一種車頭定位方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種車頭定位方法及裝置。方法為：對車輛圖片進行掃描，記錄該車輛圖片中車牌圖案的中心點位置坐標；根據(jù)上述車輛圖片中所有像素點的像素值，確定該車輛圖片橫軸方向的梯度，以及根據(jù)該梯度，獲取橫軸方向的梯度直方圖；根據(jù)上述梯度直方圖，確定上述車輛的車頭左右邊界，并獲取該車輛的車頭左右邊界橫坐標；根據(jù)上述所有像素點的像素值，上述車牌圖案的中心點位置坐標，以及上述車輛的車頭左右邊界橫坐標，獲取車頂縱坐標和車底縱坐標，確定車頭所在坐標區(qū)域。采用本發(fā)明技術(shù)方案，通過預(yù)設(shè)的算法能夠達到快速定位車頭的目的，并且定位結(jié)果精度高。
【專利說明】一種車頭定位方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種車頭定位方法及裝置。
【背景技術(shù)】
[0002]現(xiàn)代城市建設(shè)中，智能交通系統(tǒng)已成為城市交通管理的重要組成部分。通過智能交通系統(tǒng)，可以實時監(jiān)測道路交通的狀態(tài)、車輛的行駛狀態(tài)和駕駛員的狀態(tài)，實現(xiàn)對城市交通的疏導(dǎo)以及突發(fā)事件的檢測管理。
[0003]在現(xiàn)有的智能交通系統(tǒng)中，通常會設(shè)定若干個卡口，當車輛經(jīng)過卡口位置的時候，該卡口上的攝像設(shè)備即可拍攝到上述車輛的圖片并進行存儲。隨著智能交通系統(tǒng)的快速發(fā)展，對智能交通系統(tǒng)中的卡口提出了越來越高的要求?？谝呀?jīng)由原來僅僅抓拍車輛圖片并實現(xiàn)車牌識別功能，到現(xiàn)在需要實現(xiàn)車身顏色識別，車標識別，安全帶檢測等功能。因此，如何通過卡口實現(xiàn)準確快速的車頭定位成為智能交通系統(tǒng)中急需解決的技術(shù)問題。
[0004]目前，通常采用的車頭定位技術(shù)為靜態(tài)圖片車頭定位技術(shù)，參閱圖1所示，靜態(tài)圖片車頭定位方式具體步驟如下:
[0005]步驟100:建立一個樣本庫，并根據(jù)該樣本庫建立車頭模型。
[0006]現(xiàn)有技術(shù)中，采用離線學(xué)習(xí)方式建立正負樣本庫，正樣本庫中均為歸一化后的車頭圖片序列，負樣本庫中均為其他隨機的非車頭圖片序列。然后根據(jù)該樣本庫，通過adaboost, svm等學(xué)習(xí)算法建立車頭模型。
[0007]步驟110:通過多尺度窗口掃描待檢測車輛圖片，獲取各個尺度窗口區(qū)域的特征集。
[0008]現(xiàn)有技術(shù)中，多尺度窗口是指對待檢測車輛圖片的同一個位置采用不同尺度的窗口進行掃描。例如，多尺度窗口 I為以坐標〈X，y>為中心點，以寬為10高為10的矩形框獲取圖像特征；多尺度窗口 2為以坐標〈X，y>為中心點，以寬為15高為15的矩形框獲取圖像特征。
[0009]上述技術(shù)方案中，多尺度窗口對待檢測車輛掃描時米用逐行掃描方式，掃描速度慢，耗費時間較長。
[0010]步驟120:當某個尺度窗口提取的特征集符合車頭模型，確定該窗口即為車頭所在位置。
[0011]將上述各個尺度窗口掃描車輛圖片后提取的特征集，分別與上述車頭模型進行對t匕，當某個尺度窗口中提取的特征集符合車頭模型，則確定該窗口即為車頭所在位置。
