CN106570488A - 基于小波算法的车辆追踪识别方法 - Google Patents

Abstract

本发明公开了一种基于小波算法的车辆追踪识别方法，所述方法包括：S1、采集实时图像；S2、对图像背景进行更新，并利用背景相减法侦测出图像差异部分；S3、利用小波算法对图像进行处理，首先对图像进行二值化，并进行扩张侵蚀处理，然后采用小波算法建立姿态优化函数，并进行区位追踪精确捕捉车辆信息区位，精确追踪识别车辆。本发明利用背景更新的功能，对差异较大的前景做侦测，使其背景更新系统不会受到小噪声的干扰；进行特征识别，找出车辆颜色做更进一步的辨别，锁定特殊车辆后，使用路口摄影机的位置来做时间和锁定车辆；能够同时追踪多种车辆，可用于多路口侦测、实时侦测。

Description

基于小波算法的车辆追踪识别方法

技术领域

本发明涉及计算机应用技术及应用于图像处理技术领域，特别是涉及一种基于小波算法的车辆追踪识别方法。

背景技术

现今的车辆是生活中必备的代步交通工具，因此交通安全更是重要，现在家家户户至少都会有一部车子，家中没有车子的仅为少数，不管是旅游、上班、带小孩上放学都会用到车子，就因为车辆很多，交通安全更是重要，所以利用计算机视觉为基础开发车辆监控系统辅助监测者，系统将提供道路上的车辆信息给监测者知道，代替人眼来长时间观察道路状况，尤其当发生交通事故时，倘若是有逃逸车辆，警方可以按照目击者的证词，将逃逸车辆信息输入系统，再由系统判断此可疑车辆有可能经过的路口，将道路车辆信息利用文字的方式告诉监测者，动机一就是提供多重道路上各种车辆的信息给监测者，利用网络数字摄影机拍摄之后直接经由系统做处理，动机二就是将结果储存到网络数据库，之后能让监测者看到所汇集到的信息，让监测者不必观看每个道路上的监视摄影机画面就可以知道被锁定车辆的行经路线。

国际上视频监控技术通过几十年的发展，已经在诸多领域内取得了众多研究成果。相对来说，我国在该领域的研究工作起步比较晚，研究基础相对薄弱。但是近年来，随着我国视频分析技术、多媒体数据库、人工智能技术的发展，国内政府支持以及国际上的影响，为视频监控系统的研究提供了必要的理论基础和技术条件。目前，中国科学院北京自动化研究所、清华大学、上海交通大学、北京理工大学等一些高等院校和科研机构也在从事这方面的理论研究和系统开发。其中，中国科学院北京自动化研究所下属的模式识别国家重点实验室视觉监控研究组处于领先地位。他们对交通中的视觉监控，人的运动视觉监控和行为模式识别进行了深入的研究，自行设计了一个拥有完全自主版权的交通监控原型系统VStar Visual SurveillanceStar，整个系统由计算机、数字摄像机、音箱和交通场景模拟平台组成。当车辆在交通场景中运动时，摄像机将拍录下来的视频序列送进计算机；定位和跟踪程序自动分析这些视频序列，识别车型并跟踪车辆在场景中的运动；跟踪结果被送进行为分析和语义解释程序，对车辆的行为进行分析并给出语义解释；如果需要的话，语义解释结果进一步被送进语音合成程序，得到语音提示或警告。然而现有技术中，车辆处于某种特殊姿态时容易引起的误追踪。

因此，针对上述技术问题，有必要提供一种基于小波算法的车辆追踪识别方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于小波算法的车辆追踪识别方法，。

为了实现上述目的，本发明实施例提供的技术方案如下：

一种基于小波算法的车辆追踪识别方法，所述方法包括：

S1、采集实时图像；

S2、对图像背景进行更新，并利用背景相减法侦测出图像差异部分；

S3、利用小波算法对图像进行处理，首先对图像进行二值化，并进行扩张侵蚀处理，然后采用小波算法建立姿态优化函数，并进行区位追踪精确捕捉车辆信息区位，精确追踪识别车辆。

作为本发明的进一步改进，所述步骤S2中的图像差异部分包括前景物与杂讯。

作为本发明的进一步改进，所述步骤S3包括：

采用小波算法将图像中的多个区位做分割，把相连在一起的区位做相同标记；

依序扫描图像画面的像素值，当扫描到像素值为255时，则标上标记，直至图像画面无255的像素值。

作为本发明的进一步改进，所述步骤S3中的区位包括按照4连接结构或8连接结构。

作为本发明的进一步改进，所述4连接包括位于屏蔽中心位置的R_x,y及位于屏蔽中心右、下、左、上的R_x+1,y、R_x,y+1、R_x-1,y、R_x,y-1，每个区位的扫描顺序按照右、下、左、上依次进行。

作为本发明的进一步改进，所述8连接包括位于屏蔽中心位置的R_x,y及位于屏蔽中心右、右下、下、左下、左、左上、上、右上的R_x+1,y、R_x+1,y+1、R_x,y+1、R_x-1,y+1、R_x-1,y+1、R_x-1,y、R_x,y-1、R_x+1,y-1，每个区位的扫描顺序按照右、右下、下、左下、左、左上、上、右上依次进行。

作为本发明的进一步改进，所述步骤S3还包括：

依照各区位颜色的不同，找出各个区位X轴的最大值和最小值以及Y轴的最大值和最小值，得到四个点后，再将其连接起来框出前景物。

作为本发明的进一步改进，所述步骤S3还包括：

框出前景目标物后进行小波降维。

作为本发明的进一步改进，所述步骤S3包括：

输入图像为I，I的高度为H_img，I的宽度为W_img，首先设定前景区位的四个参数值，H_max＝0、H_img＝H_min、W_max＝0、W_img＝W_min；

从图像I的各个前景物区位由上而下，由左至右的扫描一次，找出H_min、W_min、H_max、W_max各个参数值，利用此四个点来框出前景物。

本发明的有益效果是：

本发明采用改进的Gabor小波建立匹配优化函数，利用概率模型描述匹配参数之间的相互关系，通过学习概率模型和采用操作使参数群体的分布朝着优势个体的方向进化；

利用背景更新的功能，对差异较大的前景做侦测，使其背景更新系统不会受到小噪声的干扰；

进行特征识别，找出车辆颜色做更进一步的辨别，锁定特殊车辆后，使用路口摄影机的位置来做时间和锁定车辆；

能够同时追踪多种车辆，可用于多路口侦测、实时侦测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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的附图。

图1为本发明一具体实施方式中中基于小波算法的车辆追踪识别方法的流程图；

图2a、2b分别为本发明一具体实施例中4连接和8连接的区位结构示意图；

图3a、3b、3c分别为本发明另一具体实施例中的输入图像、4连接图像处理、8连接图像处理示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明利用改进的Gabor小波建立匹配优化函数，利用概率模型描述匹配参数之间的相互关系，通过学习概率模型和采用操作使参数群体的分布朝着优势个体的方向进化。

参图1所示，本发明基于小波算法的车辆追踪识别方法首先需采集实时图像画面，再经由图像前处理、基于Gabor小波算法的车辆图像处理、前景物分析、车辆侦测，然后将分析后的图像做颜色判断，判断侦测到的车辆属于何种颜色类别，将侦测到的结果储存到数据库，再经由使用者找出锁定车辆的行经路线，并重复此流程。

具体地，本发明一具体实施方式中基于小波算法的车辆追踪识别方法，包括：

S1、采集实时图像；

S2、对图像背景进行更新，并利用背景相减法侦测出图像差异部分；

S3、利用小波算法对图像进行处理，首先对图像进行二值化，并进行扩张侵蚀处理，然后采用小波算法建立姿态优化函数，并进行区位追踪精确捕捉车辆信息区位，精确追踪识别车辆。

本实施方式中利用背景相减法侦测出图像差异部分，其中差异部份包含前景物与杂讯，而接下来就是要将侦测出的物体进行区别，本实施方式所用的方法为，结合改进的Gabor小波算法建立姿态优化函数，融合图像的灰度信息，精确地“捕捉”到目标中心。首先对图像进行开运算的膨胀与腐蚀处理，此处理将进一步消除图像噪点和背景的干扰。然后采用姿态优化函数进行区位追踪，精确地“捕捉”车辆信息区位，最后通过前景侦测与噪声滤除来精确追踪车辆。

在图形辨识的领域中，图像数据分为两种型式，一种为图像中包含主题的前景物，另一种则是背景。前景物才是本发明真正所关心的辨识信息，而非背景。假若直接对整张图像进行辨识，则会造成严重的辨识错误，导致误判的情形发生，所以有必要对图像进行前景物与背景的分割。

步骤S3包括：

采用小波算法将图像中的多个区位做分割，把相连在一起的区位做相同标记；

依序扫描图像画面的像素值，当扫描到像素值为255时，则标上标记，直至图像画面无255的像素值。

采用Gabor小波算法把图中的多个区位做分割，把相连在一起的区位做相同标记，如此就可以把一块一块的区位做分割，独立出各个物件。但因为相邻的定义不同，区位包括按照4连接(4-Connectivity)结构或8连接(8-Connectivity)结构，分别如图2a、2b所示，它们的不同的处在于相邻连接屏蔽的外型。

具体地，如图2a所示，4连接包括位于屏蔽中心位置的R_x,y及位于屏蔽中心右、下、左、上的R_x+1,y、R_x,y+1、R_x-1,y、R_x,y-1，每个区位的扫描顺序按照右、下、左、上依次进行。如本发明一具体实施例中，图3a所示的图像为输入图像，图3b所示的图像为4连接图像处理的过程范例。

如图2b所示，8连接包括位于屏蔽中心位置的R_x,y及位于屏蔽中心右、右下、下、左下、左、左上、上、右上的R_x+1,y、R_x+1,y+1、R_x,y+1、R_x-1,y+1、R_x-1,y+1、R_x-1,y、R_x,y-1、R_x+1,y-1，每个区位的扫描顺序按照右、右下、下、左下、左、左上、上、右上依次进行。如本发明一具体实施例中，图3a所示的图像为输入图像，图3c所示的图像为8连接图像处理的过程范例。

优选地，本实施方式中使用8连接(8-Connectivity)，因为可以得到较好的连接，不会相同的对象，却被切割成好几块，影响系统的准确度。

采用8连接的车辆图像处理，演算步骤如下所示：

1.从图的最左边开始，由左而右，由上而下，依序扫描图像画面的像素值。

2.当扫描到像素值为255时，则标上标签，然后进入以下的判断式：

(a)判断R_x+1,y像素值是否为255，假若像素值为255则标上相同标记；

(b)判断R_x+1,y+1像素值是否为255，假若像素值为255则标上相同标记；

(c)判断R_x,y+1像素值是否为255，假若像素值为255则标上相同标记；

(d)判断R_x-1,y+1像素值是否为255，假若像素值为255则标上相同标记；

(e)判断R_x-1,y+1像素值是否为255，假若像素值为255则标上相同标记；

(f)判断R_x-1,y像素值是否为255，假若像素值为255则标上相同标记；

(g)判断R_x,y-1像素值是否为255，假若像素值为255则标上相同标记；

(h)判断R_x+1,y-1像素值是否为255，假若像素值为255则标上相同标记。

3.重复步骤2，直到此区位无255的像素值出现。准备标记下一个区位，重复步骤2的判断式。

4.直到整张画面无255像素值，才算标记完成。

进一步地，步骤S3还包括：

依照各区位颜色的不同，找出各个区位X轴的最大值和最小值以及Y轴的最大值和最小值，得到四个点后，再将其连接起来框出前景物。

具体的算法如下：

1.输入图像为I，I的高度为H_img，I的宽度为W_img，首先设定前景区位的四个参数值，H_max＝0、H_img＝H_min、W_max＝0、W_img＝W_min；

2.从图像I的各个前景物区位由上而下，由左至右的扫描一次，找出H_min、W_min、H_max、W_max各个参数值，利用此四个点来框出前景物；

3.继续下一个图像I的前景物区位，直至全部前景物区位都加完边框，才可停止，如此一来，就可很快的框出各个前景物。

优选地，框出各个前景物后还需进行小波降维。维度取得的方式可用实验的方式获得，维度设定太大，则噪声以及目标侦测物有可能都会被过滤掉；但如果维度设定太小，则图像内将会出现许多噪声，造成判断上的难度，误判情形将不断的发生。经过小波降维后能够有效消除图像中的噪声，只剩下目标侦测物。

本发明将以视觉为基础的技术应用在网络摄影机上的车辆路径追踪，使车辆路径追踪系统的用户能快速找到想要搜寻到的车辆种类，其包含车辆侦测、车辆追踪以及网络数据库上的应用。

由上述技术方案可以看出，本发明具有以下有益效果：

本发明采用改进的Gabor小波建立匹配优化函数，利用概率模型描述匹配参数之间的相互关系，通过学习概率模型和采用操作使参数群体的分布朝着优势个体的方向进化；

利用背景更新的功能，对差异较大的前景做侦测，使其背景更新系统不会受到小噪声的干扰；

进行特征识别，找出车辆颜色做更进一步的辨别，锁定特殊车辆后，使用路口摄影机的位置来做时间和锁定车辆；

能够同时追踪多种车辆，可用于多路口侦测、实时侦测。

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 (9)

1.一种基于小波算法的车辆追踪识别方法，其特征在于，所述方法包括：

S1、采集实时图像；

S2、对图像背景进行更新，并利用背景相减法侦测出图像差异部分；

S3、利用小波算法对图像进行处理，首先对图像进行二值化，并进行扩张侵蚀处理，然后采用小波算法建立姿态优化函数，并进行区位追踪精确捕捉车辆信息区位，精确追踪识别车辆。

2.根据权利要求1所述的基于小波算法的车辆追踪识别方法，其特征在于，所述步骤S2中的图像差异部分包括前景物与杂讯。

3.根据权利要求1所述的基于小波算法的车辆追踪识别方法，其特征在于，所述步骤S3包括：

采用小波算法将图像中的多个区位做分割，把相连在一起的区位做相同标记；依序扫描图像画面的像素值，当扫描到像素值为255时，则标上标记，直至图像画面无255的像素值。

4.根据权利要求3所述的基于小波算法的车辆追踪识别方法，其特征在于，所述步骤S3中的区位包括按照4连接结构或8连接结构。

5.根据权利要求4所述的基于小波算法的车辆追踪识别方法，其特征在于，所述4连接包括位于屏蔽中心位置的R_x,y及位于屏蔽中心右、下、左、上的R_x+1,y、R_x,y+1、R_x-1,y、R_x,y-1，每个区位的扫描顺序按照右、下、左、上依次进行。

6.根据权利要求4所述的基于小波算法的车辆追踪识别方法，其特征在于，所述8连接包括位于屏蔽中心位置的R_x,y及位于屏蔽中心右、右下、下、左下、左、左上、上、右上的R_x+1,y、R_x+1,y+1、R_x,y+1、R_x-1,y+1、R_x-1,y+1、R_x-1,y、R_x,y-1、R_x+1,y-1，每个区位的扫描顺序按照右、右下、下、左下、左、左上、上、右上依次进行。

7.根据权利要求5或6所述的基于小波算法的车辆追踪识别方法，其特征在于，所述步骤S3还包括：

依照各区位颜色的不同，找出各个区位X轴的最大值和最小值以及Y轴的最大值和最小值，得到四个点后，再将其连接起来框出前景物。

8.根据权利要求7所述的基于小波算法的车辆追踪识别方法，其特征在于，所述步骤S3还包括：

框出前景目标物后进行小波降维。

9.根据权利要求7所述的基于小波算法的车辆追踪识别方法，其特征在于，所述步骤S3包括：

输入图像为I，I的高度为H_img，I的宽度为W_img，首先设定前景区位的四个参数值，H_max＝0、H_img＝H_min、W_max＝0、W_img＝W_min；

从图像I的各个前景物区位由上而下，由左至右的扫描一次，找出H_min、W_min、H_max、W_max各个参数值，利用此四个点来框出前景物。