本發(fā)明屬于視頻處理與分析技術(shù)領(lǐng)域，尤其涉及一種基于定位塊的輪胎內(nèi)壁紋理識(shí)別方法。

背景技術(shù)：

靜態(tài)紋理是指包括通常意義上物體表面的固有紋理包含物體表面呈現(xiàn)凹凸不平的溝紋，同時(shí)也包括在物體的光滑表面上的彩色圖案，在自然界中廣泛存在，比如人工藝術(shù)品(墻上，火車和地鐵表面上的涂鴉和圖案、地毯、毛衣，和其他一些精美的工藝品包含格式各樣的幾何圖案)、龜裂縫、輪胎紋路等等。紋理識(shí)別則是通過紋理進(jìn)行特征提取、描述和分析，將不同類別的未知紋理正確地歸類到已知的紋理類型，靜態(tài)紋理識(shí)別有著廣泛的應(yīng)用前景，它使我們不僅能夠分辨相同型號(hào)不同輪胎紋理的不同，分辨不同人的指紋的不同，而且能夠分辨各種類型不同花紋和紋理的商品，對(duì)商品進(jìn)行溯源和防偽。因此，靜態(tài)紋理識(shí)別技術(shù)的研究具有重要的理論價(jià)值和實(shí)踐意義。

紋理分析方法通常包含：統(tǒng)計(jì)法、頻譜法、模型法、結(jié)構(gòu)法，然而面對(duì)一些問題這類方法單獨(dú)使用都很難達(dá)到很高精度的要求，輪胎沒有唯一ID且內(nèi)壁紋理且相似性大。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種基于定位塊的輪胎內(nèi)壁紋理識(shí)別方法，旨在解決現(xiàn)有單一紋理分析方法精度較低，輪胎沒有唯一ID且內(nèi)壁紋理相似性大的問題。

本發(fā)明是這樣實(shí)現(xiàn)的，一種基于定位塊的輪胎內(nèi)壁紋理識(shí)別方法，所述基于定位塊的輪胎內(nèi)壁紋理識(shí)別方法是利用攝像頭獲取640*480圖像幀，利用局部均值和方差得到閾值進(jìn)行圖像二值化，接著根據(jù)QR碼的四個(gè)定位塊，按黑白框?qū)挶壤@取四個(gè)黑塊中心點(diǎn)坐標(biāo)，利用透視變換模型將任意角度的四個(gè)中心點(diǎn)內(nèi)的原圖像變換成標(biāo)準(zhǔn)固定大小的正視圖；通過直方圖均衡化對(duì)圖像進(jìn)行增強(qiáng)，采用等價(jià)模式LBP靜態(tài)紋理模型得到靜態(tài)紋理描述；最后用分塊方向梯度直方圖、哈希值、圖像骨架、MISSM、PSNR特征對(duì)采樣的圖像進(jìn)行紋理特征提取，并與種子庫中的特征進(jìn)行特征相似性匹配，包括卡方距離，相似度，結(jié)構(gòu)相似度等匹配。

進(jìn)一步，所述對(duì)獲取圖像幀的定位塊坐標(biāo)包括：從視頻中隨機(jī)獲取一張清晰幀圖像；對(duì)獲取的圖像幀并進(jìn)行灰度化，以當(dāng)前像素點(diǎn)為中心，根據(jù)當(dāng)前像素點(diǎn)鄰域內(nèi)的灰度均值與標(biāo)準(zhǔn)方差來動(dòng)態(tài)計(jì)算該像素點(diǎn)的閾值進(jìn)行二值化，對(duì)條形碼采用相應(yīng)的編碼模式提取ID號(hào)，同時(shí)對(duì)于QR碼的四個(gè)定位塊，對(duì)數(shù)據(jù)進(jìn)行逐行逐列掃描，根據(jù)黑白方塊定位符的寬成固定比例獲取二維碼所有黑、白方塊的重心坐標(biāo)，方法是先從垂直方向檢測(cè)是否滿足定位符的條件，如滿足就定出Y軸的中心點(diǎn)坐標(biāo)值，然后用這個(gè)坐標(biāo)值去再次檢測(cè)水平方向是否滿足定位符條件，如滿足就定出X軸的中心點(diǎn)坐標(biāo)值。至此就找到了黑白方塊定位符的中心坐標(biāo)。從而得到四個(gè)定位塊的坐標(biāo)。

