CN105320923A - 车型识别方法及装置 - Google Patents
车型识别方法及装置 Download PDFInfo
- Publication number
- CN105320923A CN105320923A CN201410381923.6A CN201410381923A CN105320923A CN 105320923 A CN105320923 A CN 105320923A CN 201410381923 A CN201410381923 A CN 201410381923A CN 105320923 A CN105320923 A CN 105320923A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- visual signature
- subimage
- similarity
- 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
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种车型识别方法及装置,其中,所述方法包括:提取待查询图像中待查询车辆对应的第一子图像;获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度;确定所述视觉特征相似度有大于预设第一阈值的视觉特征相似度,将大于预设第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果;其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。上述方法可解决因车牌识别精度限制或套牌、无牌、牌照有损而不能识别车辆的问题,同时提高车辆识别的准确率。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种车型识别方法及装置。
背景技术
随着我国经济的快速发展、城市规模的不断扩大、以及车辆数量的大幅增长,我国的交通系统正逐渐走向智能化。在海量的监控视频数据中寻找目标车辆,传统的技术手段是通过车辆牌照号码识别结果来进行检索,该方式依赖于车牌识别功能。然而,在车牌污损、车牌遮挡、无牌车等情况下无法使用车牌识别功能,更何况由于车牌变造容易,公安业务中需要重点监控的嫌疑车辆往往采取变造车牌的方式逃避监控,也使基于车牌识别的卡口等视频监控系统降低了实用性,因此,公安业务提出了对车型识别的应用要求。
现有技术中,一般利用车辆轮廓特征粗略判断车辆属于大、中、小型车,例如,仅识别目标车辆为卡车、面包车还是轿车,不能具体到一款车型。而直接使用车牌识别从数据库读取车型信息的方法极大地受到车牌识别精度的限制,在遭遇套牌、无牌、牌照有损等车辆时也会失效,因此无法识别车辆或识别结果的准确率不高。
发明内容
针对现有技术中的缺陷,本发明提供一种车型识别方法,用于判断视频图像中车辆的车型,且提高判断车型的准确率。
第一方面,本发明提供一种车型识别方法,包括:
提取待查询图像中待查询车辆对应的第一子图像;
获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度;
确定所述视觉特征相似度有大于预设第一阈值的视觉特征相似度,将大于第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果;
其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
可选地,所述获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度的步骤之前,所述方法还包括:
确定所述待查询图像的位置信息;
相应地,所述数据库包括:与所述位置信息对应的所有车型数据库。
可选地,所述获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度的步骤之前,所述方法还包括:
若所述第一子图像包括所述待查询车辆的车牌号信息,则识别所述待查询车辆的车牌号;
判断所述车牌号所属的车辆与所述待查询图像中显示的车辆是否匹配,在所述车牌号所属的车辆与所述待查询图像中显示的车辆不匹配时,执行获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度的步骤。
可选地,所述车牌号所属的车辆与所述待查询图像中显示的车辆不匹配,包括:
所述车牌号所属车型的图像与第一子图像的视觉特征相似度小于预设的第二阈值。
可选地,所述获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度的步骤,包括:
采用特征描述子方式获取所述第一子图像与每一车型数据库中所有样例图像的第一相似度,得到第一相似度集合;
对与每一车型数据库对应的所有样例图像的第一相似度集合进行数学统计分析,得到所述第一子图像与每一车型数据库的视觉特征相似度。
可选地,所述方法还包括:
将大于第一阈值的所有视觉特征相似度对应的车型按照所述视觉特征相似度的顺序输出;以及
若确定所有的视觉特征相似度均小于等于所述第一阈值,则确定所述第一子图像中车辆的车型为不可识别的车型。
第二方面,本发明提供一种车型识别装置,包括:
图像提取单元,用于提取待查询图像中待查询车辆对应的第一子图像;
视觉特征相似度获取单元,用于获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度;
识别结果输出单元,用于确定所述视觉特征相似度有大于预设第一阈值的视觉特征相似度时,将大于第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果;
其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
可选地,所述装置还包括:
位置信息确定单元,用于在视觉相似度获取单元之前,确定所述待查询图像的位置信息;
相应地,所述数据库包括:与所述位置信息对应的所有车型数据库。
可选地,所述装置还包括:
车牌号识别单元,用于视觉特征相似度获取单元之前,在第一子图像包括所述待查询车辆的车牌号信息时,识别所述待查询车辆的车牌号;
判断单元,用于判断所述车牌号所属的车辆与所述待查询图像中显示的车辆是否匹配;
相应地,所述视觉特征相似度获取单元,用于在所述判断单元确定所述车牌号所属的车辆与所述待查询图像中显示的车辆不匹配时,执行获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度。
可选地,所述判断单元,具体用于
判断所述车牌号所属车型的图像与第一子图像的视觉特征相似度是否小于预设的第二阈值。
可选地,所述视觉特征相似度获取单元,具体用于
采用特征描述子方式获取所述第一子图像与每一车型数据库中所有样例图像的第一相似度,得到第一相似度集合;
对与每一车型数据库对应的所有样例图像的第一相似度集合进行数学统计分析,得到所述第一子图像与每一车型数据库的视觉特征相似度。
由上述技术方案可知,本发明的车型识别方法及装置,通过提取待查询图像中待查询车辆对应的第一子图像,获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度,确定所述视觉特征相似度有大于第一阈值的视觉特征相似度,将大于第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果,由此,可解决因车牌识别精度限制或套牌、无牌、牌照有损而不能识别车辆的问题,同时提高车型识别/车辆识别的准确率。
附图说明
图1为本发明一实施例提供的车型识别方法的流程示意图;
图2为本发明另一实施例提供的车型识别方法的流程示意图;
图3为本发明一实施例提供的车型数据库的建立方法的流程示意图;
图4为本发明一实施例提供的车型识别装置的结构示意图。
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、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例,都属于本发明保护的范围。
图1示出了本发明实施例提供的车型识别方法的流程示意图,如图1所示,本实施例的车型识别方法如下所述。
101、提取待查询图像中待查询车辆对应的第一子图像。
可理解的是,本实施例中的第一子图像可为待查询图像中待查询车辆所在的区域图像,也可以是待查询车辆的一部分所对应的图像,是对车辆识别有用的区域图像,所述第一子图像占据所述待查询图像比例可根据实际需要选取。当然,第一子图像也可以是全部的待查询图像。
102、获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度。
在本实施例中,数据库可包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
当前,任一图像的视觉特征为能够反映图像内容的特征,图像视觉特征的提取主要是通过计算机识别并计算反映图像内容的特征部分。
在本实施例中,获取图像的视觉特征相似度之前需要分别提取第一子图像的视觉特征,以及数据库中每一种车型数据库中所有图像的视觉特征;例如,可采用全局特征描述子的方式提取第一子图像的视觉特征,或者采用局部特征描述子的方式提取第一子图像的视觉特征。
通常,可采用尺度不变特征转换(Scale-invariantfeaturetransform,简称SIFT),快速鲁棒特征(Speeded-upRobustFeatures,简称SURF),特征梯度直方图(HistogramsofOrientedGradients,简称HOG)等方式提取第一子图像和每一车型数据库中所有图像的视觉特征。
本实施例中,提取任一图像的视觉特征可为业内公知技术,本实施例不对其进行详述。
另外,在提取第一子图像的视觉特征,以及数据库中每一图像的视觉特征之后,可采用欧式距离或马式距离的方式获取第一子图像的视觉特征和每一车型数据库中所有图像的视觉特征的视觉特征相似度。本实施例中的视觉特征相似度可表示第一子图像和另一图像的相似概率权重。
