程麗霞 徐迎暉

（廣東工業(yè)大學(xué)自動化學(xué)院）

基于灰度共生矩陣紋理特征的車型識別系統(tǒng)*

程麗霞 徐迎暉

（廣東工業(yè)大學(xué)自動化學(xué)院）

針對車型識別技術(shù)在智能交通管理中存在的問題，提出基于灰度共生矩陣紋理特征的車型識別系統(tǒng)。該系統(tǒng)由車輛圖像采集及預(yù)處理、車臉分割、紋理特征提取、最小距離分類器等組成。經(jīng)過實(shí)驗(yàn)，該車型識別系統(tǒng)的準(zhǔn)確率達(dá)到90%。

車型識別；灰度共生矩陣；紋理特征；最小距離分類器

0 引言

公路收費(fèi)站根據(jù)車輛的類型收取相應(yīng)的費(fèi)用，采用自動車型識別系統(tǒng)可大大降低人工識別車型的工作量。學(xué)者們在智能車型識別系統(tǒng)領(lǐng)域提出了很多方法。文獻(xiàn)[1]和文獻(xiàn)[2]采用支持向量機(jī)分類車型，該方法以提取車輛側(cè)面圖像的特征作為研究對象，不同類型車輛的細(xì)節(jié)信息不能被提取出，無法精確識別車型。文獻(xiàn)[3]采用背景差分法提取目標(biāo)車輛的Harris角點(diǎn)，計(jì)算待識別車輛與標(biāo)準(zhǔn)樣本Harris角點(diǎn)的Hausdorff距離，選擇距離最短的為識別結(jié)果，該方法雖然只需研究車輛的某些特殊點(diǎn)，但對噪聲沒有良好的魯棒性。文獻(xiàn)[4]以車臉圖像灰度共生矩陣的紋理特征量作為標(biāo)準(zhǔn)樣本，計(jì)算待識別車輛的紋理特征量與標(biāo)準(zhǔn)樣本的歐氏距離，選擇距離最短的為識別結(jié)果，該方法克服了文獻(xiàn)[1]～文獻(xiàn)[3]的不足。但文獻(xiàn)[4]在圖像濾波方面沒有給出模板的大小和具體的車臉分割方法，這兩步圖像處理效果的好壞直接影響后續(xù)的車型識別。

本文提出基于灰度共生矩陣（gray level co-occurrence matrix，GLCM）紋理特征的車型識別系統(tǒng)，主要對文獻(xiàn)[4]存在的不足加以研究。在圖像濾波方面，對高斯濾波、各種參數(shù)大小模板的中值濾波進(jìn)行比較；明確了分割車臉圖像的方法。

1 基于灰度共生矩陣紋理特征的車型識別系統(tǒng)

基于灰度共生矩陣紋理特征的車型識別系統(tǒng)由車輛圖像采集及預(yù)處理、車臉分割、紋理特征提取、最小距離分類器等組成，其結(jié)構(gòu)圖如圖1所示。

圖1 基于灰度共生矩陣紋理特征的車型識別系統(tǒng)結(jié)構(gòu)圖

車型識別流程：首先，采集一段在公路上拍攝的監(jiān)控視頻，提取出各幀圖像，由于攝像頭靜止拍攝固定場景，因此在車輛出現(xiàn)期間，背景部分基本無變化，通過背景差分算法可得到車輛圖像；然后，對車輛圖像中值濾波，利用車輛圖像的水平、垂直積分投影方法分割出車臉圖像；接著，對各車臉圖像進(jìn)行標(biāo)準(zhǔn)化，建立標(biāo)準(zhǔn)車臉圖像庫，提取標(biāo)準(zhǔn)車臉圖像的紋理特征，建立紋理特征庫，用紋理特征庫的數(shù)據(jù)訓(xùn)練最小距離分類器；最后，將待識別的車臉圖像的紋理特征量輸入最小距離分類器進(jìn)行識別分類。

2 圖像采集及預(yù)處理

2.1 圖像采集

本文從公路車輛視頻中提取各幀圖像，選擇一張不含運(yùn)動目標(biāo)的圖像作為參考；然后計(jì)算當(dāng)前幀與參考圖像對應(yīng)像素位置的灰度差值，若差值不為0的像素?cái)?shù)目超過設(shè)定的閥值則認(rèn)為圖像中存在運(yùn)動目標(biāo)，否則沒有運(yùn)動目標(biāo)，將檢測出有運(yùn)動目標(biāo)的當(dāng)前幀作為前景圖像加以保存（本文視頻的幀速率為13幀/秒）；最后將運(yùn)動目標(biāo)剛好離開拍攝范圍的相連3幀圖像的平均圖像作為背景圖像加以保存。

2.2 圖像預(yù)處理

2.2.1 圖像灰度化

拍攝的圖像一般為24位真彩色圖像，其圖像像素值由R（紅）、G（綠）、B（藍(lán)）3種基色組成。圖像的數(shù)據(jù)量較大，使處理圖像的時間過長，而且提取目標(biāo)、中值濾波、分割車臉、生成灰度共生矩陣等操作都在灰度圖像上實(shí)現(xiàn)。因此，需將存儲的前景圖像、背景圖像灰度化，以便后續(xù)圖像處理能正常進(jìn)行。本文采用加權(quán)平均法對圖像做灰度化處理。

其中： R(i,j)、G(i,j)、B(i,j)分別表示在(i,j)處像素的紅分量、綠分量、藍(lán)分量；f(i,j)表示在(i,j)處像素的灰度值。

2.2.2 運(yùn)動目標(biāo)提取

背景差分法是獲取運(yùn)動目標(biāo)的最普遍方法，該方法簡單并能完整地提取出運(yùn)動目標(biāo)。2幅圖像直接相減獲得的目標(biāo)圖像

其中，Dt(i,j)是運(yùn)動目標(biāo)圖像；ft(i,j)是第t幀圖像；(i,j)是運(yùn)動目標(biāo)剛好離開拍攝范圍的相連3幀圖像的平均圖像。

2幅圖像直接相減，若像素差值出現(xiàn)負(fù)數(shù)則將其灰度值設(shè)置為0，其效果如圖2所示。

2幅圖像絕對相減所獲得的目標(biāo)圖像

圖像絕對相減獲得的運(yùn)動目標(biāo)圖像如圖3所示。

由圖2、圖3可見，圖像直接相減獲得的目標(biāo)圖像噪聲小，并且車輛與背景分離良好，有利于下一步的車臉分割。

圖2 圖像直接相減獲得的運(yùn)動目標(biāo)圖像

圖3 圖像絕對相減獲得的運(yùn)動目標(biāo)圖像

2.2.3 中值濾波

采集圖像的質(zhì)量會受到外界因素干擾，如光照強(qiáng)度、灰塵、空氣濕度等。若圖像中噪聲較大，難以準(zhǔn)確確定車臉位置。為降低噪聲的影響，采用中值濾波對圖像進(jìn)行處理。實(shí)驗(yàn)圖像的分辨率為寬320像素×高240像素，通過調(diào)節(jié)模板參數(shù)比較處理結(jié)果，采用3×3模板時能獲得較好的降噪效果。

3 車臉分割

為減少數(shù)據(jù)量，提高系統(tǒng)識別速度，本文只研究車臉圖像。車臉的具體范圍：車輛左右霧燈的外邊沿分別作為車臉圖像的左右邊界；車輛前擋風(fēng)玻璃的下沿作為車臉圖像的上邊界；車輛保險(xiǎn)杠作為車臉圖像的下邊界，四邊界所圍的區(qū)域稱之為車臉。利用水平、垂直積分投影的方法分割出車臉。由水平積分投影確定車臉圖像的上、下邊界，垂直積分投影確定車臉圖像的左、右邊界。目標(biāo)圖像的水平投影如圖4所示，垂直投影如圖5所示，分割后的車臉圖像如圖6所示。

