CN105139011A - 一种基于标识物图像的车辆识别方法及装置 - Google Patents
一种基于标识物图像的车辆识别方法及装置 Download PDFInfo
- Publication number
- CN105139011A CN105139011A CN201510563047.3A CN201510563047A CN105139011A CN 105139011 A CN105139011 A CN 105139011A CN 201510563047 A CN201510563047 A CN 201510563047A CN 105139011 A CN105139011 A CN 105139011A
- Authority
- CN
- China
- Prior art keywords
- marker
- vehicle
- image
- identified
- contrast
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明公开了一种基于标识物图像的车辆识别方法及装置,该方法包括如下步骤:从待识别车辆的抓拍图像中提取标识物图像,并分割成单个标识物;对提取的标识物图像中每个标识物进行特征标识;将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征标识比对,识别出待识别的车辆。本发明装置包括图像处理模块、特征标识模块和筛选模块。本发明的方法及装置根据标识物图像来进一步识别车辆,识别更加准确。
Description
技术领域
本发明属于车辆检测监控技术领域,尤其涉及一种基于标识物图像的车辆识别方法及装置。
背景技术
现有的车辆识别技术包括车牌识别、车型识别,然而现有的车辆识别技术很多时候不够用,为此如果能够再借用一些其它特征的识别,例如年检贴识别,能更加有助于我们对车辆进行识别。例如:某肇事车辆进行套牌,那么车牌识别就会失效,而此时如果借助车型识别来进一步查找,会发现车型识别搜出的图片仍旧非常多。因此如果要再缩小范围,则需要利用更多的特征(如年检贴、挂坠)来区分。
目前互联网比较常用的相似图片查找方法用的是感知哈希算法,首先将图片缩小至8*8的尺寸,总共64个像素,再对缩小的图片简化色彩,将图片转为64级灰度,然后计算所有64个像素的灰度平均值,将每个像素的灰度与平均值比较,大于或等于平均值记为1,小于平均值记为0,将该结果组合在一起,就构成了一个64位的整数,即该张图片的“指纹”。最后可以通过比较两个“指纹”的汉明距离得出图片的相识度,汉明距离越小说明两幅图像越相似。
虽然感知哈希算法能够很好的获得相识度,但是由于该方法的“指纹”是跟平均值比较生成的,对颜色的区分度不高,且有一定角度的标识物图片对识别结果也会产生一定的影响。
发明内容
本发明的目的是提供一种基于标识物图像的车辆识别方法及装置,以解决现有技术识别率不高的情况。
为了实现上述目的,本发明技术方案包括如下步骤:
一种基于标识物图像的车辆识别方法,包括如下步骤:
从待识别车辆的抓拍图像中提取标识物图像,并将提取的标志物图像分割成单个标识物;
对提取的标识物图像中每个标识物进行特征标识;
将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征比对,从已知车辆记录中识别出待识别的车辆。
进一步地,所述对提取的标识物图像中每个标识物进行特征标识,包括:
统计标识物图像中标识物的个数,对每个标识物进行编号;
设置每个标识物在标识物图像中的矩阵坐标;
获取每个标识物的形状信息;
计算每个标识物对应的颜色直方图、对比度和LBP纹理直方图;
将所述每个标识物的编号、矩阵坐标、形状、颜色直方图、对比度和LBP纹理直方图记录在特征列表中。
进一步地,所述将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征比对,从已知车辆记录中识别出待识别的车辆,包括:
比较待识别车辆的标识物图像中标识物的个数与已知车辆记录中标识物图像的标识物个数,从已知车辆记录中筛选出标识物个数相同的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的矩阵坐标和形状,筛选出矩阵坐标和形状都匹配的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,筛选出最接近的车辆记录,将筛选出的车辆记录作为待识别车辆的识别结果。
进一步地,所述进一步从筛选出的车辆记录中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,筛选出最接近的车辆记录,将筛选出的车辆记录作为待识别车辆的识别结果,包括:
根据颜色直方图、对比度和LBP纹理直方图,计算出待识别车辆的标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的多特征值f,计算公式如下:
