专利名称：一种视频图像的出租车实时识别方法
技术领域：
本发明涉及基于视频图像的车辆识别方法领域，尤其涉及一种视频图像的出租车实时识别方法。
背景技术：
目前智能交通系统中对交通监控系统的鲁棒性和可靠性的要求越来越高，由于基于地感线圈、超声波和雷达等传感器的车辆检测方法无法识别车辆类型，因此基于视频图像的车辆检测和识别技术成为交通监控中的一项重要研究课题，它在计算机视觉导航，交通监视领域有着重要的实用价值，为城市复杂交通网络的智能化和科学化管理提供自动化和科学的支持。目前，基于视频图像的车辆识别方法主要有HAAR-LIKE矩形特征算法、边缘检测法以及基于梯度方向直方图[2] (Histogram of Oriented Gradient,简称HOG)等方法，以下对于上述三种识别算法进行简要描述一、HAAR-LIKE矩形特征算法最早的HAAR-LIKE矩形特征库是Papageorgrou C.等提出，Viola P.等的快速人脸识别系统采用了 3种类型5种形式的矩形特征，分别为2矩形特征、3矩形特征和4矩形特征。其特征值的定义为黑色矩形内所有像素值的和减去白色矩形内所有像素值的和。L ienhart R.等对HAAR-LIKE矩形特征库作了进一步扩展,加入旋转45度角的矩形特征。扩展后的特征大致分为4种类型边缘特征、线特征环、中心环绕特征和对角线特征。如图I所示。用HAAR-LIKE矩形特征来表述车辆，是因为这种特征表示的形式简单，计算速度快，形式多样，这些矩形特征可派生出丰富的矩形特征。二、边缘检测法边缘检测方法是在不同的光线条件下利用车体的不同部件、颜色等提供的边缘信息有效的提取车辆的边缘，从而进行静止和运动车辆的检测。相对于背景消减法，由于车辆的表面、形状及颜色不同，边缘检测法所能提供的信息相当显著。即便车辆与路面的颜色相同，因为车辆要比地面反射更多的光线所以车辆仍能被检测出来。三、基于梯度方向直方图(Histogram of Oriented Gradient,简称HOG)算法HOG算法最重要的思想是在一副图像中，局部目标的表象和形状(appearanceand shape)能够被梯度或边缘的方向密度分布很好地描述。具体的实现方法是首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。为了提高性能，我们还可以把这些局部直方图在图像的更大的范围内(我们把它叫区间或block)进行对比度归一化(contrast-normalized),所采用的方法是先计算各直方图在这个区间(block)中的密度，然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后，能对光照变化和阴影获得更好的效果。以上所描述的这些技术均已比较成熟，然后在其实际的应用中往往鲁棒性和可靠上面临着诸多挑战.主要表现为(I)车载摄像头实时拍行驶辆，使得拍摄到的物体尺寸和形态是不断变化，并且经常会发生车辆重叠现象；(2)车辆外观多种多样，包括形状、颜色和尺寸等的多样化，在不同的视角和光照下，车辆外观存在很大区别；(3)不同的天气状况引起的光照条件、阴天与雨雪等对视觉系统有很大影响；引起的光照条件、阴天与雨雪等对视觉系统有很大影响；(4)复杂的外界环境如景物阴影、难以预测交通流干扰和混乱背复杂的外界环境等的影响，所有这些都是难以控制和预测。而且，现有技术中基于视频图像的车辆检测和识别技术主要集中在车牌识别和车型粗分类(将检测到的车辆分类为小型车、中型车和大型车等)。由于出租车占道路车流组成中的30%，实时识别车辆是否是出租车在交通监控具有重要的意义，而目前尚无一种专门用于分辨机动车是否为出租车的识别技术。
发明内容
