一种基于定位块的轮胎内壁纹理识别方法与流程

本发明属于视频处理与分析技术领域，尤其涉及一种基于定位块的轮胎内壁纹理识别方法。

背景技术：

静态纹理是指包括通常意义上物体表面的固有纹理包含物体表面呈现凹凸不平的沟纹，同时也包括在物体的光滑表面上的彩色图案，在自然界中广泛存在，比如人工艺术品(墙上，火车和地铁表面上的涂鸦和图案、地毯、毛衣，和其他一些精美的工艺品包含格式各样的几何图案)、龟裂缝、轮胎纹路等等。纹理识别则是通过纹理进行特征提取、描述和分析，将不同类别的未知纹理正确地归类到已知的纹理类型，静态纹理识别有着广泛的应用前景，它使我们不仅能够分辨相同型号不同轮胎纹理的不同，分辨不同人的指纹的不同，而且能够分辨各种类型不同花纹和纹理的商品，对商品进行溯源和防伪。因此，静态纹理识别技术的研究具有重要的理论价值和实践意义。

纹理分析方法通常包含：统计法、频谱法、模型法、结构法，然而面对一些问题这类方法单独使用都很难达到很高精度的要求，轮胎没有唯一ID且内壁纹理且相似性大。

技术实现要素：

本发明的目的在于提供一种基于定位块的轮胎内壁纹理识别方法，旨在解决现有单一纹理分析方法精度较低，轮胎没有唯一ID且内壁纹理相似性大的问题。

本发明是这样实现的，一种基于定位块的轮胎内壁纹理识别方法，所述基于定位块的轮胎内壁纹理识别方法是利用摄像头获取640*480图像帧，利用局部均值和方差得到阈值进行图像二值化，接着根据QR码的四个定位块，按黑白框宽比例获取四个黑块中心点坐标，利用透视变换模型将任意角度的四个中心点内的原图像变换成标准固定大小的正视图；通过直方图均衡化对图像进行增强，采用等价模式LBP静态纹理模型得到静态纹理描述；最后用分块方向梯度直方图、哈希值、图像骨架、MISSM、PSNR特征对采样的图像进行纹理特征提取，并与种子库中的特征进行特征相似性匹配，包括卡方距离，相似度，结构相似度等匹配。

进一步，所述对获取图像帧的定位块坐标包括：从视频中随机获取一张清晰帧图像；对获取的图像帧并进行灰度化，以当前像素点为中心，根据当前像素点邻域内的灰度均值与标准方差来动态计算该像素点的阈值进行二值化，对条形码采用相应的编码模式提取ID号，同时对于QR码的四个定位块，对数据进行逐行逐列扫描，根据黑白方块定位符的宽成固定比例获取二维码所有黑、白方块的重心坐标，方法是先从垂直方向检测是否满足定位符的条件，如满足就定出Y轴的中心点坐标值，然后用这个坐标值去再次检测水平方向是否满足定位符条件，如满足就定出X轴的中心点坐标值。至此就找到了黑白方块定位符的中心坐标。从而得到四个定位块的坐标。

进一步，所述变换模型的透视变换公式：[x’,y’,w’]＝[u,v,w][a11a12a13；a21a22a23,a31a32a33]；u，v是原始图片，对应得到变换后的图片坐标x，y，其中x＝x’/w’，y＝y’/w’，[a11a12a13；a21a22a23；a31a32a33]可以拆成4部分，[a11a12；a21a22]表示线性变换，比如scaling，shearing和rotation。[a31a32]用于平移，[a13a23]的转置产生透视变换，对变换后的正视图进行直方图均衡化，就是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。设原始图像在(x，y)处的灰度为f，而改变后的图像为g，则对图像增强的方法可表述为将在(x，y)处的灰度f映射为g。在灰度直方图均衡化处理中对图像的映射函数可定义为:g＝EQ(f)，这个映射函数EQ(f)必须满足两个条件(其中L为图像的灰度级数):1.EQ(f)在0≤f≤L-1范围内是一个单值单增函数。这是为了保证增强处理没有打乱原始图像的灰度排列次序，原图各灰度级在变换后仍保持从黑到白(或从白到黑)的排列。2.对于0≤f≤L-1有0≤g≤L-1，这个条件保证了变换前后灰度值动态范围的一致性。

进一步，所述采样的图像进行纹理识别包括：

库查询及特征二次提取：对纹理样本获取ID号，在库中查询是否有此ID号，若是查询有此ID号，则对该ID的纹理图像进行二次特征提取或者特征降维，即对纹理图片进行分块方向梯度直方图、哈希值、图像骨架、MISSM、PSNR特征对采样的图像进行纹理特征提取，建立这样一种静态纹理模型聚集体；

识别匹配：根据当前待识别的纹理描述，进行特征降维，得到静态特征纹理模型聚集体，将此特征与库中查询到的静态纹理模型聚集体进行特征匹配，主要是与种子库中的特征进行相似性匹配，包括卡方距离，相似度，结构相似度等匹配。对每种特征匹配结果采用加权投标最终判定匹配与否，完成纹理识别。

进一步，对纹理图像进行二次特征提取或者特征降维，采用分块HOG、哈希值、图像骨架、MISSM、PSNR处理，得到静态纹理模型聚集体。HOG特征提取方法就是将一个image(你要检测的目标或者扫描窗口)：

1)灰度化(将图像看做一个x,y,z(灰度)的三维图像)；

2)采用Gamma校正法对输入图像进行颜色空间的标准化(归一化)；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；

3)计算图像每个像素的梯度(包括大小和方向)；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。

4)将图像划分成小cells(例如6*6像素/cell)；

5)统计每个cell的梯度直方图(不同梯度的个数)，即可形成每个cell的descriptor；

6)将每几个cell组成一个block(例如3*3个cell/block)，一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。

7)将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image(你要检测的目标)的HOG特征descriptor。

哈希值：将图片根据需要均分N块缩小到固定8x8的尺寸，总共64个像素。这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。将比较结果组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。

所谓的骨架化(也叫细化)就是经过一层层的剥离，从原来的图中去掉一些点，但仍要保持原来的形状，直到得到图像的骨架。骨架，可以理解为图象的中轴。

PSNR(Peak signal-to-noise ratio)，使用“局部均值误差”来判断差异。

SSIM(structural similarity index)，结构相似性，是一种衡量两幅图像相似度的指标。定两个图像x和y,两张图像的结构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的标准差。c₁＝(K₁L)²，c₂＝(K₂L)²是用来维持稳定的常数，L是像素的动态范围。K₁＝0.01，K₂＝0.03

结构相似性的范围为-1到1。当两张图像一模一样时，SSIM的值等于1。作为结构相似性理论的实现，结构相似度指数从图像组成的角度将结构信息定义为独立于亮度、对比度的，反映场景中物体结构的属性，并将失真建模为亮度、对比度和结构三个不同因素的组合。用均值作为亮度的估计，标准差作为对比度的估计，协方差作为结构相似程度的度量。

进一步，特征匹配，是直方图相似性匹配，距离匹配，结构相似匹配及信噪比匹配。

进一步，采用直方图均衡化，等价模式LBP得到静态纹理图像。

进一步，所述基于定位块的轮胎内壁纹理识别方法包括以下步骤：

步骤一，对获取的清晰视频帧，获取code128条形码ID号，及利用四个正方形定位块获取定位块中心坐标，P1(x1,y1),P2(x2,y2),P3(x3,y3),P4(x4,y4)；

步骤二，利用获取的ID号在库中查询是否有此ID的纹理图种子，若没有，匹配失败，结束步骤，若有此ID，进行步骤三；

步骤三，利用获取的定位块坐标，进行透视变换，将不同视角的图像还原到固定大小的正视图；

透视变换公式：[x’,y’,w’]＝[u,v,w][a11a12a13；a21a22a23,a31a32a33]；

对变换后的正视图进行直方图均衡化，利用等价模式LBP得到稳定较为精确的纹理图；

步骤四，对当前得到的纹理图和库中查询到的纹理图，进行HOG、哈希值、图像骨架、MISSM、PSNR特征提取，最后进行加权求和机制匹配。

本发明提供的基于定位块的轮胎内壁纹理识别方法，通过利用变换方法将不同角度的图像得到标准正视图，及研究静态纹理在时间空间上呈现相同特性，将动态问题变成静态问题，对于静态纹理获取一组静态纹理模型，与库进行匹配识别，从而实现快速纹理匹配，本算法一次匹配时间为二十毫秒左右；采用多类方法结合，利用投票打分效果明显，识别率高达达98％。

附图说明

图1是本发明实施例提供的基于定位块的轮胎内壁纹理识别方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例的基于定位块的轮胎内壁纹理识别方法包括以下步骤：

S101：在轮胎内壁贴上一正方形定位块标签，定位标签包含唯一识别条码；获取通过摄像头采集的正方形定位块内待识别的轮胎内壁图像；

S102：对提取的图片进行二值化处理找到定位块，将不同角度拍摄的图片进行透视变换，具有旋转不变性，还原成标准正视图，将动态问题转化成静态问题；

S103：通过预处理，采用等价模式LBP提取纹理特征，将特征作为种子样本保存下来，将其转化为纹理匹配识别问题，在识别端，将图像进行分块经进行HOG、哈希值、图像骨架、MISSM、PSNR等特征进行加权求和机制匹配。

本发明的具体步骤如下：

步骤1：从视频中随机获取一张清晰帧图像；

步骤2：对获取的图像帧，进行二值化，对采用的编码模式提取ID号，同时获取四个定位块的坐标；

步骤3：通过定位块坐标，利用变换模型可将任意角度的原图像变换成标准的正视图；通过图像增强，得到静态纹理描述；

步骤4：采样的图像进行纹理识别，其具体的实现过程包括以下步骤：

步骤4.1：库查询及特征二次提取：对某个未知的纹理样本按照步骤1和步骤2所述，获取ID号，在库中查询是否有此ID号，若是查询有此ID号，则对该ID的纹理图像进行二次特征提取或者特征降维，建立其对应的静态纹理模型聚集体。

步骤4.2：识别匹配：根据当前待识别的纹理描述，进行特征降维，得到静态特征纹理模型聚集体，将此特征与4.1库中查询到的静态纹理模型聚集体进行特征匹配，采用投票法预测匹配与否，从而完成纹理识别的任务。

作为优先，步骤3中所述的采用静态纹理模型建立其纹理描述，我们采用直方图均衡化，等价模式LBP建立图像的静态纹理模型。

作为优先，步骤4.1所述的对纹理图像进行二次特征提取或者特征降维，采用了分块HOG、哈希值、图像骨架、MISSM、PSNR处理，得到静态纹理模型聚集体。

作为优先，步骤4.2所述的特征匹配，是直方图相似性匹配，距离匹配，结构相似匹配，及信噪比匹配，最后采用投票法预测匹配与否。

下面结合具体实施例对本发明的应用原理作进一步的描述。

首先在轮胎内壁贴上一正方形定位块标签，该定位标签包含唯一识别条码；本发明实施例的基于定位块的轮胎内壁纹理识别方法，包括以下步骤：

步骤1：对获取的清晰视频帧，获取code128条形码ID号，及利用四个正方形定位块获取定位块中心坐标，P1(x1,y1),P2(x2,y2),P3(x3,y3),P4(x4,y4)。

步骤2：利用步骤1获取的ID号在库中查询是否有此ID的纹理图种子，若没有，匹配失败，这结束步骤，若有此ID，这继续下面步骤。

步骤3：利用步骤1获取的定位块坐标，进行透视变换，将不同视角的图像还原到固定大小的正视图；

透视变换公式：[x’,y’,w’]＝[u,v,w][a11a12a13；a21a22a23,a31a32a33]；

对变换后的正视图进行直方图均衡化，利用等价模式LBP得到稳定较为精确的纹理图。

步骤4：对当前得到的纹理图和库中查询到的纹理图，进行HOG、哈希值、图像骨架、MISSM、PSNR等特征提取，最后进行加权求和机制匹配。

本发明实施例的静态纹理模型采用的等价模式LBP模型，这并不是对本发明的限定，事实上，采用静态纹理模型建立其纹理描述，采用了多种描述方法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。