基于sft算子车标识别实验报告

《基于sft算子车标识别实验报告》由会员分享，可在线阅读，更多相关《基于sft算子车标识别实验报告（18页珍藏版）》请在金锄头文库上搜索。

1、基于sift算子的车标识别软件小组成员：小组编号：专业班级：指导老师：日期时间：第一部分 绪论1.1研究目的与意义随着中国经济进入高速发展模式，人们物质文化水平也跟着大幅度的提高，人们对汽车的需求量也日益增大。面对着汽车数量越来越多的问题，如何对这些车辆进行有效的管理成为社会首要关注的问题。车标是车辆的一个重要的特征属性，相对于车辆其他的一些特征信息（譬如车牌），车标具有不易更改的特点。基于这一非常重要特性，本文将对车标的识别进行研究。 本文主要分为两大核心部分，定位部分（包括车牌的定位和车标的定位）和车标特征向量提取和识别部分。本文车标的定位是根据车牌和车标的先验知识，提出一种由粗到精的车标

2、定位方法。首先通过成熟的车牌定位方法对车牌进行定位，再根据车牌与车标的相对位置可以估计出车标的大概区域；接着利用 SOBLE 边缘检测算子对车标估计区域同时进行垂直边缘的检测和水平边缘的检测，分割车标区域与背景区域；接着再利用数学形态学进行腐蚀膨胀处理得到车标的精确区域。车标特征向量的提取本文利用 SIFT 算子进行提取。SIFT 算子的主要优点是信息量丰富，独特性好，适合在海量数据中进行快速、准确的匹配。另外 SIFT 算子的特征属性是图像的局部特征，具有对图像的尺度缩放、亮度变化、旋转保持不变性；对视角的变化、放射变换、噪声等等都保持很高的稳定性。除此之外，SIFT 算子也具备多量性和可扩

3、展性，少数的物体也可以产生较多的特征点，也可以很方便与其他形式的特征向量进行联合。所以本文通过 SIFT 算子对车标进行特征提取和特征向量的生成，最后通过欧式距离判断待匹配的车标向量与模板库的车标向量的相似性，最终达到识别出车标的作用。 如果将车标识别技术应用到现代车辆犯罪侦查中，将会大大减少对犯罪车辆的搜寻范围和相关部门的工作量，提高车辆识别的可靠性。车标识别技术可以应用在很多领域，比如公路收费、车辆管理、公路布控等等。因此开发一种能够识别出车标的技术在当今社会显得极为必要。 1.2主要研究内容与相关理论介绍 本文研究的主要内容可以分为三个模块： （1）车牌的定位模块。本文的第一部分是车牌的

4、定位。车牌的定位是否准确关系着车标的定位是否准确，所以车牌的定位非常关键。本文采用基于 HSV 颜色模型的方法定位，根据中国车牌只有三种颜色黄色、蓝色和白色，通过判断 HSV 各个通道的值确定车牌的区域。 （2）车标的定位模块。车标的定位总共分为两部分，车标的粗定位和车标的精定位。车标的粗定位是根据车标与车牌的相对位置这一先验知识得出的。然后对车标的估计区域进行车标的边缘检测，分离车标与背景，最后通过形态学滤波作用，精确定位出车标的位置。 （3）车标特征向量的提取和识别模块。车标特征的提取和特征向量的生成是本文的关键部分。在车标精定位之后，对车标区域利用 SIFT 算子进行特征提取。提取过程大

5、致可以分为：尺度空间的构建，极值点的检测，关键点的确定，关键点的描述。最后采用欧式距离判断向量的相似性，识别车标类别。 第二部分 车牌定位车标定位越准，框的越精确，噪声就越小，干扰就越小，提取的特征越能体现车标的属性，识别的准确率当然越高。所以选择一个合适的车牌定位方法非常重要。根据应用场地的需要和采集的数据集的特征，将采用基于 HSV 颜色空间和灰度形态学的方法对车牌进行定位。首先，通过车牌颜色定位算法简单，实现起来比较容易。其次车牌的底色目前中国只有黄、蓝、白三种底色，很容易通过车牌的颜色区分车牌与车身。具体定位算法步骤如下： 1.将 RGB 颜色空间图像转换为 HSV 颜色空间模型。 2

