本发明涉及图像识别及交通安全技术领域，具体而言，涉及一种基于视频图像分析的车辆类型识别方法及其装置。
背景技术：
通常对车辆进行测速或者抓拍，需要采用测速雷达或者地感线圈等硬件，但这些方法无法提供直观的交通场景信息。随着ITS(Intelligent Transport System，智能交通系统)技术的不断创新与发展，基于视频传感器的监控系统得到了长足的发展，更为具体地，基于视频图像的车型识别已经成为了一个很重要的研究分支，通过视频传感器可以更为直观地得到交通场景中的信息。
现有的基于视频图像的车型识别只能通过识别车辆的大小，并将车辆识别为大、中、小型车。或在某些现有的技术方案中，其仅仅通过车标识别将车辆归类为奥迪、大众、标致等系列品牌车型，无法对各品牌类型下的子品牌进行细分，从而车型分类的准确度以及可用性较低。车标识别技术是指以数字图像或视频信号流为研究对象,通过图像处理与自动识别方法,获得机动车辆品牌信息的一种实用技术。车标识别技术作为智能交通系统中的一个重要环节,其应用越来越受到人们的重视，其应用领域涉及公路收费、车辆管理、公路布控等。例如青岛大学学报(工程技术版)公开了一种基于Laws模板滤波的车标定位算法【第27卷第3期，2012年9月】，其根据车牌与车标的先验知识进行车标粗定位，再根据车标周围散热网的纹理信息，并利用Laws模版滤波除去车标周围散热网的干扰，实现车标的定位。
或在某些现有的其他技术方案中，通过车脸识别对车辆进行归类，但其同样存在准确性较低的问题。例如中国专利公开号为CN102411710A的专利文献公开了一种基于车脸特征的车辆类型识别方法，其包括如下步骤：(1)通过监控摄像机采集车辆图像，并进行预处理，然后检测并分割出能表征车辆类型的车脸图像，具体包括如下步骤：(1-1)使用监控摄像机采集多种车型的车辆图像；(1-2)图像预处理，采用同态滤波增强图像质量；(1-3)采用基于车牌位置信息的车脸区域检测和分割，分割出能表征车型特征的车脸区域；(2)对车辆图像进行Curvelet小波变换，以提取能表征车型特征的车脸特征矩阵；(3)采用支持向量机分类器对提取的车脸图像的Curvelet小波特征向量进行分类，以识别出车型。
技术实现要素：
为了准确识别出具体的车辆类型，本发明实施例的目的在于提供一种基于视频图像分析的车辆类型识别方法及其装置。
本发明实施例采用以下技术方案实现：
一种车辆类型识别方法，包括：
采集车辆图像；
识别出感兴趣区域，并提取车标和车脸特征；
依据所述车标和车脸特征对车辆类型进行归类。
优选地，提取车脸特征的步骤包括：
在所述感兴趣区域中进行车脸定位；
对车脸定位后的图像进行消除光照影响预处理；
从经消除光照影响预处理后的图像中分别提取出车脸的纹理特征以及边缘特征，并对车脸的纹理特征以及边缘特征进行组合后，形成车脸特征。
优选地，从经消除光照影响预处理后的图像中分别提取出车脸的纹理特征的方法为：
对经消除光照影响预处理后的图像进行大小归一化处理，提取Gabor小波特征作为车脸的纹理特征。
优选地，在所述感兴趣区域中进行车脸定位的步骤包括：
在所述感兴趣区域中进行车牌定位，并对车脸进行粗定位；
对粗定位后的YUV格式车脸图像提取Y通道中的图像数据作为图像处理的目标，计算车脸图像梯度图；
将车脸图像梯度图向竖直方向做投影，以确定车脸的上下边界，以及将车脸图像梯度图向水平方向做投影，以确定车脸的左右边界。
优选地，提取车脸特征的步骤还包括对得到的车脸特征进行主成分分析PCA(Principal Component Analysis，主成分分析)降维的处理步骤：
计算车脸特征样本的协方差矩阵，计算该协方差矩阵的特征值和特征向量，并对特征值和特征向量进行正交归一化处理；
对特征值由大到小进行排序，取前k个特征值对应的特征向量并组成矩阵，然后将排序后的特征值与该矩阵相乘，得到k维的压缩车脸特征，其中，k≥1。
优选地，提取车标特征的步骤包括：
在所述感兴趣区域中进行车标定位；
对经车标定位后的图像进行大小归一化和直方图均衡化处理，并对处理后的图像采用改进的边缘特征对车标进行特征提取，其中，对图像中间的特征值进行加权操作以突出车标中间的边缘特征，实现对边缘特征的改进。
优选地，在所述感兴趣区域中进行车标定位的步骤包括：
