CN103207988A - 一种图像识别方法及装置 - Google Patents
一种图像识别方法及装置 Download PDFInfo
- Publication number
- CN103207988A CN103207988A CN2013100704151A CN201310070415A CN103207988A CN 103207988 A CN103207988 A CN 103207988A CN 2013100704151 A CN2013100704151 A CN 2013100704151A CN 201310070415 A CN201310070415 A CN 201310070415A CN 103207988 A CN103207988 A CN 103207988A
- Authority
- CN
- China
- Prior art keywords
- image
- search window
- window
- gradient
- central area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种图像识别方法及装置,用以通过识别车窗以对车辆进行识别,避免了道路车多时相互遮挡导致识别失败,以及提高了车辆识别的稳定性。该方法包括:根据当前的搜索窗口缩放系数,确定当前的搜索窗口;当确定当前搜索窗口内的图像为车窗图像时,记录该车窗图像的信息;按照预设轨迹在当前图像上移动搜索窗口,以继续寻找车窗图像。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种图像识别方法及装置。
背景技术
在智能交通领域,用视频分析的方法完成车辆检测任务,是完成整体智能交通应用的一项基本性功能,广泛应用于卡口***、电子警察、交通事件检测仪、停车场管理***等产品中。
智能交通视频监控算法主要包含车辆检测、车辆跟踪和车辆行为分析三个步骤,如图1所示。车辆检测实现初始交通场景中车辆目标的提取,是智能交通视频监控的初始步骤,也是最基础的影响最深的一步;车辆跟踪对目标进行实时的运动描述,并生成各自的运动轨迹;行为分析基于轨迹规律来判断车辆是否发生违章行为或处于异常状态。
现有技术中车辆检测方法,包括以下几类:
(1)虚拟线圈:在某一固定区域设置虚拟线圈,当有车辆经过这片区域时候,该区域的背景或纹理会发生明显改变,通过变化有无来间接判断该区域是否存在车辆,并大致确定车辆位置;
(2)背景减除法:先通过某种策略重建出该场景下当时的背景图像,该背景图像被认为是没有目标出现时候的“干净”图像,然后用当前帧图像减去背景图像,二值化后得到所有前景像素,前景像素会形成一片一片连续的区域,通过分析这些独立的区域形状大小长宽比例等特征,来确定该区域是否存在车辆;
(3)运动区域检测和分析:相邻帧(或间隔数帧)像素相减,在车辆外轮廓附近的像素会有灰度或纹理变化,这些变化的像素会形成一片连续区域,通过分析这片连续区域的大小,长宽比例,形状等约束关系,确认该区域是否存在车辆;
(4)模式识别方法:引入机器学习的思想,通过已标识好的正负样本来让机器自动训练出一个分类器,检测时,在图像里搜索所有区域,提取区域像素块在某一特征空间的特征向量,输入到分类器,分类器给出“是”或“否”的结果,来判断该区域是否存在车辆;
(5)通过检测有关车辆的独有特征方法:检测车灯(夜间),检测车牌,检测随车运动的阴影,检测轮胎(侧面拍摄视频)等;
现有技术的缺点在于:
(1)光照的变化,以及车辆姿态变化,缺乏稳定可靠的特征及特征组合来辨识车辆,从而导致车辆检测失败;
(2)在城市道路上运行的大流量车辆,在通常拍摄的角度下拍摄,车前后脸被大面积遮挡,露出的部分特征不完整,多数检测车辆方法无法检测到被遮挡的车辆。
发明内容
本发明实施例提供了一种图像识别方法及装置,用于通过识别车窗以对车辆进行识别,避免了道路车多时相互遮挡导致识别失败,以及提高了车辆识别的稳定性。
本发明实施例提供的一种图像识别方法包括:
根据当前的搜索窗口缩放系数,确定当前的搜索窗口;
当确定当前搜索窗口内的图像为车窗图像时,记录该车窗图像的信息;
按照预设轨迹在当前图像上移动搜索窗口,以继续寻找车窗图像。
本发明实施例提供的一种的装置包括:
搜索窗口确定单元,用于根据当前的搜索窗口缩放系数,确定当前的搜索窗口;
车窗识别单元,用于当确定当前搜索窗口内的图像为车窗图像时,记录该车窗图像的信息;
搜索窗口移动单元,用于按照预设轨迹在当前图像上移动搜索窗口,以继续寻找车窗图像。
通过以上技术方案可知,本发明中根据当前的搜索窗口缩放系数,确定当前的搜索窗口;当确定当前搜索窗口内的图像为车窗图像时,记录该车窗图像的信息;按照预设轨迹在当前图像上移动搜索窗口,以继续寻找车窗图像。由于车窗的特征明显、在受到光照等因素干扰时其特征变化不大,因此通过识别车窗来识别车辆具有较高的稳定性;在大流量道路场景下,部分车辆被大面积遮挡也能够被识别到,避免了相互遮挡导致识别失败。
附图说明
图1为现有技术中的智能交通视频监控算法的流程示意图;
图2为本发明实施例提供的一种图像识别方法的流程示意图;
图3为本发明具体实施例提供的一种图像识别方法的流程示意图;
图4为本发明具体实施例提供的中心区域的划分示意图;
图5为本发明具体实施例提供的中心区域灰度统计分析的流程示意图;
图6(a)为本发明具体实施例提供的轮廓特征分析的流程示意图;
图6(b)为本发明具体实施例提供的轮廓特征分析的流程示意图;
图6(c)为本发明具体实施例提供的轮廓特征分析的流程示意图;
图6(d)为本发明具体实施例提供的轮廓特征分析的流程示意图;
图6(e)为本发明具体实施例提供的轮廓特征分析的流程示意图;
图7(a)为本发明具体实施例提供的边缘区域的划分示意图;
图7(b)为本发明具体实施例提供的梯度计算区域示意图;
图8为本发明具体实施例提供的边缘梯度分析的流程示意图;
