CN103390166B - 基于车前脸特征的车辆型号一致性判别方法 - Google Patents
基于车前脸特征的车辆型号一致性判别方法 Download PDFInfo
- Publication number
- CN103390166B CN103390166B CN201310299354.6A CN201310299354A CN103390166B CN 103390166 B CN103390166 B CN 103390166B CN 201310299354 A CN201310299354 A CN 201310299354A CN 103390166 B CN103390166 B CN 103390166B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- front face
- image
- vehicle model
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于车前脸特征的车辆型号一致性判别方法，包括以下方法：S01、一种融合了车辆定位和车牌定位信息的路面多车辆前脸截取方法，分析道路上交通卡口传回的路面车辆图像，采用图像分析技术，融合车辆位置及车牌位置信息，获得车前脸图像集合；S02、一种基于异类样本分析的车辆型号在线训练方法，在通过S01得到的车前脸图像集合中剔除异类样本，进而完成特定车型的模板训练；S03、一种基于车前脸特征子空间的车辆型号一致性判别方法，基于S01所截取的车辆前脸和S02得到的特定车型模板，得出车辆一致性判别。本发明能快速有效地完成交通卡口图像所对应的当前车型与某特定车型的一致性判别工作。
Description
技术领域
本发明涉及图像分析及模式识别技术领域，尤其是一种车辆型号一致性判别方法。
背景技术
随着人工智能、自动控制和模式识别等领域的发展，智能交通系统应运而生，并取得巨大发展。车辆类型的智能识别分类一直是智能交通系统的重要组成部分。车辆类型的准确识别对于高速公路收费额的确定、大型停车场的管理以及公路交通监视控制等都有着非常重要的意义。
传统的车型分类检测器主要有压电式检测器、红外检测器、磁感应式检测器及超声波检测器，易受其他外部不稳定因素的影响，且多是大体估计车辆长度而不能准确估计车辆类型。视觉监测装置与其他类型的检测器相比，有安装简单、维修方便、成本低以及信息量丰富等优点，目前已成为智能交通系统研究的热点。
视频监控是计算机视觉、模式识别以及人工智能等领域的一个重要的研究内容，在安全监控、智能交通、军事导航等方面有着广泛的应用前景。在目前的车辆类型判别中，大多通过降噪处理、边缘检测，从视频图像中提取汽车总长、宽度、高度、不变矩等特征量，然后进行模式识别，判断出车辆的车型，但只能对车辆的大体种类进行判断，如货车、轿车等，并无法实现车辆所对应的具体型号的判别。
车辆型号判别是车辆类型判别的细化分支。由于同种类的车辆所对应的型号有成百上千种，对车辆具体型号进行判别的工作非常具有挑战性，当前相关研究甚少。
发明内容
本发明的目的在于在在假设车辆型号的条件下，利用图像分析技术快速准确获取车前脸图像，并建立该型号车辆的在线模板学习机制，建立不同车型的车前脸特征识别模板集，进而实时完成通过各交通卡口的车辆的车型与某特定车型的一致性判别，为交通系统的假牌车甄别提供技术支持。
为实现上述目的，本发明提供了一种基于车前脸特征的车辆型号一致性判别方法，其包括以下部分：
S01、一种融合了车辆定位和车牌定位信息的路面多车辆前脸截取方法，分析道路上交通卡口传回的路面车辆图像，采用图像分析技术，融合车辆位置及车牌位置信息，获得车前脸图像集合；
S02、一种基于异类样本分析的车辆型号在线训练方法，在通过S01得到的车前脸图像集合中剔除异类样本，进而完成特定车型的模板训练；
S03、一种基于车前脸特征子空间的车辆型号一致性判别方法，基于S01所截取的车辆前脸和S02得到的特定车型模板，得出车辆一致性判别。
进一步地，所述S01、融合了车辆定位和车牌定位信息的路面多车辆前脸截取方法具体为：
(1)根据输入图像I灰度分布直方图，建立路面车辆的候选定位区域集合{Rv(i)}，i=1,2,…,Nv，Nv为车辆的候选定位区域个数；
