CN104063712A - 一种车辆信息提取方法和系统 - Google Patents

Abstract

本发明涉及一种车辆信息提取方法和系统，系统的输入为一个现有卡口系统拍摄的图片，通过对比度范围的调整和降噪处理等预处理手段后，采用层次化的分析方法，计算出图片中包含车辆的若干区域以及对应的车型信息、车辆颜色信息，针对轿车区域，通过统一车辆型号识别模型计算得出该车辆的品牌以及具体型号，针对轿车、大型车区域提取车辆牌照信息等。通过该系统，可以在100毫秒的级别内分析得到图片中车辆的车型、品牌及具体型号。

Description

一种车辆信息提取方法和系统

技术领域

本发明属于图像识别技术领域，特别涉及一种车辆信息提取方法和系统。

背景技术

在道路交通日趋便利的情况下，驾车作案开始成为犯罪分子跨区域实施流窜犯罪的主要作案方式，特别是在侵财性案件中尤为突出。与之对应的高清监控的建设已逐步向城市内部发展，形成了内外包围的密集架构，对车辆的控制能力大大提升。现有的卡口系统主要通过图片上车辆的牌照信息来完成对海量图片数据库的查询、检索。这种检索方法，依赖于车辆的牌照信息，无论牌照本身或是识别结果均是正确的这个前提。但根据对涉车案件的分析，发现犯罪分子的反侦查意识越来越强，使用假牌、冒用车牌的情况越来越普遍，这会造成牌照信息和所有人信息的错误关联，从而给案件的侦破带来了极大的困难。因此需要挖掘对于海量图片数据的其他语义查询和检索方式。

在图像识别领域，特别是在行人检测、人脸识别方面，最近产生了一些效果很好的方法。2001年P. Viola和M.Jones提出的“Robust Real-Time Face Detection”，该工作提出了用Adaboost方法结合Haar类特征进行人脸特征的训练，可以达到实时检测的效果。2006年N. Dalal提出了“Histograms of Oriented Gradients for Human Detection”，该工作提出一种基于方向直方图的特征，结合支持向量机技术，在行人检测上取得了非常好的效果。而针对图像中车辆信息相关的识别，还没有报告声称有成熟的高效解决方案。类似的工作主要集中在牌照识别，车辆标志的识别以及车辆类型的识别。

通过车辆标志的方法提取车辆品牌信息主要存在一些问题：1)车标一般较小，因此对车辆区域的大小和清晰度有很高的要求；2）车标的信息量太小，而依赖车标的检测方法无法处理现实情况中出现的更改车标或是车标破损、缺失的图片；3）同样由于车标的信息量太小，很多车辆的车标都不可以被高质量识别，误报率很高。

车辆类型的识别可以区分车辆的种类型号，是车辆信息的一部分。目前应用最广泛的检法方法是通过感应线圈，即当不同类型车辆通过时，感应装置会产生不同的波形，而同一类车的波形具有共性，因此可以用来区分车辆类型。这种方法的问题一是破坏性安装；二是容易受干扰，识别率较低；三是物理接触、消耗大且容易损坏。

再如申请号为201310416016.6的中国专利申请中，提出了一种基于图像的车辆品牌识别方法和系统，通过车牌检测的方法定位图像中车辆的位置，然后通过车牌的位置来计算车辆一些部件的位置，最后再通过对这些位置进行特征匹配获取该车辆的品牌信息。该方法存在一些很严重的问题，会影响该方法的适用范围以及实际效果。这包括：1）其品牌识别性能高度依赖于车辆牌照的精确定位，这就不能处理无牌照车辆或是牌照没有安放在标准位置的车辆，而这些情况在涉车的刑事案件中是经常出现的；2）由于其联合使用了多个车辆部件模块构成特征向量，而多个模块的定位也都依赖于相对牌照的关系，同样不能处理无牌照车辆或是牌照没有安放在标准位置的车辆；3）其在矫正车牌位置时候采用了SIFT特征匹配，该方法速度较慢，会影响整体识别速度。

发明内容

为了解决上述问题,针对大规模卡口图片中的车辆信息，包括车辆类型、车辆品牌型号、颜色、车牌等，进行快速提取,本发明第一个方面涉及一种车辆信息提取方法，包括：

读入待处理的卡口图片；

对待处理的卡口图片进行图像预处理，包括调整对比度范围和降噪处理；

对预处理的图片进行层次化结构分析；

将车辆信息合并成记录并存入数据库。

优选的是，采用最优化方法动态调整待处理的卡口图片的对比度范围，所述最优化方法包括：

计算出图像动态调整参数a，b；

利用所述参数a，b来对待处理的卡口图片做对比度的拉伸。

在上述任一方案中优选的是，所述计算图像动态调整参数为arg min(b-a)，

，

其中a、b为灰度取值范围的边界，f(t)为图像灰度值的概率密度函数，为给定的阈值，通过该最优化过程在图像的灰度直方图上找到一个最短的区间[a，b]，使得这个区间内的直方图面积大于。

在上述任一方案中优选的是，对待处理的卡口图片采用双边滤波的方式进行降噪处理。

在上述任一方案中优选的是，所述层次化结构分析提取车辆信息包括：

使用车辆类型识别模型提取车辆区域及车辆类型信息；

使用统一的车辆型号识别模型提取“轿车”类型车辆的品牌及型号信息；

提取“轿车”类型车辆的颜色信息；

提取车牌信息。

在上述任一方案中优选的是，所述层次化结构分析通过对车辆建立一个树状结构的划分模型，然后按照划分模型依次提取预处理图片中的车辆信息。

在上述任一方案中优选的是，所述树状结构的划分模型为按照其所属类型划分为“大型车”、“轿车”和“两轮/三轮车”三大类，其中“轿车”类进一步划分为若干品牌，同一品牌的“轿车”划分为不同的型号系列。

在上述任一方案中优选的是，所述车辆类型识别模型为某种车辆类型整体共有的形状结构特征，对不同车辆类型的特征进行建模的训练器参数可能不同；统一的车辆型号识别模型为不同品牌型号的车辆各自的共有形状结构特征的组合，采用完全相同的训练器参数对各品牌型号车辆的特征进行建模。

在上述任一方案中优选的是，采用大型车、小（轿）车、两轮/三轮车这三种类型车辆各自的整体共有形状结构特征来进行车辆区域的检测。

在上述任一方案中优选的是，使用统一的车辆型号识别模型进行信息匹配来提取车辆品牌及型号信息，包括：

训练阶段，采用同一参数提取不同品牌型号车辆各自的共有形状结构特征，生成一个标准车型特征的矩阵模型；

检测阶段，采用与训练模块相同的参数提取标准化的预处理图片的车辆特征并与矩阵模型相乘来进行车辆型号信息的特征匹配。

在上述任一方案中优选的是，采用GPU进行矩阵乘法运算。

在上述任一方案中优选的是，所述提取“轿车”类型车辆的颜色信息采用高斯混合模型和快表技术来计算“轿车”类型的图象区域的颜色主成分，从而计算出该区域车辆可能的颜色。

在上述任一方案中优选的是，提取“轿车”类型车辆的颜色信息具体包括：

定义颜色类型并给出样本图片；

采用所述样本图片的像素的Lab值训练各自颜色类型的高斯混合模型；

采用最优化方法进行图片局部处理；

根据处理后图片区域的像素Lab值查表计算得出符合各颜色高斯混合模型像素点的个数，取比例超过给定阈值的颜色作为该车辆的颜色信息。

本发明另一个方面涉及一种车辆信息提取系统，包括：

输入端，用于读取待处理的卡口图片；

预处理模块，用于对待处理的卡口图片进行图像预处理，包括调整对比度范围和降噪处理；

结构分析模块，用于对预处理的图片进行层次化结构分析；

输出端：用于将车辆信息合并成记录并存入数据库。

优选的是，在所述预处理模块中，包括最优化最优化方法动态调整单元，包括：

用于计算出图像动态调整参数a，b的参数模块；

利用所述参数a，b来对待处理的卡口图片做对比度的拉伸的对比度处理模块。

在上述任一方案中优选的是，所述参数模块嵌入区间处理单元，通过最优化过程在图像的灰度直方图上找到一个最短的区间[a，b]，使得这个区间内的直方图面积大于预设值。

在上述任一方案中优选的是，在所述预处理模块中，包括降噪处理单元，对待处理的卡口图片采用双边滤波的方式进行降噪处理。

在上述任一方案中优选的是，所述结构分析模块包括：

车辆区域及类型提取单元，使用车辆类型识别模型提取车辆区域及车辆类型信息；

车辆品牌及型号提取单元，使用统一的车辆型号识别模型提取“轿车”类型车辆的品牌及型号信息；

车辆颜色提取单元，用于提取“轿车”类型车辆的颜色信息；以及，

车牌信息提取单元，用于提取车牌信息。

在上述任一方案中优选的是，所述结构分析模块包括树状模块单元，用于对车辆建立一个树状结构的划分模型，以及，比对提取单元，按照划分模型依次提取预处理图片中的车辆信息。

在上述任一方案中优选的是，所述树状模块单元为按照其所属类型划分为“大型车”、“轿车”和“两轮/三轮车”三大类，其中“轿车”类进一步划分为若干品牌，同一品牌的“轿车”划分为不同的型号系列。

在上述任一方案中优选的是，所述车辆类型识别模型为某种车辆类型整体共有的形状结构特征，对不同车辆类型的特征进行建模的训练器参数可能不同；统一的车辆型号识别模型为不同品牌型号的车辆各自的共有形状结构特征的组合，采用完全相同的训练器参数对各品牌型号车辆的特征进行建模。

在上述任一方案中优选的是，使用统一的车辆型号识别模型进行信息匹配来提取车辆品牌及型号信息，包括：

训练单元，采用同一参数提取不同品牌型号车辆各自的共有形状结构特征，生成一个标准车型特征的矩阵模型；

检测单元，采用与训练模块相同的参数提取标准化的预处理图片的车辆特征并与矩阵模型相乘来进行车辆型号信息的特征匹配。

在上述任一方案中优选的是，在所述检测单元中，采用GPU进行矩阵乘法运算。

在上述任一方案中优选的是，所述车辆颜色提取单元采用高斯混合模型和快表技术来计算“轿车”类型的图象区域的颜色主成分，从而计算出该区域车辆可能的颜色。

在上述任一方案中优选的是，所述车辆颜色提取单元具体包括四层：

定义颜色类型并给出样本图片的预设层；

采用所述样本图片的像素的Lab值训练各自颜色类型的高斯混合模型的分析层；

采用最优化方法进行图片局部处理的处理层；

根据处理后图片区域的像素Lab值查表计算得出符合各颜色高斯混合模型像素点的个数，取比例超过给定阈值的颜色作为该车辆的颜色信息的决策层。

附图说明

图1是按照本发明的车辆信息提取方法的一优选实施例的流程图。

图2是按照本发明的车辆信息提取方法的图1所示实施例的层次化结构分析过程示意图。

图3是按照本发明的车辆信息提取方法的一优选实施例的效果图。

图4是按照本发明的车辆信息提取方法的图3所示实施例的处理结果示意图。

具体实施方式

为了对大规模卡口图片中的车辆信息，包括车辆类型、车辆品牌型号、颜色、车牌等，进行快速提取,本发明提供了一种车辆信息的提取方法及系统，通过本发明，可以对公安卡口图片中的车辆信息进行快速提取，增加除牌照外的其他常用车辆信息，从而可以丰富对现有海量图片的检索方式。公安机关可用这些信息来快速搜索符合某类特征的车辆，减少因涉案车辆使用假牌、冒用车牌而造成的牌照信息和所有人信息的错误关联，减少重要线索遗漏的可能性以及提高案件侦破效率。

实施例1、

本发明第一个方面涉及了一种车辆信息提取方法，如图1所示，包括如下步骤：

S1、读入待处理的卡口图片；

S2、对待处理的卡口图片进行图像预处理，包括调整对比度范围和降噪处理；

S3、对预处理的图片进行层次化结构分析；

S4、将车辆信息合并成记录并存入数据库。

在步骤S1中，系统读入待处理的卡口图片，支持单图像文件、多图像文件以及文件夹递归输入等处理方式。

在步骤S2中，采用最优化方法动态调整待处理的卡口图片的对比度范围，所述最优化方法包括以下步骤：

S201、计算出图像动态调整参数a，b；

S202、利用所述参数a，b来对待处理的卡口图片做对比度的拉伸。

动态调整参数a、b由如下公式获得：arg min(b-a)，

，

其中a、b为灰度取值范围的边界，f(t)为图像灰度值的概率密度函数，为给定的阈值，初始设定为0.99，通过该最优化过程在图像的灰度直方图上找到一个最短的区间[a，b]，使得这个区间内的直方图面积大于，利用这两个参数a，b来对原图像做对比度的拉伸。这种方法能够最大程度的使图像对比度趋于正常。

对于拉伸，在找到区间[a，b]后，用I(x,y)表示象素点(x,y)的像素值(各个颜色通道分别计算), I_new(x,y)表示经过拉伸后的颜色值，那么：

X1、在I(x,y) < a,的情况下，I_new(x,y) = 0；

X2、a<= I(x,y) <=b时，I_new(x,y) = (I(x,y)-a) * 255 / (b – a)；

X3、I(x,y) > b 时，I_new(x,y) =255。

之后，对待处理的卡口图片采用双边滤波的方式进行降噪处理。

在本实施例中，如步骤3所示，所述层次化结构分析提取车辆信息主要包括以下几个方面：

使用车辆类型识别模型提取车辆区域及车辆类型信息；

使用统一的车辆型号识别模型提取“轿车”类型车辆的品牌及型号信息；

提取“轿车”类型车辆的颜色信息；

提取车牌信息。

所述层次化结构分析通过对车辆建立一个树状结构的划分模型，然后按照划分模型依次提取预处理图片中的车辆信息。如图2所示，由若干子步骤组成，先进行第一层“大型车、小（轿）车、两轮/三轮车”的识别，在图像中找到若干车辆区域且每个车辆区域都标志为其所属的类型，这一层的识别采用HoG+SVM的方式进行，为了提高计算速度，对原图像进行了一定比例的缩放。这一步将会生成若干包含车辆的图像子区域（记为R_i），并且每个区域都含有该车类型的标签。然后对于标志为“轿车”的区域，进行车辆品牌及型号信息的提取和车辆颜色信息的提取，对于标示为“轿车”或“大型车”的区域进行牌照信息的提取。

车辆品牌及型号信息的提取。仅对那些标志为“小（轿）车”的区域R_i进行,对于原图上的这些小区域，采用描述“b.输入图像的预处理”中所提的方法进行处理,然后将这些区域图像缩放到标准尺寸，得到图像块RB_i，然后计算每个RB_i的HoG特征。由于采用了的统一车辆型号识别模型，通过一次矩阵乘法即可快速获取该标准图像区域内的车辆和车辆品牌类型库中的不同品牌型号的车辆特征匹配情况，从而得知该区域车辆的品牌型号信息。具体地，对于某个RB_i,假设可以计算得出a个HoG特征向量，其中每个特征向量为b维，则可以将这些特征向量组成一个矩阵,而标准车型的特征矩阵模型为,其中k为标准库中不同车型的个数。记的结果为，对矩阵按列相加得到，则的每一元素)即反映了区域RB_i和车辆品牌类型库中第j种车辆匹配的置信度，0表示和该种车辆不匹配，大于0则认为和该种车辆匹配,值越大置信度越高。考虑到实际需求中的冗余性，可根据具体要求，输出置信度排名前几位的型号参数。

所述树状结构的划分模型为按照其所属类型划分为“大型车”、“轿车”和“两轮/三轮车”三大类，其中“轿车”类进一步划分为若干品牌，同一品牌的“轿车”划分为不同的型号系列。所述车辆类型识别模型为某种车辆类型整体共有的形状结构特征，采用大型车、小（轿）车、两轮/三轮车这三种类型车辆各自的整体共有形状结构特征来进行车辆区域的检测。所述统一的车辆型号识别模型为不同品牌型号的车辆各自的共有形状结构特征的组合，采用完全相同的训练器参数对各品牌型号车辆的特征进行建模。

在本实施例中，使用统一的车辆型号识别模型进行信息匹配来提取车辆品牌及型号信息包括两个阶段：

训练阶段，采用同一参数提取不同品牌型号车辆各自的共有形状结构特征，生成一个标准车型特征的矩阵模型；

检测阶段，采用与训练模块相同的参数提取标准化的预处理图片的车辆特征并与矩阵模型相乘来进行车辆型号信息的特征匹配。

在本实施例中，采用GPU进行矩阵乘法运算。由于采用了统一的车辆型号识别模型，多标签的分类匹配过程可以转化为一次矩阵乘法操作，这样就可以利用GPU对矩阵乘法的高效性，极大地提高计算速度，获取相对于CPU两个数量级的加速效果。

提取“轿车”类型车辆的颜色信息采用高斯混合模型和快表技术来计算“轿车”类型的图象区域的颜色主成分，从而计算出该区域车辆可能的颜色，具体包括：

定义颜色类型并给出样本图片；

采用所述样本图片的像素的Lab值训练各自颜色类型的高斯混合模型；

采用最优化方法进行图片局部处理；

根据处理后图片区域的像素Lab值查表计算得出符合各颜色高斯混合模型像素点的个数，取比例超过给定阈值的颜色作为该车辆的颜色信息。

在本实施例中，由于Lab取值可为整数，且有明确的取值范围，因此可以预计算所有可能颜色的Lab值是否符合某种颜色的GMM模型，并形成对应的快表。当提取车辆颜色信息时，对于原图上的这些区域，采用描述“b.输入图像的预处理”中所提的方法进行处理，再缩放到标准尺寸，然后直接根据处理后的区域的象素Lab值，查表计算得出符合各颜色GMM模型像素点的个数。将符合各个颜色GMM模型的象素个数做归一化处理，处理后的值（该值大于等于0，小于等于1）即可认为是该车属于某种颜色分类的置信度，值越大，置信度越高。同样，考虑到实际需求中的冗余性，可根据具体要求，输出置信度排名前几位的颜色类型。

提取车辆牌照信息的时候，只需要对那些包含车辆的图像区域检测即可。

在所述步骤S4中，将车辆信息合并成记录并存入数据库。考虑到实际需求中的冗余性，对于某属性可将符合具体要求的若干个值都存入记录中。

表1给出了一种表单定义的示意。该表单可记录最多3种可能的车辆品牌信息，且按置信度大小分别位于“车辆品牌信息1”，“车辆品牌信息2”，“车辆品牌信息3”中，同时，该表单可记录最多2两种可能的车辆颜色信息，且按置信度大小分别位于“颜色信息1”，“颜色信息2”中。

表1：一种表单定义的示意

ID

区域坐标

车型信息

车辆品牌信息1

车辆品牌信息2

车辆品牌信息3

颜色信息1

颜色信息2

牌照信息

本发明另一个方面提供了一种与车辆信息提取方法相匹配的车辆信息提取系统，包括：

输入端，用于读取待处理的卡口图片；

预处理模块，用于对待处理的卡口图片进行图像预处理，包括调整对比度范围和降噪处理；

结构分析模块，用于对预处理的图片进行层次化结构分析；

输出端：用于将车辆信息合并成记录并存入数据库。

在所述预处理模块中，包括最优化最优化方法动态调整单元，包括：

用于计算出图像动态调整参数a，b的参数模块；

利用所述参数a，b来对待处理的卡口图片做对比度的拉伸的对比度处理模块。

所述参数模块嵌入区间处理单元，通过最优化过程在图像的灰度直方图上找到一个最短的区间[a，b]，使得这个区间内的直方图面积大于预设值。

在所述预处理模块中，包括降噪处理单元，对待处理的卡口图片采用双边滤波的方式进行降噪处理。

在本实施例中，所述结构分析模块包括四个提取单元：

车辆区域及类型提取单元，使用车辆类型识别模型提取车辆区域及车辆类型信息；

车辆品牌及型号提取单元，使用统一的车辆型号识别模型提取“轿车”类型车辆的品牌及型号信息；

车辆颜色提取单元，用于提取“轿车”类型车辆的颜色信息；以及，

车牌信息提取单元，用于提取车牌信息。

所述结构分析模块包括树状模块单元，用于过对车辆建立一个树状结构的划分模型，以及，比对提取单元，按照划分模型依次提取预处理图片中的车辆信息，树状模块单元为按照其所属类型划分为“大型车”、“轿车”和“两轮/三轮车”三大类，其中“轿车”类进一步划分为若干品牌，同一品牌的“轿车”划分为不同的型号系列。

所述车辆类型识别模型为某种车辆类型整体共有的形状结构特征，对不同车辆类型的特征进行建模的训练器参数可能不同；统一的车辆型号识别模型为不同品牌型号的车辆各自的共有形状结构特征的组合，采用完全相同的训练器参数对各品牌型号车辆的特征进行建模。

在本实施例中，使用统一的车辆型号识别模型进行信息匹配来提取车辆品牌及型号信息包括训练单元和检测单元：

训练单元，采用同一参数提取不同品牌型号车辆各自的共有形状结构特征，生成一个标准车型特征的矩阵模型；

检测单元，采用与训练模块相同的参数提取标准化的预处理图片的车辆特征并与矩阵模型相乘来进行车辆型号信息的特征匹配。

对于车辆颜色的提取，在所述车辆颜色提取单元采用高斯混合模型和快表技术来计算“轿车”类型的图象区域的颜色主成分，从而计算出该区域车辆可能的颜色，所述车辆颜色提取单元具体包括四层：

定义颜色类型并给出样本图片的预设层；

采用所述样本图片的像素的Lab值训练各自颜色类型的高斯混合模型的分析层；

采用最优化方法进行图片局部处理的处理层；

根据处理后图片区域的像素Lab值查表计算得出符合各颜色高斯混合模型像素点的个数，取比例超过给定阈值的颜色作为该车辆的颜色信息的决策层。

在本实施例中，对于车型的三种分类（大车，小车，三轮车），是分别计算的，各类信息的识别都是独立的函数提供的，可以在同一台服务器上完成，也可以在不同的服务器上完成。从逻辑上来说，对于一张图片的处理是一个完整的流程，而实际上为了充分利用系统资源，采用了标准的 “生产者/消费者”方式来处理每一步的结果：某一步完成的计算结果都放在一个队列里面，然后负责其它步骤的计算单元会从队列里面把任务拿出来进行下一步的计算。计算车型的复杂度较高，计算速度慢，计算型号比较块，大致比例是3:1，因此比如用3块GPU进行车型的划分，1块GPU进行型号的划分，然后颜色和车牌信息的提取同时用系统的CPU来完成，系统会根据可用的资源来进行动态的任务分配和负载平衡。

GPU为“图形处理器”（图像处理单元），是相对于CPU的一个概念，在现代的计算机中图形的处理变得越来越重要，需要一个专门的图形的核心处理器，在本实施例中，以GPU和CPU的组合模式对数据进行处理。

实施例2、

与实施例1相似，以具体实施案例对本发明的实施方法做一详细的描述。

需要说明的是HoG特征为用于目标检测的特征描述,该技术将图像局部出现的方向梯度次数进行计数,Lab值为描述正常视力的人能够看到的所有颜色，GMM为高斯模型，SVM为支持向量机。

首先对车辆类型进行分类包括：

轿车分类器：窗口大小240*224，块大小16*16，元胞大小、块重叠步长都为8*8，直方图精度为9。HoG向量长度为块个数(29*27) 783* 每块包含的元胞数（4）*直方图精度（9）=28188。

大车分类器：窗口大小288*288，块大小16*16、元胞大小、块重叠步长都为8*8，直方图精度为9。HoG向量长度为35*35*4*9=44100。

二/三轮车分类器：窗口大小160*288，块大小16*16、元胞大小、块重叠步长都为8*8，直方图精度为9。HoG向量长度为19*35*4*9=23940。

其次是车辆型号的分类器，由于采用统一车辆型号识别模型，因此分类器参数都是：窗口大小192*80，块大小16*16、元胞大小、块重叠步长都为8*8，直方图精度为18。HoG向量长度为23*9*4*9=14904。

以95种品牌、1044个不同型号的小车为例。统一车辆型号识别模型中的标准车型的特征矩阵大小为14904行*1044列。

利用HoG分类器检测时，当检测车型时，由于卡口的规格不一样，造成车辆在图像中的大小会各不相同。因此采用多分辨率的识别方式，即将待检测的图像按照一定的比例(1.05)进行逐级缩小，然后对每一级图像用某种车型分类器进行检测，记录结果，最后用聚类的方法将各个级别的结果进行归一化合并，从而得到区域信息（这一步骤是通常做法）。检测时窗口的移动步长和元胞大小一致，即每次窗口移动8个像素。

当检测 具体车辆型号时，由于将含有车辆的区域图像进行了标准化（缩放到了轿车分类器指定的窗口大小240*224），因此监测时，无需进行多分辨率的检测。检测时窗口的移动步长和元胞大小一致，即每次窗口移动8个像素。这样对于一个240*224的窗口大小，会计算出一共133个维数为14904的HoG向量，相当于一个的133*14904的矩阵。这个矩阵和标准车型的特征矩阵相乘(我们用GPU来实现矩阵相乘)，得到133*1044的结果矩阵，然后按列累加得到1*1044的矩阵，其中大于0的列即为对应的检测出的某车辆型号。

假设初始卡口图片尺寸为1600*1296，图像预处理得到的 a，b的值为a =0, b=164，以这两个参数对原图像做对比度拉伸，然后将图像尺寸缩为原尺寸的一半，之后进行车型的检测（大车，小车，三轮车三种分类器各自遍历），识别结果为小车，得到的区域信息（RB₁）是：左上点坐标（524, 212）, 矩形尺寸为宽854, 高796，单位都是像素，缩放到小车标准尺寸的系数是3.558。

再之后，将该区域缩放到标准尺寸大小（240*224），并对标准化的区域图像计算得到的a，b值为41, 160，对经处理的区域图像计算车辆型号，结果为“现代_途胜”（该车型对应的分类器命中结果为1，其余为0）。

实施例3：

与实施例2相似，所不同的是，对于卡口图片为多辆车时，

输入图像：1600*1200，图像预处理得到的 a，b 为a =71, b =250，以这两个参数对原图像做对比度拉伸，然后将图像尺寸缩为原尺寸的一半，进行车型的检测（大车，小车，三轮车三种分类器各跑一遍），识别结果为两个小车区域，得到的区域信息RB₁左上点坐标（364, 412）, 矩形尺寸为宽514, 高480，单位都是像素，缩放到小车标准尺寸(240*224)的系数是2.142；RB₂左上点坐标（856, 630）, 矩形尺寸为宽550, 高512，单位都是像素，缩放到小车标准尺寸(240*224)的系数是2.292。

在本实施例中，分别处理两个目标：

H1、对RB₁缩放到标准尺寸，对该区域图像计算得到的a，b值为72, 254，对经处理的区域图像计算车辆型号，结果为“宝马_4系”（该车型对应的分类器命中结果为1，其余为0）；

H2、对RB₂缩放到标准尺寸，对该区域图像计算得到的a，b值为72, 252，对经处理的区域图像计算车辆型号，结果为“大众_畅达”（该车型对应的分类器命中结果为2，其余为0）。

实施例4、

与实施例3相似，所不同的是，以二/三轮车的实例：1600*1200

图像预处理得到的 a，b 为a =66, b =161，然后将图像尺寸缩为原尺寸的一半，进行车型的检测（大车，小车，三轮车三种分类器各跑一遍），识别结果为二/三轮车区域，得到的区域信息RB₁左上点坐标（106, 274）, 矩形尺寸为宽436, 高786，单位都是像素。

需要说明的是，按照本发明的车辆信息提取方法和系统包括上述实施例中的任何一项及其任意组合，但上面所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明范围进行限定，在不脱离本发明设计精神前提下，本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (10)

1.一种车辆信息提取方法，包括：

读入待处理的卡口图片；

对待处理的卡口图片进行图像预处理，包括调整对比度范围和降噪处理；

对预处理的图片进行层次化结构分析；

将车辆信息合并成记录并存入数据库。

2.如权利要求1所述的车辆信息提取方法，其特征在于：采用最优化方法动态调整待处理的卡口图片的对比度范围，所述最优化方法包括：

计算出图像动态调整参数a、b；

利用所述参数a、b来对待处理的卡口图片做对比度的拉伸，

其中a、b为灰度取值范围的边界。

3.如权利要求2所述的车辆信息提取方法，其特征在于：所述计算图像动态调整参数为arg min(b-a)，

，

其中，f(t)为图像灰度值的概率密度函数，为给定的阈值，通过该最优化过程在图像的灰度直方图上找到一个最短的区间[a，b]，使得这个区间内的直方图面积大于。

4.如权利要求1所述的车辆信息提取方法，其特征在于：对待处理的卡口图片采用双边滤波的方式进行降噪处理。

5.如权利要求1所述的车辆信息提取方法，其特征在于：所述层次化结构分析提取车辆信息包括：

使用车辆类型识别模型提取车辆区域及车辆类型信息；

使用统一的车辆型号识别模型提取“轿车”类型车辆的品牌及型号信息；

提取“轿车”类型车辆的颜色信息；

提取车牌信息。

6.如权利要求5所述的车辆信息提取方法，其特征在于：所述层次化结构分析通过对车辆建立一个树状结构的划分模型，然后按照划分模型依次提取预处理图片中的车辆信息。

7.如权利要求6所述的车辆信息提取方法，其特征在于：所述树状结构的划分模型为按照其所属类型划分为“大型车”、“轿车”和“两轮/三轮车”三大类，其中“轿车”类进一步划分为若干品牌，同一品牌的“轿车”划分为不同的型号系列。

8.如权利要求5所述的车辆信息提取方法，其特征在于：所述车辆类型识别模型为某种车辆类型整体共有的形状结构特征，所述统一的车辆型号识别模型为不同品牌型号的车辆各自的共有形状结构特征的组合，并且所述统一的车辆型号识别模型采用完全相同的训练器参数对各品牌型号车辆的特征进行建模。

9.如权利要求5所述的车辆信息提取方法，其特征在于：所述使用统一的车辆型号识别模型进行信息匹配来提取车辆品牌及型号信息，包括：

训练阶段，采用同一参数提取不同品牌型号车辆各自的共有形状结构特征，生成一个标准车型特征的矩阵模型；

检测阶段，采用与训练模块相同的参数提取标准化的预处理图片的车辆特征并与矩阵模型相乘来进行车辆型号信息的特征匹配。

10.一种车辆信息提取系统，包括：

输入端，用于读取待处理的卡口图片；

预处理模块，用于对待处理的卡口图片进行图像预处理，包括调整对比度范围和降噪处理；

结构分析模块，用于对预处理的图片进行层次化结构分析；

输出端：用于将车辆信息合并成记录并存入数据库。