進(jìn)一步，所述變換模型的透視變換公式：[x’,y’,w’]＝[u,v,w][a11a12a13；a21a22a23,a31a32a33]；u，v是原始圖片，對(duì)應(yīng)得到變換后的圖片坐標(biāo)x，y，其中x＝x’/w’，y＝y(tǒng)’/w’，[a11a12a13；a21a22a23；a31a32a33]可以拆成4部分，[a11a12；a21a22]表示線性變換，比如scaling，shearing和rotation。[a31a32]用于平移，[a13a23]的轉(zhuǎn)置產(chǎn)生透視變換，對(duì)變換后的正視圖進(jìn)行直方圖均衡化，就是把原始圖的直方圖變換為均勻分布的形式，這樣就增加了象素灰度值的動(dòng)態(tài)范圍從而可達(dá)到增強(qiáng)圖像整體對(duì)比度的效果。設(shè)原始圖像在(x，y)處的灰度為f，而改變后的圖像為g，則對(duì)圖像增強(qiáng)的方法可表述為將在(x，y)處的灰度f映射為g。在灰度直方圖均衡化處理中對(duì)圖像的映射函數(shù)可定義為:g＝EQ(f)，這個(gè)映射函數(shù)EQ(f)必須滿足兩個(gè)條件(其中L為圖像的灰度級(jí)數(shù)):1.EQ(f)在0≤f≤L-1范圍內(nèi)是一個(gè)單值單增函數(shù)。這是為了保證增強(qiáng)處理沒有打亂原始圖像的灰度排列次序，原圖各灰度級(jí)在變換后仍保持從黑到白(或從白到黑)的排列。2.對(duì)于0≤f≤L-1有0≤g≤L-1，這個(gè)條件保證了變換前后灰度值動(dòng)態(tài)范圍的一致性。

進(jìn)一步，所述采樣的圖像進(jìn)行紋理識(shí)別包括：

庫查詢及特征二次提?。簩?duì)紋理樣本獲取ID號(hào)，在庫中查詢是否有此ID號(hào)，若是查詢有此ID號(hào)，則對(duì)該ID的紋理圖像進(jìn)行二次特征提取或者特征降維，即對(duì)紋理圖片進(jìn)行分塊方向梯度直方圖、哈希值、圖像骨架、MISSM、PSNR特征對(duì)采樣的圖像進(jìn)行紋理特征提取，建立這樣一種靜態(tài)紋理模型聚集體；

識(shí)別匹配：根據(jù)當(dāng)前待識(shí)別的紋理描述，進(jìn)行特征降維，得到靜態(tài)特征紋理模型聚集體，將此特征與庫中查詢到的靜態(tài)紋理模型聚集體進(jìn)行特征匹配，主要是與種子庫中的特征進(jìn)行相似性匹配，包括卡方距離，相似度，結(jié)構(gòu)相似度等匹配。對(duì)每種特征匹配結(jié)果采用加權(quán)投標(biāo)最終判定匹配與否，完成紋理識(shí)別。

進(jìn)一步，對(duì)紋理圖像進(jìn)行二次特征提取或者特征降維，采用分塊HOG、哈希值、圖像骨架、MISSM、PSNR處理，得到靜態(tài)紋理模型聚集體。HOG特征提取方法就是將一個(gè)image(你要檢測(cè)的目標(biāo)或者掃描窗口)：

