基于图像配准的车标识别算法研究

摘要

在智能交通系统(ITS)中，车辆特征检测包括车牌检测、车标检测、车型和车脸检测。目前，车牌识别技术已经在各个国家发展地相当成熟，并且已经投入广泛的应用。车标识别作为智能交通系统(ITS)的一项重要研究领域，可以辅助车牌识别进行各种道路布控、停车场管理、高速公路电子收费等。它对于科技的进步和经济的发展有着重要的意义。　　随着计算机视觉和模式识别技术的不断发展，以图像理解为基础的智能交通系统逐步得到实际应用。计算机视觉通过计算机来模拟人眼视觉，提取图像中的有用信息，并对提取到的信息进行处理和理解，从而实现系统的实际检测、控制和测量等功能。作为智能交通系统(ITS)的一个具体应用，图像处理技术在智能交通系统(ITS)中的应用领域非常广阔。　　本文主要针对智能交通系统中的车标识别技术展开研究和探讨。算法总体分为三部分:图像预处理，车标定位，车标识别。其中车标定位部分是整个流程的关键阶段，包括粗定位和精定位。它利用车牌与车标相对位置的先验知识确定车标所在的大致区域，然后使用Sobel算子边缘检测得到车标的轮廓，采用大津法(OTSU)对轮廓图进行二值化，通过计算二值图中前景像素的占比判断车标周围干扰条纹的类型。接着对车标二值图进行形态学滤波得到满足一定条件的联通域。最后对连通域进行垂直水平投影，通过设定像素个数阈值得到车标的上下左右边界，从而对车标精确定位;而基于特征描述匹配的车标识别，大致分为特征点检测、特征描述和特征匹配三个阶段，它首先建立模板图像库，然后对待识别车标和所有的模板图像提取尺度不变特征变换SIFT(Scale-invariant FeatureTransform)特征点，再使用本文改进的快速视网膜特征FREAK(Fast RetinaKeypoint)描述子进行特征点描述，通过计算模板和待识别车标描述向量之间的距离，使用最近邻匹配结合最近邻和次近邻的比值以及RANSAC方法进行快速匹配和优化，实现车标的配准识别。　　本文在车标定位阶段，加入了Sobel算子±45°方向卷积，通过判定车标的纹理类型进行不同方向的梯度卷积，在提取车标边缘的同时滤除周围的干扰条纹;在车标识别阶段，提出了SIFT特征点检测和FREAK特征描述相结合的方法，不仅能够获得较多的车标特征信息，还使特征描述和匹配的时间大大缩短;对原有FREAK算法添加长距离点对，设定阈值Dmin，只利用关键点采样模式中距离较远的点来生成特征点的角度信息，这样算法更适用于车标旋转尺度变化较大的环境;对Hamming距离进行加权。对每一个关键点，在为了生成描述子选择点对时，对训练数据(training data)描述子的每一列计算均值，越接近0.5的列权值越大，改进了原来Hamming距离计算粗略的状态，使距离计算更精确。　　实验结果表明，本文算法具有较高的识别精度和实时性能，更适用于旋转尺度变化较大的环境下，车标匹配性能要求较高的场合。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．2．1 车标定位技术

1．2．2 车标识别技术

1．3 本文结构安排

第二章 相关理论基础知识介绍

2．1 图像预处理算法

2．1．1 图像灰度化

2．1．2 图像平滑

2．1．3 图像对比度增强

2．2 形态学操作

2．3 SIFT特征简介

2．4 FREAK描述子基本原理

2．4．1 人眼视网膜

2．4．2 FREAK视网膜采样模式

2．4．3 低相关性描述子

2．4．4 FREAK描述子生成步骤

2．5 本章小结

第三章 车标定位

3．1 车标粗略区域的选定

3．2 车标精确位置的确定

3．2．1 车标轮廓的提取

3．2．2 OTSU二值化

3．2．3 形态学闭运算

3．2．4 连通域分析

3．2．5 车标精确位置的确定

3．2．6 车标定位实验结果分析

3．3 本章小结

第四章 车标识别

4．1 车标模板库的建立

4．2 SIFT特征提取

4．3 FREAK的特征点配准改进

4．3．1 特征描述子生成

4．3．2 特征点配准

4．4 车标识别实验结果分析及评价

4．5 本章小结

第五章 总结和展望

5．1 总结

5．2 下一步展望

参考文献

致谢

攻读硕士期间发表的论文

攻读硕士期间参与的科研项目