视频图像中车辆的车型识别算法研究与实现

毕业设计说明书
作者：学号：
系：信息工程系
专业：电子信息工程
题目：视频图像中车辆的车型识别
算法研究与实现
指导者：
评阅者：
2013年 6月1日
目次
1 绪论 (1)
1.1 课题的研究背景和意义 (1)
1.2 课题的研究现状 (2)
1.3 本文的基本内容和组织结构 (3)
2 车型识别系统简介 (4)
2.1 预处理 (4)
2.2 特征提取 (4)
2.3 特征匹配 (4)
3 基于灰度阈值分割法的车型识别 (6)
3.1 介绍各模块设计 (6)
3.1.1 预处理模块 (6)
3.1.2 特征提取模块 (7)
3.1.3 特征匹配模块 (7)
3.2 运行结果 (8)
3.3 结果分析 (11)
4 基于图像背景差值法的车型识别 (13)
4.1 介绍各模块设计 (13)
4.1.1 预处理模块 (13)
4.1.2 特征提取模块 (14)
4.1.3 特征匹配模块 (14)
4.2 运行结果 (15)
4.3 结果分析 (29)
4.4 结果对比 (30)
结论 (32)
参考文献 (34)
致谢 (35)
1 绪论
车型识别的目的是对待识别车辆进行车型的判别（该课题将车型分为轿车、货车、客车三类），它是通过分析比较待识别车辆侧面视觉特征信息实现的，主要借助于计算机技术的应用，车型识别技术是一种轮廓特征识别技术，是用待识别车辆的侧视轮廓特征来判别所属车型。

车辆的侧视轮廓特征主要抽象为车顶长度、车辆高度和车身长度，依此可求得待识别车辆的顶长比、顶高比和前后比（车顶中垂线将车身长分得两部分的比值），而通过统计计算可求得三类车型（轿车、货车、客车）的特征值（顶长比、顶高比、前后比）的范围，将提取的待识别车辆的特征值与统计值相比较可实现对待识别车辆的车型判别[1]。

1.1 课题的研究背景和意义
中国正处在一个快速发展的时期，各种车型车辆数量也在持续上升，使得我国城市交通越来越拥挤，人们需要借助一种交通智能化系统来提高交通情况监控的实时性和交通管理的自动化程度，这也为智能交通系统的产生提供了条件。

在我国的一些大城市正在逐步提高交通管理的智能化，主要体现在实现高速公路的快捷收费、公共场所车辆监控自动化加强等方面，我们对交通管理智能化的需求日益增加，这将带动智能交通系统的不断发展。

人们对车型识别的研究虽然已有很长一段时间，但仍有许多难题仍未解决，首先，车辆的颜色、光泽度等都会随着时间的推移和环境的改变而发生变化，而且即使是同一车辆在录入镜头时的形状、大小也各不同，这主要与位置和速度的随机性有关；第二，车辆录入镜头的外观状态还与摄像头位置、临近的物体或临近的车辆对待识别车辆的遮挡程度有关；第三，车型识别的准确性和快捷性还与光照情况的改变、天气季节的交替及背景图像的不断变化紧密相关。

因此现在的车型识别技术还远不能满足当代大城市交通智能化管理的需求，我们仍需对车型识别技术进行改进以满足准确性和使用性上的要求。

目前已经解决交通智能管理的大部分关键技术，但是部分细节方面仍然存在不足，准确性不高就是其中的一方面。

交通智能管理的关键技术包括车型判别，希冀借
助本课题的研究能促进智能交通系统的发展，使信号灯指挥通行、车辆数量统计、公共场所车辆无人收费、公路状况监控等方面更具可操控性。