图9为本发明具体实施例提供的阴影路面排除的流程示意图;
图10为本发明实施例提供的一种图像识别装置的结构示意图。
具体实施方式
本发明实施例提供了一种图像识别方法及装置,用于通过识别车窗以对车辆进行识别,避免了道路车多时相互遮挡导致识别失败,以及提高了车辆识别的稳定性。
参见图2,本发明实施例提供的一种图像识别方法包括:
S201、根据当前的搜索窗口缩放系数,确定当前的搜索窗口;
S202、当确定当前搜索窗口内的图像为车窗图像时,记录该车窗图像的信息;
S203、按照预设轨迹在当前图像上移动搜索窗口,以继续寻找车窗图像。
较佳的,所述预设轨迹处于图像的预设区域内。对于预设区域以外的图像区域,不会出现车辆,因此不需要将搜索窗口移动至该类区域;所述预设区域通常称为ROI(Region of interstate,图像感兴趣区域)。通过设定RIO后进行图像处理,一方面可以减少计算量,另一方便可以使处理结果受不相关区域的影响减少,提高处理结果的信噪比。
较佳的,所述搜索窗口的缩放系数,是预先根据物体在图像中的位置与成像大小之间的关系确定的。在图像上划定一块矩形区域当作搜索窗口,该搜索窗口的大小会根据图像上物体的远近而采用不同的缩放系数,以确保搜索窗的能够与被搜索目标在图像中的大小一致。
较佳的,所述确定当前的搜索窗口之后,所述确定当前搜索窗口内的图像为车窗图像之前,该方法包括:将当前搜索窗口内的图像缩放至预设的大小。该步骤也称作归一化处理,即将图像中不同尺寸的车窗图像在进行特征计算之前,统一缩放成固定尺寸的矩形,以便于特征的统计和判定。固定尺寸矩形的面积就是归一化面积。
较佳的,当满足以下四个条件时,确定当前搜索窗口内的图像为车窗图像:当前搜索窗口内的图像的中心区域的灰度平均值符合车窗中心区域的特征;当前搜索窗口内的图像的中心区域的灰度中值符合车窗中心区域的特征;当前搜索窗口内的图像的轮廓特征符合车窗的轮廓特征;当前搜索窗口内的图像的边缘区域的梯度符合车窗边缘区域的梯度特征。
以上四个条件只要有一个不满足,则判定为不是车窗,当所有都满足时才会最终判定为车窗;四个条件的判断无先后顺序。
较佳的,所述当前搜索窗口内的图像的中心区域的灰度平均值符合车窗中心区域的特征,包括:所述中心区域的灰度平均值在预设第一范围内;当根据当前全部图像的灰度值确定当前图像场景为预设第一场景时,所述中心区域的灰度平均值大于当前搜索窗口内的图像的灰度平均值,中心区域的变异系数在预设第二范围内;当根据当前全部图像的平均灰度值确定当前图像场景为预设第二场景时,中心区域的变异系数在预设第三范围内。所述预设第一场景,指的是光线不足的场景,例如:阴天;全部图像的灰度值低于预设的判决门限。反之,所述预设第二场景,指的是光线充足的场景,全部图像的灰度值高于预设的判决门限。在不同的场景下,车窗中心区域的变异系数是不同的,因此设置有不同的预设第二范围和预设第三范围。本文所提到的预设范围,均是经过分析、实验以及机器自主学习得到的车窗对应的参数的可能取值范围。
较佳的,所述确定当前搜索窗口内的图像的中心区域的灰度中值符合车窗中心区域的特征,包括:确定所述中心区域的灰度中值在预设第四范围内。
较佳的,当满足以下五个条件时,确定当前搜索窗口内的图像的轮廓特征符合车窗的轮廓特征:
中心区域没有长度大于预设值的直线:通过判定中央没有长度大于预设值的直线,来确定该搜索窗口已准确地框定在车窗上,因为搜索窗口框定在车窗的边缘时,搜索窗口内会有明显的较长的直线;前景点面积比在预设第五范围:前景点面积比即灰度图像二值化后保留的前景区域的面积除以归一化窗口的面积;垂直中心线两侧有等长的直线:即分别在区域3与区域4寻找最长的直线,当搜索窗准确地框定车窗时,车窗的上下边界所形成的直线会是中线对称的;上、下边缘分别有一条长度大于预设值的直线:用于判定车窗的上下边界是否存在,如果存在则会有一条较长的直线;边缘区域关于垂直中心线对称。
较佳的,所述确定当前搜索窗口内的图像的边缘区域的梯度符合车窗边缘区域的梯度特征,需满足以下五个条件:边缘区域的0度方向的梯度在预设第六范围;边缘区域的90度方向的梯度在预设第七范围;边缘区域的180度方向的梯度在预设第八范围;边缘区域的270度方向的梯度在预设第九范围;边缘区域的梯度的均值在预设第十范围。较佳的,所述确定当前搜索窗口内的图像的边缘区域的梯度符合车窗边缘区域的梯度特征,还需满足以下条件:根据所述边缘区域的梯度,确定用于判断对称性的梯度特征值;确定所述梯度特征值均属于各自对应的预设范围内。
以上提到的预设值、场景的判决门限、各个预设范围等参数,可以通过实验统计或者机器学习得到。通过多个车窗特征的判断的组合,来达到准确识别车窗的目的。
下面给出本发明的具体实施例:
汽车的前挡风玻璃,一般有固定的形状(梯形,或长方形),较均匀的灰度分布,较好的对称性,外轮廓具有非常明显线性特征(两条近似水平的线段)。因此,可以依据汽车的前挡风玻璃的特征,进行车辆的识别。
实施例1:车窗搜索检测流程。
如图3所示,车窗搜索检测包括以下步骤:
S301、计算图像各处搜索窗口的缩放系数;
S302、初始化搜索窗口,获取窗口内图像数据;
S303、对搜索窗口进行归一化处理,即全部搜索窗口的图像会缩放至统一大小;
S304、图像中心区域灰度统计分析;分析结果为车窗(是),进入S305;否则,转S309;
S305、图像轮廓特征分析;分析结果为车窗(是),进入S306;否则,转S309;
S306、图像边缘梯度分析;分析结果为车窗(是),进入S307;否则,转S309;
S307、图像阴影路面排除;分析结果为车窗(是),进入S308;否则,转S309;
S308、确定搜索窗口内为车窗,存储搜索窗口的信息;
S309、判断ROI区域是否搜索完;如果是,结束;否则,进入S310;
S310、移动搜索窗,获取窗口内图像数据;转S303。
搜索窗移动策略:搜索窗的左上顶点在ROI区域内从左向右,从上向下进行移动,移动的距离为右移步长、下移步长。
