CN117237725A - 一种基于图像的轮胎磨损程度快速检测方法 - Google Patents

Abstract

本发明公开一种基于图像的轮胎磨损程度快速检测方法，通过轮胎厂或汽车厂商获得不同类型的轮胎图像，每类轮胎图像的五种不同磨损程度选择一张图像，对选择的轮胎图像进行裁剪，模拟实际轮胎的污垢及图像光斑构建噪声，通过加噪进行数据增强后提取灰度共生矩阵特征的均值和均方根值、改进的梯度直方图特征以及局部二值模式特征，对提取的三类特征向量分别进行降维再拼接融合，然后将得到降维融合后的特征向量分类器模型，对分类器的重要参数采用鲸鱼优化算法进行优化，得到训练好的随机森林优化分类器模型，模型测试待检测轮胎磨损程度图像。本发明用于估计轮胎剩余寿命，更迅速便捷地提醒车主轮胎磨损程度信息。

Description

一种基于图像的轮胎磨损程度快速检测方法

技术领域

本发明涉及轮胎磨损程度检测技术领域，具体涉及一种基于图像的轮胎磨损程度快速检测方法。

背景技术

轮胎作为汽车行驶***的主要零部件，与地面直接接触关系到行驶安全性、平顺性与舒适性。为了保证汽车行驶过程中有足够的驱动力，在轮胎胎面上设计有花纹，用来提高轮胎与地面之间的摩擦系数，增大驱动力并减少轮胎打滑。但当汽车行驶一定里程后，轮胎花纹深度会因磨损变浅，如果花纹深度过浅，将会降低轮胎的抓地力及轮胎排水能力，对行车的安全性带来极大隐患，故对轮胎磨损程度的检测具有重要意义。

目前，轮胎磨损程度可以通过传感器检测、激光检测以及轮胎图像识别检测获得。传感器检测成本较高，需要在轮胎内植入传感器，并且检测结果易受植入传感器影响。激光检测通过工业相机采集激光发射器照射在轮胎花纹沟槽处的光线进行检测，检测过程比较复杂。轮胎图像检测不需要胎内传感器，也不需要外部激光发射器，仅通过采集胎面图像就可以进行轮胎花纹的识别，是一种简单实用的检测方法。2022年09月23日公布的申请号为CN202211037254.1的中国发明专利申请披露了“一种轮胎磨损度识别方法”，其利用RGB相机采集轮胎图像，对图像进行预处理，对预处理图像的花纹沟区域与正常花纹沟区域的灰度、面积、宽度、尖锐度相似度特征加权求和得到结构磨损程度，对预处理图像利用灰度共生矩阵的能量、对比度、逆矩阵、熵得到材料磨损程度，结合结构磨损程度与材料磨损程度得到轮胎磨损程度。但是，对纹理特征引起的磨损变化仅利用灰度共生矩阵的特征，特征数量较少，并且在训练阶段需要较多的图像数量，实现难度较大，另外，这种方法仅能将轮胎磨损程度识别为轻度、中度与重度三类磨损，提供的磨损程度信息有限，并且识别准确率不高。

发明内容

本发明所要解决的是现有基于轮胎图像识别轮胎磨损程度的方法存在识别准确率不高的问题，提供一种基于图像的轮胎磨损程度快速检测方法。

为解决上述问题，本发明是通过以下技术方案实现的：

一种基于图像的轮胎磨损程度快速检测方法，包括步骤如下：

步骤1、对于每个类型轮胎，通过摄像头在轮胎正面进行拍摄采集，获取不同磨损程度下的胎面图像，每一个磨损程度的轮胎至少获取一张图像，并利用这些胎面图像建立该类型轮胎的原始磨损图像库；

步骤2、对每个类型轮胎的原始磨损图像库中的每个原始胎面图像进行预处理，即通过对每个原始胎面图像进行均匀裁剪、灰度化和压缩得到多张预处理胎面图像，进而得到每个类型轮胎的预处理磨损图像库；

步骤3、对每个类型轮胎的预处理磨损图像库中的每个预处理胎面图像进行增强，即通过对每个预处理胎面图像进行加噪扩充得到多张增强胎面图像，进而得到每个类型轮胎的增强磨损图像库；

步骤4、对每个类型轮胎的增强磨损图像库中的每个增强胎面图像进行特征提取，即对每个增强胎面图像提取其灰度共生矩阵特征向量、改进的梯度直方图特征向量和局部二值模式特征向量，并将这三个特征进行降维和拼接融合后得到最终特征向量，进而得到每个类型轮胎的特征磨损图像库；

步骤5、利用每个类型轮胎的特征磨损图像库对随机森林分类器模型进行训练，训练过程通过k折交叉验证方法进行训练集和验证集的选择，并采用鲸鱼优化算法对随机森林分类器的决策树数量与最小叶子节点大小这2个参数进行优化，优化的目标函数选取为验证集准确率的相反数，其中准确率为模型在训练集上通过k折交叉验证后的平均准确率，得到每个类型轮胎的磨损检测模型；其中k为设定值；

