基于線陣CCD的車輛參數(shù)識別系統(tǒng)

劉承胤，趙吉文

（安徽大學 電氣工程與自動化學院，安徽 合肥 230039）

作為道路交通信息的重要組成部分，車輛類型是公路收費站判斷收費標準的重要依據(jù).目前，國內(nèi)外對車輛進行分類的技術有：電磁感應線圈技術、激光檢測技術及視頻檢測技術［1］.其中電磁感應線圈技術需要在道路下面埋設環(huán)形感應線圈，通過檢測不同車輛經(jīng)過時電感量的不同來對車輛進行分類，檢測精度較高，但設備的安裝與維護不方便，對現(xiàn)有的公路改造比較困難；激光檢測技術需要多個激光傳感器協(xié)同工作，系統(tǒng)穩(wěn)定性較差，且設備始終處于工作狀態(tài)，能耗較高［2］.視頻檢測技術利用CCD相機獲取視頻圖像作為分析對象，通過降噪、邊緣檢測來提取車輛參數(shù).CCD又分為面陣CCD和線陣CCD，現(xiàn)有的視頻檢測系統(tǒng)大多采用面陣CCD相機，然而面陣CCD獲得的圖像存在大量背景目標，從復雜背景中提取感興趣目標是一個很棘手的問題；此外，面陣CCD的幀速率一般較低，拍攝運動圖像拖尾比較嚴重［3］.與面陣CCD相比，線陣CCD具有如下優(yōu)點［4－5］：1）成像背景圖像簡單，易于后續(xù)圖像處理，對天氣情況依賴較??；2）圖像容量較小，后期圖像處理時間較短；3）成像可用線光源進行輔助照明，夜間成像效果較好；4）靈敏度高，動態(tài)范圍大，沒有圖像拖尾.

作者提出一種基于線陣CCD的車輛參數(shù)識別系統(tǒng)，該系統(tǒng)通過線陣CCD拍攝車輛側面圖像，識別車輛長、寬、高、軸距等主要參數(shù)，進而識別車輛類型，具有價格低廉、維護方便、識別速度快、準確率高等優(yōu)點.

1 系統(tǒng)設計

該系統(tǒng)硬件由線陣CCD攝像機、采集卡以及計算機組成.

車輛經(jīng)過拍攝區(qū)域時，以車牌及輪胎鋼圈為檢測目標，相機自動獲取圖像，利用紋理特征、梯度算子及連通域，運算確定車輛長度、寬度、高度及軸距，具體流程［6］如圖1所示.

2 車輛寬度檢測

現(xiàn)行的各類汽車車牌國標尺寸一致，是測量車輛寬度的重要依據(jù)［7］.通過車牌定位，可獲取車牌長度信息，通過與國標尺寸比較，便可獲得車輛寬度形變比例，從而實現(xiàn)寬度檢測.

2.1 車牌定位

線陣CCD獲取的圖像長度方向存在形變，如圖2所示.

獲取的圖像僅包含運動目標，避免了復雜背景的干擾，因此可以利用簡單算法快速高效完成車牌定位.由于車牌的紋理特征體現(xiàn)為字符密集、灰度變化劇烈，所以通過尋找圖像水平梯度密集區(qū)，就能找到車牌候選區(qū)域，這里采用的是基于圖像梯度特征的車牌定位算法.

2.1.1 邊緣提取

利用背景差法獲取車輛所在區(qū)域，得到車體拍攝長度P′［8］，考慮到車體本身圖案也會影響測量精度，所以先對車輛圖像進行二值化，再結合水平梯度運算提取車體邊緣，盡可能排除車體干擾.梯度算子［9］由下列公式給出

其中：f（x，y）為原圖像中像素點（x，y）的灰度值.