f=dis_color+dis_lbp+|c-|'|;
其中,dis_color为待识别车辆标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的颜色直方图距离;dis_lbp为待识别车辆标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的LBP纹理直方图距离;c表示待识别车辆标识物图像中每个标识物的对比度;c’表示筛选出的车辆记录的标识物图像中对应的标识物的对比度;|c-c’|为对比度值差的绝对值;
根据每个标识物对应的多特征值,计算出多特征均值,按多特征均值的大小从小到大进行排序,最小值对应的车辆记录即为最接近车辆记录。
进一步地,所述标识物为年检贴。
本发明还提出了一种基于标识物图像的车辆识别装置,所述装置包括:
图像处理模块,用于从待识别车辆的抓拍图像中提取标识物图像,并将提取的标志物图像分割成单个标识物;
特征标识模块,用于对提取的标识物图像中每个标识物进行特征标识;
筛选模块,用于将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征比对,从已知车辆记录中识别出待识别的车辆。
进一步地,所述特征标识模块在对提取的标识物图像中每个标识物进行特征标识时,执行如下操作:
统计标识物图像中标识物的个数,对每个标识物进行编号;
设置每个标识物在标识物图像中的矩阵坐标;
获取每个标识物的形状信息;
计算每个标识物对应的颜色直方图、对比度和LBP纹理直方图;
将所述每个标识物的编号、矩阵坐标、形状、颜色直方图、对比度和LBP纹理直方图记录在特征列表中。
进一步地,所述筛选模块在将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征比对,从已知车辆记录中识别出待识别的车辆时,执行如下操作:
比较待识别车辆的标识物图像中标识物的个数与已知车辆记录中标识物图像的标识物个数,从已知车辆记录中筛选出标识物个数相同的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的矩阵坐标和形状,筛选出矩阵坐标和形状都匹配的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,筛选出最接近的车辆记录,将筛选出的车辆记录作为待识别车辆的识别结果。
进一步地,所述筛选模块在进一步从筛选出的车辆记录中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,筛选出最接近的车辆记录,将筛选出的车辆记录作为待识别车辆的识别结果时,执行如下操作:
根据颜色直方图、对比度和LBP纹理直方图,计算出待识别车辆的标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的多特征值f,计算公式如下:
f=dis_color+dis_lbp+|c-c’|;
其中,dis_color为待识别车辆标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的颜色直方图距离;dis_lbp为待识别车辆标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的LBP纹理直方图距离;c表示待识别车辆标识物图像中每个标识物的对比度;c’表示筛选出的车辆记录的标识物图像中对应的标识物的对比度;|c-c’|为对比度值差的绝对值;
根据每个标识物对应的多特征值,计算出多特征均值,按多特征均值的大小从小到大进行排序,最小值对应的车辆记录即为最接近车辆记录。
本发明提出了一种基于标识物图像的车辆识别方法及装置,对标识物图像中每个标识物进行特征标识,通过比对每个标识物的特征进一步缩小查找的范围,能够更加准确地识别车辆。
附图说明
图1为本发明一种基于标识物图像的车辆识别方法流程图;
图2为本发明实施例从卡口图像中分割出的年检贴图像;
图3为本发明实施例年检贴对应的特征列表。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明,以下实施例不构成对本发明的限定。
在进行车辆识别时,往往仅仅凭车牌、车型识别不能够从海量的数据库中查找到对应的车辆,需要进一步根据其他标识物缩小搜索的范围。其他标识物有年检贴、挂坠等,其中年检贴包括车检贴、交强险贴及环保标识贴,本实施例以年检贴为例进行说明。
如图1所示,一种基于标识物图像的车辆识别方法,具体包括如下步骤:
步骤1、从待识别车辆的抓拍图像中提取标识物图像,并将提取的标志物图像分割成单个标识物。
