车辆进气格栅定位与特征提取研究

蔡庆施　王丽辉　王蓉

摘要： 车辆进气格栅区域具有显著纹理特征，因此格栅区域特征可用于车型自动识别。本文提出一种车辆进气格栅区域的定位方法，并对格栅区域进行特征提取，为解决车型自动识别问题提供思路。首先，使用水平梯度的水平投影确定进气格栅区域的上下边界，然后，利用水平梯度和垂直梯度的垂直投影确定进气格栅区域的左右边界；最后，利用灰度梯度共生矩阵和Gabor小波变换方法提取进气格栅特征。仿真实验结果表明，本文提出的方法能够准确地定位进气格栅区域，基于灰度梯度共生矩阵和Gabor小波变换方法提取的格栅纹理特征能够有效地应用于车型识别。

关键词：车型识别；灰度梯度共生矩阵；Gabor小波变换；格栅定位；纹理特征

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）03-0191-04

1概述

随着我国经济发展，人均汽车拥有量不断上升，车型识别的需求与要求也在不断提升。目前，针对车型识别的研究分为两类，一是对车辆规格的分类研究，将车型分为大型车、中型车、小型车等，通常应用于公路收费、车流量分析等[1]。二是对车辆系列的判断研究，如将车辆按照大众、别克、丰田等车系分类，通常用于公安稽查、市场统计、交通管理等领域[1]。

关于车型识别，目前学者们提出了许多方法。张宇提出了基于车标信息与车尾信息的车型识别方法[2]，王玫提出了基于车灯信息的车型识别方法[3]。由于车辆进气格栅具有显著的纹理特征，可用来进行车型识别。本文在车牌定位的基础上，利用水平梯度水平投影和垂直投影、垂直梯度垂直投影实现了车辆进气格栅区域的定位，基于灰度梯度共生矩阵和Gabor小波变换提取格栅区域特征用于车型识别。

2进气格栅区域定位方法

本文提出的进气格栅区域定位方法实现流程包括车牌定位、车灯带定位、进气格栅区域定位环节。由于样本格栅大小规格不同，同一格栅拍摄时车辆与摄像头的距离与角度不同，定位获得的格栅大小规格也不相同，因此在定位格栅区域之前，需要将样本大小归一化。本文统一将样本归一化为480*640的图像。

2.1车牌定位

车牌定位技术已经非常成熟，本文实现的进气格栅区域定位是在车牌定位的基础上完成的。本文采用了基于边缘检测和形态学处理的方法实现车牌定位[4]，定位的车牌如图1所示。保存车牌上边缘坐标为[pla_u]，左边缘坐标为[pla_l]，右边缘坐标为[pla_r]，保存的坐标用于格栅区域定位。

2.2 车灯带定位

把车辆进气格栅上下边界范围内的车辆水平带状区域称为车灯带。车辆进气格栅区域可近似看作矩形，因此，实现车辆进气格栅区域定位需要获得进气格栅区域的上下边界与左右边界。

梯度图像[I（g）]水平投影得到480个数据，将水平梯度水平投影用连续曲线表示，水平投影平均值用直线表示，见图2。由于车灯带灰度变化明显，因此车灯带所在行对应的水平投影值将大于水平投影平均值，我们把水平投影值大于水平投影平均值的连续区域选择为候选车灯带。反映在图2上，直线[mean]与连续曲线必定相交，候选车灯带即为相邻交点之间的连续曲线对应的带状区域。因为进气格栅区域位于车牌上方，且车灯带对应的连续曲线宽度最大，因此我们选择车牌上方最宽的候选车灯带作为最终的车灯带，如图3所示。

2.3 进气格栅区域定位

由于格栅左右边界处具有明显灰度差，并且格栅内部纹理丰富，所以本文采用垂直投影的方法确定格栅的左右边界。常见的格栅可以分为水平格栅，垂直格栅和网状格栅，如图4所示。

首先对车灯带进行垂直梯度垂直投影，得到1*640一维向量[vgvp[]]，将向量[vgvp]用连续曲线表示，见图5（a）。然后对车灯带进行水平梯度垂直投影，得到1*640一维向量[hgvp[]]，将向量[hgvp]用连续曲线表示，见图5（b）。

水平格栅在垂直方向梯度较大，采用垂直梯度垂直投影方法能够更好的区分格栅左右边界；垂直格栅在水平方向梯度较大，采用水平梯度垂直投影方法能够更好的区分格栅左右边界；对于网状和其他类型格栅，经过实验，本文统一选择垂直梯度垂直投影方法，此时的定位效果较好。

选择水平梯度垂直投影方法还是垂直梯度垂直投影方法对车灯带处理，首先需要自动判断格栅的纹理方向。设计方法如下。

计算向量[vgvp]，[hgvp]的平均值，分别记作[mean_vp]，[mean_hp]。计算部分车灯带垂直投影叠加和[S]，表达式为：

[S=x=pla_lpla_rvgvp[x]] （4）

垂直梯度垂直投影和为[S1]，水平梯度垂直投影和为[S2]。当[S2>S1]时，格栅水平梯度值大于垂直梯度值，此时格栅为垂直格栅，因此选择水平梯度垂直投影方法。同理，当[S2≤S1]时，表明此时格栅为水平格栅或其他方向格栅，因此选择垂直梯度垂直投影方法。

如图5（a）所示，平均值直线与垂直投影曲线的交点通过格栅的左右边界。最终定位的格栅区域如图6所示。

3 进气格栅特征提取方法

提取格栅特征之前，首先对格栅区域进行归一化和直方图均衡化。然后采用基于灰度梯度共生矩阵和基于Gabor小波变换的两种方法对格栅进行特征提取。

3.1 基于灰度梯度共生矩阵的格栅特征提取

灰度梯度共生矩阵将灰度级直方图和边缘梯度直方图结合起来，它考虑的是像素级灰度和边缘梯度大小的联合统计分布[5]。灰度直方图反映了图像中灰度出现的频率，梯度直方图体现了图像像素灰度值的跳变，将图像梯度信息与灰度信息融合在共生矩阵，使得共生矩阵能够更好地反映图像的纹理信息。因此本文选择基于灰度梯度共生矩阵方法提取格栅特征。

灰度梯度共生矩阵的元素[e（i，j）]定义为在归一的灰度图像和归一的梯度图像中共同具有灰度值[i]和梯度值[j]的总像素数，此值即为共生矩阵[C]的第[（i，j）]个元素的值[cij][6]。

对格栅灰度图像进行灰度归一变换：

[F（M，N）=INT（v（m，n）×NH/fm）+1] （5）

其中[INT]表示取整运算，[v（m，n）]表示灰度图像灰度值，[fm]表示格栅图像中最大灰度值，[NH]表示归一后的最大灰度级，取[NH=32]；

对格栅梯度图像进行梯度归一变换：

[G（M，N）=INT（g（m，n）×NG/gm）+1] （6）

其中，[g（m，n）]表示梯度图像的梯度值，[gm]表示格栅图像中最大梯度值，[NG]表示归一后的最大梯度值，取[NG=32]；

统计同时使[F（M，N）=i]和[G（M，N）=j]的像素对数，此值即共生矩阵[C]的第[（i，j）]个元素的值。

计算出灰度梯度共生矩阵并不等于得到了图像的纹理特征，还需要对灰度梯度图像进行二次特征提取，本文选择混合熵，能量，灰度平均，梯度平均四个纹理参数统计特征量。

本文对卷积结果进行了二次特征统计，选择能量、均值和方差三个参数统计特征量。

4实验仿真与结果分析

4.1仿真实验设计

仿真实验基于VS2012平台，通过OpenCV2.4.8视觉库、C++语言进行编程实现。实验样本采集于高清卡口摄像头，手动剪切得到实验样本，样本要求能够清晰地看到车辆正脸。本文共选取15种车型，每种车型15张不同样本，共225幅车辆图像。首先对样本图像进行格栅定位，然后对格栅区域进行特征提取，为了验证基于灰度梯度共生矩阵和Gabor小波变换提取的特征在车型识别研究中的有效性，本文采用基于欧式距离的“最小距离分类器”对格栅进行了分类识别。仿真实验实现流程图如图8所示：

第一步：采用基于边缘检测和形态学方法对输入样本进行车牌定位；

第二步：结合车牌坐标，采用水平梯度水平投影方法定位车灯带；

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车灯带内定位格栅区域；

第四步：基于灰度梯度共生矩阵提取格栅特征，基于Gabor小波变换提取格栅特征；

第五步：基于欧式距离对车型分类识别。

4.2 仿真实验结果与分析

本文十五种车型样本都能够准确定位车辆进气格栅的位置。其中，比亚迪速锐车型由于进气格栅与车灯之间距离小，并且两者分界处没有明显灰度差，最终定位格栅区域包含部分车灯，见图9。但是因为所有该车型定位的格栅区域都包含部分车灯，对下一步车型分类识别没有影响。

车型识别结果如表3所示。

表3表明，基于频域变换的Gabor小波特征能够较好的对车型进行分类识别，基于灰度梯度共生矩阵的纹理特征能够与基于频域变换的特征较好地“互补”，从而提高车型识别率。

对错误分类的车型观察发现，部分不同品牌的车型有着极其相似的进气格栅纹理特征。如图10所示的大众迈腾和雷诺纬度。

在下一步研究中，针对相似车型，可提取车标区域，对车标进行分析和识别，或者提取车灯信息，这些新的特征将有助于区分相似车型，提高车型识别系统的识别率。

5结论

随着智能交通技术的深入研究，车辆信息应用正在向技术化、多样化、成熟化发展。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够精确地定位进气格栅区域，基于Gabor小波变换和基于灰度梯度共生矩阵提取的格栅特征在车型识别上达到81.55%的识别率，具有实用性。在未来研究中，可以进一步提取利用其他格栅特征，挖掘车标、车灯信息数据，从而提升车型识别系统的识别率，使之具有更广阔的应用前景。

参考文献：

[1]童建军. 车型识别研究[D].中国科学院自动化研究所，2005.

[2]张颖. 车型识别技术研究与应用[D].昆明理工大学，2013.

[3]王枚，王国宏，于元港，谢洪森. 新车型识别方法及其在套牌车辆鉴别中的应用[J]. 计算机工程与应用，2009（17）：211-214.

[4]董然，师卫. 基于边缘检测和形态学处理的车牌定位[J]. 机械工程与自动化，2010（6）：45-47.

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

[6]洪继光. 灰度-梯度共生矩阵纹理分析方法[J]. 自动化学报，1984（1）：22-25.

[7]李艳芳，费洪晓. 基于2DGabor小波与2DPCA的人脸识别方法[J]. 湖南科技学院学报，2008（8）：72-74.