葉玉婷，王文鼐

　?。暇┼]電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003）

　　摘要：設(shè)計(jì)了一種基于側(cè)面輪廓的實(shí)時(shí)車型分類系統(tǒng)。該分類系統(tǒng)分為3個(gè)部分：側(cè)面輪廓處理、車型模板建立和實(shí)時(shí)車型匹配。輪廓處理部分介紹了一種用于實(shí)時(shí)測量移動車輛輪廓數(shù)據(jù)的采集儀器以及數(shù)據(jù)處理的方法。車型模板建立部分使用擬合算法構(gòu)建不同車型的模板。實(shí)時(shí)車型匹配部分則采用修正豪斯多夫距離作為距離算法，用于衡量待測車輛與模板間的匹配程度。該模式識別系統(tǒng)能夠完成準(zhǔn)確快速的車型分類。

　　關(guān)鍵詞：車型分類；修正豪斯多夫距離；模式識別；側(cè)面輪廓

0引言

　　智能交通系統(tǒng)（Intelligent Traffic System, ITS）是交通運(yùn)輸領(lǐng)域的前沿科技，廣泛應(yīng)用于交通運(yùn)輸管理、車輛調(diào)度系統(tǒng)和機(jī)動車自動控制系統(tǒng)。車型分類是ITS應(yīng)用領(lǐng)域中基本功能模塊和重要分支，是一門集計(jì)算機(jī)視覺、模式識別、工業(yè)測控技術(shù)、電子技術(shù)于一體的綜合技術(shù)，能夠自動、實(shí)時(shí)地對車型進(jìn)行識別和分類，為交通管理、收費(fèi)、調(diào)度和統(tǒng)計(jì)提供依據(jù)。

　　針對車型分類技術(shù)，國內(nèi)外學(xué)者提出了很多種方法。紅外探測法［1］是利用車道兩側(cè)的紅外陣列檢測器，運(yùn)用幾十甚至幾百對紅外收發(fā)裝置，根據(jù)車輛行駛經(jīng)過時(shí)不同部位對發(fā)射裝置的阻擋作用采集車輛側(cè)面幾何數(shù)據(jù)，與數(shù)據(jù)庫比較后判斷車型，實(shí)現(xiàn)分類。該方法原理簡單，但硬件系統(tǒng)復(fù)雜，成本較高。車牌識別法［23］從攝影圖像識別到車牌號，并檢索該車牌號得到相應(yīng)的車型，完成車型分類。該方法需要完整的車牌號庫，而且在車牌模糊或者車速過快的情況下容易造成誤判。參考文獻(xiàn)［46］利用高分辨率攝影機(jī)觀察車輛的運(yùn)動來估計(jì)車輛幾何形狀，通過特征點(diǎn)得到車輛輪廓。該方法對攝影機(jī)分辨率要求較高，且需要尺寸調(diào)節(jié)和角度校準(zhǔn)。參考文獻(xiàn)［7］設(shè)計(jì)了運(yùn)動物體的檢測、跟蹤、識別系統(tǒng)，用訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來識別運(yùn)動物是人、車還是干擾，而后識別車輛類型。

　　本文設(shè)計(jì)了一種基于側(cè)面輪廓的實(shí)時(shí)車型分類系統(tǒng)。該分類系統(tǒng)分為3個(gè)部分：側(cè)面輪廓處理、車型模板建立和實(shí)時(shí)車型分類。本設(shè)計(jì)中輪廓數(shù)據(jù)是由設(shè)備直接測量得到的，不同于從視頻數(shù)據(jù)提取輪廓的做法，該方法不需要多余的尺寸調(diào)節(jié)和角度校準(zhǔn)，復(fù)雜度低。車型模板建立是根據(jù)采集到的大量車型輪廓，分類擬合構(gòu)建模板，一種車型包括多個(gè)模板以提高車型分類的準(zhǔn)確性。實(shí)時(shí)車型分類是采用修正豪斯多夫距離（Modified Hausdorff Distance, MHD）計(jì)算模板和待分類車輛的距離，完成快速、實(shí)時(shí)的車型分類。

1側(cè)面輪廓處理

　　車型側(cè)面輪廓數(shù)據(jù)的處理包括兩個(gè)部分：輪廓測量儀器和側(cè)面輪廓數(shù)據(jù)處理。

　　1.1輪廓測量儀器

　　輪廓測量儀器的硬件組成示意圖如圖1所示。輪廓測量儀器由一個(gè)放置在龍門圖1輪廓測量儀器硬件組成示意圖架頂部的超聲波測距儀和一個(gè)放置在車道側(cè)面的微波測速儀組成。

　　該輪廓測量儀器的工作原理如下：當(dāng)車輛駛過輪廓測量儀器時(shí)，超聲波測距儀以某一固定時(shí)間間隔（通常為10~50 ms）周期性地向下發(fā)射超聲波，獲得多個(gè)采樣點(diǎn)，根據(jù)超聲波從發(fā)射到接收的往返時(shí)間能得到一組高度集，該高度集為龍門架頂部到車輛頂部的距離集，圖2所示為車輛駛過時(shí)的第一個(gè)、第二個(gè)和最后一個(gè)采樣點(diǎn)示意圖。圖2超聲波測距示意圖用龍門架的高度減去測量的高度集即可得到經(jīng)過車輛的側(cè)面高度集合。結(jié)合超聲波測距儀的采樣數(shù)量和微波測速儀測得的車輛的速度，即可得到側(cè)面寬度集合。將高度集合和寬度集合結(jié)合成為二維點(diǎn)集，用于表征駛經(jīng)車輛的側(cè)面輪廓。

　　該輪廓測量儀器成本低廉，性能穩(wěn)定，可移植好，可以移植到龍門架或者天橋底部，完成車型側(cè)面輪廓測量的功能。

　　1.2側(cè)面輪廓數(shù)據(jù)處理

　　實(shí)際試驗(yàn)中，采用龍門架高度h=550 cm；超聲波測距儀間隔t=40 ms=0.04 s。

　　輪廓測量儀器能夠測到以下數(shù)據(jù)：車輛速度v(m/s)；采樣點(diǎn)數(shù)n；龍門架到車頂?shù)牟蓸泳嚯x集合D={di |i∈{1,2, …,n}}(cm)。

　　由以上數(shù)據(jù)可計(jì)算得到車輛側(cè)面高度集合為：

　　Y = {yi | i∈{1,2, …, n}} (cm)(1)

　　其中， yi=h-di=550-di(cm)。

　　車輛側(cè)面寬度集合為：

　　X = {xi | i∈{1,2, …, n}} (cm)(2)

　　其中，xi=0.04 v(2i-1)(cm)。

　　結(jié)合高度集合和寬度集合得到的二維點(diǎn)集即為車輛側(cè)面輪廓數(shù)據(jù)：

　　P= {( xi, yi) | i∈{1,2, …, n}} (cm) (3)

　　圖3所示為車輛側(cè)面輪廓示意圖，圖中取采樣點(diǎn)數(shù)n=11。

2車型模板建立

　　公路交通部門依據(jù)機(jī)動車參數(shù)，包括車長、車高、承重軸數(shù)量、額定座位數(shù)或載質(zhì)量等指標(biāo)，將機(jī)動車分為6類：中小客車、大客車、小型貨車、中型貨車、大型貨車、特大型貨車。具體分類標(biāo)準(zhǔn)如表1所示。

　　輪廓測量儀器測得大量的車型側(cè)面輪廓數(shù)據(jù)并存儲在存儲器中，經(jīng)過篩選、擬合、訓(xùn)練等步驟構(gòu)建模板庫。一類車型可包括一個(gè)或者多個(gè)模板集，例如中小型客車可分為跑車模板、面包車模板、吉普車模板等。

3實(shí)時(shí)車型分類

　　實(shí)時(shí)車型分類采用MHD算法計(jì)算模板和待分類車輛的距離，完成快速、實(shí)時(shí)的車型分類。

　　3.1MHD算法

　　有多種距離算法可被用模板匹配［8］，其中，MHD的低時(shí)間復(fù)雜度和高匹配度，使其廣泛應(yīng)用于匹配計(jì)算。

　　豪斯多夫距離（Hausdorff Distance,HD）是拓?fù)鋵W(xué)家HAUSDORFF F提出的一種用來度量空間中真子集的距離的算法。設(shè)X和Y是度量空間M的兩個(gè)真子集，那么豪斯多夫距離H（X,Y）是最小的數(shù)r，使得X的閉r-領(lǐng)域包含Y，Y的閉r-領(lǐng)域也包含X。

　　MHD 是 DUBUISSION MP和JAIN A K在HD算法基礎(chǔ)上的改進(jìn)算法［9］。該算法用距離表征兩個(gè)點(diǎn)集的相似度。距離值越小代表兩點(diǎn)集越相似，距離值越大代表兩點(diǎn)集越不相似，特別的，當(dāng)距離為0時(shí)兩點(diǎn)集完全相同。

　　對于點(diǎn)集A={a1,a2,…,ap}和B={b1,b2…,bp}，MHD的計(jì)算方法如下：

　　H(A,B)=max(h(A,B),h(B,A)) (4)

　　其中，h(A,B)=1pa∈A(minb∈Bd(A,B)),h(B,A)=1qb∈B(mina∈Ad(A,B)),d(A,B)是兩點(diǎn)之間的歐幾里得距離。

　　3.2車型分類

　　當(dāng)待測車輛駛經(jīng)廓測量儀器時(shí)，實(shí)時(shí)測量獲得待測車輛的側(cè)面輪廓數(shù)據(jù)，分別計(jì)算待測車輛與模板的MHD，與待測車輛距離值最小的模板即為匹配模板，判定匹配模板所屬車型即為待測車輛的車型。以此完成快速、實(shí)時(shí)的車型分類。

4結(jié)論

　　本文設(shè)計(jì)了一種基于側(cè)面輪廓的實(shí)時(shí)車型分類系統(tǒng)。該系統(tǒng)設(shè)計(jì)了輪廓測量儀器的硬件組成、對輪廓數(shù)據(jù)的處理算法、建立車型模板庫的方法和實(shí)時(shí)車型分類的過程。通過實(shí)驗(yàn)對該方法進(jìn)行了可行性驗(yàn)證。結(jié)果表明對于實(shí)時(shí)車型分類，該系統(tǒng)能達(dá)到91%的正確率。接下來將會使用更多的車型進(jìn)行試驗(yàn)，并在實(shí)際車道環(huán)境中搭建該系統(tǒng)進(jìn)行測試。

參考文獻(xiàn)

　　［1］ 顧國華,陳錢,張保民.一種基于紅外檢測的車型自動分類電子收費(fèi)系統(tǒng)［J］.交通信息與安全,2002,20(109):3335.

　?。?］ 侯曉然,秦麗娟,王永,等.改進(jìn)Retinex算法對特殊環(huán)境下的車牌圖像增強(qiáng)研究［J］.微型機(jī)與應(yīng)用,2015, 34 (19):5053.

　?。?］ MILLER K S, HARVEY T N, SHULDINER P W, at al. Using video technology to conduct the 1991Boston redion external cordon survey［R］. Transportation Research Record, Washington, DC, 1993（1412）：4656.

　?。?］ 嚴(yán)明,李玉惠,李勃，等.高速公路監(jiān)控視頻中運(yùn)動車輛對象提取［J］.微型機(jī)與應(yīng)用,2014,33(2):4143.

　?。?］ 吳亞斌,陳淑榮.一種基于監(jiān)控視頻的車型識別和車流量檢測算法［J］.微型機(jī)與應(yīng)用,2015,34(7):4548.

　　［6］ FUNG G, YUNG N,  PANG G. Vehicle shape approximation from motion for visual traffic surveillance［C］. Proceedings of IEEE Conference on Intelligent Transport System, 2001: 608613.

　?。?］ COLLINS R T, LIPTON A J, FUJIYOSHI H,at al. Algorithms for cooperative multisensory surveillance ［J］. Proceedings of the IEEE，2001，89（10）:14561477.

　?。?］ 李文鳳，胡玉蘭.基于圖像顯著區(qū)域檢測的SIFT特征匹配方法研究［J］.微型機(jī)與應(yīng)用，2015，34（6）：5961，68.

　?。?］ DUBUISSION M P， JAIN A K. A modified Hausdorff distance for object matching［C］. Proceedings of 12th International Conference on Pattern Recognition, Israel, 1994:566568.