本发明属于图像检测技术领域，具体涉及一种基于车辆图像的客车和货车分类方法。
背景技术：
现有的车辆分类方法主要有外形轮廓扫描法、车轴计数法、环形线圈检测法。
外形轮廓扫描法使用红外线、激光对车辆轮廓进行扫描,获取到车辆外部几何形状特征，根据其外部长宽高参数对车辆分类。由于客车和货车在外部几何特征参数方面区别不显著，所以对客车及货车的分类误差较大。
车轴计数法为使用传感器检测的方法，将获得到的车轴数量作为车辆的特征信息应用到车辆的分类识别中。由于客车和货车轴数存在重叠范围，只知道车辆的轴数并不能准确地判断出客车和货车的类别。
环形线圈检测的原理是，当车辆从埋设在路面下的环形线圈上经过时，车辆底盘上的铁磁材料会和线圈产生的磁场发生作用，导致环形线圈中的频率发生改变，通过感应曲线的变化特征获取车辆的参数进行分类。因此，在对客车、货车分类过程仍存在一定的局限性。
技术实现要素：
有鉴于此，本发明的主要目的在于提供一种基于车辆图像的客车和货车分类方法。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供一种基于车辆图像的客车和货车分类方法，该方法为：对摄像机采集的车辆图像进行处理获得车辆单色图像，根据平均模板对车辆单色图像进行搜索匹配确定车辆的车头和车尾，之后，通过客货特征值算法模型判断所述车辆单色图像中车头和车尾之间的灰度值分布是否均匀或者对称，如果灰度值分布均匀或者对称确定该车辆图像中为客车，反之，确定该车辆图像中为货车。
上述方案中，所述对摄像机采集的车辆图像进行处理获得车辆单色图像，具体为：对所述车辆图像将像素单位转换成物理尺寸单位，再根据积分思想将车辆图像划分为若干个均等的感兴趣区域，最后对所述车辆图像进行二值化处理获得车辆单色图像。
上述方案中，所述平均模板为：
上述方案中，所述根据积分思想将车辆图像划分为若干个均等的感兴趣区域，具体为：将车辆检测区域划分为若干个aoi区域，其中各区域实际道路长度相等，沿车道走向平行展开与图像水平轴方向平行，根据透视投影原理各区域在图像上的长度根据摄像机实际安装位置确定；当摄像机安装完成后，摄像机的视角α及光轴与垂直方向的夹角β被确定，设焦点c到车道平面的距离为h,aoi区域的边界点a0、an之间的距离是视野内道路的最长距离，通过分界点a1…、am、…、an-1将视野内道路长度等分为n等份，对应于把整个aoi区域等分为n个子区域，即
设co与ca0之间的夹角为θ，o为焦点c在车道平面上的投影点，can与a0dn之间的夹角为λ，则由三角原理知：
记直线a0b0、ambm的夹角为γm，m＝1，2，…，n，而
显然有
故有
而
于是有
在三角形ca0dm中，由三角形正弦定理得
即
因而有
γn＝α，故有
由
设aoi1至aoim共有m个aoi区域对应的图像长度之和
设在拍摄的图像中，aoim区域对应的图像长度lm占整个aoi区域对应的图像长度的l的比例为pm(m＝1，2，…，n)，则显然pm可按下面的迭代公式求得
图像中aoi区域总长度l乘以pm即可得到aoim，m＝1，2，...，n区域在图像中的长度lm，lm＝lpm；
在象平面上，从上到下依次以，m＝1，2，…，n长度，把整个道路交通画面划分为n个子区域。
上述方案中，所述对所述车辆图像将像素单位转换成物理尺寸单位，具体为：根据显示器屏幕的物理尺寸与屏幕分辨率之比即为单个像素的物理尺寸，
上述方案中，所述根据平均模板对车辆单色图像进行搜索匹配确定车辆的车头和车尾，具体通过以下步骤实现：
步骤一：从车辆单色图像的(0，0)点开始进行横向搜索，计算f(0，0)的取值，判断f(0，0)＞t是否成立，其中t为判断阈值，如果不成立，即确定为非车辆区域，继续逐行方式进行搜索，如果该横行未能检测出车辆的存在，继续进行下一横行地搜索；
步骤二：当搜索至某横行中一点且f(x，y)≥t成立时，定该像素点为f(c*，t*)，并定义该像素点为特征点；继续对该横行的后续点进行搜索，当搜索至某一点且f(x，y)≥t不成立时，定该像素点为f(k*，b*)，判断k*-c*≥q是否成立，如果不成立，则像素点f(c*，t*)为噪声，否则该像素点为车头特征点；
