一种基于颜色分析的车辆进气栅定位方法与流程

本发明涉及计算机车轮辆定位技术领域，具体涉及一种基于颜色分析的车辆进气栅定位方法。

背景技术

随着经济的发展，汽车数量急剧增加，而这种现象带来了诸多社会问题，特别是在一线发达城市的交通问题。这些问题集中体现在道路拥堵，交通事故频发，车辆违章行为屡禁不止等。在处理交通问题的过程中，对于违章车辆的智能识别成尤为关键，车标作为车辆的重要标志，对车辆识别起到了重要的辅助作用。现阶段国内外大都采用机器学习技术对车标进行识别，而在此技术中，车标定位是关键环节。

在车标定位方面，国内有论文与专利提到较多不同定位方法，其中的技术方案包括：文献(基于adaboost的车标定位方法。计算机工程，2008)中提出基于adaboost的车标定位方法，adaboost算法是一种分类器算法，其基本原理是利用大量分类能力一般的弱分类器通过一定的叠加方式，组合成一个分类能力很强的强分类器，再将若干个强分类器级联成为一个分级分类器。该方法有效地提高了车标定位的准确率且具有较快的定位速度。但是，该方法仍然存在漏检的情况，不能很好地定位各种偏转角度的车标，因此，该方法不能全面覆盖各个角度的车标；文献(基于对称性的实时车标定位和识别方法。系统仿真学报，2009)中提出基于对称性的实时车标定位方法，该方法根据已知的先验知识如车牌位置、车辆对称性等先验信息进行粗定位，然后在此区域中利用边缘特征信息进行车标的二次定位，但是该方法在实际采集的图像中，往往存在光照、噪声或部分遮挡等问题的影响，常规的2d形状的识别方法难以达到满意的识别效果；文献(基于模板匹配和边缘检测的车标定位方法。计算机工程与设计，2011)中提出基于模板匹配和边缘检测的车标定位方法，该方法先进行车辆图像倾斜校正，然后确定车灯带位置，根据车标与车牌及车灯的位置先验知识进行车标粗定位，最后根据车标背景纹理特征，将模板匹配与边缘检测相结合进行车标精定位。但是该方法检测花费时间长，工作成本和时间成本过高，不适合工程运用。

综上所述，在车标定位方面，基本以传统机器学习方式进行车标定位或是粗定位，本发明提出了一种基于颜色分析的车辆进气栅定位方法。

技术实现要素：

针对现有技术中存在的问题，本发明提供了一种基于颜色分析的车辆进气栅定位方法。

一种基于颜色分析的车辆进气栅定位方法，其特征在于，包括如下步骤：

步骤1.定义车身颜色集合为c＝{c1,c2,c3,c4,c5,c6,c7,c8,c9,c10}＝{黑,灰,白,粉,棕,红,黄,绿,蓝,紫}；通过摄像头采集rgb交通视频并对图像进行中值滤波处理，根据目标检测算法提取车辆图像i，提取车牌的最小外接矩形r＝(x,y,w,h)，其中，设车辆图像i的高度为h，宽度为w，(x,y)为r左上角的坐标,w与h分别为r的宽和高；

步骤2.将i由rgb颜色空间转为hsv空间并将各个通道的值归一化到[0,1]，得到图像i*，并根据下式得到颜色特征的识别区域d；

其中，(xd,yd)为d左上角的坐标,wd与hd分别为d的宽和高，ρ1,ρ2分别为采样的比例系数；

步骤3.将识别区域d划分为大小相等的nrow*ncol个矩形超像素块，nrow与ncol分别为超像素块的行总数与列总数；

步骤4.根据公式(2)-(6)剔除像素总标准差大于λ的超像素块，得到有效颜色样本的超像素块集合d*：

式中，λ为标准差阈值，dij为第i行第j列的超像素块，为dij的像素标准差，与分别为dij在k通道上的标准差与灰度平均值，k＝1,2,3，为第k个通道的权重系数，表示dij的第k通道图像，表示中在坐标点(x,y)处的像素灰度值；

步骤5.根据公式(6)对有效样本集合d*进行分类，得到分类集合l＝{li|i＝1,2,…,10}，其中li为第i类的样本子集：

步骤6.根据公式(7)-(9)统计d*中每一行识别出的每种颜色的数量r＝1,2,...,10，并根据如下规则判断每一行是否有效：若fi为0，则表示第i行为有效行，否则，为无效行；将所有的无效行从d*中剔除：

