CN103927549A - 基于斑点及直方图分析的车辆检测判别方法 - Google Patents
基于斑点及直方图分析的车辆检测判别方法 Download PDFInfo
- Publication number
- CN103927549A CN103927549A CN201410161509.4A CN201410161509A CN103927549A CN 103927549 A CN103927549 A CN 103927549A CN 201410161509 A CN201410161509 A CN 201410161509A CN 103927549 A CN103927549 A CN 103927549A
- Authority
- CN
- China
- Prior art keywords
- spot
- image
- target
- histogram
- car
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于斑点及直方图分析的车辆检测判别方法。方法分析道路交通卡口传回的路面图像,经直方图分析提取可能存在的非地面目标,并通过斑点分析初步判别目标类型,即汽车或三轮车/行人;当初步判断路面目标为汽车时,在目标区域扫描车牌信息,若扫描到类似车牌信息,通过分析车牌候选上方区域的灰度直方图及颜色直方图确认目标类型信息;若在目标区域未扫描到类似车牌信息,利用目标区域梯度图获取类似车前脸信息,通过对称性检测并判断车前脸候选上方区域的灰度直方图及颜色直方图确认目标类型。
Description
技术领域
本发明属于图像分析及模式识别技术领域,具体地说,属于一种基于斑点及直方图分析的车辆检测判别方法。
背景技术
随着人工智能、自动控制和模式识别等领域的发展,智能交通***应运而生,并取得巨大发展。对路面目标的检测和分类一直是智能交通***的重要组成部分,对于公路交通监视控制,刑侦智能辅助等都有着非常重要的意义。
与传统的车辆检测技术(如采用磁感应线圈、雷达、超声波、红外线、微波和声频等)不同,基于图像的目标检测技术综合了数字图像处理和人工模式识别的相关技术。它以图像为分析对象,通过对设定区域的图像进行分析得到交通信息,具有直观、高效、检测范围广且测量精度高的特点,同时其抗干扰能力强,先进的数字图像处理技术可以消除许多自然及人为干扰,在智能交通的电视监控基础上,视频检测获得的各项数据可以传达给各个交通信号控制***,从而与其形成一个有机的整体。
现有基于视频图像的车辆检测方法中,大多采用基于视频的运动目标检测技术提取前景目标,并不能从单帧图像中提取目标,且很少对运动目标的类型,如车辆,行人,三轮车等进行判别,即难以做到真正的车辆检测。
发明内容
本发明的目的在于根据道路交通卡口传回的路面图像,通过图像分析技术判别对图像中是否存在车辆目标进行检测,进而为交通***的车辆类型判别工作提供技术支持。
为实现上述目的,本发明提供了一种基于斑点及直方图分析的车辆检测判别方法,其包括以下部分:
S01、分析道路交通卡口传回的路面图像,经直方图分析提取可能存在的非地面目标,并通过斑点分析初步判别目标类型,即汽车或三轮车/行人;
S02、当初步判断路面目标为汽车时,在目标区域扫描车牌信息,若扫描到类似车牌信息,通过分析车牌候选上方区域的灰度直方图及颜色直方图确认目标类型信息;
S03、若在目标区域未扫描到类似车牌信息,利用目标区域梯度图获取类似车前脸信息,通过对称性检测并判断车前脸候选上方区域的灰度直方图及颜色直方图确认目标类型。
作为本发明的进一步改进,所述步骤S01具体为:
(1)对于输入图像I,建立其灰度直方图Ihist,提取出现频次最多的灰度,将该灰度值记为B,其对应的频次为P;
(2)设定灰度区间阈值T=P/3,建立路面候选目标掩膜图像M=(I>B+T)|(I<B-T);
(3)对目标掩模图像M进行中值滤波处理;
(4)根据目标掩模图像M中白色像素的个数对M进行膨胀处理;
(5)对目标掩模图像M进行标记,获得M中斑点集合R={R(t)},t=1,2,…,NM,NM为M中斑点个数;
(6)分析斑点集合R中各斑点的尺寸和形状,剔除面积过小和长宽比过大或过小的斑点;
(7)对斑点集合R中的每对斑点R(t1),R(t2),根据该对斑点在图像平面的空间分布,判断是否属于同一辆车,若是,则合并两斑点区域,进而得到斑点区域集合P={P(c)},c=1,2,…,NP,NP为区域集合中区域的个数;
(8)分析区域集合P中的每块区域的尺寸和形状以及在图像中的位置,剔除面积过小和长宽比过大或过小以及过分靠近图像边缘的区域,得到修正后的目标区域集合P′={P′(c)},c=1,2,…,N′P,N′P为区域集合中区域的个数;
(9)若N′P=0,则对应图像中的目标类型为非汽车,如三轮车,电动车,行人,若N′P>0,则对应图像中的目标类型可能为汽车;
作为本发明的进一步改进,所述步骤S02具体为:
(1)根据车牌颜色信息,建立车牌位置候选区{Rl(j)={[x(s),y(s)]|b(s)/min(r(s),g(s))}>Tb},j=1,2,…,Nl,Nl为车牌位置候选区个数,(r(s),g(s),b(s))为像素点s的红、绿、蓝颜色分量,Tb为颜色阈值,可取0.7;
(2)将每一个车牌位置候选区Rl(k)所对应的坐标值的像素值赋1,其余像素赋0,形成二值图像bw;