本实施例中待识别车辆的抓拍图像通常为卡口图像,标识物图像为包含待识别车辆中所有年检贴的年检贴图像,单个标识物就是指单个年检贴。对于待识别车辆的卡口图像,通过现有adaboost方法对卡口图像进行分割,从卡口图像中提取出年检贴图像,如图2所示。其中adaboost方法是一种用来分类的方法,它的基本原理就是把一些比较弱的分类方法合在一起,组合出新的很强的分类方法,用于图像的识别,这里不再赘述。
进一步将提取的年检贴图像分割成单个年检贴,即对提取的年检贴图像进行图像的形态学处理,再通过查找轮廓,对年检贴图像中的每个年检贴进行单独分离。
步骤2、对提取的标识物图像中每个标识物进行特征标识。
在分离出每个年检贴后,需要对每个年检贴进行特征标识,例如对图2中的每个年检贴1、2、3分别进行特征标识。每个年检贴对应有矩阵坐标、形状、颜色直方图、对比度和LBP纹理直方图等特征,并将年检贴的各个特征记录在特征列表中。
如图3所示的特征列表,其中,年检贴号为各个年检贴的编号,根据年检贴号可以统计出年检贴图像中年检贴的个数;矩阵坐标以该年检贴在整个年检贴图像中的坐标表示;形状表示各年检贴的外形轮廓形状;特征列表中还包括各个年检贴的颜色直方图、对比度和LBP纹理直方图。
本实施例计算每个年检贴的颜色直方图,方法如下:
将每个年检贴图像从RGB格式转换成HSV空间格式,色调H空间和饱和度S空间分别取64个bin,其中bin为色调H空间和饱和度S空间上直方图的级数。色调H的取值范围为[0,180],饱和度S的取值范围为[0,255],然后将色调H和饱和度S形成颜色直方图,并对颜色直方图进行归一化处理。
针对亮度V,由于年检贴图像受光照影响较大,本实施例方法忽略亮度V,计算颜色直方图时只取H和S空间。
本实施例计算每个年检贴的对比度和LBP纹理直方图,方法如下:
年检贴的纹理特征包括灰度共生矩阵的对比度和LBP纹理直方图,其中灰度共生矩阵对应有水平方向、垂直方向和对角线方向的对比度信息,为节省性能本实施例只计算灰度共生矩阵水平方向的对比度信息。
关于年检贴的灰度共生矩阵,通过以下方法计算得到:
取年检贴中任意一点A(x,y)及偏离它的另一点B(x+a,y+b),设该点对(A,B)的灰度值为(i,j)。令点A(x,y)在整个画面上移动,则会得到各种(i,j)值,设灰度值的级数为k,则(i,j)的组合共有k的平方种。对于年检贴,统计出每一种(i,j)值出现的次数,然后排列成一个方阵,再用(i,j)出现的总次数将它们归一化为出现的概率P(i,j),这样的方阵称为灰度共生矩阵。
其中距离差分值(a,b)取不同的数值组合,可以得到不同情况下的联合概率矩阵。(a,b)取值要根据纹理周期分布的特性来选择,对于较细的纹理,选取(1,0)、(1,1)、(2,0)等小的差分值。
当a=1,b=0时,像素对是水平的,即0度扫描;当a=0,b=1时,像素对是垂直的,即90度扫描;当a=1,b=1时,像素对是右对角线的,即45度扫描;当a=-1,b=1时,像素对是左对角线,即135度扫描。
这样,两个象素灰度级同时发生的概率,就将(x,y)的空间坐标转化为“灰度对”(i,j)的描述,形成了灰度共生矩阵。
本实施例令点A(x,y)和点B(x+a,y+b)在整个年检贴上先从左到右,再上到下同方向移动,直至遍历完整个年检贴,每次移动一个像素,并记录该位置点对的灰度值(i,j),而得到不同位置上的灰度值;统计出每个灰度值出现的次数,再用(i,j)出现的总次数将它们归一化为出现的概率P(i,j),得到灰度共生矩阵;本实施例中k的取值为32。
灰度共生矩阵能够用对比度、能量、熵、相关性等特征量来表示纹理特征,本实施例只需要计算对比度。从而可以根据灰度共生矩阵计算对比度信息,具体计算如下:
C为归一化后灰度共生矩阵的对比度值,P(i,j)为灰度共生矩阵中每个不同的灰度值(i,j)出现的概率。
LBP纹理直方图的获取如下:首先将年检贴转换成LBP图像,然后计算LBP的直方图,再将直方图进行归一化处理得到LBP纹理直方图。
步骤3、将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征比对,从已知车辆记录中识别出待识别的车辆。
根据车牌和车型,已经能够检索出一定数量的车辆记录,根据本实施例获取的标识物图像中每个标识物的特征,从已知车辆记录中进一步筛选出匹配的车辆记录,锁定待识别的车辆。
首先,比较待识别车辆的标识物图像中标识物的个数与已知车辆记录中标识物图像的标识物个数,从已知车辆记录中筛选出标识物个数相同的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的矩阵坐标和形状,筛选出矩阵坐标和形状都匹配的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,筛选出最接近的车辆记录,将筛选出的车辆记录作为待识别车辆的识别结果。
其中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,是根据颜色直方图、对比度和LBP纹理直方图计算出待识别车辆的标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的多特征值f,计算公式如下:
f=dis_color+dis_lbp+|c-c’|;
其中,dis_color为待识别车辆标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的颜色直方图距离;dis_lbp为待识别车辆的标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的LBP纹理直方图距离;c表示待识别车辆标识物图像中每个标识物的对比度;c’表示筛选出的车辆记录的标识物图像中对应的标识物的对比度;|c-c’|为对比度值差的绝对值。本实施例直方图比较的距离采用卡方距离,多特征值f越小说明待识别车辆的标识物图像中标识物与筛选出的车辆记录的标识物图像中对应的标识物越相似。
本实施例的年检贴图像中有三个年检贴,分别计算出每个年检贴对应的多特征值。
根据每个标识物对应的多特征值,计算出多特征均值,按多特征均值的大小从小到大进行排序,多特征均值越小说明待识别车辆的标识物图像与筛选出的车辆记录的标识物图像越相似,最小的多特征均值所对应的车辆即为最接近的车辆,将最接近的车辆记录作为待识别车辆的识别结果。
本实施例中三个年检贴对应的多特征值分别为f1,f2,f3,则多特征均值为:
从而根据多特征均值的大小进行排序,以最小的多特征均值所对应的车辆即为最接近的车辆。
对应于上述方法,本实施例还提出了一种基于标识物图像的车辆识别装置,包括:
图像处理模块,用于从待识别车辆的抓拍图像中提取标识物图像,并将提取的标志物图像分割成单个标识物;
特征标识模块,用于对提取的标识物图像中每个标识物进行特征标识;
筛选模块,用于将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征比对,从已知车辆记录中识别出待识别的车辆。
对应于上述方法,本实施例特征标识模块在对提取的标识物图像中每个标识物进行特征标识时,执行如下操作:
统计标识物图像中标识物的个数,对每个标识物进行编号;
设置每个标识物在标识物图像中的矩阵坐标;
获取每个标识物的形状信息;
计算每个标识物对应的颜色直方图、对比度和LBP纹理直方图;
将所述每个标识物的编号、矩阵坐标、形状、颜色直方图、对比度和LBP纹理直方图记录在特征列表中。
进一步地,筛选模块在将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征比对,从已知车辆记录中识别出待识别的车辆时,执行如下操作:
比较待识别车辆的标识物图像中标识物的个数与已知车辆记录中标识物图像的标识物个数,从已知车辆记录中筛选出标识物个数相同的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的矩阵坐标和形状,筛选出矩阵坐标和形状都匹配的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,筛选出最接近的车辆记录,将筛选出的车辆记录作为待识别车辆的识别结果。
进一步地,筛选模块在进一步从筛选出的车辆记录中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,筛选出最接近的车辆记录,将筛选出的车辆记录作为待识别车辆的识别结果时,执行如下操作:
根据颜色直方图、对比度和LBP纹理直方图,计算出待识别车辆的标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的多特征值f,计算公式如下:
f=dis_color+dis_lbp+|c-c’|;
其中,dis_color为待识别车辆标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的颜色直方图距离;dis_lbp为待识别车辆标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的LBP纹理直方图距离;c表示待识别车辆标识物图像中每个标识物的对比度;c’表示筛选出的车辆记录的标识物图像中对应的标识物的对比度;|c-c’|为对比度值差的绝对值;
根据每个标识物对应的多特征值,计算出多特征均值,按多特征均值的大小从小到大进行排序,最小值对应的车辆记录即为最接近车辆记录。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种基于标识物图像的车辆识别方法,其特征在于,包括如下步骤:
从待识别车辆的抓拍图像中提取标识物图像,并将提取的标志物图像分割成单个标识物;
对提取的标识物图像中每个标识物进行特征标识;
将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征比对,从已知车辆记录中识别出待识别的车辆。
2.根据权利要求1所述的车辆识别方法,其特征在于,所述对提取的标识物图像中每个标识物进行特征标识,包括:
统计标识物图像中标识物的个数,对每个标识物进行编号;
设置每个标识物在标识物图像中的矩阵坐标;
获取每个标识物的形状信息;
计算每个标识物对应的颜色直方图、对比度和LBP纹理直方图;
将所述每个标识物的编号、矩阵坐标、形状、颜色直方图、对比度和LBP纹理直方图记录在特征列表中。
3.根据权利要求2所述的车辆识别方法,其特征在于,所述将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征比对,从已知车辆记录中识别出待识别的车辆,包括:
比较待识别车辆的标识物图像中标识物的个数与已知车辆记录中标识物图像的标识物个数,从已知车辆记录中筛选出标识物个数相同的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的矩阵坐标和形状,筛选出矩阵坐标和形状都匹配的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,筛选出最接近的车辆记录,将筛选出的车辆记录作为待识别车辆的识别结果。
4.根据权利要求3所述的车辆识别方法,其特征在于,所述进一步从筛选出的车辆记录中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,筛选出最接近的车辆记录,将筛选出的车辆记录作为待识别车辆的识别结果,包括:
根据颜色直方图、对比度和LBP纹理直方图,计算出待识别车辆的标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的多特征值f,计算公式如下:
f=dis_color+dis_lbp+|c-c’|;
其中,dis_color为待识别车辆标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的颜色直方图距离;dis_lbp为待识别车辆标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的LBP纹理直方图距离;c表示待识别车辆标识物图像中每个标识物的对比度;c’表示筛选出的车辆记录的标识物图像中对应的标识物的对比度;|c-c’|为对比度值差的绝对值;
根据每个标识物对应的多特征值,计算出多特征均值,按多特征均值的大小从小到大进行排序,最小值对应的车辆记录即为最接近车辆记录。
5.根据权利要求1所述的车辆识别方法,其特征在于,所述标识物为年检贴。
6.一种基于标识物图像的车辆识别装置,其特征在于,所述装置包括:
图像处理模块,用于从待识别车辆的抓拍图像中提取标识物图像,并将提取的标志物图像分割成单个标识物;
特征标识模块,用于对提取的标识物图像中每个标识物进行特征标识;
筛选模块,用于将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征比对,从已知车辆记录中识别出待识别的车辆。
7.根据权利要求6所述的车辆识别装置,其特征在于,所述特征标识模块在对提取的标识物图像中每个标识物进行特征标识时,执行如下操作:
统计标识物图像中标识物的个数,对每个标识物进行编号;
设置每个标识物在标识物图像中的矩阵坐标;
获取每个标识物的形状信息;
计算每个标识物对应的颜色直方图、对比度和LBP纹理直方图;
将所述每个标识物的编号、矩阵坐标、形状、颜色直方图、对比度和LBP纹理直方图记录在特征列表中。
8.根据权利要求6所述的车辆识别装置,其特征在于,所述筛选模块在将待识别车辆的标识物图像与已知车辆记录中的标识物图像进行特征比对,从已知车辆记录中识别出待识别的车辆时,执行如下操作:
比较待识别车辆的标识物图像中标识物的个数与已知车辆记录中标识物图像的标识物个数,从已知车辆记录中筛选出标识物个数相同的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的矩阵坐标和形状,筛选出矩阵坐标和形状都匹配的车辆记录;
进一步从筛选出的车辆记录中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,筛选出最接近的车辆记录,将筛选出的车辆记录作为待识别车辆的识别结果。
9.根据权利要求8所述的车辆识别装置,其特征在于,所述筛选模块在进一步从筛选出的车辆记录中,比较每个标识物的颜色直方图、对比度和LBP纹理直方图,筛选出最接近的车辆记录,将筛选出的车辆记录作为待识别车辆的识别结果时,执行如下操作:
根据颜色直方图、对比度和LBP纹理直方图,计算出待识别车辆的标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的多特征值f,计算公式如下:
f=dis_color+dis_lbp+|c-c’|;
