一种车身平滑区域定位方法和设备与流程

本发明涉及图像处理领域，特别涉及一种车身平滑区域定位方法和设备。

技术背景

随着现代社会车辆的广泛使用，越来越多的车辆识别设备被广泛应用于对停车场、城市道路和高速公路等区域抓拍的车辆图像进行识别。目前，车牌识别是车辆识别设备的主要方法，但由于存在车牌污损、车牌识别区域受曝光及背光的影响等因素，使得车辆识别设备无法进一步满足市场更快更准确的识别需求。在这样的市场需求下，通过车辆的车身颜色识别，提供车辆辅助信息与车牌识别信息联合识别车辆的设备随之出现。

现有技术中，车身颜色识别是选取车身的局部能代表整体车身颜色的区域，通过训练局部区域的颜色特征模型，实现通过识别车身上局部区域结果代表整体车身颜色的目的。

经过研究发现，由于车身区域不可避免的会存在一些光照及阴影的现象，如果选取的局部区域中存在光照及阴影，会对局部区域的颜色识别造成很大的影响，可能会使车身颜色识别的结果不准确，从而导致整个车辆识别设备不能正常运行。

然而在现有技术中，对于车身局部区域的选取并没有考虑到光照及阴影现象的存在，使得选取的局部区域颜色并不能代表车身整体区域颜色，造成之后车身颜色识别结果的准确性得不到保证，导致整个车辆识别设备的准确性降低。

技术实现要素：

本发明实施例所要解决的技术问题是，提供一种车身平滑区域定位方法和设备，以在车身区域存在光照及阴影现象的情况下，尽量避免选取的区域受到光照及阴影的影响。

为解决上述技术问题，本发明实施例提供了一种车身平滑区域定位方法，该方法包括：

获取车身区域图像；

对所述车身区域图像进行计算，获取边缘纹理图像和积分图，并计算出每行边缘纹理积分值；

根据所述每行边缘纹理积分值和预先设定的阈值进行第一次聚类，记录第一次聚类每行的类别值；

根据所述第一次聚类每行的类别值进行第二次聚类，记录第二次聚类每个新类别中包含的行数和每行对应的第一次聚类的类别值；

从第二次聚类的新类别中确定出满足平滑条件的区域作为车身平滑区域。

优选的，所述根据每行边缘纹理积分值和预先设定的阈值进行第一次聚类，包括：

将车身区域下边界所属类别赋值为1，则所属类别1中最大值和最小值均为所述车身区域下边界的边缘纹理积分值；

对除下边界外的其余每行由下向上遍历判断本行边缘纹理积分值是否与已找到类别对应的最大值或最小值的绝对差值小于所述阈值；

如果是，则将本行所属类别赋值为已找到类别的类别值，且判断本行边缘纹理积分值是否大于已找到类别对应的最大值或小于已找到类别对应的最小值；若本行边缘纹理积分值大于所述最大值，则将所述最大值赋值为本行边缘纹理积分值，若本行边缘纹理积分值小于所述最小值，则将所述最小值赋值为本行边缘纹理积分值，若本行边缘纹理积分值不大于所述最大值且不小于所述最小值，则不改变已找到类别对应的所述最大值和所述最小值；

如果否，则将本行所属类别赋值为下一类别值，且将所述下一类别的最大值和最小值赋值为本行边缘纹理积分值，并对所有已找到类别重新排序。

优选的，所述根据第一次聚类每行的类别值进行第二次聚类，包括：

将车身区域下边界所属新类别赋值为1，则所属新类别1中最大值和最小值均为所述车身区域下边界对应的第一次聚类类别值；

对除下边界外的其余每行由下向上遍历判断本行对应的第一次聚类类别值是否与上一行所述新类别对应的最大值或最小值的绝对差值小于等于1；

如果是，则将本行所属新类别赋值为上一行新类别的类别值，且判断本行对应的第一次聚类类别值是否大于上一行新类别对应的最大值或小于上一行新类别对应的最小值；若本行对应的第一次聚类类别值大于所述最大值，则将所述最大值赋值为本行对应的第一次聚类类别值，若本行对应的第一次聚类类别值小于所述最小值，则将所述最小值赋值为本行对应的第一次聚类类别值，若本行对应的第一次聚类类别值不大于所述最大值且不小于所述最小值，则不改变上一行新类别对应的所述最大值和所述最小值；