其中，μ1为比例系数，nlimax为第i行中最多的颜色数量，cij表示第i行第j列的超像素块，cγ为步骤1中定义的车身颜色集合；

步骤7.将所有单个有效行构成新的分类结果fi，其中单个有效行的判断准则为：该有效行上下均为无效行；根据公式(10)-(12)得到进气栅区域d'，完成进气栅区域的定位；

spmax＝max(i|fi＝1)(10)

spmin＝min(i|fi＝1)(11)

其中，(x',y')为d'左上角的坐标，w'与h'分别为d'的宽和高，spmax为进气栅区域d'中的最后一行超像素行的行号，spmin为进气栅区域d'中的第1行超像素行的行号；

步骤8.根据公式(13-14)判断d'是否为真实的进气栅区域：

ntotal＝spmax-spmin+1(13)

其中，ntotal为d'中超像素的行数，neff为其中的有效超像素行数，ξ1与ξ2为系数，d”＝1表示d'为进气栅区域，d”表示d'不为进气栅区域。

本发明的有益效果为：提出一种新的基于颜色分析的车辆进气栅定位方法，能有效地实现车辆进气栅定位。

附图说明

图1为部分交通视频中提取的车辆图像；

图2为颜色特征识别区域；

图3为超像素块划分；

图4为进气栅区域示意图；

图5为车标粗定位区域示意图。

具体实施方式

下面结合实施例来详细阐述车辆定位方法的具体实施方法。应当理解，此处所描述的具体实例仅用于解释本发明，并不用于限定本发明。

一种基于颜色分析的车辆进气栅定位方法，具体步骤如下：

步骤1.定义车身颜色集合为c＝{c1,c2,c3,c4,c5,c6,c7,c8,c9,c10}＝{黑,灰,白,粉,棕,红,黄,绿,蓝,紫}；通过摄像头采集rgb交通视频并对图像进行中值滤波处理，根据目标检测算法提取车辆图像i，提取车牌的最小外接矩形r＝(x,y,w,h)，其中，设车辆图像i的高度为h，宽度为w，(x,y)为r左上角的坐标,w与h分别为r的宽和高；

步骤2.将i由rgb颜色空间转为hsv空间并将各个通道的值归一化到[0,1]，得到图像i*，并根据下式得到颜色特征的识别区域d；

其中，(xd,yd)为d左上角的坐标,wd与hd分别为d的宽和高，ρ1,ρ2分别为采样的比例系数。实验中比例系数ρ1取0.5，ρ2取3；

步骤3.将识别区域d划分为大小相等的nrow*ncol个矩形超像素块，nrow与ncol分别为超像素块的行总数与列总数，实验中超像素块的大小设为4×4；

步骤4.根据公式2)-6)剔除像素总标准差大于λ的超像素块，得到有效颜色样本的超像素块集合d*：

式中，λ为标准差阈值，dij为第i行第j列的超像素块，为dij的像素标准差，与分别为dij在k通道上的标准差与灰度平均值，k＝1,2,3，为第k个通道的权重系数，表示dij的第k通道图像，表示中在坐标点(x,y)处的像素灰度值；

步骤5.根据公式(6)对有效样本集合d*进行分类，得到分类集合l＝{li|i＝1,2,…,10}，其中li为第i类的样本子集：

步骤6.根据公式(7)-(9)统计d*中每一行识别出的每种颜色的数量r＝1,2,...,10，并根据如下规则判断每一行是否有效：若fi为0，则表示第i行为有效行，否则，为无效行；将所有的无效行从d*中剔除：

其中，μ1为比例系数，nlimax为第i行中最多的颜色数量，cij表示第i行第j列的超像素块，cγ为步骤1中定义的车身颜色集合；

步骤7.将所有单个有效行构成新的分类结果fi，其中单个有效行的判断准则为：该有效行上下均为无效行；根据公式10)-12)得到进气栅区域d'，完成进气栅区域的定位；

spmax＝max(i|fi＝1)10)

spmin＝min(i|fi＝1)11)

其中，(x',y')为d'左上角的坐标，w'与h'分别为d'的宽和高，spmax为进气栅区域d'中的最后一行超像素行的行号，spmin为进气栅区域d'中的第1行超像素行的行号；

步骤8.根据公式13)-14)判断d'是否为真实的进气栅区域：

ntotal＝spmax-spmin+113)

其中，ntotal为d'中超像素的行数，neff为其中的有效超像素行数，ξ1与ξ2为系数，d”＝1表示d'为进气栅区域，d”表示d'不为进气栅区域。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。