[0012]采用上述技術(shù)方案時，由于需要根據(jù)樣本庫建立車頭模型，因此車頭模型的性能優(yōu)劣嚴重的依賴于樣本庫的優(yōu)劣，較佳的樣本庫能使車頭定位結(jié)果準確率高、虛報率少、魯棒性強，而差的樣本庫則相反。并且，上述技術(shù)方案需要通過多尺度窗口逐行掃描圖片，因此速度較慢，一般一張圖片需要超過30ms的處理時間才能完成對車頭的定位。綜上，現(xiàn)有的車頭定位方法，存在車頭定位過程慢，定位結(jié)果精度低的問題。
【發(fā)明內(nèi)容】

[0013]本發(fā)明實施例提供一種車頭定位方法及裝置，用以解決現(xiàn)有技術(shù)中存在的車頭定位過程復(fù)雜，耗費時間長，定位結(jié)果精度低的問題。
[0014]本發(fā)明實施例提供的具體技術(shù)方案如下:
[0015]一種車頭定位方法，包括:
[0016]對車輛圖片進行掃描，記錄所述車輛圖片中車牌圖案的中心點位置坐標；其中，坐標系以所述車輛圖片中的指定點為零點，以所述車輛圖片的水平方向為橫軸，以與所述水平方向垂直的方向為縱軸進行繪制；
[0017]根據(jù)所述車輛圖片中所有像素點的像素值，計算所述車輛圖片橫軸方向的梯度，以及根據(jù)所述梯度，獲取橫軸方向的梯度直方圖；
[0018]根據(jù)所述梯度直方圖，采用分水嶺算法確定所述車輛的車頭左右邊界，并獲取所述車輛的車頭左右邊界橫坐標；
[0019]根據(jù)所述所有像素點的像素值，所述車牌圖案的中心點位置坐標，以及所述車輛的車頭左右邊界橫坐標，獲取車頂縱坐標和車底縱坐標，確定車頭所在坐標區(qū)域。
[0020]一種車頭定位裝置，包括:
[0021]記錄單元，用于對車輛圖片進行掃描，記錄所述車輛圖片中車牌圖案的中心點位置坐標；其中，坐標系以所述車輛圖片中的指定點為零點，以所述車輛圖片的水平方向為橫軸，以與所述水平方向垂直的方向為縱軸進行繪制；
[0022]梯度獲取單元，用于根據(jù)所述車輛圖片中所有像素點的像素值，計算所述車輛圖片橫軸方向的梯度，以及根據(jù)所述梯度，獲取橫軸方向的梯度直方圖；
[0023]坐標獲取單元，用于根據(jù)所述梯度直方圖，采用分水嶺算法確定所述車輛的車頭左右邊界，并獲取所述車輛的車頭左右邊界橫坐標；
[0024]位置確定單元，用于根據(jù)所述所有像素點的像素值，所述車牌圖案的中心點位置坐標，以及所述車輛的車頭左右邊界橫坐標，獲取車頂縱坐標和車底縱坐標，確定車頭所在坐標區(qū)域。
[0025]本發(fā)明實施例中，對車輛圖片進行掃描，記錄該車輛圖片中車牌圖案的中心點位置坐標；其中，坐標系以上述車輛圖片中的指定點為零點，以該車輛圖片的水平方向為橫軸，與該水平方向垂直的方向為縱軸進行繪制；根據(jù)上述車輛圖片中所有像素點的像素值，計算該車輛圖片橫軸方向的梯度，以及根據(jù)該梯度，獲取橫軸方向的梯度直方圖；根據(jù)上述梯度直方圖，采用分水嶺算法確定上述車輛的車頭左右邊界，并獲取該車輛的車頭左右邊界橫坐標；根據(jù)上述所有像素點的像素值，上述車牌圖案的中心點位置坐標，以及上述車輛的車頭左右邊界橫坐標，獲取車頂縱坐標和車底縱坐標，確定車頭所在坐標區(qū)域。采用本發(fā)明技術(shù)方案，通過預(yù)設(shè)的算法能夠達到快速定位車頭的目的，并且定位結(jié)果精度高。
【專利附圖】

【附圖說明】
[0026]圖1為現(xiàn)有技術(shù)中車頭定位詳細流程圖；
[0027]圖2為本發(fā)明實施例中車頭定位詳細流程圖；
[0028]圖3為本發(fā)明實施例中車輛圖片示意圖；