步长是指搜索窗移动时其左上顶点移动的像素的个数;搜索窗在画面中不同地方的移动步长是根据搜索窗采用的缩放因子乘以一个固定经验参数得到的,目的在于使搜索窗的搜索密度适中,避免过密造成计算量过大且检测出的噪声增多,过稀造成目标的漏检。
实施例2:图像中心区域灰度统计分析。
图像中心区域以1/3为单位进行划分得到,如图4阴影处所示。当一个搜索窗口框定很准确时,至少图像的中心区域应该全部是车窗,此时该中心区域的一些特征值会满足车窗的约束条件。计算这些特征并对其进行特征判定。
如图5所示,中心区域的判断流程包括如下步骤:
S501、判定中心区域的灰度平均值是否在指定范围。如果在则进入S502,否则退出,并判定该搜索窗的内容不是车窗。
S502、判断当前是否为阴天;如果是阴天采用另外的fCV判定约束值,进入S503;否则采用默认的fCV判定约束值,转S504。
S503、计算整个归一化灰度图像的平均值nMeanNorm,判定中心区域灰度均值nMeanCent是否小于nMeanNorm。如果小于则判定该窗不是车窗,否则进入S504。
S504、判断中心区域的变异系数fCV是否满足约束。满足约束则输出是(车窗),否则输出否。
其中,变异系数fCV=中心区域灰度数据标准差/中心区域的灰度数据均值,当该值大于一定值时,则认为中心区域的物体分布不均匀,这与车窗的特征不符,因此判定为该搜索窗不是车窗。
实施例3:图像轮廓特征分析。
图像边缘区域为图像边界1/4处,当搜索窗口准确框定车窗时,车窗边界在图像边缘区域内。
结合以上示意图进行边缘图像的特征计算和特征判定,整个过程可分为5步,这5个步骤只代表5种独立特征的判定实现,因此并无严格的执行顺序要求,具体包括如下内容:
1、如图6(a)所示,中心区域(区域1)是否有长直线(长度大于预设值的直线)的判定;
2、如图6(b)所示,在区域2中进行前景点面积比是否在车窗对应的范围内的判定;前景点面积即灰度图像二值化后保留的前景区域的面积除以与整个统计区域的面积。
3、如图6(c)所示,判断中心线两侧是否有等长的直线;即分别在区域3与区域4寻找最长的直线,当搜索窗准确地框定车窗时,车窗的上下边界所形成的直线会是中线对称的。
4、如图6(d)所示,在区域6和区域8中检查上下各1/4部分是否存在一条较长的直线;用于判定车窗的上下边界是否存在,如果存在则会有一条较长的直线。
5、如图6(d)和图6(e)所示,进行边缘的对称性判定;6,8区域相比,5,7区域相比,9,10区域相比,11,12区域相比,是否对称。
当以上判定的结果全部为是时,则认为判定结果为是(车窗),否则认为否。
实施例4:图像边缘梯度分析。
与实施例3类似,图像边缘区域为图像边界1/4处。车窗的边框具有明显的梯度特征,即图像的车窗边缘区域求取的灰度数据的梯度方向都是指向窗口内部的。统计上下左右四个方向指向窗口内部的梯度累加和,以及这四个方向上的最大梯度都满足为车窗的约束条件,则可以判定该搜索窗为候选车窗。如图7(a)所示,阴影处表示图像边缘;如图7(b)所示,为左侧边缘的梯度的计算过程的示意图,即只计算边缘区域中的非边界像素点,获取上下左右四个方向的梯度。
计算阴影处非边界像素点中每个点的4个方向的梯度值的绝对值,判断该值是否大于设定的阈值GRAD_THR(例如:等于5)时,如果大于则进行相应方向上的有选择的梯度累加运算,这里的有选择的梯度累加指的是只累加梯度方向指向窗口内部的梯度绝对值。参见图8,具体过程如下:
S801:求点4灰度值与点1灰度值差的绝对值,判断其是否大于nLocalMax0,如果大于则用该值更新nLocalMax0(nLocalMax0的初始值为0),即nLocalMax0用于记录0度方向梯度差的绝对值的最大值,nLocalMax90、nLocalMax180、nLocalMax270同理。接下来判断点4的灰度值是否大于点1的灰度,如果大,且大于GRAD_THR,则将点4的灰度值减去点1的灰度值累加到vHOG8[0]变量中,即vHOG8[0]用于累计记录0度方向的灰度差,vHOG8[1]、vHOG8[2]、vHOG8[3]同理。
S802:求点3灰度值与点1灰度值差的绝对值,判断其是否大于nLocalMax90,如果大于则用该值更新nLocalMax90(nLocalMax90的初始值为0),接下来判断点3的灰度值是否大于点1的灰度,如果大,0且大于GRAD_THR,则将点3的灰度值减去点1的灰度值累加到vHOG8[1]变量中。
S803:求点2灰度值与点1灰度值差的绝对值,判断其是否大于nLocalMax180,如果大于则用该值更新nLocalMax180(nLocalMax180的初始值为0),接下来判断点2的灰度值是否大于点1的灰度,如果大,且大于GRAD_THR,则将点2的灰度值减去点1的灰度值累加到vHOG8[2]变量中。
S804:求点5灰度值与点1灰度值差的绝对值,判断其是否大于nLocalMax270,如果大于则用该值更新nLocalMax270(nLocalMax270的初始值为0),接下来用点5的灰度值减去点1的灰度值,如果其差值大于GRAD_THR,则将点5的灰度值减去点1的灰度值累加到vHOG8[3]变量中。
S805、判断全部梯度计算区域是否遍历完毕,如果是,执行下一步;否则,确定下一个计算区域内的像素点为点1,返回S801。
S806:判断(nLocalMax0<MORM_THR||nLocalMax90<MORM_THR||nLocalMax180<MORM_THR||nLocalMax270<MORM_THR)是否为真,如果为真,则退出本次搜索,返回否。否则,进入S807。
S807:对vHOG8[1]、vHOG8[2]、vHOG8[3]、vHOG8[4]进行量化计算。量化过程如下:
先计算四个方向上量化后的最大绝对值梯度,然后用累加值除以量化后的最大值。
