一種利用四軸飛行器判別車輛方位的方法
【技術領域】
[0001] 本發明屬于計算機視覺與模式分析技術領域，具體涉及一種利用四軸飛行器判別 車輛方位的方法。
【背景技術】
[0002] 隨著城市的快速發展，城市交通日益發達，人們擁有的私家車數量也逐漸增加。截 至2012年年底，上海注冊的機動車保有量已經突破262萬輛，其中私家車高達140萬輛，而 2013年上海私家車的保有量增幅更達到了 15%左右，比去年增加22萬輛，這使得交通形勢 更為嚴峻。隨之而來的是車輛管理難度的加大。通過對一些人流量較大的地段觀察，有些 車停放在公共場所門口，有些車停在行車道上。這些車輛嚴重影響了交通道路的暢通，甚至 可能引發交通事故。由于這種現象的分散不定，停車管理和違章檢測等需要耗費較大的人 力和時間成本。而我國目前車輛管理工作主要由大量交警人力完成，不僅不能保證及時性 也耗費了大量人力資源，基于無人機的車輛管理就可以高效完成這項任務。管理中必不可 少的步驟就是對車牌信息的記錄，而無人機拍攝車牌的關鍵在于它能否準確的判斷自身與 車輛的相對位置并對準車牌。
[0003] 車輛方位檢測在車輛識別，車輛自動導航和智能交通系統等領域都有著重要的應 用。傳統的基于圖像序列的車輛方位檢測通過塊匹配方法計算相鄰幀車輛的相關性來估測 車輛的方位。然而這種方法是針對固定攝像頭和運動車輛的場景，與我們車輛靜止無人機 運動的場景不符。我們需要的是從單張圖片識別車輛方位的方法。文獻[1]通過訓練基于 HOG特征的二分類器決策樹識別車輛的方位，但是只能識別固定的8個方位。文獻[2]在 聚類的框架下基于顏色和邊緣特征對車輛的方位進行了識別，但是也不能得到連續的方位 角。
[0004] 為了更準確的控制無人機的飛行狀態，需要找到一種車輛方位識別算法來得到車 輛的方位角信息。
[0005] 參考文獻
[1] Rybski P E，Huber D，Morris D D，et al. Visual classification of coarse vehicle orientation using Histogram of Oriented Gradients features[C]// Intelligent Vehicles Symposium (IV)， 2010 IEEEIEEE， 2010:921-928.
[2] Wu J Cj Hsieh J Wj Chen Y S，et al. Vehicle Orientation Detection Using Vehicle Color and Normalized Cut Clustering. [J]. Vehicle Orientation Detection Using Vehicle Color and Normalized Cut Clustering. - ResearchGatej2007:457-460.
[3] Dalai N， Triggs B. Histograms of oriented gradients for human detection[C]// Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference onIEEE, 2005:886-893 vol. I.
[4] Burges C J C. A tutorial on support vector machines for pattern recognition[C]// Data Mining and Knowledge Discoveryl998:121-167. 〇
【發明內容】
[0006] 本發明的目的在于提出一種利用四軸飛行器判別車輛方位的方法。
[0007] 本發明提出的利用四軸飛行器判別車輛方位的方法，關鍵在于如何有效的檢測到 車輛、得到車輛的方位角并對無人機的行為做出指導。本發明方法的具體步驟為： 步驟1、對無人機拍攝到的視頻數據進行車輛識別； 步驟2、對識別到的車輛，檢測其車輪輪廓形狀； 步驟3、以步驟2的結果為根據，根據兩個車輪的相對位置，判斷車輛與飛行器的相對 方位，為飛行器自主對準車牌提供控制信息。
[0008] 下面對以上三個步驟進行具體描述。
[0009] 步驟1、對無人機拍攝到的視頻數據進行車輛識別 車輛識別采用基于HOG特征[3]的SVM [4]分類算法實現。主要分為HOG特征提取、SVM 訓練和SVM檢測幾個步驟，具體介紹如下： (I)HOG特征提取 HOG是通過計算和統計圖像局部區域的梯度方向直方圖來構成特征的。在特征提取過 程中將目標圖像看成一個窗口（Window)，又將一個窗口分成若干個塊（Block)，而每一個 塊包含4個細胞單元（Cell)。對每一個細胞單元中的像素點，計算得到梯度的模和角度，并 對此細胞單元進行直方圖統計，得到一個9維向量。把一個塊的特征向量聯起來得到36維 的特征向量，用塊對窗口進行掃描，掃描步長為一個細胞單元。最后將所有塊的特征串聯起 來，就得到了目標的特征。
[0010] (2) SVM 訓練 SVM訓練的過程主要包括準備訓練樣本集(包括證樣本和負樣本)、提取所有正負樣本 的HOG特征、為正負樣本賦予標簽(正樣本標記為1，負樣本標記為0)、用線性SVM進行訓練 得到分類器并將其保存為文本文件。由于要在各個方向對車輛進行識別，所以訓練了兩個 分類器，分別用于識別車輛的正背面及側面。
[0011] (3) SVM 檢測 為了讓飛行器在與車輛的一定距離內都能檢測到車輛，采用了多尺度的檢測方法。首 先對原始輸入圖片進行HOG特征提取，并用（2)中訓練好的分類器進行車輛檢測。若未能 檢測到車輛，則對輸入圖片進行一定尺度的縮放再次檢測，直到檢測到車輛或者輸入圖片 大小比窗口小為止。在檢測過程中，首先用檢測車輛正背面的分類器進行檢測，若識別到車 輛，則可以判斷飛行器可以拍攝到車牌，不需進行車輛方位檢測。若沒有識別到車輛，則繼 續使用檢測車輛側面的分類器進行檢測，若識別到車輛的側面，則將識別到車輛的矩形窗 口作為感興趣區域，進行車輛方位檢測。
[0012] 步驟2、對識別到的車輛，檢測其車輪輪廓形狀 車輪輪廓檢測主要過程為圖片邊緣檢測，橢圓輪廓擬合，車輪輪廓篩選幾個步驟。
[0013] (1)圖片邊緣檢測 只有灰度圖片才可以進行邊緣提取，但是直接度灰度圖片進行邊緣提取由于光照，陰 影等的影響，可能會使車輪輪廓殘缺或丟失，所以為了更好的保留和突出車輪的邊緣，針對 車胎為黑色的特點在HSV色彩模型下對感興趣區域進行了二值化。通過在HSV色彩模型下 對H通道進行檢測，求得圖片H通道的值為h，將h < 60區域的灰度置為0,其他區域置為 255。通過該方法得到的圖片能夠將輪胎灰度置為0,輪轂灰度置為255,有效突出輪轂輪 廓。
[0014] (2)橢圓輪廓擬合 通過最小二乘擬合方法將檢測到的邊緣擬合成橢圓，但是由于圖片中會檢測到很多邊 緣，所以擬合到的橢圓不只有車輪的輪廓，要經過進一步篩選。
[0015] (3)車輪輪廓篩選 主要通過面積，位置和顏色三個特征對擬合到的橢圓進行篩選，最終得到代表車輪輪 廓的兩個橢圓。首先是面積滿足下式時才判別為車輪： S./255 ^ Sw^ S ,/25 其中感興趣區域面積為S1，橢圓輪廓的外接矩形面積為sw。
[0016] 其次是位置，代表車輪的橢圓的中心坐標應該位于感興趣區域的下端，建立高斯 模型：
其中μ為感興趣區域的歸一化底邊縱坐標，y為歸一化橢圓中心的縱坐標，并令 〇