[0029]圖4為本發(fā)明實施例中車輛梯度示意圖；[0030]圖5為本發(fā)明實施例中車輛梯度直方圖；
[0031]圖6為本發(fā)明實施例中對車輛圖片進行處理后獲取的車底位置示意圖；
[0032]圖7為本發(fā)明實施例中最終檢測結(jié)果示意圖；
[0033]圖8為本發(fā)明實施例中車頭定位裝置結(jié)構(gòu)示意圖。
【具體實施方式】
[0034]為了解決現(xiàn)有技術(shù)中存在的車頭定位過程復(fù)雜，定位結(jié)果精度低的問題。本發(fā)明實施例中，對車輛圖片進行掃描，記錄該車輛圖片中車牌圖案的中心點位置坐標；其中，坐標系以上述車輛圖片中的指定點為零點，以該車輛圖片的水平方向為橫軸，與該水平方向垂直的方向為縱軸進行繪制；根據(jù)上述車輛圖片中所有像素點的像素值，確定該車輛圖片橫軸方向的梯度，以及根據(jù)該梯度，獲取橫軸方向的梯度直方圖；根據(jù)上述梯度直方圖，確定上述車輛的車頭左右邊界，并獲取該車輛的車頭左右邊界橫坐標；根據(jù)上述所有像素點的像素值，上述車牌圖案的中心點位置坐標，以及上述車輛的車頭左右邊界橫坐標，獲取車頂縱坐標和車底縱坐標，確定車頭所在坐標區(qū)域。采用本發(fā)明技術(shù)方案，通過預(yù)設(shè)的算法能夠達到快速定位車頭的目的，并且定位結(jié)果精度高。
[0035]下面結(jié)合附圖對本發(fā)明優(yōu)選的實施方式進行詳細說明。
[0036]參閱圖2所示，本發(fā)明實施例中，車頭定位的詳細流程為:
[0037]步驟200:對車輛圖片進行掃描，記錄該車輛圖片中車牌圖案的中心點位置坐標。
[0038]本發(fā)明實施例中，在上述車輛圖片中建立坐標系，該坐標系以上述車輛圖片中的指定點為零點，以該車輛圖片的水平方向為橫軸，與該水平方向垂直的方向為縱軸進行繪制。通常，由于在智能交通系統(tǒng)中，卡口處的攝像設(shè)備獲取的車輛圖片為標準圖片，即當該車輛圖片處于豎直狀態(tài)時，車輛圖片中的車輛與地面垂直，因此，上述坐標系以上述車輛圖片的左上角頂點為零點，以該車輛圖片的水平向右方向為橫軸正方向，與該水平方向垂直且向下的方向為縱軸正方向。
[0039]在車輛圖片中建立坐標系后，參閱圖3所不為本發(fā)明實施例中拍攝猶取的的車輛圖片，對該車輛圖片進行掃描，并獲取該車輛圖片中車牌圖案的中心點位置坐標。
[0040]本發(fā)明實施例中，當車輛圖片中僅包含一輛車時，對車輛圖片進行掃描獲取車牌圖案的中心點位置坐標的具體過程為:采用預(yù)設(shè)尺寸的掃描窗口對車輛圖片進行掃描，將該掃描窗口中呈現(xiàn)的車牌圖案與預(yù)設(shè)的各個車牌模型進行匹配；判斷是否存在與上述車牌圖案匹配成功的車牌模型，若存在，則停止掃描，將掃描窗口中心點位置坐標作為車牌圖案的中心點位置坐標；當判定不存在與上述車牌圖案匹配成功的車牌模型時，以預(yù)設(shè)步長移動上述掃描窗口后，采用該掃描窗口對上述車輛圖片進行掃描，將該掃描窗口中呈現(xiàn)的車牌圖案與預(yù)設(shè)的各個車牌模型進行匹配，直至匹配成功。
[0041]特殊的，當一張車輛圖片中包含多個車輛時，則采用上述方式掃描上述車輛圖片，此時，需要采用預(yù)設(shè)尺寸的掃描窗口對車輛圖片進行掃描，將該掃描窗口中呈現(xiàn)的車牌圖案與預(yù)設(shè)的各個車牌模型進行匹配；判斷是否存在與上述車牌圖案匹配成功的車牌模型，若存在，則將掃描窗口中心點位置坐標作為第一車牌圖案中心點位置坐標，并繼續(xù)以預(yù)設(shè)步長移動上述掃描窗口，直至該對整張車輛圖片掃描完畢，以獲取該車輛圖片中所有車牌圖案的中心點位置坐標；若不存在，則以預(yù)設(shè)步長移動上述掃描窗口，直至該對整張車輛圖片掃描完畢，以獲取該車輛圖片中所有車牌圖案的中心點位置坐標。上述所有車牌圖案的中心點位置坐標可以記為Kx1, Y1), <x2, y2>,......<χη, yn>l。
[0042]步驟210:根據(jù)上述車輛圖片中所有像素點的像素值，確定該車輛圖片橫軸方向的梯度，以及根據(jù)該梯度，獲取橫軸方向的梯度直方圖。
[0043]本發(fā)明實施例中，獲取上述車輛圖片中所有像素點的像素值，并根據(jù)該所有像素點的像素值進行后續(xù)處理。較佳的，將上述車輛圖片進行降采樣處理，即將上述車輛圖片轉(zhuǎn)換為QCIF (Quarter Common Intermediate Format,標準化圖像格式)灰度圖片后,獲取該QCIF灰度圖片中所有像素點的像素值。由于QICF灰度圖片的像素為176*144，因此，采用較佳的技術(shù)方案，可以達到在不影響車頭定位的同時，有效提高處理圖片的速度。
[0044]根據(jù)上述過程中獲取的車輛圖片中所有像素點的像素值，可以用gray(x，y)表示下標為(x，y)的像素點像素值，X=O, I,…，W ;y=0，l，…，h，其中，W，h表示車輛圖片的寬度和高度。
[0045]進一步的，獲取車輛圖片中所有像素點的像素值后，通過將索貝爾sobel算子與上述車輛圖片中的gray(x, y)進行卷積運算,獲取車輛圖片橫軸方向的梯度gradsx(x, y),其中，sobel算子如下所示:
【權(quán)利要求】
1.一種車頭定位方法，其特征在于，包括: 對車輛圖片進行掃描，記錄所述車輛圖片中車牌圖案的中心點位置坐標；其中，坐標系以所述車輛圖片中的指定點為零點，以所述車輛圖片的水平方向為橫軸，以與所述水平方向垂直的方向為縱軸進行繪制； 根據(jù)所述車輛圖片中所有像素點的像素值，確定所述車輛圖片橫軸方向的梯度，以及根據(jù)所述梯度，獲取橫軸方向的梯度直方圖； 根據(jù)所述梯度直方圖，確定所述車輛的車頭左右邊界，并獲取所述車輛的車頭左右邊界橫坐標； 根據(jù)所述所有像素點的像素值，所述車牌圖案的中心點位置坐標，以及所述車輛的車頭左右邊界橫坐標，獲取車頂縱坐標和車底縱坐標，確定車頭所在坐標區(qū)域。
2.如權(quán)利要求1所述的方法，其特征在于，所述車輛圖片中包含一個或多個車牌圖案。
3.如權(quán)利要求2所述的方法，其特征在于，對車輛圖片進行掃描，記錄所述車輛圖片中車牌圖案的中心點位置坐標，具體包括: 采用預(yù)設(shè)尺寸的掃描窗口對車輛圖片進行掃描，將所述掃描窗口中呈現(xiàn)的車牌圖案與預(yù)設(shè)的各個車牌模型進行匹配； 判定存在與所述車牌圖案匹配成功的車牌模型時，將所述掃描窗口中心點位置坐標作為所述車牌圖案的中心點位置坐標。
4.如權(quán)利要求3所述的方法，其特征在于，對車輛圖片進行掃描，記錄所述車輛圖片中車牌圖案的中心點位置坐標，還包括: 當判定不存在與所述車牌圖案匹配成功的車牌模型時，以預(yù)設(shè)步長移動所述掃描窗口后，采用所述掃描窗口對所述車輛圖片進行掃描，將所述掃描窗口中呈現(xiàn)的車牌圖案與預(yù)設(shè)的各個車牌模型進行匹配，直至對所述車輛圖片掃描完畢。
5.如權(quán)利要求1所述的方法，其特征在于，獲取所述車輛圖片中所有像素點的像素值，具體包括: 將所述車輛圖片轉(zhuǎn)換為標準化像素格式QCIF灰度圖片后，獲取所述QCIF灰度圖片中所有像素點的像素值。
6.如權(quán)利要求1-5任一項所述的方法，其特征在于，根據(jù)所述車輛圖片中所有像素點的像素值，確定所述車輛圖片橫軸方向的梯度，具體包括: 將所述車輛圖片中所有像素點的像素值與索貝爾sobel算子執(zhí)行卷積運算，獲取所述車輛圖片橫軸方向的梯度。
7.如權(quán)利要求6所述的方法，其特征在于，根據(jù)所述梯度，獲取橫軸方向的梯度直方圖，具體包括: 對所述梯度在每一個單位橫坐標上對應(yīng)的像素值進行累加，獲取橫軸方向的梯度累加值； 根據(jù)所述梯度累加值，形成橫軸方向的梯度直方圖。
8.如權(quán)利要求7所述的方法，其特征在于，根據(jù)所述梯度直方圖，確定所述車輛的車頭左右邊界，并獲取所述車輛的車頭左右邊界橫坐標，具體包括: 采用分水嶺算法確定所述梯度直方圖中所有波峰的位置，并對所述波峰位置坐標進行記錄；以所述車牌圖案的中心點位置坐標為中心，獲取橫坐標相互對稱的至少一組波峰，并記錄所述相互對稱的波峰的位置坐標，形成對稱波峰集合； 當判定所述對稱波峰集合中存在一組波峰的縱坐標的差值的絕對值小于第一預(yù)設(shè)閾值，且該組波峰的橫坐標的差值的絕對值大于第二預(yù)設(shè)閾值時，獲取該組波峰的橫坐標作為所述車輛的車頭左右邊界橫坐標。
9.如權(quán)利要求1所述的方法，其特征在于，根據(jù)所述所有像素點的像素值，獲取車底縱坐標，具體包括: 根據(jù)所述所有像素點的像素值，所述車牌中心點位置坐標，獲取所述車輛圖片中指定區(qū)域的平均像素值； 通過區(qū)域生長法，對所述指定區(qū)域中像素值低于所述平均像素值的像素點進行標識，形成車底區(qū)域； 獲取所述車底區(qū)域中的橫軸方向中心點位置的縱坐標作為車底縱坐標。
10.如權(quán)利要求5或9所述的方法，其特征在于，根據(jù)所述車輛的車頭左右邊界橫坐標，獲取車頂縱坐標，具體包括: 根據(jù)所述車輛的車頭左右邊界橫坐標，獲取所述車頭左右邊界橫坐標差值的絕對值； 根據(jù)所述差值的絕對值，以及所述車底縱坐標，獲取車頂縱坐標。
11.如權(quán)利要求10所述的方法，其特征在于，根據(jù)所述所有像素點的像素值，所述車牌圖案的中心點位置坐標，以及所述車輛的車頭左右邊界橫坐標，獲取車頂縱坐標和車底縱坐標，確定車頭所在坐標區(qū)域，具體包括: 根據(jù)所述車牌圖案的中心點位置坐標，獲取車牌所在位置區(qū)域； 根據(jù)所述車輛的車頭左右邊界橫坐標，車頂縱坐標，以及車底縱坐標，確定車頭所在坐標區(qū)域。
12.—種車頭定位裝置，其特征在于，包括: 記錄單元，用于對車輛圖片進行掃描，記錄所述車輛圖片中車牌圖案的中心點位置坐標；其中，坐標系以所述車輛圖片中的指定點為零點，以所述車輛圖片的水平方向為橫軸，以與所述水平方向垂直的方向為縱軸進行繪制； 梯度獲取單元，用于根據(jù)所述車輛圖片中所有像素點的像素值，確定所述車輛圖片橫軸方向的梯度，以及根據(jù)所述梯度，獲取橫軸方向的梯度直方圖； 坐標獲取單元，用于根據(jù)所述梯度直方圖，確定所述車輛的車頭左右邊界，并獲取所述車輛的車頭左右邊界橫坐標； 位置確定單元，用于根據(jù)所述所有像素點的像素值，所述車牌圖案的中心點位置坐標，以及所述車輛的車頭左右邊界橫坐標，獲取車頂縱坐標和車底縱坐標，確定車頭所在坐標區(qū)域。
13.如權(quán)利要求12所述的裝置，其特征在于，所述記錄單元掃描的車輛圖片中包含一個或多個車牌圖案。
14.如權(quán)利要求13所述的裝置，其特征在于，所述記錄單元，具體用于: 采用預(yù)設(shè)尺寸的掃描窗口對車輛圖片進行掃描，將所述掃描窗口中呈現(xiàn)的車牌圖案與預(yù)設(shè)的各個車牌模型進行匹配；判定存在與所述車牌圖案匹配成功的車牌模型時，將所述掃描窗口中心點位置坐標作為所述車牌圖案的中心點位置坐標。
15.如權(quán)利要求14所述的裝置，其特征在于，所述記錄單元，具體用于: 當判定不存在與所述車牌圖案匹配成功的車牌模型時，以預(yù)設(shè)步長移動所述掃描窗口后，采用所述掃描窗口對所述車輛圖片進行掃描，將所述掃描窗口中呈現(xiàn)的車牌圖案與預(yù)設(shè)的各個車牌模型進行匹配，直至對所述車輛圖片掃描完畢。
16.如權(quán)利要求12所述的裝置，其特征在于，所述梯度獲取單元，具體用于: 將所述車輛圖片轉(zhuǎn)換為標準化像素格式QCIF灰度圖片后，獲取所述QCIF灰度圖片中所有像素點的像素值。
17.如權(quán)利要求12-16任一項所述的裝置，其特征在于，所述梯度獲取單元，具體用于: 將所述車輛圖片中所有像素點的像素值與索貝爾sobel算子執(zhí)行卷積運算，獲取所述車輛圖片橫軸方向的梯度。
18.如權(quán)利要求17所述的裝置，其特征在于，所述梯度獲取單元，具體用于: 對所述梯度在每一個單位橫坐標上對應(yīng)的像素值進行累加，獲取橫軸方向的梯度累加值；根據(jù)所述梯度累加值，形成橫軸方向的梯度直方圖。
19.如權(quán)利要求18所述的裝置，其特征在于，所述坐標獲取單元，具體用于: 采用分水嶺算法確定所述梯度直方圖中所有波峰的位置，并對所述波峰位置坐標進行記錄；以所述車牌圖案的中心點位置坐標為中心，獲取橫坐標相互對稱的至少一組波峰，并記錄所述相互對稱的波峰的位置坐標，形成對稱波峰集合；當判定所述對稱波峰集合中存在一組波峰的縱坐標的差值的絕對值小于第一預(yù)設(shè)閾值，且該組波峰的橫坐標的差值的絕對值大于第二預(yù)設(shè)閾值時，獲取該組波峰的橫坐標作為所述車輛的車頭左右邊界橫坐標。
20.如權(quán)利要求12所述的裝置，其特征在于，所述位置確定單元，具體用于: 根據(jù)所述所有像素點的像素值，所述車牌中心點位置坐標，獲取所述車輛圖片中指定區(qū)域的平均像素值； 通過區(qū)域生長法，對所述指定區(qū)域中像素值低于所述平均像素值的像素點進行標識，形成車底區(qū)域； 獲取所述車底區(qū)域中的橫軸方向中心點位置的縱坐標作為車底縱坐標。
21.如權(quán)利要求16或20所述的裝置，其特征在于，所述位置確定單元，具體用于: 根據(jù)所述車輛的車頭左右邊界橫坐標，獲取所述車頭左右邊界橫坐標差值的絕對值； 根據(jù)所述絕對值，以及所述車底縱坐標，獲取車頂縱坐標。
22.如權(quán)利要求21所述的裝置，其特征在于，所述位置確定單元，具體用于: 根據(jù)所述車牌圖案的中心點位置坐標，獲取車牌所在位置區(qū)域； 根據(jù)所述車輛的車 頭左右邊界橫坐標，車頂縱坐標，以及車底縱坐標，確定車頭所在坐標區(qū)域。
【文檔編號】G06K9/64GK103971086SQ201310046466
【公開日】2014年8月6日 申請日期:2013年2月5日 優(yōu)先權(quán)日:2013年2月5日
【發(fā)明者】龐成俊, 潘石柱, 張興明, 傅利泉, 朱江明, 吳軍, 吳堅 申請人:浙江大華技術(shù)股份有限公司