步骤6、通过多个摄像头分别对汽车车牌及不同轮胎胎面进行拍摄，并将所拍摄的汽车车牌图像及不同轮胎胎面图像一并送入云服务器中；

步骤7、云服务器根据汽车车牌图像识别汽车的车牌号，并基于所识别出的车牌号在云服务器上检索获得轮胎类型；

步骤8、云服务器先采用步骤2的方法对每个轮胎胎面图像进行预处理得到多张预处理胎面图像，并采用步骤4的方法分别提取多张预处理胎面图像的最终特征向量，得到多个最终特征向量；再将这些最终特征向量送入到对应的类型轮胎的磨损检测模型中进行磨损程度识别，得到多个磨损程度识别结果；后通过投票法对多个磨损程度识别结果集成得到最终的磨损程度检测结果。

上述步骤1中，轮胎的磨损程度包括五种磨损程度，即零磨损、四分之一磨损、半磨损、四分之三磨损和全磨损。

上述步骤3中，对每个预处理胎面图像进行增强的具体过程如下：

步骤3.1、从预处理胎面图像中随机选取一个像素点(m,n)，以该像素点(m,n)作为二维正态分布的中心点，并从中心点的上下左右方向各延伸相同个像素点，由此在处理胎面图像中选择出一个正方形加噪范围S；

步骤3.2、对于正方形加噪范围S的每一个像素点(a,b)，采用缩放公式对其进行缩放后得到缩放像素点(x,y)；其中缩放公式为：

步骤3.3、利用二维正态分布函数对每个缩放像素点(x,y)进行加噪，每个缩放像素点(x,y)的加噪值f(x,y)为：

式中，(m,n)为预处理胎面图像中随机选取的像素点，(a,b)为以像素点(m,n)为中心所得到的正方形加噪范围S的当前像素点，(x,y)为当前像素点(a,b)所对应的缩放像素点，为缩放系数，σ₁和σ₂为2个协方差，ρ为相关系数。

上述步骤4中，对每个增强胎面图像进行特征提取的具体过程如下：

步骤4.1、计算每个增强胎面图像的灰度共生矩阵的4个纹理分类特征即角二阶矩、熵、对比度和反差分矩阵，再利用这4个纹理分类特征在不同步距下不同梯度方向的均值与均方差来构成灰度共生矩阵特征向量；

步骤4.2、计算每个增强胎面图像的改进的梯度直方图特征向量；

步骤4.2.1、将每个增强胎面图像均匀分割为细胞单元；

步骤4.2.2、计算每个细胞单元的9个梯度方向的梯度值，进而获得每个细胞单元的原始梯度向量；在原始梯度向量中各个梯度值所对应的梯度方向依次为0°、20°、40°、60°、80°、100°、120°、140°和160°；

步骤4.2.3、对所有细胞单元对应梯度方向的梯度值求和，得到9个梯度方向的梯度总和，并从中选出梯度总和最大的梯度方向；

步骤4.2.4、对原始梯度向量中的所有梯度值进行循环右移，使得梯度总和最大的梯度方向所对应的梯度值位于首位，由此得到每个细胞单元的重构梯度向量；

步骤4.2.5、对每个增强胎面图像的细胞单元进行归一化滑动操作得到改进的梯度直方图特征向量；

步骤4.3、计算每个增强胎面图像的局部二值模式，得到局部二值模式特征向量；

步骤4.4、对灰度共生矩阵特征向量、改进的梯度直方图特征向量和局部二值模式特征向量通过主成分分析降维后，通过拼接融合得到最终特征向量。

与现有技术相比，本发明通过简单拍摄不同磨损程度的轮胎胎面图像就可以完成轮胎磨损程度检测模型的训练。首先需要的图像数据集非常少，每一种磨损程度仅需要一张图像，通过对这一张图像的裁剪，并模拟实际轮胎的污垢及图像光斑构建噪声，通过加噪扩充图像，可以获得图像更多维度的信息，从而减少模型训练需要的图像数量。其次通过加噪进行数据增强后提取灰度共生矩阵特征的均值和均方根值、改进的梯度直方图特征以及局部二值模式特征，对提取的三类特征向量分别进行降维再拼接融合，选择更多的图像特征可以更全面的获取图像信息，特征降维和融合减少了分类器模型的输入，从而提高轮胎磨损程度识别的实时性和准确性；最后，通过k折交叉验证方法进行模型参数优化，使得模型的准确性和泛化性能更好。实际检测时，仅需要拍摄汽车车牌和轮胎胎面图像，将图像进行裁剪、增强和特征提取后送入对应类型轮胎的磨损检测模型，通过投票集成方法实现快速准确的轮胎磨损程度的识别，识别精度更高，增强了对不同类型轮胎磨损程度检测的泛化能力。本发明用于估计轮胎剩余寿命，更迅速便捷地提醒车主轮胎磨损程度信息。

附图说明

图1为一种基于图像的轮胎磨损程度快速检测方法的流程图。

图2为轮胎各磨损程度下的图像，(a)全新即零磨损，(b)四分之一磨损，(c)半磨磨损，(d)四分之三磨损，(e)全磨损。

图3为半磨轮胎的预处理胎面图像。

图4为半磨轮胎的增强胎面图像。

图5为三类特征向量的前30个主成分贡献度曲线图，(a)为前30个主成分贡献度图，(b)为前30个主成分贡献度在10％以下的局部放大图。

图6为测试图像混淆矩阵结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。

本发明提供一种基于图像的轮胎磨损程度快速检测方法，该检测方法适用于汽车检测场所、汽车进出停车场或经过交通路口等场合，通过摄像头拍摄轮胎图像，然后利用本发明的检测方法快速检测轮胎磨损程度，最后显示出检测磨损程度结果，用于估计轮胎剩余寿命，在轮胎磨损程度严重时提醒车主及时更换轮胎。

通过轮胎厂或汽车厂商获得不同类型的轮胎图像，每类轮胎图像至少包含五种不同磨损程度的轮胎正面图像，每一种磨损程度的轮胎选择一张图像，对选择的轮胎图像进行裁剪和加噪数据增强后扩充图像，加噪方法考虑实际轮胎受污垢块以及图像光斑的影响构建加噪函数并确定加噪范围，然后提取每一张图像的灰度共生矩阵GLCM特征在不同梯度方向下的均值和均方根值、改进的梯度直方图HOG特征以及局部二值模式特征，对提取的三个特征向量分别采用PCA主成分分析进行降维压缩，然后将降维压缩后的三个特征向量拼接融合获得最终用于训练的特征向量，利用融合后的特征向量训练随机森林分类器，对分类器的重要参数采用鲸鱼优化算法进行优化，得到训练好的随机森林优化分类器模型。

模型训练好之后，通过摄像头采集车牌图像和待检测轮胎胎面图像，车牌图像利用车牌号识别算法识别出车牌号码，通过车牌号码检索车辆信息获得轮胎类型，从训练好的模型中匹配对应轮胎类型的轮胎磨损检测模型，利用该轮胎磨损检测模型，可以根据摄像头拍摄的轮胎图像进行轮胎磨损程度的检测。采用模型训练过程相同的方法对图像进行预处理，然后通过裁剪得到扩充的16张图像，对得到的16张图像进行特征提取、降维和特征融合后，利用选择的轮胎磨损检测模型进行轮胎磨损程度的分类检测，得到16个检测结果，对得到的16个检测结果进行投票法集成，集成后的结果即为最终的磨损程度识别结果。

参见图1，一种基于图像的轮胎磨损程度快速检测方法，其具体方法步骤如下：

步骤1、对于每个类型轮胎，通过摄像头在轮胎正面进行拍摄采集，获取不同磨损程度下的胎面图像，每一个磨损程度的轮胎至少获取一张图像，并利用这些胎面图像建立该类型轮胎的原始磨损图像库。

在本发明中，对于每个类型轮胎，获得五种不同磨损程度下的胎面图像，五种磨损程度在[0,1]区间划分，其中0表示轮胎花纹完全磨平，1表示轮胎花纹未经磨损。全新零磨损轮胎的磨损程度取值在[0,0.2]，四分之一磨损轮胎的磨损程度取值在[0.2,0.4]中，半磨磨损轮胎的磨损程度取值在[0.4,0.6]，四分之三磨磨损轮胎的磨损程度取值在[0.6,0.8]，全磨磨损轮胎的磨损程度取值在[0.8,1]。如图2所示。不同类型的轮胎即不同型号的轮胎，其具有不同的尺寸和/或花纹，每个类型的轮胎建立一个轮胎磨损图像库。

步骤2、对每个类型轮胎的原始磨损图像库中的每个原始胎面图像进行预处理，即通过对每个原始胎面图像进行均匀裁剪、灰度化和压缩得到多张预处理胎面图像，进而得到每个类型轮胎的预处理磨损图像库。

步骤2.1、对原始胎面图像进行均匀裁剪，将一张原始胎面图像裁剪成n*n张图像(n>3)。

在本实施例中，对图像进行裁剪，均匀的将所有图像裁剪为4*4大小，确保每一张裁剪图像大小相当，拍摄的图像均为4096*3072大小，则裁剪图像大小均为1024*768。

步骤2.2、对每个裁剪胎面图像进行灰度化，转为灰度胎面图像。

在本实施例中，对裁剪得到的16张图像批量进行灰度化处理，转为灰度图像，灰度化通过对图像中各个像素的红绿蓝三个分量加权平均的算法，得到图像各个像素的灰度值，计算公式为：

Gray＝0.299R+0.587G+0.114B

其中，Gray为像素灰度值，R、G、B分别为图像各个像素的红绿蓝分量值。

步骤2.3、对每个灰度胎面图像进行压缩。

在本实施例中，将所有1024*768大小的灰度图像批量压缩为256*256大小，压缩过程采用双三次插值，即图像每个压缩像素值是最近4*4邻域中的像素的加权平均值，加权权重值通过构造BiCubic函数获得。

如图3所展示的半磨损状态下的原始轮胎胎面图像经预处理后所获得预处理胎面图像。

步骤3、对每个类型轮胎的预处理磨损图像库中的每个预处理胎面图像进行增强，即通过对每个预处理胎面图像进行加噪扩充得到多张增强胎面图像，进而得到每个类型轮胎的增强磨损图像库。

考虑到实际过程中，轮胎上会有部分污垢块，且轮胎图像上会有部分光斑，加入噪声可以模拟污垢块及光斑影响，加噪方法模拟该影响在局部随机加入适当噪声，同时考虑到二维正态分布具有成钟形，中间高四周低以及全空间内积分为0的特点，本发明以二维正态分布函数构建加噪范围和加噪函数。

步骤3.1、从预处理胎面图像中随机选取一个像素点(m,n)，以该像素点(m,n)作为二维正态分布的中心点，并从中心点的上下左右方向各延伸相同个像素点，由此在处理胎面图像中选择出一个正方形加噪范围S。

步骤3.2、对于正方形加噪范围S的每一个像素点(a,b)，采用缩放公式对其进行缩放后得到缩放像素点(x,y)；其中缩放公式为：

步骤3.3、利用二维正态分布函数对每个缩放像素点(x,y)进行加噪，每个缩放像素点(x,y)的加噪值f(x,y)为：

式中，(m,n)为预处理胎面图像中随机选取的像素点，(a,b)为以像素点(m,n)为中心所得到的正方形加噪范围S的当前像素点，(x,y)为当前像素点(a,b)所对应的缩放像素点，为缩放系数，σ₁和σ₂为2个协方差，ρ为相关系数。

在本实施例中，在256*256大小的预处理胎面图像上随机选取一个像素点(m,n)，m和n为该像素点在预处理胎面图像上的横纵坐标，坐标单位为一个像素点，并将m和n作为二维正态分布的两个均值μ₁和μ₂。根据图像大小随机在[0.5,2]区间内选取两个协方差σ₁和σ₂，相关系数ρ在区间[-1,1]内随机选取。加噪的范围以随机选取的像素点(m,n)为中心，上下左右各延伸50个像素点，构成边长为100个像素点的正方形范围S。

对正方形范围S的每个像素点(a,b)进行扩充，得到缩放像素点(x,y)。正方形范围S内每个像素点(a,b)与像素点(m,n)横纵方向上的1步距对应于二维正态分布函数上坐标轴的1/20个单位(即缩放系数)，表达式即：

对缩放像素点(x,y)进行加噪，每个缩放像素点(x,y)的加噪值f(x,y)为：

通过上述方法即可获得S范围内每一点的噪声值，对每张灰度图像，先将其中所有灰度值归一化后，加入对应S范围内的噪声即可得到加噪后的灰度图像，最终，将每张图像经预处理得到的16张灰度图像扩充到32张灰度图像。

如图4所展示的半磨损状态下的预处理轮胎胎面图像经增强后所获得增强胎面图像。

步骤4、对每个类型轮胎的增强磨损图像库中的每个增强胎面图像进行特征提取，即对每个增强胎面图像提取其灰度共生矩阵特征向量、改进的梯度直方图特征向量和局部二值模式特征向量，并将这三个特征进行降维和拼接融合后得到最终特征向量，进而得到每个类型轮胎的特征磨损图像库。

步骤4.1、计算每个增强胎面图像的灰度共生矩阵的4个纹理分类特征即角二阶矩、熵、对比度和反差分矩阵，再利用这4个纹理分类特征在不同步距下不同梯度方向的均值与均方差来构成灰度共生矩阵特征向量。

灰度共生矩阵的计算方法如下：取图像(256*256)中任意一点(x,y)及偏离它的另一点(x+a,y+b)，设该点的灰度值为(g1,g2)。令点(x,y)在整个画面上移动，则会得到各种(g1,g2)值，设灰度值的级数为t，则(g1,g2)的组合共有t²种，原灰度图像为256灰度级，组合种类太大，此处p取为8，将256灰度级转换为8灰度级，即每32个灰度转为1个灰度。对于整个画面，统计出每一种(g1,g2)值出现的次数，然后排列成一个方阵，再用(g1,g2)出现的总次数将它们归一化为出现的概率P(g1,g2)，这样的方阵称为灰度共生矩阵。距离差分值(a,b)取不同的数值组合，可以得到不同情况下的联合概率矩阵。(a,b)取值要根据纹理周期分布的特性来选择，当(a,b)＝(x,0)，像素对是水平的，即0度扫描；当(a,b)＝(0,x)时，像素对是垂直的，即90度扫描；当(a,b)＝(x,x)时，像素对是右对角线的，即45度扫描；当(a,b)＝(-x,-x)时，像素对是左对角线，即135度扫描；其中，x>0，x为两像素间水平或垂直方向上的步距。

由于灰度共生矩阵的维度较大，一般不直接作为区分纹理的特征，而是基于它构建的一些统计量作为纹理分类特征。本发明先选取灰度共生矩阵的角二阶矩、熵、对比度和反差分矩阵这4个纹理分类特征，再选取每个纹理分类特征在不同步距下不同梯度方向的均值与均方差来构成灰度共生矩阵的特征向量。

灰度共生矩阵的角二阶矩是图像灰度分布均匀程度和纹理粗细的一个度量，其公式为：

ASM＝∑_i∑_jP(i,j)²

灰度共生矩阵的熵度量了图像包含信息量的随机性，其公式为：

ENT＝-∑_i∑_jP(i,j)log(P(i,j))

灰度共生矩阵的对比度反映了图像的清晰度和纹理的沟纹深浅，其公式为：

Com＝∑_i∑_j(i-j)²P(i,j)

灰度共生矩阵的反差分矩阵也叫做逆方差，反映了纹理的清晰程度和规则程度，其公式为：

其中，P(i,j)表示像素点(i,j)的像素值，i,j分别表示像素点(i,j)的行和列。

在本实施例中，对于这四个纹理分类特征，每个纹理分类特征的步距x分别选取为1到10，提取0度、45度、90度、135度四个梯度方向下每个纹理分类特征的均值和均方根值特征，构成长度为80的特征向量。

步骤4.2、计算每个增强胎面图像的改进的梯度直方图特征向量。

传统的梯度直方图中选取8*8个细胞单元(cell)区域，每个细胞单元的梯度向量包括9个梯度方向的梯度值，这9个梯度值的梯度方向依次为0°、20°、40°、60°、80°、100°、120°、140°和160，即每个细胞单元的梯度向量为[0°梯度值、20°梯度值、40°梯度值、60°梯度值、80°梯度值、100°梯度值、120°梯度值、140°梯度值、160°梯度值]。再以2*2个细胞单元作为一个滑动块(block)，通过滑动块归一化滑动操作得到梯度直方图特征向量。

考虑到轮胎图像的采集中受拍摄方向偏转会产生不同梯度方向的偏差，而传统的梯度直方图向量中梯度方向区间从0度开始，会使得相同磨损图像提取的特征向量间差异增大，因此本发明提出一种改进的梯度直方图特征，其具体过程如下：

1)将每个增强胎面图像均匀分割为细胞单元。

2)计算每个细胞单元的9个梯度方向的梯度值，进而获得每个细胞单元的原始梯度向量。在原始梯度向量中各个梯度值所对应的梯度方向依次为0°、20°、40°、60°、80°、100°、120°、140°和160°，即每个细胞单元的原始梯度向量为[0°梯度值、20°梯度值、40°梯度值、60°梯度值、80°梯度值、100°梯度值、120°梯度值、140°梯度值、160°梯度值]。

3)对所有细胞单元对应梯度方向的梯度值求和，得到9个梯度方向的梯度总和，并从中选出梯度总和最大的梯度方向。

4)对原始梯度向量中的所有梯度值进行循环右移，使得梯度总和最大的梯度方向所对应的梯度值位于首位，由此得到每个细胞单元的重构梯度向量。

如梯度总和最大的梯度方向为60°，将原始梯度向量中的所有梯度值进行循环右移，使得梯度总和最大的梯度方向即60°所对应的梯度值位于首位，由此得到的每个细胞单元的重构梯度向量为[60°梯度值、80°梯度值、100°梯度值、120°梯度值、140°梯度值、160°梯度值、0°梯度值、20°梯度值、40°梯度值]。

如梯度总和最大的梯度方向为140°，将原始梯度向量中的所有梯度值进行循环右移，使得梯度总和最大的梯度方向即140°所对应的梯度值位于首位，由此得到的每个细胞单元的重构梯度向量为[140°梯度值、160°梯度值、0°梯度值、20°梯度值、40°梯度值、60°梯度值、80°梯度值、100°梯度值、120°梯度值]。

由于同一类型轮胎的花纹沟道朝向基本一致，因此细胞单元块中梯度最大值大多为花纹沟道与胎面的交界处，采用该方法后梯度直方图中的第一个梯度方向均为垂直于花纹沟道的梯度方向，减小了拍摄过程中因拍摄方向偏转而对梯度直方图特征造成的影响。

5)对每个增强胎面图像的细胞单元进行归一化滑动操作得到改进的梯度直方图特征向量。

一个滑动块可以拼接得到长度为36的特征向量，256*256的图像被分为4*4个细胞单元，通过细胞单元单位的滑动得到的滑动块数量则为9个，最终一张256*256的图像可以提取出梯度直方图特征向量的长度为324。

步骤4.3、计算每个增强胎面图像的局部二值模式，得到局部二值模式特征向量。

局部二值模式定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。因此，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的局部二值模式值，将这个数作为窗口中心像素的LBP值，其数学表达式为：

其中，(x_c,y_c)为中心像素的坐标，p为邻域的第p个像素，i_p为邻域像素的灰度值，i_c为中心像素的灰度值，s为符号函数，如下：

然后将256*256大小的图像同样分成16个64*64大小的细胞单元，计算细胞单元中所有像素的LBP值的直方图并归一化，归一化采用L2归一化，即对向量的每一个值都除以向量的平方和的开方，最后拼接16个细胞单元的特征向量从而得到长度为160的局部二值模式特征向量。

步骤4.4、对灰度共生矩阵特征向量、改进的梯度直方图特征向量和局部二值模式特征向量通过主成分分析降维后，通过拼接融合得到最终特征向量。

主成分分析(PCA)的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第1个新坐标轴选择是原始数据中方差最大的方向，第2个新坐标轴选取是与第1个坐标轴正交的平面中使得方差最大的，第3个轴是与第1,2个轴正交的平面中方差最大的。依次类推，可以得到n(n是特征的维数)个这样的坐标轴。通过这种方式获得的新的坐标轴，大部分方差都包含在前面r(r<n)个坐标轴中，后面的坐标轴所含的方差几乎为0。因此，可以忽略余下的坐标轴，只保留前面r个含有绝大部分方差的坐标轴，相当于只保留包含绝大部分方差的维度特征，而忽略包含方差几乎为0的特征维度，实现对数据特征的降维处理。将n个指标降维成r个主成分后，这些主成分会依据方差的大小进行排序，称作主成分1、主成分2一直到主成分r。而每个主成分的方差在这一组变量中的总方差中所占的比例，即是主成分的贡献度。这里r的选取为保留对主成分贡献度在98％以上的特征维度，通过PCA主成分分析降维后灰度共生矩阵特征向量长度为15，改进的梯度直方图特征向量长度为30，局部二值模式特征向量长度为15，再对这三类特征向量拼接融合得到最终长度为60的一个特征向量，即一张图像提取出一个长度为60的特征向量。主成分贡献度如图5所示，(a)为前30个主成分贡献度图，(b)为前30个主成分贡献度在10％以下的局部放大图。

步骤5、利用每个类型轮胎的特征磨损图像库对随机森林分类器模型进行训练，训练过程通过k折交叉验证方法进行训练集和验证集的选择，并采用鲸鱼优化算法对随机森林分类器的决策树数量与最小叶子节点大小这2个参数进行优化，优化的目标函数选取为验证集准确率的相反数，其中准确率为模型在训练集上通过k折交叉验证后的平均准确率，得到每个类型轮胎的磨损检测模型。其中k为设定值。

随机森林分类器就是通过集成学习的bagging思想将多棵树集成的一种算法：它的基本单元就是决策树，将一个输入样本进行分类，就需要将它输入到每棵树中进行分类。将若干个弱分类器的分类结果进行投票选择，从而组成一个强分类器，这就是随机森林bagging的思想。决策树是一种基于树结构进行决策判断的模型，它通过多个条件判别过程将数据集分类，最终获取需要的结果，决策树的起始点为根节点，中间决策流程为内部节点，分类结果为叶节点。决策树节点划分依据CART决策树，它既可以做分类也可以做回归。随机森林的基分类器采用CART决策树，CART决策树使用基尼指数作为划分依据，基尼指数Gini(D)反映的是数据集中随机抽取两个样本，而它们类别标志不一致的概率，基尼指数越小，代表数据集D的纯度越高。在属性集合A中，一般选基尼指数最小的属性。当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，观察这个样本属于哪一类，哪一类被选择最多，就预测这个样本为此类，最终得到的分类结果即为随机森林的分类结果。

鲸鱼优化算法是模仿自然界中鲸鱼捕食行为的新型群体智能优化算法，通过鲸鱼优化算法对随机森林中的决策树数量与最小叶子节点大小这两个参数进行优化。优化的目标函数选取为验证集准确率的相反数，其中准确率为模型在训练集上通过k(k>5)折交叉验证后的平均准确率，k根据验证集数量选取为8。8折交叉验证通过对训练集每类磨损程度的32张图像平均分为8份，每份4张图像，训练时依次取一份作为验证集，其余7份作为训练集参与模型训练，最终将8次的验证结果求取平均判定优化效果，最终获得最优结果的分类器为训练好的随机森林分类器，不同类型的轮胎经过训练后得到不同的分类器模型即磨损检测模型。

步骤6、通过多个摄像头分别对汽车车牌及不同轮胎胎面进行拍摄，并将所拍摄的汽车车牌图像及不同轮胎胎面图像一并送入云服务器中。

云服务器存储不同车牌汽车的各个轮胎类型信息数据库，以及不同轮胎类型的轮胎磨损程度检测模型。在实际检测过程中，不同类型的轮胎需要对应不同的轮胎磨损检测模型。考虑到实际中轮胎类型较多，同一个模型对于不同类型的轮胎磨损检测精度较低，可以通过对拍摄车牌号进行识别后，通过云服务器在线查询车辆信息及轮胎类型信息，根据查询的轮胎类型确定对应的轮胎磨损检测模型。

步骤7、云服务器根据汽车车牌图像识别汽车的车牌号，并基于所识别出的车牌号在云服务器上检索获得轮胎类型。

每个车牌对应一个车型，该车型在出厂时会安装有同一类型的轮胎，车牌与其轮胎类型的对应关系会预先存储在云服务器的数据库中。若用户在后期对其汽车所使用的轮胎的类型进行了更换，需要将轮胎类型上传至服务器中，服务器会对车牌与轮胎类型的对应关系进行更新。云服务器根据车牌信息可以查询该车牌对应的轮胎类型信息和对应轮胎类型的轮胎磨损检测模型。

步骤8、云服务器先采用步骤2的方法对每个轮胎胎面图像进行预处理得到多张预处理胎面图像，并采用步骤4的方法分别提取多张预处理胎面图像的最终特征向量，得到多个最终特征向量；再将这些最终特征向量送入到对应的类型轮胎的磨损检测模型中进行磨损程度识别，得到多个磨损程度识别结果；后通过投票法对多个磨损程度识别结果集成得到最终的磨损程度检测结果。

利用摄像头采集实际轮胎的一张胎面图像，由于一张胎面图像上有多个沟道的，而磨损识别只需要包括了沟道的图像信息，而不需要完整的图像信息便可以识别出磨损程度，因此通过图像的预处理和提取特征后，送入对应类型轮胎的磨损检测模型进行模式程度检测，不需要进行数据的增强，采用集成学习中的投票法进行实际轮胎磨损程度的识别。

模型调用所有类型的磨损检测模型中与该汽车轮胎类型对应的磨损检测模型。获取的一张图像通过数据预处理可以扩充为n*n张裁剪图像，每一张裁剪图像经过特征提取后得到一个特征向量(n*n张裁剪图像对应n*n个特征向量)，每一个特征向量送入同一个磨损检测模型均可以识别出一种磨损程度识别结果(n*n个特征向量对应n*n个磨损程度识别结果)，通过投票法对多个磨损程度识别结果集成，即：将n*n个磨损程度识别结果中出现次数最多的结果作为最终识别的轮胎磨损程度；如果有多个磨损程度识别结果出现次数相同，则对不同磨损程度识别结果排序后，对所有磨损程度识别结果取平均值，然后选取距离平均值最近的磨损程度识别结果作为最终的磨损结果。

下面通过一个具体实例，对本发明进行进一步说明：

通过摄像头拍摄东风柳汽的乘龙H5货车的6个不同磨损程度的轮胎的图像进行模型的测试验证，该车型配备的轮胎型号为佳通275/80R22.5。测试时，每一类磨损程度的轮胎采集50张图像，一共250张图像，每一张图像通过图像预处理裁剪得到16张图像。图像预处理过程与训练过程预处理方法相同，通过与训练过程相同的步骤进行特征提取、降维和融合后获得最终的特征向量，即采集一张图像可计算得到16个特征向量。通过训练好的随机森林分类器模型对特征向量进行分类，每张采集图像可得到16个分类结果，采用投票法进行集成，将16个结果最终集成为一个磨损结果。投票法集成是一种遵循少数服从多数原则的集成学***均值后选取距离平均值最近的磨损结果，该磨损结果从多个出现次数最多的结果中选出，选出的磨损结果作为该图像最终的磨损程度识别结果，其最近距离dis计算公式如下：

其中，dis为最近距离，N_i为第i张扩充图像的磨损序号，W_j为5类磨损中第j个磨损序号，W_mode为16张图像在5类磨损序号中的众数，最后j即为每张采集图像获得的最终磨损程度结果序号，通过该方法获得最终的分类检测准确率为89.6％，其混淆矩阵结果如图6所示。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims (4)

1.一种基于图像的轮胎磨损程度快速检测方法，其特征是，包括步骤如下：

步骤1、对于每个类型轮胎，通过摄像头在轮胎正面进行拍摄采集，获取不同磨损程度下的胎面图像，每一个磨损程度的轮胎至少获取一张图像，并利用这些胎面图像建立该类型轮胎的原始磨损图像库；

步骤2、对每个类型轮胎的原始磨损图像库中的每个原始胎面图像进行预处理，即通过对每个原始胎面图像进行均匀裁剪、灰度化和压缩得到多张预处理胎面图像，进而得到每个类型轮胎的预处理磨损图像库；

步骤3、对每个类型轮胎的预处理磨损图像库中的每个预处理胎面图像进行增强，即通过对每个预处理胎面图像进行加噪扩充得到多张增强胎面图像，进而得到每个类型轮胎的增强磨损图像库；

步骤4、对每个类型轮胎的增强磨损图像库中的每个增强胎面图像进行特征提取，即对每个增强胎面图像提取其灰度共生矩阵特征向量、改进的梯度直方图特征向量和局部二值模式特征向量，并将这三个特征进行降维和拼接融合后得到最终特征向量，进而得到每个类型轮胎的特征磨损图像库；

步骤5、利用每个类型轮胎的特征磨损图像库对随机森林分类器模型进行训练，训练过程通过k折交叉验证方法进行训练集和验证集的选择，并采用鲸鱼优化算法对随机森林分类器的决策树数量与最小叶子节点大小这2个参数进行优化，优化的目标函数选取为验证集准确率的相反数，其中准确率为模型在训练集上通过k折交叉验证后的平均准确率，得到每个类型轮胎的磨损检测模型；其中k为设定值；

步骤6、通过多个摄像头分别对汽车车牌及不同轮胎胎面进行拍摄，并将所拍摄的汽车车牌图像及不同轮胎胎面图像一并送入云服务器中；

步骤7、云服务器根据汽车车牌图像识别汽车的车牌号，并基于所识别出的车牌号在云服务器上检索获得轮胎类型；

步骤8、云服务器先采用步骤2的方法对每个轮胎胎面图像进行预处理得到多张预处理胎面图像，并采用步骤4的方法分别提取多张预处理胎面图像的最终特征向量，得到多个最终特征向量；再将这些最终特征向量送入到对应的类型轮胎的磨损检测模型中进行磨损程度识别，得到多个磨损程度识别结果；后通过投票法对多个磨损程度识别结果集成得到最终的磨损程度检测结果。

2.根据权利要求1所述的一种基于图像的轮胎磨损程度快速检测方法，其特征是，步骤1中，轮胎的磨损程度包括五种磨损程度，即零磨损、四分之一磨损、半磨损、四分之三磨损和全磨损。

3.根据权利要求1所述的一种基于图像的轮胎磨损程度快速检测方法，其特征是，步骤3中，对每个预处理胎面图像进行增强的具体过程如下：

步骤3.1、从预处理胎面图像中随机选取一个像素点(m,n)，以该像素点(m,n)作为二维正态分布的中心点，并从中心点的上下左右方向各延伸相同个像素点，由此在处理胎面图像中选择出一个正方形加噪范围S；

步骤3.2、对于正方形加噪范围S的每一个像素点(a,b)，采用缩放公式对其进行缩放后得到缩放像素点(x,y)；其中缩放公式为：

步骤3.3、利用二维正态分布函数对每个缩放像素点(x,y)进行加噪，每个缩放像素点(x,y)的加噪值f(x,y)为：

式中，(m,n)为预处理胎面图像中随机选取的像素点，(a,b)为以像素点(m,n)为中心所得到的正方形加噪范围S的当前像素点，(x,y)为当前像素点(a,b)所对应的缩放像素点，为缩放系数，σ₁和σ₂为2个协方差，ρ为相关系数。

4.根据权利要求1所述的一种基于图像的轮胎磨损程度快速检测方法，其特征是，步骤4中，对每个增强胎面图像进行特征提取的具体过程如下：

步骤4.1、计算每个增强胎面图像的灰度共生矩阵的4个纹理分类特征即角二阶矩、熵、对比度和反差分矩阵，再利用这4个纹理分类特征在不同步距下不同梯度方向的均值与均方差来构成灰度共生矩阵特征向量；

步骤4.2、计算每个增强胎面图像的改进的梯度直方图特征向量；

步骤4.2.1、将每个增强胎面图像均匀分割为细胞单元；

步骤4.2.2、计算每个细胞单元的9个梯度方向的梯度值，进而获得每个细胞单元的原始梯度向量；在原始梯度向量中各个梯度值所对应的梯度方向依次为0°、20°、40°、60°、80°、100°、120°、140°和160°；

步骤4.2.3、对所有细胞单元对应梯度方向的梯度值求和，得到9个梯度方向的梯度总和，并从中选出梯度总和最大的梯度方向；

步骤4.2.4、对原始梯度向量中的所有梯度值进行循环右移，使得梯度总和最大的梯度方向所对应的梯度值位于首位，由此得到每个细胞单元的重构梯度向量；

步骤4.2.5、对每个增强胎面图像的细胞单元进行归一化滑动操作得到改进的梯度直方图特征向量；

步骤4.3、计算每个增强胎面图像的局部二值模式，得到局部二值模式特征向量；

步骤4.4、对灰度共生矩阵特征向量、改进的梯度直方图特征向量和局部二值模式特征向量通过主成分分析降维后，通过拼接融合得到最终特征向量。