2.1.2 水平梯度運算

相對于車體其他區(qū)域，車牌區(qū)域的字符密集，因此采用字符豎向紋理分割方法便可對車牌進行粗略定位.這里用水平差分算子對汽車圖像求梯度，2維圖像的水平梯度［10］為

2.1.3 車牌大概區(qū)域的確定

經(jīng)梯度運算后，設定一閾值對圖像進行二值化，用以確定圖像的邊緣點.跳變點為一段連續(xù)邊緣線的初始點，車牌里的跳變點比較密集，由此可定位車牌存在的區(qū)域［11］.設p為行跳變點數(shù)，K為連續(xù)行中不滿足要求的最大行數(shù)，T1、T2為待用的檢測值，分別用來統(tǒng)計待選區(qū)域中符合條件以及不符合條件的行數(shù)，J1、J2分別為每行中滿足要求的最小和最大跳變數(shù)，Cmin為滿足要求的連續(xù)行數(shù)的最小值.具體算法如下：

（1）令T1＝T2＝0，從頂行開始，逐行掃描，當該行跳變點數(shù)p在（J1，J2）之外時，跳到下一行.

（2）判斷下一行跳變點數(shù)p是否屬于（J1，J2），如果屬于，則為可能的起始行，同時令T1＝T1＋1，T2＝0；如果不屬于，則令T2＝T2＋1.如果T1＜Cmin，同時T2＞K，則表明此區(qū)域不存在車牌.

（3）如果T1＞Cmin，并且T2＞K，則該區(qū)域可能存在車牌.然后繼續(xù)掃描下一行，重復步驟（2），直到掃描完最后一行.

（4）統(tǒng)計每個可能的行區(qū)域中每列跳變點的個數(shù)和，2個最大值對應的列即為車牌左右邊界.根據(jù)以上算法，可初步確定存在車牌的區(qū)域.

2.1.4 車牌定位

因為字符的左右邊界梯度為近似相反數(shù)，利用最大梯度差檢測可能的行，便可最終確定車牌區(qū)域.具體算法如下：

（1）求出各個待選區(qū)域內(nèi)最大梯度Gmax和最小梯度Gmin，計算該區(qū)域最大梯度差M＝Gmax－Gmin.（2）設定一閾值H，M大于H且正負梯度交替次數(shù)最多的待選區(qū)域即為車牌區(qū)域.

閾值H的選取是算法成功的關鍵，因為對車牌背景以及字符的顏色國標都有明確規(guī)定，故可根據(jù)經(jīng)驗確定閾值.通過對藍車牌、黑車牌以及黃車牌的多組實驗數(shù)據(jù)分析，該文選擇H為40，車牌定位圖如圖3所示（紅色區(qū)域為車牌區(qū)域）.

2.2 寬度檢測

定位車牌是為了測定車輛寬度，因前車牌居車輛正中位置，根據(jù)對稱性，可根據(jù)車牌尺寸確定車輛寬度.具體方法如下：

（1）根據(jù)得到車牌的測量長度S′0，結合車牌標準長度S0可算出車輛寬度形變系數(shù)

（2）因前車牌位于車體正中位置，根據(jù)對稱性，車牌到車體左右邊界的距離是相等的.從圖3中測量出車牌右邊界到車體右邊界的距離S′1后，可以得到其實際距離S1＝k′×S′1，同理可以得到車牌左邊界到車體左邊界的距離S2.

（3）車體寬度S＝S0＋S1＋S2.

3 軸距、長度及高度檢測

3.1 鋼圈檢測

由于輪胎與鋼圈的灰度區(qū)別較大，故該文通過檢測鋼圈輪廓來測量車輛軸距及長度形變［12］.線陣CCD采集的圖像中車輛長度存在橫向形變，拍攝的鋼圈并非圓形，而是近似橢圓形，所以通過形狀檢測不易實現(xiàn)，且易與車體圖案產(chǎn)生混淆，因此該文采用梯度運算結合連通域檢測來確定鋼圈位置.具體方法如下：

（1）將車體拍攝長度P′減去車輛寬度S，得到車輛長度P″，即P″＝P′－S.

（2）對圖像進行灰度拉伸，提高輪胎區(qū)域?qū)Ρ榷?，防止黑鋼圈干擾.

（3）利用梯度算子g（x，y）＝｜f（x，y）－f（x，y－1）｜求得圖像豎直方向梯度.

