CN105206060B - 一种基于sift特征的车型识别装置及其方法 - Google Patents
一种基于sift特征的车型识别装置及其方法 Download PDFInfo
- Publication number
- CN105206060B CN105206060B CN201510665123.1A CN201510665123A CN105206060B CN 105206060 B CN105206060 B CN 105206060B CN 201510665123 A CN201510665123 A CN 201510665123A CN 105206060 B CN105206060 B CN 105206060B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- processor
- sift feature
- established
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于SIFT特征的车型识别装置及其方法,其中车型识别装置包括设有光学镜头智能违章车辆检测球机,检测球机包括图像采集系统、视屏编码系统及智能分析系统,光学镜头通过图像传感器与信号采集转换器建立连接;信号采集转换器通过可编程逻辑处理器并经信号驱动器与图像传感器建立连接;视屏编码系统包括录像编码器及中心处理器,中心处理器通过录像编码器与可编程逻辑处理器建立连接,以及智能分析系统包括图像处理器,图像处理器通过存储器与可编程逻辑处理器建立连接,同时PTZ控制器通过中心处理器与图像处理器建立连接,藉由前述构造,解决了基于SIFT特征的车型识别的技术问题,达成了缩短了车型识别的时间,为交通管理及刑侦系统提供技术支持的良好效果。
Description
技术领域
本发明涉及电子技术领域,尤其是指提供一种基于SIFT特征的车型识别装置及其方法。
背景技术
随着经济的发展,汽车正日益成为人们日常生活中的重要交通工具。在汽车给人们带来便利的同时,对于以机动车作为作案交通工具,或者交通事故逃逸等情形越来越普遍,给公安侦查、稽查工作带来很大的困难。利用交通治安卡口系统,对每一辆通行车辆拍照并获得车牌号码等信息,同时大致知道嫌疑车辆的颜色、品牌,再加上当事时间、地点,结合车型识别技术,就能够将嫌疑车辆锁定在一个很小的范围内,这给跟踪破案带来很大的便利。
目前车型识别技术通常的做法:首先检测并提取汽车的特征;然后根据先验知识对不同车辆类型所表现出的特征进行分类训练;最后使用分类器判定车辆的类型。基于图像的车型识别技术不仅可以从图像中获得更加丰富的车辆信息,而且可以直接利用现有的城市卡口系统提供的图像数据,建设和使用成本低,因此成为目前车型识别技术研究和应用的热点。
车型识别方法是对现有的车牌自动识别系统的一次较大扩展。针对不同的应用,研究人员也釆用了不同的研究方法。在现阶段,车型识别的研究主要应用在两个方面:车辆结构(大型车,小型车)和车辆型号上(不同品牌型号)。在目前的车辆类型判别中,通过小波分析、模糊理论、神经网络等技术,主要集中在车辆结构上进行车型识别,如客车、货车,轿车车型分类,没有对车型进行具体的分类识别。
发明内容
为解决上述技术问题,本发明的主要目的在于提供一种基于SIFT特征的车型识别装置及其方法。
为达成上述目的,本发明应用的技术方案是:提供一种基于SIFT特征的车型识别装置,包括设有光学镜头智能违章车辆检测球机,检测球机包括图像采集系统、视屏编码系统及智能分析系统,其中:图像采集系统包括图像传感器、信号采集转换器、可编程逻辑处理器及信号驱动器,光学镜头通过图像传感器与信号采集转换器建立连接;信号采集转换器通过可编程逻辑处理器并经信号驱动器与图像传感器建立连接;视屏编码系统包括录像编码器及中心处理器,中心处理器通过录像编码器与可编程逻辑处理器建立连接,以及智能分析系统包括存储器、图像处理器及智能云PTZ控制器,图像处理器通过存储器与可编程逻辑处理器建立连接,同时PTZ控制器通过中心处理器与图像处理器建立连接。
为达成上述目的,本发明应用的技术方案是:提供一种实用基于SIFT特征的车型识别装置的方法,该方法包括:
步骤一、通过光学镜头抓拍的车辆图像数据;
步骤二、通过车牌识别算法确定车牌的位置、大小信息来确定车脸区域;
步骤三、对车脸图像进行SIFT特征点检测并将图像进行分块处理,计算各个图像子区域的SIFT特征描述子;
步骤四、将SIFT特征描述子输入到PNN中进行训练并根据每一类车标,生成相应的车型模板,进行车型识别,以及
步骤五、输出车型识别结果。
在本实施例中优选,步骤三中包括:
第一步、对车脸图像进行SIFT特征点检测;
第二步、把车脸图像分成M×N个子图像区域;
第三步、判断图像子区域内特征点个数大于0时进入第四步,而小于0时则跳转到第五步;
第四步、对该图像子区域内特征点的特征向量计算平均值,计算公式是:
第五步、将每个子图像区域的中心点作为特征点,以每个特征点为中心在size×size的邻域窗口内生成SIFT描述子来描述特征点。
在本实施例中优选,步骤四中包括:
第一步、采集车型样本并根据车标信息,将车型样本进行分类并将每一类车标的车型样本进行训练;
第二步、提取样本集中每一个样本图片的SIFT特征;
第三步、将提取的SIFT特征输入到PNN概率神经网络训练,每一类车标生成一个车辆模型,因此得到多个车辆模型;