1)灰度化(將圖像看做一個(gè)x,y,z(灰度)的三維圖像)；

2)采用Gamma校正法對(duì)輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化(歸一化)；目的是調(diào)節(jié)圖像的對(duì)比度，降低圖像局部的陰影和光照變化所造成的影響，同時(shí)可以抑制噪音的干擾；

3)計(jì)算圖像每個(gè)像素的梯度(包括大小和方向)；主要是為了捕獲輪廓信息，同時(shí)進(jìn)一步弱化光照的干擾。

4)將圖像劃分成小cells(例如6*6像素/cell)；

5)統(tǒng)計(jì)每個(gè)cell的梯度直方圖(不同梯度的個(gè)數(shù))，即可形成每個(gè)cell的descriptor；

6)將每幾個(gè)cell組成一個(gè)block(例如3*3個(gè)cell/block)，一個(gè)block內(nèi)所有cell的特征descriptor串聯(lián)起來便得到該block的HOG特征descriptor。

7)將圖像image內(nèi)的所有block的HOG特征descriptor串聯(lián)起來就可以得到該image(你要檢測(cè)的目標(biāo))的HOG特征descriptor。

哈希值：將圖片根據(jù)需要均分N塊縮小到固定8x8的尺寸，總共64個(gè)像素。這一步的作用是去除圖片的細(xì)節(jié)，只保留結(jié)構(gòu)、明暗等基本信息，摒棄不同尺寸、比例帶來的圖片差異。將每個(gè)像素的灰度，與平均值進(jìn)行比較。大于或等于平均值，記為1；小于平均值，記為0。將比較結(jié)果組合在一起，就構(gòu)成了一個(gè)64位的整數(shù)，這就是這張圖片的指紋。

所謂的骨架化(也叫細(xì)化)就是經(jīng)過一層層的剝離，從原來的圖中去掉一些點(diǎn)，但仍要保持原來的形狀，直到得到圖像的骨架。骨架，可以理解為圖象的中軸。

PSNR(Peak signal-to-noise ratio)，使用“局部均值誤差”來判斷差異。

SSIM(structural similarity index)，結(jié)構(gòu)相似性，是一種衡量兩幅圖像相似度的指標(biāo)。定兩個(gè)圖像x和y,兩張圖像的結(jié)構(gòu)相似性可按照以下方式求出：

$SSIM(x,y)=\frac{(2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+c_1)(2{\mathrm{\σ}}_{xy}+c_2)}{({\mathrm{\μ}}_x^2+{\mathrm{\μ}}_y^2+c_1)({\mathrm{\σ}}_x^2+{\mathrm{\σ}}_y^2+c_2)}$

其中u_x是x的平均值，u_y是y的平均值，是x的方差，σ_xy是x和y的標(biāo)準(zhǔn)差。c₁＝(K₁L)²，c₂＝(K₂L)²是用來維持穩(wěn)定的常數(shù)，L是像素的動(dòng)態(tài)范圍。K₁＝0.01，K₂＝0.03

結(jié)構(gòu)相似性的范圍為-1到1。當(dāng)兩張圖像一模一樣時(shí)，SSIM的值等于1。作為結(jié)構(gòu)相似性理論的實(shí)現(xiàn)，結(jié)構(gòu)相似度指數(shù)從圖像組成的角度將結(jié)構(gòu)信息定義為獨(dú)立于亮度、對(duì)比度的，反映場景中物體結(jié)構(gòu)的屬性，并將失真建模為亮度、對(duì)比度和結(jié)構(gòu)三個(gè)不同因素的組合。用均值作為亮度的估計(jì)，標(biāo)準(zhǔn)差作為對(duì)比度的估計(jì)，協(xié)方差作為結(jié)構(gòu)相似程度的度量。

