基于图像特征的车脸栅格的定位方法*

张有芬， 李玉惠， 潘 艺

(1.昆明理工大学 信息工程与自动化学院，云南 昆明 650500; 2.云南省智能交通系统工程技术研究中心智能图像处理研究室，云南 昆明 650500)

基于图像特征的车脸栅格的定位方法*

张有芬1,2， 李玉惠1,2， 潘 艺1,2

(1.昆明理工大学 信息工程与自动化学院，云南 昆明 650500; 2.云南省智能交通系统工程技术研究中心智能图像处理研究室，云南 昆明 650500)

为了解决智能交通系统中车型识别的瓶颈，找到能够准确定位车标的方法，提出了在Adaboost算法定位出的车脸的基础上，对车脸图像进行二值化处理，经过二值化图像的水平梯度和垂直梯度的投影定位栅格的方法，为后续车标的识别提供了一种新的方法。经过实验验证：方法无论从理论上还是实际应用中，具有重要的意义。

Adaboost； 车标识别； 车标定位； 栅格定位

0 引 言

车辆识别是智能交通系统研究的重要内容之一[1]。车辆图像信息具有信息量大,成本低等众多优势[2],因此，利用图像信息进行车型识别是智能交通系统研究的主流方向。文献[3，4]中将交通标志原始图片先通过一级由均值聚类学得滤波器的卷积神经网络，得到的结果再同时通过一级卷积和一级递归神经网络，将得到的特征向量经过分类器进行分类。此外，交通图像信息也广泛用于车型的识别。目前，车牌的识别技术已经日臻成熟，然而对于一些诸如套牌、倒牌等现象，对车辆识别研究提出了更高的要求，即不能仅根据车辆号码和车型完成车辆的识别，因此，车标的识别技术有待进一步的研究和探索。车标识别技术包括车标定位和车标识别两个步骤，首先需要解决车标定位问题，只有准确地将车标定位，才能进行目标车辆的车标识别，否则，将导致车标识别错误甚至无法识别。

目前，提出了多种车标识别的方法，文献[5]首先根据车辆本身的对称性等先验知识粗略确定车标位置，然后利用特征信息精确定位；最后将模板匹配和特征结合对其进行识别。文献[6]根据车标具有丰富边缘信息的特征，应用梯度方向直方图(histogram of oriented gradients,HOG)的特征值，采用支持向量机(support vector machine,SVM)的分类工具实现了车标的快速检测与识别。该方法对车标图像在图片中所占的百分比有一定要求，若，背景成分过多会导致 SVM 分类器难以线性收敛，造成错误率增高。由于车标占整个图像的比例较小，加大了准确定位的难度，因此根据车脸格栅图像特征定位车标能够使得车标的图像信息丰富，降低识别难度和复杂度，从而提高车标识别的准确率。

车标的定位是进行车标的识别的首要环节，目前，针对车标的定位，提出了众多的方法。文献[7～10]车标粗定位在得到车头中轴的基础上，根据经验矩形和车标相对于车牌的位置关系确定出车标经验搜索矩形，然后利用特征信息精确定位。文献[11，12]采用了一种先根据经验矩形进行车标粗定位，再基于对粗定位车标图像的投影，提出了一系列新算法，通过计算图像重心定位到车标中心位置，再确定车标的上下左右边界，即研究基于车牌的定位和对称的图像特征进行车标的粗定位。由于车辆的车脸部分，车脸的栅格占了图像的大部分信息，由此，本文提出了基于栅格信息的车标定位，有很强的创新性和实用性。方法主要包括车脸定位，车脸定位图像分割，车脸图像投影分析，最终实现车脸栅格定位，为进一步的车标识别提供数据源。

1 Adaboost车脸定位

Adaboost本质是一种迭代算法[13],能够对分类结果集成进行优化，并降低其他因素对检测结果的干扰[14]。其原理是对同一个训练集训练不同的弱分类器，然后，将这些弱分类器通过级联获得一个更强的最终分类器。Adaboost训练分类器的关键在于样本，本文中的正样本指待检测的车脸样本，负样本指其它非车脸的任意图片。所有的样本图像均被归一化为统一尺寸，输入的N个训练样本为{x1,y1},{x2,y2}，…，{xN,yN}，其中xi为输入的样本训练，yi=0,1,分别为负样本、正样本。在训练样本中，已知负样本为m个,正样本数n,那么第j个特征所生成弱分类器表示为

(1)

式中hj为弱分类器的值；而θj为阈值；pj为不等号方向，其值为±1；fj(x)为特征值。

通过对每一个弱分类器进行训练，到分类错误率最小时调整权重系数。最后，将每一个优化后的分类器级联为一个性能特征较好的强分类器。最终的强分类器为

(2)

本文使用来自不同交通卡口的车辆图片作为实验样本，其中,正样本5 000幅，负样本为5 200幅。手动截取3 600幅图片的车脸区域作为输入的正样本。通过Adaboost算法对样本进行训练，然后，将剩余的1 400幅车辆图像作为测试集，利用该分类器进行车脸区域的检测。部分正样本和车脸定位的结果如图1和图2所示。通过实验表明：正确定位到车脸区域的有1 312幅图片，正确检测率为93.71 %。由于在现实道路场景中环境较为复杂，加上不可避免的图像质量清晰度问题，车脸的定位准确率还有待提高。