6、.设定 HSV 各个通道阈值。 3.通过阈值灰度化图像。 4.通过开闭运算整合连通区域。 5.通过颜色特征搜索候选区域。 6.通过特征值和车牌几何特征确定车牌区域。 车牌定位流程图如 3-1所示：颜色空间模型转换阈值设定二值化图像数学形态腐蚀膨胀处理通过车牌的几何特征判断车牌区域图 3-1 车牌定位流程图 3.1 确定车牌颜色在 HSV 空间的阈值 每一种颜色的车牌需要进行采样估计，以确定每一种颜色在 HSV 空间的阈值。因为中国不同地方的车牌颜色不一样，各个亮度、饱和度、色调都不相同。另一个原因车牌颜色会随着时间的流逝而退化，每一类车牌颜色的各个 HSV 通道值是一个范围，而不是一个精确地数

7、值。所以为了更准确的定位好每一类的车牌，需要对每一类车牌进行大量的抽样统计分析。 同样，通过类似的方法可以得到其他颜色车牌各个分量的阈值范围，最终得出三种车牌的颜色的阈值范围。 黄色 蓝色 白色 H 187,245 25,56 不考虑S 0.33,1 0.35,1 0,0.16V 0.32,1 0,3,1 0.89,1本实验采用的数据是通过手工截取每一张车辆车牌区域的图像，并且按照颜色类型以不同文件夹存储好，方便确定车牌颜色阈值使用。 通过大量的实验表明，蓝色车牌、黄色车牌从背景的分离可以通过已经确定的好的 H和 S 分量阈值，通过 V的分量把黑色和白色车牌区域从背景中分离出来。 3.2 搜索

8、候选区域，判断车牌区域 二值图像经过数学形态学滤波之后会出现多个候选区域，如图 3-2所示。这时必须根据车牌的一些固有特征进行判断筛选，譬如可以根据车牌的长度、宽度、以及长宽之比进行判断，也可以根据车牌的面积进行判断。因为摄像机安装在一个固定的位置下（一般卡口摄像机的位置都是固定不变的），拍摄出来的车辆照片宽度、长度以及两者之间的比例在一个范围之内。 图 3-2车牌候选区域 根据中国车牌的特性，中国汽车车牌外部特征大概有以下几个特点： 1.几何特征：车牌长度、宽度以及长宽的比例在一定的范围之内； 2.形状特征：车牌的形状都是矩形； 3.灰度特征：车牌的水平直线灰度呈现连续的波峰、波谷、波峰的分

9、布； 4.灰度值统计特征：车牌的边缘直方图有两个分离的分布中心； 通过上述的几种特征取交集，就可以很快的缩小范围，判断车牌区域时，根据长度、宽度、长宽之比以及面积可以判别，判别条件如下： Width(min)WidthWidth(max) ; Height(min)HeightHeight(max); Area(min)AreaArea(max); Ratio(min)RatioRatio(max); 其中，Width 表示车牌的宽度，Height 表示车牌的高度，Area 表示车牌的面积，Ratio 表示车牌的长宽之比。min 和 max 表示车牌的宽度、高度、面积和长宽之比的最小值和最大值

10、。通过上述条件判别，可得到车牌的区域，如图 3-3所示： 图 3-3 车牌区域 为了进一步优化车牌判断效率，提高软件性能，减少运行时间，可以根据这一地区出入的车辆的车牌颜色概率高低依次进行判断，比如，经统计某个地方出现蓝色车牌的车辆概率最多，这时就可以先判断是否为蓝色车牌，然后再判断是黄色还是白色车牌，这样在一定的先验条件下可以提高车牌定位的效率，减少搜索目标区域时间。 第三章 基于车牌定位先验知识的车标定位 4.1 一种由粗到精的车标定位方法 车标定位是车标识别的重要环节，也是车标识别是否准确的关键所在。目前车标定位有很多种定位方法，但是基于车标的大小在整个车辆图像所占的比例之少，以及车标边