步骤三：继续对后续点进行搜索，当搜索至某一点且f(x，y)≥t不成立时，定该像素点为f(l*，p*)，判断l*-c*+l≥m是否成立，如果成立，即确定该行车辆横向区域已经结束，否则认为该区域仍旧属于车辆区域；继续进行搜索，横向搜索中以此类推；
步骤四：当车辆区域第一行搜索完毕以后，进入到下一行进行搜索，此时需要在判断车辆横向区域是否结束的同时，也要判断纵向车辆区域是否结束；当一横行搜索结束时，都未能满足f(x，y)≥t，此时定该横行的结尾像素点为f(z*，x*)；直至某点的f(x，y)≥t成立时，定该像素点为f(h*，g*)，并判断h*-z*≥n是否成立，如果成立，则认为像素点f(z*，x*)为第一辆车的车尾特征点，且此时已进入第二辆车辆的判断；如果不成立，则认为此时仍旧为第一辆车辆区域，继续执行步骤二，直到确定出车尾特征点。
上述方案中，所述客货特征值算法模型的建立过程为：
第一步：求解
第二步：令i＝1，i＝0，求解
第三步：令i＝1，n＝0，成立，求解，如果qi+qi-1≥l，其中i＝1，2，…，m成立，保持n＝0，反之h+1。当i＝m+1时，如果
其中：e为客货特征值；e对称为车辆顶部对称特征值；e均匀为车辆顶部灰度值分布特征值；q上为车辆区域上半部分灰度值总和；q下为车辆区域下半部分灰度值总和；f(x，y)为单个像素灰度值；qi为第i个区域像素灰度值总和；ε，γ为一常数值。
与现有技术相比，本发明的有益效果：
本发明对摄像机采集的车辆图像进行处理获得车辆单色图像，根据平均模板对车辆单色图像进行搜索匹配确定车辆的车头和车尾，之后，通过客货特征值算法模型判断所述车辆单色图像中车头和车尾之间的灰度值分布是否均匀及对称来对客货进行分类；客车顶部从车头至车尾灰度值分布比较均匀及分布基本存在对称性，货车顶部由于车箱所载货物的不同及驾驶室与车箱分离的原因，造成了车头至车尾灰度值分布不均匀且不对称，驾驶室顶部与车厢之间存在明显的黑色像素带；本发明能够对客车、货车进行具体区分，克服了现有方法的局限性，在摄像机的布设上采用顶部布设，安装方便，解决了摄像机侧面布设引起的车辆遮挡问题，环境适应能力较强，能长期稳定工作，适用于检测并统计多车道的车流信息。
附图说明
图1为本发明实施例提供一种基于车辆图像的客车和货车分类方法中实际道路长度与图像上道路长度关系；
图2为本发明实施例提供一种基于车辆图像的客车和货车分类方法中像素特征参数转换示意图；
图3为本发明实施例提供一种基于车辆图像的客车和货车分类方法中5*5平均模板的示意图；
图4为本发明实施例提供一种基于车辆图像的客车和货车分类方法中车辆特征点自动搜索的示意图；
图5为本发明实施例提供一种基于车辆图像的客车和货车分类方法中客车和货车顶部灰度分布示意图。
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，以下结合附图及实施例，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。
本发明实施例提供一种基于车辆图像的客车和货车分类方法，该方法为：对摄像机采集的车辆图像进行处理获得车辆单色图像，根据平均模板对车辆单色图像进行搜索匹配确定车辆的车头和车尾，之后，通过客货特征值算法模型判断所述车辆单色图像中车头和车尾之间的灰度值分布是否均匀或者对称，如果灰度值分布均匀或者对称确定该车辆图像中为客车，反之，确定该车辆图像中为货车。
所述对摄像机采集的车辆图像进行处理获得车辆单色图像，具体为：对所述车辆图像将像素单位转换成物理尺寸单位，再根据积分思想将车辆图像划分为若干个均等的感兴趣区域，最后对所述车辆图像进行二值化处理获得车辆单色图像。
如图1所示，所述根据积分思想将车辆图像划分为若干个均等的感兴趣区域，具体为：将车辆检测区域划分为若干个aoi区域，其中各区域实际道路长度相等，沿车道走向平行展开与图像水平轴方向平行，根据透视投影原理各区域在图像上的长度根据摄像机实际安装位置确定；当摄像机安装完成后，摄像机的视角α及光轴与垂直方向的夹角β被确定，设焦点c到车道平面的距离为h,aoi区域的边界点a0、an之间的距离是视野内道路的最长距离，通过分界点a1...、am、…、an-1将视野内道路长度等分为n等份，对应于把整个aoi区域等分为n个子区域，即