(2)根据车牌颜色信息，建立车牌位置候选区集合{Rl(j)={[x(s),y(s)]|b(s)/min(r(s),g(s))}>Tb}，j=1,2,…,Nl，Nl为车牌位置候选区个数，(r(s),g(s),b(s))为像素点s的红、绿、蓝颜色分量，Tb为颜色阈值；
(3)融合路面车辆的候选定位区域Rv和车牌位置候选区Rl，得到车前脸搜索区Rf(k)={Rv(i)|Rv(i)∩Rl≠Φ}，及车前脸搜索区对应的车牌位置候选区Rl(k)={Rl(j)|Rv∩Rl(j)≠Φ}，k=1,2,…,Nf，其中Nf为车前脸搜索区个数；
(4)对于每一个车牌位置候选区Rl(k)进行交互式二值形态学操作，以逐步递进及验证的方式完成车牌区域的确定，获得车牌区域集合{Rl′(t)},t=1,2,…,N′f中心在图像中的位置信息[xl(t),yl(t)]；
(5)根据车牌区域Rl′(t)中心在图像中的位置信息[xl(t),yl(t)]，获取比例缩放因子s=1/(M-y(t))，其中M为图像的高度；
(6)根据车牌区域Rl′(t)中心在图像中的位置信息[xl(t),yl(t)]及其比例缩放因子，确定车前脸区域ROI(t)=[xf(t) yf(t) Wf Hf]，其中(Wf,Hf)为车前脸区域的长和高，xf(t)=xl(t)-s(Wl/2+Wf/4)，yf(t)=yl(t)-s(Hl/2+Hf)，(Wl,Hl)为车牌区域的长和高；
(7)根据车前脸区域ROI(t)，在图像I中进行车前脸截取，获得车前脸图像集合F={f(t)}，t=1,2,…,N′f。
更进一步地，所述S01的步骤(1)的具体实现步骤如下：
(a)对于输入图像I，建立其灰度直方图Ihist，其横坐标为灰度区间[0255]，其纵坐标为横坐标所对应的灰度值在图像I中出现的频次；
(b)分析灰度直方图Ihist，提取出现频次最多的灰度，将该灰度值记为B，其对应的频次为P；
(c)设定灰度区间阈值T=P/3，建立路面候选目标掩膜图像M=(I>B+T)|(I<B-T)；
(d)将输入图像I与目标掩膜图像M做点乘运算，获得去除了背景信息的路面目标图像I′；
(e)对I′做斑点标记，获得路面车辆的候选定位区域集合{Rv(i)}，i=1,2,…,Nv，Nv为车辆的候选定位区域个数。
更进一步地，所述S01的步骤(4)的具体实现步骤如下：
(a)初始化递进标识fg=0;
(b)将每一个车牌位置候选区Rl(k)所对应的坐标值的像素值赋1，其余像素赋0，形成一致性图像bw；
(c)对一致性图像bw进行膨胀操作；
(d)对bw做斑点标记，计算每一个斑点的面积、长宽比、矩形度，根据斑点的几何特征删除不可能为车牌的斑点；
(e)统计经删除操作之后的斑点个数，若大于1，则将该斑点进行车牌区域确认，若无法通过确认，则删除该斑点；
(f)统计经区域确认后的斑点个数，若大于1，则输出该斑点中心[xl,yl]，否则，将递进标识fg=fg+1；
(g)若递进标识fg=1，对bw进行结构元素为1的腐蚀操作和中值滤波，返回(d)；若递进标识fg=2，则计算车牌位置候选区Rl(k)的边缘图像El(k)，并令bw=bw∩El(k)，返回(d)；若递进标识fg=3，则计算车牌位置候选区Rl(k)的边缘图像El(k)，并令bw=bw∪El(k)，返回(d)；若fg>3，返回截取失败标志。
进一步地，所述S02、基于异类样本分析的车辆型号在线训练方法具体为：
(1)对于给定车辆型号G，形成对应于该型号的图像中所截取的车前脸图像集合FG={f(i1),i1=1,2,…,Ntrain}G，其中Ntrain为训练图像个数，并求取每一幅图像f(i1)的有向梯度直方图特征，形成对应于该车辆型号的特征集合FG′；
(2)形成对应于混合车型的图像所截取的车前脸图像集合FM={f(j1),j1=1,2,…,Nm}M，其中Nm为混合车型图像总的个数，并求取每一幅图像f(j1)的有向梯度直方图特征，形成对应于混合车辆型号的特征集合FM′；
(3)将混合车辆型号的特征集合FM′中的数据进行主成分分析，形成车辆前脸特征子空间S；
(4)将混合车辆型号的特征集合FM′中的数据投影至车辆前脸特征子空间S，形成混合车型模板MM={dM(k1),k1=1,2,…,Ntrain}
(5)将对应于给定车辆型号G的特征集合FG′中的数据投影至车辆前脸特征子空间S，形成在S中的点集DG={dG(k2),k2=1,2,…,N′f}；
(6)对点集DG进行直方图分析，从FG中删除出现频率小于设定频率阈值的数据所对应的车前脸图像，将其定义为异类样本，同时记录出现频率大于设定频率阈值的数据及数据个数NG，将数据保存为给定车辆型号G的车型模板MG={dG(k′),k′=1,2,…,NG}。
进一步地，所述S03、基于车前脸特征子空间的车辆型号一致性判别方法具体为：
(1)按所述的融合了车辆定位和车牌定位信息的路面多车辆前脸截取方法对输入图像J进行前脸截取，获得对应于图像J的前脸图像集合FJ={fJ(t)}，t=1,2,…,N′f；
(2)将fJ(t)投影至混合车型前脸图像形成的特征子空间S，获得投影系数d(t)；
(3)计算投影系数d(t)与车型模板MG中各数据的距离disG(k′)=|d(t)-dG(k′)|2；
(4)计算投影系数d(t)与混合车型模板MM中各数据的距离disM(k1)=|d(t)-dM(k1)|2；
(5)若ave(disG)ave(disM)<Td，则认为fJ(t)所对应的车辆其车型为G，令flag=1，否则其车型就不是G，Td为车型一致性判定阈值；
(6)若flag=1，则返回当前判定结果，否则t=t+1，返回(2)，直到t=N′f；
(7)输出最终判定。
与现有技术相比，本发明的有益效果是：本发明提供的车型一致性判别方法能快速有效地对经过交通卡口的车辆图像进行与某车型的一致性判定，为交通系统的假牌车甄别提供技术支持，极大限度地降低误判和漏判率。在智能交通系统、公安刑侦监测等领域均有广泛的应用前景。
附图说明
图1为本发明的基于车前脸特征的车辆型号一致性判别方法具体实施方式中的流程示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
请参图1所示，图1为本发明一种基于车前脸特征的车辆型号一致性判别方法具体实施方式中的流程示意图。在本实施方式中，一种基于车前脸特征的车辆型号一致性判别方法，其包括以下部分：
S01、一种融合了车辆定位和车牌定位信息的路面多车辆前脸截取方法，分析道路上交通卡口传回的路面车辆图像，采用图像分析技术，融合车辆位置及车牌位置信息，获得车前脸图像集合；
所述S01具体为：
(1)根据输入图像I灰度分布直方图，建立路面车辆的候选定位区域集合{Rv(i)}，i=1,2,…,Nv，Nv为车辆的候选定位区域个数；
(2)根据车牌颜色信息，建立车牌位置候选区集合{Rl(j)={[x(s),y(s)]|b(s)/min(r(s),g(s))}>Tb}，j=1,2,…,Nl，Nl为车牌位置候选区个数，(r(s),g(s),b(s))为像素点s的红、绿、蓝颜色分量，Tb为颜色阈值；
(3)融合路面车辆的候选定位区域Rv和车牌位置候选区Rl，得到车前脸搜索区Rf(k)={Rv(i)|Rv(i)∩Rl≠Φ}，及车前脸搜索区对应的车牌位置候选区Rl(k)={Rl(j)|Rv∩Rl(j)≠Φ}，k=1,2,…,Nf，其中Nf为车前脸搜索区个数；
(4)对于每一个车牌位置候选区Rl(k)进行交互式二值形态学操作，以逐步递进及验证的方式完成车牌区域的确定，获得车牌区域集合{Rl′(t)},t=1,2,…,N′f中心在图像中的位置信息[xl(t),yl(t)]；
(5)根据车牌区域Rl′(t)中心在图像中的位置信息[xl(t),yl(t)]，获取比例缩放因子s=1/(M-y(t))，其中M为图像的高度；
(6)根据车牌区域Rl′(t)中心在图像中的位置信息[xl(t),yl(t)]及其比例缩放因子，确定车前脸区域ROI(t)=[xf(t) yf(t) Wf Hf]，其中(Wf,Hf)为车前脸区域的长和高，xf(t)=xl(t)-s(Wl/2+Wf/4)，yf(t)=yl(t)-s(Hl/2+Hf)，(Wl,Hl)为车牌区域的长和高；
(7)根据车前脸区域ROI(t)，在图像I中进行车前脸截取，获得车前脸图像集合F={f(t)}，t=1,2,…,N′f。
具体的，所述S01的步骤(1)的具体实现步骤如下：
