资源目录
压缩包内文档预览：
编号：13537254
类型：共享资源
大小：39.78MB
格式：ZIP
上传时间：2019-01-20
上传人：QQ14****9609
认证信息
个人认证
郭**（实名认证）
陕西
IP属地：陕西
12
积分
- 关 键 词：
-
基于
图像
图象
处理
车型
识别
辨认
- 资源描述：
-
基于图像处理的车型识别,基于,图像,图象,处理,车型,识别,辨认
- 内容简介：
-
软件学 报，8 卷，8 号，8 月20 日 一种高效的车辆模型识别方法 杨辉华 中国桂林广西市信息科学实验中心 邮件:yanghuihua 翟磊,李玲巧,刘振丙,罗一辰,王勇 中国桂林电子工业学院电子工程与自动化学院 邮件: keylei203, zbliu, 54, louisluo, wang 赖海燕,关明 中国广西桂林通信投资集团有限公司 邮件:13517810019163.com, gm9099 这篇文章介绍了一种有效基于自适应 Harris 角 点检测器的车型识别方法。第一，汽车散热器格栅 作为 ROI 和 Harris 角点检测是用来检测角，车辆模 型的特点，针对不同型号或不同的环境相同的模型 之间的角数不一致的问题。第二，构造了一个自适 应阈值函数来控制角点的数目来代替一个固定的阈 值，确保图像始终能够产生一定数量的强边角。第 三，并行方案的设计是为了加快车辆识别算法通过 CPU/GPU 异构计算模式来满足实时性的要求，包括 算法和并行处理的并行化。对 12 种车型 1096 辆大 卡车图像的实验获得 99.5%的识别准确率，并通过 与英特尔酷睿 i5 2400 和 NVIDIA c2075 平台实现平 均 58X 加速。结果表明，我们所提出的方法可以满 足实际应用的要求。 指数条款-车辆模型识别；王定位；自适应Harris 算 法；协同计算的CPU / GPU 一、引言 车辆模型识别是智能交通研究的一个有趣而困 难的课题。在 1 和 2 ，角点特征来实现汽车、 公共汽车的粗分类，重型货车（重型货车）等 3 ，是从正面的车辆图像识别车辆模型的一个有 趣的方法，其识别精度达到 93%。车辆制造和模型 被视为一个单一的类和认可的同时，但没有结果的 识别速度的报告。在 4 和 5 ，一个比较的知识 获取系统，包括几个对象的识别模块，代表从后方 的汽车图像，如窗口，尾灯等，根据颜色识别。这 种方法的缺点是敏感的照明条件。 在 6 ，车辆模型的识别方法，提取纹理特征的 散热器格栅采用基于灰度共生矩阵（GLCM），但 ROI 定位在室外环境中是很难的。在 7 ，尺度不 变特征变换（筛）的功能被证明是合适的车辆制造 商和模型识别，但它没有实时性能。 总之，上述模型辨识方法仍然不能很好的解决方 案，在室外环境中的实际车辆识别任务。主要原因 有2： 1.复杂的室外环境下的感兴趣区域定位和特征提 取是困难的。 2.识别算法不能满足实际应用的实时性要求. 在同一时间，CPU/GPU 协同计算已成为计算密 集型任务的数据处理越来越重要，并受到近年来 9 11,12许多应用开发商的关注。这是因为 GPU 甚 至可以为非可视、通用计算提供了广泛的资源：大 规 模 并 行 处 理 ， 高 内 存 带 宽 ， 和 通 用 指 令 集。GPU / CPU 协同计算使用的 CPU 的处理序列识 别任务和使用GPU 来处理大量的重复性 计算提高应用的关键性能。GPU / CPU 协同计算 广泛应用于图像处理领域 10 。我们所知，这加速 技术在车辆模型识别领域的应用没有报告。本文提 出了一种新的基于自适应 Harris 角点检测的车型识 别。这是“jt-g 绿色通道检测系统”的一部分，它 采用基于机器视觉的模式识别技术，实现车辆驾驶 室的自动检测和安全避让。首先，散热器网格定位 为投资回报率的基础上。 然后，利用自适应 Harris 角点检测的ROI 的角落，一个自适应的阀值函数是 软件学 报，8 卷，8 号，8 月20 日 构造来控制角点替换一个固定的阈值。该方法能保 证图像的产生一定数量的强角，避免了不同模型之 间的角点数目的剧烈变化，或在不同环境下的相同 模型，从而大大提高了识别的精度和坚固性。