一种基于图像的车轮检测方法研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇一种基于图像的车轮检测方法研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：对运动车辆的车轮视觉检测方法进行了研究。首先采用实时背景更新的背景差分法和轮廓检测方法获得运动车辆的位置和范围，然后根据车辆轮廓信息截取下半部图像，以缩小车轮的搜索范围。再对截取的图像进行边缘检测，提取其轮廓，最后对轮廓采用直接最小二乘椭圆拟合算法检测椭圆，并根据椭圆长短轴比率和中心间距等信息排除误检椭圆，得到车轮的中心位置和大小。实验表明，本方法检测车轮有很高的正确率。

关键词：Canny算法，轮廓检测，椭圆拟合，车轮

中图分类号：TU723.3 文献标志码：A 文章编号：1672-3791（2015）04（a）-0000-01

基于计算机视觉的车轮自动检测在智能交通、工业生产等领域有重要的应用价值。由于实际环境复杂，车轮的有效检测是一项困难的工作。在车轮检测时本文利用了Andrew Fitzgibbon提出的直接最小二乘椭圆拟合法[1]进行椭圆检测，此算法优点是简单高效，但缺点是会出现较多的误检椭圆。因此，本文根据运动图像的特点缩小车轮的检测范围，以尽可能排除干扰。本文首先运用背景差分法和轮廓分析方法检测运动车辆位置，然后针对车辆的下半部图像采用Canny算法提取边缘，进而对其进行轮廓检测，最后采用椭圆拟合算法完成车轮的检测。

1 运动目标检测

由于背景有较多干扰，会导致最终车轮提取变的复杂。因此，本文首先运用背景差法将运动目标提取出来，为了排除场景变化的影响， 并获得较纯净的背景，对背景进行了实时更新[2]。本文研究的原始视频帧如图1所示，背景如图2所示。背景差分并二值化的效果如图3所示。

2 轮廓检测

对于二值化图像，本文利用OpenCV的cvFindContours函数提取轮廓，将检测出的轮廓保存到链表中[3]。根据车辆的长宽信息可以排除小的干扰轮廓。对图3所示的二值图进行轮廓检测结果如图4所示，可见车辆被正确检测出来。

图1 原始视频帧 图2 实时更新的背景

图3 背景差分并二值化效果 图4 目标检测结果

3 边缘检测

上节将运动车辆检测出来后，为了排除干扰，减少计算时间，本文针对其下半部进行边缘检测。这里采用Canny算法提取边缘，其原理是先用高斯滤波器平滑图像，再用一阶偏导的有限差分计算梯度幅值和方向，对梯度幅值进行非极大值抑制，最后用双阈值法检测并连接边缘[3]。由于轮毂和轮胎分界明显，因此边缘检测效果对阈值选取不是很敏感，可以选取稍大的阈值，以减少非车轮边缘的检出。检测效果如图5所示。

4 车轮检测

为了便于后续的车轮检测，本文首先针对边缘检测后的图像用第3节介绍的方法进行轮廓提取。轮廓信息保存在序列中，序列中的每一个元素是曲线中的一个点的位置。图5中有较长的边缘和较短的边缘，显然不符合车轮特征。可以根据第3节获得的车辆长高信息推测车轮的尺寸，排除一部分不符合条件的轮廓，轮廓提取的效果如图6所示。

图5 对目标区域边缘检测 图6 轮廓检测结果

车轮图像近似于椭圆，因此可以通过椭圆检测的方法检测车轮。本文对轮廓提取结果采用直接最小二乘椭圆拟合法[1]进行椭圆检测。虽然已经缩小了椭圆拟合范围，但仍可能会将少量非椭圆轮廓检测出来，或同一车轮检出多个椭圆，如图7（a）- （d）所示。其中，图7（a）为图6的椭圆拟合结果，其椭圆信息如表1所示。图7（b）- （d）列举了其它3种车轮的椭圆检测结果。

（a） （b）

（c） （d）

图7 椭圆检测结果

表1 对图7（a）检测出的椭圆信息

左侧椭圆 右侧椭圆

中心坐标 短轴 长轴 中心坐标 短轴 长轴

（17， 31） 6 13 （218， 32） 7 11

（42， 28） 9 11 （220， 32） 13 15

（43， 27） 11 14 （220， 30） 16 16

文献[4]根据椭圆内外的灰度值区分椭圆是否为车轮边界，但不适用于轮毂颜色本身较暗或受到污染的情况。本文研究的车轮有如下特点：

（1）两车轮大小、中心纵向坐标相近；

（2）车轮图像接近圆形，长短轴比接近1；

（3）两车轮对称，与车辆边缘距离接近。

本文根据以上特点排除误检椭圆，并且根据剩余椭圆中心的距离将多个近似椭圆归并，归并时优先保留长短轴比最接近1的，长轴最长的椭圆，最终相应车轮的检测结果如图8所示。可见车轮被正确检测出来。

图8 车轮检测结果

5 结论

本文对车轮的视觉检测进行了研究，并利用VC++和OpenCV视觉库进行了编程实验，结果表明本方法能实时有效的检测出车轮位置。但当轮毂和轮胎颜色分界不明显时会出现车轮中心提取准确度不高的现象。另外，实际环境复杂，车轮的污染程度，相机摆放角度，光线都会影响最终的车轮检测效果。如要适应更复杂的情况需要做进一步的研究。

参考文献

[1] Andrew Fitzgibbon， Maurizio Pilu， Robert B. Fisher. Direct Least Square Fitting of Ellipses. IEEE Transaction on Pattern Analysis and Machine Intelligence， 1999， 21（5）： 253-257.

[2] Dr Alan M. Mclvor. Background Subtraction Techniques[J]. IVCNZ00， Hamilton， New Zealand， 2000

[3] Gary Bradski， Adrian Kaehler著.于仕琪，刘瑞祯译.学习OpenCV（中文版）[M].北京：清华大学出版社，2009，10，173-256..

[4] 陈旭，林国余.一种基于立体视觉的车轮中心测量方法[J]. 南京信息工程大学学报：自然科学版，2011，3（1）：84-90.