就目前而言，在交通智能管理方面我国与发达国家仍有很大差距，故该课题的研究对交通智能管理具有积极的影响。

1.2 课题的研究现状
目前，国内外车型识别技术的研究已经取得了很大成果，人们利用不同的技术手段来判别车型。

总的来说分为直接法和间接法。

间接法的车型判别技术要借助IC卡或条码的应用，而直接法是要借助图像处理技术来进行判别的。

间接法：把储存车型信息的IC卡或条码安装在车辆上，借助专用设备来读取待识别车辆上安装的IC卡或条码存储的相关信息来进行判别。

该方法满足了准确性和可靠性的要求，但性价比得不到满足，对硬件设备要求高，无法完成异地作业。

此外，若想很好地推行该方法要制定统一标准，且无法保证车与卡或车与码相符，这也使其无法快速推广。

直接法：摄取车辆的图像信息，不依赖车载发射装置，对待识别车辆进行距离性信息采集来实现车型判别。

借助摄像机拍下的车辆图像，利用计算机技术进行处理，提取所需特征信息，如外型尺寸、前后轴距、车轮大小等等，通过分析比较可达到判别目的。

该方法不需安置设备，节约了大量资金，且识别速度较快，实时性得以提高，并在人机交换性方面得到了很大改善。

近些年，随着计算机及相关技术的发展，一些国家开始关注人工神经网络技术的应用，RBF神经网络便是其中一种，应用该技术进行车型的判别有赖于与样本的比较。

近些年来，国内外学者对车型识别技术的关注日益加深，也在努力研究新的算法以提高识别率、降低复杂度，使得车型识别技术得以快速发展。

（1）基于Gabor Wavelets Transform和Hidden Markov Model的方法，经实验验证，该方法模型化程度高，可以提高识别准确率、对环境条件要求低，具有较高实用性，易于操作[2]。

（2）基于模糊理论的方法，它的二级评判模型是基于聚类的，该方法受主观因素影响小，可以客观地反映真实情况，快捷高效，极大地提高了实时性。

（3）基于Harris角点算法进行车型的判别，首先要借助图像分割技术获得轿车、货车、客车的标准样本，并利用Harris算法求得其角点作为样本库[3]。

再提取待识别
车辆的图像，计算Harris角点并进行比对，计算待识别车辆与各车型样本的H a u sd o rff距离，并取Hausdorff距离最小者为待识别车辆所属车型。

经验证，基于Harris角点检测法较好地满足了准确性和快捷性要求。

借助角点检测技术进行车型判别的方法计算速度很快，与主成分分析法相比，该方法要简单许多，不必像主成分分析法那样进行大量的预处理工作。

近期，借助图像处理技术进行车型判别显现出显著优点，国内外学者对其关注度日益加深，但由于背景和光照因素的复杂多变性，想要达到理想的图像分割效果并非易事。

近些年，国内外市场都推出了一些实用的车型判别系统。

但是，这些系统都受到一些特殊环境的限制，车型识别技术仍有很大的发展空间，该技术的研究应用对实现交通智能化管理具有很大的推动作用。

1.3 本文的基本内容和组织结构
本文先研究了基于灰度阈值分割法的车型识别技术，客观分析了该技术的优点和不足。

针对灰度阈值分割法的不足，提出了基于图像背景差值法的车型识别技术，该技术相对于灰度阈值分割法虽然有部分改善，但图像又需要满足更加严格的条件。

本论文设计了车型识别的实现过程，并对每一步进行了分析，其中着重分析了图像分割和特征提取部分。

对待识别车辆进行车型判别以主成分分析法为基础，提取的主特征为待识别车辆的顶长比、顶高比和前后比（车顶中垂线将车身长分得两部分的比值），并对主特征提取对于车型判别准确性的影响进行了研究,最后给出了针对该课题的总结展望。

2 车型识别系统简介
模式识别技术的一个重要分支是车型识别，实现车型识别的主要步骤如下图所示：
图2.1 车型识别框
2.1 预处理
车型识别过程中的重要环节之一就是图像预处理，图像预处理过程的好坏直接关系到待识别车辆的特征提取和特征匹配工作能否顺利完成。

经过预处理可以去除或减少图像的多余信息，使图像的真实信息得以恢复、检测相关信息的能力得以提升、图像的逼真度和图像的可识别度得到提高，最大限度地简化相关数据，提高特征提取、特征匹配和判别的可靠性。

2.2 特征提取
特征提取是车型识别系统的重要环节，利用计算机对经过预处理的图像进行相关信息的提取，判定该图像的特征点包括哪些点[4]。

特征值的选择以及特征提取的好坏直接关系到能否快速、准确的对待识别车辆进行判别和分类。

该课题通过对待识别车辆的侧视图进行处理来提取特征，通常待识别车辆的侧视图可以提供车辆的轮廓信息。

若能提取出这些信息，经过相关计算便可求得：顶长比（车顶长度与车身长度之比）、顶高比（车顶长度与车辆高度之比）、前后比（以车顶中垂线为界分得车身为两部分的长度之比)。