（4）確定閾值，對圖像進行二值化.

（5）分別求出左右圖中縱坐標最小的像素點a1（x1，y1）、a2（x2，y2），此即為前后輪鋼圈的下邊界點.

（6）利用梯度算子結合二值化運算，得到鋼圈輪廓圖.

（7）分別以a1、a2為起點，利用圖4所示連通域（黑色為目標點，白色為鄰域點）求出前后輪鋼圈右邊界點b1（x3，y3）、b2（x4，y4）.

（8）以同樣方法可求出前后輪左邊界點b3（x5，y5）、b4（x6，y6）.

3.2 軸距、長度及高度檢測

因為圖像豎直方向無形變，結合鋼圈的下邊界點與右邊界點坐標，可以得到圖像中鋼圈的豎直方向半徑即鋼圈實際半徑，橫向半徑長度形變軸距長度同理，利用背景差法可檢測出車體最高點h1（x5，y5）；鋼圈下邊界點所在列中車體的下邊界點為輪胎與地面的接觸點，此接觸點有兩個，它們分別為h2（x1，y6）、h3（x2，y7）；由幾何關系可得車輛高度

4 實驗結果

通過對采集的37輛不同型號的車輛進行檢測，除了3輛汽車的前車牌污損比較厲害導致檢測失敗外，其余34輛汽車的檢測結果均符合實用性要求，表1中為檢測數(shù)據(jù).可以看出，實際檢測誤差在3%以內(nèi)，能夠滿足實際使用需求，但也可以看出檢測結果普遍小于實際值，究其原因，這是光照使檢測得到的鋼圈半徑以及車牌長度略小于實際值所導致的.

表1 檢測結果Tab.1 Measure results

5 結束語

文中提出了一種基于線陣CCD的車輛參數(shù)檢測方法，該方法通過線陣CCD獲取圖像，背景簡單、處理速度快，通過識別車牌和輪胎鋼圈可計算出車輛主要參數(shù).實驗結果表明，該方法成功率較高，精確度能滿足應用需求，有較高的實用性.

［1］李光輝.基于紅外檢測和壓力傳感器相結合的車型自動分類系統(tǒng)［J］.中國科技信息，2009（5）：211－213.

［2］牟瑛.車型自動分類識別系統(tǒng)［J］.微計算機應用，2006，4（7）：471－473.

［3］雷志勇，劉群華，姜壽山，等.線陣CCD圖像處理算法研究［J］.光學技術，2002，28（5）：475－477.

［4］李娜，徐志剛.基于線陣CCD的交通信息采集和檢測系統(tǒng)設計與實現(xiàn)［J］.現(xiàn)代電子技術，2009，32（17）：159－161.

［5］張茂云，劉戀，劉玥良.基于線陣CCD的煙卷直徑實時監(jiān)測系統(tǒng)［J］.信陽師范學院學報：自然科學版，2014，27（3）：406－409.

［6］蔡智湘.車型自動分類技術的分析和前景展望［J］.濰坊學院學報，2004，4（12）：120－122.

［7］劉聰.車牌識別系統(tǒng)關鍵技術的研究與實現(xiàn)［D］.西安：西北大學信息學院，2012.

［8］白利波.車牌檢測與識別算法研究［D］.北京：北京交通大學電子信息工程學院，2007.

［9］林佳乙.基于背景差分法和幀間差分法的視頻運動檢測［C］／／中國儀器儀表與測控技術進展大會，2008：118－121..

［10］鄒曄.基于紋理分析和梯度特征的車牌定位算法［J］.科技廣場，2009，3（5）：109－111

［11］趙鋒，趙榮椿.紋理分割及特征提取方法綜述［J］.中國體視學與圖像分析，1998，10（4）：102－104.

［12］張秀林，劉玉，安然.基于關鍵邊緣特征的車型識別［J］.電子測試，2013（6）：13－15.

［13］尹楠，顧繼華，鄒麗新，等.基于區(qū)域特征的線陣CCD圖像自適應校正［J］.現(xiàn)代電子技術，2013，36（4）：112－114.