一種利用四軸飛行器判別車輛方位的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計(jì)算機(jī)視覺與模式分析技術(shù)領(lǐng)域，具體涉及一種利用四軸飛行器判別 車輛方位的方法。
【背景技術(shù)】
[0002] 隨著城市的快速發(fā)展，城市交通日益發(fā)達(dá)，人們擁有的私家車數(shù)量也逐漸增加。截 至2012年年底，上海注冊(cè)的機(jī)動(dòng)車保有量已經(jīng)突破262萬輛，其中私家車高達(dá)140萬輛，而 2013年上海私家車的保有量增幅更達(dá)到了 15%左右，比去年增加22萬輛，這使得交通形勢(shì) 更為嚴(yán)峻。隨之而來的是車輛管理難度的加大。通過對(duì)一些人流量較大的地段觀察，有些 車停放在公共場(chǎng)所門口，有些車停在行車道上。這些車輛嚴(yán)重影響了交通道路的暢通，甚至 可能引發(fā)交通事故。由于這種現(xiàn)象的分散不定，停車管理和違章檢測(cè)等需要耗費(fèi)較大的人 力和時(shí)間成本。而我國(guó)目前車輛管理工作主要由大量交警人力完成，不僅不能保證及時(shí)性 也耗費(fèi)了大量人力資源，基于無人機(jī)的車輛管理就可以高效完成這項(xiàng)任務(wù)。管理中必不可 少的步驟就是對(duì)車牌信息的記錄，而無人機(jī)拍攝車牌的關(guān)鍵在于它能否準(zhǔn)確的判斷自身與 車輛的相對(duì)位置并對(duì)準(zhǔn)車牌。
[0003] 車輛方位檢測(cè)在車輛識(shí)別，車輛自動(dòng)導(dǎo)航和智能交通系統(tǒng)等領(lǐng)域都有著重要的應(yīng) 用。傳統(tǒng)的基于圖像序列的車輛方位檢測(cè)通過塊匹配方法計(jì)算相鄰幀車輛的相關(guān)性來估測(cè) 車輛的方位。然而這種方法是針對(duì)固定攝像頭和運(yùn)動(dòng)車輛的場(chǎng)景，與我們車輛靜止無人機(jī) 運(yùn)動(dòng)的場(chǎng)景不符。我們需要的是從單張圖片識(shí)別車輛方位的方法。文獻(xiàn)[1]通過訓(xùn)練基于 HOG特征的二分類器決策樹識(shí)別車輛的方位，但是只能識(shí)別固定的8個(gè)方位。文獻(xiàn)[2]在 聚類的框架下基于顏色和邊緣特征對(duì)車輛的方位進(jìn)行了識(shí)別，但是也不能得到連續(xù)的方位 角。
[0004] 為了更準(zhǔn)確的控制無人機(jī)的飛行狀態(tài)，需要找到一種車輛方位識(shí)別算法來得到車 輛的方位角信息。
[0005] 參考文獻(xiàn)
[1] Rybski P E，Huber D，Morris D D，et al. Visual classification of coarse vehicle orientation using Histogram of Oriented Gradients features[C]// Intelligent Vehicles Symposium (IV)， 2010 IEEEIEEE， 2010:921-928.
[2] Wu J Cj Hsieh J Wj Chen Y S，et al. Vehicle Orientation Detection Using Vehicle Color and Normalized Cut Clustering. [J]. Vehicle Orientation Detection Using Vehicle Color and Normalized Cut Clustering. - ResearchGatej2007:457-460.
[3] Dalai N， Triggs B. Histograms of oriented gradients for human detection[C]// Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference onIEEE, 2005:886-893 vol. I.
