李旭茹

（山西農(nóng)業(yè)大學(xué)軟件學(xué)院，山西 太谷 030801）

0 引言

圖像識別是指利用計算機(jī)技術(shù)對圖像進(jìn)行分析和理解，以識別各種目標(biāo)和對象[1]。隨著計算機(jī)的快速發(fā)展，圖像識別技術(shù)在現(xiàn)實生活中扮演著越來越重要的角色。在農(nóng)業(yè)中，為了給虛擬作物的研究提供依據(jù)，可利用圖像識別技術(shù)分辨作物的類別、作物的生長狀況、農(nóng)作物中病蟲害的圖像診斷等[2]，圖像識別技術(shù)還廣泛地應(yīng)用于煤倉煤位監(jiān)測、變電站智能巡檢、故障遠(yuǎn)程監(jiān)測系統(tǒng)等[3-5]。

本文研究的車型識別是圖像識別的一支,是ETC系統(tǒng)重要的組成部分。目前常見的射頻識別(Radio Frequency Identification,RFID)電子標(biāo)簽是粘貼于車輛前擋風(fēng)玻璃上，該電子標(biāo)簽上有存儲設(shè)備，將用戶的信息，如：車牌號、人民幣余額、車輛所屬的類型等集中存儲，讀寫器接收標(biāo)簽內(nèi)存儲的信息是通過無線、不接觸的方式[6]。但在實際應(yīng)用中，有的車主將RFID電子標(biāo)簽中的信息私自變換，達(dá)到逃避繳費的目的，這種情況加大了管控難度。為了解決此問題，引入基于圖像的車型自動識別系統(tǒng)非常迫切。

目前，深度學(xué)習(xí)技術(shù)蓬勃發(fā)展，對車型識別等方面的相關(guān)研究也發(fā)展起來，但是深度學(xué)習(xí)需要有大量的訓(xùn)練樣本，實際操作中難以廣泛推廣和應(yīng)用[7-8]。本文將模糊理論應(yīng)用于車輛識別，這種模式簡單方便、易于推廣和操作。具體過程為當(dāng)貼有電子標(biāo)簽的車輛經(jīng)過收費站，系統(tǒng)將提取車輛的有效信息，并自動比較提取的信息與電子標(biāo)簽存儲的信息，結(jié)果一致的，進(jìn)行自動扣費并起桿放行；對比結(jié)果不一致的，系統(tǒng)自動進(jìn)行逃費違法行為抓拍。將本文算法應(yīng)用于實際車型識別中，結(jié)果證實算法可行。

1 模糊理論的車型識別

目前，國內(nèi)外對車型的模式識別還處于探索和發(fā)展階段，相關(guān)研究比較少，僅有的研究成果也是在模板匹配和神經(jīng)網(wǎng)絡(luò)下的車型模式識別，難以廣泛推廣和應(yīng)用。故而本文從實用性角度出發(fā)，提出應(yīng)用模糊理論對車輛進(jìn)行識別，便于推廣和操作[9]。

在實際操作中，車輛在行進(jìn)中是運動的，運用模糊理論的車型識別方法，通過外部安裝的圖像采集器拍攝兩個時刻同一位置的車輛側(cè)面照，然后將獲取的圖像信息存儲到存儲器，提取車輛輪廓和相關(guān)信息，再把數(shù)據(jù)傳輸?shù)阶R別模塊進(jìn)行模糊模式識別，流程如圖1所示。

圖1 車型識別流程圖

1.1 圖像預(yù)處理

圖像預(yù)處理主要包括圖像灰度化、濾波、差影檢測。本文采用加權(quán)平均法,亦稱YUV方法進(jìn)行灰度圖像化，節(jié)省圖像處理所占用的存儲和時間。濾波采用了中值濾波技術(shù)，可以更好地保留圖像中的細(xì)節(jié)，同時消除圖像中的噪聲。下面重點介紹差影檢測。

要實現(xiàn)車型識別，首先能夠?qū)崿F(xiàn)對移動對象的檢測，目前常用方法是差影法。差影法又稱減影技術(shù)，其核心就是將同一個目標(biāo)在不同時間獲取的圖像或者是同一個目標(biāo)在不同的波段獲取的圖像相減。在序列圖像中，假設(shè)多幀圖像之間的相關(guān)條件不發(fā)生變化，可通過逐像素做減法來檢測前后相鄰兩幀圖像之間是否存在差異。如果得到的結(jié)果差不為0，表示此處的像素發(fā)生了移動。視頻連續(xù)的兩幀源圖像為f(t-1)(i,j)和f(t)(i,j)，那么絕對差灰度圖像如式(1)所示：

得到絕對差灰度圖像后，需要選擇一個合適的閾值將前景物體（即目標(biāo)車輛）從背景物體中分割出來，并以此閾值作為灰度閾值M，將目標(biāo)和背景區(qū)域進(jìn)行分割，獲得二值圖像。如式(2)所示：

閾值的選取直接影響分割效果的呈現(xiàn)，最常用的是自適應(yīng)閾值法最大類間方差法，因該算法計算簡單，不需要人為設(shè)定其他參數(shù)，自適應(yīng)強(qiáng)，成為使用最廣泛的圖像閾值選取法之一。