(4)对二值图像bw进行中值滤波后做斑点标记,计算每一个斑点的面积、长宽比、矩形度,根据斑点的几何特征删除不可能为车牌的斑点;
(5)统计经删除操作之后的斑点个数Nb,若Nb>1,则将该斑点进行车牌区域确认;
(6)若通过区域确认,获取该斑点中心[xl,yl],并根据中心在图像中的位置确定疑似车盖区域位置,获得疑似车盖图像Ihat;
(7)获取疑似车盖图像Ihat的灰度直方图,求取对应频次最高的灰度hg;
(8)将车盖图像Ihat变换至HSI颜色空间,提取其中的H分量,获得其分量图像H;
(9)统计分量图像H的直方图,求取对应频次最高和最低的H值,分别记为MAH和MIH;
(10)若MAH<0.6且MIH>5e-3且|hg-B|<0.1,或者MAH<0.25,则认为当前图片中目标类型为非汽车,如三轮车/电动车/行人,否则,则认为当前图片中目标类型为汽车。
与现有技术相比,本发明的有益效果是:本发明分析在线获取的交通卡口图像,利用斑点分析和直方图分析技术图像数据,对图像中是否存在车辆目标进行检测判别,为车辆类型判别提供可靠的技术支持,极大限度地降低误判和漏判率。在智能交通***、公安刑侦监测等领域均有广泛的应用前景。
附图说明
图1为本发明一种基于斑点及直方图分析的车辆检测判别方法具体实施方式中的流程示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
请参图1所示,图1为本发明一种基于斑点及直方图分析的车辆检测判别方法具体实施方式中的流程示意图。由于国内道路上经常出现非车辆目标如三轮车、摩托车或行人压到交通卡口附近的感应线圈的情况,因此拍摄的图片可能并不包含真正的车辆。在本实施方式中,一种基于斑点及直方图分析的车辆检测方法,其包括以下部分:
S01、分析道路交通卡口传回的路面图像,经直方图分析提取可能存在的非地面目标,并通过斑点分析初步判别目标类型,即汽车或三轮车/行人;
所述步骤S01具体为:
(1)对于输入图像I,建立其灰度直方图Ihist,提取出现频次最多的灰度,将该灰度值记为B,其对应的频次为P;
(2)设定灰度区间阈值T=P/3,建立路面候选目标掩膜图像M=(I>B+T)|(I<B-T);
(3)对目标掩模图像M进行中值滤波处理;
(4)根据目标掩模图像M中白色像素的个数对M进行膨胀处理;
(5)对目标掩模图像M进行标记,获得M中斑点集合R={R(t)},t=1,2,…,NM,NM为M中斑点个数;
(6)分析斑点集合R中各斑点的尺寸和形状,剔除面积过小和长宽比过大或过小的斑点;
(7)对斑点集合R中的每对斑点R(t1),R(t2),根据该对斑点在图像平面的空间分布,判断是否属于同一辆车,若是,则合并两斑点区域,进而得到斑点区域集合P={P(c)},c=1,2,…,NP,NP为区域集合中区域的个数;
(8)分析区域集合P中的每块区域的尺寸和形状以及在图像中的位置,剔除面积过小和长宽比过大或过小以及过分靠近图像边缘的区域,得到修正后的目标区域集合P′={P′(c)},c=1,2,…,N′P,N′P为区域集合中区域的个数;
(9)若N′P=0,则对应图像中的目标类型为非汽车,如三轮车,电动车,行人,若N′P>0,则对应图像中的目标类型可能为汽车;
S02、当初步判断路面目标为汽车时,在目标区域扫描车牌信息,若扫描到类似车牌信息,通过分析车牌候选上方区域的灰度直方图及颜色直方图确认目标类型信息;
所述步骤S02具体为:
(1)根据车牌颜色信息,建立车牌位置候选区{Rl(j)={[x(s),y(s)]|b(s)/min(r(s),g(s))}>Tb},j=1,2,…,Nl,Nl为车牌位置候选区个数,(r(s),g(s),b(s))为像素点s的红、绿、蓝颜色分量,Tb为颜色阈值,可取0.7;
(2)将每一个车牌位置候选区Rl(k)所对应的坐标值的像素值赋1,其余像素赋0,形成二值图像bw;
(4)对二值图像bw进行中值滤波后做斑点标记,计算每一个斑点的面积、长宽比、矩形度,根据斑点的几何特征删除不可能为车牌的斑点;
(5)统计经删除操作之后的斑点个数Nb,若Nb>1,则将该斑点进行车牌区域确认;
(6)若通过区域确认,获取该斑点中心[xl,yl],并根据中心在图像中的位置确定疑似车盖区域位置,获得疑似车盖图像Ihat;
(7)获取疑似车盖图像Ihat的灰度直方图,求取对应频次最高的灰度hg;
(8)将车盖图像Ihat变换至HSI颜色空间,提取其中的H分量,获得其分量图像H;
(9)统计分量图像H的直方图,求取对应频次最高和最低的H值,分别记为MAH和MIH;
(10)若MAH<0.6且MIH>5e-3且|hg-B|<0.1,或者MAH<0.25,则认为当前图片中目标类型为非汽车,如三轮车/电动车/行人,否则,则认为当前图片中目标类型为汽车。
S03、若在目标区域未扫描到类似车牌信息,利用目标区域梯度图获取类似车前脸信息,通过对称性检测并判断车前脸候选上方区域的灰度直方图及颜色直方图确认目标类型。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于斑点及直方图分析的车辆检测判别方法,其特征在于,其包括以下步骤:
S01、分析道路交通卡口传回的路面图像,经直方图分析提取可能存在的非地面目标,并通过斑点分析初步判别目标类型,即汽车或三轮车/行人;