本发明的目的是针对现有技术的空白，提出一种视频图像的出租车实时识别方法，经过严格的实验证明，该出租车识别方法具有较高的判断准确率与鲁棒性。为了达到上述发明目的，本发明提出的一种视频图像的出租车实时识别方法是通过以下技术方案实现的一种视频图像的出租车实时识别方法，其特征在于包括如下步骤a、构建样本库，包括含有出租车辆的正样本以及含有其它机动车辆的负样本；并基于所述正样本中所出现出租车的车身主色种类，设定出租车用颜色类别集，并确定所述类别集中各颜色类别的颜色参数边界；b、获取所述样本的判断窗口，并将所述判断窗口图像尺寸归一化；提取归一化处理后的判断窗口内的各颜色类别的面积，确定各颜色类别的面积门限；以及，提取所述判断窗口的HOG特征，并利用此HOG特征训练支持向量机分类器；C、跟踪所输入的视频帧内的待识别车辆，将跟踪成功后的首个图像帧的跟踪窗口尺寸归一化；d、提取归一化处理后的跟踪窗口中各颜色种类的面积，并将所述面积与对应的面积门限进行比对，若该跟踪窗口中至少一个颜色种类的面积大于面积门限，则进入下一步骤；否则，仅继续跟踪；e、将所述首个图像帧中通过面积比对的跟踪窗口分别向上、下两个方向移动y个像素点，获得二个子窗口，以及向左、两个方向移动X个像素点，获得另二个子窗口 ；将所获得的四个子窗口尺寸归一化，将归一化处理后的四个子窗口和跟踪窗口输入所述支持向量机分类器获得五个识别结果，对这五个识别结果进行投票统计，票数多者取胜，由此获得空间域修正识别结果；所述的X、y均为正整数。该识别方法还包括时间域修正步骤由所述首个图像帧起，对一段时间内的连续视频帧中采样获得η个关键帧，并分别对所述关键帧执行步骤e，以获得多个空间域修正识别结果，将基于这些关键帧和首个图像帧做出的空间域修正识别结果进行投票统计，票数多者取胜，由此获得时间域修正识别结果，其中η为大于2的自然数。所述关键帧是以固定时间间隔在所述一段时间内的连续视频帧选取的。所述η为4，所述固定时间间隔取决于对任一所述关键帧执行步骤e的时间。该识别方法还包括如下步骤周期性的对所述连续视频帧执行所述步骤d、步骤e以及所述时间域修正步骤，以获得基于同一跟踪窗口的多个时间域修正识别结果，并在每获得一个时间域修正识别结果之后，对于之前基于同一跟踪窗口做出的识别结果进行修正。所述样本的判断窗口、所述子窗口和所述跟踪窗口均被归一化为横向a个像素点、纵向b个像素点，所述a、b均为大于10的自然数；且所述X取值范围为O. la-0. 2a，所述I取值范围为O. lb-0. 2b。所述颜色参数边界包括在HSV颜色空间中。所述样本库中的样本为监控摄像机所采集的车辆图像。所述监控摄像机选自其内出租车具有相同规范的地区。与现有技术相比，本发明一种视频图像的出租车实时识别方法通过HSV颜色空间分析出租车特有的车身颜色，对车辆进行第一次粗分，可有效的大量的排除其他颜色的私家车辆，增加出租车识别的有效性，实时性；通过提取车辆的方向梯度直方图(HOG)特征，作为支持向量机(SVM)分类检测的输入，进行出租车的第二次细分。通过多窗口投票机制，增强了算法的准确性与鲁棒性。经过严格的实验证明，该出租车识别方法能够提高判断的准确率，具有较高的判断准确率与鲁棒性。
通过下面结合附图对其示例性实施例进行的描述，本发明上述特征和优点将会变得更加清楚和容易理解。图I为HAAR-LIKE矩形特征算法各特征示意图；图2为本发明实施例流程示意图；图3为本发明实施例HOG算法流程示意图；图4为本发明实施例颜色识别机制的原理示意图；图5为本发明实施例多窗口投票机制的原理示意图。