1.2 建立模糊模式

我國對汽車的分類有嚴(yán)格的標(biāo)準(zhǔn)，根據(jù)最新的標(biāo)準(zhǔn)，可以將汽車分為：轎車、客車、越野車、牽引車、載貨汽車、掛車[10]。這幾種車輛類型無論外觀和尺寸都有非常大的區(qū)別，但仍可以以像素為單位，將車輛外輪廓的頂部長度（記為T）與底部前后車輪間離的比值（記為B），還有車輛輪廓的頂部長度與車輛頂部到地面間距（記為H）的比值建立模糊子集，加以區(qū)分以上幾種車輛，也就是利用T/B和H/B的值來區(qū)分。

首先，通過T/B的比值判斷，客車一般在1:1以上，載貨汽車、牽引車、掛車三種類型一般都在2:5 以下，轎車和越野車的介于其中。那么區(qū)分以上三類車型可以在最大隸屬原則下進(jìn)行第一次模糊模式識別；然后根據(jù)H/B 進(jìn)行第二次模糊模式識別區(qū)分轎車和越野車，依然運用最大隸屬原則。區(qū)分載貨汽車、牽引車、掛車的同樣適用上述方法。

具體方法為：首先把T與B的比值作為論域1，記N1=T/B,顯然0＜N1＜2，并建立3 個模糊子集，論域1 的模糊子集如表1所示。然后再把H與B的比值作為論域2，記N2=H/B,顯然0＜N2＜2,并建立5 個模糊子集，論域2的模糊子集如表2所示。

表1 論域1的模糊子集

表2 論域2的模糊子集

為6 種車型建立隸屬度函數(shù)，公式見式(3)～(10)所示。

從圖像中獲得車頂部長度T，底部前后輪間距離B，將二者的比值N1分別代入(3)、(4)、(5)中得到X1(N1),X2(N1),X3(N1)，并比較大小，遵循最大隸屬度原則，車型就是隸屬度函數(shù)值最大的模糊子集。假使X2(N1)值最大，那么識別目標(biāo)為客車。如果X1(N1)值最大，再把H與B做比，將比值N2分別代入式(8)-(10)中，得Z1(N2),Z1(N2),Z1(N2)。根據(jù)最大隸屬度準(zhǔn)則，將上述三個值作比較，隸屬度函數(shù)值最大的即為車輛類型。如果X3(N1)值最大，則繼續(xù)把比值N2代入式(6),(7)中，得到Y(jié)1(N2),Y1(N2)值，比較大小，遵循最大隸屬度原則，隸屬度函數(shù)值最大的即為車輛類型。完整的車型識別過程如圖2所示。

圖2 車型識別

2 實驗結(jié)果與分析

本文采用Matlab編程對圖像處理，選取轎車做實驗驗證。車輛經(jīng)過收費站時是運動的狀態(tài)，為了能夠捕捉經(jīng)過車輛的特征，可通過外部輔助拍攝設(shè)備拍攝同一位置兩個時刻的車輛側(cè)面照，以轎車為例拍攝照片，如圖3、圖4所示。

圖3 T0時刻車輛

圖4 T1時刻車輛

首先，對車輛進(jìn)行邊緣檢測，可以得到車輛的輪廓信息，但在圖像中有一些不連續(xù)的線段，影響特征值的提取?？刹扇￠]操作,光滑一些不連續(xù)的線段。閉操作之后得到的圖像如圖5所示。圖中的圖像邊緣是由單像素組成的細(xì)線，便于獲取目標(biāo)特征。本文要提取的特征是前文已引入的三個距離T、B、H的值。

圖5 閉操作后的圖像

特征值的提取要通過圖像的二維矩陣獲得，該矩陣中只有0、1 值，其中1 代表邊緣像素，0 代表非邊緣像素。

運行程序，得到車輛的特征數(shù)據(jù)如下：T=167,B=314,H=131。

首先計算N1=T/B=167/314=0.532，將N1代入式(4)～(6)計算，可得：

可以看到，X3(N1)值最大，參照前圖車型分類，可得該車型屬于轎車、越野車子集。

為了進(jìn)一步確定車型，再計算N2=H/B=131/314=0.418,將N2代入(7)、(8)計算，可得：

Max(Y1(0.418),Y2(0.418))=Y1(0.418)，即Y1(N2)值最大，最后可判斷該車為轎車，實驗結(jié)果與實際車型相符，識別正確。

最后，本文設(shè)計了一個GUI 界面，用來顯示最后的識別結(jié)果，如圖6所示。

圖6 識別結(jié)果的GUI界面

3 結(jié)論

本文提出了一種基于模糊理論的車型識別技術(shù)，并通過實驗進(jìn)行驗證。結(jié)果表明，該算法是可行的，可以實現(xiàn)車型的識別。但是該識別方案仍存在不足，比如在牽引車、半掛車等車型還未能實現(xiàn)完全識別。下一步將優(yōu)化算法，使識別的范圍進(jìn)一步擴(kuò)大，適用性更廣。