(a)对于输入图像I，建立其灰度直方图Ihist，其横坐标为灰度区间[0255]，其纵坐标为横坐标所对应的灰度值在图像I中出现的频次；
(b)分析灰度直方图Ihist，提取出现频次最多的灰度，将该灰度值记为B，其对应的频次为P；
(c)设定灰度区间阈值T=P/3，建立路面候选目标掩膜图像M=(I>B+T)|(I<B-T)；
(d)将输入图像I与目标掩膜图像M做点乘运算，获得去除了背景信息的路面目标图像I′；
(e)对I′做斑点标记，获得路面车辆的候选定位区域集合{Rv(i)}，i=1,2,…,Nv，Nv为车辆的候选定位区域个数。
具体的，所述S01的步骤(4)的具体实现步骤如下：
(a)初始化递进标识fg=0;
(b)将每一个车牌位置候选区Rl(k)所对应的坐标值的像素值赋1，其余像素赋0，形成一致性图像bw；
(c)对一致性图像bw进行膨胀操作；
(d)对bw做斑点标记，计算每一个斑点的面积、长宽比、矩形度，根据斑点的几何特征删除不可能为车牌的斑点；
(e)统计经删除操作之后的斑点个数，若大于1，则将该斑点进行车牌区域确认，若无法通过确认，则删除该斑点；
(f)统计经区域确认后的斑点个数，若大于1，则输出该斑点中心[xl,yl]，否则，将递进标识fg=fg+1；
(g)若递进标识fg=1，对bw进行结构元素为1的腐蚀操作和中值滤波，返回(d)；若递进标识fg=2，则计算车牌位置候选区Rl(k)的边缘图像El(k)，并令bw=bw∩El(k)，返回(d)；若递进标识fg=3，则计算车牌位置候选区Rl(k)的边缘图像El(k)，并令bw=bw∪El(k)，返回(d)；若fg>3，返回截取失败标志。
S02、一种基于异类样本分析的车辆型号在线训练方法，在通过S01得到的车前脸图像集合中剔除异类样本，进而完成特定车型的模板训练。
由于在根据S01中的方法进行车辆前脸截取时，不仅截取了车辆型号为G的车前脸，同时也截取了图像中可能存在的非车型为G的车前脸，或者由于根据当前车辆牌照号码及牌照颜色检索车管数据库得到当前牌照号码注册登记的品牌型号时因牌号有少量误读会造成误夹杂其它型号，为保证车型训练模板的准确性，利用尽可能多种品牌的车辆的前脸形成混合车型图像集合并形成车辆前脸特征子空间，在该子空间中，车前脸图像集合FG中车型为G的车前脸较多且相对聚集，而其它异类型的车辆前脸，即异类样本则在该子空间中分布较为分散，方法利用此分布特性从车前脸图像集合FG中剔除异类样本，使得车型G的训练模板更为准确。
在本实施方式中，所述步骤S02具体为：
(1)对于给定车辆型号G（即某一特定车型，可以根据当前车辆牌照号码及牌照颜色检索车管数据库得到），形成对应于该型号的图像中所截取的车前脸图像集合FG={f(i1),i1=1,2,…,Ntrain}G，其中Ntrain为训练图像个数，并求取每一幅图像f(i1)的有向梯度直方图特征，形成对应于该车辆型号的特征集合FG′；
(2)形成对应于混合车型的图像所截取的车前脸图像集合FM={f(j1),j1=1,2,…,Nm}M，其中Nm为混合车型图像总的个数，并求取每一幅图像f(j1)的有向梯度直方图特征，形成对应于混合车辆型号的特征集合FM′；
(3)将混合车辆型号的特征集合FM′中的数据进行主成分分析，形成车辆前脸特征子空间S；
(4)将混合车辆型号的特征集合FM′中的数据投影至车辆前脸特征子空间S，形成混合车型模板MM={dM(k1),k1=1,2,…,Ntrain}
(5)将对应于给定车辆型号G的特征集合FG′中的数据投影至车辆前脸特征子空间S，形成在S中的点集DG={dG(k2),k2=1,2,…,N′f}；
(6)对点集DG进行直方图分析，从FG中删除出现频率小于设定频率阈值（此处取0.1）的数据所对应的车前脸图像，将其定义为异类样本，同时记录出现频率大于设定频率阈值（此处取0.1）的数据及数据个数NG，将数据保存为给定车辆型号G的车型模板MG={dG(k′),k′=1,2,…,NG}。
S03、一种基于车前脸特征子空间的车辆型号一致性判别分析，基于S01所截取的车辆前脸和S02得到的特定车型模板，得出车辆一致性判别。
在本实施方式中，所述步骤S03中的特征比对的过程具体为：
(1)按权利要求2所述的融合了车辆定位和车牌定位信息的路面多车辆前脸截取方法对输入图像J进行前脸截取，获得对应于图像J的前脸图像集合FJ={fJ(t)}，t=1,2,…,N′f；
