蔡慶施　王麗輝　王蓉

摘要： 車輛進氣格柵區(qū)域具有顯著紋理特征，因此格柵區(qū)域特征可用于車型自動識別。本文提出一種車輛進氣格柵區(qū)域的定位方法，并對格柵區(qū)域進行特征提取，為解決車型自動識別問題提供思路。首先，使用水平梯度的水平投影確定進氣格柵區(qū)域的上下邊界，然后，利用水平梯度和垂直梯度的垂直投影確定進氣格柵區(qū)域的左右邊界；最后，利用灰度梯度共生矩陣和Gabor小波變換方法提取進氣格柵特征。仿真實驗結(jié)果表明，本文提出的方法能夠準(zhǔn)確地定位進氣格柵區(qū)域，基于灰度梯度共生矩陣和Gabor小波變換方法提取的格柵紋理特征能夠有效地應(yīng)用于車型識別。

關(guān)鍵詞：車型識別；灰度梯度共生矩陣；Gabor小波變換；格柵定位；紋理特征

中圖分類號：TP18 文獻標(biāo)識碼：A 文章編號：1009-3044（2016）03-0191-04

1概述

隨著我國經(jīng)濟發(fā)展，人均汽車擁有量不斷上升，車型識別的需求與要求也在不斷提升。目前，針對車型識別的研究分為兩類，一是對車輛規(guī)格的分類研究，將車型分為大型車、中型車、小型車等，通常應(yīng)用于公路收費、車流量分析等[1]。二是對車輛系列的判斷研究，如將車輛按照大眾、別克、豐田等車系分類，通常用于公安稽查、市場統(tǒng)計、交通管理等領(lǐng)域[1]。

關(guān)于車型識別，目前學(xué)者們提出了許多方法。張宇提出了基于車標(biāo)信息與車尾信息的車型識別方法[2]，王玫提出了基于車燈信息的車型識別方法[3]。由于車輛進氣格柵具有顯著的紋理特征，可用來進行車型識別。本文在車牌定位的基礎(chǔ)上，利用水平梯度水平投影和垂直投影、垂直梯度垂直投影實現(xiàn)了車輛進氣格柵區(qū)域的定位，基于灰度梯度共生矩陣和Gabor小波變換提取格柵區(qū)域特征用于車型識別。

2進氣格柵區(qū)域定位方法

本文提出的進氣格柵區(qū)域定位方法實現(xiàn)流程包括車牌定位、車燈帶定位、進氣格柵區(qū)域定位環(huán)節(jié)。由于樣本格柵大小規(guī)格不同，同一格柵拍攝時車輛與攝像頭的距離與角度不同，定位獲得的格柵大小規(guī)格也不相同，因此在定位格柵區(qū)域之前，需要將樣本大小歸一化。本文統(tǒng)一將樣本歸一化為480*640的圖像。

2.1車牌定位

車牌定位技術(shù)已經(jīng)非常成熟，本文實現(xiàn)的進氣格柵區(qū)域定位是在車牌定位的基礎(chǔ)上完成的。本文采用了基于邊緣檢測和形態(tài)學(xué)處理的方法實現(xiàn)車牌定位[4]，定位的車牌如圖1所示。保存車牌上邊緣坐標(biāo)為[pla_u]，左邊緣坐標(biāo)為[pla_l]，右邊緣坐標(biāo)為[pla_r]，保存的坐標(biāo)用于格柵區(qū)域定位。

2.2 車燈帶定位

把車輛進氣格柵上下邊界范圍內(nèi)的車輛水平帶狀區(qū)域稱為車燈帶。車輛進氣格柵區(qū)域可近似看作矩形，因此，實現(xiàn)車輛進氣格柵區(qū)域定位需要獲得進氣格柵區(qū)域的上下邊界與左右邊界。

梯度圖像[I（g）]水平投影得到480個數(shù)據(jù)，將水平梯度水平投影用連續(xù)曲線表示，水平投影平均值用直線表示，見圖2。由于車燈帶灰度變化明顯，因此車燈帶所在行對應(yīng)的水平投影值將大于水平投影平均值，我們把水平投影值大于水平投影平均值的連續(xù)區(qū)域選擇為候選車燈帶。反映在圖2上，直線[mean]與連續(xù)曲線必定相交，候選車燈帶即為相鄰交點之間的連續(xù)曲線對應(yīng)的帶狀區(qū)域。因為進氣格柵區(qū)域位于車牌上方，且車燈帶對應(yīng)的連續(xù)曲線寬度最大，因此我們選擇車牌上方最寬的候選車燈帶作為最終的車燈帶，如圖3所示。