103、确定所述视觉特征相似度是否有大于预设第一阈值的视觉特征相似度。
应说明的是,该处的第一阈值为经验值,根据实际需要设置。
104、确定所述视觉特征相似度有大于第一阈值的视觉特征相似度,将大于第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果。
可理解的是,若所有车型的视觉特征相似度均小于等于预设第一阈值,可认为数据库中没有与第一子图像匹配的车型。
也就是说,在具体应用中,确定所述视觉特征相似度有大于预设第一阈值的视觉特征相似度,将大于预设第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果,还可以,将其他大于预设第一阈值的视觉特征相似度对应的车型按照视觉特征相似度从高到低的顺序作为参考(可选)结果输出。
如果确定所有的视觉特征相似度均小于等于所述第一阈值,则确定所述第一子图像中车辆的车型为不可识别的车型,输出结果为:不可识别的车型。
例如,在上述步骤104之后,图1所示的方法还可包括下述的图中未示出的步骤105:
105、将大于第一阈值的所有视觉特征相似度对应的车型按照所述视觉特征相似度的顺序输出。
前述图1所示的方法是否执行该步骤105,可根据实际需要设置,本实施例不对其进行限定。
本实施例中的数据库可包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。应说明的是,本实施例中的车型数据库中的所有图像均为真实场景中获取的图像,且能够包括各种场景/情况下的所有图像。例如,可通过某一区域固定设置的视频监控装置采集的图像作为车型数据库中的样例图像,本实施例不对车型数据路中的样例图像的来源进行限定。
也就是说,上述的车型数据库所包括的样例图像均来自于真实场景中。由此,可保证在图像检索过程中,能够查找到与待查询图像匹配的真实的车型。
本实施例的车型识别方法,通过提取待查询图像中待查询车辆对应的第一子图像,获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度,确定所述视觉特征相似度有大于第一阈值的视觉特征相似度,将大于第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果,由此,可解决因车牌识别精度限制或套牌、无牌、牌照有损而不能识别车辆的问题,同时提高车型识别/车辆识别的准确率。
图2示出了本发明另一实施例的车型识别方法的流程示意图,如图2所示,本实施例的车型识别方法如下所述。
201、提取待查询图像中待查询车辆对应的第一子图像;
202、确定所述待查询图像的位置信息,即查询图像中车辆的当前位置信息。
203、若第一子图像包括待查询车辆的车牌号信息,则识别所述待查询车辆的车牌号,判断车牌号所属的车辆与所述待查询图像中显示的车辆是否匹配。
在本实施例中,车牌号所属的车辆可通过车牌号在车管所的数据库中查找车牌号所属车辆的车辆图像,进而获取该车辆图像的视觉特征,以及获取待查询图像的视觉特征,确定这两个视觉特征的相似度,如果视觉特征的相似度大于预设的第二阈值,则可理解该车牌号所属的车辆与所述待查询图像中显示的车辆匹配;否则,不匹配。
特别说明的是,由于当前的车管所的数据库中可能有部分的车牌号所属的车辆有图像,有部分的车牌号所属的车辆没有图像,此时还可以通过如下方式实现:
确定车牌号所属的车辆的型号,获得车牌号的车型信息,根据该车牌号的车型信息在该车型信息所属的车型数据库中选取一个或多个样例图像,采用选取的样例图像与所述待查询图像进行匹配;
例如,获取选取的一个或多个样例图像与待查询图像的视觉特征相似度,确定该视觉特征相似度是否大于预设的第二阈值,如果大于,则可理解该车牌号所属的车辆与所述待查询图像中显示的车辆匹配;否则,不匹配。
当车管所中没有该车牌号对应的车辆图像,并且该车牌对应注册车辆的车型信息尚未建立对应的车型数据库时,也作为不匹配。
也就是说,所述车牌号所属的车辆与所述待查询图像中显示的车辆不匹配,具体包括:
所述车牌号所属车型的图像与第一子图像的视觉特征相似度小于预设的第二阈值。
该第二阈值可为经验值,其根据实际需要设置。
204、在所述车牌号所属的车辆与所述待查询图像中显示的车辆不匹配时,获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度。
在本实施例中,数据库包括:前述步骤202中获取的位置信息对应的所有车型的车型数据库。
205、确定所述视觉特征相似度有大于第一阈值的视觉特征相似度,将大于第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果。
举例来说,确定所述视觉特征相似度有大于第一阈值的视觉特征相似度,如果没有,输出结果为:不可识别的车型。否则,将大于第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果,优选地,还可将其他大于第一阈值的视觉特征相似度对应的车型按照视觉特征相似度从高到低的顺序作为参考(可选)结果输出。