此 外，对车型识别的并行化设计方案，包括自适应算 法和工作流的并行化的并行化，以保证算法具有快 速的响应时间，满足实时性的要求。 输出输出：粗定位后的二值图像。 一步一步：用算子抑制水平纹理 1,-1. Dx (i, j) g(i, j) g(i 1, j) b. 利用算子抑制垂直纹理1,-1T. D(i, j) Dx (i, j) Dx (i, j+1) c. 抑制噪声. (1) (2) 1 f (i, j) 0 D(i, j) 0 D(i, j) 0 i r j r sum(i, j) f (i, j) i r j r (3) 二、ROI 定位 复杂领域环境下 ROI 的选择与稳定定位研 究。在 6 ，车辆散热器网格作为ROI 完成了良好的 车辆识别效果。本文还使用这种方法，但增加了标 志的信息，以提高ROI 的区分度，如图 1 所示。 255 pixel (i, j) 0 T = r r / 2 1 sum(i, j) T sum(i, j) T 图1.车型识别的感兴趣区域选择 ROI 是基于标识的位置。车牌区域的位置是稳 定的并固定在一定区域里。如果车牌号码可以快速 和粗测，它也可以得到在垂直方向上的车辆标志位 置。车牌号与车辆标志的关系如图2 所示。一般标 志总是在车牌的位置上，我们只需要在垂直方向或 位置上检测到标志，并将大白矩形图像作为输入图 像。 图2.通过车牌来确定标志的近似位置 对 ROI 位置，标志的垂直位置是必要的，以确 定。算法 1 描述车辆标志的垂直位置定位过程。 算法算法：为标志的垂直位置。 输入输入：基于车牌的灰度图像。 在内核的大小，吨是自适应阈值。 d. 边缘提取：用 Canny 算子检测边缘，输出像素*. e. 获得的行，其像素值是最大的水平轴。 图 3 所示标志垂直位置的感兴趣区域定位图。 在板的高度，宽板的宽度，是标志的垂直位置， 是一个经验参数。 (a) 基于平面的粗位置 (b) 标志垂直位置的位置 (c) 基于标示位置的 ROI 位置 图 3 软件学报，8 卷，8 号，8 月20 日 三、自适应算法 A.Harris 角是众所周知的有趣点在图像。他们是离散 的，可靠的和有意义的。特征角显示的自然图像进 行良好的一致性，本文选择角作为特征的车辆的模 型 。 有 许 多 角 落 的 探 测 器 ， 如 Harris，Fast，SIFT，SURF 等。图 4 是一个角点的 图像检测Harris，SURF和 SIFT 的分别。 (a) Harris(b) SURF(c) SIFT 图4.角图像检测三个探测器 如图所示，Harris 角点检测在角点定位精度的 角度最好的结果。自从 Harris 角点检测是基于一阶 Hessian 矩阵，所以它具有更高的检测精度。基于 SIFT 和 SURF 高维尺度空间，并具有高维的特征向 量，比哈里斯更好的鲁棒性。因为角的位置信息进 行匹配的过程中，我们选择的 Harris 角点作为本文 的探测器。. B.Harris 角检测器 Harris 角点检测是一种经典的角点检测算法由 哈里斯 C 和戴维斯在 1988 提出的。它是一个基于 信号的特征角点提取算子，假设窗口处理的图像， 分钟位移(u, v)移动在任何方向，然后灰度变化量可 以被定义为（4）: E(u, v) w(x, y)I (x u, y v) I (x, y) 2 x, y Au 2 2Cuv Bv2 图 5.对 Harris 角点检测的处理步骤 C.对车型识别中Harris的典型缺陷 R 的角落响应值，R 不是一个固定的阈值 T 可 以认为点是角点以上，否则就不是。固定阈值将在 模式识别一些问题. 1.不同车型之间的角点计数差异导致不匹配。如 图 6 所示，车辆有一个小角点，车辆有许多角点， 一个和相同型号，一个和乙与不同型号。在这种情 况下，一个与乙方之间的角点匹配成功的次数比在 一个或多个点之间进行匹配，因此我们得出结论， 一个和二者有相同的模型，车辆模型识别的一个是 失败. (a)A和 B 有 22 处相似的角点 (b)A和 B 有 20 处相似的角点 A M u C s vM u v T (4) 图6.