基于OpenCV车辆信息检测系统研究.docVIP

基于OpenCV车辆信息检测系统研究 　　【摘 要】提出了一种利用OpenCV函数库来进行图像处理，并进行图像基本处理，AOI区域定位，特征点坐标提取的方法，定位时采用行列扫描的方法确定车辆上下和左右边界，然后对存在车辆信息噪声的情况进行了过滤，AOI区域定位采用了边缘检测阈值比较的方法，特征点的坐标提取是采用平均模板匹配法，得到了很好的效果。 　　【关键词】AOI区域定位；特征点提取；边缘检测 　　智能交通系统，简称ITS（Intelligent Transportation System），是目前世界各国交通领域竞相研究和开发的前沿研究课题和热点。ITS系统是人们将先进的信息技术、数据通讯传输技术、电子控制技术、传感器技术以及计算机处理技术等有效地综合运用于整个交通体系，从而建立起的一种在大范围内，全方位发挥作用的实时、准确、高效的交通综合管理系统。车辆信息检测系统是智能交通系统中一个非常重要的方向，主要由图像采集、AOI区域定位、特征点坐标提取以及信息识别四部分组成，己经越来越受到人们的重视。它具有良好的实际应用价值，目前主要应用于公路治安卡口、开放式收费站、车载移动查车、违章记录系统、门禁管理、停车场管理等场合。 　　利用VC++，在OpenCV计算机视觉库的基础上，对车辆进行图像获取，图像处理，最终得到车辆信息，主要包括以下几个步骤，如图1所示： 　　图1 主要步骤 　　1.图像获取 　　利用OpenCV库函数可以对摄像机进行操作的特性，首先定义CvCapture结构变量并初始化capture=0，CvCapture结构包含从摄像机或视频文件读取帧所需的信息，然后使用OpenCV库函数cvCreateCameraCapture（）从摄像机得到视频信息，即：capture= cvCreateCameraCapture（-1）。获取视频信息后还要获得图像，首先要定义IplImage结构变量并进行初始化frame=0，获取图像利用OpenCV的库函数cvQueryFrame（），即：frame=cvQueryFrame（capture）[1]。 　　2.图像预处理 　　利用OpenCV库函数获取到的图像是彩色图像，即每个像素点由红色（R），绿色（G）和蓝色（B）3个分量组成，如果直接用彩色图像计算量会很大， 很难达到实时、快速识别的目的。在实际应用中，我们可以采用如下公式将彩色图像转换为灰度图像： 　　Y=0.299*R+0.587*G+0.114*B 　　其中，Y代表转换后灰度图像的像素值，R、G、B分别代表彩色图像中红、绿、蓝三原色的分量[3]。利用cvCvtColor（src，pImgCanny，CV_RGB2GRAY）；对图像进行灰度化处理。如图2所示： 　　图2 灰度图像 　　下一步对灰度化图像进行二值化处理。二值化就是选择一个阈值T，如果图像中的某个灰度值大于T，就将这个像素的灰度值设为255，否则设为0.公式如下： 　　g（x，y）=255，g（x，y）≥T 　　0，g（x，y）T 　　选择阈值T时，本文采用自适应阈值法，利用cvAdaptiveThreshold（）函数得到[1]。并采用Robert算子边缘检测二值化，二值化后的图像如图3所示，边缘检测的图像如图4所示。 　　图3 二值化图像 　　图4 边缘检测图像 　　3.AOI区域定位 　　预处理完的车牌图像就可以进行AOI区域定位了，由于车辆信息在图片中自身的特殊性，可以根据车辆图像的自身特点进行定位。 　　3.1车辆的特点 　　（1）车辆轮廓最低点一般是车身最低点，其下方没有明显的边缘密集区域。 　　（2）车辆轮轴大小、 个数明显，并且圆心到边界距离一定。 　　（3）拍摄环境不同，可能会造成车辆图像有一定的噪声。 　　（4）车辆信息区域的像素点明显多于其他部分。 　　因此，可以对边缘检测后的图像进行行扫描和列扫描，从而得到车辆信息区域。 　　3.2车辆信息行与列扫描 　　设定方法： 　　（1）将边缘检测图像中每行灰度级为255的像素的个数介于一定范围内。设定车辆区域中每行灰度级为255的像素个数最大最小值分别为num1、num2。若某行中灰度级为255的像素个数集中介于[num1，num2]，则可以将此行的行号存入车辆AOI候选区域。 　　（2）对（1）中得到的车牌候选区域相邻两行号做平均，若均值误差小于某个值M，说明此行在AOI区域内。 　　（3）通过（2）中得到的行号分割图像得到了AOI区域，记录此时的车辆边界特征点。 　　图5 AOI区域确定图像 　　3.3 车辆信息特征点提取 　　为了检测车辆长度，首先要确定车头与车尾的两个特征点。通过对图像的分析，我们可以看出图像中车辆的