具体实施例方式下面结合附图对本发明作进一步详细说明，以便于同行业技术人员的理解相对于其它机动车来说，出租车具有以下显著特点特点一、顶灯。出租车的顶灯为区别于其他车辆的明显标志。对车身的轮廓特征有明显的改变。特点二、车型。出租车为小轿车车型，在外形轮廓方面明显区别于中大型的车辆。特点三、颜色。为体现出租车和私家车之间的显著区别，便于市民分辨，每个地区往往还对出租车车身颜色有明确的限定，因此出租车和私家车在颜色上具有显著的区别。如北京，出租车都是双色车，并且在颜色设定上将我国古老的五行文化寓意其中。其内运营的所有的出租车不论是什么颜色，车的中部都有一道黄色的颜色带，意为五行中土居中，颜色中黄色为尊，而其它搭配颜色则由出租车公司从绿、红、蓝、紫、白、赤颜色中选择，并且不得复选。又如上海，对于出租车颜色则规定超过2000辆以上车辆的企业可以自行选择颜色，经过统计上海出租车的颜色共有9种不同的颜色。这些颜色被称为企业色，私家车用颜色具有显著的区别。参见图2-4，本实施例提供的一种视频图像的出租车实时识别方法，该出租车识别方法的实现正是依靠出租车相对于其他车辆所具有显著的特征。针对上述的特征，该出租车识别方法首先分析车辆车身颜色，对车辆进行第一次粗分，之后将通过颜色验证的图像使用HOG算法提取车辆轮廓信息,并以支持向量机(Support Vector Machine、SVM)训练分类器，最终实现对出租车的识别。参见图1，其为出租车识别方法的总体设计流程，其主要设计思路和常规的车辆识别方法相同，首先构件出租车分类器，之后通过分类器对于出租车进行识别，以下将对这两个步骤进行详细描述一、构建出租车分类器，由下述几个步骤组成I. I、构建样本库，包括含有出租车的正样本以及含有其它机动车辆的负样本。在算法一定的情况下，样本库的大小和典型性共同决定着SVM分类器的准确性。而由于一个地区的出租车往往和其它地区出租车体现出较大的差异性，除以上所述的出租车颜色特征外，还有对于车辆轮廓特征影响较大的因素，如车顶灯的外形尺寸、车顶灯在夜间发光状态下的外形轮廓等。因此优选的，构建样本库应该基于同一个地区内的多个监控摄像机所采集的车辆图像(注此处所用术语“地区”应当被理解为其内的出租车具有相同规范的地域，在实际实践中应根据不同区域交管部门的具体要求对于上述地区进行选择)。虽然采用这样的样本库所训练的SVM分类器不可避免的具有一定地域性，不太适宜其它地区使用，但是准确度会相应提高。相反的，如果采用多个地区的监控摄像机所采集的车辆图像，SVM分类器会具有普适性，但是其准确率往往会有一定程度的下降。不仅如此，所采集的车辆图像的选择还需要具有全面型、典型性，样本库应该包含了各种车型在各种天气情况以及各种光照环境下各种角度的图像。基于这样的样本库，使得SVM分类器的准确性得到了保证。I. 2、基于以上所采集的正样本图像来确定当地出租车车身主色的所有种类，并设定为出租车用颜色类别集。在本实施例中，基于某地的交通监控录像，颜色类别集中包括八种颜色橘黄、土黄、绿色、浅蓝、深蓝、深紫、白色和红色。I. 3、确定颜色类别集中各颜色类别的颜色参数边界。在对于样本大量的细致分析后发现，尤其是分析同种颜色不同光照下的变化，发现光照主要改变的是颜色的亮度，如红色即从深红、红、到浅红的变化。从这一点出发，该颜色参数边界的确定主要通过在正样本中选取不同光照下的各种颜色出租车的图像，基于HSV颜色空间，对一类颜色进行提取。通过人工标定的方法确定标定区域内H、S、V这三个参数的范围。参见表1，其为本实施例中颜色类别集内的八种颜色的颜色参数边界。
权利要求