其中,dis_color为待识别车辆标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的颜色直方图距离;dis_lbp为待识别车辆标识物图像中每个标识物与筛选出的车辆记录的标识物图像中对应的标识物的LBP纹理直方图距离;c表示待识别车辆标识物图像中每个标识物的对比度;c’表示筛选出的车辆记录的标识物图像中对应的标识物的对比度;|c-c’|为对比度值差的绝对值;
根据每个标识物对应的多特征值,计算出多特征均值,按多特征均值的大小从小到大进行排序,最小值对应的车辆记录即为最接近车辆记录。
10.根据权利要求6所述的车辆识别装置,其特征在于,所述标识物为年检贴。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510563047.3A CN105139011B (zh) | 2015-09-07 | 2015-09-07 | 一种基于标识物图像的车辆识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510563047.3A CN105139011B (zh) | 2015-09-07 | 2015-09-07 | 一种基于标识物图像的车辆识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139011A true CN105139011A (zh) | 2015-12-09 |
CN105139011B CN105139011B (zh) | 2019-03-08 |
Family
ID=54724354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510563047.3A Active CN105139011B (zh) | 2015-09-07 | 2015-09-07 | 一种基于标识物图像的车辆识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139011B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975903A (zh) * | 2016-04-22 | 2016-09-28 | 安徽大学 | 一种汽车特征识别方法 |
CN106250555A (zh) * | 2016-08-15 | 2016-12-21 | 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 |
CN106403951A (zh) * | 2016-08-26 | 2017-02-15 | 观宇能源科技(上海)有限公司 | 一种基于计算机视觉的定位系统及其定位方法 |
CN107610259A (zh) * | 2017-08-24 | 2018-01-19 | 深圳双创科技发展有限公司 | 一种基于周围环境标识物的考勤方法和装置 |
CN109213891A (zh) * | 2018-08-20 | 2019-01-15 | 深圳市乐唯科技开发有限公司 | 一种使用平均哈希算法搜索图片的方法 |
CN109246446A (zh) * | 2018-11-09 | 2019-01-18 | 东方明珠新媒体股份有限公司 | 比较视频内容相似性的方法、装置和设备 |
CN109903296A (zh) * | 2019-02-15 | 2019-06-18 | 领航基因科技(杭州)有限公司 | 一种基于LBP-Adaboost算法的数字PCR液滴检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及系统 |
CN103530366A (zh) * | 2013-10-12 | 2014-01-22 | 湖北微模式科技发展有限公司 | 一种基于自定义特征的车辆搜索方法与系统 |
CN103678558A (zh) * | 2013-12-06 | 2014-03-26 | 中科联合自动化科技无锡有限公司 | 基于sift特征的嫌疑车辆检索方法 |
-
2015
- 2015-09-07 CN CN201510563047.3A patent/CN105139011B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及系统 |
CN103530366A (zh) * | 2013-10-12 | 2014-01-22 | 湖北微模式科技发展有限公司 | 一种基于自定义特征的车辆搜索方法与系统 |
CN103678558A (zh) * | 2013-12-06 | 2014-03-26 | 中科联合自动化科技无锡有限公司 | 基于sift特征的嫌疑车辆检索方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975903A (zh) * | 2016-04-22 | 2016-09-28 | 安徽大学 | 一种汽车特征识别方法 |