例如0度方向上nLocalMax0=MORM_THR*(int)((nLocalMax0+nLocalMax180)/(2.0*MORM_THR)),再计算vHOG8[0]=vHOG8[0]/nLocalMax0。其它三个方向的计算过程同上。计算结束后,对新的四个vHOG8值分别除以归一化图像的面积,分别得到比值f0GradR、f90GradR、f180GradR、f270GradR,并计算四个vHOG8的和除以归一化面积的比值fGradR,以上运算均为浮点运算。然后计算用于判定对称性的特征值fVHR=(f0GradR+f180GradR)/(f90GradR+f270GradR);fVR=(f0GradR+f180GradR)/fGradR;fV0V180R=f0GradR/f180GradR。
S808:对上一步骤的计算结果进行特征判定。判定如下:
1、当(fGradR<MIN_THR_HOG)||(fGradR>MAX_THR_HOG)为真时,退出本次搜索,返回否。
2、当(f0GradR<MIN_THR0_HOG||(f0GradR>MAX_THR0_HOG)为真时,退出本次搜索,返回否。
3、当(f90GradR<MIN_THR90_HOG)||(f90GradR>MAX_THR90_HOG)为真时,退出本次搜索,返回否。
4、当(f180GradR<MIN_THR180_HOG)||(f180GradR>MAX_THR180_HOG)为真时,退出本次搜索,返回否。
5、当(f270GradR<MIN_THR270_HOG)||(f270GradR>MAX_THR270_HOG)为真时,退出本次搜索,返回否。
6、当(fVHR<MIN_H_HOG)||(fVHR>MAX_H_HOG)为真时,退出本次搜索,返回否。
7、当(fVR<MIN_V_HOG)||(fVR>MAX_V_HOG)为真时,退出本次搜索,返回否。
8、当(fV0V180R<MIN_0V180_HOG)||(fV0V180R>MAX_0V180_HOG)为真时,退出本次搜索,返回否。
如果上述判定都为假,则表示该搜索窗口满足候选车窗的约束,返回是(车窗)。
实施例5:图像阴影路面排除。
参见图9,具体流程包括:
S901、在目标灰度模型中获取特征判定所需的边界约束参数;
获取目标灰度模型在线学习模块中的路面状态中值GRD_STATS.MEDIAN、路面状态标准差GRD_STATS.STD_DEV、车窗状态均值WIN_STATS.MAX_MEAN,车窗状态中值WIN_STATS.MAX_MEDIAN,阴影状态的中值SHD_STATS.MEDIAN,阴影状态的标准差SHD_STATS.STD_DEV。然后取(GRD_STATS.MEDIAN+GRD_STATS.STD_DEV)与WIN_STATS.MAX_MEAN中的较大值作为车窗中值的上限MAX_MEDIAN_WIN;取路面状态中值GRD_STATS.MEDIAN和车窗状态中值WIN_STATS.MAX_MEDIAN中的较大值作为车窗的中值;取阴影状态的中值SHD_STATS.MEDIAN与车窗状态的均值WIN_STATS.MIN_MEAN中的较大值作为车窗中值的下限MIN_MEDIAN_WIN。
S902:特征值计算;
计算归一化灰度窗中心区域搜有像素的中值,即对中心区域的所有像素排序,取出其中值medianC,计算区域如图4阴影处所示。
S903:判定当(medianC<MIN_MEDIAN_WIN)||(medianC>MAX_MEDIAN_WIN)为真时,即认为不是车窗,退出本次搜索,返回否;否则,返回是,认为是候选车窗。
参见图10,本发明实施例提供的一种图像识别装置包括:
搜索窗口确定单元1001,用于根据当前的搜索窗口缩放系数,确定当前的搜索窗口;
车窗识别单元1002,用于当确定当前搜索窗口内的图像为车窗图像时,记录该车窗图像的信息;
搜索窗口移动单元1003,用于按照预设轨迹在当前图像上移动搜索窗口,以继续寻找车窗图像。
较佳的,所述预设轨迹处于图像的预设区域内。
较佳的,所述搜索窗口的缩放系数,是预先根据物体在图像中的位置与成像大小之间的关系确定的。
较佳的,所述确定当前的搜索窗口之后,所述确定当前搜索窗口内的图像为车窗图像之前,该装置还包括:
归一化处理单元,用于将当前搜索窗口内的图像缩放至预设的大小。
较佳的,车窗识别单元用于确定当前搜索窗口内的图像为车窗图像时,包括:
中心区域灰度第一确定单元,用于确定当前搜索窗口内的图像的中心区域的灰度平均值符合车窗中心区域的特征;
中心区域灰度第二确定单元,用于确定当前搜索窗口内的图像的中心区域的灰度中值符合车窗中心区域的特征;
轮廓特征确定单元,用于确定当前搜索窗口内的图像的轮廓特征符合车窗的轮廓特征;
边缘区域梯度确定单元,用于确定当前搜索窗口内的图像的边缘区域的梯度符合车窗边缘区域的梯度特征。
较佳的,所述中心区域灰度第一确定单元具体用于:
确定所述中心区域的灰度平均值在预设第一范围内;
当根据当前全部图像的灰度值确定当前图像场景为预设第一场景时,确定所述中心区域的灰度平均值大于当前搜索窗口内的图像的灰度平均值,确定中心区域的变异系数在预设第二范围内;
当根据当前全部图像的平均灰度值确定当前图像场景为预设第二场景时,确定中心区域的变异系数在预设第三范围内。
较佳的,所述中心区域灰度第二确定单元具体用于:
确定所述中心区域的灰度中值在预设第四范围内。
较佳的,所述轮廓特征确定单元具体用于:
确定中心区域没有长度大于预设值的直线;确定前景点面积比在预设第五范围;确定垂直中心线两侧有等长的直线;确定上、下边缘分别有一条长度大于预设值的直线;以及确定边缘区域关于垂直中心线对称。
较佳的,所述边缘区域梯度确定单元具体用于:
确定边缘区域的0度方向的梯度在预设第六范围;确定边缘区域的90度方向的梯度在预设第七范围;确定边缘区域的180度方向的梯度在预设第八范围;确定边缘区域的270度方向的梯度在预设第九范围;以及,确定边缘区域的梯度的均值在预设第十范围。
