本發(fā)明涉及計算機視覺技術(shù)領(lǐng)域，尤其涉及一種車窗定位方法和系統(tǒng)。

背景技術(shù)：

在城市治安卡口車輛大數(shù)據(jù)平臺中，一項很重要的功能是根據(jù)車輛駕駛窗中特殊的標志物迅速找出目標車，對于分析套牌車、無牌車、肇事逃逸等事件會有很大的幫助作用，另外，年檢標志檢測、副駕駛位人員檢測、車前擺件檢測等一系列車輛“指紋”的檢測都需要先定位到相應(yīng)的車窗區(qū)域。因此，準確的車窗定位是有效實現(xiàn)多種其他功能和檢測的基礎(chǔ)。

目前有一些有關(guān)車窗定位的研究，大部分都是基于圖像邊緣檢測的，發(fā)明人在實現(xiàn)本發(fā)明的過程中發(fā)現(xiàn)現(xiàn)有技術(shù)中的這些方法對于模糊場景、夜間場景、高光場景等定位能力差，不能有效的滿足實際應(yīng)用。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種車窗定位方法和系統(tǒng)，用以解決現(xiàn)有技術(shù)中存在的一個或多個問題。

第一方面，本發(fā)明實施例提供一種車窗定位方法，包括：基于對車輛正向檢測圖像的預(yù)處理，至少獲取車輛圖像區(qū)域及區(qū)域中的邊緣信息，其中，預(yù)處理包括邊緣檢測；至少基于車輛圖像區(qū)域判別出車輛圖像區(qū)域中的標志物，標志物包括車輛圖像區(qū)域中獨立于車窗的標志物，判別包括基于支持向量機判別；至少基于標志物及預(yù)設(shè)的距離模型在邊緣信息中判別出車窗的各個邊界以確定車窗區(qū)域，預(yù)設(shè)的距離模型包括標志物與車窗及車窗的各個邊界的距離關(guān)系。

第二方面，本發(fā)明實施例提供一種車窗定位系統(tǒng)，包括：預(yù)處理模塊，配置用于基于對車輛正向檢測圖像的預(yù)處理，至少獲取車輛圖像區(qū)域及區(qū)域中的邊緣信息，其中，預(yù)處理包括邊緣檢測；標志物判別模塊，配置用于至少基于車輛圖像區(qū)域判別出車輛圖像區(qū)域中的標志物，標志物包括車輛圖像區(qū)域中獨立于車窗的標志物，判別包括基于支持向量機判別；車窗區(qū)域判別模塊，配置用于至少基于標志物及預(yù)設(shè)的距離模型在邊緣信息中判別出車窗的各個邊界以確定車窗區(qū)域，預(yù)設(shè)的距離模型包括標志物與車窗及車窗的各個邊界的距離關(guān)系。

第三方面，本申請實施例還提供了一種非易失性計算機存儲介質(zhì)，存儲有計算機可執(zhí)行指令，所述計算機可執(zhí)行指令用于執(zhí)行本申請上述任一項車窗定位方法。

第四方面，本申請實施例還提供了一種電子設(shè)備，包括：一個或多個處理器；以及存儲器；其中，所述存儲器存儲有可被所述一個或多個處理器執(zhí)行的程序，所述指令被所述一個或多個處理器執(zhí)行，以使所述一個或多個處理器能夠執(zhí)行本發(fā)明上述任一項車窗定位方法。

本發(fā)明實施例提供的車窗定位方法和系統(tǒng)，通過獲取車輛上比較容易判別出的標志物，并基于標志物和預(yù)設(shè)距離模型進一步判別出車窗區(qū)域，可以實現(xiàn)更加準確地車窗判別。進一步地，由于車輛上的標志物具有對光線、顏色等的良好的魯棒性，可以實現(xiàn)在多種復(fù)雜場景下的車窗識別。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明車窗定位方法的實施例流程圖；