CN106250555A (zh) * | 2016-08-15 | 2016-12-21 | 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 |
CN106250555B (zh) * | 2016-08-15 | 2019-07-09 | 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 |
CN106403951A (zh) * | 2016-08-26 | 2017-02-15 | 观宇能源科技(上海)有限公司 | 一种基于计算机视觉的定位系统及其定位方法 |
CN107610259A (zh) * | 2017-08-24 | 2018-01-19 | 深圳双创科技发展有限公司 | 一种基于周围环境标识物的考勤方法和装置 |
CN109213891A (zh) * | 2018-08-20 | 2019-01-15 | 深圳市乐唯科技开发有限公司 | 一种使用平均哈希算法搜索图片的方法 |
CN109246446A (zh) * | 2018-11-09 | 2019-01-18 | 东方明珠新媒体股份有限公司 | 比较视频内容相似性的方法、装置和设备 |
CN109903296A (zh) * | 2019-02-15 | 2019-06-18 | 领航基因科技(杭州)有限公司 | 一种基于LBP-Adaboost算法的数字PCR液滴检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105139011B (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139011A (zh) | 一种基于标识物图像的车辆识别方法及装置 | |
CN105825203B (zh) | 基于点对匹配和几何结构匹配的地面箭头标志检测与识别方法 | |
Abolghasemi et al. | An edge-based color-aided method for license plate detection | |
CN101872416B (zh) | 对道路图像进行车牌识别的方法和系统 | |
CN105740886B (zh) | 一种基于机器学习的车标识别方法 | |
Wang et al. | An effective method for plate number recognition | |
CN106650553A (zh) | 车牌识别方法及系统 | |
CN103824091B (zh) | 一种用于智能交通系统的车牌识别方法 | |
CN109886896A (zh) | 一种蓝色车牌分割与矫正方法 | |
CN107729812B (zh) | 一种适用于监控场景中的车辆颜色识别的方法 | |
CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 | |
Zakir et al. | Road sign detection and recognition by using local energy based shape histogram (LESH) | |
CN104299009A (zh) | 基于多特征融合的车牌字符识别方法 | |
CN111027544B (zh) | 一种基于视觉显著性检测的mser车牌定位方法及系统 | |
CN104463134A (zh) | 一种车牌检测方法和系统 | |
CN104200228A (zh) | 一种安全带识别方法与系统 | |
CN103473570A (zh) | 自适应视频场景的行人检测方法 | |
CN110706235A (zh) | 一种基于双级级联分割的远红外行人检测方法 | |
CN106407951A (zh) | 一种基于单目视觉的夜间前方车辆检测方法 | |
CN108460420A (zh) | 一种对证件图像进行分类的方法 | |
Mammeri et al. | MSER-based text detection and communication algorithm for autonomous vehicles | |
CN111144405A (zh) | 一种新能源车辆识别方法及装置 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN106529533A (zh) | 一种基于多尺度分析和匹配排序的复杂天气车牌定位方法 | |
Dhar et al. | Bangladeshi license plate recognition using adaboost classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |