ETC系统中的车辆定位识别技术研究

汪毅

摘 要：对于车辆的定位识别技术，本文首先对车辆进行定位，采用了车侧的边缘检测和提色块法，对车辆在整张图片中的位置进行定位。所做的工作如下：将摄像头拍摄的图像转化为灰度图，使用提色块法，提取车辆的颜色。主要目的是去掉车辆的阴影部分，提取出车辆的真实图像范围。

关键词：车辆定位技术 边缘检测算法 提色块算法 提阴影算法

中图分类号：U495 文献标识码：A 文章编号：1672-3791（2018）03（a）-0000-00

车型的识别虽有多年的发展史，但到目前为止，这仍是一个难题，原因在于：（1）车辆在新旧程度不同时，颜色鲜艳程度、光亮程度各不相同，而且车辆可能由于通过收费站时车速太快，使得摄像头所拍摄的车型数据不准确；（2）摄像头放置的位置，环境影响和周围物体对车辆的遮挡也会给车型识别带来影响；（3）背景图像的持续变化以及光照条件、天气季节变化等因素也会给识别造成影响。因此车辆识别技术还是不够完美，需要我们寻求一些方法，以提高识别的准确性。

1 车辆定位信息提取

正是由于此种原因，车辆的定位技术应运而生，如果在识别车辆之前，能够对车辆的位置进行定位，对于我们的研究工作是非常有益的，实现车辆的定位应注意一些特征值的提取。

1.1 反射信息提取

反射信息提取指的是在图像中将反射光的像素点提取出来，利用车辆的反光特性显示出车的位置。因为当光照射在立体上时，立体的各个面对光线的反射性各不相同，一般来说反射性最差的像素点位于目标的边缘部位，由于没有反射光，因此摄像头也很难摄入这样的区域。只有使用软件的方法对它进行提取，采用灰度图法可将其凸显出来，方法是先对彩色图像取灰度图，再将其转化为黑白图像，在显示为完美图像的二值化过程中要反复经过测试选取合适的阙值[2]。

1.2 颜色信息提取

颜色信息提取是将色彩变化的区域从整张图像中提取出来，这样的区域一般都出现在图像的边缘地带。通过检测色变的区域，可以帮助我们定位目标。在检测时，算法一定要非常精确。适用于色彩信息的检测及提取的模型较多，这其中使用得最多的还是RGB色彩。根据前面所说，我们要提取边缘部分，信息识别没有那么准确，比如要识别车辆部分，有可能将一部分道路表面的色变信息也识别进来，从而拓宽了车辆的宽度，使得识别结果不准确。因此，色变边缘信息提取只能被组合起来使用才有效。在我们知道车辆颜色的情况下进行识别较为方便，我们可以将车辆的颜色信息作为检测条件来找出车辆区域。可与前面的反射光信息提取法组合起来用，但它有其独特的使用条件，不是在什么条件下都可以适用的。我们的使用条件通常是在弱反射光条件下，在强光下的检测结果误差较大。提取弱反射光信息是很有效的，可在整个图像中用于识别所指定车辆的大致位置。因此，我们可以将色块提取方法与弱反射光提取法结合起来使用。具体的操作步骤是：先使用弱反射光提取法，找到一个车辆可能处在的大致区域范围，然后再在这个区域中进行色度的检测，以我们所预知的汽车颜色为基础，找到这样的色块区域，最后将我们所检测到的两个区域重叠合成，一起构成完

整的图像，就完成了第二次图像定位，这就是我们所要的结果。

2 车辆定位技术

定位的内容包括对车辆位置的定位和特征值的选取区域定位。简而言之，也就是对车的侧面和车窗部分进行定位。不管是对车辆目标的定位还是对特征值的定位，其原理都是一样的，都是使用水平和垂直图像分割的图像投影数据进行分析，并寻找出定位的矩形区域。定位处理和信息提取过程还是没有完全分离开来，完成最初的定位处理后还需要精益求精，从定位信息中求出最精确的定位位置。定位的精度在很大程度上取决于准确的分割阈值，并可

以根据拍摄距离设置参数自动调整分割阈值。

2.1 车侧定位算法

对于车辆边缘的定位算法主要有两种方法：提取色块法和提取阴影法。

2.2.1 提色块算法

提色块算法在我们的设计应用中非常有效，对于颜色较浅的车辆在深色背景中的定位尤为准确。这种算法的识别误差较小，在周围没有图像噪声存在的情况下，识别率可以达到100%。而也会存在着差分图识别不出来的情况，一般是浅色车辆遇到浅色背景。比如说当白色汽车停在道路上，会受到路面上的白线影响，使得识别时将白线也作为车体的一部分，将两者混为一谈，不能得到正确的定位，显示出来的车辆形状不是真实的车型。此效果图可

见于图1。

这样的问题我们当然要解决，解决方法是对算法做一些改进。它的总体思路是：从颜色信息中提取出一个二值化后的矩形区域。在车体和白线之间，显然车体占的位置较大，并且是连接在一起的，而白线是分隔开的。根据此种情况，我们在矩形区域中取一个中心点，由于车体面积较白线面积要大，因此这个点通常在车体的内部。以这个中心点为起点开始向左扫描，当遇到白色像素点时就沿着水平方向继续向左扫描，当遇见一个黑色像素点时就停下来，则该点为车的左侧区域。然后用同样的方法，从中心点向右开始水平方向扫描，以期找到该车的右侧区域。在前面所提到的提色块算法中，车辆的宽度信息测量起来是测不准的。使用我们这种改良后的算法，就可以很精确地定位车辆宽度了。当然我們也可以使用这种方法来对车长进行定位，但由于车窗的颜色与车体不同，会给车长定位带来不便。因此，这种

算法仅仅只适用于定位车宽。

分析上面的算法，最重要的是找到矩形区域内的开始扫描点。扫描时如果遇到黑色像素，算法就结束。当在白色的车体区域内存在着星星点点的黑色像素，就会使检测不准确。为了避免这种情况，可以在测试范围内取多个扫描点，以降低随机性对结果的影响。通常我们取9行3列的点阵形成27个交叉点，以这27个交叉点为基准进行扫描。在这种方式中，它是由左到右，自下而上的对27个扫描点进行扫描，得到27个车宽值，取其中最宽的一个即为车体的宽度。

使用这种算法，即使在白色车辆受到道路交通白线影响的情况下，也可以大大改善对车身宽度的正确定位，最终识别结果如图2所示。

图1 提色块法定位车侧效果图 图2 改进算法定位车宽

应该指出的问题，即使算法在改进后还是存在着不足，比如说前面就提到过，对于车长的定位，这种方法就不适合。如果存在大型白色车辆，由于其车身较宽，有可能被成块的黑色区域所间隔开来，在这种情况下，对车宽的定位就不准确。因此，改进后的算法还需要与其他比较好的定位算法结合起来一起使用。

提色块算法使用车辆的颜色进行分割，而与阴影信息关系不是很大。因此可以利用提色块法确定车侧的阴影，由于阴影信息与车体颜色完全无关，因此两者之间也没有干扰，容易得出正确的结果。本文根据车体在矩形区域范围内所处的位置来判断有没有阴影部分，若是有阴影就判断出阴影部分的大小和它与车体所处的相对位置，并将阴影部分添加到图像中。2.2.2 提阴影算法

当汽车一侧的位置不符合上述改进的提色块算法时，就需要使用到提阴影算法了。提阴影算法就是试图找到阴影区域，在色块区域内加入阴影信息。它首先判断是否有阴影，如果有阴影，则根据阴影信息来判断汽车的一侧，然后利用边缘信息得到车辆一侧的信息。如果不存在阴影部分，就仅仅使用车辆的边缘信息对其进行定位。

使用阴影信息来定位车侧是利用阴影相应的特征，光线被物体所阻隔就产生了阴影。在我们的系统中，当车辆停在道路上时，阳光照射在上面，光线被汽车阻隔的部分就是这里我们所研究的阴影部分。

3 总结

图像的边缘部分对于图像来说是非常特殊的，它是目标与周围环境直接接触的部分，两者之间的灰度值也不太一样。目标物体与周围的环境背景之间存在着大量的边缘部分，我们要将两者分割开来。这两者之间的边缘部分灰度值是随着位置的不同而不断变化的。一个比较好的边缘检测方法是提取每一个点在背景图像中的灰度变化值，然后采用一阶或二阶取导的方法使两者之间的边缘灰度差异更小，这种非常简单的方法就是边缘检测算子法。我们可以量化每一个点的灰度变化率，得出整张图像的边缘信息。

参考文献

[1] 赵荣椿.数字图像处理导论[M].西北工业大学出版社，2004

[2] 王郑耀.数字图像的边缘檢测[M].电子工业出版社，2006

[3] 王超.基于激光扫描仪的ETC系统设计与实现[D].华南理工大学，2016.

[4] 吕博云.数字图像处理技术及应用研究[J].科技与创新，2018（02）：146-147.