在所述感兴趣区域中对车标进行粗定位；
采用基于纹理的滤波器组对对粗定位后的车标图像进行水平方向滤波，之后采用中值滤波对图像进行去噪处理，在对图像进行二值化处理并得到二值化图像后，对图像进行形态学开运算处理，并将运算处理后的图像向竖直方向上做投影，获得投影后最长的连续区域并将其作为车标的上下边界；
对粗定位后的车标图像分别进行水平滤波和垂直滤波，之后采用中值滤波对图像进行去噪处理，在对图像进行二值化和形态学开运算处理后，对运算处理之后的图像进行连通域标记，得到水平滤波处理后的图片fh(x,y)和垂直滤波后的图片fv(x,y)，比较图片fh(x,y)和图片fv(x,y)白色像素的数量，并将白色像素数量较少的图片向向水平方向做投影，以确定出车标的左右边界。
优选地，提取车标特征的步骤还包括：
对得到的车标特征进行PCA降维处理。
优选地，依据所述车标和车脸特征对车辆类型进行归类的步骤包括：
采用支持向量机SVM分别对车脸特征以及车标特征进行训练分类，以分别得到第一分类结果以及第二分类结果；
对所述第一分类结果以及第二分类结果进行匹配，如果第一分类结果中包含有第二分类结果所归类的车标的车辆类型时，选择该车辆类型作为车辆类型归类结果；否则，选择多个第一分类结果中最为相似的归类结果作为车辆类型归类结果。
一种车辆类型识别装置，包括：
采集单元，用于采集车辆图像；
感兴趣区域识别单元，用于识别出感兴趣区域；
特征提取单元，用于提取车标和车脸特征；
车辆类型识别单元，用于依据所述车标和车脸特征对车辆类型进行归类。
本发明通过将车脸识别与车标识别两种技术相结合，可以提高车辆类型识别的准确性。
附图说明
图1为本发明实施例提供的车辆类型识别方法流程示意图；
图2为本发明实施例提供的车脸定位流程示意图；
图3为本发明实施例提供的车脸特征识别流程示意图；
图4为本发明实施例提供的车标定位流程示意图。
本发明目的的实现、功能特点及优异效果，下面将结合具体实施例以及附图做进一步的说明。
具体实施方式
下面结合附图和具体实施例对本发明所述技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，本发明实施例提供了一种车辆类型识别方法，包括如下步骤：
S10、采集车辆图像；
S20、识别出感兴趣区域，并提取车标和车脸特征；
S30、依据所述车标和车脸特征对车辆类型进行归类。
在本发明中，首先通过前端摄相机对车辆图像进行采集，然后检测出需要识别的ROI(Region Of Interest，感兴趣区域)区域，采用边缘和纹理特征对车辆的车标和车脸区域进行特征提取，最后利用支持向量机将图像归类到诸如宝来2006款、宝马X6、迈腾2008款、迈腾2012款等32个品牌下的200种车型款式类别，以此来提高车辆类型归类的准确性。
本实施例中，提取车脸特征的步骤包括：
S201、在所述感兴趣区域中进行车脸定位；
S202、对车脸定位后的图像进行消除光照影响预处理；
S203、从经消除光照影响预处理后的图像中分别提取出车脸的纹理特征以及边缘特征，并对车脸的纹理特征以及边缘特征进行组合后，形成车脸特征。
优选地，在所述步骤S203中，从经消除光照影响预处理后的图像中分别提取出车脸的纹理特征的方法为：对经消除光照影响预处理后的图像进行大小归一化处理，提取Gabor小波特征作为车脸的纹理特征。
优选地，在所述步骤S201中，在所述感兴趣区域中进行车脸定位的步骤包括：
S2011、在所述感兴趣区域中进行车牌定位，并对车脸进行粗定位；
S2012、对粗定位后的YUV格式车脸图像提取Y通道中的图像数据作为图像处理的目标，计算车脸图像梯度图；
S2013、将车脸图像梯度图向竖直方向做投影，以确定车脸的上下边界，以及将车脸图像梯度图向水平方向做投影，以确定车脸的左右边界。
在本发明的一具体实施方式中，如图2所示，执行车脸定位的步骤包括：
1)对采集到的车辆图像进行车牌定位，然后对车脸进行粗定位。
2)在粗定位的车脸图像中对车脸进行精确定位，由于从摄像机中采集到的数据为YUV格式的图像数据，由于可以只需要灰度图像，所以本文只提取Y通道中的图像数据作为图像处理的目标，计算车脸图像梯度图。