较佳的,所述边缘区域梯度确定单元还用于:根据所述边缘区域的梯度,确定用于判断对称性的梯度特征值;确定所述梯度特征值均属于各自对应的预设范围内。
较佳的,以上装置均可通过FPGA(Field Programmable Gate Array,现场可编程门阵列)实现。
本发明提出了一种新的,有效的,稳定的车辆检测方法;通过检测车窗实现车辆检测,可克服车辆检测时大面积遮挡问题,能检测到的干线道路以及城市交通干道上密集的车辆;并且,四类特征的组合完成车窗搜索有效且稳定,对光照变化不敏感;此外,本发明没有使用视频帧间信息,只处理当前帧图像,对于视频抖动不敏感。
综上所述,本发明实施例提供了一种图像识别方法及装置,用于通过识别车窗以对车辆进行识别,避免了道路车多时相互遮挡导致识别失败,以及提高了车辆识别的稳定性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (20)
1.一种图像识别方法,其特征在于,该方法包括:
根据当前的搜索窗口缩放系数,确定当前的搜索窗口;
当确定当前搜索窗口内的图像为车窗图像时,记录该车窗图像的信息;
按照预设轨迹在当前图像上移动搜索窗口,以继续寻找车窗图像。
2.如权利要求1所述的方法,其特征在于,所述预设轨迹处于图像的预设区域内。
3.如权利要求1所述的方法,其特征在于,所述搜索窗口的缩放系数,是预先根据物体在图像中的位置与成像大小之间的关系确定的。
4.如权利要求1所述的方法,其特征在于,所述确定当前的搜索窗口之后,所述确定当前搜索窗口内的图像为车窗图像之前,该方法包括:
将当前搜索窗口内的图像缩放至预设的大小。
5.如权利要求1-4任一权项所述的方法,其特征在于,当满足以下四个条件时,确定当前搜索窗口内的图像为车窗图像:
当前搜索窗口内的图像的中心区域的灰度平均值符合车窗中心区域的特征;
当前搜索窗口内的图像的中心区域的灰度中值符合车窗中心区域的特征;
当前搜索窗口内的图像的轮廓特征符合车窗的轮廓特征;
当前搜索窗口内的图像的边缘区域的梯度符合车窗边缘区域的梯度特征。
6.如权利要求5所述的方法,其特征在于,所述当前搜索窗口内的图像的中心区域的灰度平均值符合车窗中心区域的特征,包括:
所述中心区域的灰度平均值在预设第一范围内;
当根据当前全部图像的灰度值确定当前图像场景为预设第一场景时,所述中心区域的灰度平均值大于当前搜索窗口内的图像的灰度平均值,中心区域的变异系数在预设第二范围内;
当根据当前全部图像的平均灰度值确定当前图像场景为预设第二场景时,中心区域的变异系数在预设第三范围内。
7.如权利要求5所述的方法,其特征在于,所述确定当前搜索窗口内的图像的中心区域的灰度中值符合车窗中心区域的特征,包括:
确定所述中心区域的灰度中值在预设第四范围内。
8.如权利要求5所述的方法,其特征在于,当满足以下五个条件时,确定当前搜索窗口内的图像的轮廓特征符合车窗的轮廓特征:
中心区域没有长度大于预设值的直线;
前景点面积比在预设第五范围;
垂直中心线两侧有等长的直线;
上、下边缘分别有一条长度大于预设值的直线;
边缘区域关于垂直中心线对称。
9.如权利要求5所述的方法,其特征在于,所述确定当前搜索窗口内的图像的边缘区域的梯度符合车窗边缘区域的梯度特征,需满足以下五个条件:
边缘区域的0度方向的梯度在预设第六范围;
边缘区域的90度方向的梯度在预设第七范围;
边缘区域的180度方向的梯度在预设第八范围;
边缘区域的270度方向的梯度在预设第九范围;
边缘区域的梯度的均值在预设第十范围。
10.如权利要求9所述的方法,其特征在于,所述确定当前搜索窗口内的图像的边缘区域的梯度符合车窗边缘区域的梯度特征,还需满足以下条件:
根据所述边缘区域的梯度,确定用于判断对称性的梯度特征值;
确定所述梯度特征值均属于各自对应的预设范围内。
11.一种图像识别装置,其特征在于,该装置包括:
搜索窗口确定单元,用于根据当前的搜索窗口缩放系数,确定当前的搜索窗口;
车窗识别单元,用于当确定当前搜索窗口内的图像为车窗图像时,记录该车窗图像的信息;
搜索窗口移动单元,用于按照预设轨迹在当前图像上移动搜索窗口,以继续寻找车窗图像。
12.如权利要求11所述的装置,其特征在于,所述预设轨迹处于图像的预设区域内。
13.如权利要求11所述的装置,其特征在于,所述搜索窗口的缩放系数,是预先根据物体在图像中的位置与成像大小之间的关系确定的。
14.如权利要求11所述的装置,其特征在于,所述确定当前的搜索窗口之后,所述确定当前搜索窗口内的图像为车窗图像之前,该装置还包括:
归一化处理单元,用于将当前搜索窗口内的图像缩放至预设的大小。
15.如权利要求11-14任一权项所述的装置,其特征在于,车窗识别单元用于确定当前搜索窗口内的图像为车窗图像时,包括:
中心区域灰度第一确定单元,用于确定当前搜索窗口内的图像的中心区域的灰度平均值符合车窗中心区域的特征;
中心区域灰度第二确定单元,用于确定当前搜索窗口内的图像的中心区域的灰度中值符合车窗中心区域的特征;
轮廓特征确定单元,用于确定当前搜索窗口内的图像的轮廓特征符合车窗的轮廓特征;
边缘区域梯度确定单元,用于确定当前搜索窗口内的图像的边缘区域的梯度符合车窗边缘区域的梯度特征。
16.如权利要求15所述的装置,其特征在于,所述中心区域灰度第一确定单元具体用于:
确定所述中心区域的灰度平均值在预设第一范围内;
当根据当前全部图像的灰度值确定当前图像场景为预设第一场景时,确定所述中心区域的灰度平均值大于当前搜索窗口内的图像的灰度平均值,确定中心区域的变异系数在预设第二范围内;
当根据当前全部图像的平均灰度值确定当前图像场景为预设第二场景时,确定中心区域的变异系数在预设第三范围内。
17.如权利要求15所述的装置,其特征在于,所述中心区域灰度第二确定单元具体用于:
确定所述中心区域的灰度中值在预设第四范围内。