圖2為本發(fā)明車窗定位方案的實施例的具體流程示意圖；

圖3a為本發(fā)明車窗定位方案的一個實施例應(yīng)用場景示意圖；

圖3b為本發(fā)明車窗定位方案的又一個實施例應(yīng)用場景示意圖；

圖3c為本發(fā)明車窗定位方案的再一個實施例應(yīng)用場景示意圖；

圖3d為本發(fā)明車窗定位方案的還一個實施例應(yīng)用場景示意圖；

圖4為本發(fā)明車窗定位系統(tǒng)的實施例結(jié)構(gòu)示意圖；

圖5為本申請?zhí)峁┑膱?zhí)行基于預(yù)覽縮略圖的多媒體文件分享方法的電子設(shè)備的硬件結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

在本發(fā)明的實施例中，涉及多種可用于反映圖像特征，對圖像進行判定以及進行邊緣檢測的算法，下面先對可能用到的算法進行解釋和說明，以使本領(lǐng)域的技術(shù)人員能更好的理解本發(fā)明。

Haar特征值反映了圖像的灰度變化情況，分為三類：邊緣特征、線性特征、中心特征和對角線特征，組合成特征模板。特征模板內(nèi)有白色和黑色兩種矩形，并定義該模板的特征值為白色矩形像素和減去黑色矩形像素和。例如：臉部的一些特征能由矩形特征簡單的描述，如：眼睛要比臉頰顏色要深，鼻梁兩側(cè)比鼻梁顏色要深，嘴巴比周圍顏色要深等。但矩形特征只對一些簡單的圖形結(jié)構(gòu)，如邊緣、線段較敏感，所以只能描述特定走向(水平、垂直、對角)的結(jié)構(gòu)。

LBP(Local Binary Patterns，局部二值模式)，基本思想是對圖像的像素和它局部周圍像素進行對比后的結(jié)果進行求和。把這個像素作為中心，對相鄰像素進行閾值比較。如果中心像素的亮度大于等于他的相鄰像素，把他標記為1，否則標記為0。這種描述方法可以很好的捕捉到圖像中的細節(jié)。實際上，研究者們可以用它在紋理分類上得到最先進的水平。LBP已經(jīng)成功應(yīng)用于人臉檢測，唇語識別，表情檢測，動態(tài)紋理等等領(lǐng)域。其算法復(fù)雜度低，消耗內(nèi)存小，原理簡單，但并不一定適合所有的特征描述。

Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器(強分類器)。其算法本身是通過改變數(shù)據(jù)分布來實現(xiàn)的，它根據(jù)每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來，作為最后的決策分類器。使用adaboost分類器可以排除一些不必要的訓練數(shù)據(jù)特征，并放在關(guān)鍵的訓練數(shù)據(jù)上面。

SVM(Support Vector Machine，支持向量機)是機器學習領(lǐng)域一個有監(jiān)督的學習模型，通常用來進行模式識別、分類、以及回歸分析。SVM的主要思想可以概括為兩點：⑴它是針對線性可分情況進行分析，對于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進行線性分析成為可能。⑵它基于結(jié)構(gòu)風險最小化理論之上在特征空間中建構(gòu)最優(yōu)分割超平面，使得學習器得到全局最優(yōu)化，并且在整個樣本空間的期望風險以某個概率滿足一定上界。

Sobel算子(Sobel operator)主要用作邊緣檢測，在技術(shù)上，它是一離散性差分算子，用來運算圖像亮度函數(shù)的灰度之近似值。在圖像的任何一點使用此算子，將會產(chǎn)生對應(yīng)的灰度矢量或是其法矢量。Sobel算子根據(jù)像素點上下、左右鄰點灰度加權(quán)差，在邊緣處達到極值這一現(xiàn)象檢測邊緣。對噪聲具有平滑作用，提供較為精確的邊緣方向信息，邊緣定位精度不夠高。當對精度要求不是很高時，是一種較為常用的邊緣檢測方法。