如果否，则将本行所属新类别赋值为下一新类别值，且将下一新类别的最大值和最小值赋值为本行对应的第一次聚类类别值。

优选的，所述确定出满足平滑条件的区域作为车身平滑区域，包括：

判断是否存在满足所述平滑条件的区域；

如果是，选择满足所述平滑条件的区域中对应第一次聚类类别值平均值最小的区域作为所述车身平滑区域；

如果否，则改变所述预先设定的阈值，重复进行所述第一次聚类和第二次聚类的运算，直到判断出存在满足所述平滑条件的区域并选择出所述车身平滑区域。

优选的，所述平滑条件具体为：

第二次聚类新类别中包含的边缘纹理行数大于等于规定行数且对应最大第一次聚类的类别值小于设定类别值。

优选的，所述对车身区域图像进行计算，获取边缘纹理图像和积分图，并计算出每行边缘纹理积分值，包括：

对车身区域进行卷积计算获取边缘纹理图像和对所述边缘纹理图像计算获取积分图，并根据所述边缘纹理图像和积分图计算出每行边缘纹理积分值。

此外，本发明实施例提供了一种车身平滑区域定位设备，该设备包括：

获取模块，用于获取车身区域图像；

计算模块，用于对车身区域图像进行计算，获取边缘纹理图像和积分图，并计算出每行边缘纹理积分值；

第一聚类模块，用于根据每行边缘纹理积分值和预先设定的阈值进行第一次聚类，记录第一次聚类每行的类别值；

第二聚类模块，用于根据第一次聚类每行的类别值进行第二次聚类，记录第二次聚类每个新类别中包含的行数和每行对应的第一次聚类的类别值；

确定模块，用于从第二次聚类的新类别中确定出满足平滑条件的区域作为车身平滑区域。

优选的，所述第一聚类模块，包括：

阈值设定模块，用于设定第一次聚类的阈值；

第一赋值模块，用于将车身区域下边界所属类别赋值为1，则所属类别1中最大值和最小值均赋值为所述车身区域下边界的边缘纹理积分值；

第一判断模块，用于对除下边界外的其余每行由下向上遍历判断本行边缘纹理积分值是否与已找到类别对应的最大值或最小值的绝对差值小于所述阈值；如果是，继续判断本行边缘纹理积分值是否大于已找到类别对应的最大值或小于已找到类别对应的最小值，向第二赋值模块发送信号；如果否，向第三赋值模块发送信号；

第二赋值模块，用于响应第一判断模块发送的信号，将本行所属类别赋值为已找到类别的类别值，更新已找到类别对应的所述最大值和所述最小值；

第三赋值模块，用于响应第一判断模块发送的信号，将本行所属类别赋值为下一类别值，且将所述下一类别的最大值和最小值赋值为本行边缘纹理积分值，并对所有已找到类别重新排序；

第一记录模块,用于记录遍历结束后每行对应的类别。

优选的，所述第二聚类模块，包括：

第四赋值模块，用于将车身区域下边界所属新类别赋值为1，则所属新类别1中最大值和最小值均为所述车身区域下边界对应的第一次聚类类别值；

第二判断模块，用于对除下边界外的其余每行由下向上遍历判断本行对应的第一次聚类类别值是否与上一行所述新类别对应的最大值或最小值的绝对差值小于等于1；如果是，继续判断本行对应的第一次聚类类别值是否大于上一行新类别对应的最大值或小于上一行新类别对应的最小值，向第五赋值模块发送信号；如果否，向第六赋值模块发送信号；

第五赋值模块，用于响应第四判断模块发送的信号，将本行所属新类别赋值为上一行新类别的新类别值，更新上一行新类别对应的所述最大值和所述最小值；

第六赋值模块，用于响应第二判断模块发送的信号，将本行所属新类别赋值为下一新类别值，且将所述下一新类别的最大值和最小值赋值为本行对应的第一次聚类类别值；

第二记录模块，用于记录遍历结束后第二次聚类每个新类别中包含的行数和每行对应的第一次聚类的类别值。

优选的，所述确定模块，包括：

第三判断模块，用于判断是否存在满足第二次聚类新类别中包含的边缘纹理行数大于等于规定行数且对应最大第一次聚类的类别值小于设定类别值的区域；如果是，向选择模块发送信号；如果否，向第一聚类模块发送信号；

选择模块，用于选择所述满足第二次聚类新类别中包含的边缘纹理行数大于等于规定行数且对应最大第一次聚类的类别值小于设定类别值的区域中对应第一次聚类的类别值平均值最小的区域作为所述车身平滑区域。

本发明所提供的一种车身平滑区域定位方法和设备，包括获取车身区域图像；对所述车身区域图像进行计算，获取边缘纹理图像和积分图，并计算出每行边缘纹理积分值；根据所述每行边缘纹理积分值和预先设定的阈值进行第一次聚类，记录第一次聚类每行的类别值；根据所述第一次聚类每行的类别值进行第二次聚类，记录第二次聚类每个新类别中包含的行数和每行对应的第一次聚类的类别值；从第二次聚类的新类别中确定出满足平滑条件的区域作为车身平滑区域。

可见，本发明通过对所述车身区域图像的处理将光照及投影的现象在每行边缘纹理积分值的中体现了出来，通过两次聚类的策略，实现快速准确的定位车身最平滑的区域即车身受光照和投影影响最小的区域。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种车身平滑区域定位方法的流程图；

图2为本发明实施例提供的一种车身平滑区域定位方法中第一次聚类的流程图；

图3为本发明实施例提供的一种车身平滑区域定位方法中第二次聚类的流程图；

图4为本发明实施例提供的一种车身平滑区域定位设备的结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参考图1，图1为本发明实施例提供的一种车身平滑区域定位方法的流程图。该方法可以包括：

步骤101：获取车身区域图像。

其中，所述车身区域图像为车身区域灰度图像。

具体实施中，可以从车辆YUV图像中提取出Y分量图像，也就是灰度图像，通过车牌定位的方法对车牌坐标进行定位，从而依据车牌坐标，获取待检测的车身区域。例如：以车牌上边界宽度为宽，以车牌上边界6倍车牌高度为长，就可以获取待检测车身区域的矩形区域坐标。

当然，获取车身区域图像的方法有很多，本实施例中的方法只是其中一种优选方法，通过其他方法也可以达到本发明实施例的目的，本发明实施例对此不受任何限制。

步骤102：对所述车身区域图像进行计算，获取边缘纹理图像和积分图，并计算出每行边缘纹理积分值。

其中，本步骤的目的是为了将车身区域图像内的光照及投影的现象以每行边缘纹理积分值的形式数字化的表现出来。

具体实施中，可以对车身区域图像使用的卷积核以步伐1进行卷积运算，获取边缘纹理图像；为了避免一个区域的边缘纹理积分值累加重复计算，采用积分图思想，积分图上的每个点(x,y)包含了从点(0,0)到点(x,y)所有的像素的边缘纹理积分值。若M(x,y)表示边缘纹理图，O(x,y)表示积分图，则O(x,y)＝∑_{x'≤x,y'≤y}M(x',y')根据积分图，获取每行的边缘纹理积分值R(n)＝O(x_n,y_n)-O(0,y_n-1)。

步骤103：根据所述每行边缘纹理积分值和预先设定的阈值进行第一次聚类，记录第一次聚类每行的类别值。

可以理解，由于每行边缘纹理积分值相差数值较大，可能每行边缘纹理积分值的数值差很大的情况下仍为相似边缘纹理属于一个类别，因此本步骤目的是为了将每行的边缘纹理积分值替换为第一次聚类每行的类别值，便于对车身区域内的平滑区域的判断。

具体实施中，步骤103可以进一步包括：

步骤1031：迭代次数N加1，阈值thresh＝10+20*N。

其中，迭代次数N初始值可以为0，本实施例对阈值thresh的设定只是一种优选设定方式，即阈值的设定以及修改方式都可以由用户根据实际情况进行设置。采用其他方式的设定同样能够达到本范明实施例的目的，本发明实施例对此不受任何限制。

步骤1032：将每行边缘纹理积分值相隔阈值thresh大小聚为一类，并记录每行的类别值。

本步骤是本发明实施例的第一次聚类，将相似的边缘纹理积分值聚为一类，可以采用冒泡排序的方式，小的边缘纹理积分值对应的类别小。也可以采用其他比较形式，只要可以实现全面比较，将相似的边缘纹理积分值聚为一类即可。

步骤104：根据所述第一次聚类每行的类别值进行第二次聚类，记录第二次聚类每个新类别中包含的行数和每行对应的第一次聚类的类别值。

其中，第二次聚类的各个新类别代表着车身各个区域，本步骤的目的是通过第二次聚类，将相邻行第一次聚类的类别值差异较小的聚为一类，方便对车身区域内边缘纹理积分值小的车身光滑区域寻找。

步骤105：从第二次聚类的新类别中确定出满足平滑条件的区域作为车身平滑区域。

其中，平滑条件是根据用户或专业规定使用的判断区域平滑的标准，包括两次聚类后，第二次聚类新类别中包含的边缘纹理行数大于等于规定行数且对应最大第一次聚类的类别值小于设定类别值。相应的这里的规定行数以及设定类别值都可以根据实际情况进行选择，这里数值设定不同会对结果范围有一定的影响，数值选择越准确，结果更精确。例如本实施例中使用的平滑条件可以为：第二次聚类新类别中包含的边缘纹理行数大于等于5且对应最大第一次聚类的类别值小于15。

具体实施中，步骤105可以进一步包括：

步骤1051：判断是否存在满足第二次聚类新类别中包含的边缘纹理行数大于等于5且对应最大第一次聚类的类别值小于15的区域；如果是，进入步骤1502；如果否，进入步骤1301。

本步骤是为了判断车身区域使用当前阈值是否存在车身平滑区域，存在则进行接下来的步骤，不存在则调整阈值，重复进行上述两次聚类，直至判断出存在车身平滑区域。

步骤1052：选择满足第二次聚类新类别中包含的边缘纹理行数大于等于5且对应最大第一次聚类的类别值小于15的区域中对应第一次聚类类别值平均值最小的区域作为所述车身平滑区域。

本步骤目的是为了从满足平滑条件的区域中，选取最平滑的区域作为车身平滑区域。

可以理解的是，选取对应第一次聚类类别值平均值最小的区域作为所述车身平滑区域，只是确定车身平滑区域的一种优选方式，在满足用户要求或规定的情况下，也可以选取多块对应第一次聚类类别值平均值较小的区域作为所述车身平滑区域，例如：选取对应第一次聚类类别值平均值最小和次小的区域作为所述车身平滑区域；或者可以在满足平滑条件的区域中，随机选取一块或几块区域作为所述车身平滑区域。

需要说明的是，本发明实施例中是选取对应第一次聚类类别值平均值最小的区域作为所述车身平滑区域，还可以选取对应第一次聚类最大类别值最小的区域作为所述车身平滑区域。

参考图2，图2为图1中第一次聚类的流程图，也就是步骤103或步骤1032中聚类的具体流程，包括：

步骤201：以车牌上边界为起始行，遍历车牌上边界每行j。

其中，所述车牌上边界也就是本实施例中车身区域的下边界为起始行，则此行j的值为1。本步骤是为了确定第一次聚类的起始行，确保对车身区域内的所有行都会遍历进行本次聚类。

本实施例中是以车身区域下边界为起始行，对车身区域内所有行进行遍历，还可以将起始行确定为其他边界或中间行，只要能够对车身区域内所有行进行遍历，起始行的选取并不影响实现本实施例的目的。遍历过程中的赋值可以从1是便于后续排序进行比较，当然若用户能够大致预测第一次聚类后的类别也可以按照从大到小的顺序进行比较排序，也可以从2或者其他指定数值开始。这里要强调的是本实施例中重要的这种遍历聚类的思想，具体赋值情况仅仅关系到后续判定条件的设定。

步骤202：该行j是否等于1；如果是，进入步骤203，如果否，进入步骤204。

本步骤目的是为了确定本次聚类从起始行开始聚类，以便接下来对起始行类别的赋值。

步骤203：该行所属的类别赋值为1；该类别的最大值和最小值等于该行积分值；进入步骤201。

本步骤中所述类别的最大值和最小值为接下来对其余每行对应类别赋值的比较条件。

步骤204：该行积分值与已找到类别的最大值或最小值的绝对值差是否小于阈值thresh；如果否，进入步骤205；如果是，进入步骤206。

其中，该行与已找到的类别进行比较判断，可以按照已找到类别由小到大的顺序依次进行，直至判断出结果。本步骤是在对进行聚类的行进行分类，通过该行积分值判断该行是否可以赋值为已找到的类别。

步骤205：该行赋值新的类别值，该新的类别的最大值和最小值等于该行积分值，对所有已找到类别重新排序；进入步骤209。

其中，所述新的类别值可以为已有最大类别值的再加1的新的类别值。所述对所有已找到类别重新排序可以采用冒泡排序的方式，比较类别中的最大值或最小值，将所有已找到的类别按由小到大的顺序排列，并对排列后相邻类别大类别中的最小值和小类别中的最大值进行比较，如果绝对值差小于阈值thresh，可以将这两个类别合成一个类别；比较结束后，将所有类别按由小到大从1开始重新赋值。

步骤206：该行积分值是否比该类别中的最大值大或最小值小；如果否，进入步骤207；如果是，进入步骤208。

可以理解，所述该类别为已找到类别中该行在步骤204中判断结果为是的类别。本步骤的目的是判断该类别中的最大值或最小值是否需要更新。

步骤207：该行赋值为该类别值；进入步骤209。

步骤208：该行赋值为该类别值，更新该类别中的最大值或最小值。

其中，所述更新该类别中的最大值或最小值具体可以为：如果该行积分值比该类别中的最大值大，则将该类别中的最大值更新为该行积分值；如果该行积分值比该类别中最小值小，则将该类别中的最小值更新为该行积分值。

步骤209：遍历是否结束；如果是，则结束；如果否，则进入步骤201。

本发明实施中的第一次聚类是为了将相似的边缘纹理积分值聚为一类，从而可以将每行的边缘纹理积分值替换为该行的类别值，进行下一次聚类。

参考图3，图3为图1中第二次聚类的流程图，也就是步骤104中聚类的具体流程，包括：

步骤301：以车牌上边界为起始行，遍历车牌上边界每行j。

步骤302：该行j是否等于1；如果是，进入步骤303，如果否，进入步骤304。

以上两个步骤的内容和目的与步骤201和202类似，在此不再赘述。

步骤303：该行所属的新类别赋值为1；该新类别的最大值和最小值等于该行第一次聚类对应的类别值；进入步骤301。

本步骤中所述新类别的最大值和最小值为接下来对其余每行对应新类别赋值的比较条件。

步骤304：该行第一次聚类对应的类别值与上一行对应新类别中的最大值或最小值的绝对值差是否小于等于1；如果否，则进入步骤305；如果是，则进入步骤306。

可以理解，本步骤是通过该行第一次聚类对应的类别值与上一行归属的新类别中的最大值或最小值进行比较，判断相邻行是否可以归属同一个新类别。因此这里是通过绝对值差是否小于等于1来判定是否可以归为一类，根据实际对于结果精度的不同需求，这里的1可以设置为其他值。

步骤305：该行赋值新的新类别值，该新的新类别的最大值和最小值等于该行第一次聚类对应的类别值。

其中，所述新的新类别值为上一行对应的新类别值的再加1的新的新类别值。

步骤306：该行第一次聚类对应的类别值是否比该新类别中的最大值大或最小值小；如果否，进入步骤307；如果是，进入步骤308。

可以理解，所述该新类别为上一行对应的新类别。本步骤的目的是判断该新类别中的最大值或最小值是否需要更新。

步骤307：该行赋值为该新类别值；进入步骤309。

步骤308：该行赋值为该新类别值，更新该新类别中的最大值或最小值。

其中，所述更新该新类别中的最大值或最小值具体为：如果该行积分值比该新类别中的最大值大，则将该新类别中的最大值更新为该行积分值；如果该行积分值比该新类别中最小值小，则将该新类别中的最小值更新为该行积分值。

步骤309：遍历是否结束；如果是，则结束；如果否，则进入步骤301。

本发明实施中的第二次聚类是将相邻行第一次聚类的类别值差异较小的聚为一类，方便对车身区域内边缘纹理积分值小的车身光滑区域寻找。

需要说明的是，本实施例中出现的“本行”和“该行”均为两次聚类过程中，正在进行判断或赋值的行。

可以理解的是，本发明实施中第一次聚类的类别或第二次聚类的新类别包含了车身区域内的各行，而第一次聚类的类别值或第二次聚类的新类别值只是便于标记区分第一次聚类的类别或第二次聚类的新类别的数值。本实施例中类别值或新类别值都是从1开始排序的自然数。

也就是说，车身区域内的每行除了记录有原本的边缘纹理积分值，还记录了每行第一次聚类对应的类别值和每行第二次聚类对应的新类别值。

本发明实施例通过对所述车身区域图像的处理将光照及投影的现象在每行边缘纹理积分值的中体现了出来。通过第一次聚类将相似的边缘纹理积分值聚为一类，从而将每行的边缘纹理积分值替换为该行的类别值，又通过对相邻行类别值差异进行第二次聚类，选取第二次聚类的新类别中最符合平滑条件的作为车身平滑区域。实现快速准确的定位车身最平滑的区域即车身受光照和投影影响最小的区域。

参考图4，图4为本发明实施例提供的一种车身平滑区域定位设备的结构图。在本实施例中，所述设备具体可以包括：

获取模块401，用于获取车身区域图像；

计算模块402，用于对车身区域图像进行计算，获取边缘纹理图像和积分图，并计算出每行边缘纹理积分值；

第一聚类模块403，用于根据每行边缘纹理积分值和预先设定的阈值进行第一次聚类，记录第一次聚类每行的类别值；

第二聚类模块404，用于根据第一次聚类每行的类别值进行第二次聚类，记录第二次聚类每个新类别中包含的行数和每行对应的第一次聚类的类别值；

确定模块405，用于从第二次聚类的新类别中确定出满足平滑条件的区域作为车身平滑区域。

优选的，所述第一聚类模块403，包括：

阈值设定模块，用于设定第一次聚类的阈值；

第一赋值模块，用于将车身区域下边界所属类别赋值为1，则所属类别1中最大值和最小值均赋值为所述车身区域下边界的边缘纹理积分值；

第一判断模块，用于对除下边界外的其余每行由下向上遍历判断本行边缘纹理积分值是否与已找到类别对应的最大值或最小值的绝对差值小于所述阈值；如果是，继续判断本行边缘纹理积分值是否大于已找到类别对应的最大值或小于已找到类别对应的最小值，向第二赋值模块发送信号；如果否，向第三赋值模块发送信号；

第二赋值模块，用于响应第一判断模块发送的信号，将本行所属类别赋值为已找到类别的类别值，更新已找到类别对应的所述最大值和所述最小值；

第三赋值模块，用于响应第一判断模块发送的信号，将本行所属类别赋值为下一类别值，且将所述下一类别的最大值和最小值赋值为本行边缘纹理积分值，并对所有已找到类别重新排序；

第一记录模块,用于记录遍历结束后每行对应的类别。

优选的，所述第二聚类模块404，包括：

第四赋值模块，用于将车身区域下边界所属新类别赋值为1，则所属新类别1中最大值和最小值均为所述车身区域下边界对应的第一次聚类类别值；

第二判断模块，用于对除下边界外的其余每行由下向上遍历判断本行对应的第一次聚类类别值是否与上一行所述新类别对应的最大值或最小值的绝对差值小于等于1；如果是，继续判断本行对应的第一次聚类类别值是否大于上一行新类别对应的最大值或小于上一行新类别对应的最小值，向第五赋值模块发送信号；如果否，向第六赋值模块发送信号；

第五赋值模块，用于响应第四判断模块发送的信号，将本行所属新类别赋值为上一行新类别的新类别值，更新上一行新类别对应的所述最大值和所述最小值；

第六赋值模块，用于响应第二判断模块发送的信号，将本行所属新类别赋值为下一新类别值，且将所述下一新类别的最大值和最小值赋值为本行对应的第一次聚类类别值；

第二记录模块，用于记录遍历结束后第二次聚类每个新类别中包含的行数和每行对应的第一次聚类的类别值。

优选的，所述确定模块405，包括：

第三判断模块，用于判断是否存在满足第二次聚类新类别中包含的边缘纹理行数大于等于规定行数且对应最大第一次聚类的类别值小于设定类别值的区域；如果是，向选择模块发送信号；如果否，向第一聚类模块发送信号；

选择模块，用于选择所述满足第二次聚类新类别中包含的边缘纹理行数大于等于规定行数且对应最大第一次聚类的类别值小于设定类别值的区域中对应第一次聚类的类别值平均值最小的区域作为所述车身平滑区域。

本实施通过计算模块402对所述车身区域图像的处理将光照及投影的现象在每行边缘纹理积分值的中体现了出来。通过第一次聚类模块403将相似的边缘纹理积分值聚为一类，从而将每行的边缘纹理积分值替换为该行的类别值，又通过第二次聚类模块404对相邻行类别值差异进行聚类，最后确定模块405选取聚类的新类别中最符合平滑条件的作为车身平滑区域。实现快速准确的定位车身最平滑的区域即车身受光照和投影影响最小的区域。

需要说明的是，本说明书中的实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于设备类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本申请所提供的车身平滑区域定位方法和设备进行了详细介绍，本文中应用了具体实施例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。