基于机器视觉的车型自动分类算法设计

理论与算法2019.01
基于机器视觉的车型自动分类算法设计
杜青，苗艳华，沈花玉
(天津天狮学院信息与自动化学院，天津，301700 )
摘要：车型分类是智能交通系统的重要组成部分，为实现车型自动分类，本文主要针对轿车、货车和客车的分类,设计了
以车辆外形尺寸为特征的基于机器视觉的自动分类算法。

该算法首先对车辆图像进行灰度化、背景差分、平滑、分割等
预处理；然后提取顶长比、前后比等特征参量进行自动分类。

该方法比较简单、易于实现，经实验验证，分级正确率可达 86. 25%，具有一定的应用价值。

关键词：机器视觉；图像处理；车型分类；MATLAB
Design of vehicle automatic classification algorithm based on
machine vision
D u Qing,Miao Yanhua，Shen Huayu
(In s titu te o f Information and Automation,T ia n jin Tianshi C ollege,T ia n jin,301700)
Abstract:Vehicle classification is an important part of intelligent transportation system.In order
to realize automatic classification of vehicle types,this paper mainly classifies cars,trucks and buses,and designs an automatic classification algorithm based on machine vision,which is characterized by vehicle shape and size.Firstly,the algorithm preprocesses the vehicle image with gray level,background difference,smoothing and segmentation,and then extracts the top-length ratio, front-t〇-back ratio and other characteristic parameters for automatic classification.The method is simple and easy to implement.The experimental results show that the classification accuracy can reach 90%. It has certain application value.
K e y w o r d s:machine vision;image processing;vehicle classification;MATLAB
0引言
为了更方便的对道路上行驶的汽车进行管理，车型的分 类工作极为重要。

无论是道路收费，公安监管还是智能导航, 车辆的外形信息都是必不可少的原始信息。

然而如果仅靠人 工对大量的车型数据进行甄别、选取，这将是一个非常庞大 的工作量。

因此实现车型的自动识别及分类是现代交通领域 中必须研宄的一个课题。

本文重点研宄利用图像处理技术完成道路车辆的车型 自动分类工作。

选用Matlab工具在计算机上对采集得到的车 辆图像进行车型自动识别及分类。

1车型娜系统顯
图像图像特征
分类器获取预处理提取
图1车型识别系统原理框图
车型识别系统原理如图1所示。

首先当传感器检测到有 车辆进入相机视野时，相机对车辆实时抓拍,获得车辆的背 景图和侧视图。

然后对采集的图像进行图像灰度化、图像差 分、图像分割等图像预处理操作以滤去干扰、噪声，达到图像特征提取所需的要求。

最后从处理后的图像中提取有效的特 征参数，输入分类器进行识别。

2算法組十願
2.1 m w m m
a)图像灰度化
图像灰度化将彩色图像转化为灰度图像，可减少特征提 取之前各步操作的运算量。

本文选用符合人眼对不同颜色敏 感度的加权平均法实现图像灰度化处理，其表达式如下：Gray=R X0.299+G X O.587+B X0. 114
式中，Gray为灰度图像的像素值，R代表红色分量，G 代表绿色分量，B代表蓝色分量。

将相机获得的前景图像和 背景图像分别进行图像灰度化。

(2)图像差分
由于公路收费处的地点一般比较固定，背景变化不大，论文采用背景差分法去除多余背景，留得汽车目标。

背景差 分法实际就是图像的相减运算即对两幅输入图像进行点对 点的减法而得到输出图像的运算。

假设背景图像为b(i,j)，车 辆侧视图像为f(i，j)，当前检测的差分图像为m(i,j),则有：
m(i,j)=f(i,j)-b(i,j)
基金项目：天津天狮学院自然科学研究项目“基于机器视觉的汽车车型自动分类算法设计”(K15003)。

S甲孑测i i !
2019.01
理论与算法
式中，i ，j 为像素坐标。

背景差分效果如图2(a )所示。

(3) 图像平滑
图像平滑消除图像中影响信息传达的干扰噪声，可提高 后续图像处理的准确性。

根据处理域的不同,分为空间域平 滑和频率域平滑。

一般频域处理比空间域处理耗时，因此，本 文选用可保持图像边缘清晰的空间域中值滤波法去除噪声。

图像平滑效果如图2(b )所示。

(4) 图像分割
差分及图像平滑后的图像含有较多的灰度信息，不能容 易地进行车型分类，需要进行图像分割，将图像转化为二值 图像，这样汽车目标将更为清晰，便于分类。

图像分割是指将图像中具有特殊意义的不同区域划分 开来。

一方面减轻后续工作的处理量,另一方面能够方便提 取感兴趣区域的特征参数用于进一步处理。

综合各种图像分 割的方法的复杂程度和分割效果，本文选择了迭代法进行阈 值分割，效果如图2(c )所示。

(5) 小面积去除
阈值分割后，灰度图像变成二值图像，将这时的二值图 像再进行中值滤波，这样可以去除小的噪声点，但仍然会有 一些相对较大的白色区域或者较大的黑色间隙、孔洞。

需要 进一步去除这些干扰因素。

首先需要计算白色区域的面积， 当某一面积小于一个阈值时去除，认为是背景填充为黑色。

同样的原理，对与小于某一阈值的黑色区域，则认为是目 标。

本文直接选用Matlab 工具箱的bwareaopen 函数进行小 面积区域去除，其效果如图2(d )所示。

图2车辆图像预处理效果图
2.2特征提取及分类
(1)图像填充
经过小面积去除的图像可以将背景信息完全去除，同时 也可以滤除所有噪声。

但由于滤波处理，前景图像也会一定 程度上受到影响，形态会变得不完整。

会对接下来的特征提 取工作造成困难。

由于本文所提取的特征是车辆的几何尺寸 特征，只要在垂直和水平方向上的长度不发生变化,可以对 前景图像进行插值补充。

根据上述思想，可以对图像进行插值运算。

具体方法为, 对图像每一行像素,从左边开始向右搜索，当找到第一个亮 点时，记录下此点坐标信息；接着从图像右边向左边搜索，并 记录下第一个亮点的坐标信息。

最后把亮点之间的所有点设 置为亮点，依次循环，直到每一行都扫描到，这样就完成了横 向填充工作，同时可以得到车辆顶部长度信息和车身长度信 息。

横向填充后效果如图3所示。

利用同样的算法，可以在 垂直方向也完成填充工作，并得到车辆高度信息，两个方向 都完成后的效果如图4所示。

图3
横填充后的图
图4
横纵填充后的图
(2)特征值设计
通过观察车辆的侧视图，来提取车辆的特征值。

轿车的 车顶一般是在车体的中央或者是靠后的位置。

货车的驾驶室 较小，而后面的车斗比较大。

而客车顶长所占整个车辆底长 的比重很大。

通过分析，取特征值d /(C l +c 2)、C l /c 2作为判断 的依据，其中d 代表顶长，Cl 、c 2分别代表轿车自顶长中垂 线所分的前后长度。

特征参数取值范围如表1所示。

表1汽车分类特征参数
前后比C /C 2
顶长比d / (Ci+cJ
货车0.1-0. 60.1~0. 3客车0. 85-1. 50.85 〜1. 15轿车
0• 85~3
0• 2~0. 6
从表中可以看出，货车的前后比与客车和轿车的明显不 同，可利用前后比这个特征参量分类出货车。

然后根据顶长
比将客车和轿车进行分类即可。

3 果与分析
本文主要对轿车、客车和货车这三类车型进行分类，对
采集得到的车辆图像进行图像处理，最终以车辆顶长比、前 后比作为特征参量进行分类。

为验证算法的有效性，采集了 80张各种车型图片进行实验,并选择M A T L A B 7.0开发环境 进行编程仿真。

本算法仿真效果图如图5所示，可以看出， c /q 为0. 90517,顶长比V (C l +c 2)为0. 42534,判定为轿车,
分类正确。

图5车型分类仿真效果
算法仿真结果如表3所示。

从表中数据可以看书，算法 分类正确率达到了 86.25%。

，算法是可行的，但也还存在 着一些误差，主要是由于背景环境比较复杂造成的。

田 g j i a t j
z
理论与算法2019.01
表2算法分类结果
图像数正确数错误数货车1073
客车20173
轿车50482
4结论
本文主要是利用M ATLAB软件实现了基于机器视觉的车 型分类，该方法主要采用车辆的几何特征进行分类,算法简 单，抑制噪声能力较强、并且易于实现。

但在背景复杂，干扰 因素较大情况下，识别率有待进一步提高。

参考文献
[1] 李晋惠，赵建涛.一种图像处理的汽车类型识别算法[J].
西安工业大学学报,2009,29(03):275-279.
[2] 娄莉，党瑞荣.基于智能图像处理技术的车型识别[J].微
电子学与计算机,2006(06):71-73.[3] 马丽娜，曹新德.基于图像处理技术的车型自动识
别系统设计[J].郑州轻工业学院学报（自然科学
«.),2011,26(03):42-44,
[4] 吴志攀，赵跃龙.基于序列图像的车型识别研究[J].惠州
学院学报（自然科学版),2009,29(03):47-51.
[5] 朱金荣，张广杰，夏长权.基于图像处理的车辆类型识别
的研究[J].现代电子技术,2017,40(04): 16-18+23.
[6] 陈娜.基于图像处理的车型识别系统研究[D].兰州理工
大学,2018.
[7] 闻江.基于图像处理的车辆外形测量技术研究[D].长安
大学,2017.
[8] Bailing Zhang,Yifan Zhou.Hao Pan.Tammam Tillo.
Hybrid model of clustering and kernel autoassociator
for reliable vehicle type classification[J].Machine
Vision and Applications.2014(2).
(上接第53页）
系统中对出砂方位以及出砂量的多少进行准确定位和测量。

4结论
实验中使用40目的砂子控制不同速度的流体撞击钢板，测试了在流速不断增大的情况下流速对不同尺寸的阵元灵 敏度的影响。

另外，分别对阵元的尺寸,数目和中心间距进行 相应的定量分析，经过后期滤波，拟合,累积分析表明：实验 使用的探头可满足出砂监测灵敏度要求；当探头参数为中心 间距2m m,阵元数目8,阵元尺寸5n i m*ln m i*l腿时，能够更加 准确的实现空域滤波,进行出砂实时监测。

鉴于试验环境和测量方法的局限性，本试验研宄还将进 行长期的更深入的现场试验测试。

参考文献
[1] 陈龙.油气井出砂信号高速采集与噪声抑制方法研究[D].
西安石油大学,2018.
[2]Bolotina I ,Dyakina M ,Kr.Ning M ,et al.Ultrasonic
arrays for quantitative nondestructive testing
an engineering approach[J],Russian Journal of
Nondestructive Testing,2013, 49⑶:145-158.
[3] 潘玉安，曹荣祥，曹良足，等.压电陶瓷传感器灵敏度的
研究[J].压电与声光，2005, 27⑵:128-130.
[4] 党博，陈娇，旭东，刘长赞，郑亚红，张雄，胡军，王杏
卓，杨玲.油气井出砂的监测方法及装置[P].陕西：CN108612519A,2018-10-02.
(上接第55页）
算法分级结果如下表2所示。

表2算法分级结果
人工分级机器分级错误个数
优等品20222
一等品20173
二等品20222
等外品20191由表2数据可知，本文算法进行红富士苹果自动分级平 均正确率为90%。

3结论
为解决苹果自动分级问题,本文以红富士苹果为实验对 象,实现了综合果径大小、红色着色比及果形圆度三种特征 参量的自动分级算法。

该方法综合考虑了苹果果形、色泽、果 径三项综合特征，较单一特征的分级算法更符合实际需求,具有一定的应用价值。

参考文献
[1] 李聪，高海燕，袁超.基于计算机视觉的苹果自动分级方
法研究[J]•计算机仿真,2012,29(9):293-296.
[2] 梁明，孟大伟.多特征图像融合的苹果分级方法应用研究
[J].计算机仿真,2012,29(7):256-259.
[3] 苏欣.基于计算机视觉信息处理技术的苹果自动分级研
究[J]•农机化研究,2017,39(6):242-244•
[4] 孙斐 .基于机器视觉的苹果分级检测算法研究 [D].郑州
大学,2018.
[5] Tan Y.Baoxing G U.Changying J I,et al.Design of on­
line apple grading system based on color and
w eig h t[J].Computer Engineering&Applicatio
ns,2016,52(2):219-222.
58
甲孑测i i !。