18.如权利要求15所述的装置,其特征在于,所述轮廓特征确定单元具体用于:
确定中心区域没有长度大于预设值的直线;确定前景点面积比在预设第五范围;确定垂直中心线两侧有等长的直线;确定上、下边缘分别有一条长度大于预设值的直线;以及确定边缘区域关于垂直中心线对称。
19.如权利要求15所述的装置,其特征在于,所述边缘区域梯度确定单元具体用于:
确定边缘区域的0度方向的梯度在预设第六范围;确定边缘区域的90度方向的梯度在预设第七范围;确定边缘区域的180度方向的梯度在预设第八范围;确定边缘区域的270度方向的梯度在预设第九范围;以及,确定边缘区域的梯度的均值在预设第十范围。
20.如权利要求19所述的装置,其特征在于,所述边缘区域梯度确定单元还用于:
根据所述边缘区域的梯度,确定用于判断对称性的梯度特征值;
确定所述梯度特征值均属于各自对应的预设范围内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310070415.1A CN103207988B (zh) | 2013-03-06 | 2013-03-06 | 一种图像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310070415.1A CN103207988B (zh) | 2013-03-06 | 2013-03-06 | 一种图像识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103207988A true CN103207988A (zh) | 2013-07-17 |
CN103207988B CN103207988B (zh) | 2016-02-10 |
Family
ID=48755205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310070415.1A Active CN103207988B (zh) | 2013-03-06 | 2013-03-06 | 一种图像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103207988B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473567A (zh) * | 2013-08-27 | 2013-12-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于部分模型的车辆检测方法 |
CN103927512A (zh) * | 2014-03-11 | 2014-07-16 | 浙江工商大学 | 车辆识别方法 |
CN105354857A (zh) * | 2015-12-07 | 2016-02-24 | 北京航空航天大学 | 一种有立交桥遮挡的车辆轨迹匹配方法 |
CN105404874A (zh) * | 2015-11-27 | 2016-03-16 | 成都神州数码索贝科技有限公司 | 一种基于投影和hough直线检测的车窗识别*** |
CN105469057A (zh) * | 2015-11-27 | 2016-04-06 | 成都神州数码索贝科技有限公司 | 一种基于hough直线检测和投影的车窗检测方法 |
CN105488484A (zh) * | 2015-12-07 | 2016-04-13 | 北京航空航天大学 | 一种基于无人机航拍图像的车辆轨迹提取方法 |
CN106340198A (zh) * | 2016-08-31 | 2017-01-18 | 广州地理研究所 | 停车场车位引导***及其引导方法 |
CN108210186A (zh) * | 2018-01-29 | 2018-06-29 | 靳霞 | 产妇辅助恢复装置 |
CN108491782A (zh) * | 2018-03-16 | 2018-09-04 | 重庆大学 | 一种基于行车图像采集的车辆识别方法 |
CN109508720A (zh) * | 2018-10-23 | 2019-03-22 | 高新兴科技集团股份有限公司 | 一种车辆颜色识别方法及装置 |
CN110636204A (zh) * | 2018-06-22 | 2019-12-31 | 杭州海康威视数字技术股份有限公司 | 一种面部抓拍*** |
CN110867083A (zh) * | 2019-11-20 | 2020-03-06 | 浙江宇视科技有限公司 | 车辆监控方法、装置、服务器和机器可读存储介质 |
CN112428989A (zh) * | 2020-10-30 | 2021-03-02 | 惠州华阳通用电子有限公司 | 一种车辆控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101447023A (zh) * | 2008-12-23 | 2009-06-03 | 北京中星微电子有限公司 | 人头检测方法和*** |
US20110293141A1 (en) * | 2008-09-25 | 2011-12-01 | National Ict Australia Limited | Detection of vehicles in an image |
CN102479329A (zh) * | 2010-11-22 | 2012-05-30 | 索尼公司 | 分类器生成装置和方法,检测图像中的对象的装置和方法 |
CN102622889A (zh) * | 2012-03-30 | 2012-08-01 | 深圳市博康智能信息技术有限公司 | 一种基于图像分析的车辆遮阳板检测方法及装置 |
CN102663760A (zh) * | 2012-04-23 | 2012-09-12 | 苏州大学 | 一种对图像中的车辆挡风镜区域进行定位分割的方法 |