第四步、根据车标信息,将待识别车型与相应车辆品牌的车辆模型进行匹配识别,输出车辆类别
本发明与现有技术相比,其有益的效果是:
1、计算图像子区域的SIFT特征向量,避免了有时SIFT的兴趣点在某一区域比较集中而在某些区域又没有的情况,且考虑到了局部特征的空间关系
2、利用了车标信息设计分类器,在进行车型识别时只需要找到对应的车型模板进行匹配识别,从而大大缩短了车型识别的时间,为交通管理及刑侦系统提供技术支持。
附图说明
图1是本发明实施例的方框结构示意图。
图2是本发明实施例的工作流程示意图。
图3是本发明实施例计算图像子区域的SIFT特征向量流程图。
具体实施方式
下面结合具体实施例及附图对本发明作进一步详细说明。下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明的技术方案,而不应当理解为对本发明的限制。
在本发明的描述中,术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作,因此不应当理解为对本发明的限制。
请参阅图1所示,本发明提供一种基于SIFT特征的车型识别装置,包括设有光学镜头(LENS)10的智能违章车辆检测球机(以下称“检测球机”)20,检测球机20包括图像采集回路系统(以下称“图像采集系统”)21、图像视频编码存储系统(以下称“视屏编码系统”)22及图像智能分析单元(以下称“智能分析系统”)23,其中:
图像采集系统21包括图像传感器211、信号采集转换器212、可编程逻辑处理器(FPGA)213及信号驱动器(HV)214,在本实施例中,光学镜头(LENS)10通过图像传感器211与信号采集转换器212建立连接;信号采集转换器212通过可编程逻辑处理器213并经信号驱动器214与图像传感器211建立连接,藉此形成回路而实现图像序列采集功能;
视屏编码系统22包括可编程逻辑处理器213、录像编码器(H264)221及中心处理器(ARM)222,在本实施例中,中心处理器222通过录像编码器221与可编程逻辑处理器213建立连接,藉此实现图像视频编码存储功能,以及
智能分析系统23包括可编程逻辑处理器213、存储器(SDRAM)231、图像处理器(DSP)232、中心处理器222及智能云PTZ控制器(以下称“PTZ控制器”)233,在本实施例中,图像处理器232通过存储器231与可编程逻辑处理器213建立连接,同时PTZ控制器233通过中心处理器222与图像处理器232建立连接,藉此实现图像序列的分析和处理功能。
在本发明创造的实施例中,当运动车辆进入智能卡口监控系统预先设置的抓拍位置时,自动触发图像采集系统21抓拍车辆通行图片,通过智能分析系统23首先对抓拍到的图片进行车牌定位和车标识别,并将图像数据、车牌的具体位置和车标识别结果传给图像处理器232识别车型并输出车辆类型。
请参阅图1并结合参阅图2及图3所示,本发明提供一种基于SIFT特征的车型识别装置的实用方法,其中:实用方法包括的步骤:
一、获取抓拍的车辆图像数据201;
二、通过车牌识别算法确定车牌的位置、大小等信息,确定车脸区域202,在这一步骤的前提是在图像处理器232首先对车牌进行检测,获得车牌的基本信息,包括车牌大小和车牌矩形区域等信息。根据先验知识,如果以车牌中心为坐标,则车脸区域的大小分别是车牌宽度上下左右的0.7、0.4、1.3和1.3倍;
三、对车脸图像进行SIFT特征点检测,并将图像进行分块处理,计算各个图像子区域的SIFT特征描述子203,具体而言,在本步骤中包括:
第一步,对车脸图像进行SIFT特征点检测301;
第二步,把车脸图像分成M×N个子图像区域302;
第三步,判断图像子区域内特征点个数是否大于“0”303,“是”则进入下第四步,否则跳转第五步305;
第四步,对该图像子区域内所有特征点的特征向量计算平均值304,其计算公式如下:
其中,表示为第i行j列的子图像区域内的128维SIFT特征向量,ni,j表示当前图像子区域中的特征个数,Sk表示图像子区域内每个特征点对应的特征向量,Ck表示图像子区域内以中心点为特征点的SIFT特征向量。
第五步,将每个子图像区域的中心点作为特征点,以每个特征点为中心在size×size的邻域窗口内生成SIFT描述子来描述特征点305。
四、将SIFT特征描述子输入到PNN(概率神经网络)中进行训练,并根据每一类车标,生成相应的车型模板,进行车型识别204,具体而言,在本步骤中包括:
第一步,采集车型样本,并根据车标信息,将车型样本进行分类,并将每一类车标的车型样本进行训练;
第二步,提取样本集中每一个样本图片的SIFT特征;
第三步,将提取的SIFT特征输入到PNN概率神经网络训练,每一类车辆品牌生成一个车辆模型,因此得到多个车辆模型;
第四步,根据车标信息,将待识别车型与相应车辆品牌的车辆模型进行匹配识别,输出车辆类别;
第五步,输出车型识别结果205。
Claims (2)
1.一种基于SIFT特征的车型识别方法,
使用车型识别装置实现,所述车型识别装置包括设有光学镜头智能违章车辆检测球机,检测球机包括图像采集系统、视屏编码系统及智能分析系统,其特征在于:图像采集系统包括图像传感器、信号采集转换器、可编程逻辑处理器及信号驱动器,光学镜头通过图像传感器与信号采集转换器建立连接;信号采集转换器通过可编程逻辑处理器并经信号驱动器与图像传感器建立连接;图像传感器、信号采集转换器、可编程逻辑处理器以及信号驱动器形成图像采集回路系统;视屏编码系统包括录像编码器及中心处理器,中心处理器通过录像编码器与可编程逻辑处理器建立连接,以及智能分析系统包括存储器、图像处理器及智能云PTZ控制器,图像处理器通过存储器与可编程逻辑处理器建立连接,同时PTZ控制器通过中心处理器与图像处理器建立连接;
所述车型识别方法包括:
步骤一、通过光学镜头抓拍的车辆图像数据;
步骤二、通过车牌识别算法确定车牌的位置、大小信息来确定车脸区域;
步骤三、对车脸图像进行SIFT特征点检测并将图像进行分块处理,计算各个图像子区域的SIFT特征描述子;
步骤四、将SIFT特征描述子输入到PNN中进行训练并根据每一类车标,生成相应的车型模板,进行车型识别,以及
步骤五、输出车型识别结果;
所述步骤三中包括:
第一步、对车脸图像进行SIFT特征点检测;
第二步、把车脸图像分成M N个子图像区域;
第三步、判断图像子区域内特征点个数是否大于0,是则进入第四步,否则跳转到第五步;
第四步、对该图像子区域内特征点的特征向量计算平均值,计算公式是:
第五步、将每个子图像区域的中心点作为特征点,以每个特征点为中心在size×size的邻域窗口内生成SIFT描述子来描述特征点。
2.如权利要求1所述的基于SIFT特征的车型识别方法,其特征在于,在步骤四中包括:
第一步、采集车型样本并根据车标信息,将车型样本进行分类并将每一类车标的车型样本进行训练;
第二步、提取样本集中每一个样本图片的SIFT特征;
第三步、将提取的SIFT特征输入到PNN概率神经网络训练,每一类车标生成一个车辆模型,因此得到多个车辆模型;
第四步、根据车标信息,将待识别车型与相应车辆品牌的车辆模型进行匹配识别,输出车辆类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510665123.1A CN105206060B (zh) | 2015-10-14 | 2015-10-14 | 一种基于sift特征的车型识别装置及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510665123.1A CN105206060B (zh) | 2015-10-14 | 2015-10-14 | 一种基于sift特征的车型识别装置及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105206060A CN105206060A (zh) | 2015-12-30 |
CN105206060B true CN105206060B (zh) | 2017-12-29 |
Family
ID=54953702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510665123.1A Active CN105206060B (zh) | 2015-10-14 | 2015-10-14 | 一种基于sift特征的车型识别装置及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105206060B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740886B (zh) * | 2016-01-25 | 2019-03-12 | 杭州熵领科技有限公司 | 一种基于机器学习的车标识别方法 |
CN106056086B (zh) * | 2016-06-02 | 2019-05-17 | 江苏华通晟云科技有限公司 | 基于快速学习框架的车辆品牌型号识别方法 |
CN106127228A (zh) * | 2016-06-16 | 2016-11-16 | 北方工业大学 | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10293897A (ja) * | 1997-04-21 | 1998-11-04 | Mitsubishi Electric Corp | 車形判別装置 |
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 |
CN103745598A (zh) * | 2014-01-09 | 2014-04-23 | 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 |
CN204375161U (zh) * | 2014-12-17 | 2015-06-03 | 上海宝康电子控制工程有限公司 | 违章停车自动抓拍系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5899944B2 (ja) * | 2012-01-17 | 2016-04-06 | 沖電気工業株式会社 | 車種判別装置 |
CN103310231A (zh) * | 2013-06-24 | 2013-09-18 | 武汉烽火众智数字技术有限责任公司 | 车标定位与识别方法 |
-
2015
- 2015-10-14 CN CN201510665123.1A patent/CN105206060B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10293897A (ja) * | 1997-04-21 | 1998-11-04 | Mitsubishi Electric Corp | 車形判別装置 |
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 |
CN103745598A (zh) * | 2014-01-09 | 2014-04-23 | 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 |
CN204375161U (zh) * | 2014-12-17 | 2015-06-03 | 上海宝康电子控制工程有限公司 | 违章停车自动抓拍系统 |
Non-Patent Citations (3)
Title |
---|
基于视频的汽车车型识别研究;袁爱龙;《中国优秀硕士学位论文全文数据库·信息科技辑》;20140115(第1期);第8-48页 * |
基于车脸特征的车型识别技术及其在公安领域的应用;赵阳 等;《警察技术》;20150531(第3期);第81-84页 * |
车脸定位及识别方法研究;李全武 等;《计算机科学与探索》;20140930;第9卷(第6期);第726-733页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105206060A (zh) | 2015-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460709B (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
KR102095685B1 (ko) | 차량 식별 방법 및 장치 | |
KR101970442B1 (ko) | Fast R-CNN 기반 차량검출을 이용한 불법 주정차 단속 시스템 | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
CN101633356B (zh) | 检测行人的系统及方法 | |
KR20180135898A (ko) | 기계 학습에 의해 객체 분류기를 훈련시키는 시스템 및 방법 | |
CN105711498A (zh) | 物体检测装置、物体检测系统、物体检测方法以及程序 | |
KR102131716B1 (ko) | 차량번호인식 기술을 활용한 영상감시 방법 | |
DE102009048699A1 (de) | Pixelbasierte Detektion einer nicht vorhandenen Struktur eines freien Pfads | |
KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
CN103646544B (zh) | 基于云台和相机设备的车辆行为分析识别方法 | |
Putra et al. | HOG feature extraction and KNN classification for detecting vehicle in the highway | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
US11250279B2 (en) | Generative adversarial network models for small roadway object detection | |
CN105206060B (zh) | 一种基于sift特征的车型识别装置及其方法 | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
CN106960193A (zh) | 一种车道线检测装置和方法 | |
Samuel et al. | Vehicle Type Classification and Counting Using YOLOv4 Algorithm | |
Nguwi et al. | Number plate recognition in noisy image | |
JP2010039705A (ja) | 移動体識別装置、コンピュータプログラム及び移動体識別装置の学習方法 | |
TK et al. | An experiment analysis on tracking and detecting the vehicle speed using machine learning and iot | |
Zhou et al. | Countour based HOG deer detection in thermal images for traffic safety | |
CN107506777A (zh) | 一种基于小波变化和支持向量机的实时多车牌识别方法和装置 | |
CN112686136B (zh) | 一种对象检测方法、装置及系统 | |
Yeh et al. | Detection and Recognition of Arrow Traffic Signals using a Two-stage Neural Network Structure. |
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 |