举例来说,前述图1和图2中所示的所述获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度的步骤可包括下述的图中未示出的子步骤S01至子步骤S02:
S01、采用特征描述子方式获取所述第一子图像与每一车型数据库中所有样例图像的第一相似度,得到第一相似度集合;
S02、对与每一车型数据库对应的所有样例图像的第一相似度集合进行数学统计分析,得到所述第一子图像与每一车型数据库的视觉特征相似度。
举例来说,将与每一车型数据库对应的所有样例图像的第一相似度的平均值作为所述第一子图像与每一车型数据库的视觉特征相似度。
或者,采用特征描述子方式获取所述第一子图像与每一车型数据库中所有样例图像的第一相似度(即第一视觉特征相似度);进而可将与每一车型数据库对应的所有样例图像的第一相似度中的最大值作为所述第一子图像与每一车型数据库的视觉特征相似度;
或者,采用特征描述子方式获取所述第一子图像与每一车型数据库中所有样例图像的第一相似度,将与每一车型数据库对应的所有样例图像的第一相似度中的最小值作为所述第一子图像与每一车型数据库的视觉特征相似度;
或者,采用特征描述子方式获取所述第一子图像与每一车型数据库中所有样例图像的第一相似度,采用异类样本分析方式去除每一车型数据库对应的所有样例图像的第一相似度中的孤立点,获取与每一车型数据库对应的所有样例图像中除去孤立点之外的第一相似度的平均值,将该平均值作为第一子图像与每一车型数据库的视觉特征相似度,本实施例不对其进行限定,可根据实际需要设置。
上述提及的第一相似度可具体为第一视觉特征相似度,本实施对其进行简称。
本实施例的车型识别方法,可解决因车牌识别精度限制或套牌、无牌、牌照有损而不能识别车辆的问题,同时提高车辆识别的准确率。
图3示出了本发明一实施例提供的车型数据库的建立方法的流程示意图,如图3所示,本实施例的车型数据库的建立方法如下所述。
301、获取多个车辆图像,每一车辆图像中具有能够识别的车牌号。
举例来说,可通过车辆的视频监控装置中获取多个车辆图像,或者,可通过图像采集装置获取多个车辆图像。本实施例中的视频监控装置可为道路监控系统中的视频监控装置。
应说明的是,本实施例中获取的多个车辆图像中的每一车辆图像可包括车牌号,即每一车辆图像中具有能够识别的车牌号。
对于车辆图像包括车牌号主要是用于方便获取车辆信息。当前,只有通过车牌号的方式可获取车辆信息,保证车辆信息的准确性。
302、识别所述车辆图像中的车牌号,并根据所述车辆图像的车牌号,从预设的数据库中获取与所述车牌号对应的车辆信息,所述车辆信息可包括:车型信息。
本实施例中的车型信息可包括车辆的型号,车辆的颜色等信息。
举例来说,识别车牌号可为当前业内公知的技术,例如采用车牌识别技术从车辆图像中识别车牌号。本实施例中采用公知技术识别车辆图像中的车牌号主要是用于获取车牌号对应的车辆信息。
本实施例仅对车辆信息进行举例说明,不限定车辆信息所包含的其他内容。另外,需要说明的是,这里所述的车辆信息可为车辆管理机构内部的车辆信息。
前述的预设的数据库可为业内所知的车辆管理机构的数据库。
举例来说,车辆管理机构的数据库中包括如下信息:车辆是宝马X6汽车、奥迪Q7汽车、大众v6汽车等车型的信息,车辆是什么颜色的,是黑色,白色还是银色的,车辆所有者车辆的购买日期等等。
303、将所述车辆信息和所述车辆图像生成所述车型信息的候选车型数据库。
也就是说,对一幅监控视频中的车辆图像S,对车辆图像S中的车牌号进行识别,获取车辆图像S的车牌号P;通过车牌号P获取车辆图像S的车辆信息,对车牌号P检索到与之对应的车辆的车型T,将车辆图像S与车辆的车型T加入到车型T的候选车型数据库TPS。
需要说明的是,本实施例可重复执行前述的步骤101至步骤103,获取车型T的多个角度、不同光照、不同场景下的多个车辆图像,进而将这些车辆图像均加入到车型T的候选车型数据库TPS。
另外,在确定车型T的候选车型数据库之后,还可采用图像采集装置对该车型T采集多个图像,该些图像可以包括车牌号,也可以不包括车牌号等,采集的多个图像均属于车型T的候选车型数据库中的图像。
应说明的是,由于区域的分配,每个区域的车型T的候选车型数据库可不同,例如,北京区域的车型T的候选车型数据库、天津区域的车型T的候选车型数据库、南京区域的车型T的候选车型数据库可不相同。本实施例中可针对不同区域建立各自的候选车型数据库,方便后续车辆管理机构的管理。
当然,在实际应用中,车型T也可建立一个候选车型数据库,该候选车型数据库可包括不同区域的子候选车型数据库,本实施例仅为举例说明,不对其进行限定。
304、根据预设条件筛选所述候选车型数据库,获得所述车型信息的车型数据库。
通常情况下,可将候选车型数据库中重复的图像删除,保证车型数据库中每一图像的场景/光照/属性都是唯一的。
在实际应用中,筛选可为人工筛选也可为自动筛选,优选实现自动筛选,因为每一车型信息的车型数据库中的数据(包括图像)有上千张,人工筛选导致费时费力,可通过视觉特征比对的方式自动筛选重复的图像。
本实施例中,候选车型数据库中图像的数量可大于等于最后获取的车型数据库中图像的数量。