1.一种视频图像的出租车实时识别方法，其特征在于包括如下步骤 a、构建样本库，包括含有出租车辆的正样本以及含有其它机动车辆的负样本；并基于所述正样本中所出现出租车的车身主色种类，设定出租车用颜色类别集，并确定所述类别集中各颜色类别的颜色参数边界； b、获取所述样本的判断窗口，并将所述判断窗口图像尺寸归一化；提取归一化处理后的判断窗口内的各颜色类别的面积，确定各颜色类别的面积门限；以及，提取所述判断窗口的HOG特征，并利用此HOG特征训练支持向量机分类器； C、跟踪所输入的视频帧内的待识别车辆，将跟踪成功后的首个图像帧的跟踪窗口尺寸归一化； d、提取归一化处理后的跟踪窗口中各颜色种类的面积，并将所述面积与对应的面积门限进行比对，若该跟踪窗口中至少一个颜色种类的面积大于面积门限，则进入下一步骤；否贝U，仅继续跟踪； e、将所述首个图像帧中通过面积比对的跟踪窗口分别向上、下两个方向移动y个像素点，获得二个子窗口，以及向左、两个方向移动X个像素点，获得另二个子窗口 ；将所获得的四个子窗口尺寸归一化，将归一化处理后的四个子窗口和跟踪窗口输入所述支持向量机分类器获得五个识别结果，对这五个识别结果进行投票统计，票数多者取胜，由此获得空间域修正识别结果； 所述的x、y均为正整数。
2.根据权利要求I所述的一种视频图像的出租车实时识别方法，其特征在于该识别方法还包括时间域修正步骤由所述首个图像帧起，对一段时间内的连续视频帧中采样获得η个关键帧，并分别对所述关键帧执行步骤e，以获得多个空间域修正识别结果，将基于这些关键帧和首个图像帧做出的空间域修正识别结果进行投票统计，票数多者取胜，由此获得时空域联合修正识别结果，其中η为大于2的自然数。
3.根据权利要求2所述的一种视频图像的出租车实时识别方法，其特征在于所述关键帧是以固定时间间隔在所述一段时间内的连续视频帧选取的。
4.根据权利要求3所述的一种视频图像的出租车实时识别方法，其特征在于所述η为4，所述固定时间间隔取决于对任一所述关键帧执行步骤e的时间。
5.根据权利要求3所述的一种视频图像的出租车实时识别方法，其特征在于该识别方法还包括如下步骤周期性的对所述连续视频帧执行所述步骤d、步骤e以及所述时间域修正步骤，以获得基于同一跟踪窗口的多个时空域联合修正识别结果，并在每获得一个时空域联合修正识别结果之后，对于之前基于同一跟踪窗口做出的识别结果进行修正。
6.根据权利要求1-5任意一项所述的一种视频图像的出租车实时识别方法，其特征在于所述样本的判断窗口、所述子窗口和所述跟踪窗口均被归一化为横向a个像素点、纵向b个像素点，所述a、b均为大于10的自然数；且所述X取值范围为O. la-0. 2a，所述y取值范围为 O. lb-0. 2bο
7.根据权利要求6所述的一种视频图像的出租车实时识别方法，其特征在于所述颜色参数边界包括在HSV颜色空间中。
8.根据权利要求7所述的一种视频图像的出租车实时识别方法，其特征在于所述样本库中的样本为监控摄像机所采集的车辆图像。
9.根据权利要求8所述的一种视频图像的出租车实时识别方法，其特征在于所述监控摄像机选自其内出租车具有相同规范的地区。
全文摘要
本发明涉及车辆识别领域，尤其涉及一种视频图像的出租车实时识别方法，包括如下步骤构建样本库，并设定出租车用颜色类别集；确定类别集中各颜色类别的颜色参数边界和面积门限，并训练支持向量机分类器；跟踪所输入的视频帧内的待识别车辆；提取跟踪窗口中各颜色种类的面积，并与面积门限比对，如此跟踪窗口至少一个颜色种类的面积大于面积门限，则通过；否则，继续跟踪；将跟踪窗口分别向上、下、左、右四个方向移动若干个像素，获得4个子窗口；将所述子窗口和标准跟踪窗口分别输入所述支持向量机分类器获得识别结果，并对结果进行投票统计。经过严格的实验证明，该出租车识别方法能够提高判断的准确率，具有较高的判断准确率与鲁棒性。
文档编号G06K9/62GK102930271SQ201210356409
公开日2013年2月13日 申请日期2012年9月21日 优先权日2012年9月21日
发明者叶飞, 田广, 梁龙飞, 张重阳 申请人:博康智能网络科技股份有限公司