CN102663353A (zh) * | 2012-03-26 | 2012-09-12 | 北京博康智能信息技术有限公司 | 一种基于单帧图像的车辆识别方法及装置 |
-
2013
- 2013-03-06 CN CN201310070415.1A patent/CN103207988B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110293141A1 (en) * | 2008-09-25 | 2011-12-01 | National Ict Australia Limited | Detection of vehicles in an image |
CN101447023A (zh) * | 2008-12-23 | 2009-06-03 | 北京中星微电子有限公司 | 人头检测方法和*** |
CN102479329A (zh) * | 2010-11-22 | 2012-05-30 | 索尼公司 | 分类器生成装置和方法,检测图像中的对象的装置和方法 |
CN102663353A (zh) * | 2012-03-26 | 2012-09-12 | 北京博康智能信息技术有限公司 | 一种基于单帧图像的车辆识别方法及装置 |
CN102622889A (zh) * | 2012-03-30 | 2012-08-01 | 深圳市博康智能信息技术有限公司 | 一种基于图像分析的车辆遮阳板检测方法及装置 |
CN102663760A (zh) * | 2012-04-23 | 2012-09-12 | 苏州大学 | 一种对图像中的车辆挡风镜区域进行定位分割的方法 |
Non-Patent Citations (1)
Title |
---|
郭烈 等: "基于车载视觉的行人检测与跟踪方法", 《西南交通大学学报》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473567A (zh) * | 2013-08-27 | 2013-12-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于部分模型的车辆检测方法 |
CN103473567B (zh) * | 2013-08-27 | 2016-09-14 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于部分模型的车辆检测方法 |
CN103927512B (zh) * | 2014-03-11 | 2017-05-10 | 浙江工商大学 | 车辆识别方法 |
CN103927512A (zh) * | 2014-03-11 | 2014-07-16 | 浙江工商大学 | 车辆识别方法 |
CN105469057B (zh) * | 2015-11-27 | 2019-04-12 | 成都神州数码索贝科技有限公司 | 一种基于hough直线检测和投影的车窗检测方法 |
CN105404874A (zh) * | 2015-11-27 | 2016-03-16 | 成都神州数码索贝科技有限公司 | 一种基于投影和hough直线检测的车窗识别*** |
CN105469057A (zh) * | 2015-11-27 | 2016-04-06 | 成都神州数码索贝科技有限公司 | 一种基于hough直线检测和投影的车窗检测方法 |
CN105404874B (zh) * | 2015-11-27 | 2018-07-03 | 成都神州数码索贝科技有限公司 | 一种基于投影和hough直线检测的车窗识别*** |
CN105354857B (zh) * | 2015-12-07 | 2018-09-21 | 北京航空航天大学 | 一种有立交桥遮挡的车辆轨迹匹配方法 |
CN105354857A (zh) * | 2015-12-07 | 2016-02-24 | 北京航空航天大学 | 一种有立交桥遮挡的车辆轨迹匹配方法 |
CN105488484B (zh) * | 2015-12-07 | 2018-11-27 | 北京航空航天大学 | 一种基于无人机航拍图像的车辆轨迹提取方法 |
CN105488484A (zh) * | 2015-12-07 | 2016-04-13 | 北京航空航天大学 | 一种基于无人机航拍图像的车辆轨迹提取方法 |
CN106340198A (zh) * | 2016-08-31 | 2017-01-18 | 广州地理研究所 | 停车场车位引导***及其引导方法 |
CN108210186A (zh) * | 2018-01-29 | 2018-06-29 | 靳霞 | 产妇辅助恢复装置 |
CN108210186B (zh) * | 2018-01-29 | 2020-02-25 | 张燕 | 产妇辅助恢复装置 |
CN108491782A (zh) * | 2018-03-16 | 2018-09-04 | 重庆大学 | 一种基于行车图像采集的车辆识别方法 |
CN108491782B (zh) * | 2018-03-16 | 2020-09-08 | 重庆大学 | 一种基于行车图像采集的车辆识别方法 |
CN110636204A (zh) * | 2018-06-22 | 2019-12-31 | 杭州海康威视数字技术股份有限公司 | 一种面部抓拍*** |
CN110636204B (zh) * | 2018-06-22 | 2021-04-20 | 杭州海康威视数字技术股份有限公司 | 一种面部抓拍*** |
CN109508720A (zh) * | 2018-10-23 | 2019-03-22 | 高新兴科技集团股份有限公司 | 一种车辆颜色识别方法及装置 |
