一种利用四轴飞行器判别车辆方位的方法
【技术领域】
[0001] 本发明属于计算机视觉与模式分析技术领域，具体涉及一种利用四轴飞行器判别 车辆方位的方法。
【背景技术】
[0002] 随着城市的快速发展，城市交通日益发达，人们拥有的私家车数量也逐渐增加。截 至2012年年底，上海注册的机动车保有量已经突破262万辆，其中私家车高达140万辆，而 2013年上海私家车的保有量增幅更达到了 15%左右，比去年增加22万辆，这使得交通形势 更为严峻。随之而来的是车辆管理难度的加大。通过对一些人流量较大的地段观察，有些 车停放在公共场所门口，有些车停在行车道上。这些车辆严重影响了交通道路的畅通，甚至 可能引发交通事故。由于这种现象的分散不定，停车管理和违章检测等需要耗费较大的人 力和时间成本。而我国目前车辆管理工作主要由大量交警人力完成，不仅不能保证及时性 也耗费了大量人力资源，基于无人机的车辆管理就可以高效完成这项任务。管理中必不可 少的步骤就是对车牌信息的记录，而无人机拍摄车牌的关键在于它能否准确的判断自身与 车辆的相对位置并对准车牌。
[0003] 车辆方位检测在车辆识别，车辆自动导航和智能交通系统等领域都有着重要的应 用。传统的基于图像序列的车辆方位检测通过块匹配方法计算相邻帧车辆的相关性来估测 车辆的方位。然而这种方法是针对固定摄像头和运动车辆的场景，与我们车辆静止无人机 运动的场景不符。我们需要的是从单张图片识别车辆方位的方法。文献[1]通过训练基于 HOG特征的二分类器决策树识别车辆的方位，但是只能识别固定的8个方位。文献[2]在 聚类的框架下基于颜色和边缘特征对车辆的方位进行了识别，但是也不能得到连续的方位 角。
[0004] 为了更准确的控制无人机的飞行状态，需要找到一种车辆方位识别算法来得到车 辆的方位角信息。
[0005] 参考文献
[1] Rybski P E，Huber D，Morris D D，et al. Visual classification of coarse vehicle orientation using Histogram of Oriented Gradients features[C]// Intelligent Vehicles Symposium (IV)， 2010 IEEEIEEE， 2010:921-928.
[2] Wu J Cj Hsieh J Wj Chen Y S，et al. Vehicle Orientation Detection Using Vehicle Color and Normalized Cut Clustering. [J]. Vehicle Orientation Detection Using Vehicle Color and Normalized Cut Clustering. - ResearchGatej2007:457-460.
[3] Dalai N， Triggs B. Histograms of oriented gradients for human detection[C]// Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference onIEEE, 2005:886-893 vol. I.
[4] Burges C J C. A tutorial on support vector machines for pattern recognition[C]// Data Mining and Knowledge Discoveryl998:121-167. 〇
【发明内容】
[0006] 本发明的目的在于提出一种利用四轴飞行器判别车辆方位的方法。
[0007] 本发明提出的利用四轴飞行器判别车辆方位的方法，关键在于如何有效的检测到 车辆、得到车辆的方位角并对无人机的行为做出指导。本发明方法的具体步骤为： 步骤1、对无人机拍摄到的视频数据进行车辆识别； 步骤2、对识别到的车辆，检测其车轮轮廓形状； 步骤3、以步骤2的结果为根据，根据两个车轮的相对位置，判断车辆与飞行器的相对 方位，为飞行器自主对准车牌提供控制信息。
[0008] 下面对以上三个步骤进行具体描述。
[0009] 步骤1、对无人机拍摄到的视频数据进行车辆识别 车辆识别采用基于HOG特征[3]的SVM [4]分类算法实现。主要分为HOG特征提取、SVM 训练和SVM检测几个步骤，具体介绍如下： (I)HOG特征提取 HOG是通过计算和统计图像局部区域的梯度方向直方图来构成特征的。在特征提取过 程中将目标图像看成一个窗口（Window)，又将一个窗口分成若干个块（Block)，而每一个 块包含4个细胞单元（Cell)。对每一个细胞单元中的像素点，计算得到梯度的模和角度，并 对此细胞单元进行直方图统计，得到一个9维向量。把一个块的特征向量联起来得到36维 的特征向量，用块对窗口进行扫描，扫描步长为一个细胞单元。最后将所有块的特征串联起 来，就得到了目标的特征。
[0010] (2) SVM 训练 SVM训练的过程主要包括准备训练样本集(包括证样本和负样本)、提取所有正负样本 的HOG特征、为正负样本赋予标签(正样本标记为1，负样本标记为0)、用线性SVM进行训练 得到分类器并将其保存为文本文件。由于要在各个方向对车辆进行识别，所以训练了两个 分类器，分别用于识别车辆的正背面及侧面。
[0011] (3) SVM 检测 为了让飞行器在与车辆的一定距离内都能检测到车辆，采用了多尺度的检测方法。首 先对原始输入图片进行HOG特征提取，并用（2)中训练好的分类器进行车辆检测。若未能 检测到车辆，则对输入图片进行一定尺度的缩放再次检测，直到检测到车辆或者输入图片 大小比窗口小为止。在检测过程中，首先用检测车辆正背面的分类器进行检测，若识别到车 辆，则可以判断飞行器可以拍摄到车牌，不需进行车辆方位检测。若没有识别到车辆，则继 续使用检测车辆侧面的分类器进行检测，若识别到车辆的侧面，则将识别到车辆的矩形窗 口作为感兴趣区域，进行车辆方位检测。
[0012] 步骤2、对识别到的车辆，检测其车轮轮廓形状 车轮轮廓检测主要过程为图片边缘检测，椭圆轮廓拟合，车轮轮廓筛选几个步骤。
[0013] (1)图片边缘检测 只有灰度图片才可以进行边缘提取，但是直接度灰度图片进行边缘提取由于光照，阴 影等的影响，可能会使车轮轮廓残缺或丢失，所以为了更好的保留和突出车轮的边缘，针对 车胎为黑色的特点在HSV色彩模型下对感兴趣区域进行了二值化。通过在HSV色彩模型下 对H通道进行检测，求得图片H通道的值为h，将h < 60区域的灰度置为0,其他区域置为 255。通过该方法得到的图片能够将轮胎灰度置为0,轮毂灰度置为255,有效突出轮毂轮 廓。
[0014] (2)椭圆轮廓拟合 通过最小二乘拟合方法将检测到的边缘拟合成椭圆，但是由于图片中会检测到很多边 缘，所以拟合到的椭圆不只有车轮的轮廓，要经过进一步筛选。
[0015] (3)车轮轮廓筛选 主要通过面积，位置和颜色三个特征对拟合到的椭圆进行筛选，最终得到代表车轮轮 廓的两个椭圆。首先是面积满足下式时才判别为车轮： S./255 ^ Sw^ S ,/25 其中感兴趣区域面积为S1，椭圆轮廓的外接矩形面积为sw。
[0016] 其次是位置，代表车轮的椭圆的中心坐标应该位于感兴趣区域的下端，建立高斯 模型：
其中μ为感兴趣区域的归一化底边纵坐标，y为归一化椭圆中心的纵坐标，并令 〇