CN103116986B - 车辆识别方法 - Google Patents

Abstract

本发明提供了一种车辆识别方法，包括：对当前帧的视频图像进行前景检测；提取在当前帧中的检测到的车辆图像的特征点；如果当前帧中的车辆图像的特征点与预先记录的一个车辆图像的特征点相匹配，则比较所述当前帧中的车辆图像与匹配到的车辆图像的颜色特征，如果一致，则确定匹配成功。通过本发明的方法，可比较摄像头中的车辆图像与预先记录的车辆图像是否一致，从而对可能存在违章逃逸的车辆进行查找确认。例如，当前摄像头拍摄到交通肇事逃逸的车辆，记录该逃逸车辆图像的一组特征点，通过其它摄像头监控到的图像，可辨别出是否为逃逸的车辆。

Description

车辆识别方法

技术领域

本发明涉及车辆检测领域，特别是指一种车辆识别方法。

背景技术

随着社会经济的发展，车辆的增多，通过计算机信息化、智能化的管理车辆成为必然。由于机动车辆的保有量的急速攀升导致城市和道路交通面临的问题尤为突出。由主观或客观原因导致使得交通违法行为、交通事故频繁发生，在影响了正常交通秩序的同时，对国民经济、社会发展和人们的生命及财产安全造成了极大的威胁，城市交通管理面临的压力与日俱增，单纯依靠人力已经愈来愈难以满足日益艰巨的管理要求。当车辆违规逃离后，由于存在同样的车辆，如果没有其他的如车牌或关键标识的特征，存在不容易在其经过的位置成功识别的问题。

发明内容

本发明提出了一种车辆识别方法，以解决上述现有技术不能对车辆进行成功识别的问题。

为了达到上述目的，本发明的技术方案是这样实现的，包括：

对当前帧的视频图像进行前景检测；

提取在当前帧中的检测到的车辆图像的特征点；

如果当前帧中的车辆图像的特征点与预先记录的一个车辆图像的特征点相匹配，则比较所述当前帧中的车辆图像与匹配到的车辆图像的颜色特征，如果一致，则确定匹配成功。

通过本发明的方法，可比较摄像头中的车辆图像与预先记录的车辆图像是否一致，从而对可能存在违章逃逸的车辆进行查找确认。

例如，当前摄像头拍摄到交通肇事逃逸的车辆，记录该逃逸车辆图像的一组特征点，通过其它摄像头监控到的图像，可辨别出是否为逃逸的车辆。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是实施例的流程图；

图2是实施例中采用SIFT算法和BBF算法进行匹配的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，本发明的实施例包括以下步骤：

S11：对当前帧的视频图像进行前景检测；

S12：提取在当前帧中的检测到的车辆图像的特征点；

S13：如果当前帧中的车辆图像的特征点与预先记录的一个车辆图像的特征点相匹配，则比较所述当前帧中的车辆图像与匹配到的车辆图像的颜色特征，如果一致，则确定匹配成功。

通过本发明的方法，可比较摄像头中的车辆图像与预先记录的车辆图像是否一致，从而对可能存在违章逃逸的车辆进行查找确认。

例如，当前摄像头拍摄到交通肇事逃逸的车辆，记录该逃逸车辆图像的一组特征点，通过其它摄像头监控到的图像，可辨别出是否为逃逸的车辆。

优选地，上述实施例中，可采用SIFT算法提取特征点，并通过BBF算法判断是否匹配。

参见图2，包括以下步骤：

S21：读取视频图像；

用一个固定视场的监控摄像机，对公路中行驶的车辆获取视频图像。为了保证对车辆检测和跟踪的准确性，采样间隔应在0.05-0.2秒之间。

S22：对每帧图像去噪等预处理；

S23：采用高斯混合模型对车辆进行检测；

本方法采用混合高斯模型对背景进行建模。混合高斯建模由有限个高斯函数的加权和组成。对每一个像素点，定义K个高斯模型（K可以取3至6）。然后高斯混合模型初始化计算视频序列图像像素的均值μ₀和方差σ₀。

检查每一个新的像素值是否与背景的高斯混合模型匹配，如果不匹配，该像素是前景图像，不对高斯混合模型参数进行更新。如果匹配则对相应的参数进行更新。高斯模型参数（权值w_i、均值μ_i、方差）更新方程如公式（1）（2）（3）（4）：

${\mathrm{\μ}}_0=\frac{1}{N}\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}{I}_t,{\mathrm{\σ}}_0=\frac{1}{N}\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}{(I_0-{\mathrm{\μ}}_0)}^2---\left(1\right)$

w_i(t)＝(1-α)w_i(t-1)+α  (2)

μ_i(t)＝(1-ρ)μ_i(t-1)+ρX(t)  (3)

${\mathrm{\σ}}_i^2\left(t\right)=(1-\mathrm{\ρ}){\mathrm{\σ}}_i^2(t-1)+\mathrm{\ρ}{(X\left(t\right)-{\mathrm{\μ}}_i\left(t\right))}^T(X\left(t\right)-{\mathrm{\μ}}_i\left(t\right)---\left(4\right)$

其中α为背景更新率，（0≦α≦1），ρ为背景参数更新率并且ρ＝α/w_i(t)，X(t)为t时刻的像素，N为图像中像素的总个数，μ_i(t)表示t时刻第i个单高斯分布的均值，w_i(t)表示t时刻第i个单高斯分布的权重，并且K个高斯模型。

S24:将检测到的图像作为单独的一幅图像保存。

利用混合高斯模型的背景建模方法对视频图像进行车辆检测，生成一幅二值图像（0代表背景，1代表车辆像素点），同时对二值图像进行数学形态学处理，使车辆运动区域更加完整。

同时执行S25、S26两个步骤；

S25：提取车辆的特征颜色；

S26：SIFT算法提取特征点。

优选地，视频图像中的运动图像的特征点通过以下步骤确定：

读取一帧视频图像，该图像为I（x，y），与高斯函数G（x，y，σ）卷积，得到尺度空间的图像L（x，y，σ）；

L（x，y，σ）=G（x，y，σ）*I（x，y）

其中， $G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)}/{2\mathrm{\σ}}^2;$

σ的取值范围为0～20之间，其大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。大的σ值对应粗糙尺度(低分辨率)，反之，对应精细尺度(高分辨率)。为了有效的在尺度空间检测到稳定的特征点，使用高斯差分尺度空间，通过以下公式获得不同尺度空间的D（x，y，σ）；

D(x,y,σ)＝(G(x,y,σ)*I(x,y))＝L(x,y,kσ)-L(x,y,σ)其中，k=1.414

将σ=0～20按照10等分划分，可获得10个差分高斯尺度空间的图像。可看作10个层叠的10个I（x、y）图像。

在当前层的尺度的图像内，如果一个像素点在本层及其两个相邻层的8邻域内，Dog算子的响应值的最大值或最小值，则该点为该尺度下的一个特征点。其中，在8邻域内的像素点，分为上、下两个相邻层，每层共9个像素点，本层的像素点不包含自身，共9+9+8=26个像素点。

优选地，还包括，除去不适合的特征点；

通过拟和三维二次函数以精确确定特征点的位置和尺度（达到亚像素精度），同时去除低对比度的特征点和不稳定的边缘响应点(因为高斯差分算子会产生较强的边缘响应)，以增强匹配稳定性、提高抗噪声能力。

优选地，为每个特征点建立一个描述子，通过描述子的信息进行匹配。

优选地，建立描述子的过程如下：

根据每个尺度下所确定的该特征点及其周围邻域内的像素点的梯度，建立梯度直方图；

其中，周围邻域为矩形，像素点可选择16*16个像素点，特征点在矩形像素点的中心位置。

该梯度直方图包括多个不同角度区间，每个角度区间为多个梯度在该区间内的像素点的模长的和。

每个像素点L的模长m和角度θ通过如下公式确定：

$m(x,y)=\sqrt{{(\mathrm{Lx}+1,y-L(x-1,y))}^2+{(L(x,y+1)-L(x,y-1))}^2}$

$\mathrm{\θ}(x,y)=\arctan 2\frac{L(x,y+1)-L(x,y-1)}{L(x+1,y)-L(x-1,y)}$

将所述梯度直方图中梯度的最大模对应的角度范围中的一个角度作为主方向；例如：在30～40度范围内的模的和为各个角度范围中最大的，可选择端点或中间点作为主方向，例如30度或35度作为主方向。

用一个中心在该区域中央的高斯函数对所述周围邻域内的各个像素点的梯度的模加权；加权过程中，取σ=1.5；

$G(x,y,\mathrm{\σ})=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)}/{2\mathrm{\σ}}^2$

将所述周围邻域内的各个像素划分为多个区块，根据每个区块内的像素点的加权后的模长、相对于所述主方向的角度差值，建立梯度直方图，确定该区块的向量；

将16*16个像素点，以4*4个像素点为一个区块，分为16个区块，在这个小区块中统计梯度直方图，直方图按照角度值45度划分，共包括360度/45度=8个方向区间；那么整个描述子所覆盖的区域含有的信息就是16×8=128个。

以多维向量的格式记录全部区块的向量信息形成特征向量，作为该特征点的描述子。整个描述子可以看作是一个128维的向量，即特征向量。

最后将特征向量归一化，则可以去掉光照变化产生的影响。归一化之后，具有以下效果：

如果光照变化是对比度变化，则相当于是对每个点的梯度乘上了一个常数，那么标准化后这个常数就被消除了；如果光照变化是亮度的变化，那么相对于对每个点的像素值加上了一个常数，对梯度的变化没有任何影响。但是由于一些非线性的光照变化会使某些像素的梯度模值产生较大变化，同时对梯度方向没有影响，因此我们在统计梯度直方图时将所有大于某个阈值的梯度模值都置为这个阈值，就可以降低光照变化的影响。

要注意的是，向量归一化是在所有模值经过阈值的限制之后进行的。因为这样的操作相当于降低了大模值点的模值在匹配中的权重。在建立直方图后，将各个梯度的模值与阈值比较，超过阈值的模值设置为阈值。这个阈值选为0.1～0.3，优选0.2。经过阈值修正后，可降低光线变化对图像匹配的影响。

经过上述过程，可确定一个视频图像的全部特征点的描述子，每个描述子包含一个特征向量。

S27：根据S26中的步骤判断是否为第一帧图像；如果是，则执行S21；如果不是，则执行S28；

S28：采用BBF算法查找匹配的一组特征点；

采用BBF算法对得到的特征点进行匹配。

BBF（Best Bin First）是一种改进的k-d树最近邻查询算法。预先存储的各组特征点建立kd-tree，每组特征点为记录到数据库中的一个车辆的特征点；同时还记录该车辆的颜色特征。在kd树种找出包含目标点的叶结点：从根结点出发，递归地向下搜索kd树。若目标点当前维的坐标小于切分点的坐标，则移动到左子结点，否则移动到右子结点，直到子结点为叶结点为止。将所有的结点进行搜索匹配。每个结点对应一组特征点。

S29：判断遍历到的特征点是否匹配；如果匹配，则执行S30；否则，作为新的车辆的特征点记录到数据库。

将提取的视频图像中的特征点与预先记录的特征点进行匹配，匹配过程包括：

1）可预先提取视频图像内的全部特征点，并为每个特征点按照上述过程建立一个描述子。使用卡尔曼预测得到的位置所在区域找到特征点。

2）当采集到当前的视频图像后，提取视频图像中的特征点，并建立描述子。

3）确定所述视频图像的各个尺度每个特征点对应的描述子与预先记录的一组特征点对应的描述子的欧氏距离d；

其中，所述欧式距离d=sqrt(∑(xi1-xi2)^2)；xi1为记录的一组特征点中的一个特征点的第i维向量、xi2为视频图像中检测到的的一个特征点的第i维向量；

4）如果最小的欧式距离不大于第一阈值、且最小的欧氏距离与次小的欧式距离的比值不大于第二阈值，则确定用于运算出所述最小的欧式距离的两个描述子各自对应的特征点相匹配；

5）当相匹配的特征点的数量占该组特征点总数量的比值超过阈值后，确定视频图像与该组特征点匹配成功。该阈值可设置为1/3。通过大量的实验比较，阈值设置为1/3时，可有戏提高识别的成功率。

S30：确定匹配到的特征点对应车辆的颜色特征，将S25中提取的该车辆颜色特征与检测到车辆图像的颜色特征进行比较；

可采用队列的形式记录检索和匹配的结果。在k-d树搜索的基础上用一个优先级队列来存储结点和被查找结点距离，并保持递增的顺序，然后根据该队列，来搜索结点。当向k-d树的左子树或者右子树搜索一结点时，优先队列中会增加一个数据记录，当记录了该结点相关的信息，包括当前结点在树中的位置和距离。当一个结点被查到以后，便从优先级队列的队首删除一记录，然后再搜索包含最近邻结点的其它子树。

S31：对下一车辆的特征点进行匹配；

每帧图像中如果有多个车辆，则提取下一个车辆的特征点在更新了特征点的数据库中进行匹配，

S32：判断多帧图像的特征点是否都匹配；如果是，则执行S33，如果否，则执行S21。

如果在多帧图像中存在的车辆图像的特征点均与记录的同一个车辆图像的特征点相匹配、且多帧图像中存在的车辆图像的颜色特征相一致，则确定多帧图像中存在的车辆图像为相同的车辆图像。

对上一帧图像的特征点数据与当前帧图像的特征点数据分别生成2-d树。对当前帧的特征点数据，使用BBF算法与上一帧进行特征点匹配。如果成功，则进行颜色特征的匹配。如果颜色一致，则认为是相同的车辆。

记录多帧图像中的车辆图像的位置，建立轨迹，便于后续用户跟踪。

S33：输出结果。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种车辆识别方法，其特征在于，包括：

对当前帧的视频图像进行前景检测；

提取在当前帧中的检测到的车辆图像的特征点，其中包括：在高斯差分尺度空间，根据不同的高斯核函数的σ值，建立车辆图像所对应的多张层叠的不同尺度的图像；在当前层的尺度的图像内，如果一个像素点在本层及其两个相邻层的8邻域内，为最大值或最小值，则该点为该尺度下的一个特征点；

如果当前帧中的车辆图像的特征点与预先记录的一个车辆图像的特征点相匹配，则比较所述当前帧中的车辆图像与匹配到的车辆图像的颜色特征，如果一致，则确定匹配成功。

2.根据权利要求1所述的车辆识别方法，其特征在于，所述匹配的过程包括：

根据每个尺度下的每个特征点所在车辆图像的位置，确定该特征点及其周围邻域内的像素点的梯度，建立该特征点对应的描述子；

确定所述车辆图像的每个特征点对应的描述子与所述记录的一组特征点对应的描述子的欧氏距离d；

其中，所述欧氏距离d＝sqrt(∑(xi1-xi2)^2)；xi1为记录的一组特征点中的一个特征点的第i维向量、xi2为车辆图像中的一个特征点的第i维向量；

如果最小的欧氏距离不大于第一阈值、且最小的欧氏距离与次小的欧氏距离的比值不大于第二阈值，则确定用于运算出所述最小的欧氏距离的两个描述子各自对应的特征点相匹配；

当相匹配的特征点的数量占记录的该组特征点总数量的比值超过第三阈值后，确定车辆图像的特征点与该组特征点匹配成功。

3.根据权利要求1所述的车辆识别方法，其特征在于，所述σ值介于0～20之间。

4.根据权利要求2所述的车辆识别方法，其特征在于，所述建立描述子的过程包括：

根据所述确定的该特征点及其周围邻域内的像素点的梯度，建立梯度直方图；

将所述梯度直方图中梯度的最大模对应的角度范围中的任意一个角度作为主方向；

将所述周围邻域内的各个像素划分为多个区块；对于每个区块，用一个中心在该区块中央的高斯函数对所述周围邻域内的各个像素点的梯度的模加权；

根据上述每个区块内的像素点的加权后的模长、相对于所述主方向的角度差值，建立每个区块内的直方图，确定该区块内的向量；

以多维向量的格式记录全部区块的向量信息形成特征向量，作为该特征点的描述子。

5.根据权利要求4所述的车辆识别方法，其特征在于，还包括：建立所述梯度直方图的过程中，如果其中一个特征点的梯度的模大于第四阈值，则将该梯度的模值设置为第四阈值。

6.根据权利要求1所述的车辆识别方法，其特征在于，所述预先记录的特征点包括多组，每组特征点对应一个车辆图像；

还包括：采用kd-tree记录所述多组特征点；

采用BBF查询算法，在所述kd-tree中查询相匹配的一组特征点。

7.根据权利要求1所述的车辆识别方法，其特征在于，还包括：如果在多帧图像中存在的车辆图像的特征点均与记录的同一个车辆图像的特征点相匹配、且多帧图像中存在的车辆图像的颜色特征相一致，则确定多帧图像中存在的车辆图像为相同的车辆图像。