CN106778742B - 一种基于Gabor滤波器背景纹理抑制的车标检测方法 - Google Patents

Abstract

本发明公开了一种基于Gabor滤波器背景纹理抑制的车标检测方法，包含以下步骤：第一步，对图像进行倾斜校正预处理；第二步，在预处理后的图像中进行车牌检测，得到车牌区域；第三步，基于先验知识，根据车牌和车标的位置关系，在车牌定位后得到包含车标图案的车标粗定位区域；第四步，对车标粗定位区域进行Gabor滤波，抑制车标周围散热网纹理，凸显车标区域；第五步，进行高斯滤波和数学形态学闭操作；第六步，选定阈值对灰度图像阈值化，并框定检测目标区域，实现车标精定位。该车标检测方法检测时间短，检测率高。

Description

一种基于Gabor滤波器背景纹理抑制的车标检测方法

技术领域

本发明涉及车标检测方法，尤其涉及一种基于Gabor滤波器背景纹理抑制的车标检测方法。

背景技术

随着社会经济的快速增长，目前中国的汽车消费需求日益旺盛，汽车数目不断增长，也带来了诸如交通肇事逃逸，车辆被盗窃等交通问题。为了确定违法和违章车辆，目前普遍采用的是对汽车的车牌进行识别。然而近几年套牌，倒牌，车牌磨损以及车牌遮挡等现象的出现，使得仅仅通过识别车牌来确定汽车变得不可靠。车标是包含了车型和生产厂家信息的关键性图像，是汽车分类和识别的重要依据。如果能准确地定位车标，将会有效地提高汽车分类和识别的准确率。

然而车标种类丰富，形状多样，不具有稳定的外部特征，同时其所处的环境是纹理复杂的汽车格栅区域。另外车标易受天气影响：夜晚或雨天光照不足的情况下，车标难以辨认；强光条件下，车标极易反光。上述特点使得车标定位存在较大难度，很有挑战性。现有的车标定位方法还不够成熟，存在检测率低，易受光照变化干扰等问题，所以车标检测效果还有待进一步提高。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种基于Gabor滤波器背景纹理抑制的车标检测方法。

技术方案：本发明所述的基于Gabor滤波器背景纹理抑制的车标检测方法包括：

(1)对拍摄获取的具有一定倾斜角度的车辆图像，基于SIFT算子进行车辆对称轴检测和倾斜校正；

(2)利用Harr+AdaBoost的机器学习算法训练得到级联分类器，并采用该级联分类器从校正后的车辆图像中定位车牌区域；

(3)基于先验知识，根据车牌和车标的位置关系，在定位的车牌区域中得到包含车标图案的车标粗定位区域；

(4)对车标粗定位区域进行Gabor滤波，抑制车标周围散热网纹理，凸显车标区域；

(5)对车标区域进行高斯滤波和数学形态学闭操作；

(6)选定阈值对将步骤(5)得到的灰度图像阈值化，并框定检测目标区域，得到精定位的车标。

有益效果：本发明与现有技术相比，其显著优点是：

1)检测精度高：该方法对光照变化有一定的抗干扰性，在不同的光照条件下都有着较高的检测率，对车标在太阳光直射和夜间等光照条件下(尤其是在强光下)都有较好的定位效果；

2)实时性好：本发明方法在夜晚或者光照不足条件下,太阳光直射的强光条件下和光照均匀的条件下都有着较快的检测速度,对于高速公路卡口抓拍的图片数据来说，可以实现在线实时处理；

3)适用对象广：传统的背景纹理抑制算法往往是对车标粗定位区域先进行纹理方向判断，然后根据不同的纹理方向采用不同的车标定位算法，传统方法中一旦出现车标纹理方向判别错误的情况，错误的定位方法就会被使用，必然导致定位失败，而本发明采用的基于Gabor滤波器背景纹理抑制的方法具有较高的适用性而无需进行纹理方向判别，能够同时适用于车标背景为水平，垂直和网状纹理的车辆进行车标检测，所以本发明是一种适用于不同情况且鲁棒性更好的算法。

附图说明

图1是本发明的基于Gabor滤波器背景纹理抑制的车标检测方法的流程示意图；

图2是车牌定位的流程示意图；

图3是Gabor滤波器的滤波流程示意图。

具体实施方式

如图1所示，本实施例的基于Gabor滤波器背景纹理抑制的车标检测方法包括：

(1)对拍摄获取的具有一定倾斜角度的车辆图像，基于SIFT算子进行车辆对称轴检测和倾斜校正。

该步骤具体包括：

(1-1)获取车辆图像的每一个特征点的点向量，其中，定义特征点i的点向量为

x_i,y_i表示该点坐标，

表示方向，s_i表示尺度信息，i＝1,…,n，n为特征点的总数；

(1-2)将特征点的方向

经过归一化后，得到对应的特征描述子k_i，i＝1,…,n，并将所有点的特征描述子生成预设维数的SIFT特征点向量；

(1-3)通过直接修改特征描述子k_i生成镜像m_i，再通过匹配特征点和镜像生成可能的对称特征点对(p_i,p_j)，i，j＝1,…,n，i≠j；

(1-4)计算每一对可能的对称特征点对(p_i,p_j)的角度置信度Φ_ij、尺度置信度S_ij和距离置信度D_ij，再计算得到总置信度M_i,j，i，j＝1,…,n，i≠j；其中：

角度置信度Φ_ij的计算公式为：

其中，

分别为点p_i和点p_j的方向,θ_ij为点p_i到点p_j的方向；

尺度置信度S_ij由量化p_i和p_j中尺度的相似度s_i和s_j来得到：

其中σ_s为尺度因子,是高斯函数包络线沿点p_i到点p_j的方向的标准方差；

距离置信度D_ij为：

σ_d为距离边界，d为为对称点p_i到点p_j的距离；

总置信度M_i,j为：

(1-5)计算每一对对称特征点对(p_i,p_j)的对称轴r_ij：r_ij＝x_c cosθ_ij+y_c sinθ_ij，其中x_c，y_c分别为特征点对(p_i,p_j)在x轴和y轴方向上的长度，θ_ij为点p_i到点p_j的方向；

(1-6)利用线性霍夫变换来寻找主对称轴，每一对对称特征点对(p_i,p_j)对霍夫空间内的点(r_ij,θ_ij)以权值M_i,j投票，得到主对称轴；

(1-7)将主对称轴的角度作为车辆倾斜角度θ；

(1-8)根据车辆倾斜角度θ，将车辆图像进行倾斜校正，校正后的图像为：

width、height，为原始图像的宽和高，width'、height'为校正图像的宽和高。

(2)利用Harr+AdaBoost的机器学习算法训练得到级联分类器，并采用该级联分类器从校正后的车辆图像中定位车牌区域。

步骤(2)具体包括以下步骤：

(2-1)采集预设数量的正样本和负样本，分别建立正样本库和负样本库，其中，正样本是指从道路卡口拍摄的高清车辆照中裁剪出的车牌，负样本是从车辆照中的非车牌区域中随机剪裁的背景样本，包含各种各样的背景环境；

(2-2)提取所有正负样本的Harr特征，并用这些Harr特征训练出若干个AdaBoost算法的强分类器；

其中，AdaBoost算法的强分类器的训练方法为：

(2-2-1)设训练集S＝{(a₁,b₁),...,(a_m,b_m)}包含m个样本，其中a_i∈A(i＝1,2,...,m)表示训练样本，A为训练样本集，b_i∈B是a_i对应的判别标志，且有B＝{1,-1}，对于第i个训练样本的第j个弱分类器h_j(a_i)表示为

其中，F_j(a_i)表示子窗口中第j个Haar特征的值，δ_j表示设定的阈值，p_j表示控制不等号的方向的量；

(2-2-2)用AdaBoost算法把弱分类器训练为强分类器，具体步骤如下：

初始化样本权值：

其中，w₁(i)表示第一轮训练中第i个样本的初始权值，p表示S中正样本的总数，q表示S中负样本的总数，有p+q＝m，m为样本总数；

对于t＝1,2,…,T(T为迭代次数)，进行如下循环：

①权值归一化

其中，w_t(i)表示第t轮训练中第i个样本的权值，i＝1,2,...,m；

②对特征j训练出其弱分类器h_j，计算其加权误差ε_j，即

并选择加权误差最低的分类器h_{t min}作为此次循环的分类器；

③按照如下公式更新样本权值：

其中当分类正确时，h_t(a_i)＝b_i，e_i＝0，分类错误时，h_t(a_i)≠b_i，e_i＝1；

(2-2-3)得到最终的强分类器，如下

其中

a为待检窗口，h_t(a)表示在第t轮训练中得到的弱分类器，H(a)的结果为1表示接受，0表示拒绝。

(2-3)将训练得到的若干强分类器以级联的形式构造出车牌检测级联分类器；

(2-4)如图2所示，采用训练好的车牌检测级联分类器来检测车辆图像中的车牌区域；

(2-5)采用车牌比例特征和车牌位置特征为依据，将检测出的车牌区域进行误捡筛选。

步骤(2-5)用于在定位后排除误检的区域。

其中，车牌比例特征：车牌形状为矩形，车牌有固定的字数和固定大小的字体，实际宽度和高度分别为44厘米和14厘米，图像中的宽高比基本在3：1左右，算法中可对宽度和高度设定大小范围限；

车牌位置特征：由于实际道路监控摄像头由固定位置地感线圈信号触发拍摄而车牌的安装位置在整个车辆的偏下方，因此车牌在整幅图像中的垂直方向位置基本稳定(更趋向于出现在图像下半部分)，根据统计信息可以求得平均车牌中心位置，偏离该中心位置越远的候选区域成为车牌的可能性越低。

(3)通过观察车辆的车头各部件拓扑结构可以发现：车标最容易分辨的特征是它的位置，它与其他干扰区域的最大区别在于车标不会出现在除车牌上方的其他位置，而干扰区域的位置是随机的、不确定的，因此可以由车牌位置粗略定位车标大致范围；通过对大量车辆图片试验，根据车牌和车标的位置关系，在定位的车牌区域中得到包含车标图案的车标粗定位区域为：

其中，X₁、X₂、Y₁、Y₂分别为粗定位得到的车标大致范围的左右及上下边界，X_left、X_right分别为车牌区域的左右边界，Y_up为车牌区域上边界，height为车牌区域高度，N为可选择的高度系数，一般取作N＝3。

(4)对车标粗定位区域进行Gabor滤波，抑制车标周围散热网纹理，凸显车标区域。

如图3所示，步骤(4)具体包括以下步骤：

(4-1)定义Gabor滤波器的二维Gabor核函数h(x,y)为

其中，u₀为函数中心频率，σ_x、σ_y为尺度因子，分别为高斯函数包络线沿x、y轴方向的标准差，exp(2πju₀R₁)为振荡函数，实部为余弦函数，虚部为正弦函数，

为设定的方向；

通过改变Gabor核函数方向

可以提取图像中不同方向的纹理信息，

的取值范围为

这个范围内的

值可以描述所有的方向，即

与

描述的是同一个方向，同样通过改变Gabor核函数的尺度可以提取图像中不同尺度上的纹理信息，本发明中没有选择多尺度上纹理信息的提取，而是在一个效果良好的特定尺度下，选取了6个不同方向的Gabor滤波器构成滤波器组,方向分别为π/6，π/4，π/3，2π/3，3π/4，5π/6。

(4-2)初始化Gabor滤波器：分别构建6个不同方向的Gabor滤波器{h_l(x,y)|l＝1,...,6}，从而构成滤波器组，其中，方向

分别设定为π/6，π/4，π/3，2π/3，3π/4，5π/6，6个方向的Gabor滤波器的尺度参数和带宽参数设置如下：尺度σ_x、σ_y的值均设定为1，带宽Sigma设置为2π，且Sigma＝σu₀，故中心频率u₀为2π；

(4-3)将步骤(3)得到的车标粗定位区域图像分别和6个不同方向的二维Gabor核函数h(x,y)进行卷积操作并取模，得到6个滤波图像G₁(x,y)，G₂(x,y)，G₃(x,y)，G₄(x,y)，G₅(x,y)，G₆(x,y)，滤波器组最终输出图像为G(x,y)＝(G₁(x,y)+G₂(x,y)+G₃(x,y)+G₄(x,y)+G₅(x,y)+G₆(x,y))/6，其中，G_l(x,y)＝∫∫f(x₀,y₀)h_l(x-x₀,y-y₀)dx₀dy₀，式中，f(x,y)为车标粗定位区域图像；

(4-4)对步骤(4-3)获得的滤波器组最终输出图像G(x,y)的每一像素点pk计算其衰减系数λ_pk，k＝1,...,num，num为像素点的总数目，计算步骤如下：

①对车牌定位后得到的粗定位区域中分别用Sobel水平边缘检测方法和Sobel垂直边缘检测方法得到包含水平纹理的图像I_x以及包含垂直纹理的图像I_y；

②计算每一像素点pk的衰减系数为：

(x_pk,y_pk)为像素点pk的坐标，α和β是两个常数系数，本发明中取α＝0.5，β＝2；width_pai为定位得到的车牌区域的宽度；由公式可见：λ_pk的大小与I_x/I_y和x_pk有关：I_x/I_y越趋近于0或无穷大(对应水平或垂直纹理的情况)，λ_pk越小，同理，x_pk越偏离width_pai/2处(车标及车牌的共同对称轴)，λ_pk越小，

(4-5)将波器组输出图像G(x,y)的每一像素点都乘以其对应的衰减系数λ_pk。

(5)对车标区域进行高斯滤波和数学形态学闭操作。

该步骤对于步骤(4)得到的图像运用二维离散高斯滤波函数滤除噪声，并进行灰度级数学形态学闭操作，以弥合检测目标间断或断裂，消除目标中的细小空洞。

(6)选定阈值对将步骤(5)得到的灰度图像阈值化，并框定检测目标区域，得到精定位的车标。

步骤(6)具体包括以下步骤：

(6-1)选择步骤(5)得到的图像T(x_pk,y_pk)的像素灰度值均值的1/2作为阈值

即

(6-2)采用阈值进行阈值化，阈值化后的图像为

(6-3)从阈值化后的图像中框定检测目标区域，此目标区域即为车标区域。

Claims (7)

1.一种基于Gabor滤波器背景纹理抑制的车标检测方法，其特征在于该方法包括：

(1)对拍摄获取的具有一定倾斜角度的车辆图像，基于SIFT算子进行车辆对称轴检测和倾斜校正；

(2)利用Harr+AdaBoost的机器学习算法训练得到级联分类器，并采用该级联分类器从校正后的车辆图像中定位车牌区域；

(3)基于先验知识，根据车牌和车标的位置关系，在定位的车牌区域中得到包含车标图案的车标粗定位区域；

(4)对车标粗定位区域进行Gabor滤波，抑制车标周围散热网纹理，凸显车标区域；具体包括以下步骤：

(4-1)定义Gabor滤波器的二维Gabor核函数h(x,y)为

其中，u₀为函数中心频率，σ_x、σ_y为尺度因子，分别为高斯函数包络线沿x、y轴方向的标准差，exp(2πju₀R₁)为振荡函数，实部为余弦函数，虚部为正弦函数，

为设定的方向；

(4-2)初始化Gabor滤波器：分别构建6个不同方向的Gabor滤波器{h_l(x,y)|l＝1,...,6}，从而构成滤波器组，其中，方向

分别设定为π/6，π/4，π/3，2π/3，3π/4，5π/6，6个方向的Gabor滤波器的尺度参数和带宽参数设置如下：尺度σ_x、σ_y的值均设定为1，带宽Sigma设置为2π，且Sigma＝σu₀，故中心频率u₀为2π；

(4-3)将步骤(3)得到的车标粗定位区域图像分别和6个不同方向的二维Gabor核函数h(x,y)进行卷积操作并取模，得到6个滤波图像G₁(x,y)，G₂(x,y)，G₃(x,y)，G₄(x,y)，G₅(x,y)，G₆(x,y)，滤波器组最终输出图像为G(x,y)＝(G₁(x,y)+G₂(x,y)+G₃(x,y)+G₄(x,y)+G₅(x,y)+G₆(x,y))/6，其中，G_l(x,y)＝∫∫f(x₀,y₀)h_l(x-x₀,y-y₀)dx₀dy₀，式中，f(x,y)为车标粗定位区域图像；

(4-4)对步骤(4-3)获得的滤波器组最终输出图像G(x,y)的每一像素点pk计算其衰减系数λ_pk，k＝1,...,num，num为像素点的总数目，计算步骤如下：

①对车牌定位后得到的粗定位区域中分别用Sobel水平边缘检测方法和Sobel垂直边缘检测方法得到包含水平纹理的图像I_x以及包含垂直纹理的图像I_y；

②计算每一像素点pk的衰减系数为：

(x_pk,y_pk)为像素点pk的坐标，α和β是两个常数系数，width_pai为定位得到的车牌区域的宽度；

(4-5)将波器组输出图像G(x,y)的每一像素点都乘以其对应的衰减系数λ_pk；

(5)对车标区域进行高斯滤波和数学形态学闭操作；

(6)选定阈值对将步骤(5)得到的灰度图像阈值化，并框定检测目标区域，得到精定位的车标。

2.根据权利要求1所述的基于Gabor滤波器背景纹理抑制的车标检测方法，其特征在于：步骤(1)具体包括：

(1-1)获取车辆图像的每一个特征点的点向量，其中，定义特征点i的点向量为

x_i,y_i表示该点坐标，

表示方向，s_i表示尺度信息，i＝1,…,n，n为特征点的总数；

(1-2)将特征点的方向

经过归一化后，得到对应的特征描述子k_i，i＝1,…,n，并将所有点的特征描述子生成预设维数的SIFT特征点向量；

(1-3)通过直接修改特征描述子k_i生成镜像m_i，再通过匹配特征点和镜像生成可能的对称特征点对(p_i,p_j)，i，j＝1,…,n，i≠j；

(1-4)计算每一对可能的对称特征点对(p_i,p_j)的角度置信度Φ_ij、尺度置信度S_ij和距离置信度D_ij，再计算得到总置信度M_i,j，i，j＝1,…,n，i≠j；其中：

角度置信度Φ_ij的计算公式为：

其中，

分别为点p_i和点p_j的方向,θ_ij为点p_i到点p_j的方向；

尺度置信度S_ij由量化p_i和p_j中尺度的相似度s_i和s_j来得到：

其中σ_s为尺度因子,是高斯函数包络线沿点p_i到点p_j的方向的标准方差；

距离置信度D_ij为：

σ_d为距离边界，d为对称点p_i到点p_j的距离；

总置信度M_i,j为：

(1-5)计算每一对对称特征点对(p_i,p_j)的对称轴r_ij：r_ij＝x_ccosθ_ij+y_csinθ_ij，其中x_c，y_c分别为特征点对(p_i,p_j)在x轴和y轴方向上的长度，θ_ij为点p_i到点p_j的方向；

(1-6)利用线性霍夫变换来寻找主对称轴，每一对对称特征点对(p_i,p_j)对霍夫空间内的点(r_ij,θ_ij)以权值M_i,j投票，得到主对称轴；

(1-7)将主对称轴的角度作为车辆倾斜角度θ；

(1-8)根据车辆倾斜角度θ，将车辆图像进行倾斜校正，校正后的图像为：

width、height，为原始图像的宽和高，width'、height'为校正图像的宽和高。

3.根据权利要求1所述的基于Gabor滤波器背景纹理抑制的车标检测方法，其特征在于：步骤(2)具体包括：

(2-1)采集预设数量的正样本和负样本，分别建立正样本库和负样本库，其中，正样本是指从道路卡口拍摄的高清车辆照中裁剪出的车牌，负样本是从车辆照中的非车牌区域中随机剪裁的背景样本，包含各种各样的背景环境；

(2-2)提取所有正负样本的Harr特征，并用这些Harr特征训练出若干个AdaBoost算法的强分类器；

(2-3)将训练得到的若干强分类器以级联的形式构造出车牌检测级联分类器；

(2-4)采用训练好的车牌检测级联分类器来检测车辆图像中的车牌区域；

(2-5)采用车牌比例特征和车牌位置特征为依据，将检测出的车牌区域进行误检筛选。

4.根据权利要求3所述的基于Gabor滤波器背景纹理抑制的车标检测方法，其特征在于：步骤(2-2)中所述AdaBoost算法的强分类器的训练方法为：

(2-2-1)设训练集S＝{(a₁,b₁),...,(a_m,b_m)}包含m个样本，其中a_i∈A表示训练样本，i＝1,2,...,m,A为训练样本集，b_i∈B是a_i对应的判别标志，且有B＝{1,-1}，对于第i个训练样本的第j个弱分类器h_j(a_i)表示为

其中，F_j(a_i)表示子窗口中第j个Haar特征的值，δ_j表示设定的阈值，p_j表示控制不等号的方向的量；

(2-2-2)用AdaBoost算法把弱分类器训练为强分类器，具体步骤如下：

初始化样本权值：

其中，w₁(i)表示第一轮训练中第i个样本的初始权值，p表示S中正样本的总数，q表示S中负样本的总数，有p+q＝m，m为样本总数；

对于t＝1,2,...,T，T为迭代次数，进行如下循环：

①权值归一化

其中，w_t(i)表示第t轮训练中第i个样本的权值，i＝1,2,...,m；

②对特征j训练出其弱分类器h_j，计算其加权误差ε_j，即

并选择加权误差最低的分类器h_tmin作为此次循环的分类器；

③按照如下公式更新样本权值：

其中当分类正确时，h_t(a_i)＝b_i，e_i＝0，分类错误时，h_t(a_i)≠b_i，e_i＝1；

(2-2-3)得到最终的强分类器，如下

其中

a为待检窗口，h_t(a)表示在第t轮训练中得到的弱分类器，H(a)的结果为1表示接受，0表示拒绝。

5.根据权利要求1所述的基于Gabor滤波器背景纹理抑制的车标检测方法，其特征在于：步骤(3)具体包括以下步骤：

基于先验知识，根据车牌和车标的位置关系，在定位的车牌区域中得到包含车标图案的车标粗定位区域，其中，车标粗定位区域为：

其中，X₁、X₂、Y₁、Y₂分别为粗定位得到的车标大致范围的左右及上下边界，X_left、X_right分别为车牌区域的左右边界，Y_up为车牌区域上边界，height为车牌区域高度，N为可选择的高度系数。

6.根据权利要求1所述的基于Gabor滤波器背景纹理抑制的车标检测方法，其特征在于：步骤(5)具体包括以下步骤：

对于步骤(4)得到的图像运用二维离散高斯滤波函数滤除噪声，并进行灰度级数学形态学闭操作，以弥合检测目标间断或断裂，消除目标中的细小空洞。

7.根据权利要求1所述的基于Gabor滤波器背景纹理抑制的车标检测方法，其特征在于：步骤(6)具体包括以下步骤：

(6-1)选择步骤(5)得到的图像T(x_pk,y_pk)的像素灰度值均值的1/2作为阈值

即

(6-2)采用阈值进行阈值化，阈值化后的图像为

(6-3)从阈值化后的图像中框定检测目标区域，此目标区域即为车标区域。

Images