11、缘与复杂纹理背景之间的关系，本文采用一种由粗到精的车标定位方法。车标定位流程图如 4-1所示： 程序开始通过车牌的位置粗略估计车标的位置对车标粗略区域进行滤波处理利用 SOBEL 算子进行车标边缘检测 去除干扰噪声 数学形态学运算，精定位车标位置 程序结束 图 4-1车标定位流程图 由于车标相对于整个车身而言太小，如果通过整幅图像搜索车标区域，会导致整个车标识别系统的速度下降，性能降低。因此本文通过车牌与车标的相对位置，搜索车标的区域，缩小搜索车标的时间，为整个车标识别系统减小了时间，提高了整个系统的性能。 4.2 基于车牌定位先验知识的车标粗定位 4.2.1 车标的特征 根据目前中国市场上车

12、辆统计，经过大量实验观察，有几乎接近 100%的车辆的车牌是悬挂在车身的正后方和正前方，如图 4-2所示： 图 4-2 车牌与车标相对位置图 但是车标本身的一些特点使得车标的定位比车牌定位要难很多。主要体现在以下几个方面： 1. 车标形状各异。车标的定制式由汽车厂商自行决定的，既有圆形的又有椭圆的，既有方形的也有一些特殊形状的，譬如字符的。 2.车标相似性大。很多车标都很相似，譬如北京现代与日本本田 3.车标的位置没有统一的标准。车标的具体位置并非一成不变的。有些车标在车灯之间，有些车标在车身上，有的车标在散热片上。即使是同一品牌不同系列的车标也不尽相同。4.车标所在散热片的纹理具备多样性。大

13、部分的车标都是在车辆散热片上，不同类型的车辆纹理也不一样。纹理本身也具有丰富的边缘特性，这对于分割车标和散热片有很大的不利。 4.2.2 车标的粗定位 车标中心确定：由图 4-2可以看出，车牌和车标处于同一中轴线上，根据车牌与车标的相对位置，可以粗略的估计出车标的位置，如图 4-3所示。假设根据已知条件得知车牌的中心点的坐标为( x , y ),那么x = x ,y = y + h，其中( x , y )为车标的中心点位置，h 是根据大量数据得到的一个经验估计值，大约为 150 个像素点的长度，也就是车标的中心离车牌中心的估计高度。根据大量实验可以得出车标的左右上下边界与车标中心满足关系如下：

14、图 4-3 车标粗定位 4.3 基于 SOBLE 算子的车标边缘检测 在目前的目标定位技术中，模板匹配技术和特征匹配技术占主导地位，这两种技术可以应用在目标种类单一的定位中。而在车标识别技术中，车标的种类繁多，况且尺寸的大小也参差不齐，同时有的车标所在的区域纹理特征丰富，基于这样一些特点，单纯的采用模板匹配不太合适。本文采取 SOBLE 算子的边缘检测算子的方法检测车标的边缘。实际上，SOBLE 算子是一种离散的差分算子，通过图像亮度函数运算，得到灰度变化的近似值，SOBLE 算子在复杂边缘检测中应用的比较多。SOBLE 算子包括一个纵向和一个横向 3*3的卷积因子，两个卷积因子如下： 垂直卷积因子 水平卷积因子 将纵向卷积因子和图像作平面卷积，水平卷积因子和图像作平面卷积，可得到图像的纵向亮度差值和横向亮度差值。假设 A 是原始目标图像，Gx 、Gy 分别为横向和纵向的边缘检测图像灰度差值，检测公式如下：