一種車輛識別系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種車輛識別系統(tǒng)，包括圖像采集模塊、與圖像采集模塊連接的圖像處理模塊，所述圖像處理模塊包括依次連接的：用于提取樣本車輛圖像Gabor特征的樣本車輛Gabor特征提取模塊，用于提取待測車輛圖像Gabor特征的待測車輛Gabor特征提取模塊，用于計算待測車輛圖像Gabor特征在樣本車輛圖像特征字典上的系數(shù)向量的稀疏系數(shù)求解模塊，用于判別待測車輛類別的待測車輛類別判定模塊，所述樣本車輛圖像特征字典預先存儲在圖像處理模塊的存儲器中。本發(fā)明采用DSP和ARM，對待測車輛所屬類別進行判別，并將結(jié)果傳輸給遠程PC機，具有較高的準確率，能夠滿足車輛識別的需要。
【專利說明】一種車輛識別系統(tǒng)

【技術領域】
[0001] 本發(fā)明涉及一種智能交通系統(tǒng)中對車輛進行類別判定的車輛識別系統(tǒng)，特別是涉 及一種基于DSP和ARM的車輛識別系統(tǒng)，屬于車輛識別【技術領域】。

【背景技術】
[0002] 近年來，隨著國民經(jīng)濟的迅速發(fā)展和人們生活水平的不斷提高，機動車輛快速 增長，交通堵塞和交通事故頻繁發(fā)生，交通問題日益嚴峻。為提高交通系統(tǒng)運行的有 序性和可靠性，實現(xiàn)交通運輸服務的智能化監(jiān)控和管理，智能交通系統(tǒng)（Intelligent Transportation System, ITS)顯得尤為重要，它已經(jīng)成為當前交通領域的前沿技術之一。
[0003] 目前主要的車輛識別方法是通過在要檢測的路段預先埋下壓電傳感材料，當車輛 經(jīng)過時，壓電材料產(chǎn)生同承重壓力成正比的電量，根據(jù)電量的大小和產(chǎn)生的次數(shù)可以得到 車輛載重量和輪軸數(shù)等，通過模版匹配的方法可以確定車型，但是該方法埋置傳感器軟化 了路面，路面較容易受損，其次傳感器響應結(jié)果易受周圍環(huán)境和繁忙交通的影響，而且壓電 傳感器壽面有限，一般為兩年，更換傳感器需要破壞交通路面后重新鋪設，要花費較高的代 價，這些都給傳統(tǒng)的車輛識別方法帶來了極大地挑戰(zhàn)。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術問題是：提供一種費用低、使用壽命長的車輛識別系統(tǒng)。
[0005] 本發(fā)明為解決上述技術問題采用以下技術方案：
[0006] -種車輛識別系統(tǒng)，包括圖像采集模塊、與圖像采集模塊連接的圖像處理模塊，所 述圖像處理模塊包括依次連接的：用于提取各個類別的樣本車輛圖像Gabor特征的樣本車 輛Gabor特征提取模塊，用于提取待測車輛圖像Gabor特征的待測車輛Gabor特征提取模 塊，用于計算待測車輛圖像Gabor特征在樣本車輛圖像特征字典上的系數(shù)向量的稀疏系數(shù) 求解模塊，用于判別待測車輛類別的待測車輛類別判定模塊；所述樣本車輛圖像特征字典 預先存儲在圖像處理模塊的存儲器中，且樣本車輛圖像特征字典的構(gòu)建方法如下：將每幅 樣本車輛圖像的Gabor特征圖像的像素矩陣按列拉伸，組成一維向量，將各個類別的樣本 車輛圖像的Gabor特征組成矩陣形成各個類別樣本車輛圖像的初始特征字典，將各個類別 的初始特征字典合并得到樣本車輛圖像的初始特征字典，歸一化初始特征字典得到新的特 征字典矩陣，計算新的特征字典矩陣的協(xié)方差矩陣，計算協(xié)方差矩陣的特征值和特征向量， 特征向量按對應的特征值由大到小排列，并取前1〇〇列特征向量得到線性變換矩陣，將線 性變換矩陣的轉(zhuǎn)置矩陣乘以初始特征字典得到樣本車輛圖像的特征字典。
[0007] 優(yōu)選的，所述圖像采集模塊包括攝像頭，所述攝像頭固定于車道上方，用于采集車 輛的車頭正面圖像。
[0008] 優(yōu)選的，所述圖像處理模塊還包括模數(shù)轉(zhuǎn)換器、DSP處理器，所述模數(shù)轉(zhuǎn)換器用于 將攝像頭采集的圖像模擬信號轉(zhuǎn)換為數(shù)字信號，所述DSP處理器用于處理模數(shù)轉(zhuǎn)換器傳輸 來的數(shù)字信號。
[0009] 進一步的，還包括電源、ARM處理器、網(wǎng)口、無線傳輸模塊、PC機，所述ARM處理器通 過網(wǎng)口與DSP處理器連接，所述PC機通過所述無線傳輸模塊與ARM處理器連接，所述電源 模塊給攝像頭、模數(shù)轉(zhuǎn)換器、DSP處理器、ARM處理器供電。
[0010] 優(yōu)選的，所述計算待測車輛圖像Gabor特征在樣本車輛圖像特征字典上的系數(shù)向 量的方法為正交匹配追蹤算法。
[0011] 優(yōu)選的，所述Gabor特征的提取方法如下：利用快速傅里葉變換以及傅里葉反變 換計算Gabor小波核函數(shù)與相應的車輛圖像的卷積結(jié)果，將其作為相應的車輛圖像的局部 紋理特征，將相應的車輛圖像的局部紋理特征的幅值作為相應的車輛圖像的Gabor特征。
[0012] 本發(fā)明采用以上技術方案與現(xiàn)有技術相比，具有以下技術效果：
[0013] 1、本發(fā)明一種車輛識別系統(tǒng)采用DSP和ARM，對待測車輛所屬類別進行判別，并將 結(jié)果傳輸給遠程PC機，具有較高的準確率，能夠滿足車輛識別的需要。
[0014] 2、本發(fā)明一種車輛識別系統(tǒng)結(jié)構(gòu)簡單，花費較低，不會對路面造成損害，而且使用 壽命較長。

【專利附圖】

【附圖說明】
[0015] 圖1是本發(fā)明車輛識別系統(tǒng)的原理圖。
[0016] 圖2是本發(fā)明車輛識別系統(tǒng)的系統(tǒng)辨識模塊框圖。
[0017] 圖3是本發(fā)明車輛識別系統(tǒng)的車輛識別方法流程圖。
[0018] 圖4是本發(fā)明車輛識別系統(tǒng)的車輛圖像采集示意圖。
[0019] 圖5是本發(fā)明車輛識別系統(tǒng)的初始特征字典降維方法流程圖。
[0020] 圖6是本發(fā)明車輛識別系統(tǒng)的稀疏系數(shù)求解方法流程圖。

【具體實施方式】
[0021] 下面詳細描述本發(fā)明的實施方式，所述實施方式的示例在附圖中示出，其中自始 至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參 考附圖描述的實施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。
[0022] 如圖1、圖2所示，一種車輛識別系統(tǒng)包括攝像頭、模數(shù)轉(zhuǎn)換器、DSP處理器、網(wǎng)口、 電源模塊、ARM處理器、無線傳輸模塊、PC機，所述攝像頭固定于車道上方，用于采集車輛 的車頭正面圖像，所述模數(shù)轉(zhuǎn)換器用于將攝像頭采集的圖像模擬信號轉(zhuǎn)換為數(shù)字信號，且 模數(shù)轉(zhuǎn)換器的型號為SAA7115,所述DSP處理器用于處理模數(shù)轉(zhuǎn)換器傳輸來的數(shù)字信號，且 DSP處理器的型號為TMS320DM642,所述ARM處理器通過網(wǎng)口與DSP處理器連接，且ARM處 理器的型號為S3C2440,所述PC機通過所述無線傳輸模塊與ARM處理器連接，所述電源模塊 給攝像頭、模數(shù)轉(zhuǎn)換器、DSP處理器、ARM處理器供電，所述DSP處理器包括：用于提取樣本 車輛圖像Gabor特征的樣本車輛Gabor特征提取模塊，用于建立樣本車輛圖像特征字典的 樣本車輛特征字典構(gòu)建模塊，用于提取待測車輛圖像Gabor特征的待測車輛Gabor特征提 取模塊，用于計算待測車輛圖像Gabor特征在樣本車輛圖像特征字典上的系數(shù)向量的稀疏 系數(shù)求解模塊，用于判別待測車輛類別的待測車輛類別判定模塊。
[0023] 如圖3所示，為本發(fā)明車輛識別系統(tǒng)的車輛識別方法流程圖，利用安裝在車道上 方的攝像頭采集車輛圖像，攝像頭與地面的垂直距離為5米，攝像頭拍攝視線與地面所成 夾角為30度時拍攝效果最佳（如圖4所示），車輛圖像分為樣本車輛圖像與待測車輛圖像， 通過2D-Gabor濾波器提取樣本車輛圖像的Gabor特征，構(gòu)建稀疏表示所需的特征字典，并 對其進行降維處理，其次通過相同的2D-Gabor濾波器提取待測車輛圖像的Gabor特征并 進行降維處理，根據(jù)正交匹配追蹤算法求解降維后待測車輛圖像的Gabor特征在所構(gòu)建特 征字典上的稀疏系數(shù)，最后根據(jù)重構(gòu)殘差的方法判別待測車輛的所屬類別，將識別結(jié)果通 過顯示器來表示。降維方法除了主成分分析法，還有其他方法，例如線性判別分析、多維尺 度分析、拉普拉斯特征映射等等，這里使用主成分分析法的優(yōu)點是該方法理論完善、概念簡 單、計算方便，具有最優(yōu)線性重構(gòu)誤差。
[0024] 步驟1、對樣本車輛圖像進行Gabor特征提取。
[0025] 選取4類樣本車輛圖像：公共汽車、長途客車、小轎車、卡車，每類樣本車輛選取10 輛不同的車，分別采集其車頭圖像作為其樣本圖像，并將每幅樣本圖像旋轉(zhuǎn)-5°、0°、+5° 來模擬道路不平造成的車輛角度差異，因此樣本車輛圖像的總數(shù)q = 4X3X 10 = 120個。
[0026] 由于樣本車輛圖像的原始圖像為彩色圖像，采用原始圖像計算數(shù)據(jù)量較大，為了 縮小計算數(shù)據(jù)量，因此需要將樣本車輛圖像轉(zhuǎn)換為灰度圖，根據(jù)加權平均法對樣本車輛圖 像灰度化，得到第i類第j個樣本車輛圖像的灰度值IuOn，η)，
[0027] Ii;』（m，η) = 0· 301^，』（m，η)+0· 59Gi;』（m，η)+0· llBi，』（m，η)，
[0028] 其中，i，j表示第i類車輛中第j幅樣本（i = 1，2,…，4, j = 1，2,…，30)，m， n分別為樣本車輛圖像像素的橫、縱坐標，&>，n)為第i類第j個樣本車輛圖像第m行第 η列像素的紅色分量，Gy (m，η)為第i類第j個樣本車輛圖像第m行第η列像素的綠色分 量，By (m，η)為第i類第j個樣本車輛圖像第m行第η列像素的藍色分量。
[0029] 接著，利用2D-Gabor濾波器提取樣本車輛圖像的局部紋理特征Mv， u(z)，即采 用二維Gabor小波模仿視覺皮層細胞的濾波響應，描述圖像的空間域和頻率域的局部化 特性，M u，v (z) = I (z)*Wu，v (z)，其中，z = (m, η)是矢量，表示第m行第η列像素的坐 標，Ι(ζ)表示樣本車輛圖像的灰度值，*表示卷積運算，Ψ"，ν(ζ)為Gabor小波核函數(shù)， ψ?,ν(ζ) = ^-?βχΡ -卜! ￥丨 x exp(ifz)-exp(-^-)，其中，| | | | 表示歐幾里得范數(shù)， (7 Z(J L (k οο^φΛ k= r . ，kv = kmaxfv，kmax為最大的米樣頻率，u、V分別表不Gabor小波的方向和 V Kv Sm Ψη J 尺度因子，且u、v為整數(shù)，采用5個尺度，S卩V =〇，1，…，4,8個方向，即ιι = 0，1，···，7， __ +1 〇為高斯窗口的寬度與正弦波的波長的比率，σ = -),其中Φ是Gabor濾 2Ψ -1 波器的半峰帶寬，在樣本車輛圖像的局部紋理特征提取時，令Φ = 1，則σ = π，并設 定kmax = π/2, % =τγμ/8，f ν = 2,通過快速傅里葉變換和卷積定理得到，F(xiàn){MU，v (m, η)} =F{WU，ν (m, η)} XF{I (m, η)},通過傅里葉反變換求解 Mu，ν (m, η)得，Mu，ν (m, η)= Γ1 {F{WU，v (m, n)} XF{I (m, η)}}，再根據(jù)幅值計算公式，求得卷積結(jié)果Mu，v (m, n)的幅 值 GUj(m,n), Gi:v (/;?,/?) = ^Rc(,^/ir(/；2,/7))2 + ,.(/?,/?))2 ,其中，Re (Mu，v (m, n))為 Mu，v (m, n)的實部，Im(Mu，v (m, n))為Mu，v (m, n)的虛部，將計算到的幅值信息{Gu，v (m, n) ; v =0, 1，· · ·，4, u = 0, 1，· · ·，7}作為樣本車輛圖像的Gabor特征。
[0030] 步驟2、建立樣本車輛圖像特征字典。
[0031] 2. 1建立初始特征字典
[0032] 經(jīng)過灰度化后每幅樣本車輛圖像的尺寸為320X240維，每幅樣本車輛圖像經(jīng)過 2D-Gabor濾波器在5個尺度8個方向上進行特征提取后得到40個Gabor特征，將40幅 Gabor特征圖像的像素矩陣按列拉伸，組成一個長度為40X320X240的一維列向量，并將 第i類的30幅樣本車輛圖像的Gabor特征組成矩陣的形式，即
[0033] β, =[S,. ,,5, ,,...,5,....5, ,, ]e ,
[0034] 其中，叫表示第i類車輛樣本的總數(shù)叫=30，（i = 1, 2, . . . , 4)，p = 40 X 320 X 240,表示一維列向量的行數(shù)，Si;j表示第i類樣本中第j個樣本（i = 1，2,. . .，4， j = 1，2, ...，30)，其是由該樣本的40幅Gabor特征圖像經(jīng)過按列拉伸獲得的一維列向量， 該列向量為40X320X240維的列向量。
[0035] 其次，將所有的樣本字典&集合在一起，構(gòu)成樣本車輛圖像的初始Gabor特征字 典矩陣B，
[0036] B - [B1； . . . , Bj, ..., B4] - [S1；1, ..., S1；30, S2；1, . . . , S2；30, S3；1, . . . . Si；J·, . . . S3；30, S4 ，1，· · ·，S4,30]，
[0037] 其中，Si:j表示第i類第j個樣本車輛圖像，樣本車輛圖像共有4類，每類各有30 個樣本車輛圖像，樣本總數(shù)為q，q = 120。
[0038] 2. 2對初始特征字典進行降維處理，如圖5所示
[0039] 利用主成分分析法（PCA)對初始特征字典矩陣B降維，步驟如下：
[0040] 1)對初始特征字典矩陣B進行歸一化處理，計算得到新特征字典矩陣B'，B'=
[Si , 1) · · · ) Sj ，30，,1) · · · ) S2 ' 30，S3 ; 1) · · · · Sj ; j) · · · S3 ' 30，S4 ; 1) · · · ) S4 ' 30]， 其中，</=\廠^，瓦7為該列的均值，8，￡1?><<1， 1) = 40\320\240，樣本總數(shù)9=120;
[0041] 2)計算新特征字典矩陣B'的協(xié)方差矩陣Q，

【權利要求】
1. 一種車輛識別系統(tǒng)，其特征在于：包括圖像采集模塊、與圖像采集模塊連接的圖像 處理模塊，所述圖像處理模塊包括依次連接的：用于提取各個類別的樣本車輛圖像Gabor 特征的樣本車輛Gabor特征提取模塊，用于提取待測車輛圖像Gabor特征的待測車輛Gabor 特征提取模塊，用于計算待測車輛圖像Gabor特征在樣本車輛圖像特征字典上的系數(shù)向量 的稀疏系數(shù)求解模塊，用于判別待測車輛類別的待測車輛類別判定模塊；所述樣本車輛圖 像特征字典預先存儲在圖像處理模塊的存儲器中，且樣本車輛圖像特征字典的構(gòu)建方法如 下：將每幅樣本車輛圖像的Gabor特征圖像的像素矩陣按列拉伸，組成一維向量，將各個類 別的樣本車輛圖像的Gabor特征組成矩陣形成各個類別樣本車輛圖像的初始特征字典，將 各個類別的初始特征字典合并得到樣本車輛圖像的初始特征字典，歸一化初始特征字典得 到新的特征字典矩陣，計算新的特征字典矩陣的協(xié)方差矩陣，計算協(xié)方差矩陣的特征值和 特征向量，特征向量按對應的特征值由大到小排列，并取前100列特征向量得到線性變換 矩陣，將線性變換矩陣的轉(zhuǎn)置矩陣乘以初始特征字典得到樣本車輛圖像的特征字典。
2. 如權利要求1所述車輛識別系統(tǒng)，其特征在于：所述圖像采集模塊包括攝像頭，所述 攝像頭固定于車道上方，用于采集車輛的車頭正面圖像。
3. 如權利要求1所述車輛識別系統(tǒng)，其特征在于：所述圖像處理模塊還包括模數(shù)轉(zhuǎn)換 器、DSP處理器，所述模數(shù)轉(zhuǎn)換器用于將攝像頭采集的圖像模擬信號轉(zhuǎn)換為數(shù)字信號，所述 DSP處理器用于處理模數(shù)轉(zhuǎn)換器傳輸來的數(shù)字信號。
4. 如權利要求1-3任一項所述車輛識別系統(tǒng)，其特征在于：還包括電源、ARM處理器、網(wǎng) 口、無線傳輸模塊、PC機，所述ARM處理器通過網(wǎng)口與DSP處理器連接，所述PC機通過所述 無線傳輸模塊與ARM處理器連接，所述電源模塊給攝像頭、模數(shù)轉(zhuǎn)換器、DSP處理器、ARM處 理器供電。
5. 如權利要求1-3任一項所述車輛識別系統(tǒng)，其特征在于：所述計算待測車輛圖像 Gabor特征在樣本車輛圖像特征字典上的系數(shù)向量的方法為正交匹配追蹤算法。
6. 如權利要求1-3任一項所述車輛識別系統(tǒng)，其特征在于：所述Gabor特征的提取方 法如下：利用快速傅里葉變換以及傅里葉反變換計算Gabor小波核函數(shù)與相應的車輛圖像 的卷積結(jié)果，將其作為相應的車輛圖像的局部紋理特征，將相應的車輛圖像的局部紋理特 征的幅值作為相應的車輛圖像的Gabor特征。
【文檔編號】G06K9/60GK104102900SQ201410307301
【公開日】2014年10月15日 申請日期:2014年6月30日 優(yōu)先權日:2014年6月30日
【發(fā)明者】孫偉, 金炎, 張小瑞, 陳剛, 唐慧強, 張小娜, 孫仲, 周宏遠 申請人:南京信息工程大學