進(jìn)一步，特征匹配，是直方圖相似性匹配，距離匹配，結(jié)構(gòu)相似匹配及信噪比匹配。

進(jìn)一步，采用直方圖均衡化，等價(jià)模式LBP得到靜態(tài)紋理圖像。

進(jìn)一步，所述基于定位塊的輪胎內(nèi)壁紋理識(shí)別方法包括以下步驟：

步驟一，對(duì)獲取的清晰視頻幀，獲取code128條形碼ID號(hào)，及利用四個(gè)正方形定位塊獲取定位塊中心坐標(biāo)，P1(x1,y1),P2(x2,y2),P3(x3,y3),P4(x4,y4)；

步驟二，利用獲取的ID號(hào)在庫中查詢是否有此ID的紋理圖種子，若沒有，匹配失敗，結(jié)束步驟，若有此ID，進(jìn)行步驟三；

步驟三，利用獲取的定位塊坐標(biāo)，進(jìn)行透視變換，將不同視角的圖像還原到固定大小的正視圖；

透視變換公式：[x’,y’,w’]＝[u,v,w][a11a12a13；a21a22a23,a31a32a33]；

對(duì)變換后的正視圖進(jìn)行直方圖均衡化，利用等價(jià)模式LBP得到穩(wěn)定較為精確的紋理圖；

步驟四，對(duì)當(dāng)前得到的紋理圖和庫中查詢到的紋理圖，進(jìn)行HOG、哈希值、圖像骨架、MISSM、PSNR特征提取，最后進(jìn)行加權(quán)求和機(jī)制匹配。

本發(fā)明提供的基于定位塊的輪胎內(nèi)壁紋理識(shí)別方法，通過利用變換方法將不同角度的圖像得到標(biāo)準(zhǔn)正視圖，及研究靜態(tài)紋理在時(shí)間空間上呈現(xiàn)相同特性，將動(dòng)態(tài)問題變成靜態(tài)問題，對(duì)于靜態(tài)紋理獲取一組靜態(tài)紋理模型，與庫進(jìn)行匹配識(shí)別，從而實(shí)現(xiàn)快速紋理匹配，本算法一次匹配時(shí)間為二十毫秒左右；采用多類方法結(jié)合，利用投票打分效果明顯，識(shí)別率高達(dá)達(dá)98％。

附圖說明

圖1是本發(fā)明實(shí)施例提供的基于定位塊的輪胎內(nèi)壁紋理識(shí)別方法流程圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

下面結(jié)合附圖對(duì)本發(fā)明的應(yīng)用原理作詳細(xì)的描述。

如圖1所示，本發(fā)明實(shí)施例的基于定位塊的輪胎內(nèi)壁紋理識(shí)別方法包括以下步驟：

S101：在輪胎內(nèi)壁貼上一正方形定位塊標(biāo)簽，定位標(biāo)簽包含唯一識(shí)別條碼；獲取通過攝像頭采集的正方形定位塊內(nèi)待識(shí)別的輪胎內(nèi)壁圖像；

S102：對(duì)提取的圖片進(jìn)行二值化處理找到定位塊，將不同角度拍攝的圖片進(jìn)行透視變換，具有旋轉(zhuǎn)不變性，還原成標(biāo)準(zhǔn)正視圖，將動(dòng)態(tài)問題轉(zhuǎn)化成靜態(tài)問題；

S103：通過預(yù)處理，采用等價(jià)模式LBP提取紋理特征，將特征作為種子樣本保存下來，將其轉(zhuǎn)化為紋理匹配識(shí)別問題，在識(shí)別端，將圖像進(jìn)行分塊經(jīng)進(jìn)行HOG、哈希值、圖像骨架、MISSM、PSNR等特征進(jìn)行加權(quán)求和機(jī)制匹配。