(2)将fJ(t)投影至混合车型前脸图像形成的特征子空间S，获得投影系数d(t)；
(3)计算投影系数d(t)与车型模板MG中各数据的距离disG(k′)=|d(t)-dG(k′)|2；
(4)计算投影系数d(t)与混合车型模板MM中各数据的距离disM(k1)=|d(t)-dM(k1)|2；
(5)若ave(disG)/ave(disM)<Td，则认为fJ(t)所对应的车辆其车型为G，令flag=1，否则其车型就不是G，Td为车型一致性判定阈值；
(6)若flag=1，则返回当前判定结果，否则t=t+1，返回(2)，直到t=N′f；
(7)输出最终判定。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于车前脸特征的车辆型号一致性判别方法，其特征在于，包括以下方法：
S01、一种融合了车辆定位和车牌定位信息的路面多车辆前脸截取方法，分析道路上交通卡口传回的路面车辆图像，采用图像分析技术，融合车辆位置及车牌位置信息，获得车前脸图像集合；
S02、一种基于异类样本分析的车辆型号在线训练方法，在通过S01得到的车前脸图像集合中剔除异类样本，进而完成特定车型的模板训练；
S03、一种基于车前脸特征子空间的车辆型号一致性判别方法，基于S01所截取的车辆前脸和S02得到的特定车型模板，得出车辆一致性判别；
所述S03、基于车前脸特征子空间的车辆型号一致性判别方法具体为：
(1)按所述的融合了车辆定位和车牌定位信息的路面多车辆前脸截取方法对输入图像J进行前脸截取，获得对应于图像J的前脸图像集合FJ＝{fJ(t)}，t＝1,2,…,N'f；
(2)将fJ(t)投影至混合车型前脸图像形成的特征子空间S，获得投影系数d(t)；
(3)计算投影系数d(t)与车型模板MG中各数据的距离disG(k')＝|d(t)-dG(k')|2；
(4)计算投影系数d(t)与混合车型模板MM中各数据的距离disM(k1)＝|d(t)-dM(k1)|2；
(5)若ave(disG)/ave(disM)<Td，则认为fJ(t)所对应的车辆其车型为G，令flag＝1，否则其车型就不是G，Td为车型一致性判定阈值；
(6)若flag＝1，则返回当前判定结果，否则t＝t+1，返回(2)，直到t＝N'f；
(7)输出最终判定。
2.根据权利要求1所述的基于车前脸特征的车辆型号一致性判别方法，其特征在于，所述S01、融合了车辆定位和车牌定位信息的路面多车辆前脸截取方法具体为：
(1)根据输入图像I灰度分布直方图，建立路面车辆的候选定位区域集合{Rv(i)}，i＝1,2,…,Nv，Nv为车辆的候选定位区域个数；
(2)根据车牌颜色信息，建立车牌位置候选区集合{Rl(j)＝{[x(s),y(s)]|b(s)/min(r(s),g(s))}>Tb}，j＝1,2,…,Nl，Nl为车牌位置候选区个数，(r(s),g(s),b(s))为像素点s的红、绿、蓝颜色分量，Tb为颜色阈值；
(3)融合路面车辆的候选定位区域Rv和车牌位置候选区Rl，得到车前脸搜索区Rf(k)＝{Rv(i)|Rv(i)∩Rl≠Φ}，及车前脸搜索区对应的车牌位置候选区Rl(k)＝{Rl(j)|Rv∩Rl(j)≠Φ}，k＝1,2,…,Nf，其中Nf为车前脸搜索区个数；
(4)对于每一个车牌位置候选区Rl(k)进行交互式二值形态学操作，以逐步递进及验证的方式完成车牌区域的确定，获得车牌区域集合{R′l(t)},t＝1,2,…,N'f中心在图像中的位置信息[xl(t),yl(t)]；
(5)根据车牌区域R′l(t)中心在图像中的位置信息[xl(t),yl(t)]，获取比例缩放因子s＝1/(M-y(t))，其中M为图像的高度；
(6)根据车牌区域R′l(t)中心在图像中的位置信息[xl(t),yl(t)]及其比例缩放因子，确定车前脸区域ROI(t)＝[xf(t) yf(t) Wf Hf]，其中(Wf,Hf)为车前脸区域的长和高，xf(t)＝xl(t)-s(Wl/2+Wf/4)，yf(t)＝yl(t)-s(Hl/2+Hf)，(Wl,Hl)为车牌区域的长和高；
(7)根据车前脸区域ROI(t)，在图像I中进行车前脸截取，获得车前脸图像集合F＝{f(t)}，t＝1,2,…,N'f。
