王俊颖：基于图像处理车型识别的算法研究
目录
摘要.................................................................... III Abstract ................................................................... IV 第1章绪论............................................................. - 1 - 1.1 智能交通系统（ITS）............................................... - 1 - 1.2 车型识别技术简介.................................................. - 1 -
1.2.1 车型识别研究方向.............................................. - 2 -
1.2.2 车型识别方法分类.............................................. - 3 - 1.3 车型识别技术的应用前景............................................ - 4 - 第2章车型的定位与识别................................................. - 5 - 2.1 反光信息提取...................................................... - 5 - 2.2 颜色信息提取...................................................... - 5 - 2.3 车型识别中的定位问题.............................................. - 6 -
2.3.1 车边定位算法.................................................. - 7 -
2.3.2 车窗定位算法................................................. - 13 - 2.4 车型识别与分类................................................... - 18 -
2.4.1 识别系统的基本组成........................................... - 18 -
2.4.2 车型分类的标准............................................... - 18 - 2.5 车型识别程序仿真结果............................................. - 20 -
2.5.1 车型识别算法原理说明......................................... - 20 -
2.5.2 程序仿真结果分析............................................. - 21 - 第3章模板匹配算法研究................................................ - 23 -
3.1 模板匹配概述..................................................... - 23 - 3.2 图像匹配的关键要素............................................... - 24 -
3.2.1 特征空间..................................................... - 24 -
3.2.2 相似性测度................................................... - 24 -
3.2.3 搜索空间和搜索策略........................................... - 25 - 3.3 模板匹配算法研究................................................. - 25 -
3.3.1 模板匹配的基本原理说明....................................... - 25 -
3.3.2 模板匹配基本算法............................................. - 26 -
3.3.3 改进的模板匹配算法........................................... - 27 - 3.4 模板匹配程序仿真结果............................................. - 27 -
3.4.1 模板匹配程序流程图说明....................................... - 27 -
3.4.2 程序仿真结果分析............................................. - 28 - 第4章总结和展望...................................................... - 30 - 4.1 总结............................................................. - 30 - 4.2 展望............................................................. - 30 - 参考文献............................................................... - 32 - 致谢................................................................. - 33 - 附录................................................................. - 34 -
基于图像处理车型识别的算法研究
摘要
随着经济的发展，各种交通运输工具尤其是汽车数量的剧增为人们的生活带来了极大的便利，同时给交通管理部门带来了巨大压力，为了缓解交通压力智能交通系统（ITS）应运而生。车型识别是一种针对智能交通系统实际应用需求而产生的一个模式识别课题，它的研究对于ITS的发展具有重要的实际意义。
车型识别研究范围比较广泛,而本文为了缩小识别范围采用两级识别的方法,第一步是针对车辆样本图像的分析，通过车边，车窗定位算法定位，根据车型分类的标准将大，中，小车型识别出来，缩小一定范围后,第二步是将识别出的所有小型车作为模板库，通过模板匹配算法在模板库中识别出与目标车型相同的车型，并在MATLAB软件上仿真。
关键词：车型识别，车边定位算法，车窗定位算法，模板匹配
The research algorithm of vehicle identification
based on image processing
Abstract
With the rapid development of science and technology, the increasing numbers of all kinds of transportation tools especially vehicles have brought obvious convenience to human, but at the same time, It increases great pressure for traffic management, vehicle identification is a mode recognition for the Intelligent Transportation System(ITS) whose research has a significant practical meaning for ITS.
V ehicle pattern identification is a wide range field. In this paper in order to narrow the field , we apply the two-step ways to develop the vehicle identification. The first step is the analysis of sample images of vehicles .By the location algorithm of the sides and windows of vehicles large , media and small size can be recognized. The second step is to build a module of all the small vehicles which have been recognized in the first step identifying the s cars through the identificatio n ways o f temp late matchin g and verified in the matlab so ftware. Key words: vehicle pattern identification, location algorithm of the sides, location algorithm of the windows, template match
第1章绪论
1.1 智能交通系统（ITS）
ITS是智能交通系统的简称，是指将先进的信息技术、数据通讯传输技术、电子控制技术、网络技术等高新技术有效地运用整个运输管理体系，使人、车、路密切配合、和谐统一的一种在大范围内、全方位发挥作用的实时、准确、高效的综合运输管理系统]1[。
现代化的城市包括现代化的管理，现代化的交通，现代化的生活水平，智能交通系统是实现现代化的交通的必然要求。
汽车的大量增加，引发了交通的新问题，汽车超速、超载、闯红灯等违章现象及汽车犯罪事件等剧增，伤亡事故屡屡发生。我国的交通事故率远远高于美国、日本、德国、法国等国家，连续不断的交通事故，为国家造成了重大的经济损失。
我国智能交通系统的起步比较晚，发展比较慢，交通管理手段较为落后，大部分依赖于人工现场维护管理，交通执法人员劳动强度大、效率较低。无论是在大中城市还是广大中小城镇乡村，交通状况及其配套的管理方式已成为影响我国经济发展的一个重要因素。为改善目前的交通状况，保证道路交通的畅通，国家有关管理部门已下决心改善目前的交通状况。为了加强ITS的研究，交通部建立“国家智能运输系统工程技术研究中心”、“智能运输系统研究中心实验室”。国家科技部组织交通部、铁道部、公安部、建设部、国家技术监督局等有关部门，筹建了中国ITS政府协调小组，总体规划包括道路、铁路、水运、民航在内的中国ITS发展战略、标准制定和人才培训，组织ITS关键技术的攻关和示范工程[2]。
1.2 车型识别技术简介
计算机视觉作为智能交通系统中的一项重要技术，受到越来越多的重视。计算机视觉即是用各种成像系统代替视觉感官作为视觉信息输入手段，由计算机来代替大脑完成处理与解释。计算机视觉不仅能使机器感知环境中几何信息，包括位置、大小、形状、运动等，还能对它们进行扫描、解释和理解。计算机视觉为交通系统提供了直观方便的分析手段，交通环境中的大量信息，如车辆、交通标志和路面标识等都来源于视觉。用计算机视觉来处理和理解这些信息是一种必然的选择]3[。
在ITS中，基于视频图像的运动车辆类型精确识别技术是自动采集车辆特征信息产品
的重要技术基地，也是目前相对薄弱的技术环节。以它为核心技术的相关产品是智能交通系统的重要前端设备，在交通调查、交通管理和车辆管理中起着重要作用。特别需要注意的是，伴随着机动车数量不断增加，盗抢机动车、利用机动车犯罪等类型案件也是显著增加，引起了全社会关注。据不全统计，我国被盗车辆的总数已达到数百万辆。盗抢机动车不仅给失主造成了经济损失，而且严重破坏了社会稳定。打击涉车犯罪必须采取多种措施，高科技破案手段的配置是重要条件之一。盗抢车辆案犯往往以小客车、特别是中、高档轿车作为作案重点，得手后通过更换车辆牌照，改变车辆外观等，迅速逃往外地进行销赃、使用。目前公安部门在得到失主报案后，在各个治安网点布控的方法主要靠人眼观察车牌号、颜色，又由于不能使停车检查车辆的比例过大，因此侦破率很低。基于视频摄像的车牌自动识别系统的采用虽然提高了车辆识别的实时性和准确率，也大大节省了警力，但这种方式仅对于查处违章车辆，以及在盗抢车辆事件刚发生时，罪犯还来不及伪装车辆时比较有效。而对罪犯偷盗车辆后改换车牌、颜色等车辆基本特征的惯用手法却无能为力。大量的案例分析指出，盗抢名贵轿车的罪犯在作案得手后往往不愿将车辆拆卸销赃，那样会降低该车的价值，于是车辆类型特征就成为破案的重要信息,因为以车型识别为核心技术的产品也成为ITS领域越来越成为迫切的需要。
1.2.1 车型识别研究方向
由于研究人员各自的研究应用目的不同，所采取的解决问题的思路和方式也很不一样而我的论文中主要是通过识别的目的来区分的。
根据车型识别的识别目标区分，可以分为两种，一种是判断车的类型，也就是我们通常所说的身份识别，另一种则是判断两个对象是否属于同一车型，即为身份鉴定。
“身份识别”方式通常需要识别车辆属于模式类中的哪一类型，是一个纯粹的模式识别问题，一般分为以下几种：
●以一定的标准判断目标车辆规格属于哪一种类型
模式类通常为：大型车、中型车、小型车、越野车、大型公共汽车等，这种分类方式的研究目的通常应用在公路收费、车流量分析等需求中
●判断车辆属于哪一种系列的车辆
模式类通常为：大众、别克、东风等，主要以车标作为区分标志，通常应用于公安稽查、市场统计、交通管理等场合
●判断车辆属于哪一种型号的车辆
模式类通常为：桑塔纳、捷达、QQ、别克君威等，同样用于公安稽查、市场统计、交
通管理等场合
“身份鉴定”方式一般不需要判断车辆属于哪一类，而只需判断两张车辆图片中的车辆(即识别对象)是否属于同一种车型即可，这是个难度大大降低的识别问题，在理想情况下甚至于无需模式识别的方法而只需要普通的图像处理方式即可，这种研究方向包括：●比较两张车辆图片中的车辆是否相似或属于同一车型通常应用于案例监控、停车场防
盗、园区出入管理等场合
●查找多张车辆图片中与已知图片车辆相同车型者通常应用于公安稽查、图像检索等场
合
1.2.2 车型识别方法分类
针对识别对象的来源不同，识别方法的分类也有两种思路，一种是基于物理参数模式识别方式，一种是基于图像处理模式识别方式。
★基于物理参数模式识别方式
含义：指通过其他物理测量方式获得目标车辆的一些参数，这些参数往往是通过线圈、光电感应器、衡量等传感器获得的车辆的车宽、车长、轮距、车重、底盘轴粗、底盘高等多种物理数据，再运用模式识别方法将其进行归类。
优点：可以以比较成熟的物理方法直接获得对揣测性识别有用的很多参数，并由这些参数可以较为容易地进行车型识别，算法较为简单，事实上很多时候车辆的大小分类即是根据物理参数来规定的，如载重、车高、车长、载员数等。
缺点：这种方式获得车辆数据的方法比较麻烦，需要架设大量的外部辅助测量设备，增加了系统的不稳定性，且这些设备也存在设备老化、故障率比较高等缺点。
通常来说，这种方式一般只能判断车辆的大小类型，而无法进一步通过识别判断车辆的更进一步的信息。
★基于图像处理模式识别方式
含义：指通过摄像头或数码相机等因素采集设备获得车辆的数字图像（包括红外、透视等特殊因素），通过对车辆图像的分析，获取车辆特征，从而通过模式识别算法对车辆进行分类。
优点：可以充分挖掘车辆图像中的信息，以求对车辆进行尽可能准确的分类，在仔细设计图像拍摄角度和范围的情况下，可以对车辆进行尽而可能细的分类，如判别出车辆的品牌、颜色甚至具体型号。由于仅采用光学图像分析，避免了使用过多的传感器或其他外部设备，使这种方式使用起来更为简便，设备故障低，适用范围广。
缺点：不易提取准确的特征，必须综合考虑特征的提取和模式的分类。算法非常复杂，难度大，这也是这一技术迟迟不能再实际系统中得到应用的原因。
1.3 车型识别技术的应用前景
（1）自动收费系统
在公路收费、收费停车场等等应用领域，车型识别技术与车牌识别相结合，可以有效减少通关时间、防止“倒卡、换卡”等逃避通行费的作弊行为、减少人员占用、降低运营成本、实现交通收费一卡通等，提高自动化水平，产生明显的经济效益。
（2）公安交通监控与侦稽系统
车辆更换车牌或克隆假车牌比较容易，但在通常情况下却无法改变车型，因此在违章稽查、肇事逃逸追捕、嫌疑车辆分布式监控等应用需求中，具有十分广阔的应用前景。（3）车辆管理与征费系统
对于机动车辆登记、征费、征税、管理、报废等应用中，车牌号码和车辆型号、车身颜色均为非常重要的信息，将车型识别、车牌识别等技术结合在一起，有利于建立一套完整而高效的自动化车辆管理、征费系统。
（4）车辆图像检索
图像检索是模式识别领域的一大研究课题，这里仅指对车辆图像的检索，通常应用于公安稽查、事故检索、市场统计、流量分析等不同的需求领域。
（5）车辆出入防盗管理系统
在小区营院、停车场等场所区域中，车辆防盗是一项重要的安保内容，不法分子可能采用调换车牌和进低档车出高档车的方式偷盗高档车辆，使用车型识别技术可以完全杜绝此类盗窃事件的发生。
第2章车型的定位与识别
利用计算机进行图像处理有两个目的，一是产生更适合人观察和识别的图像；二是希望能由计算机自动识别和理解图像。无论为了哪种目的，图像处理关键的一步就是包含有大量各式各样景物信息的图像进行分解。分解的最终结果是图像被分解成一些具有某种特征的最小成分，称为图像的基元。图像的特征指图像中可用作标志的属性，分为图像的统计特征和图像的视觉特征两类]5[。
图像的统计特征指一些人定义的特征，通过变换才能得到，如图像的直方图、矩、频谱等；图像的视觉特征是指人的视觉可直接感受到的自然特征，如区域的亮度、纹理或轮廓等。利用这两类特征把图像分解成一系列有意义的目标或区域的过程称为图像的分割。如果我们要建立一个识别不同种类对象的系统，首先必须确定应测量对象的哪些特征以产生描述参数。被度量的这些特殊的属性称为对象的特征，而所得的参数组成了每个对象的特征向量。用于物体识别的特征有许多，但大部分特征是基于图像中的区域和边界，通常的有以下三类特征：（1）全局特征，通常是图像区域的一些特征，如面积、周长等；（2）局部特征，通常位于物体边界上或者区域中可分辨的一个小曲面，如曲率及其有关的性质；（3）关系特征，是基于区域、封闭轮廓或局部特征等不同实体的相对位置建立的，包括特征之间的距离和相对方位测量值。特征提取的算法很多，根据应用对象，应选择可靠的特征检测方法和特征定位方法]76[ 。
2.1 反光信息提取
反光信息提取是指利用单帧图像将具有某种或某几种反光特性的像素从图像中提取
出来，而这些像素正是反映车辆外形特征的像素。当光照加于立体物体上时，物体表面的反光强度一定是不一致的，通常反光强度最不好的像素是位于物体的边缘，那里的反射光未能进入摄像头。提取方法是简单的，实质上就是先进行灰度化操作，再进行二值化操作，只是二值化时阈值的选取至关重要。
2.2 颜色信息提取
颜色信息的提取是指将颜色变化的边界或具有某一稳定颜色的色块从图像中提取出来。颜色信息不仅是识别过程必须给出的识别结果之一，同时它也能起到辅助定位的作用，所以好的颜色信息提取算法对于整个系统来说是很重要的。颜色信息的检测和提取都会使
用各种颜色模型，最常用的模型就是RGB模型。颜色的陡变信息，即颜色边界信息，是相对容易提取出来的。但是前面已经说过，这种信息提取方法会把所有的色变信息都提取出来，包括某些路面的平面色变信息，要从众多的边界信息中恢复出车辆的连续边界是困难的，所以色变边界信息的提取只能和其它的方法结合使用才会有价值；如果事先知道车身的颜色，那么提取该颜色的色块可以较好的提取车身信息，这些信息对于车辆的精确定位是很有帮助的，前面提到过，提取弱反光信息可以用于车辆定位，但并不是任何情况下都能将车辆精确定位，尤其是阳光太强的情况下，弱反光信息会大幅度的减少，给定位造成了较大的困难，但是提取弱反光信息用于在整幅图像中找出车辆的大概位置是有效的。所以提取弱反光信息结合提取色块信息的定位算法思想由此产生。首先，使用弱反光信息提取的方法在整幅图像中找出车辆的大致矩形范围，在该矩形区域内进行颜色检测，将检测到的颜色作为提取色块信息的依据，最后将弱反光信息和色块信息结合到一起进行第二次在全图像中的定位]8[。图2.1描述了这个算法思想。
图2.1 定位图
2.3 车型识别中的定位问题
车型识别中的定位包括车辆目标的定位和特征的定位，即车边、车窗的定位。无论是目标定位或是特征定位，其原理是相同的，都是利用特征图像的投影数据进行水平和垂直的图像分割，从而找出定位矩形。定位过程和信息提取过程也是不能截然分开的，初始定
位完成后仍然需要进一步提取并获得更精确的定位数据。定位的准确率大部分取决于信息提取的优势，就定位过程本身来说关键在于找准分割阈值，并且能够按照模型中提供的拍摄距离参数自动调整分割阈值。处理流程图如图2.2所示：
图2.2 生成分割矩形流程图
2.3.1 车边定位算法
车边定位算法主要包括提色块算法和提阴影算法（其算法如图2.3所示）。
图2.3 车边定位算法流程图
（1）汽车图像边缘检测算法
图像的边缘是图像的最基本特征，所谓边缘(或边沿)是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘广泛存在于物体与背景之间、物体与物体之间，基元与基元之间。因此它是图像分割所依赖的重要特征。物体的边缘是由灰度不连续性所反应的。经典的边缘提取方法是考察图像的每个像素在某个邻域内灰度的变化，利用边缘邻近一阶或二阶方向导数变化规律，用简单的方法检测边缘，称为边缘检测局部算子法。边缘检测算子检查每个像素的邻域并对灰度变化率进行量化，包括方向的确定。下面介绍几种常见的边缘检测算子。
☆Sobel 算子
Sobel 提出一种将方向差分运算与局部平均相结合的方法，即Sobel 算子。该算子是以f(x ，y)为中心的3x3邻域上计算x 和Y 方向的偏导数，即
??
?
????
-++-+---+-+++++-=+--+-+---+++++-+=)}1,1()1,(2)1,1({)}1()1()1,(2)1,1({)}1()1(),1(2)1,1({)}1,1(),1(2)1,1({y x f y x f y x f y x f y x f y x f s y x f y x f y x f y x f y x f y x f s y x （2-1） 实际上，上式应用了f(x,y)邻域图像强度的加权平均差值。其梯度大小为：
)(),(2
2y x s s y x g += (2-2) 或取绝对值： y x s s y x g +=),( (2-3)
它的Sobel 边缘检测算子方向模板为：
???????
???---101202101
??????????---121000121 (2-4)
由上面两个卷积算子对图像运算后，代入(2-2)式，可求得图像的梯度幅度值g （x,y),然后适当选取门限TH ，作如下判断：g(x,y)>TH ，(i,j)为阶跃状边缘点，{g(x,y)}为个二值图像，也就是图像的边缘图像。
Sobel 算子很容易在空间实现，Sobel 边缘检测器不但产生较好的边缘检测效果，同时，因为Sobel 算子引入了局部平均，使其受噪声的影响也比较小。当使用大的邻域时，抗噪声特性会更好，但这样做会增加计算量，并且得到的边缘也较粗。
Sobel 算子利用像素上下、左右相邻点的灰度加权算法，根据在边缘点处达到极值这
一现象进行边缘的检测。因此Sobel 算子对噪声具有平滑作用，提供较为精确的边缘的方向信息，但是这是由于局部平均的影响，它同时也会检测出许多的伪边缘，且边缘定位精度不够高。当对精度要求不是很高时，是一种较常用的边缘检测方法。
☆Roberts 算子：
由Roberts 提出的算子是一种利用局部差分算子寻找边缘的算子，它在2x2邻域上计算对角导数：
22)],1()1,([)]1,1(),([),(y x f y x f y x f y x f y x g +-++++-= （2-5）
g(x,y)称为Roberts 交叉算子。在实际应用中，为了简化计算，用梯度函数的Roberts 绝对值来近似：
),1()1,()1,1(),(),(y x f y x f y x f y x f y x g +-++++-= （2-6）
另外还可以用Roberts 最大算子来计算：
)),1()1,(,)1,1(),(max(),(y x f y x f y x f y x f y x g +-+++-= （2-7）
上式能够提供较好的不变性边缘取向。对于同等长度但取向不同的边缘，应用Roberts 最大值算子比应用Roberts 交叉算子所得到的合成幅度变化小。
Roberts 边缘检测算子的卷积算子为：
??????-1001 ??
????-0110 （2-8） 由上面两个卷积算子对图像运算后，代入(2-7)式，可求得图像的梯度幅度值g(x,y)，然后适当选取门限TH ，作如下判断：g(x,y)>TH ，(i,j)为阶跃状边缘点，{g(i,j)}为一个二值图像，也就是图像的边缘图像。
☆Prewitt 算子：
Prewitt 提出了类似的计算偏微分估计值的方法:
??
?
????
-++-+---+-+++++-=+--+-+---+++++-+=)}1,1()1,()1,1({)}1()1()1,()1,1({)}1()1(),1()1,1({)}1,1(),1()1,1({y x f y x f y x f y x f y x f y x f s y x f y x f y x f y x f y x f y x f s y x （2-9） 当用两个掩模板(卷积算子)组成边缘检测器时，通常取较大的幅度作为输出值。这使得它们对边缘的走向有些敏感。取它们的平方和的开方可以获得性能更一致的全方位的响应。这与真实的梯度值更接近。另一种方法是，可以将Prewitt 算子扩展到八个方向，即边缘样板算子。这些算子样板由离线的边缘子图像构成。依次用边缘样板去检测
图像，与被检测区域最为相似的样板给出最大值。用这个最大值作为算子的输出值p(i,j)，这样可将边缘检测出来]9[。定义Prewitt 边缘检测算子模板如下：
???????
???----111121111
??????????----111121111??????????----111121111????
??????-----111121111 （1）1方向 （2）2方向 （3）3方向 （4）4方向
???????
?
??----111121111
??????????----111121111 ??????????----111121111 ????
??????----111121111 （5）5方向 （6）6方向 （7）7方向 （8）方向
八个算子样板对应的边缘方向如图所示：
图2.4 Prewitt 算法八个算子模板对应的边缘方向
2）提色块算法
在先前车体定位的算法中，提色块算法是一种非常重要的算法，对于非灰黑色车在其
该算法的差分图效果较好，且无噪声干扰时，对车体的定位较为准确。但当差分图效果较差时，尤其是白色车受路面交通白线的影响时，最大上升沿和最大下降沿往往找不准确，从而使车形定位的矩形找不准确。采用上述方法，会将路面交通白线宽度和位置误确定为车体的宽度和位置，如图2.6所示：
图2.6 提色块法定位车边
为了弥补上述算法的缺陷，现在在提色块算法的基础上，提出一种改进的算法，大致思想是：由于在根据色块信息得到动态矩形的二值图中，车体往往占据绝大多数白色象素且为连通区域。根据这一特点，先取动态矩形中间位置的一点(该点通常都在车体范围中)，若为白色象素，即向左水平扫描，遇见白色象素则继续扫描，直到遇见黑色象素则停止扫描，此时该点即为车体左边位置．然后又从中间点向右扫描，同样的道理，可找到车体右边位置。由于在先前的提色块算法中，主要是车宽的位置容易受到干扰的影响。采用改进的方法，主要提高定位车宽的准确率。如果用改进的算法去定位车长，反而会因为车窗的影响，而使车长的定位发生错误。所以该算法主要用来提高车宽的定位的准确性。
需要注意的是上述算法中，找取动态矩形框中间的生长点(即起始扫描点)尤其重要。因为找到的一点如果是黑象素，算法会停止．或者即使该起始点是白色象索，如果车体中有黑色象素的干扰，同样都会找不准确车宽位置。为了避免出现这样的问题，可在动态矩形框中多找几个起始扫描点。一般的方法是在动态矩形框中确立一个9*3的点阵作为27个起始扫描点，如图2.7所示：
图2.7 起始扫描点
这样，可从下至上，从左至右依次对27个其实扫描点进行左右扫描，可得到27个车宽，取最宽的即可得到车体的宽度，综上所述，在车体定位中对提色块算法的一种改进算法如图2.8所示：应用下述算法，在白色车受路面交通白线的影响等干扰时，可大为提高车宽定位的正确率，结果如图2.9所示：
图2.8 车宽定位算法流程图
图2.9 改进算法定位车宽
需要指出的是，该改进算法也有不足之处，如不能用来定位车长，如果遇见少量大型客车其车体中有整片的黑色素将车体的白色像素分割开来，都会影响正确定位车宽。所以该算法还要结合其它算法对车体定位进行综合处理。
提色块法利用车辆颜色进行分割，与阴影信息无关，即提色块法与车辆阴影信息是不相关的。因此可利用在提色块法中求出的车边得到有关阴影的信息，由于其不相关性，所得到的信息是准确的。当前实验中主要利用色块（即车体）在动态矩形框中的位置判断是否有阴影，若存在阴影则判断其方向（相对车体）以及强度等信息，并更新阴影模型。3）提阴影算法
当车边定位不满足提色块算法时，需要提阴影算法。提阴影算法充分利用阴影信息。在提色块法中更新阴影模型。并在提阴影算法中先判断阴影是否存在，若有阴影，则利用阴影得到的信息判断一车边，再使用边缘信息最终得到所求的车边。若没有阴影，则直接利用边缘信息来定位车体]10[。其算法流程图如下：
图2.10 提阴影算法流程图
利用阴影信息来定位车边（车辆/阴影公共边界）主要是利用阴影的一些特征。阴影是由于物体遮挡了光源所发出的光线所致，本系统中阴影主要是车辆遮挡了阳光所形成的具有一定特征的区域。
2.3.2 车窗定位算法
车型识别中的定位包括车辆目标的定位和特征的定位。无论是目标定位或是特征定位，其原理是相同的，都是利用特征图像的投影数据进行水平和垂直的图像分割，从而找出定位矩形。定位过程和信息提取过程也是不能截然分开的，初始定位大部分取决于信息提取的优劣，就定位过程本身来说关键在于找准分割阈值，并且能够按照现场模型中提供的拍摄距离参数自动调整分割阈值。
基于提色块信息的车窗定位算法
颜色信息提取的提高是指将颜色变化的边界或某一稳定的色块从图像中提取出来。颜色信息不仅是识别过程必须给出的识别结果之一，同时它也能起到辅助定位的作用，所以好的颜色信息提取算法对于整个系统来说是很重要的。颜色信息的检测和提取都会使用各种颜色模型，最常用的模型就是RGB模型和HSV模型。在车窗定位时也需要所提取的颜色信息．车窗的颜色特征和阴影的颜色特征是相似的，都是位于灰度线附近，也就是说R、G、B三个分量是大致相等的。车窗和阴影信息虽然具有相同的颜色特征，但是它们的几何位置有着较大的不同，因而仍然是可以区分的。该方法在车窗定位过程中所依赖的主要是灰度线信息和弱反光信息的综合，目标或特征分割的处理流程图如下图2.2所示。
算法中第一步取得指定的范围矩形是抽象的，在系统中这是一个核心算法，范围矩形可以解释为模型中定义的识别区域，或者是上一步定位取得的结果等。在寻找分割点时需要多搜索几行或者几列以保证算法的稳定性和抗干扰性．一般指定搜索N行(列)就进行检查，如果有大于M行(列)的已搜索行(列)满足要求，那么就认为找到了符合要求的分割点。这种稳定算法的方法在系统中很常见，N和M的定义也是需要大量实验来验证的。信息提取的优劣直接影响到定位质量，定位质量、定位精度、定位内容的丰富性也直接影响到车型的分类质量。定位内容主要是指能够分辨并能够精确定位的特征数目，能够定位的特征越多，对车型分类越有利。
图像的特征就是图像中明显可分的，本原的特征或属性。从不同的角度进行分析可以获得图像不同方面的特征，有些特征是图像本身自然含有的，如象素的灰度，目标的边缘轮廓及纹理区域等，而有些特征是通过某种测量或变换操作人工得出的，如图像的灰度直方图，图像场的空间频谱等。就本设计来说，就是要从汽车图像中把车窗作为目标分割出来，因此我们对车窗区的特征进行了分析，得出下面的结果：某些车辆其车身和车窗的颜色特征有较明显的区别。如在白色车辆的图像中。车窗的质地为玻璃，其在阳光下具有反光的特性。大都呈现出灰黑色。车前窗的形状大致为矩形，其宽度与车身接近。可认为定位车前窗就是寻找车窗矩形的上下两条边。就完整的汽车图像而言，前车窗总是位于整个车身的靠前部分，我们可以进一步就车窗定位的范围进行限定。
上述车窗的可区别性特性使得车窗的自动定位成为可能，但是由于车型的复杂多样，使得实际中仍然存在以下的一些复杂的情况：由于车辆颜色种类繁多，存在有图像中车窗颜色与车身颜色十分接近，很难区分的情况。如黑色车辆的情况。一些车辆中存在某些特征与车窗十分相近的部分，使得车前窗区域的界定很难进行，如有些车辆具有车顶窗。
光照强弱的影响和不同车身颜色的不同反光特性使图像中存在和车窗区反光特性相
近的区域。拍照角度的影响使得车辆的某些特征得不到反映，同时由于可能出现只拍到车辆某部分的情况，使得车窗的自动定位变的比较复杂。我们在设计中得到的是一幅彩色的图像，人眼对颜色信息是非常敏感的，我们首先考虑从彩色图像出发，不进行图像模式转换直接进行定位的方法。
从人眼识别车窗的过程来看，我们对颜色比较敏感，单从颜色信息出发，肉眼观察发现在图片中车窗大都呈现出灰色，但是通过对RGB模式存放的颜色信息的定量统计，发现不同图像中车窗的RGB值差别很大，就是同一辆车的前车窗的颜色信息也可能由于光照，拍照角度的差异而使颜色的信息变化很大。由于颜色信息的差别很大，我们无法得到车窗颜色的样本，定义一个满足大多数情况的标准车窗颜色，所以单纯依靠颜色信息进行识别的方法实用性并不强。但是在对车辆图像中车窗区域的特征分析中发现，由于车窗的玻璃质地，它在阳光下的反光特性与车身有一定的区别，而且这种特性很好的反映在了RGB模型中。虽然车窗区域由于外界条件的不同而呈现出深浅不一的灰色，例如在晴天光照很强的情况下，车窗的颜色浅灰色为主；而在阴天光照较弱的时候车窗的颜色要相对深一些，呈现出深灰色；但是无论车窗灰色的深浅如何，其象素的RGB三色值却基本相等，并且只在一定的范围内变化，话句话说就是车窗区域的象素在RGB颜色模型中的值基本在灰色线附近变化。
根据车窗的反光特性，我们找到了一种划分出车窗区的方法：我们可以依次检测车辆矩形中的象素，把其中R，G，B值基本接近的象素点找出来。并近似地认为满足这些条件的点相对集中的区域就是车窗。在具体编程实现的时候，我们发现如果把灰色线附近的象素都认为是车窗区象素会造成很大的误差，把一些偶然出现此特征的象素区误认为是车窗区了。针对这一情况我们进行了大量的观察检测，对车窗区象素的RGB值的具体变化范围进行了限定，得到了较好的识别效果。但是由于某些车辆的车身中有些部分的反光特性与车窗十分接近，所以基于反光特性而产生的方法有一定的使用局限性，下面我们先来看一下如图所示的两副图像用此方法的车窗定位结果：
（a）（b）
图2.11 基于反光特性的车窗定位
从上图中我们可以观察到，对于图(a)中的车辆运用反光特性来进行车窗定位其结果是正确的，而对于图(b)中的车辆其结果却是错误的。通过考察我们发现错误的原因主要是图(b)中车辆前部的反光特性与车窗十分相似，而使得程序把其误认为是车窗区造成的。也就是说由于车辆中的某些部分存在和车窗区相近的颜色特征，这些相似部分象素的RGB 值也在灰色线附近变化，使得我们程序无法区别出他们的不同。我们还发现这种原因的定位错误多发生在黑色或深色汽车的图像中。
基于反光特性的车窗定位方案具有简单，直观快速的优点。但此方法不具有普遍性，一是抗干扰性不强，某些车辆的车身中可能有与车窗相似的反光特性；二是适用范围有限，对红色，白色或车身颜色为非深色的汽车图像效果较好，对黑色汽车图像几乎就无能为力了.显然单纯利用反光特性的方案难以达到可靠的识别效果，但是在一定的条件范围内，例如在非深色汽车图像中通常能达到较可靠的识别效果，而且定位的速度也较快。所以基于反光特性的定位方法具有一定的实用性，可以作为一定条件下的定位方案与其他的方案共同使用。阈值化分割算法主要有两个步骤：(1)确定需要的分割阈值；(2)将分割阈值与象素值比较以划分象素。确定阈值是分割的关键，如果能确定一个合适的阈值就可方便将图像分割开来。而在阈值确定后，将阈值与象素比较和划分象素可对各象素并行地进行，得到相应的二值化图像，分割的结果也就是直接反映在上面了。
根据以上分析，我们设想对深色汽车图像采用自动阈值定位方法（p≤30），对于非深色汽车采用基于反光特性的车窗定位算法（p>30）,但是仍然有一些不足之处，下面图可以看出：
图2.12 自动阈值定位车窗