[发明专利]一种用于车型识别的特征选取方法

摘要

一种用于车型识别的特征选取方法，涉及计算机数字图像处理方法。是一种对车脸图像进行特征选取的方法，在此基础上进行的目标特征识别，可靠性较高。由初始步骤、区域划分、模板选取、灰度图像特征获取、边缘图像特征获取、结束步骤组成。对原始图像划分小区域，提出十一个模板，将模板与小区域做点的比对运算，获取特征数据。用来识别不同车型以及车的品牌，并且特征选取的背景为车脸图像，较之车牌与车灯为背景的特征选取方法更为精确。

主权项

1.一种用于车型识别的特征选取方法，其特征在于包括以下步骤：(1)初始步骤，进行下述过程：(1.1)输入一幅车的图像；(1.2)进行图像预处理过程；(1.3)进行图像分割过程，按车身边缘分割，得到一幅前景为车身，背景为透明的图像；(1.4)在步骤(1.3)的基础上，继续图像分割过程，分割出以车牌为核心的车脸图像，车脸图像大小为3.6m×5n；所述车脸图像包括车牌、车标、车灯信息；(1.5)将车脸图像转换为灰度图像，称该灰度图像为image_gray；(1.6)对灰度图像image_gray做边缘检测，将边缘检测的结果图像称为image_margin；(2)区域划分步骤，具体为将车脸图像划分为15个相同大小的小区域，对image_gray图像与image_margin图像分别进行下述步骤：(2.1)设定小区域的标准大小为1.2m×n；(2.2)以车牌位置为中心，首先划分出车牌位置的小区域，具体为在车牌所在位置，向车牌左右两侧各扩展0.1倍车牌的长度，而车牌的宽度不变，取扩展后的车牌的位置及范围为第一个小区域，小区域大小为1.2m×n，将该区域命名为center区域；(2.3)以center区域为中心，向center区域左右两侧平移，各取车脸图像的1.2m×n大小，划分出两个新的小区域，分别命名为center_l与center_r区域；(2.4)center、center_l与center_r区域位于三个垂直方向，在三个垂直方向上，以center、center_l与center_r区域为平移原点，分别向上平移三个小区域单位、向下平移一个小区域单位，使得在每个垂直方向，均有5个小区域，则整个车脸图像有15个小区域；其中，小区域单位大小为1.2m×n；定义15个小区域名称如下：up_1_l，up_2_l，up_3_l，center_l，down_l；up_1，up_2，up_3，center，down；up_1_r，up_2_r，up_3_r，center_r，down_r；其中，小区域名称的定义顺序为从上至下，从左至右；(3)模板选取步骤，以小区域大小为模板大小，在此基础上定义十一个特征模板；进行下述过程：(3.1)定义模板一，取center区域中心1.2m×0.1n的部分为模板一比对部分，定义比对部分的点标签为1，其他点标签为0；定义标签为label_1[x][y]，x和y为点的坐标；(3.2)定义模板二，取center区域上方和下方各1.2m×0.1n的部分为模板二比对部分，定义比对部分的点标签为1，其他点标签为0；定义标签为label_2[x][y]，x和y为点的坐标；(3.3)定义模板三，取center区域上方和下方及中间部分各1.2m×0.1n的部分为模板三比对部分，定义比对部分的点标签为1，其他点标签为0；定义标签为label_3[x][y]，x和y为点的坐标；(3.4)定义模板四，取center区域中与模板三比对区域互补的其他部分为模板四比对部分，定义比对部分的点标签为1，其他点标签为0；定义标签为label_4[x][y]，x和y为点的坐标；(3.5)定义模板五，取center区域中心0.12m×n的部分为模板五比对部分，定义比对部分的点标签为1，其他点标签为0；定义标签为label_5[x][y]，x和y为点的坐标；(3.6)定义模板六，模板比对部分为多边形，取center区域下边界中点为中心向左0.12m长为底边，作两条平行边与底边向右成30度的多边形为模板六比对部分，定义比对部分的点标签为1，其他点标签为0；定义标签为label_6[x][y]，x和y为点的坐标；(3.7)定义模板七，模板比对部分为多边形，取center区域下边界中点为中心向右0.12m长为底边，作两条平行边与底边向左成30度的多边形为模板七比对部分，定义比对部分的点标签为1，其他点标签为0；定义标签为label_7[x][y]，x和y为点的坐标；(3.8)定义模板八，模板比对部分为多边形，取center区域下边界中点为中心向左0.12m长为底边，作两条平行边与底边向右成60度的多边形为模板八比对部分，定义比对部分点的标签为1，其他点标签为0；定义标签为label