絕對幾何尺寸和相對幾何尺寸。絕對幾何尺寸是根據(jù)攝像機與車輛之間的距離和拍攝的角度算出車輛的實際大小，這種方法存在的缺陷是，攝像機與車輛之間的距離必須保持不變，而這在實際應(yīng)用中是難以實現(xiàn)的。第二階段，最簡單的方法就是對得到參數(shù)與已有的標(biāo)準(zhǔn)進(jìn)行匹配，這種方法運算量小，但是只適用于參數(shù)個數(shù)較少的情況下，而且參數(shù)太少就無法對車輛進(jìn)行有效分類。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，這需要耗費很多的計算時間而且容錯性差。另一個更實際的問題是，目前的分類將車輛分為大中小或者轎車、客車、卡車三類，而在實際應(yīng)用中都要求按照車輛的座位數(shù)和噸數(shù)來收費，因此上述分類結(jié)果很難應(yīng)用在實際之中。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)在進(jìn)行特征提取時，圖像采集設(shè)備與車輛之間的距離必須保持不變的缺陷，提供一種基于圖像識別的車輛分類方法，該方法采用相對幾何參數(shù)作為特征參數(shù)，對圖像采集設(shè)備的安裝位置無嚴(yán)苛要求。本發(fā)明采用以下技術(shù)方案來解決上述技術(shù)問題
一種基于圖像識別的車輛分類方法，首先從圖像中提取目標(biāo)車輛并提取目標(biāo)車輛的特征參數(shù)，然后根據(jù)特征參數(shù)進(jìn)行分類，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)行分類是使用BP (Back I^ropagation)神經(jīng)網(wǎng)絡(luò)分類器。本發(fā)明采用Hu幾何不變矩作為車輛圖像識別的特征參數(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)分類器進(jìn)行車輛分類，對于車輛圖像中常見的模糊、殘缺等情況，具有更好的識別準(zhǔn)確率。


圖1為本發(fā)明的基于圖像識別的車輛分類方法的流程示意圖；圖2為本發(fā)明具體實施方式
中所述背景圖像； 圖3為本發(fā)明具體實施方式
中所述包含車輛的圖像； 圖4為本發(fā)明具體實施方式
中所述分割后的圖像； 圖5為本發(fā)明具體實施方式
中所述濾波后的圖像； 圖6為本發(fā)明具體實施方式
中所述增強后的圖像； 圖7為本發(fā)明具體實施方式
中所述分類結(jié)果。
具體實施例方式下面結(jié)合附圖對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明
本發(fā)明的基于圖像識別的車輛分類方法，如圖1所示，具體包括以下步驟 步驟A、采集目標(biāo)車輛的圖像；
本步驟中可以利用照相機、攝像機、攝像頭等現(xiàn)有設(shè)備進(jìn)行圖像采集，本發(fā)明方法中對圖像采集設(shè)備與車輛之間的距離無特別要求；圖1、圖2分別顯示了采集到的背景圖像及包括車輛的圖像(即目標(biāo)圖像)；
步驟B、對采集到的圖像進(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)圖像中的車輛區(qū)域；本具體實施方式
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、對濾波后的圖像進(jìn)行目標(biāo)區(qū)域增強；增強后的圖像如圖6所示； 步驟B5、對圖像進(jìn)行腐蝕膨脹；
步驟B6、對圖像進(jìn)行二值化處理；本具體實施方式
中，在進(jìn)行二值化處理時，目標(biāo)區(qū)域為1，背景區(qū)域為0;
上述各步驟中涉及的灰度化、圖像分割、中值濾波、圖像增強、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)原理及過程此處不再贅述。步驟C、對預(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)生一個矩的無限集。根據(jù)帕普利斯(Papoulis )唯一性定理，這個無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
1.一種基于圖像識別的車輛分類方法，首先從圖像中提取目標(biāo)車輛并提取目標(biāo)車輛的特征參數(shù)，然后根據(jù)特征參數(shù)進(jìn)行分類，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所述基于圖像識別的車輛分類方法，其特征在于，所述根據(jù)特征參數(shù)進(jìn)行分類是使用BP神經(jīng)網(wǎng)絡(luò)分類器。
3.如權(quán)利要求2所述基于圖像識別的車輛分類方法，其特征在于，該方法將車輛分為小轎車、吉普車、面包車、客車這四類。
4.如權(quán)利要求2或3所述基于圖像識別的車輛分類方法，其特征在于，該方法具體包括以下步驟步驟A、采集目標(biāo)車輛的圖像；步驟B、對采集到的圖像進(jìn)行預(yù)處理；步驟C、對預(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)分類器，輸出車輛的分類結(jié)
5.如權(quán)利要求4所述基于圖像識別的車輛分類方法，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)圖像中的車輛區(qū)域； 步驟B3、對分割出的的圖像進(jìn)行中值濾波； 步驟B4、對濾波后的圖像進(jìn)行目標(biāo)區(qū)域增強； 步驟B5、對圖像進(jìn)行腐蝕膨脹； 步驟B6、對圖像進(jìn)行二值化處理。
6.如權(quán)利要求5所述基于圖像識別的車輛分類方法，其特征在于，對圖像進(jìn)行二值化處理時，目標(biāo)區(qū)域為1，背景區(qū)域為0。
7.如權(quán)利要求5所述基于圖像識別的車輛分類方法，其特征在于，所述分割出目標(biāo)圖像中的車輛區(qū)域，具體采用背景幀差法。
全文摘要
本發(fā)明公開了一種基于圖像識別的車輛分類方法，屬于圖像識別技術(shù)領(lǐng)域。本發(fā)明方法采用Hu幾何不變矩作為車輛圖像識別的特征參數(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)分類器進(jìn)行車輛分類，對于車輛圖像中常見的模糊、殘缺等情況，具有更好的識別準(zhǔn)確率。相比現(xiàn)有技術(shù)，本發(fā)明具有適用范圍廣、分類精度高的優(yōu)點，尤其適合于智能交通系統(tǒng)中的應(yīng)用。
文檔編號G06K9/00GK102194130SQ201110129858
公開日2011年9月21日 申請日期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, 陳國慶 申請人:蘇州兩江科技有限公司