再利用计算得出的三个特征比进行判别[5]。

2.3 特征匹配
该课题的特征匹配即利用提取的待识别车辆的特征值进行车型判别。

首先，要经过统计计算求得三类标准车型（轿车、客车、货车）的特征值（顶长比、顶高比、前
后比）的范围，进行剔除选择后将其作为样本库。

然后，编程实现车型的判别。

3 基于灰度阈值分割法的车型识别
选取含有待识别车辆的图像，对其进行灰度线性变换，待识别车辆的灰度值与背景的灰度值在图像直方图不均匀分布，可以选取一灰度阈值范围，使该阈值范围包含待识别车辆的大部分灰度级，几乎不包含或尽量少包含背景的灰度级，对阈值范围内的灰度级赋予255级，对背景的灰度级赋予0级，这样可以将待识别车辆从背景中分割出来，该方法即为灰度阈值分割法。

3.1 介绍各模块设计
3.1.1 预处理模块
由于摄取的图像一般含有噪声，需要对图像进行预处理，滤除干扰、噪声，获得较高品质的图像。

基于灰度阈值分割法的预处理要对摄取的图像进行灰度图像变换、图像平滑、二值化处理和图像填充，以达到提高图像质量的目的，为接下来进行车辆轮廓特征的提取提供必要的基础。

预处理流程如图3.1所示：
图3.1 预处理流程图
灰度图像变换：当光线情况不太理想时，与彩色图像相比灰度图像更易于分辨，为了满足光线情况多样性，有必要对彩色图像进行灰度变换，这样既易于处理又减少
了计算量。

图像平滑：为了减少噪声、干扰的影响，需要对含有待识别车辆的图像进行平滑处理。

图像平滑主要有基于空域和基于频域的方法，中值滤波属于基于空域的非线性滤波法，该方法对椒盐噪声的滤波效果较好。

阈值分割、二值化：设图像灰度值为),(y x f ，所属区间为]1,0[-L ,在0和1-L 之间确定一个阈值T ，则灰度阈值分割法可描述为：
⎩
⎨⎧=0255
),(y x g T y x f T y x f ∉∈),(),( )13(-
由此得到二值图像),(y x g [6]。

能否确定合适的阈值直接影响车型判别结果的准确性。

图像填充：由于噪声、干扰的影响，基于灰度阈值分割法进行图像分割得到的待识别车辆的灰度级并非全部都为255，这时进行图像填充是很有必要的，经过图像填充，可使图像车辆部分的灰度级一致，有利于车辆的特征提取。

3.1.2 特征提取模块
对摄取的图像进行预处理后，得到的灰度图像只有两个灰度级（0和255），由于只有两个灰度级便于对灰度图像进行扫描，提取待识别车辆的主要特征信息：顶长比（车顶长度与车身长度之比）、顶高比（车顶长度与车辆高度之比）和前后比（以车顶中垂线为界分得车身为两部分的长度之比)[7]。

3.1.3 特征匹配模块
基于灰度阈值分割法的车型识别系统进行车型的判别时采用特征匹配算法，该算法输入一组待识别车辆的特征值数据，判别过程如下：
(1)输入一组特征值数据；
(2)如果前后比＜0.6，则该车辆为货车，否则转至(3)；
(3)如果顶长比＞0.3，则该车为客车，否则该车为轿车。

程序流程如下图所示：
图3.2 程序流程图
3.2 运行结果
该课题应用基于灰度阈值分割法的车型识别系统对5辆待识别车辆进行了判别，其中（1）的背景复杂，（2）、（4）、（5）的背景较简单，（3）的背景单一、背景颜色缓慢变化。

运行结果如下：
（1）背景复杂，待识别车辆为轿车，选取的灰度阈值为[200/230],运行程序后识别结果为轿车(识别结果正确）。

图3.3 原彩色图像 图3.4 灰度图像
图3.5 图像直方图图3.6 填充过程图
（2）背景较简单，待识别车辆为轿车，选取的灰度阈值为[180/210],运行程序后识别结果为货车（识别结果错误）。

图3.7 原彩色图像图3.8 灰度图像
图3.9 图像直方图图3.10 填充过程图
（3）背景单一、背景颜色缓慢变化，待识别车辆为货车，选取的灰度阈值为[80/200],运行程序后识别结果为货车(识别结果正确，但填充效果差、阈值范围很难确定，图像分割效果并不理想）。

图3.11 原彩色图像图3.12 灰度图像
图3.13 图像直方图图3.14 填充过程图
（4）背景较简单，待识别车辆为客车，选取的灰度阈值为[50/80],运行程序后识别结果为客车(识别结果正确，但填充效果很差）。

图3.15 原彩色图像图3.16 灰度图像
图3.17 图像直方图图3.18 图像填充图
（5）背景较简单，待识别车辆为客车，选取的灰度阈值为[30/60],运行程序后识别结果为客车(识别结果正确，但填充效果很差）。

图3.19 原彩色图像图3.20 灰度图像
图3.21 图像直方图图3.22 填充过程图
3.3 结果分析
基于灰度阈值分割法的车型识别系统，首先，要将原图像进行灰度线性变换，可求出其相应的灰度信息[8]。

然后，要根据灰度图像的直方图选取合适的阈值范围，将
灰度图像转化为二值化图像，根据二值化图像进行横向填充、纵向填充，再利用坐标扫描法求得车顶长度、车身长度、车辆高度和车顶位置（据此可求得待识别车辆的顶长比、顶高比和前后比）。

最后，应用特征匹配法对待识别车辆进行车型的判别。

应用基于灰度阈值分割法的车型识别系统对待识别车辆进行车型的判别，能否准确的选取合适的阈值范围直接关系到图像分割的好坏，直接影响特征提取和特征匹配工作效果的好坏。

当待识别车辆的颜色与背景图像的颜色对比鲜明时，表现在图像直方图上为灰度级分布明显分开，这时可较容易选取合适的范围以达到图像分割的目的，提取待识别车辆。

而当待识别车辆的颜色与图像中除待识别车辆外其余部分颜色相近时，待识别车辆的灰度级分布与图像中除待识别车辆外其余部分的灰度级分布有明显交叠，这时不易选取阈值范围进行图像分割，即使勉强分割出了待识别车辆，往往效果也较差，最后的判别结果也会不准确[9]。

4 基于图像背景差值法的车型识别
固定镜头保持不动，对得到的视频进行分帧处理，各帧图像的背景是保持不变的，设背景图像的灰度值为)
(y
x
,
f，让含有待
b，含有待识别车辆的图像的灰度值为)
,
(y
x
识别车辆的图像的灰度值减去背景的灰度值可得待识别车辆的灰度值)
d：
x
,
(y
x
y
b
x
y
=（4-1）
d-
x
f
)
(
,
)
(y
)
,
(
,
即可完成对待识别车辆的分割[10]。

4.1 介绍各模块设计
4.1.1 预处理模块
基于图像背景差值法的车型识别系统对含有噪声的图像进行预处理，滤除干扰、噪声，获得较高品质的图像，要进行灰度图像变换、图像平滑、减背景处理和图像填充，以达到提高图像质量的目的，为接下来进行车辆轮廓特征的提取提供必要的基础。

预处理流程如下图所示：
图4.1 预处理流程图
灰度图像变换：当光线情况不太理想时，与彩色图像相比灰度图像更易于分辨，为了满足光线情况多样性，有必要对彩色图像进行灰度变换，这样既易于处理又减少
了计算量。

图像平滑：为了减少噪声、干扰的影响，需要对含有待识别车辆的图像进行平滑处理。

主要有基于空域和频域的方法，中值滤波属于基于空域的非线性平滑滤波方法，该方法对椒盐噪声的滤波效果较好[11]。

减背景、二值化处理：将含有待识别车辆的图像与不含待识别车辆的背景图像相减，提取出只含有待识别车辆的图像，达到图像分割的目的。

图像填充：由于噪声、干扰的影响，基于灰度阈值分割法进行图像分割得到的待识别车辆的灰度级并非全部都为255，这时进行图像填充是很有必要的，经过图像填充，可使图像上车辆部分的灰度级一致，有利于车辆的特征提取。

4.1.2 特征提取模块
对摄取的图像进行预处理后，得到的灰度图像只有两个灰度级（0和255），由于只有两个灰度级便于对灰度图像进行扫描，再经过计算、比对可提取待识别车辆的三个特征比[12]。

4.1.3 特征匹配模块
基于灰度阈值分割法的车型识别系统进行车型的判别时采用特征匹配算法，该算法输入一组待识别车辆的特征值数据，判别过程如下：
(1)输入一组特征值数据；
(2)如果前后比＜0.6，则该车辆为货车，否则转至(3)；
(3)如果顶长比＞0.3，则该车为客车，否则该车为轿车。

程序流程如下图所示：
图4.2 程序流程图
4.2 运行结果
该课题应用基于图像背景差值法的车型识别系统对17辆待识别车辆进行了车型判别，对不同的情况进行了验证，包括同背景不同车型、同车型不同背景、同车型不同位置、同车型不同大小。

（1）-（12）基于图像背景差值法的车型识别系统的背景图像比较简单，色彩较单调，颜色差异明显，待识别车辆易于从背景图像中分割出来。

（13）、（14）背景亮暗分明，（15）-（17）的背景图像较复杂，运行结果如下：（1）待识别车辆为轿车,运行程序后识别结果为轿车(识别结果正确，但填充效果差）。

图4.3 背景图像图4.4 原彩色图像
图4.5 灰度图像图4.6 中值滤波图像
图4.7 图像分割、填充图
（2）待识别车辆为轿车,运行程序后识别结果为轿车(识别结果正确，且填充效果很好）。

与（1）相比待识别车辆大小不变，颜色明亮许多。

图4.8 背景图像图4.9 原彩色图像
图4.10 灰度图像图4.11 中值滤波图像
图4.12 图像分割、填充图
（3）待识别车辆为轿车,运行程序后识别结果为轿车(结果正确，但填充效果很差）。

与（1）、（2）相比待识别车辆的颜色由亮色变为了暗色。

图4.13 背景图像图4.14 原彩色图像
图4.15 灰度图像图4.16 中值滤波图像
图4.17 图像分割、填充图
（4）待识别车辆为轿车,运行程序后识别结果为轿车(识别结果正确，填充效果一般）。

待识别车辆的颜色与背景中天空的颜色相近。

图4.18 背景图像图4.19 原彩色图像
图4.20 灰度图像图4.21 中值滤波图像
图4.22 图像分割、填充图
（5）待识别车辆为货车,运行程序后识别结果为货车(识别结果正确，填充效果很差）。

待识别车辆的颜色与背景中宣传牌的颜色相近。

图4.23 背景图像图4.24 原彩色图像
图4.25 灰度图像图4.26 中值滤波图像
图4.27 图像分割、填充图
（6）待识别车辆为货车,运行程序后识别结果为货车(识别结果正确，填充效果一般）。

与（5）相比待识别车辆的颜色变为了白色，图像分割效果有所改善。

图4.28 背景图像图4.29 原彩色图像
图4.30 灰度图像图4.31 中值滤波图像
图4.32 图像分割、填充图
（7）待识别车辆为货车,运行程序后识别结果为货车(识别结果正确，填充效果很差）。

待识别车辆颜色与背景中宣传牌的颜色相近，与（5）相比车辆大小有变化。

图4.33背景图像图4.34 原彩色图像
图4.35 灰度图像图4.36 中值滤波图像
图4.37 图像分割、填充图
（8）待识别车辆为货车,运行程序后识别结果为货车(识别结果正确，填充效果很差）。

待识别车辆颜色与背景中宣传牌的颜色相近，车辆的大小与（5）、（7）不同。

图4.38 背景图像图4.39 原彩色图像
图4.40 灰度图像图4.41 中值滤波图像
图4.42 图像分割、填充图
（9）待识别车辆为货车,运行程序后识别结果为货车(识别结果正确，填充效果很差）。

待识别车辆的颜色与背景中宣传牌颜色相近，且车辆较大。

图4.43 背景图像图4.44 原彩色图像
图4.45 灰度图像图4.46 中值滤波图像
图4.47 图像分割、填充图
（10）待识别车辆为客车,运行程序后识别结果为客车(识别结果正确，填充效果很好）。

待识别车辆颜色鲜明，明显有别于背景。

图4.48 背景图像图4.49 原彩色图像
图4.50 灰度图像图4.51 中值滤波图像
图4.52 图像分割、填充图
（11）待识别车辆为客车,运行程序后识别结果为客车(识别结果正确，填充效果很好）。

待识别车辆颜色鲜明，明显有别于背景。

图4.53 背景图像图4.54 原彩色图像
图4.55 灰度图像图4.56 中值滤波图像
图4.57 图像分割、填充图
(12)待识别车辆为客车,运行程序后识别结果为货车(识别结果错误，填充效果很好）。

彩色图像中车辆较长，车身色彩鲜明。

图4.58 背景图像图4.59 原彩色图像
图4.60 灰度图像图4.61 中值滤波图像
图4.62 图像分割、填充图
(13)待识别车辆为轿车,运行程序后识别结果为轿车(识别结果正确，填充效果很差）。

待识别车辆为灰色与车前公路和车后墙面色调基本一致。

图4.63 背景图像图4.64 原彩色图像
图4.65 灰度图像图4.66 中值滤波图像
图4.67 图像分割、填充图
(14)待识别车辆为轿车,运行程序后识别结果为轿车(识别结果正确，填充效果很差）。

待识别车辆颜色较亮，与背景对比明显。

图4.68 背景图像图4.69原彩色图像
图4.70 灰度图像图4.71 中值滤波图像
图4.72 图像分割、填充图
（15）待识别车辆为轿车,运行程序后识别结果为轿车(识别结果正确，而且填充效果很好）。

待识别车辆颜色较亮，明显有别于背景。

图4.73 背景图像图4.74 原彩色图像
图4.75 灰度图像图4.76 中值滤波图像
图4.77 图像分割、填充图
(16)待识别车辆为货车,运行程序后识别结果为货车(识别结果正确，但填充效果很差）。

与（15）相比，待识别车辆的车型改变，颜色明显有别于背景。

图4.78背景图像图4.79 原彩色图像
图4.80 灰度图像图4.81 中值滤波图像
图4.82 图像分割、填充图
(17)待识别车辆为客车,运行程序后识别结果为客车(识别结果正确，而且填充效果较好）。

与（15）、（16）相比待识别车辆车型改变，车辆颜色明亮，与背景颜色对比鲜明。

图4.83 背景图像图4.84 原彩色图像
图4.85 灰度图像图4.86 中值滤波图像
图4.87 图像分割、填充图
4.3结果分析
基于图像背景差值法的车型识别系统的基本原理是利用含有待识别车辆图像的灰度值与背景图像的灰度值相减得到待识别车辆的灰度值，再对待识别车辆的灰度值进行二值化处理和图像填充以达到图像分割的目的。

同样，基于背景图像差值法的车型识别系统能否准确判别车型也与待识别车辆颜色和背景颜色是否具有明显差异性
紧密相关，当待识别车辆颜色与背景的颜色具有明显差异性时，待识别车辆的灰度级分布与背景灰度级的分布会明显分散开，这时相减得到的待识别车辆的灰度值较好，而当待识别车辆的灰度级分布与背景图像的灰度级分布比较集中时，这时相减得到的待识别车辆的灰度值可能会出现明显残缺，相应的图像分割效果会很差。

同样，当背景较简单、色彩较单一时，背景的灰度级分布比较集中，图像分割的效果也会较理想。

另一方面，应用背景差值法，若要想达到较好的图像分割效果，在摄取视频时尽量保持摄像机的位置不动，这样对视频图像进行分帧得到的各帧图像的背景是不变的，这样进行差值也会方便许多[13]。

4.4 结果对比
基于灰度阈值分割法的车型识别系统：该课题对该方法进行验证时，选取了5辆待识别车辆，其中有2辆轿车、1辆货车和2辆客车。

验证如下表所示：
表4-1 基于灰度阈值分割法的车型识别系统验证结果
待识别车辆灰度级分布识别结果填充效果
轿车分布均匀、存在明显阈值轿车（正确）很好
轿车分布均匀、存在明显阈值货车（错误）较好
货车分布集中、阈值不明显货车（正确）一般
客车分布较均匀、灰度级重叠严重客车（正确）很差
客车分布较均匀、灰度级重叠严重客车（正确）很差。