圖4 水平積分投影圖像

圖5 垂直積分投影圖像

圖6 車臉圖像

分割后的車臉圖像通常大小各異，且明暗程度也存在較大差異，使提取的紋理特征量沒有統(tǒng)一的衡量標(biāo)準(zhǔn)。為此，需要將車臉圖像縮放成統(tǒng)一大小。經(jīng)過大量實(shí)驗(yàn)，車臉圖像大小確定為寬120像素×高50像素。然后對車臉圖像進(jìn)行灰度拉伸、直方圖均衡化，使圖像的衡量標(biāo)準(zhǔn)統(tǒng)一。經(jīng)過一系列處理得到的標(biāo)準(zhǔn)車臉圖像如圖7所示。按照上述方法，將樣本圖像全部標(biāo)準(zhǔn)化，建立標(biāo)準(zhǔn)車臉圖像庫。

圖7 標(biāo)準(zhǔn)車臉圖像

4 紋理特征

4.1 灰度共生矩陣

紋理反映圖像的內(nèi)部結(jié)構(gòu)信息，表示在圖像中某方向θ上相距為d的兩像素存在著特定的關(guān)系?；叶裙采仃囀且环N基于像素間的特定關(guān)系來描述紋理的方法。GLCM的每個元素[P(i,j)]表示在θ方向上，相距d的2個灰度級分別為i和j的像素出現(xiàn)的概率或次數(shù)。若圖像灰度級為L，則灰度級i，j=0,1,2,…,L-1。θ一般取0°、45°、90°和135°；d一般取1、2、3等。

4.2 提取紋理特征

本文選擇GLCM 5個常見非線性相關(guān)的紋理特征作為研究對象：energy（能量）、contrast（對比度）、entropy（熵）、relativity（相關(guān)）、local stationarity（局部平穩(wěn)性）。

1) energy：是GLCM元素值的平方和，亦稱為能量。能量越大，紋理就越粗；反之，紋理就越細(xì)。

其中，f1表示圖像紋理的粗細(xì)程度；p(i,j)表示像素值分別為i和j的2個像素出現(xiàn)的次數(shù)或概率；L表示圖像的灰度級數(shù)。

2) contrast：反映圖像的清晰度和紋理溝紋深淺的程度。對比度值越大意味著圖像的清晰度越高，紋理的溝紋越深；反之，紋理的溝紋越淺。

其中：f2表示圖像的對比度；n=｜i-j｜。

3) entropy：是圖像所具有的信息量的度量。紋理信息也屬于圖像的信息。熵表示紋理的非均勻程度或復(fù)雜程度。熵越大意味著紋理越復(fù)雜。其中：f3表示圖像具有的信息量。

4) relativity：反映GLCM的元素在橫向或縱向上的相似程度。

5) local stationarity：度量圖像紋理局部變化的多少。其值越大，表示局部越均勻；反之，局部變化不均勻。

其中f5表示局部圖像紋理變化的大小。

5 車型識別

本文用最小距離分類器識別車型。最小距離分類器的原理[4]：任何一個模式類在特征空間中都處于較為聚集的狀態(tài)，將同類型樣本特征量的平均值作為該模式類的中心；計(jì)算待識別樣本的特征量與每類模式中心的歐式距離；選擇距離最短的模式類作為該樣本的分類結(jié)果。

本文基于灰度共生矩陣紋理特征的車型識別系統(tǒng)對小轎車、SUV、面包車、大客車、小貨車、大貨車等車型進(jìn)行了實(shí)驗(yàn)，品牌包括大眾、豐田、雪佛蘭等。以圖8實(shí)驗(yàn)車臉圖像為例，本文設(shè)定圖像的灰度等級L為256，GLCM的大小為8×8，像元距離d為1。計(jì)算4個方向（0°，45°，90°，135°）上的GLCM，其中1個GLCM為

灰度共生矩陣P(i,j|1, 0°)的紋理特征值能量為4406974、對比度為12502、熵為34561.6569、相關(guān)為1909、局部平穩(wěn)性為1632.2393。將這5個特征值按順序分別作為元素組成一個列向量。按照上述方法，在所建立的標(biāo)準(zhǔn)車臉圖像庫中，分別提取每幅圖像的紋理特征，建立紋理特征庫。

圖8 實(shí)驗(yàn)車臉圖像

將待識別樣本的紋理特征向量與紋理特征庫中每類車型的平均紋理特征向量進(jìn)行距離計(jì)算，選擇距離最短的為識別結(jié)果。3個品牌車的實(shí)驗(yàn)結(jié)果見表1。

表1 實(shí)驗(yàn)結(jié)果

6 實(shí)驗(yàn)

本文實(shí)驗(yàn)系統(tǒng)開發(fā)平臺為 Microsoft Windows7操作系統(tǒng)，前端開發(fā)工具采用VS2010，圖像處理中應(yīng)用OpenCV函數(shù)包。實(shí)驗(yàn)中，在公路上拍攝了100幅車輛的正面序列圖像，將圖像進(jìn)行處理。在標(biāo)準(zhǔn)車臉圖像庫中選取15幅車臉圖像作為訓(xùn)練樣本，85幅車臉圖像作為測試樣本，正確識別的車型有77幅，識別率達(dá)到90%。

7 結(jié)論

本文提出的基于灰度共生矩陣紋理特征的車型識別系統(tǒng)穩(wěn)定、正確識別率高、實(shí)時性好，但適用范圍窄，例如光照強(qiáng)度等因素嚴(yán)重影響準(zhǔn)確度。若光線強(qiáng)烈，車輛的顏色較暗時，前景圖像中車輛所在的區(qū)域會比背景圖像暗，用前景圖像減去背景圖像所得到的車輛圖像不完整，提取的紋理特征量就不能準(zhǔn)確地代表該車型，致使識別結(jié)果不準(zhǔn)確。因此后續(xù)還需進(jìn)一步研究去光照的算法。

[1] 王慧斌,蘆蓉.基于視頻的車型特征提取及識別方法研究[J].微型電腦應(yīng)用,2010,26(10):50-53.

[2] 馮超,賀俊吉,史立.基于支持向量機(jī)的轎車車型識別[J].上海海事大學(xué)學(xué)報(bào),2011,32(3):85-89.

[3] 周愛軍,杜宇人.基于視頻圖像 Harris角點(diǎn)檢測的車型識別[J] 揚(yáng)州大學(xué)學(xué)報(bào):自然科學(xué)版,2008,11(1):67-70.

[4] 馬蓓,張樂.基于紋理特征的汽車車型識別[J].電子科技,2010,23(2):94-97.

Vehicle Type Recognition System Based on the Texture Featur of Gray Level Co-Occurrence Matrix

Cheng Lixia Xu Yinghui

(School of Automation, Guangdong University of Technology)

The technique of vehicle recognition system still has problem in the intelligent traffic management, this paper gives a vehicle recognition system based on gray level co-occurrence matrix texture features. The system consists of vehicle image acquisition and preprocessing, car face segmentation, texture feature extraction, the minimum distance classifier etc. The accuracy rate of the vehicle type recognition system achieves to 90% by the experiment.

Vehicle Type Recognition; Gray Level Co-Occurrence Matrix; Texture Feature; Minimum Distance Classifier

程麗霞，女，1990年生，在校碩士研究生，研究方向：數(shù)字圖像處理、車型識別、嵌入式系統(tǒng)。E-mail: 785338465@qq.com

國家自然科學(xué)基金項(xiàng)目（61102034）；廣東省工業(yè)高新技術(shù)領(lǐng)域科技計(jì)劃項(xiàng)目（2013B010401028）資助。

徐迎暉，男，1977年生，博士，副教授，碩士研究生導(dǎo)師，研究方向：信息安全、車型識別、嵌入式系統(tǒng)、多媒體信號處理等。