S02、当初步判断路面目标为汽车时,在目标区域扫描车牌信息,若扫描到类似车牌信息,通过分析车牌候选上方区域的灰度直方图及颜色直方图确认目标类型信息;
S03、若在目标区域未扫描到类似车牌信息,利用目标区域梯度图获取类似车前脸信息,通过对称性检测并判断车前脸候选上方区域的灰度直方图及颜色直方图确认目标类型。
2.根据权利要求1所述的基于斑点及直方图分析的路面目标判别方法,所述步骤S01具体为:
(1)对于输入图像I,建立其灰度直方图Ihist,提取出现频次最多的灰度,将该灰度值记为B,其对应的频次为P;
(2)设定灰度区间阈值T=P/3,建立路面候选目标掩膜图像M=(I>B+T)|(I<B-T);
(3)对目标掩模图像M进行中值滤波处理;
(4)根据目标掩模图像M中白色像素的个数对M进行膨胀处理;
(5)对目标掩模图像M进行标记,获得M中斑点集合R={R(t)},t=1,2,…,NM,NM为M中斑点个数;
(6)分析斑点集合R中各斑点的尺寸和形状,剔除面积过小和长宽比过大或过小的斑点;
(7)对斑点集合R中的每对斑点R(t1),R(t2),根据该对斑点在图像平面的空间分布,判断是否属于同一辆车,若是,则合并两斑点区域,进而得到斑点区域集合P={P(c)},c=1,2,…,NP,NP为区域集合中区域的个数;
(8)分析区域集合P中的每块区域的尺寸和形状以及在图像中的位置,剔除面积过小和长宽比过大或过小以及过分靠近图像边缘的区域,得到修正后的目标区域集合P′={P′(c)},c=1,2,…,N′P,N′P为区域集合中区域的个数;
(9)若N′P=0,则对应图像中的目标类型为非汽车,如三轮车,电动车,行人,若N′P>0,则对应图像中的目标类型可能为汽车。
3.根据权利要求1所述的基于斑点及直方图分析的路面目标判别方法,所述步骤S02具体为:
(1)根据车牌颜色信息,建立车牌位置候选区{Rl(j)={[x(s),y(s)]|b(s)/min(r(s),g(s))}>Tb},j=1,2,…,Nl,Nl为车牌位置候选区个数,(r(s),g(s),b(s))为像素点s的红、绿、蓝颜色分量,Tb为颜色阈值,可取0.7;
(2)将每一个车牌位置候选区Rl(k)所对应的坐标值的像素值赋1,其余像素赋0,形成二值图像bw;
(4)对二值图像bw进行中值滤波后做斑点标记,计算每一个斑点的面积、长宽比、矩形度,根据斑点的几何特征删除不可能为车牌的斑点;
(5)统计经删除操作之后的斑点个数Nb,若Nb>1,则将该斑点进行车牌区域确认;
(6)若通过区域确认,获取该斑点中心[xl,yl],并根据中心在图像中的位置确定疑似车盖区域位置,获得疑似车盖图像Ihat;
(7)获取疑似车盖图像Ihat的灰度直方图,求取对应频次最高的灰度hg;
(8)将车盖图像Ihat变换至HSI颜色空间,提取其中的H分量,获得其分量图像H;
(9)统计分量图像H的直方图,求取对应频次最高和最低的H值,分别记为MAH和MIH;
(10)若MAH<0.6且MIH>5e-3且|hg-B|<0.1,或者MAH<0.25,则认为当前图片中目标类型为非汽车,如三轮车/电动车/行人,否则,则认为当前图片中目标类型为汽车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410161509.4A CN103927549A (zh) | 2014-04-14 | 2014-04-14 | 基于斑点及直方图分析的车辆检测判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410161509.4A CN103927549A (zh) | 2014-04-14 | 2014-04-14 | 基于斑点及直方图分析的车辆检测判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103927549A true CN103927549A (zh) | 2014-07-16 |
Family
ID=51145765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410161509.4A Pending CN103927549A (zh) | 2014-04-14 | 2014-04-14 | 基于斑点及直方图分析的车辆检测判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927549A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463170A (zh) * | 2014-12-04 | 2015-03-25 | 江南大学 | 一种卡口***下基于多重检测的无牌车辆检测方法 |
CN112598009A (zh) * | 2020-09-29 | 2021-04-02 | 中科劲点(北京)科技有限公司 | 基于运动分析的车辆分类方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2075740A1 (en) * | 2007-12-24 | 2009-07-01 | Katholieke Hogeschool limburg industriele Wetenschappen en technologie | Method for making a decision. |
CN101520841A (zh) * | 2009-03-10 | 2009-09-02 | 北京航空航天大学 | 一种高清视频中的实时抗干扰车牌定位方法 |
CN103279756A (zh) * | 2013-06-13 | 2013-09-04 | 苏州市公安局苏州工业园区分局 | 基于集成分类器的车辆检测分析***及其检测分析方法 |
CN103390166A (zh) * | 2013-07-17 | 2013-11-13 | 中科联合自动化科技无锡有限公司 | 基于车前脸特征的车辆型号一致性判别方法 |
-
2014
- 2014-04-14 CN CN201410161509.4A patent/CN103927549A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2075740A1 (en) * | 2007-12-24 | 2009-07-01 | Katholieke Hogeschool limburg industriele Wetenschappen en technologie | Method for making a decision. |
CN101520841A (zh) * | 2009-03-10 | 2009-09-02 | 北京航空航天大学 | 一种高清视频中的实时抗干扰车牌定位方法 |
CN103279756A (zh) * | 2013-06-13 | 2013-09-04 | 苏州市公安局苏州工业园区分局 | 基于集成分类器的车辆检测分析***及其检测分析方法 |
CN103390166A (zh) * | 2013-07-17 | 2013-11-13 | 中科联合自动化科技无锡有限公司 | 基于车前脸特征的车辆型号一致性判别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463170A (zh) * | 2014-12-04 | 2015-03-25 | 江南大学 | 一种卡口***下基于多重检测的无牌车辆检测方法 |
CN112598009A (zh) * | 2020-09-29 | 2021-04-02 | 中科劲点(北京)科技有限公司 | 基于运动分析的车辆分类方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI409718B (zh) | 移動中車輛之車牌定位方法 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN101030256B (zh) | 车辆图像分割方法和装置 | |
US8294794B2 (en) | Shadow removal in an image captured by a vehicle-based camera for clear path detection | |
CN104899554A (zh) | 一种基于单目视觉的车辆测距方法 | |
CN102364496B (zh) | 一种基于图像分析的汽车车牌自动识别方法及*** | |
CN104361350B (zh) | 一种交通标识识别*** | |
CN103745598B (zh) | 基于前脸特征的车型识别方法 | |
CN104966049B (zh) | 基于图像的货车检测方法 | |
CN106127107A (zh) | 基于车牌信息和车辆轮廓的多路视频信息融合的车型识别方法 | |
CN107886034B (zh) | 行车提醒方法、装置及车辆 | |
CN103971380A (zh) | 基于rgb-d的行人尾随检测方法 | |
CN104616502A (zh) | 基于组合式车路视频网络的车牌识别与定位*** | |
CN101556739A (zh) | 基于本征图像分解的车辆检测算法 | |
JP6068833B2 (ja) | 車用色検出器 | |
CN104299210A (zh) | 基于多特征融合的车辆阴影消除方法 | |
CN103390166B (zh) | 基于车前脸特征的车辆型号一致性判别方法 | |
CN104143077A (zh) | 基于图像的行人目标检索方法和*** | |
CN105389990B (zh) | 一种基于监控球机的违章停车检测识别方法 | |
Yong et al. | Real-time traffic cone detection for autonomous vehicle | |
Ryu et al. | Feature-based pothole detection in two-dimensional images | |
CN104408431A (zh) | 交通监控下的车款识别方法 | |
CN103366578A (zh) | 一种基于图像的车辆检测方法 | |
CN101216893B (zh) | 视频运动阴影检测方法 | |
Zhou et al. | Real-time traffic light recognition based on c-hog features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140716 |