3)将梯度图向竖直方向做投影，将梯度图像从图像中间分开，每一个横坐标与其对称坐标上的取值为该投影与其对称位置投影灰度和的最小值，计算投影图像的灰度平均值，遍历所有投影，找到第一个和最后一个大于平均值交点，则这两个点之间的部分即为车脸的高度部分。
4)车脸的高度确定以后，需要确定车脸的宽度部分。具体方法为：将梯度图向水平方向投影，与确定车脸高度的方法类似，确定车脸的左右边界，车脸定位的程序流程图。
优选地，在本实施例中，提取车脸特征的步骤还包括对得到的车脸特征进行主成分分析PCA降维的处理步骤：
S204、计算车脸特征样本的协方差矩阵，计算该协方差矩阵的特征值和特征向量，并对特征值和特征向量进行正交归一化处理；
S205、对特征值由大到小进行排序，取前k个特征值对应的特征向量并组成矩阵，然后将排序后的特征值与该矩阵相乘，得到k维的压缩车脸特征，其中，k≥1。
在本发明的一具体实施方式中，如图3所示，执行车脸识别的步骤包括：
1)对定位后的图片f(x,y)进行图像预处理，消除光照对图像的影响。采用直方图均衡化的方法对图像进行预处理，表达式如下：
其中，T(k)为灰度级k所对应的灰度映射值，n为f(x,y)图像像素总和，ni为灰度级为i的像素总和。
2)对输入的图像进行大小归一化，提取Gabor小波特征。Gabor特征可以很好的描述图像的纹理特征，二维Gabor小波的表达式如下：
x'＝x cosθ+y sinθ；
y'＝-x sinθ+y cosθ；
其中，λ表示小波长度，θ表示小波的方向，表示相位偏移，σ是标准差，γ是空间比。为了提高卷积的计算速度，通过快速傅立叶变换(FFT)，将图像从图像域转换到频率域，在空间域中作卷积相当于在频率域中乘积，在频率域上作乘积之后，需要通过快速傅立叶逆变换，将结果变换到空间域中。通过不同的小波长度和小波方向可以产生一系列图像，将每一幅图像分成若干区域，统计每一个区域灰度的平均值和方差，组成Gabor特征。
3)为了更好的描述车脸特征，本文除了提取车脸的纹理特征，还提取了车脸的边缘特征，然后将纹理和边缘特征进行组合，生成新的车脸特征，其中，组合纹理特征以及边缘特征并形成新的车脸特征的技术手段为本领域的技术人员所掌握的公知技术。
4)为了减少计算量，需要对特征进行PCA(Principal Component Analysis，主成分分析)降维。其具体步骤如下：首先计算样本的协方差矩阵，计算该矩阵的特征值和特征向量，并对特征值和特征向量进行正交归一化处理，然后对特征值由大到小进行排序，取前k个特征值对应的特征向量组成矩阵，然后组合特征与该矩阵相乘，得到k维的压缩特征。
本实施例中，优选地，提取车标特征的步骤包括：
S206、在所述感兴趣区域中进行车标定位；
S207、对经车标定位后的图像进行大小归一化和直方图均衡化处理，并对处理后的图像采用改进的边缘特征对车标进行特征提取，其中，对图像中间的特征值进行加权操作以突出车标中间的边缘特征，实现对边缘特征的改进。
优选地，对于所述步骤S206，在所述感兴趣区域中进行车标定位的步骤包括：
S2061、在所述感兴趣区域中对车标进行粗定位；
S2062、采用基于纹理的滤波器组对对粗定位后的车标图像进行水平方向滤波，之后采用中值滤波对图像进行去噪处理，在对图像进行二值化处理并得到二值化图像后，对图像进行形态学开运算处理，并将运算处理后的图像向竖直方向上做投影，获得投影后最长的连续区域并将其作为车标的上下边界；
S2063、对粗定位后的车标图像分别进行水平滤波和垂直滤波，之后采用中值滤波对图像进行去噪处理，在对图像进行二值化和形态学开运算处理后，对运算处理之后的图像进行连通域标记，得到水平滤波处理后的图片fh(x,y)和垂直滤波后的图片fv(x,y)，比较图片fh(x,y)和图片fv(x,y)白色像素的数量，并将白色像素数量较少的图片向水平方向做投影，以确定出车标的左右边界。
依照本发明的一具体实施方式，如图4所示，执行车标定位的步骤包括：
1)为了从前N个相似的车脸结果中挑选出最终结果，需要车辆标志进行辅助识别。首先需要从定位后的车脸图片中对车标进行定位，当然也可以直接从感兴趣区域中进行车标定位。为了缩小检测范围，对车标进行粗定位，即车标粗定位的上下边界与车脸图片的上下边界相同，左右边界为车牌的左右边界。
2)为了获取车标的上下边界，本文采用一种基于纹理的滤波器组对粗定位后的车标图片进行水平方向滤波，然后采用中值滤波对图像进行去噪处理，对图像进行二值化处理，得到二值化图像后，进行形态学开运算。将处理后的图像向竖直方向上作投影，统计每一行像素值为255的像素个数，然后寻找投影后最长的连续区域，该区域即为图像的高度部分。
3)确定车标左右边界与确定车标上下边界的方法类似，由于车标的背景纹理可能是水平纹理也有可能是竖直或网状纹理，所以需要分别进行水平滤波和垂直滤波，采用中值滤波进行去噪，对图像进行二值化和形态学开运算处理。对处理之后的图像进行连通域标记，过滤掉面积过的小的连通域，得到水平滤波处理后的图片fh(x,y)和垂直滤波后的图片fv(x,y)，比较fh(x,y)和fv(x,y)白色像素数量，选取白色像素数量少的图片作为选择最终结果。
4)将选择后的图片，向水平方向作投影，根据车标对称性的特点，车标向水平方向作投影后，如果在车标中轴左测某处出现像素点，那么在其对称坐标处也会出现像素点，否则可认为该位置不是车标的边界位置。具体作法如下：为了保证计算速度，将图片中间位置作为车标对称轴的位置，从左向右遍历x轴直至中间位置，如果在中轴左边发现该处含有白色像素点，那么寻找其对称处周围是否也含有白色像素点，如果含有白色像素点，说明具有对称性，则左右边界确定，如果不含有，则继续遍历寻找直至中轴为止。。
优选地，对于所述步骤S206，提取车标特征的步骤还包括：
S2064、对得到的车标特征进行PCA降维处理。
具体地，依照本发明的一具体实施方式，执行车标识别的具体步骤包括：
1)定位后的图片，需要进行大小归一化和直方图均衡化，消除光照等外界因素的影响，采用改进的边缘特征对车标进行特征提取并加以识别。通过观察发现，车标的主要边缘特征集中在车标的中间部分，所以采用加权的方式对边缘特征进行改进，即对图像中间的特征值进行加权操作，以突出车标中间的边缘特征。
2)对车标特征进行PCA降维。
优选地，在所述步骤S30中，依据所述车标和车脸特征对车辆类型进行归类的步骤包括：
S301、采用支持向量机SVM分别对车脸特征以及车标特征进行训练分类，以分别得到第一分类结果以及第二分类结果；
S302、对所述第一分类结果以及第二分类结果进行匹配，如果第一分类结果中包含有第二分类结果所归类的车标的车辆类型时，选择该车辆类型作为车辆类型归类结果；否则，选择多个第一分类结果中最为相似的归类结果作为车辆类型归类结果。
具体地，本发明的一实施方式中，执行车标与车脸匹配以准确地确定车辆类型的步骤包括：
1)采用支持向量机(SVM)对压缩后的车脸特征进行训练分类，分类后可以直接识别车辆所属的款式类型，如大众宝来2006款、丰田卡罗拉2007款、本田CRV2012款等。SVM是一种基于统计学理论的机器学习方法，该方法可以很好的解决小样本训练问题。分类主要取决于SVM核函数K(x,y)的选择，本文采用RBF核函数对样本进行分类，其具体表达式为：
其中x为特征，y为计算生成的特征向量，g为阈值。由于不同品牌下可能存在车脸特征极为相似的情况，为了提高识别的准确率，分类后需要返回前N个最相似的车脸以备最后与车标识别的结果进行比对，返回最终结果。
2)采用支持向量机(SVM)对进行PCA降维的车标特征进行支持向量机(SVM)训练和分类，得到最终的分类结果。
3)将得到的车标分类结果与车脸分类得到的最相似的前N个结果进行匹配，如果车脸识别的前N个结果当中含有与车标识别对应的结果：如车标识别结果为：大众，而车脸识别结果为：丰田卡罗拉2007款、大众帕萨特2007款、本田CRV2012款，则最终的车辆类型分类结果为：大众帕萨特2007款。如果没有与车标匹配的结果，则最终结果为车脸识别前N个结果中最相似的车型。
本发明实施例还相应地提供了一种车辆类型识别装置，包括：
采集单元，用于采集车辆图像；
感兴趣区域识别单元，用于识别出感兴趣区域；
特征提取单元，用于提取车标和车脸特征；
车辆类型识别单元，用于依据所述车标和车脸特征对车辆类型进行归类。
该车辆类型识别装置能够基于上述实施例提供的车辆类型识别方法而对众多汽车品牌下面的具体车型进行有效而准确的分类识别，对于其具体实施过程可以具体参考上文所述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。