不同车型之间的角点差异导致不匹配 C B A X 2 w , 灰度图 一阶导 数 高斯模 糊 非最大 抑制 阈值比 较 响应值 相关矩 阵 B Y 2 w , C ( XY ) w , w(x,y) Harris 的特征定义为局部最大值，其响应函数： CRF M K (traceM ) 2 M 12 tr(M ) 1 2 （5） 作为一个固定的常数，K 是一般在 0.040.06。A 点 的 CRF 更加阀值 T，是一个角。Harris 角点检测算 子需要设定的参数 K 和 T的参数选择的随意性会影 响最终的测试结果明显。算法流程如图5所示. 2.不同光照条件下角点计数的差异导致不匹配。 如图 7，车辆 D 和 F 在不同的光照条件下相同的型号， 有相同的光照条件下不同型号。由于对照明 Harris 角 点自适应性不好，角点在良好光线条件下较于不好的 光照条件下更大。D 和 E之间的匹配角点的数量是比 成功在这种情况下的 D 和 F 之间的多。因此，我们 的结论是，D 和 E具有相同的模型中，D 车型识别是 失败的。 . w h 0 软件学报，8 卷，8 号，8 月20 日 (c) D 和 E 有 14个相似的角点 (d) D 和 F有 11个相似的角点 图7.的角点在不同的光照条件下的模型会导致不匹配的差异 如图 6 和 7 所示，为车辆模型的识别效果经典 Harris 角检测器算法是不好的。的关键原因是，角 落点的数目是很难控制。有在不同的模型或在不同 的环境检测之间的角点的数目有很大的差距，所以 常常会导致不匹配。 D.自适应Harris算法 角点计数引起的不一致性的不一致性影响模型 的识别精度。角点的阈值应与响应值的总体分布和 变化范围有关。因此，我们采取的平均响应和变化 范围加权总和作为最终的自适应阈值，具体 (6): threshold 1 ( f (x, y) *max( f (x, y) min( f (x, y) w h x1 y 1 (a) (b) 由专人 60 角点 (c) 固定阈值 (d) 自适应阈值 图 8.使用固定阈值和自适应阈值的比较形象 在不同的模型中（6），角点的计数的计算之 后往往是在不同的环境中是一致的，但不完全。 排序角响应值以便提高精度执行: 1.按其响应值排序角。强大的角落前面，薄弱角 落。 2.设置一个固定参数，它表示角点的期望输出 数。它通常比预期的最小数目少。 自适应算法流程如图 9所示. f (x, y) r(x, y) r(x, y) t r(x, y) t r(x, y) (M ) tr(M )2 (6) 其中，R（X，y）表示坐标（x，y）的的响应值。t 预设的小经验门槛. 自适应阈值由平均值和候选角，这反映在图像 作为一个整体的强度变化的变化范围决定。如果目 标车辆模型具有单一纹理细节或在光线不足的条件 下，图像的梯度小，相对响应值低，则自适应阈值也 被减小，而且还能够确保的输出的角一定点数。与此 相反，自适应阈值也高，并且可以限制过度角. 如图 8 所示，图中的角点“计数为 60 分。 图。 图 9. 自适应处理步骤 灰度图 一阶导数 高斯模糊 相关矩阵 响应值 非最大抑制 自适应阈值判断 分类角 输出前角点 8（b）是角图像使用固定阈值，并且图 8（c）的角 图像使用（3）。我们可以看到，自适应哈里斯门 槛具有更高的准确性。自适应阈值，可避免阈值的 设定，保证在同一时间的检测精度. 自适应 Harris 算法避免了模型和模型和环境之 间的差异会影响识别的准确性。如示于图 10（同一 车辆如图 6），车辆 A，B 和 C 都已经 15 角落，车 辆 A 和 B 有 5 个角点和 A 和 C 有 13 个角点，我们 得出结论：一个用 C 比 A 更相似乙。 软件学报，8 卷，8 号，8 月20 日 (a)D和 E 有 14 个类似的角点 (b)D和 F 有 11个类似的角点 图 10.型号识别车辆 D 自适应阈值可以通过设置吨和 被保证在一定 程度上有一定量的角点。角落里的点数车辆模型的 识别精度的影响。很少有功能的角落产生错误匹配 容易，功能更增加了转角计算量。完善的质量足以 反映该机型的特点，同时也避免了“假的角落”。 图。 11 是关于车辆模型精度下，不同数量的哈里 斯，SURF 检测角点的统计分析，并分别 SIFT 算法。 的结果表明，当角点 100-150（T =15，= 0.05）的 识别精度的范围内的数目是相对稳定的。当角点 130，Harris 算法模型达到最高的识别准确率高达 99。 如图 12 所示，利用数据库匹配来计算模型的 相似性，其优点是简单、易于维护和升级。其缺点 是在大数据库的情况下，计算是非常耗时的，不能 满足实时性要求。 图 12.车辆模型识别算法的过程 A.算法的并行化 并行化的算法包括并行自适应算法和最大相关 算法。这 2 种算法都是计算密集型的，非常适合并 行加速。我分析了这两种算法的处理流程认真，无 关紧要的环和矩阵运算传输到 GPU 的处理、信号 的传输和 CPU 的逻辑处理。 样本图像被压缩到 200X200 的大小。角点检 测的每个计算和角匹配量不是太大。此外，GPU 和 CPU 开销之间的通信是大的，和并行算法的加速不 是很高。. 表一. 自适应 Harris 并行化 1100 1050 Harris SIFT SURF 1000 950 900 850 800 50100150200250 特征角点数量 图11。角点对车辆识别精度的影响 四、GPU / CPU 协同计算 车辆模型识别方法包括感兴趣区域定位、角点 检测和角点匹配。角点检测采用自适应算法，和角 点匹配使用最大相关算法（最大相关）。 B. 标准数量 1091/1096 算法 步骤 可平行化的 (Y/N) 自适应Harris 1.灰度 Y 2.梯度 Y 3.高斯模糊 Y 4 相关矩阵 Y 5.响应 Y 6.非最大抑制 Y 7.自适应阈值 N 9.分类角 N 最大相关 8. 计算相关矩阵 Y 9.搜索匹配角 Y 10. 匹配角的计算 Y ROI 位置自适应检测角 最大相关匹配角 C.工作流并行化 对于整个车辆的识别方法，由于角点检测在 整个过程中只称一次，加速度对整个模型的贡献 是有限的。最大相关算法被称为每一个匹配过程， 但算法本身的计算量小。因此，它不是整个方法 效率的瓶颈。在数据传输过程中，大部分的识别 耗时耗，加速效率不高.。 车辆图像 使用自适应 Harris 检 测角 软件学报，8 卷，8 号，8 月20 日 因为每一个角点匹配过程是独立的，对不同车 型的匹配可以被并行化。我们选择了 NVIDIA 的 CUDA 平台，采用优化方法如下： 1.加载数据集的第一特征，一些常数高斯系数分 别加载到GPU 的常量寄存器。 2.将特征数据库的数目设置为线程块，在一个线 程块中设置一个线程数。 在图 13中实现了工作流的并行化。 . 图13.车辆模型识别的并行模型框架 五、实验结果与分析 A.数据集描述和实验环境 数据集来自“JT-G 绿色通道检测系统”对广西 “全黄”高速收费站。数据集包括 6 类标志，12 车 型和 1096 正面和侧面与 3-20 公里/小时的速度通过 设备的速度图像。受传感器的敏感性和车辆的匀速 行驶，车辆的距离和角度可能会有轻微的偏差。样 品也包含不同的照明条件，如阳光充足，多云，和 晚上。实验环境如下: 1.计算机 ：Intel Core i5-24003.10GHz x4, 4GB 内存, win7 sp1 x64 操作系统。 2.显卡：NVIDIA Tesla c2075，CUDA V4.2。 匹配角 匹配角 匹配角 匹配角 N1 N2 N3 Nn 通用的最佳模型 识别模型 车辆特征 1 车辆特征 2 车辆特征 3 车辆特征 N 块 1 块 2 块 3 块 N N = arg MaxN1,N2,N3, ,Nn 图 14.高速公路绿色通道检测系统 B.识别精度 经典形象“莱娜”的角点检测以验证基于 GPU/CPU 协同计算的自适应算法的精度。比较结果 如图15所示。 我们可以看到，双角图像几乎是相同的，这证 明了算法的准确性。值得注意的是，这2 个角落的 图像是不一样的。这是因为流动计算精度的CPU 和 GPU 之间的矛盾。它导致的计算结果有一个小的偏 差。 . (a)中央处理器版本算法的角像 (b)GPU / CPU 版本算法角点的图像 图15.效果比较 CPU和 GPU / CPU 版本的算法版本 车型识别具有多种特征提取方法，本文比较了 灰度共生矩阵，Phash，DCT，冲浪，SIFT 和哈里斯， 结果见表二。 