本發(fā)明的具體步驟如下：

步驟1：從視頻中隨機(jī)獲取一張清晰幀圖像；

步驟2：對(duì)獲取的圖像幀，進(jìn)行二值化，對(duì)采用的編碼模式提取ID號(hào)，同時(shí)獲取四個(gè)定位塊的坐標(biāo)；

步驟3：通過定位塊坐標(biāo)，利用變換模型可將任意角度的原圖像變換成標(biāo)準(zhǔn)的正視圖；通過圖像增強(qiáng)，得到靜態(tài)紋理描述；

步驟4：采樣的圖像進(jìn)行紋理識(shí)別，其具體的實(shí)現(xiàn)過程包括以下步驟：

步驟4.1：庫查詢及特征二次提?。簩?duì)某個(gè)未知的紋理樣本按照步驟1和步驟2所述，獲取ID號(hào)，在庫中查詢是否有此ID號(hào)，若是查詢有此ID號(hào)，則對(duì)該ID的紋理圖像進(jìn)行二次特征提取或者特征降維，建立其對(duì)應(yīng)的靜態(tài)紋理模型聚集體。

步驟4.2：識(shí)別匹配：根據(jù)當(dāng)前待識(shí)別的紋理描述，進(jìn)行特征降維，得到靜態(tài)特征紋理模型聚集體，將此特征與4.1庫中查詢到的靜態(tài)紋理模型聚集體進(jìn)行特征匹配，采用投票法預(yù)測(cè)匹配與否，從而完成紋理識(shí)別的任務(wù)。

作為優(yōu)先，步驟3中所述的采用靜態(tài)紋理模型建立其紋理描述，我們采用直方圖均衡化，等價(jià)模式LBP建立圖像的靜態(tài)紋理模型。

作為優(yōu)先，步驟4.1所述的對(duì)紋理圖像進(jìn)行二次特征提取或者特征降維，采用了分塊HOG、哈希值、圖像骨架、MISSM、PSNR處理，得到靜態(tài)紋理模型聚集體。

作為優(yōu)先，步驟4.2所述的特征匹配，是直方圖相似性匹配，距離匹配，結(jié)構(gòu)相似匹配，及信噪比匹配，最后采用投票法預(yù)測(cè)匹配與否。

下面結(jié)合具體實(shí)施例對(duì)本發(fā)明的應(yīng)用原理作進(jìn)一步的描述。

首先在輪胎內(nèi)壁貼上一正方形定位塊標(biāo)簽，該定位標(biāo)簽包含唯一識(shí)別條碼；本發(fā)明實(shí)施例的基于定位塊的輪胎內(nèi)壁紋理識(shí)別方法，包括以下步驟：

步驟1：對(duì)獲取的清晰視頻幀，獲取code128條形碼ID號(hào)，及利用四個(gè)正方形定位塊獲取定位塊中心坐標(biāo)，P1(x1,y1),P2(x2,y2),P3(x3,y3),P4(x4,y4)。

步驟2：利用步驟1獲取的ID號(hào)在庫中查詢是否有此ID的紋理圖種子，若沒有，匹配失敗，這結(jié)束步驟，若有此ID，這繼續(xù)下面步驟。

步驟3：利用步驟1獲取的定位塊坐標(biāo)，進(jìn)行透視變換，將不同視角的圖像還原到固定大小的正視圖；

透視變換公式：[x’,y’,w’]＝[u,v,w][a11a12a13；a21a22a23,a31a32a33]；

對(duì)變換后的正視圖進(jìn)行直方圖均衡化，利用等價(jià)模式LBP得到穩(wěn)定較為精確的紋理圖。

步驟4：對(duì)當(dāng)前得到的紋理圖和庫中查詢到的紋理圖，進(jìn)行HOG、哈希值、圖像骨架、MISSM、PSNR等特征提取，最后進(jìn)行加權(quán)求和機(jī)制匹配。

本發(fā)明實(shí)施例的靜態(tài)紋理模型采用的等價(jià)模式LBP模型，這并不是對(duì)本發(fā)明的限定，事實(shí)上，采用靜態(tài)紋理模型建立其紋理描述，采用了多種描述方法。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。