图1 部分车脸正样本

图2 车脸定位矩形框

2 车脸投影梯度分析

为了能够进一步定位车标，对提取到的车脸图像归一化处理，利用车脸区域的纹理特征比较明显的信息，采用垂直投影的方法对提取到的车脸区域进行处理。经过反复实验对比得出：利用垂直投影方法浅色车身的车脸区域受光照影响大，因此，将车脸图像进行二值化后再作垂直投影，避免光照亮度带来的影响，并采用最大类间方差法得到灰度图像的最佳分割阈值，对图像进行二值化处理。二值化垂直投影效果如图3所示，对于二值化处理后的图像做垂直投影的公式如式(3)所示

(3)

图3 二值化垂直投影

对于车身较暗和较亮导致二值化垂直投影效果的差异，本文对车脸图像进行水平梯度垂直投影和垂直梯度垂直投影，投影效果如图4所示。

图4 车脸区域梯度垂直投影

3 栅格定位分割及实验结果

从梯度垂直投影实验结果可以看出，水平梯度垂直投影和垂直梯度垂直投影均能有效地解决车身光照亮度问题。本文采用水平梯度和垂直梯度的垂直投影相结合的方法，依据设定的阈值将车脸散热器格栅区域与车灯区域分割开来，将最终定位的区域范围在原始车辆图像上标注出来，从而准确地定位格栅，如图5所示。

图5 不同种车脸区域栅格定位

4 结 论

实验收集了多种车型的车辆样本，在Visualstudio2010平台编程实现车脸的定位，对定位好的车脸图像利用Matlab编程环境下通过梯度水平和垂直投影分析，从而定位车辆栅格，为车标的识别奠定了坚实的基础。实验结果证明：本文提出的基于Adaboost方法提取出的车脸图像，能够有效定位车辆栅格，栅格分割后进一步进行车标分析，实现车型的准确识别。在现实应用中，相比其它的直接对车脸图像分析进行车标识别的方法，本文方法更具有实用性和创新性。

[1]LiuYang,LiShutao.AvehicleLogolocationapproachbasedonedgedetectionandprojection[C]∥IEEEInternationalConferenceonVehicularElectronicsandSafety,2011:165-168.

[2] 李舜酩,沈 峘,毛建国,等.智能车辆发展及其关键技术研究现状[J].传感器与微系统,2009,28(1):1-3.

[3] 宣森炎,龚小谨,刘济林.基于联合卷积和递归神经网络的交通标志识别[J].传感器与微系统,2014,33(8):30-33.

[4] 丁淑艳,华春梅,李伦波.一种新的退化交通标志图像的分类算法研究[J].传感器与微系统,2007,26(8):43-47.

[5] 李 侠，李文举.基于模板匹配和边缘检测的车标定位方法[J].计算机工程与设计,2011,32(10):3453-3456.

[6] 鲁 丰，刘 芸，张仁辉.基于改进HOG特征值的车标检测与识别方法[J].光通信研究,2012(5)：26-29.

[7] 红 玲，王云琼．基于差分与对称性检测相结合的车标定位方法[J].曲靖师范学院学报，2008(6):68-71.

[8] 付 炜，赵正刚，王大江．基于水平灰度跳变和垂直投影的车牌定位方法[J].电子测量技术，2008,31(3):61-65.

[9] 陈 阳，李定主．一种由粗到精的车标定位算法[J].电脑开发与应用，2007(2):22-26.

[10] 王云琼，刘直芳．基于对称性的实时车标定位和识别方法[J].系统仿真学报，2009,21(4):1095-1100.

[11] 楼汉琦，蔡晓东，李长俊．一种实现快速车标定位的方法[J].国外电子测量技术，2013,32(5):72-78.

[12] 刘玉松，陈 刚．基于边缘投影的快速车标定位方法[J].信息技术，2015(11):102-104，108.

[13] 李全武,李 勃,潘 艺.车脸定位及识别方法研究[J].计算机科学与探索,2015(6)：726-733.

[14] 严 農，严 实，杨永斌，等.Adaboost集成BP神经网络在火电厂SO2浓度检测中的应用[J].传感器与微系统,2016,35(9):148-151.

Localization method of car face grid based on image features*

ZHANG You-fen1,2， LI Yu-hui1,2， PAN Yi1,2

(1.School of Information Engineering and Automation,Kunming University of Science and Technology, Kunming 650500,China; 2.Intelligent Image Processing Research Center of Intelligent Transportation System Engineering Technology Research Center of Yunnan Province,Kunming 650500,China)

In order to solve the bottleneck of vehicle recognition in intelligent transportation system，and find a way to accurately locate the vehicle logo,a new method is presented based on the Adaboost algorithm to locate the car face.After binaryzation image processing,projection of the horizontal gradient and vertical gradient of the binaryzation image is used to locate the grid,provide a new method for identification of the subsequent logo.Experimental results show that this method is of great significance both in theory and in practice.

Adaboost; logo recognition; logo positioning; grid positioning

10.13873/J.1000—9787(2017)09—0064—03

2016—09—22

国家自然科学基金资助项目(61363043)

TN 919

A

1000—9787(2017)09—0064—03

张有芬(1990-)，女，硕士研究生，主要研究方向为计算机图像处理。

李玉惠，通讯作者，E-mail：1484946977@qq.com。