软件学 报，8 卷，8 号，8 月20 日 表二. 8 特征提取方法的车辆模型识别 表四. 车辆模型识别基于 GPU/ CPU 协同计算速度 平行量 CPU/msCPU+GPU/ms 加速比 自适应 Harris 31.12.910.7 最大相关 4.02.61.5 整个方法 4071.570.158.1 自适应 Harris 达到 99的准确率。 SIFT，SURF 和 Harris 的角落探测器自适应阈值都达到了很高的 准确率，Harris 算法的自适应角落的精度最高。 C.识别时间 加速涉及的算法的计算复杂度，数据量，IO 频率， GPU 硬件性能和软件版本。表三是不同图像尺寸下 的并行 Harris 算法的加速效果。可以看出，数据量 越大处理时，更高的加速度效率。 表三. 加速比并行算法 尺 寸 (x2) CPU(ms)GPU(ms) 加速比 100 200231.42.910.8 300254.45.410.1 400280.27.910.2 5002118.99.812.1 6002184.915.012.3 7002251.920.012.6 8002332.827.112.2 9002398.430.013.3 10002498.238.013.1 表四是整个车辆模型识别方法的并行加速情况。 由于数据处理量小，加速方法仅基于自适应算法和 最大相关的并行加速不高。他们的加速度对整个模 型识别方法的贡献是有限的。任务并行加速效果是 最明显的，和整个车辆识别的加速是58X。 六、结论 一种汽车模型识别和 CPU/GPU 协同计算给出了 高精度的方法，这种识别方法具有较高的识别精度 和较好的鲁棒性。GPU / CPU 协同计算是用来加速 的方法，满足实时性的要求。 致谢 这项工作由中国国家自然科学基金合同得到支 持号61105004和61172053，合同号 2012GXNSFAA053230 根据中国的广西，计划在广 西高等学校（优秀人才201140 自然科学基金）， 广西研究生教育创新工程合同号 YCSZ2012073 和 2011105950811M24。 参考文献： 1 杜 H. Y.“用Matlab BP 算法的实现基于车辆类型 识别”，计算机与现代化，第 5卷，第20-页， 2012 年10 月。 2 W. X，康，曹 X. T.，盛 Z 等人，“Harris 角过 筛车辆的特征和类型识别”杂志科技，哈尔滨 理工大学学报第一 卷 ,17 章，第 69-53 页， 2012年 9 月。 3 V. Petrovic，T. Cootes，“刚性结构的车辆类型 识 别的特征分析，“英国机器视觉会议，2卷， 587596页，2004。 4 H. S. maemoto，S. Okuma, Y Yano, “用知识获取 系统参数的车辆识别”IEEE 系统国际会议， 人与控制论，4 卷，39823987页，2004。 5 J.Ma，J. J.He，L. SHI，“汽车局域网和车辆识 别 特征提取”工业控制计算机，第一卷。 8，72- 74页，2012年 10月。 6 H.Lee，“神经网络的方法来识别车辆型号”进 展 神经网络，ISNN，66-72页，2006。 7 A. psyllos，阿纳格诺斯托普洛斯 C N，E 特征提取方法 准确性/ GLCM62.3 PHash80.0 DCT89.9 SURF78.0 SIFT52.0 Harris95.1 SURF(自适应) 92.1 SIFT(自适应) 98.1 Harris自适应) 99.5 kayafas，“从正面图像测量的车辆识别模 型” 计算机标准和接口，33卷，142151 页， 二月 2011。 8 C.哈里斯和 M. J. satephens。“联合角落 边缘检 测器”，阿尔维视觉会议，曼彻斯特，147 152 页，1986。 9 F. S. Lu, J. Q. Song, F. K. Yin, et, al“ 调查的 CPU/GPU 协同并行计算”，计算机科学，38 卷，59 页，2011。 10 C. Shuai, M Boyer, Y. M
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号