一种公交车车型识别方法

摘要

本发明公开一种计算机视频处理技术领域的公交车车型识别方法，步骤为：对监控视频进行混合高斯建模；而后对车辆进行公交车车型初步识别；其次根据车辆的位置信息及公交车本身的特点，建立相应的3D模型；同时使用LSD线段提取算法提取车辆的特征线段；最后采用一种结合模板匹配和最短距离匹配的综合算法，对车辆的3D模型和线段特征进行匹配。本发明通过利用车辆位置信息和公交车车型特点构建3D模型，因而避免了车型数据库的准备工作；同时利用公交车车型特点对待判断车辆进行初步判断，以避免对场景中所有车辆进行3D建模和匹配过程，减少了计算量；最后采用一种结合的匹配算法，提高运算准确率同时减少计算量。

主权项

一种公交车车型识别方法，其特征在于，包括以下步骤：第一步：对监控视频进行混合高斯背景建模，得到待处理的车辆前景图像；第二步：在世界坐标系下，对所得到的车辆进行公交车车型初步识别；具体步骤为：①对第一步中所得到的车辆前景图像进行轮廓提取，得到N个连通区域Ω_k,k＝1,2,...,N，对每个连通区域Ω_k，得到一个包含Ω_k且面积最小的矩形区域R_k,k＝1,2,...,N；②在世界坐标系下，由矩形R_k底部两点p₁,p₂构造判断点p_m：$\left\{\begin{array}{c}{p}_m.x=(p_1.x+p_2.x)/2\\ p_m.y=(p_1.y+p_2.y)/2-l\\ p_m.z=p_1.z\end{array}\right.$其中，l表示公交车车身长度；(x,y,z)表示在世界坐标系中各点的三维坐标；③在图像坐标系下，根据p_m和R_k的位置关系初步判断该车辆是否为公交车，若p_m∈R_k，则初步判断该车辆为公交车，进行第三步；若则判断该车辆为非公交车，判断结束；第三步：在世界坐标系下，根据公交车车型特点及R_k位置信息，构建当前车辆的3D模型；第四步，采用LSD线段提取算法对第二步中得到的车辆进行特征线段提取；第五步：采用模版匹配法和最短距离法相结合的方法对第三步中得到的3D模型和第四步中得到的特征线段进行匹配计算，得到识别结果；第三步中所述3D模型，其端点的建立方法为：R_k底端两点p₁,p₂作为3D模型前端底部两点；再由p₁,p₂构建公交车3D模型前端顶部两点p₃,p₄：$\left\{\begin{array}{c}{p}_3.x=p_1.x,p_3.y=p_1.y,p_3.z=p_1.z+h\\ p_4.x=p_2.x,p_4.y=p_2.y,p_4.z=p_2.z+h\end{array}\right.$其中，h表示公交车高度，(x,y,z)表示在世界坐标系中各点的三维坐标；然后根据公交车在xOy上的投影图，构建3D模型尾端底部两点p₅,p₆：$\left\{\begin{array}{c}\theta =\arctan \left(\frac{p_1.y-p_2.y}{p_2.x-p_1.x}\right)\\ p_j.x=p_i.x-l\sin \theta \\ p_j.y=p_i.x-l\cos \theta \end{array}\right.$其中，(i,j)∈{(1,5),(2,6)}，θ表示在投影图中，线段(p₁,p₂)与y轴的夹角，l表示公交车车身长度，(x,y,z)表示在世界坐标系中各点的三维坐标；最后由p₅,p₆构建3D模型尾端顶部两点p₇,p₈：$\left\{\begin{array}{c}{p}_7.x=p_5.x,p_7.y=p_5.y,p_7.z=p_5.z+h\\ p_8.x=p_6.x,p_8.y=p_6.y,p_8.z=p_6.z+h\end{array}\right.$其中，h表示公交车高度，(x,y,z)表示在世界坐标系中各点的三维坐标；第五步具体步骤为：①采用模板匹配法，计算匹配系数η₁，其中，表示3D模型灰度图与特征线段灰度图之间的重合区域；ψ为3D模型灰度图，其像素值为0或1；为LSD特征线段灰度图_；表示对图像进行形态学膨胀处理；ΣI表示对灰度图像I进行像素求和；表示对灰度图I做阈值处理，${\mathrm{Threshold}}_t^v\left(I_{x,y}\right)=\left\{\begin{array}{c}v,I_{x,y}\ge v\\ 0,\mathrm{otherwise}\end{array}\right.$②根据η₁判断当前车辆是否为公交车，若η₁＞TH_l，TH_l为设定阈值，表示特征线段与3D模型重合比例较大，认为该车辆可能是公交车，进入下一步，采用最短距离法进一步判断；若η₁＞TH_h，TH_h为设定阈值且TH_h＞TH_l，则认为该车辆为公交车，判断结束；若η₁≤TH_l，则认为该车辆为非公交车，判断结束；③对上一步中需要进一步判断的车辆实施最短距离算法，令表示除去重叠区域的3D模型图；表示除去重叠区域的特征线段图；I(α)表示像素α的灰度值；p(α)表示像素α在图像坐标系下的位置，初始化计数器sum＝0，则最小距离法具体实施如下：(1)对像素α∈ψ_h且I(α)≠0,以p(α)为中心，step为边长建立正方形搜索窗；(2)计算像素α到的最短距离，具体为(3)若d(α)≤d_TH，则令sum＝sum+1及I(β₀)＝0，d_TH为设定阈值；(4)重复步骤(1)直到ψ_h中的像素完全遍历；④计算匹配系数η₂，${\eta }_2=\frac{\mathrm{sum}}{\Sigma {\psi }_h};$根据η₂判断当前车辆是否为公交车，若η₂＞TH_d，TH_d为设定阈值，表示特征线段与3D模型重合比例较大，判断该车辆为公交车；反之，则判断该车辆为非公交车，判断结束。