设co与ca0之间的夹角为θ，o为焦点c在车道平面上的投影点，can与a0dn之间的夹角为λ，则由三角原理知：
记直线a0b0、ambm的夹角为γm，m＝1,2,…,n,而
显然有
故有
而
于是有
在三角形ca0dm中，由三角形正弦定理得
即
因而有
γn＝α，故有
由
设aoi1至aoim共有m个aoi区域对应的图像长度之和
设在拍摄的图像中，aoim区域对应的图像长度lm占整个aoi区域对应的图像长度的l的比例为pm(m＝1，2，…，n)，则显然pm可按下面的迭代公式求得
图像中aoi区域总长度l乘以pm即可得到aoim，m＝1，2，...，n区域在图像中的长度lm，lm＝lpm；
在象平面上，从上到下依次以，m＝1，2，…，n长度，把整个道路交通画面划分为n个子区域。
如图2所示，所述对所述车辆图像将像素单位转换成物理尺寸单位，具体为：根据显示器屏幕的物理尺寸与屏幕分辨率之比即为单个像素的物理尺寸，
如图3所示，通过对图像平滑技术及车辆图像平滑效果的分析选择5*5平均模板，所述平均模板为：
如图4所示，所述根据平均模板对车辆单色图像进行搜索匹配确定车辆的车头和车尾，具体通过以下步骤实现：
步骤一：从车辆单色图像的(0，0)点开始进行横向搜索，计算f(0，0)的取值，判断f(0，0)＞t是否成立，其中t为判断阈值，如果不成立，即确定为非车辆区域，继续逐行方式进行搜索，如果该横行未能检测出车辆的存在，继续进行下一横行地搜索；
步骤二：当搜索至某横行中一点且f(x，y)≥t成立时，定该像素点为f(c*，t*)，并定义该像素点为特征点；继续对该横行的后续点进行搜索，当搜索至某一点且f(x，y)≥t不成立时，定该像素点为f(k*，b*)，判断k*-c*≥q是否成立，如果不成立，则像素点f(c*，t*)为噪声，否则该像素点为车头特征点；
步骤三：继续对后续点进行搜索，当搜索至某一点且f(x，y)≥t不成立时，定该像素点为f(l*，p*)，判断l*-c*+l≥m是否成立，如果成立，即确定该行车辆横向区域已经结束，否则认为该区域仍旧属于车辆区域；继续进行搜索，横向搜索中以此类推；
步骤四：当车辆区域第一行搜索完毕以后，进入到下一行进行搜索，此时需要在判断车辆横向区域是否结束的同时，也要判断纵向车辆区域是否结束；当一横行搜索结束时，都未能满足f(x，y)≥t，此时定该横行的结尾像素点为f(z*，x*)；直至某点的f(x，y)≥t成立时，定该像素点为f(h*，g*)，并判断h*-z*≥n是否成立，如果成立，则认为像素点f(z*，x*)为第一辆车的车尾特征点，且此时已进入第二辆车辆的判断；如果不成立，则认为此时仍旧为第一辆车辆区域，继续执行步骤二，直到确定出车尾特征点。
如图5所示，可以看出客车和货车顶部的灰度分布存在以下特点：
(1)客车顶部从车头至车尾灰度值分布比较均匀或分布基本存在对称性；
(2)货车顶部由于车箱所载货物的不同及驾驶室与车箱分离的原因，造成了车头至车尾灰度值分布不均匀且不对称，驾驶室顶部与车厢之间存在明显的黑色像素带；
(3)从图像处理技术可以知道，车辆二值化图像中像素的灰度值只存在0或255两个数值，0代表黑色，255代表白色，在计算灰度值的过程中只有白色会对计算结果产生影响，所以在计算客货特征值的时候仅仅考虑白色的车辆区域像素点即可；
(4)车辆区域由于透镜的光学作用，车辆实际尺寸与图像之间存在非线性映射关系。因此，即便是客车顶部实际物理特征存在百分之百的对称或分布均匀，映射到图像中以后也会由于非线性的作用引起非对称或分布不均匀。
所述客货特征值算法模型的建立过程为：
第一步：求解
第二步：令i＝1，i＝0，求解
第三步：令i＝1，h＝0，成立，求解，如果qi+qi-1≥l，其中i＝1，2，…，m成立，保持h＝0，反之h+1。当i＝m+1时，如果
其中：e为客货特征值；e对称为车辆顶部对称特征值；e均匀为车辆顶部灰度值分布特征值；q上为车辆区域上半部分灰度值总和；q下为车辆区域下半部分灰度值总和；f(x，y)为单个像素灰度值；qi为第i个区域像素灰度值总和；ε，γ为一常数值。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。