3.根据权利要求2所述的基于车前脸特征的车辆型号一致性判别方法，其特征在于,所述S01的步骤(1)的具体实现步骤如下：
(a)对于输入图像I，建立其灰度直方图Ihist，其横坐标为灰度区间[0255]，其纵坐标为横坐标所对应的灰度值在图像I中出现的频次；
(b)分析灰度直方图Ihist，提取出现频次最多的灰度，将该灰度值记为B，其对应的频次为P；
(c)设定灰度区间阈值T＝P/3，建立路面候选目标掩膜图像M＝(I>B+T)|(I<B-T)；
(d)将输入图像I与目标掩膜图像M做点乘运算，获得去除了背景信息的路面目标图像I'；
(e)对I'做斑点标记，获得路面车辆的候选定位区域集合{Rv(i)}，i＝1,2,…,Nv，Nv为车辆的候选定位区域个数。
4.根据权利要求2所述的基于车前脸特征的车辆型号一致性判别方法，其特征在于,所述S01的步骤(4)的具体实现步骤如下：
(a)初始化递进标识fg＝0；
(b)将每一个车牌位置候选区Rl(k)所对应的坐标值的像素值赋1，其余像素赋0，形成一致性图像bw；
(c)对一致性图像bw进行膨胀操作；
(d)对bw做斑点标记，计算每一个斑点的面积、长宽比、矩形度，根据斑点的几何特征删除不可能为车牌的斑点；
(e)统计经删除操作之后的斑点个数，若大于1，则将该斑点进行车牌区域确认，若无法通过确认，则删除该斑点；
(f)统计经区域确认后的斑点个数，若大于1，则输出该斑点中心[xl,yl]，否则，将递进标识fg＝fg+1；
(g)若递进标识fg＝1，对bw进行结构元素为1的腐蚀操作和中值滤波，返回(d)；若递进标识fg＝2，则计算车牌位置候选区Rl(k)的边缘图像El(k)，并令bw＝bw∩El(k)，返回(d)；若递进标识fg＝3，则计算车牌位置候选区Rl(k)的边缘图像El(k)，并令bw＝bw∪El(k)，返回(d)；若fg>3，返回截取失败标志。
5.根据权利要求1所述的基于车前脸特征的车辆型号一致性判别方法，其特征在于，所述S02、基于异类样本分析的车辆型号在线训练方法具体为：
(1)对于给定车辆型号G，形成对应于该型号的图像中所截取的车前脸图像集合FG＝{f(i1),i1＝1,2,…,Ntrain}G，其中Ntrain为训练图像个数，并求取每一幅图像f(i1)的有向梯度直方图特征，形成对应于该车辆型号的特征集合F′G；
(2)形成对应于混合车型的图像所截取的车前脸图像集合FM＝{f(j1),j1＝1,2,…,Nm}M，其中Nm为混合车型图像总的个数，并求取每一幅图像f(j1)的有向梯度直方图特征，形成对应于混合车辆型号的特征集合F′M；
(3)将混合车辆型号的特征集合F′M中的数据进行主成分分析，形成车辆前脸特征子空间S；
(4)将混合车辆型号的特征集合F′M中的数据投影至车辆前脸特征子空间S，形成混合车型模板MM＝{dM(k1),k1＝1,2,…,Ntrain}
(5)将对应于给定车辆型号G的特征集合F′G中的数据投影至车辆前脸特征子空间S，形成在S中的点集DG＝{dG(k2),k2＝1,2,…,N'f}；
(6)对点集DG进行直方图分析，从FG中删除出现频率小于设定频率阈值的数据所对应的车前脸图像，将其定义为异类样本，同时记录出现频率大于设定频率阈值的数据及数据个数NG，将数据保存为给定车辆型号G的车型模板MG＝{dG(k'),k'＝1,2,…,NG}。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310299354.6A CN103390166B (zh) | 2013-07-17 | 2013-07-17 | 基于车前脸特征的车辆型号一致性判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310299354.6A CN103390166B (zh) | 2013-07-17 | 2013-07-17 | 基于车前脸特征的车辆型号一致性判别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103390166A CN103390166A (zh) | 2013-11-13 |
| CN103390166B true CN103390166B (zh) | 2016-08-17 |
Family
ID=49534433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310299354.6A Expired - Fee Related CN103390166B (zh) | 2013-07-17 | 2013-07-17 | 基于车前脸特征的车辆型号一致性判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103390166B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745598B (zh) * | 2014-01-09 | 2015-12-30 | 中科联合自动化科技无锡有限公司 | 基于前脸特征的车型识别方法 |
| CN103927549A (zh) * | 2014-04-14 | 2014-07-16 | 江南大学 | 基于斑点及直方图分析的车辆检测判别方法 |
| CN106339445B (zh) * | 2016-08-23 | 2019-06-18 | 东方网力科技股份有限公司 | 基于大数据的车辆检索方法及装置 |
| CN109299729B (zh) * | 2018-08-24 | 2021-02-23 | 四川大学 | 车辆检测方法及装置 |
| CN110491133B (zh) * | 2019-08-08 | 2020-10-16 | 善泊科技(珠海)有限公司 | 一种基于置信度的车辆信息校正系统和方法 |
| CN110533034B (zh) * | 2019-08-24 | 2023-03-17 | 大连理工大学 | 一种汽车前脸品牌分类方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411710A (zh) * | 2011-12-09 | 2012-04-11 | 东南大学 | 一种基于车脸特征的车辆类型识别方法 |
| CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8548201B2 (en) * | 2010-09-02 | 2013-10-01 | Electronics And Telecommunications Research Institute | Apparatus and method for recognizing identifier of vehicle |
-
2013
- 2013-07-17 CN CN201310299354.6A patent/CN103390166B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411710A (zh) * | 2011-12-09 | 2012-04-11 | 东南大学 | 一种基于车脸特征的车辆类型识别方法 |
| CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103390166A (zh) | 2013-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103390166B (zh) | 基于车前脸特征的车辆型号一致性判别方法 | |
| CN103745598B (zh) | 基于前脸特征的车型识别方法 | |
| CN106652468B (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
| CN104778444B (zh) | 道路场景下车辆图像的表观特征分析方法 | |
| CN101023436B (zh) | 交通标志检测方法 | |
| Huang et al. | On-board vision system for lane recognition and front-vehicle detection to enhance driver's awareness | |
| CN106127107A (zh) | 基于车牌信息和车辆轮廓的多路视频信息融合的车型识别方法 | |
| Chen et al. | Vehicle type categorization: A comparison of classification schemes | |
| CN106991820B (zh) | 违规车辆处理方法及装置 | |
| CN105160309A (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
| CN105931467A (zh) | 一种跟踪目标的方法及装置 | |
| CN105574552A (zh) | 一种基于单目视觉的车辆测距与碰撞预警方法 | |
| Chen et al. | Multi-shape descriptor vehicle classification for urban traffic | |
| CN104616502A (zh) | 基于组合式车路视频网络的车牌识别与定位系统 | |
| CN103164958B (zh) | 车辆监控方法及系统 | |
| CN103544489A (zh) | 一种车标定位装置及方法 | |
| CN104751190A (zh) | 一种面向车辆精细识别的车辆部件定位方法 | |
| CN112883936A (zh) | 一种对车辆违规行为的检测方法及其系统 | |
| Refai et al. | The study of vehicle classification equipment with solutions to improve accuracy in Oklahoma. | |
| Zheng et al. | A morphological neural network approach for vehicle detection from high resolution satellite imagery | |
| CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
| CN104318783A (zh) | 一种通过车灯侦测分析夜间交通流量的方法 | |
| Xu et al. | Deep learning based vehicle violation detection system | |
| Zhang et al. | Machine learning and computer vision-enabled traffic sensing data analysis and quality enhancement | |
| Bores et al. | Urban traffic monitoring from aerial LIDAR data with a two-level marked point process model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190505 Address after: 214000 Yinxiu Road, Binhu District, Wuxi City, Jiangsu Province 813-1401 Patentee after: JIANGSU BOSHI CONSTRUCTION Co.,Ltd. Address before: 214135 Internet of Things Research and Development Center E2-509, 200 Linghu Avenue, Wuxi New District, Jiangsu Province Patentee before: ZHONGKE UNITED AUTOMATION SCIENCE & TECHNOLOGY WUXI Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 Termination date: 20210717 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |