CN107341810A - 一种车辆自动识别方法、装置及电子设备 - Google Patents
一种车辆自动识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN107341810A CN107341810A CN201710461342.7A CN201710461342A CN107341810A CN 107341810 A CN107341810 A CN 107341810A CN 201710461342 A CN201710461342 A CN 201710461342A CN 107341810 A CN107341810 A CN 107341810A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- sub
- obtains
- skeleton
- pix
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体而言,涉及一种车辆自动识别方法、装置及电子设备。该车辆自动识别方法包括:对道路视频的帧图像进行预处理,得到感兴趣区的每帧灰度图。对感兴趣区的每帧灰度图进行处理,获得重构骨架图。采用多种形态学算子对重构骨架图进行处理,获得所需连通域图。将所需连通域图内形态特征满足第一预设条件的连通域识别为车辆。该车辆自动识别方法、装置及电子设备,可大幅度减少数据量,剔除大量不相关或弱相关信息,保留每帧灰度图重要的结构属性,能剔除路面标线、摩托车、自行车和行人等不是车辆的干扰因素,解决了在交通拥堵路段因无法获得可用背景图而导致不能识别或识别效果差的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种车辆自动识别方法、装置及电子设备。
背景技术
在现代交通***中,基于视频的交通信息检测是一种重要交通信息采集技术。由于其具有可视化、安装维护便捷、可获取多种交通参数且不破坏路面结构等优势,在交通监控管理和交通研究等领域得到了广泛的应用。但现有的基于视频进行车辆自动识别的方法在交通拥堵路段存在识别效果差的问题。
发明内容
有鉴于此,本发明的目的在于提供一种车辆识别方法、装置及电子设备,以解决上述问题。
为实现上述目的,本发明提供如下技术方案:
一种车辆自动识别方法,所述方法包括:
对道路视频的帧图像进行预处理,得到感兴趣区的每帧灰度图;
对所述感兴趣区的每帧灰度图进行处理,获得重构骨架图;
采用多种形态学算子对所述重构骨架图进行处理,获得所需连通域图;
将所述所需连通域图内形态特征满足第一预设条件的连通域识别为车辆。
进一步地,所述对所述感兴趣区的每帧灰度图进行处理,获得重构骨架图的步骤包括:
采用边缘检测算法对所述感兴趣区的每帧灰度图进行处理,获得边缘图;
对所述边缘图进行二值化处理,获得二值边缘图;
对所述二值边缘图进行处理,获得亚像素骨架图;
采用预设算法将所述亚像素骨架图内的骨架进行分解,获得亚像素骨架分解图;
根据相邻性原则将所述亚像素骨架分解图内的骨架进行重连接,获得亚像素重构骨架图;
将所述亚像素重构骨架图还原为像素级的重构骨架图。
进一步地,所述边缘检测算法采用Canny边缘检测算法,所述预设算法采用Ramer多边形逼近算法,所述根据相邻性原则将所述亚像素骨架分解图内的骨架进行重连接,获得亚像素重构骨架图的步骤包括:
将所述亚像素骨架分解图内端点距离小于第一阈值的骨架互相连接,获得亚像素重构骨架图。
进一步地,所述采用多种形态学算子对所述重构骨架图进行处理,获得所需连通域图的步骤包括:
对所述重构骨架图进行膨胀、填充处理,获得第一连通域图;
提取所述第一连通域图内矩形度、面积和等效椭圆短轴长度满足第二预设条件的所有连通域,获得第二连通域图;
对所述第二连通域图内面积和等效椭圆长轴长度满足第三预设条件的所有连通域进行闭运算、腐蚀处理,获得第三连通域图;
对所述第三连通域图进行膨胀处理,获得第四连通域图;
对所述第四连通域图内面积和等效椭圆长轴长度满足第四预设条件的所有连通域进行闭运算、腐蚀处理,获得所需连通域图。
进一步地,所述将所述所需连通域图内形态特征满足第一预设条件的连通域识别为车辆的步骤包括:
将所述所需连通域图内面积和等效椭圆短轴长度满足第一预设条件的所有连通域识别为车辆。
一种车辆识别装置,包括:
预处理模块,用于对道路视频的帧图像进行预处理,得到感兴趣区的每帧灰度图;
骨架重构模块,用于对所述感兴趣区的每帧灰度图进行处理,获得重构骨架图;
连通域分析模块,用于采用多种形态学算子对所述重构骨架图进行处理,获得所需连通域图;
车辆识别模块,用于将所述所需连通域图内形态特征满足第一预设条件的连通域识别为车辆。
进一步地,所述骨架重构模块包括:
边缘检测子模块,用于采用边缘检测算法对所述感兴趣区的每帧灰度图进行处理,获得边缘图;
二值化子模块,用于对所述边缘图进行二值化处理,获得二值边缘图;
亚像素处理子模块,用于对所述二值边缘图进行处理,获得亚像素骨架图;
骨架分解子模块,用于采用预设算法将所述亚像素骨架图内的骨架进行分解,获得亚像素骨架分解图;
骨架重构子模块,用于根据相邻性原则将所述亚像素骨架分解图内的骨架进行重连接,获得亚像素重构骨架图;
像素还原子模块,用于将所述亚像素重构骨架图还原为像素级的重构骨架图。
进一步地,所述连通域分析模块包括:
第一连通域获得子模块,用于对所述重构骨架图进行膨胀、填充处理,获得第一连通域图;
第二连通域获得子模块,用于提取所述第一连通域图内矩形度、面积和等效椭圆短轴长度满足第二预设条件的所有连通域,获得第二连通域图;
第三连通域获得子模块,用于对所述第二连通域图内面积和等效椭圆长轴长度满足第三预设条件的所有连通域进行闭运算、腐蚀处理,获得第三连通域图;
第四连通域获得子模块,用于对所述第三连通域图进行膨胀处理,获得第四连通域图;
所需连通域获得子模块,用于对所述第四连通域图内面积和等效椭圆长轴长度满足第四预设条件的所有连通域进行闭运算、腐蚀处理,获得所需连通域图。
一种电子设备,包括处理器和存储器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
对道路视频的帧图像进行预处理,得到感兴趣区的每帧灰度图;
对所述感兴趣区的每帧灰度图进行处理,获得重构骨架图;
采用多种形态学算子对所述重构骨架图进行处理,获得所需连通域图;
将所述所需连通域图内形态特征满足第一预设条件的连通域识别为车辆。
一种计算机可读储存介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的车辆自动识别方法的步骤。
本发明提供的车辆自动识别方法、装置及电子设备,通过对所述感兴趣区的每帧灰度图进行处理获得重构骨架图,可大幅度减少数据量,剔除大量不相关或弱相关信息,保留每帧灰度图重要的结构属性,再运用形态学算子对重构骨架图进行处理,剔除路面标线、摩托车、自行车和行人等不是车辆的干扰因素,并基于连通域的形态特征识别车辆,解决了在交通拥堵路段因无法获得可用背景图而导致不能识别或识别效果差的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种电子设备的方框示意图;
图2为本发明实施例提供的一种车辆自动识别方法的流程图;
图3为为一实施方式中图2所示步骤S230包括的子步骤的示意图;
图4为为一实施方式中图2所示步骤S250包括的子步骤的示意图;
图5为本发明实施例提供的一种车辆自动识别装置的功能模块框图;
图6为图5所示的骨架重构模块包括的子模块的示意图;
图7为图5所示的连通域分析模块包括的子模块的示意图。
附图中,各标号所代表的部件列表如下:
100-电子设备;110-存储器;120-处理器;130-网络模块;200-车辆自动识别装置;210-预处理模块;230-骨架重构模块;250-连通域分析模块;270-车辆识别模块;231-边缘检测子模块;232-二值化子模块;233-亚像素处理子模块;234-骨架分解子模块;235-骨架重构子模块;236-像素还原子模块;251-第一连通域获得子模块;253-第二连通域获得子模块;255-第三连通域获得子模块;257-第四连通域获得子模块;259-所需连通域获得子模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为只是或暗示相对重要性。
请参阅图1,是本发明实施例提供的电子设备100的方框示意图。本发明实施例中的电子设备100可以为服务器、计算机等具备数据处理能力的设备。如图1所示,电子设备100包括:存储器110、处理器120及网络模块130。
所述存储器110、处理器120以及网络模块130相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器110包括至少一个可以用软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块,所述处理器120通过运行存储在存储器110内的软件程序以及模块,如本发明实施例中的车辆自动识别装置,从而执行各种功能应用以及数据处理,即实现本发明实施例中的车辆自动识别方法。
其中,所述存储器110可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器110用于存储程序,所述处理器120在接收到执行指令后,执行所述程序。
所述处理器120可能是一种集成电路芯片,具有信号的处理能力。上述的处理器120可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等。还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规处理器等。
网络模块130用于通过网络建立电子设备100与外部通信终端之间的通信连接,实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。
可以理解,图1所示的结构仅为示意,电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参阅图2,本发明实施例提供的一种车辆自动识别方法的流程图。所述方法有关的流程所定义的方法步骤可以由所述处理器120实现。下面将对图2所示的具体流程进行详细阐述。
步骤S210,对道路视频的帧图像进行预处理,得到感兴趣区的每帧灰度图。
所述道路视频可以是地面定点摄像头、无人机等拍摄的道路视频。在本实施例中,所述道路视频由国内某品牌无人机悬停于道路正上方100米至200米处、摄像机镜头以-90°(即垂直朝下)拍摄,视频分辨率为3840像素×2160像素。步骤S210可以包括对道路视频的帧图像进行勾画感兴趣区、和灰度化两个过程。由于无人机拍摄的道路视频的场景较广,但车辆识别时仅需针对特定道路范围的图像进行处理,因此需要勾画感兴趣区,使得后续车辆识别只针对该感兴趣区展开运算,进而大幅降低算法复杂度、节省运行时间。其中,灰度化的方法可以采用既有视频和图像识别研究的常见做法。
步骤S230,对所述感兴趣区的每帧灰度图进行处理,获得重构骨架图。
请参阅图3,进一步地,步骤S230可以包括子步骤S231、子步骤S232、子步骤S233、子步骤S234、子步骤S235和子步骤S236。
子步骤S231,采用边缘检测算法对所述感兴趣区的每帧灰度图进行处理,获得边缘图。
对于图像目标识别而言,边缘检测可大幅度地减少数据量,剔除大量不相关或弱相关信息,保留图像重要的结构属性,因此,许多研究均以边缘特征进行目标识别。现有的边缘检测算法有很多,可选地,在本实施例中,所述边缘检测算法采用Canny边缘检测算法。应用Canny边缘检测算法对所述感兴趣区的每帧灰度图进行处理,获得边缘图的步骤包括:应用高斯滤波消除图像噪声;通过Sobel算子卷积获得图像梯度强度与方向;应用非极大抑制技术(Non-maximum suppression)保留每个像素点上梯度强度的极大值,而删掉其他的值;通过双阈值技术界定弱边界和强边界,并进行边缘连接处理、形成边缘图。
子步骤S232,对所述边缘图进行二值化处理,获得二值边缘图。
图像的二值化,就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。二值化的方法有很多,可选地,在本实施例中,可以用Otsu法寻找二值化阈值。
子步骤S233,对所述二值边缘图进行处理,获得亚像素骨架图。
为了对二值边缘图的骨架进行分解和重构,需要生成亚像素骨架图。每个物理像素可以分为m×m个亚像素,用数学插值算法可计算每个亚像素值,通过亚像素图像处理可更大限度利用图像信息。二值边缘图中的线条宽度为1像素,每个像素的中心亚像素相连即可构成亚像素骨架图。
子步骤S234,采用预设算法将所述亚像素骨架图内的骨架进行分解,获得亚像素骨架分解图。
可选地,在本实施例中,所述预设算法采用Ramer多边形逼近算法。采用Ramer多边形逼近算法将所述亚像素骨架图内的骨架分解为直线段或弧线段的主要步骤包括:(1)沿边界分配若干点作为初始断点,顺序连接这些点形成初始多边形;(2)在每两个相邻断点之间,沿着骨架曲线段找到距离两断点连线的垂直距离最大的点,如果这个距离d>d1,那么把这一点作为新的断点继续分割;(3)不断进骨架分解,直到全部满足阈值条件d≤d1;设定阈值d2,d2<d1,以d2为阈值、参照步骤(1)~(3)进行分割,最终获得亚像素骨架分解图。对于本实施例提供的道路视频,d1=4,d2=2能取得较好的分解效果。
子步骤S235,根据相邻性原则将所述亚像素骨架分解图内的骨架进行重连接,获得亚像素重构骨架图。
将所述亚像素骨架分解图内端点距离小于第一阈值的骨架互相连接,即对于任意相邻骨架曲线,若其端点距离小于第一阈值,则连接这两个端点。可以看出,通过将骨架先分解后连接,能有效增强候选目标图像结构的封闭性、连续性和完整性,有助于车辆识别。对于本实施例提供的道路视频,第一阈值为5时,能取得较好的分解效果。
子步骤S236,将所述亚像素重构骨架图还原为像素级的重构骨架图。
将所述亚像素重构骨架图还原为像素级的重构骨架图可以便于开展后续车辆识别工作并降低运算成本。
步骤S250,采用多种形态学算子对所述重构骨架图进行处理,获得所需连通域图。
请参阅图4,进一步地,步骤S250可以包括子步骤S251、子步骤S253、子步骤S255、子步骤S257和子步骤S259。
子步骤S251,对所述重构骨架图进行膨胀、填充处理,获得第一连通域图。
通过膨胀可以将与前景物体接触的所有背景点合并到该物体中,使边界向外部扩张,填补物体中的部分空隙。填充则是将轮廓包围的区域全部充实,以消除物体内部的空洞和间隙。
子步骤S253,提取所述第一连通域图内矩形度、面积和等效椭圆短轴长度满足第二预设条件的所有连通域,获得第二连通域图。
所述第二预设条件可以是面积大于第二阈值,且矩形度在第三阈值到第四阈值之间,且等效椭圆短轴长度在第五阈值到第六阈值之间。提取所述第一连通域图内面积大于第二阈值,且矩形度在第三阈值到第四阈值之间,且等效椭圆短轴长度在第五阈值到第六阈值之间的所有连通域,获得第二连通域图。此步骤可以剔除一些面积较小的区域和狭长的车道标线。可选地,在本实施例中,第二阈值可以等于50,第三阈值可以等于0.1,第四阈值可以等于1,第五阈值可以等于5,第六阈值可以等于200。
子步骤S255,对所述第二连通域图内面积和等效椭圆长轴长度满足第三预设条件的所有连通域进行闭运算、腐蚀处理,获得第三连通域图。
所述第三预设条件可以是面积大于第七阈值,或矩等效椭圆长轴长度大于第八阈值。对所述第二连通域图内面积大于第七阈值,或矩等效椭圆长轴长度大于第八阈值的所有连通域进行闭运算、腐蚀处理,获得第三连通域图。此步骤可以使成片连接的大型连通域在连接脆弱的地方断开,对大型连通域进行收缩。可选地,在本实施例中,第七阈值可以等于500,第八阈值可以等于200。
子步骤S257,对所述第三连通域图进行膨胀处理,获得第四连通域图。
通过膨胀可以将与前景物体接触的所有背景点合并到该物体中,使边界向外部扩张,填补物体中的部分空隙。
子步骤S259,对所述第四连通域图内面积和等效椭圆长轴长度满足第四预设条件的所有连通域进行闭运算、腐蚀处理,获得所需连通域图。
所述第四预设条件可以是面积大于第九阈值,或矩等效椭圆长轴长度大于第十阈值。对所述第四连通域图内面积大于第九阈值,或矩等效椭圆长轴长度大于第十阈值的所有连通域进行闭运算、腐蚀处理,获得所需连通域图。其中,第九阈值小于或等于第七阈值,第十阈值小于或等于第八阈值。
可以看出,子步骤S259与子步骤S255的处理过程相似。采用子步骤S259再次进行闭运算、腐蚀处理的目的是进一步收缩和分割大型目标,如当车辆与标线相连、车辆与车辆相连时,经过子步骤S259可以将连片区域进行收缩,进而分割出单个车辆,车辆与标线也得到了分离。在另一实施方式中,还可以多次执行子步骤S257和子步骤S259。在本实施例中,执行子步骤S257和子步骤S259就达到了比较好的效果,是大量测试得到的结果,是试算法和经验法的结合。可选地,在本实施例中,第八阈值可以等于500,第九阈值可以等于150。
步骤S270,将所述所需连通域图内形态特征满足第一预设条件的连通域识别为车辆。
所述形态特征可以是根据连通域的面积和等效椭圆短轴长度。所述第一预设条件可以是面积大于等于第十一阈值,且矩等效椭圆短轴长度在第十二阈值和第十三阈值之间。将所述所需连通域图内面积大于等于第十一阈值,且矩等效椭圆短轴长度在第十二阈值和第十三阈值之间的所有连通域识别为车辆。可选地,在本实施例中,第十一阈值可以等于30,第十二阈值可以等于4,第十三阈值可以等于200。
此外,目前没有专门的评价方法评价车辆识别效果的好坏,而是采用图像检测研究常用的F1指标评价法进行评价。其中,式中,P为准确率,R为召回率。根据F1指标评价法的思想,首先将车辆检测结果分为四种情况:车辆被判定为车辆、车辆被漏检、非车辆被检测成车辆及背景被判定为背景。但实际上车辆识别结果还可能存在这种情况:一辆车被识别成两辆车或多辆车。因此,F1指标并不完全适用于评价车辆自动识别方法的优劣。鉴于F1指评价法的缺陷,发明人还提出一种评价方法用于评价车辆自动识别方法的优劣。
该评价方法包括:采用正检率、重检率、漏检率和错检率评价车辆自动识别方法的优劣。正检率越高,重检率、漏检率和错检率越低,车辆自动识别方法越优。
其中,所述正检率的计算公式为其中,PT表示正检率,NT表示采用所述车辆自动识别方法识别所述感兴趣区内的车辆数,NS表示所述感兴趣区内实际的车辆数。
所述重检率的计算公式为其中,PR表示重检率,NR表示采用所述车辆自动识别方法识别所述感兴趣区内的车辆中被重复识别的车辆数。
所述漏检率的计算公式为其中,PM表示漏检率,NM表示采用所述车辆自动识别方法识别所述感兴趣区内的车辆中被漏识别的车辆数。NS=NT+NR+NM。
所述错检率的计算公式为其中,PW表示错检率,NE表示采用所述车辆自动识别方法识别所述感兴趣区内的车辆中被误识别的非车辆数。
发明人在Microsoft Visual Studio 2010+OpenCV2.4.9环境下,将本发明实施例提供的车辆自动识别方法编制为程序,并对无人机采集的道路视频进行识别,随机提取该道路视频的548帧图像的识别结果,基于识别结果和人工判读,每一张图像均可计算出正检率、重检率、漏检率和错检率,统计结果如下表所示。
统计值 | 正检率(%) | 重检率(%) | 漏检率(%) | 错检率(%) |
均值 | 95.02 | 2.20 | 2.77 | 8.24 |
中值 | 95.29 | 2.14 | 2.33 | 8.24 |
标准差 | 2.09 | 1.67 | 1.67 | 2.56 |
由上表可得,正检率均值95.02%,表明本发明实施例提供的车辆自动识别方法的识别正确率高。重检率均值为2.20%,表明本发明实施例提供的车辆自动识别方法很少将一辆车识别为多辆车。漏检率均值2.77%,表明本发明实施例提供的车辆自动识别方法很少发生车辆漏检情况。错检率均值为8.24%,表明本发明实施例提供的车辆自动识别方法很少将非车辆识别为车辆。从4个指标的均值和中值来看,本发明实施例提供的车辆自动识别方法取得了较好的车辆检测效果。正检率、重检率、漏检率和错检率的标准差分别为2.09%、1.67%、1.67%和2.56%,表明离散程度较小、大都集中于均值附近,体现了本发明实施例提供的车辆自动识别方法具有较高的稳定性。
请参阅图5,在上述基础上,本发明实施例还提供了一种车辆自动识别装置200。该车辆自动识别装置200包括预处理模块210、骨架重构模块230、连通域分析模块250和车辆识别模块270。
预处理模块210用于对道路视频的帧图像进行预处理,得到感兴趣区的每帧灰度图。由于预处理模块210和图2中步骤S210的实现原理类似,因此在此不作更多说明。
骨架重构模块230用于对所述感兴趣区的每帧灰度图进行处理,获得重构骨架图。骨架重构模块230和图2中步骤S230的实现原理类似。请参阅图6,进一步地,所述骨架重构模块230可以包括边缘检测子模块231、二值化子模块232、亚像素处理子模块233、骨架分解子模块234、骨架重构子模块235和像素还原子模块236。
边缘检测子模块231采用边缘检测算法对所述感兴趣区的每帧灰度图进行处理,获得边缘图。由于边缘检测子模块231和图3中子步骤S231的实现原理类似,因此在此不作更多说明。
二值化子模块232用于对所述边缘图进行二值化处理,获得二值边缘图。由于二值化子模块232和图3中子步骤S232的实现原理类似,因此在此不作更多说明。
亚像素处理子模块233用于对所述二值边缘图进行处理,获得亚像素骨架图。由于亚像素处理子模块233和图3中子步骤S233的实现原理类似,因此在此不作更多说明。
骨架分解子模块234用于采用预设算法将所述亚像素骨架图内的骨架进行分解,获得亚像素骨架分解图。由于骨架分解子模块234和图3中子步骤S234的实现原理类似,因此在此不作更多说明。
骨架重构子模块235用于根据相邻性原则将所述亚像素骨架分解图内的骨架进行重连接,获得亚像素重构骨架图。由于骨架重构子模块235和图3中子步骤S235的实现原理类似,因此在此不作更多说明。
像素还原子模块236用于将所述亚像素重构骨架图还原为像素级的重构骨架图。由于像素还原子模块236和图3中子步骤S236的实现原理类似,因此在此不作更多说明。
连通域分析模块250用于采用多种形态学算子对所述重构骨架图进行处理,获得所需连通域图。连通域分析模块250和图2中步骤S250的实现原理类似。请参阅图7,进一步地,连通域分析模块250可以包括第一连通域获得子模块251、第二连通域获得子模块253、第三连通域获得子模块255、第四连通域获得子模块257和所需连通域获得子模块259。
第一连通域获得子模块251用于对所述重构骨架图进行膨胀、填充处理,获得第一连通域图。由于第一连通域获得子模块251和图4中子步骤S251的实现原理类似,因此在此不作更多说明。
第二连通域获得子模块253用于提取所述第一连通域图内矩形度、面积和等效椭圆短轴长度满足第二预设条件的所有连通域,获得第二连通域图。由于第二连通域获得子模块253和图4中子步骤S253的实现原理类似,因此在此不作更多说明。
第三连通域获得子模块255用于对所述第二连通域图内面积和等效椭圆长轴长度满足第三预设条件的所有连通域进行闭运算、腐蚀处理,获得第三连通域图。由于第三连通域获得子模块255和图4中子步骤S255的实现原理类似,因此在此不作更多说明。
第四连通域获得子模块257用于对所述第三连通域图进行膨胀处理,获得第四连通域图。由于第四连通域获得子模块257和图4中子步骤S257的实现原理类似,因此在此不作更多说明。
所需连通域获得子模块259,用于对所述第四连通域图内面积和等效椭圆长轴长度满足第四预设条件的所有连通域进行闭运算、腐蚀处理,获得所需连通域图。由于所需连通域获得子模块259和图4中子步骤S259的实现原理类似,因此在此不作更多说明。
车辆识别模块270用于将所述所需连通域图内形态特征满足第一预设条件的连通域识别为车辆。由于车辆识别模块270和图2中步骤S270的实现原理类似,因此在此不作更多说明。
本发明实施例提供的车辆识别方法、装置及电子设备100,通过对所述感兴趣区的每帧灰度图进行处理获得重构骨架图,可大幅度减少数据量,剔除大量不相关或弱相关信息,保留每帧灰度图重要的结构属性,再运用形态学算子对重构骨架图进行处理,剔除路面标线、摩托车、自行车和行人等不是车辆的干扰因素,并基于连通域的形态特征识别车辆,解决了在交通拥堵路段因无法获得可用背景图而导致不能识别或识别效果差的问题。相较于帧差分法和背景建模利用多帧图像获得背景图像,易受到视频抖动、平台运动等影响,本发明提供的车辆识别方法、装置及电子设备100直接针对帧图像进行处理、识别车辆,所以无论采集平台运动与否、视频抖动与否,都不会影响识别效果,避免道路视频不稳定带来的干扰。并且,相较于背景建模因拥堵路段的路面全是车而无法建出理想背景图,从而导致背景建模识别效果差,以及帧差分法因拥堵路段的车速较低而无法提取运动区域,从而导致帧差分法识别效果差,本发明提供的车辆识别方法、装置及电子设备100直接对帧图像进行处理,无论车速高低、交通拥堵畅通与否,车辆识别精度均不受影响,且只对单张图像进行处理,运行速度快、检测稳定。随着经济的发展、交通拥堵的增加,本发明提供的车辆识别方法、装置及电子设备100具有较广阔的工程应用价值和理论意义。
应当理解到,所揭露的装置及方法,也可以通过其它的方式实现。以上所描述的装置及方法实施例仅仅是示意性的,例如,附图中的框图和/或流程图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆自动识别方法,其特征在于,所述方法包括:
对道路视频的帧图像进行预处理,得到感兴趣区的每帧灰度图;
对所述感兴趣区的每帧灰度图进行处理,获得重构骨架图;
采用多种形态学算子对所述重构骨架图进行处理,获得所需连通域图;
将所述所需连通域图内形态特征满足第一预设条件的连通域识别为车辆。
2.根据权利要求1所述的车辆自动识别方法,其特征在于,所述对所述感兴趣区的每帧灰度图进行处理,获得重构骨架图的步骤包括:
采用边缘检测算法对所述感兴趣区的每帧灰度图进行处理,获得边缘图;
对所述边缘图进行二值化处理,获得二值边缘图;
对所述二值边缘图进行处理,获得亚像素骨架图;
采用预设算法将所述亚像素骨架图内的骨架进行分解,获得亚像素骨架分解图;
根据相邻性原则将所述亚像素骨架分解图内的骨架进行重连接,获得亚像素重构骨架图;
将所述亚像素重构骨架图还原为像素级的重构骨架图。
3.根据权利要求2所述的车辆自动识别方法,其特征在于,所述边缘检测算法采用Canny边缘检测算法,所述预设算法采用Ramer多边形逼近算法,所述根据相邻性原则将所述亚像素骨架分解图内的骨架进行重连接,获得亚像素重构骨架图的步骤包括:
将所述亚像素骨架分解图内端点距离小于第一阈值的骨架互相连接,获得亚像素重构骨架图。
4.根据权利要求1-3任一项所述的车辆自动识别方法,其特征在于,所述采用多种形态学算子对所述重构骨架图进行处理,获得所需连通域图的步骤包括:
对所述重构骨架图进行膨胀、填充处理,获得第一连通域图;
提取所述第一连通域图内矩形度、面积和等效椭圆短轴长度满足第二预设条件的所有连通域,获得第二连通域图;
对所述第二连通域图内面积和等效椭圆长轴长度满足第三预设条件的所有连通域进行闭运算、腐蚀处理,获得第三连通域图;
对所述第三连通域图进行膨胀处理,获得第四连通域图;
对所述第四连通域图内面积和等效椭圆长轴长度满足第四预设条件的所有连通域进行闭运算、腐蚀处理,获得所需连通域图。
5.根据权利要求4所述的车辆自动识别方法,其特征在于,所述将所述所需连通域图内形态特征满足第一预设条件的连通域识别为车辆的步骤包括:
将所述所需连通域图内面积和等效椭圆短轴长度满足第一预设条件的所有连通域识别为车辆。
6.一种车辆识别装置,其特征在于,包括:
预处理模块,用于对道路视频的帧图像进行预处理,得到感兴趣区的每帧灰度图;
骨架重构模块,用于对所述感兴趣区的每帧灰度图进行处理,获得重构骨架图;
连通域分析模块,用于采用多种形态学算子对所述重构骨架图进行处理,获得所需连通域图;
车辆识别模块,用于将所述所需连通域图内形态特征满足第一预设条件的连通域识别为车辆。
7.根据权利要求6所述的车辆识别装置,其特征在于,所述骨架重构模块包括:
边缘检测子模块,用于采用边缘检测算法对所述感兴趣区的每帧灰度图进行处理,获得边缘图;
二值化子模块,用于对所述边缘图进行二值化处理,获得二值边缘图;
亚像素处理子模块,用于对所述二值边缘图进行处理,获得亚像素骨架图;
骨架分解子模块,用于采用预设算法将所述亚像素骨架图内的骨架进行分解,获得亚像素骨架分解图;
骨架重构子模块,用于根据相邻性原则将所述亚像素骨架分解图内的骨架进行重连接,获得亚像素重构骨架图;
像素还原子模块,用于将所述亚像素重构骨架图还原为像素级的重构骨架图。
8.根据权利要求6-7任一项所述的车辆识别装置,其特征在于,所述连通域分析模块包括:
第一连通域获得子模块,用于对所述重构骨架图进行膨胀、填充处理,获得第一连通域图;
第二连通域获得子模块,用于提取所述第一连通域图内矩形度、面积和等效椭圆短轴长度满足第二预设条件的所有连通域,获得第二连通域图;
第三连通域获得子模块,用于对所述第二连通域图内面积和等效椭圆长轴长度满足第三预设条件的所有连通域进行闭运算、腐蚀处理,获得第三连通域图;
第四连通域获得子模块,用于对所述第三连通域图进行膨胀处理,获得第四连通域图;
所需连通域获得子模块,用于对所述第四连通域图内面积和等效椭圆长轴长度满足第四预设条件的所有连通域进行闭运算、腐蚀处理,获得所需连通域图。
9.一种电子设备,其特征在于,包括处理器和存储器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
对道路视频的帧图像进行预处理,得到感兴趣区的每帧灰度图;
对所述感兴趣区的每帧灰度图进行处理,获得重构骨架图;
采用多种形态学算子对所述重构骨架图进行处理,获得所需连通域图;
将所述所需连通域图内形态特征满足第一预设条件的连通域识别为车辆。
10.一种计算机可读储存介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-5任一项所述的车辆自动识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710461342.7A CN107341810B (zh) | 2017-06-16 | 2017-06-16 | 一种车辆自动识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710461342.7A CN107341810B (zh) | 2017-06-16 | 2017-06-16 | 一种车辆自动识别方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107341810A true CN107341810A (zh) | 2017-11-10 |
CN107341810B CN107341810B (zh) | 2020-07-10 |
Family
ID=60219971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710461342.7A Active CN107341810B (zh) | 2017-06-16 | 2017-06-16 | 一种车辆自动识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107341810B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663026A (zh) * | 2018-05-21 | 2018-10-16 | 湖南科技大学 | 一种振动测量方法 |
CN108764293A (zh) * | 2018-04-28 | 2018-11-06 | 重庆交通大学 | 一种基于图像的车辆检测方法及*** |
CN109886199A (zh) * | 2019-02-21 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 信息处理方法、装置、车辆及移动终端 |
CN109949245A (zh) * | 2019-03-25 | 2019-06-28 | 长沙智能驾驶研究院有限公司 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
CN110991215A (zh) * | 2019-07-17 | 2020-04-10 | 当家移动绿色互联网技术集团有限公司 | 车道线检测方法、装置、存储介质及电子设备 |
WO2020077850A1 (zh) * | 2018-10-18 | 2020-04-23 | 深圳乐动机器人有限公司 | 一种室内区域划分和识别方法、装置及终端设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049738A (zh) * | 2012-12-07 | 2013-04-17 | 北京中邮致鼎科技有限公司 | 视频中阴影连接的多车辆分割方法 |
CN103234969A (zh) * | 2013-04-12 | 2013-08-07 | 江苏大学 | 一种基于机器视觉的织物纬密度测量新方法 |
CN103530889A (zh) * | 2013-11-04 | 2014-01-22 | 天津工业大学 | 一种基于骨架提取的测量棒编码标记点解码方法 |
CN103593849A (zh) * | 2013-11-26 | 2014-02-19 | 北京建筑大学 | 一种用于影像序列椭圆形人工目标点快速识别与跟踪方法 |
-
2017
- 2017-06-16 CN CN201710461342.7A patent/CN107341810B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049738A (zh) * | 2012-12-07 | 2013-04-17 | 北京中邮致鼎科技有限公司 | 视频中阴影连接的多车辆分割方法 |
CN103234969A (zh) * | 2013-04-12 | 2013-08-07 | 江苏大学 | 一种基于机器视觉的织物纬密度测量新方法 |
CN103530889A (zh) * | 2013-11-04 | 2014-01-22 | 天津工业大学 | 一种基于骨架提取的测量棒编码标记点解码方法 |
CN103593849A (zh) * | 2013-11-26 | 2014-02-19 | 北京建筑大学 | 一种用于影像序列椭圆形人工目标点快速识别与跟踪方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764293A (zh) * | 2018-04-28 | 2018-11-06 | 重庆交通大学 | 一种基于图像的车辆检测方法及*** |
CN108663026A (zh) * | 2018-05-21 | 2018-10-16 | 湖南科技大学 | 一种振动测量方法 |
CN108663026B (zh) * | 2018-05-21 | 2020-08-07 | 湖南科技大学 | 一种振动测量方法 |
WO2020077850A1 (zh) * | 2018-10-18 | 2020-04-23 | 深圳乐动机器人有限公司 | 一种室内区域划分和识别方法、装置及终端设备 |
CN109886199A (zh) * | 2019-02-21 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 信息处理方法、装置、车辆及移动终端 |
CN109949245A (zh) * | 2019-03-25 | 2019-06-28 | 长沙智能驾驶研究院有限公司 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
CN109949245B (zh) * | 2019-03-25 | 2021-04-16 | 长沙智能驾驶研究院有限公司 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
CN110991215A (zh) * | 2019-07-17 | 2020-04-10 | 当家移动绿色互联网技术集团有限公司 | 车道线检测方法、装置、存储介质及电子设备 |
CN110991215B (zh) * | 2019-07-17 | 2023-08-18 | 万物镜像(北京)计算机***有限公司 | 车道线检测方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107341810B (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341810A (zh) | 一种车辆自动识别方法、装置及电子设备 | |
Bilal et al. | Real-time lane detection and tracking for advanced driver assistance systems | |
US10037604B2 (en) | Multi-cue object detection and analysis | |
CN107169401B (zh) | 基于轨道视觉特征谱的轨道入侵物检测方法 | |
CN103927526A (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
CN109448397B (zh) | 一种基于大数据的团雾监测方法 | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
CN113255605A (zh) | 一种路面病害检测方法、装置、终端设备及存储介质 | |
Li et al. | A lane marking detection and tracking algorithm based on sub-regions | |
CN107301388A (zh) | 一种车辆自动识别方法及装置 | |
CN110443142B (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
Phan et al. | Occlusion vehicle detection algorithm in crowded scene for traffic surveillance system | |
CN117037103A (zh) | 一种道路检测方法和装置 | |
Fang et al. | Towards real-time crack detection using a deep neural network with a Bayesian fusion algorithm | |
CN111126248A (zh) | 一种遮挡下的车辆识别方法及装置 | |
CN111914675A (zh) | 一种车辆轴数确定方法及装置 | |
CN112115737B (zh) | 一种车辆朝向的确定方法、装置及车载终端 | |
CN113139488B (zh) | 训练分割神经网络的方法及装置 | |
CN115641431A (zh) | 一种基于改进深度学习的输电线工程车辆检测方法 | |
Ha et al. | A robust algorithm for vehicle detection and classification in intelligent traffic system | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
Mir et al. | Automated speed limit identification for efficient driving system | |
Kryjak et al. | Hardware-software implementation of vehicle detection and counting using virtual detection lines | |
Saha et al. | License plate localization using vertical edge map and hough transform based technique | |
Ashraf et al. | Efficient Pavement Crack Detection and Classification Using Custom YOLOv7 Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211215 Address after: 400700 No. 117-556, Yunhan Avenue, Beibei District, Chongqing Patentee after: Chongqing Linggu Transportation Technology Co.,Ltd. Address before: 400074 Chongqing Nan'an District Six kilometer mutual trust constellation 2104 Patentee before: CHONGQING JIAOTONG University |
|
TR01 | Transfer of patent right |