[4] Burges C J C. A tutorial on support vector machines for pattern recognition[C]// Data Mining and Knowledge Discoveryl998:121-167. 〇

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提出一種利用四軸飛行器判別車輛方位的方法。
[0007] 本發(fā)明提出的利用四軸飛行器判別車輛方位的方法，關(guān)鍵在于如何有效的檢測(cè)到 車輛、得到車輛的方位角并對(duì)無人機(jī)的行為做出指導(dǎo)。本發(fā)明方法的具體步驟為： 步驟1、對(duì)無人機(jī)拍攝到的視頻數(shù)據(jù)進(jìn)行車輛識(shí)別； 步驟2、對(duì)識(shí)別到的車輛，檢測(cè)其車輪輪廓形狀； 步驟3、以步驟2的結(jié)果為根據(jù)，根據(jù)兩個(gè)車輪的相對(duì)位置，判斷車輛與飛行器的相對(duì) 方位，為飛行器自主對(duì)準(zhǔn)車牌提供控制信息。
[0008] 下面對(duì)以上三個(gè)步驟進(jìn)行具體描述。
[0009] 步驟1、對(duì)無人機(jī)拍攝到的視頻數(shù)據(jù)進(jìn)行車輛識(shí)別 車輛識(shí)別采用基于HOG特征[3]的SVM [4]分類算法實(shí)現(xiàn)。主要分為HOG特征提取、SVM 訓(xùn)練和SVM檢測(cè)幾個(gè)步驟，具體介紹如下： (I)HOG特征提取 HOG是通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征的。在特征提取過 程中將目標(biāo)圖像看成一個(gè)窗口（Window)，又將一個(gè)窗口分成若干個(gè)塊（Block)，而每一個(gè) 塊包含4個(gè)細(xì)胞單元（Cell)。對(duì)每一個(gè)細(xì)胞單元中的像素點(diǎn)，計(jì)算得到梯度的模和角度，并 對(duì)此細(xì)胞單元進(jìn)行直方圖統(tǒng)計(jì)，得到一個(gè)9維向量。把一個(gè)塊的特征向量聯(lián)起來得到36維 的特征向量，用塊對(duì)窗口進(jìn)行掃描，掃描步長(zhǎng)為一個(gè)細(xì)胞單元。最后將所有塊的特征串聯(lián)起 來，就得到了目標(biāo)的特征。
[0010] (2) SVM 訓(xùn)練 SVM訓(xùn)練的過程主要包括準(zhǔn)備訓(xùn)練樣本集(包括證樣本和負(fù)樣本)、提取所有正負(fù)樣本 的HOG特征、為正負(fù)樣本賦予標(biāo)簽(正樣本標(biāo)記為1，負(fù)樣本標(biāo)記為0)、用線性SVM進(jìn)行訓(xùn)練 得到分類器并將其保存為文本文件。由于要在各個(gè)方向?qū)囕v進(jìn)行識(shí)別，所以訓(xùn)練了兩個(gè) 分類器，分別用于識(shí)別車輛的正背面及側(cè)面。
[0011] (3) SVM 檢測(cè) 為了讓飛行器在與車輛的一定距離內(nèi)都能檢測(cè)到車輛，采用了多尺度的檢測(cè)方法。首 先對(duì)原始輸入圖片進(jìn)行HOG特征提取，并用（2)中訓(xùn)練好的分類器進(jìn)行車輛檢測(cè)。若未能 檢測(cè)到車輛，則對(duì)輸入圖片進(jìn)行一定尺度的縮放再次檢測(cè)，直到檢測(cè)到車輛或者輸入圖片 大小比窗口小為止。在檢測(cè)過程中，首先用檢測(cè)車輛正背面的分類器進(jìn)行檢測(cè)，若識(shí)別到車 輛，則可以判斷飛行器可以拍攝到車牌，不需進(jìn)行車輛方位檢測(cè)。若沒有識(shí)別到車輛，則繼 續(xù)使用檢測(cè)車輛側(cè)面的分類器進(jìn)行檢測(cè)，若識(shí)別到車輛的側(cè)面，則將識(shí)別到車輛的矩形窗 口作為感興趣區(qū)域，進(jìn)行車輛方位檢測(cè)。
[0012] 步驟2、對(duì)識(shí)別到的車輛，檢測(cè)其車輪輪廓形狀 車輪輪廓檢測(cè)主要過程為圖片邊緣檢測(cè)，橢圓輪廓擬合，車輪輪廓篩選幾個(gè)步驟。
[0013] (1)圖片邊緣檢測(cè) 只有灰度圖片才可以進(jìn)行邊緣提取，但是直接度灰度圖片進(jìn)行邊緣提取由于光照，陰 影等的影響，可能會(huì)使車輪輪廓?dú)埲被騺G失，所以為了更好的保留和突出車輪的邊緣，針對(duì) 車胎為黑色的特點(diǎn)在HSV色彩模型下對(duì)感興趣區(qū)域進(jìn)行了二值化。通過在HSV色彩模型下 對(duì)H通道進(jìn)行檢測(cè)，求得圖片H通道的值為h，將h < 60區(qū)域的灰度置為0,其他區(qū)域置為 255。通過該方法得到的圖片能夠?qū)⑤喬セ叶戎脼?,輪轂灰度置為255,有效突出輪轂輪 廓。
[0014] (2)橢圓輪廓擬合 通過最小二乘擬合方法將檢測(cè)到的邊緣擬合成橢圓，但是由于圖片中會(huì)檢測(cè)到很多邊 緣，所以擬合到的橢圓不只有車輪的輪廓，要經(jīng)過進(jìn)一步篩選。
[0015] (3)車輪輪廓篩選 主要通過面積，位置和顏色三個(gè)特征對(duì)擬合到的橢圓進(jìn)行篩選，最終得到代表車輪輪 廓的兩個(gè)橢圓。首先是面積滿足下式時(shí)才判別為車輪： S./255 ^ Sw^ S ,/25 其中感興趣區(qū)域面積為S1，橢圓輪廓的外接矩形面積為sw。
[0016] 其次是位置，代表車輪的橢圓的中心坐標(biāo)應(yīng)該位于感興趣區(qū)域的下端，建立高斯 模型：
其中μ為感興趣區(qū)域的歸一化底邊縱坐標(biāo)，y為歸一化橢圓中心的縱坐標(biāo)，并令 〇