一種基于視頻的車型分類方法
【專利摘要】本發(fā)明涉及一種基于視頻的車型分類方法。本發(fā)明方法包括以下步驟：步驟1、于道路上預(yù)定位置設(shè)置檢測區(qū)域并對所述檢測區(qū)域采集視頻；步驟2、于采集到的視頻中分離出運動的車輛目標(biāo)前景；步驟3、根據(jù)車輛幾何特征對分離出的運動的車輛目標(biāo)前景進(jìn)行分類。通過對本發(fā)明技術(shù)方案的實施，可以獲得以下技術(shù)效果：自動完成車型識別，節(jié)省人力；識別速度快，識別精度高，提高了車型識別的效率。
【專利說明】一種基于視頻的車型分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種交通管理方法，尤其涉及一種基于視頻的車型分類方法。
【背景技術(shù)】
[0002]隨著人民生活水平的提高和經(jīng)濟(jì)的發(fā)展，機(jī)動車的數(shù)量逐年增多，道路交通成為人們?nèi)找骊P(guān)注的問題。為了解決道路交通問題，一種準(zhǔn)確、高效的新型運輸系統(tǒng)——智能交通系統(tǒng)(Intelligent Transportation System,簡稱 ITS)應(yīng)運而生。
[0003]智能交通系統(tǒng)ITS(Intelligent Transportation System)是集成先進(jìn)傳感器技術(shù)、數(shù)據(jù)傳輸技術(shù)、計算機(jī)圖像處理等技術(shù)，建立的一種在大范圍內(nèi)、全方位、全時段發(fā)揮作用的綜合交通運輸管理系統(tǒng)。
[0004]交通信息中車型識別是交通實時信息中的基礎(chǔ)信息，現(xiàn)有的技術(shù)中車型識別一般依靠人工實現(xiàn)，使整個智能交通系統(tǒng)出現(xiàn)信息處理的瓶頸。且人工識別車牌耗時長，消耗人力，效率低。

【發(fā)明內(nèi)容】

[0005]針對現(xiàn)有的車型識別方法存在的問題，本發(fā)明提供的技術(shù)方案的主要目的是:提供一種基于圖像處理技術(shù)的自動完成車型識別的基于視頻的車型分類方法。
[0006]為了實現(xiàn)上述目的，本發(fā)明采用了如下的技術(shù)方案:
[0007]—種基于視頻的車型分類方法，其中，包括以下步驟:
[0008]步驟1、于道路上預(yù)定位置設(shè)置檢測區(qū)域并對所述檢測區(qū)域采集視頻；
[0009]步驟2、于采集到的視頻中分離出運動的車輛目標(biāo)前景；
[0010]步驟3、根據(jù)車輛幾何特征對分離出的運動的車輛目標(biāo)前景進(jìn)行分類。
[0011]本發(fā)明的另一方面，對所述步驟I中采集到的視頻進(jìn)行預(yù)處理，包括以下步驟:
[0012]步驟11、將采集到的視頻圖像轉(zhuǎn)換為灰度圖像；
[0013]步驟12、以中值濾波方法去除所述灰度圖像的噪聲。
[0014]本發(fā)明的另一方面，所述步驟2中，通過背景差分提取運動的車輛目標(biāo)前景。
[0015]本發(fā)明的另一方面，所述背景差分提取運動的車輛目標(biāo)前景包括以下步驟:
[0016]步驟21、對所述檢測區(qū)域的背景建立模型；
[0017]步驟22、比較所述灰度圖像中像素點與所述模型中相應(yīng)像素點的灰度值差異，并將灰度值差異大于一預(yù)定閾值的像素點提取至前景中。
[0018]本發(fā)明的另一方面，通過背景差分提取運動的車輛目標(biāo)前景后通過形態(tài)學(xué)的腐蝕、膨脹操作連接所述車輛目標(biāo)前景中部分?jǐn)嗔训膱F(tuán)塊，并通過填充所述團(tuán)塊內(nèi)部的孔洞，以獲得完整的白色團(tuán)塊。
[0019]本發(fā)明的另一方面，所述步驟21中對所述檢測區(qū)域的背景采用混合高斯模型進(jìn)行建模。
[0020]本發(fā)明的另一方面，基于HSV顏色空間對獲得完整的白色團(tuán)塊后的所述運動的車輛目前景中的陰影進(jìn)行檢測和去除。
[0021 ] 本發(fā)明的另一方面，根據(jù)車輛幾何特征對分離出的運動的車輛目標(biāo)前景進(jìn)行分類包括:
[0022]當(dāng)運動的車輛目標(biāo)前景中的白色團(tuán)塊出現(xiàn)斜向粘連時，定義白色團(tuán)塊的占空比R如下式:
【權(quán)利要求】
1.一種基于視頻的車型分類方法，其特征在于該方法包括以下步驟: 步驟1、于道路上預(yù)定位置設(shè)置檢測區(qū)域并對所述檢測區(qū)域采集視頻； 步驟2、于采集到的視頻中分離出運動的車輛目標(biāo)前景； 步驟3、根據(jù)車輛幾何特征對分離出的運動的車輛目標(biāo)前景進(jìn)行分類。
2.如權(quán)利要求1所述方法，其特征在于，對所述步驟I中采集到的視頻進(jìn)行預(yù)處理，包括以下步驟: 步驟11、將采集到的視頻圖像轉(zhuǎn)換為灰度圖像； 步驟12、以中值濾波方法去除所述灰度圖像的噪聲。
3.如權(quán)利要求1所述方法，其特征在于:所述步驟2中，通過背景差分提取運動的車輛目標(biāo)前景。
4.如權(quán)利要求3所述方法，其特征在于，所述背景差分提取運動的車輛目標(biāo)前景包括以下步驟: 步驟21、對所述檢測區(qū)域的背景建立模型； 步驟22、比較所述灰度圖像中像素點與所述模型中相應(yīng)像素點的灰度值差異，并將灰度值差異大于一預(yù)定閾值的像素點提取至前景中。
5.如權(quán)利要求4所述方法，其特征在于:通過背景差分提取運動的車輛目標(biāo)前景后通過形態(tài)學(xué)的腐蝕、膨脹操作連接所述車輛目標(biāo)前景中部分?jǐn)嗔训膱F(tuán)塊，并通過填充所述團(tuán)塊內(nèi)部的孔洞，以獲得完整的白色團(tuán)塊。
6.如權(quán)利要求4所述方法，其特征在于:所述步驟21中對所述檢測區(qū)域的背景采用混合高斯模型進(jìn)行建模。
7.如權(quán)利要求5所述方法，其特征在于，基于HSV顏色空間對獲得完整的白色團(tuán)塊后的所述運動的車輛目前景中的陰影進(jìn)行檢測和去除。
8.如權(quán)利要求5所述方法，其特征在于，根據(jù)車輛幾何特征對分離出的運動的車輛目標(biāo)前景進(jìn)行分類包括: 當(dāng)運動的車輛目標(biāo)前景中的白色團(tuán)塊出現(xiàn)斜向粘連時，定義白色團(tuán)塊的占空比R如下式: RA
Sr 其中Sb為白色團(tuán)塊在圖像坐標(biāo)系中的像素面積，Sr為白色團(tuán)塊的最小外接矩形在圖像坐標(biāo)系中的像素面積； 通過占空比R與作為參照的車型占空比進(jìn)行比較獲取車輛目標(biāo)的類型。
9.如權(quán)利要求5所述方法，其特征在于，根據(jù)車輛幾何特征對分離出的運動的車輛目標(biāo)前景進(jìn)行分類包括: 當(dāng)運動的車輛目標(biāo)前景中的白色團(tuán)塊出現(xiàn)縱向粘連時，連續(xù)跟蹤運動的車輛目標(biāo)前景M幀圖像，對每一幀圖像判斷車輛目標(biāo)的類型，根據(jù)M個車輛目標(biāo)的類型判斷結(jié)果獲得車輛目標(biāo)的類型。
【文檔編號】G08G1/017GK104036288SQ201410241213
【公開日】2014年9月10日 申請日期:2014年5月30日 優(yōu)先權(quán)日:2014年5月30日
【發(fā)明者】姜永櫟 申請人:寧波海視智能系統(tǒng)有限公司