CN110867083A (zh) * | 2019-11-20 | 2020-03-06 | 浙江宇视科技有限公司 | 车辆监控方法、装置、服务器和机器可读存储介质 |
CN110867083B (zh) * | 2019-11-20 | 2021-06-01 | 浙江宇视科技有限公司 | 车辆监控方法、装置、服务器和机器可读存储介质 |
CN112428989A (zh) * | 2020-10-30 | 2021-03-02 | 惠州华阳通用电子有限公司 | 一种车辆控制方法 |
CN112428989B (zh) * | 2020-10-30 | 2022-03-11 | 惠州华阳通用电子有限公司 | 一种车辆控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103207988B (zh) | 2016-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103207988B (zh) | 一种图像识别方法及装置 | |
US11790699B2 (en) | Systems and methods for traffic violation detection | |
CN107766821B (zh) | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及*** | |
CN103971521B (zh) | 道路交通异常事件实时检测方法及装置 | |
US10081308B2 (en) | Image-based vehicle detection and distance measuring method and apparatus | |
CN103413308B (zh) | 一种障碍物检测方法和装置 | |
CN109147368A (zh) | 基于车道线的智能驾驶控制方法装置与电子设备 | |
CN102509101B (zh) | 交通视频监控中的背景更新方法和车辆目标提取方法 | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
CN103208185A (zh) | 一种基于车灯识别的夜间车辆检测方法及*** | |
CN101286239A (zh) | 航拍交通视频车辆快速检测方法 | |
CN101231756A (zh) | 运动目标阴影检测方法及装置 | |
CN102289948A (zh) | 高速公路场景下一种多特征融合的多车辆视频跟踪方法 | |
Johansson et al. | Combining shadow detection and simulation for estimation of vehicle size and position | |
CN103794050A (zh) | 一种实时的交通车辆检测与跟踪方法 | |
Hardjono et al. | Vehicle counting quantitative comparison using background subtraction, viola jones and deep learning methods | |
CN111160132B (zh) | 障碍物所在车道的确定方法、装置、电子设备和存储介质 | |
Lou et al. | Vehicles detection of traffic flow video using deep learning | |
CN110889347B (zh) | 基于时空计数特征的密度交通流计数方法及*** | |
US10719942B2 (en) | Real-time image processing system and method | |
Sánchez et al. | Using adaptive background subtraction into a multi-level model for traffic surveillance | |
Tourani et al. | Challenges of video-based vehicle detection and tracking in intelligent transportation systems | |
CN115272407A (zh) | 一种目标对象的运动轨迹确定方法及装置 | |
CN103218916B (zh) | 基于复杂高动态环境建模的闯红灯检测方法及*** | |
Gao et al. | An In-Car Objects Detection Algorithm Based on Improved Spatial-Temporal Entropy Image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230112 Address after: 100085 1st floor, building 1, yard 5, Shangdi East Road, Haidian District, Beijing Patentee after: DATANG MOBILE COMMUNICATIONS EQUIPMENT Co.,Ltd. Patentee after: CITIC Mobile Communication Technology Co.,Ltd. Address before: 100083 No. 29, Haidian District, Beijing, Xueyuan Road Patentee before: DATANG MOBILE COMMUNICATIONS EQUIPMENT Co.,Ltd. |
|
TR01 | Transfer of patent right |