2.3 進氣格柵區(qū)域定位

由于格柵左右邊界處具有明顯灰度差，并且格柵內(nèi)部紋理豐富，所以本文采用垂直投影的方法確定格柵的左右邊界。常見的格柵可以分為水平格柵，垂直格柵和網(wǎng)狀格柵，如圖4所示。

首先對車燈帶進行垂直梯度垂直投影，得到1*640一維向量[vgvp[]]，將向量[vgvp]用連續(xù)曲線表示，見圖5（a）。然后對車燈帶進行水平梯度垂直投影，得到1*640一維向量[hgvp[]]，將向量[hgvp]用連續(xù)曲線表示，見圖5（b）。

水平格柵在垂直方向梯度較大，采用垂直梯度垂直投影方法能夠更好的區(qū)分格柵左右邊界；垂直格柵在水平方向梯度較大，采用水平梯度垂直投影方法能夠更好的區(qū)分格柵左右邊界；對于網(wǎng)狀和其他類型格柵，經(jīng)過實驗，本文統(tǒng)一選擇垂直梯度垂直投影方法，此時的定位效果較好。

選擇水平梯度垂直投影方法還是垂直梯度垂直投影方法對車燈帶處理，首先需要自動判斷格柵的紋理方向。設(shè)計方法如下。

計算向量[vgvp]，[hgvp]的平均值，分別記作[mean_vp]，[mean_hp]。計算部分車燈帶垂直投影疊加和[S]，表達式為：

[S=x=pla_lpla_rvgvp[x]] （4）

垂直梯度垂直投影和為[S1]，水平梯度垂直投影和為[S2]。當(dāng)[S2>S1]時，格柵水平梯度值大于垂直梯度值，此時格柵為垂直格柵，因此選擇水平梯度垂直投影方法。同理，當(dāng)[S2≤S1]時，表明此時格柵為水平格柵或其他方向格柵，因此選擇垂直梯度垂直投影方法。

如圖5（a）所示，平均值直線與垂直投影曲線的交點通過格柵的左右邊界。最終定位的格柵區(qū)域如圖6所示。

3 進氣格柵特征提取方法

提取格柵特征之前，首先對格柵區(qū)域進行歸一化和直方圖均衡化。然后采用基于灰度梯度共生矩陣和基于Gabor小波變換的兩種方法對格柵進行特征提取。

3.1 基于灰度梯度共生矩陣的格柵特征提取

灰度梯度共生矩陣將灰度級直方圖和邊緣梯度直方圖結(jié)合起來，它考慮的是像素級灰度和邊緣梯度大小的聯(lián)合統(tǒng)計分布[5]。灰度直方圖反映了圖像中灰度出現(xiàn)的頻率，梯度直方圖體現(xiàn)了圖像像素灰度值的跳變，將圖像梯度信息與灰度信息融合在共生矩陣，使得共生矩陣能夠更好地反映圖像的紋理信息。因此本文選擇基于灰度梯度共生矩陣方法提取格柵特征。

灰度梯度共生矩陣的元素[e（i，j）]定義為在歸一的灰度圖像和歸一的梯度圖像中共同具有灰度值[i]和梯度值[j]的總像素數(shù)，此值即為共生矩陣[C]的第[（i，j）]個元素的值[cij][6]。

對格柵灰度圖像進行灰度歸一變換：

[F（M，N）=INT（v（m，n）×NH/fm）+1] （5）

其中[INT]表示取整運算，[v（m，n）]表示灰度圖像灰度值，[fm]表示格柵圖像中最大灰度值，[NH]表示歸一后的最大灰度級，取[NH=32]；

對格柵梯度圖像進行梯度歸一變換：

[G（M，N）=INT（g（m，n）×NG/gm）+1] （6）

其中，[g（m，n）]表示梯度圖像的梯度值，[gm]表示格柵圖像中最大梯度值，[NG]表示歸一后的最大梯度值，取[NG=32]；

統(tǒng)計同時使[F（M，N）=i]和[G（M，N）=j]的像素對數(shù)，此值即共生矩陣[C]的第[（i，j）]個元素的值。

計算出灰度梯度共生矩陣并不等于得到了圖像的紋理特征，還需要對灰度梯度圖像進行二次特征提取，本文選擇混合熵，能量，灰度平均，梯度平均四個紋理參數(shù)統(tǒng)計特征量。

本文對卷積結(jié)果進行了二次特征統(tǒng)計，選擇能量、均值和方差三個參數(shù)統(tǒng)計特征量。

4實驗仿真與結(jié)果分析

4.1仿真實驗設(shè)計

仿真實驗基于VS2012平臺，通過OpenCV2.4.8視覺庫、C++語言進行編程實現(xiàn)。實驗樣本采集于高清卡口攝像頭，手動剪切得到實驗樣本，樣本要求能夠清晰地看到車輛正臉。本文共選取15種車型，每種車型15張不同樣本，共225幅車輛圖像。首先對樣本圖像進行格柵定位，然后對格柵區(qū)域進行特征提取，為了驗證基于灰度梯度共生矩陣和Gabor小波變換提取的特征在車型識別研究中的有效性，本文采用基于歐式距離的“最小距離分類器”對格柵進行了分類識別。仿真實驗實現(xiàn)流程圖如圖8所示：

第一步：采用基于邊緣檢測和形態(tài)學(xué)方法對輸入樣本進行車牌定位；

第二步：結(jié)合車牌坐標(biāo)，采用水平梯度水平投影方法定位車燈帶；

第三步：采用垂直梯度垂直投影或者水平梯度水平投影方法在車燈帶內(nèi)定位格柵區(qū)域；

第四步：基于灰度梯度共生矩陣提取格柵特征，基于Gabor小波變換提取格柵特征；

第五步：基于歐式距離對車型分類識別。

4.2 仿真實驗結(jié)果與分析

本文十五種車型樣本都能夠準(zhǔn)確定位車輛進氣格柵的位置。其中，比亞迪速銳車型由于進氣格柵與車燈之間距離小，并且兩者分界處沒有明顯灰度差，最終定位格柵區(qū)域包含部分車燈，見圖9。但是因為所有該車型定位的格柵區(qū)域都包含部分車燈，對下一步車型分類識別沒有影響。

車型識別結(jié)果如表3所示。

表3表明，基于頻域變換的Gabor小波特征能夠較好的對車型進行分類識別，基于灰度梯度共生矩陣的紋理特征能夠與基于頻域變換的特征較好地“互補”，從而提高車型識別率。

對錯誤分類的車型觀察發(fā)現(xiàn)，部分不同品牌的車型有著極其相似的進氣格柵紋理特征。如圖10所示的大眾邁騰和雷諾緯度。

在下一步研究中，針對相似車型，可提取車標(biāo)區(qū)域，對車標(biāo)進行分析和識別，或者提取車燈信息，這些新的特征將有助于區(qū)分相似車型，提高車型識別系統(tǒng)的識別率。

5結(jié)論

隨著智能交通技術(shù)的深入研究，車輛信息應(yīng)用正在向技術(shù)化、多樣化、成熟化發(fā)展。本文提出的水平梯度水平投影、水平梯度和垂直梯度的垂直投影能夠精確地定位進氣格柵區(qū)域，基于Gabor小波變換和基于灰度梯度共生矩陣提取的格柵特征在車型識別上達到81.55%的識別率，具有實用性。在未來研究中，可以進一步提取利用其他格柵特征，挖掘車標(biāo)、車燈信息數(shù)據(jù)，從而提升車型識別系統(tǒng)的識別率，使之具有更廣闊的應(yīng)用前景。

參考文獻：

[1]童建軍. 車型識別研究[D].中國科學(xué)院自動化研究所，2005.

[2]張穎. 車型識別技術(shù)研究與應(yīng)用[D].昆明理工大學(xué)，2013.

[3]王枚，王國宏，于元港，謝洪森. 新車型識別方法及其在套牌車輛鑒別中的應(yīng)用[J]. 計算機工程與應(yīng)用，2009（17）：211-214.

[4]董然，師衛(wèi). 基于邊緣檢測和形態(tài)學(xué)處理的車牌定位[J]. 機械工程與自動化，2010（6）：45-47.

[5]白雪冰，鄒麗暉. 基于灰度-梯度共生矩陣的木材表面缺陷分割方法[J]. 森林工程，2007（2）：16-18.

[6]洪繼光. 灰度-梯度共生矩陣紋理分析方法[J]. 自動化學(xué)報，1984（1）：22-25.

[7]李艷芳，費洪曉. 基于2DGabor小波與2DPCA的人臉識別方法[J]. 湖南科技學(xué)院學(xué)報，2008（8）：72-74.