_8[x][y]，x和y为点的坐标；(3.9)定义模板九，模板比对部分为多边形，取center区域下边界中点为中心向右0.12m长为底边，作两条平行边与底边向左成60度的多边形为模板九比对部分，定义比对部分点的标签为1，其他点标签为0；定义标签为label_9[x][y]，x和y为点的坐标；(3.10)定义模板十，模板比对部分为多边形，取center区域下边界中点为中心向左0.12m长为底边，作两条平行边与底边向右成45度的多边形为模板十比对部分，定义比对部分点的标签为1，其他点标签为0；定义标签为label_10[x][y]，x和y为点的坐标；(3.11)定义模板十一，模板比对部分为多边形，取center区域下边界中点为中心向右0.12m长为底边，作两条平行边与底边向左成45度的多边形为模板十一比对部分，定义比对部分点的标签为1，其他点标签为0；定义标签为label_11[x][y]，x和y为点的坐标；(4)灰度图像特征获取步骤，对于灰度图像image_gray进行下述过程：(4.1)对于所有小区域，用模板进行比对，直到所有小区域比对完，若获取到特征数据，则退出；否则，继续进行步骤(4.2)；(4.2)对每一个小区域，分别用步骤(3)中定义的十一个模板进行比对，直到十一个模板比对完，若获取到特征数据，则返回步骤(4.1)；否则，继续进行步骤(4.3)；(4.3)用小区域像素点与模板标签作乘积运算，公式如下：mode_gray[x][y]＝gray[x][y]*label_NO[x][y]其中，定义gray[x][y]为小区域像素点的灰度值，label_NO[x][y]为模板的标签，其中，NO代表模板编号，记为1，2，……，定义mode_gray[x][y]为运算结果，则mode_gray[x][y]值有两种结果，其一为小区域中与模板中标签为1的点相对应坐标的像素点的灰度值，其二为0；(4.4)定义如下公式：feature_gray[region][template]＝∑mode_gary[x][y]其中，定义feature_gray[region][template]为区域与模板比对后的特征数据，region为小区域编号，template为模板编号，则feature_gray[region][template]的结果为所有小区域像素点与模板标签做乘积运算后相加的结果；返回步骤(4.2)，继续获取特征数据；(5)边缘图像特征获取步骤，对于边缘图像image_margin进行下述过程：(5.1)对于image_margin图像中的所有点，定义标签label_margin[x][y]，x和y为点的坐标；其中，位于边缘线上的点，标签值为1；其他的点，标签值为0；(5.2)对于所有小区域，用模板进行比对；直到所有小区域比对完，获取到特征数据，则退出；否则，继续进行步骤(5.3)；(5.3)对每一个小区域，分别用步骤(3)中定义的十一个模板进行比对；直到十一个模板比对完，获取到特征数据，则返回步骤(5.2)；否则，继续进行步骤(5.4)；(5.4)定义如下公式：mode_margin[x][y]＝label_margin[x][y]AND label_NO[x][y]其中，label_NO[x][y]为模板的标签，其中，NO代表模板编号，记为1，2，……，定义mode_margin[x][y]为运算结果，则mode_margin[x][y]值有两种结果，其一为1，其二为0；当且仅当，小区域中点的标签和模板中点的标签二者的值均为1时，结果为1；(5.5)定义如下公式：feature_margin[region][template]＝∑mode_margin[x][y]其中，定义feature_margin[region][template]为区域与模板比对后的特征数据，region为小区域编号，template为模板编号，则feature_margin[region][template]的结果为所有小区域点的标签与模板点的标签做与运算后相加的结果；返回步骤(5.3)，继续获取特征数据；(6)结束步骤，进行下述过程：(6.1)将左右两侧对称的小区域的feature_gray[region][template]特征值合并取均值，则最后得到featur_gray为一个行×列为10×9的二维特征值矩阵；(6.2)将左右两侧对称的小区域的feature_margin[region][template]特征值合并取均值，则最后得到feature_margin为一个行×列为10×9的二维特征值矩阵；(6.3)输出二维特征值矩阵feature_gray与feature_margin；所述m为车牌几何大小的长，n为车牌几何大小的宽。