HOG(Histogram of Oriented Gradient，方向梯度直方圖)特征是一種在計算機視覺和圖像處理中用來進行物體檢測的特征描述子。此方法使用了圖像的本身的梯度方向特征，類似于邊緣方向直方圖方法，但其特征在于其在一個網(wǎng)格密集的大小統(tǒng)一的方格單元上計算，而且為了提高精確度使用了重疊的局部對比度歸一化的方法。方向梯度直方圖特征的核心思想是一幅圖像中的物體的表象和形狀可以被梯度或邊緣的方向密度分布很好地描述。其實現(xiàn)方法是先將圖像分成小的叫做方格單元連通區(qū)域；然后采集方格單元中各像素點的梯度方向或邊緣方向直方圖；最后把這些直方圖組合起來就可以構(gòu)成特征描述子。為了提高精確度，還可以把這些局部直方圖在圖像的更大的區(qū)間(block)中進行對比度歸一化，此方法通過先計算各直方圖在這個區(qū)間(block)中的密度，然后根據(jù)這個密度值對區(qū)間中的各個方格單元做歸一化。通過這個歸一化后，能對光照變化和陰影獲得更好的穩(wěn)定性。與其他的特征描述方法相比，HOG有很多優(yōu)點。首先，由于HOG是在圖像的局部方格單元上操作，所以它對圖像幾何的和光學的形變都能保持很好的不變性，這兩種形變只會出現(xiàn)在更大的空間領(lǐng)域上。其次，在粗的空域抽樣、精細的方向抽樣以及較強的局部光學歸一化等條件下，只要行人大體上能夠保持直立的姿勢，可以容許行人有一些細微的肢體動作，這些細微的動作可以被忽略而不影響檢測效果。因此HOG特征是特別適合于做圖像中的人體檢測的。

腐蝕和膨脹都是形態(tài)學圖像處理中的基本操作，腐蝕主要用于形態(tài)學中除去圖像的某些部分，Matlab用imerode函數(shù)實現(xiàn)圖像腐蝕。

需要說明的是，在不沖突的情況下，本發(fā)明中的實施例及實施例中的特征可以相互組合。下面將參考附圖并結(jié)合實施例來詳細說明本發(fā)明。

參考圖1，其示出了本發(fā)明車窗定位方法的實施例流程圖100。

如圖1所示，在步驟101中，基于對車輛正向檢測圖像的預(yù)處理，至少獲取車輛圖像區(qū)域及區(qū)域中的邊緣信息。

在本實施例中，車窗定位系統(tǒng)對車輛正向檢測圖像進行預(yù)處理，以獲取車輛圖像區(qū)域及車輛圖像區(qū)域中的邊緣信息。其中，車輛正向檢測圖像可以是現(xiàn)有技術(shù)中一些重要的交通卡口的卡口圖像，如高速公路收費口、治安檢查站等，通常會利用所布設(shè)的攝像裝置，對所經(jīng)過的每個車輛進行拍攝，并將拍攝到的卡口車輛圖像保存到數(shù)據(jù)庫中，以便后續(xù)進行檢索和查看等，卡口車輛圖像多為車輛正面圖像，當然，車輛正向檢測圖像還可以是未來開發(fā)的新的檢測方式檢測的正向圖像，本發(fā)明在此方面沒有限制。

在本實施例中，車窗定位系統(tǒng)可以是一個單獨的用于檢測車窗的系統(tǒng)，也可以是其他系統(tǒng)的子系統(tǒng)或者其他系統(tǒng)如交通檢查系統(tǒng)的一個組成部分，本發(fā)明在此方面沒有限制。系統(tǒng)對車輛正向檢測圖像的預(yù)處理可以包括對車輛正向檢測圖像進行紋理特征表征，如利用Haar特征值或者LBP進行二值化，或者還可以是梯度信息表征等，通過相應(yīng)的預(yù)處理，可以進一步通過相關(guān)的Adaboost訓練器對其進行分析，可以得出車輛圖像所在的區(qū)域，可以進一步縮小圖像處理范圍。

在本實施例中，對車輛正向檢測圖像的預(yù)處理還可以包括對之前通過某些預(yù)處理獲取的車輛圖像區(qū)域進行邊緣檢測，可選的，可以使用Sobel算子進行邊緣檢測，以檢測出邊緣信息。

接著，在步驟102中，至少基于車輛圖像區(qū)域判別出車輛圖像區(qū)域中的標志物。

在本實施例中，系統(tǒng)根據(jù)之前確定的車輛圖像區(qū)域進一步判別出車輛圖像區(qū)域中的標志物。其中，標志物是車輛獨立于車窗的標志物，例如可以是后視鏡、雨刷、弧形角點、車牌等。通過從車輛圖像區(qū)域中判別出標志物，可以排除車輛行駛道路上其他物體造成的干擾。標志物一般為對光線、顏色具有良好的魯棒性的物體，不容易受外界光強和顏色的變化而改變的物體。

之后，在步驟103中，至少基于標志物及預(yù)設(shè)的距離模型在邊緣信息中判別出車窗的各個邊界以確定車窗區(qū)域。

在本實施例中，系統(tǒng)根據(jù)檢測到的標志物及預(yù)設(shè)的距離模型在邊緣信息中判別出車窗的各個邊界以確定車窗區(qū)域。其中，預(yù)設(shè)的距離模型包括標志物與車窗及車窗的各個邊界的距離關(guān)系。例如，預(yù)設(shè)的距離模型中可以記錄車窗高度為1.5～5.5倍車牌寬度，雨刷的位置與車窗的下邊界的位置基本相同，或者后視鏡的位置與車窗的上邊界或下邊界或左右邊界的位置的關(guān)系等，本發(fā)明在此方面沒有限制。在進一步可選的實施例中，系統(tǒng)可以先定位標志物，其中標志物可以為后視鏡，然后根據(jù)Sobel水平邊緣檢測模板檢測車輛的水平邊緣；之后根據(jù)后視鏡的位置信息，基于SVM從檢測出的水平邊緣中判別得出與后視鏡的位置最接近的下邊界的最終位置；再根據(jù)下邊界的最終位置及預(yù)設(shè)的距離模型，例如可以是車窗高度與車牌寬度的關(guān)系，基于SVM從檢測出的水平邊緣中判別得出上邊界的最終位置。

在一些可選的實施例中，基于對車輛正向檢測圖像的預(yù)處理，至少獲取車輛圖像區(qū)域及區(qū)域中的邊緣信息進一步包括：根據(jù)車輛正向檢測圖像，基于車輛判別模型判別出車輛圖像區(qū)域；基于對車輛圖像區(qū)域的邊緣檢測，獲取區(qū)域中的邊緣信息。其中，車輛判別模型可以是先用Haar特征值處理車輛正向檢測圖像，再用Adaboost算法進一步判別出車輛圖像區(qū)域，之后對車輛圖像區(qū)域進行Sobel邊緣檢測，檢測出車輛圖像區(qū)域中的邊緣信息。需要說明的是還可以使用業(yè)內(nèi)已知的其他算法或者未來開發(fā)的其他模型進行相關(guān)的數(shù)據(jù)處理或圖像處理，本發(fā)明在此方面沒有限制。

在另一些可選的實施例中，至少基于車輛圖像區(qū)域判別出車輛圖像區(qū)域中的標志物進一步包括：根據(jù)車輛圖像區(qū)域，基于標志物判別模型判別出標志物，其中，標志物包括對光線和顏色具有良好的魯棒性。其中，標志物識別模型可以是先用LBP對圖像進行二值化處理，再用Adaboost算法判別車輛圖像區(qū)域中的標志物。需要說明的是還可以使用業(yè)內(nèi)已知的其他算法或者未來開發(fā)的其他模型進行相關(guān)的數(shù)據(jù)處理或圖像處理，本發(fā)明在此方面沒有限制。

在一些可選的實施例中，車輛判別模型和標志物判別模型可以包括一種或多種算法組合形成的判別模型。例如可以是HAAR-ADABOOST算法或者是LBP-ADABOOST算法等，本發(fā)明在此方面沒有限制。

在另一些可選的實施例中，標志物可以包括后視鏡、雨刷、弧形角點、車燈和車牌中的一種或多種。例如，可以利用標志物雨刷結(jié)合弧形角點及預(yù)設(shè)的距離模型基于SVM判別出車窗邊界，還可以利用后視鏡結(jié)合雨刷，后視鏡結(jié)合車牌和車燈等，本發(fā)明在此方面沒有限制。

本實施例的車窗定位方法通過利用標志物及并基于標志物與車窗邊界之間的預(yù)設(shè)的距離模型，可以使邊界判別更加精準。進一步地，由于標志物一般具有對光線和顏色的良好的魯棒性，因此該車窗定位方法可以用于復(fù)雜場景下如模糊、高光、夜間場景下的車窗定位。

進一步參考圖2，其示出了本發(fā)明車窗定位方案的實施例的具體流程示意圖200。

結(jié)合圖2，本發(fā)明的可以針對現(xiàn)實場景中的實際情況，將整個識別工作分為三大部分。首先進行車輛檢測、邊緣分析與車輛后視鏡定位，然后利用支持向量機方法根據(jù)邊緣候選區(qū)域進行上下邊界初步確認；最后結(jié)合后視鏡位置信息與上下邊界的初始結(jié)果定位得到駕駛窗區(qū)域。

如圖2所示，在步驟201中，車輛檢測，獲取車輛子圖像。

在本實施例中，系統(tǒng)可以利用現(xiàn)有的HAAR-ADABOOST方法對車輛圖像區(qū)域進行定位檢測，由于需要進行車窗定位，因此我們只進行車輛正向檢測。定位出車輛圖像區(qū)域后，可以以車輛圖像區(qū)域的左上角為原點，建立坐標系，進一步地之后檢測出的標志物等都可以以此坐標系量化表示，便于之后的判別和計算。采取這一方法的原因是，車輛的邊緣輪廓信息在各種場景下都很清晰，HAAR-ADABOOST方法對于輪廓清晰的物體檢測率較高。

接著，步驟202中，車輛后視鏡檢測，水平邊緣檢測。

在本實施例中，我們可以設(shè)計一種15*15的Sobel水平邊緣檢測模板，以盡可能多的檢測出車輛圖像區(qū)域中的多個水平邊緣，同時對車輛后視鏡、雨刷等進行基于LBP-ADABOOST的定位檢測，由于車輛后視鏡、雨刷的紋理信息較為豐富，因此選用此方法可以更好地對后視鏡、雨刷等紋理信息豐富的標志物進行檢測。

之后，在步驟203中，邊緣長度統(tǒng)計分析，獲取駕駛窗上下邊界候選區(qū)域。

在本實施例中，系統(tǒng)可以先對之前檢測出的多個邊緣進行適度的膨脹腐蝕后再進行連通性長度統(tǒng)計分析，將符合長度(例如可以是符合左右兩個后視鏡的橫坐標之間的長度)的邊緣記錄下來，并上下各擴充規(guī)定的大小獲取邊緣子圖像；具體實現(xiàn)時我們以邊緣的縱坐標為中心上下各擴充五個像素。

然后，步驟204中，利用SVM對候選區(qū)域進行判別。

在本實施例中，系統(tǒng)可以利用SVM統(tǒng)計分析當前邊緣子圖像是車窗上邊緣、下邊緣還是無關(guān)邊緣，統(tǒng)計分析時我們選用梯度直方圖特征描述候選子圖像，充分利用駕駛窗上邊界的弧形角點，下邊界的弧形角點與雨刷信息。

在步驟205中，根據(jù)后視鏡位置與SVM判別結(jié)果進行下邊界確認。

在本實施例中，經(jīng)過以上步驟，系統(tǒng)會獲取若干個候選下邊緣，此時我們結(jié)合檢測的后視鏡位置進行車窗下邊界的優(yōu)化確認，獲取距離后視鏡縱坐標最近的邊緣位置，求取平均值以此作為下邊界的最終位置。一般情況下，下邊界的識別結(jié)果只有一個，偶爾存在兩個以上的情況。

之后，在步驟206中，根據(jù)駕駛窗下邊界結(jié)合SVM判別結(jié)果進行上邊界確認。

在本實施例中，經(jīng)過上述步驟中對下邊界的確認后，根據(jù)下邊界信息，結(jié)合步驟204中得到的若干上邊緣結(jié)果，按照車窗高度的先驗知識(例如可以是車窗高度為1.5～5.5倍的車牌寬度)，判斷上邊界最終位置并輸出相應(yīng)結(jié)果。一般情況下上邊界的識別結(jié)果只有一個，偶爾存在兩個或三個的情況。

最后，在步驟207中，根據(jù)后視鏡的橫坐標信息確認左右邊界。

在本實施例中，由于得到的后視鏡檢測結(jié)果是很穩(wěn)定的，我們直接將后視鏡的橫坐標信息作為駕駛窗的左右邊界。實驗確認這并不影響后續(xù)使用。確認了上下邊界和左右邊界之后即可獲得車窗區(qū)域。

具體的應(yīng)用場景示意圖可以參見圖3a、圖3b、圖3c和圖3d。其中，圖3a示出了本發(fā)明車窗定位方案的一個實施例應(yīng)用場景的原始車輛正向檢測圖像示意圖；圖3b示出了本發(fā)明車窗定位方案的又一個實施例應(yīng)用場景的定位車輛圖像區(qū)域的示意圖；圖3c示出了本發(fā)明車窗定位方案的再一個實施例應(yīng)用場景的定位車輛標志物(圖中為后視鏡)的示意圖；以及圖3d示出了本發(fā)明車窗定位方案的還一個實施例應(yīng)用場景的定位上下邊界的示意圖。

如圖3a所示，由于需要進行車窗定位，所以原始的圖像需要是車輛正向檢測圖像，例如各個檢查點的卡口圖像。進一步參考圖3b，其示出了定位車輛圖像區(qū)域(圖中310所示)的應(yīng)用場景圖，通過先定位出車輛圖像區(qū)域可以為后續(xù)檢測排除很多道路、環(huán)境等的干擾因素，進一步提高檢測的準確度，例如可以以車輛圖像區(qū)域的左上角為原點建立坐標系，以便于后續(xù)的計算。參考圖3c，其示出了在車輛圖像區(qū)域310中進一步檢測出標志物例如圖中的后視鏡321和322的應(yīng)用場景圖，圖中還示出了檢測出的各個邊緣(未標注序號)，如雨刷的邊緣、車燈、車牌等的邊緣等。進一步參考圖3d，其示出了從圖3c檢測出的各個邊緣中進一步通過預(yù)設(shè)的距離模型和判別算法篩選出上下邊界的應(yīng)用場景圖。進一步還可以根據(jù)標志物如后視鏡的位置確定左右邊界以定位出車窗區(qū)域。

通過以上實施例，可以實現(xiàn)在復(fù)雜場景下對車窗區(qū)域的有效定位，由于標志物與車窗之間存在固定的距離，利用標志物和預(yù)設(shè)的距離模型就能更好的排除干擾因素。例如邊緣檢測可能會檢測出很多無關(guān)邊緣如遮陽板、顏色和紋理鮮明的衣物等，通過標志物和預(yù)設(shè)的距離模型可以有效地排除無關(guān)邊緣，實現(xiàn)更精準的車窗定位。

請參考圖4，其示出了本發(fā)明車窗定位系統(tǒng)的實施例結(jié)構(gòu)示意圖。

如圖4所示，車窗定位系統(tǒng)400包括預(yù)處理模塊401、標志物判別模塊402和車窗區(qū)域判別模塊403。其中，預(yù)處理模塊401，配置用于基于對車輛正向檢測圖像的預(yù)處理，至少獲取車輛圖像區(qū)域及區(qū)域中的邊緣信息，其中，所述預(yù)處理包括邊緣檢測；標志物判別模塊402，配置用于至少基于預(yù)處理模塊401獲取的車輛圖像區(qū)域判別出車輛圖像區(qū)域中的標志物，標志物包括車輛圖像區(qū)域中獨立于車窗的標志物，判別包括基于支持向量機判別；以及車窗區(qū)域判別模塊403，配置用于至少基于標志物判別模塊402判別出的標志物及預(yù)設(shè)的距離模型在邊緣信息中判別出車窗的各個邊界以確定車窗區(qū)域，預(yù)設(shè)的距離模型包括標志物與車窗及車窗的各個邊界的距離關(guān)系。

在一些可選的實施例中，預(yù)處理模塊401包括進一步配置用于：根據(jù)車輛正向檢測圖像，基于車輛判別模型判別出車輛圖像區(qū)域；以及基于對車輛圖像區(qū)域的邊緣檢測，獲取區(qū)域中的邊緣信息。

在另一些可選的實施例中，標志物判別模塊402包括進一步配置用于：根據(jù)車輛圖像區(qū)域，基于標志物判別模型判別出標志物，其中，標志物包括對光線和顏色具有良好的魯棒性。

在一些可選的實施例中，車輛判別模型和標志物判別模型可以包括一種或多種算法組合形成的判別模型。例如可以是HAAR-ADABOOST算法或者是LBP-ADABOOST算法等，本發(fā)明在此方面沒有限制。

在另一些可選的實施例中，標志物可以包括后視鏡、雨刷、弧形角點、車燈和車牌中的一種或多種。

在本實施例中，車窗定位系統(tǒng)400通過對車窗區(qū)域和標志物進行檢測和定位，并進一步根據(jù)標志物與預(yù)設(shè)的距離模型判別出車窗的各個邊界以獲取車窗區(qū)域，可以實現(xiàn)基于獨立于車窗的車輛上的標志物對車窗進行定位。進一步地，由于標志物一般選定為對光線和顏色具有良好的魯棒性的標志物，因此對標志物的檢測不易受到外部環(huán)境如光線顏色的變化的影響，具有很好的穩(wěn)定性，因此可以適用于復(fù)雜的場景中。

應(yīng)當理解，圖4中記載的諸模塊與參考圖1中描述的方法中的各個步驟相對應(yīng)。由此，上文針對方法描述的操作和特征以及相應(yīng)的技術(shù)效果同樣適用于圖4中的諸模塊，在此不再贅述。

以上的各個系統(tǒng)以及方法中涉及的系統(tǒng)均可以為一個服務(wù)器或者服務(wù)器集群，其中上述每一個模塊也可以是單獨的服務(wù)器或者服務(wù)器集群，此時，上述模塊之間的交互表現(xiàn)為各模塊所對應(yīng)的服務(wù)器之間的交互。

本申請?zhí)峁┝艘环N非易失性計算機存儲介質(zhì)，所述計算機存儲介質(zhì)存儲有計算機可執(zhí)行指令，該計算機可執(zhí)行指令可執(zhí)行上述任意方法實施例中的基于預(yù)覽縮略圖的多媒體文件分享方法。

圖5是本申請?zhí)峁┑膱?zhí)行車窗定位方法的電子設(shè)備的硬件結(jié)構(gòu)示意圖，如圖5所示，該設(shè)備包括：

一個或多個處理器510以及存儲器520，圖5中以一個處理器510為例。

執(zhí)行車窗定位方法的設(shè)備還可以包括：輸入裝置530和輸出裝置540。

處理器510、存儲器520、輸入裝置530和輸出裝置540可以通過總線或者其他方式連接，圖5中以通過總線連接為例。

存儲器520作為一種非易失性計算機可讀存儲介質(zhì)，可用于存儲非易失性軟件程序、非易失性計算機可執(zhí)行程序以及模塊，如本申請實施例中的車窗定位方法對應(yīng)的程序指令/模塊(例如，附圖4所示的預(yù)處理模塊401、標志物判別模塊402和車窗區(qū)域判別模塊403)。處理器510通過運行存儲在存儲器520中的非易失性軟件程序、指令以及模塊，從而執(zhí)行服務(wù)器的各種功能應(yīng)用以及數(shù)據(jù)處理，即實現(xiàn)上述方法實施例車窗定位方法。

存儲器520可以包括存儲程序區(qū)和存儲數(shù)據(jù)區(qū)，其中，存儲程序區(qū)可存儲操作系統(tǒng)、至少一個功能所需要的應(yīng)用程序；存儲數(shù)據(jù)區(qū)可存儲根據(jù)車窗定位系統(tǒng)的使用所創(chuàng)建的數(shù)據(jù)等。此外，存儲器520可以包括高速隨機存取存儲器，還可以包括非易失性存儲器，例如至少一個磁盤存儲器件、閃存器件、或其他非易失性固態(tài)存儲器件。在一些實施例中，存儲器520可選包括相對于處理器510遠程設(shè)置的存儲器，這些遠程存儲器可以通過網(wǎng)絡(luò)連接至車窗定位系統(tǒng)。上述網(wǎng)絡(luò)的實例包括但不限于互聯(lián)網(wǎng)、企業(yè)內(nèi)部網(wǎng)、局域網(wǎng)、移動通信網(wǎng)及其組合。

輸入裝置530可接收輸入的數(shù)字或字符信息，以及產(chǎn)生與車窗定位系統(tǒng)的用戶設(shè)置以及功能控制有關(guān)的鍵信號輸入。輸出裝置540可包括顯示屏等顯示設(shè)備。

所述一個或者多個模塊存儲在所述存儲器520中，當被所述一個或者多個處理器510執(zhí)行時，執(zhí)行上述任意方法實施例中的車窗定位方法。

上述產(chǎn)品可執(zhí)行本申請實施例所提供的方法，具備執(zhí)行方法相應(yīng)的功能模塊和有益效果。未在本實施例中詳盡描述的技術(shù)細節(jié)，可參見本申請實施例所提供的方法。

本申請實施例的電子設(shè)備以多種形式存在，包括但不限于：

(1)移動通信設(shè)備：這類設(shè)備的特點是具備移動通信功能，并且以提供話音、數(shù)據(jù)通信為主要目標。這類終端包括：智能手機(例如iPhone)、多媒體手機、功能性手機，以及低端手機等。

(2)超移動個人計算機設(shè)備：這類設(shè)備屬于個人計算機的范疇，有計算和處理功能，一般也具備移動上網(wǎng)特性。這類終端包括：PDA、MID和UMPC設(shè)備等，例如iPad。

(3)便攜式娛樂設(shè)備：這類設(shè)備可以顯示和播放多媒體內(nèi)容。該類設(shè)備包括:音頻、視頻播放器(例如iPod)，掌上游戲機，電子書，以及智能玩具和便攜式車載導航設(shè)備。

(4)服務(wù)器：提供計算服務(wù)的設(shè)備，服務(wù)器的構(gòu)成包括處理器、硬盤、內(nèi)存、系統(tǒng)總線等，服務(wù)器和通用的計算機架構(gòu)類似，但是由于需要提供高可靠的服務(wù)，因此在處理能力、穩(wěn)定性、可靠性、安全性、可擴展性、可管理性等方面要求較高。

(5)其他具有數(shù)據(jù)交互功能的電子裝置。

以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。

通過以上的實施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到各實施方式可借助軟件加通用硬件平臺的方式來實現(xiàn)，當然也可以通過硬件?；谶@樣的理解，上述技術(shù)方案本質(zhì)上或者說對相關(guān)技術(shù)做出貢獻的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品可以存儲在計算機可讀存儲介質(zhì)中，如ROM/RAM、磁碟、光盤等，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行各個實施例或者實施例的某些部分所述的方法。

最后應(yīng)說明的是：以上實施例僅用以說明本申請的技術(shù)方案，而非對其限制；盡管參照前述實施例對本申請進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本申請各實施例技術(shù)方案的精神和范圍。