筛选时应保证车型数据库中的数据的多样性,即包含不同角度、不同尺度、不同颜色、不同遮挡程度、不同遮挡角度、不同光照、不同天气情况等尽可能涵盖所有代表性的不同情况下的图像。
本实施例中,通过对候选车型数据库的筛选,可以建立良好的车型数据库,涵盖各种条件的图像,方便车辆管理机构的管理。
另外,数据库中车型数据库的建立,还可从道路的视频监控装置中获取多个车辆图像,若所述车辆图像包括:背景区域和车辆显示区域。本实施例中的背景区域为使用车辆图像时用户不关注的区域。由此,最后获取的车型数据库中的车辆图像可不包括车辆图像的背景区域。
图4为本发明另一实施例提供的车型识别装置的结构示意图,如图4所示,本实施例的车型识别装置包括:图像提取单元41、视觉特征相似度获取单元42、和识别结果输出单元43。
其中,图像提取单元41用于提取待查询图像中待查询车辆对应的第一子图像;
视觉特征相似度获取单元42用于获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度;
识别结果输出单元43用于确定所述视觉特征相似度有大于第一阈值的视觉特征相似度时,将大于第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果;
其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
在一种可能的应用场景中,上述装置还可包括图中未示出的位置信息确定单元44;
其中,位置信息确定单元44用于在视觉相似度获取单元42之前,确定所述待查询图像的位置信息;
相应地,所述数据库包括:与所述位置信息对应的所有车型数据库。
在另一种可能的实现场景中,上述的装置还可包括图中未示出的车牌号识别单元45和判断单元46;
其中,车牌号识别单元45用于视觉特征相似度获取单元42之前,在第一子图像包括所述待查询车辆的车牌号信息时,识别所述待查询车辆的车牌号;
判断单元46用于判断所述车牌号所属的车辆与所述待查询图像中显示的车辆是否匹配;
相应地,所述视觉特征相似度获取单元42用于在所述判断单元46确定所述车牌号所属的车辆与所述待查询图像中显示的车辆不匹配时,执行获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度。
可选地,所述判断单元46具体用于,
判断所述车牌号所属车型的图像与第一子图像的视觉特征相似度是否小于预设的第二阈值。
可选地,所述视觉特征相似度获取单元42具体用于,采用特征描述子方式获取所述第一子图像与每一车型数据库中所有样例图像的第一相似度,得到第一相似度集合;
对与每一车型数据库对应的所有样例图像的第一相似度集合进行数学统计分析,得到所述第一子图像与每一车型数据库的视觉特征相似度。
举例来说,将与每一车型数据库对应的所有样例图像的第一相似度的平均值作为所述第一子图像与每一车型数据库的视觉特征相似度;
或者,将与每一车型数据库对应的所有样例图像的第一相似度中的最大值作为所述第一子图像与每一车型数据库的视觉特征相似度;
或者,将与每一车型数据库对应的所有样例图像的第一相似度中的最小值作为所述第一子图像与每一车型数据库的视觉特征相似度;
或者,采用异类样本分析方式去除每一车型数据库对应的所有样例图像的第一相似度中的孤立点,获取与每一车型数据库对应的所有样例图像中除去孤立点之外的第一相似度的平均值,将该平均值作为第一子图像与每一车型数据库的视觉特征相似度。
需要说明的是,本实施例仅举例说明,不对其进行限定。
上述装置可解决因车牌识别精度限制或套牌、无牌、牌照有损而不能识别车辆的问题,同时提高车辆识别的准确率。
本实施例的车型识别装置,可以用于执行前述图1和图2所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本领域普通技术人员可以理解:实现上述各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,执行包括上述各方法实施例的步骤;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:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种车型识别方法,其特征在于,包括:
提取待查询图像中待查询车辆对应的第一子图像;
获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度;
确定所述视觉特征相似度有大于预设第一阈值的视觉特征相似度,将大于第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果;
其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
2.根据权利要求1所述的方法,其特征在于,所述获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度的步骤之前,所述方法还包括:
确定所述待查询图像的位置信息;
相应地,所述数据库包括:与所述位置信息对应的所有车型数据库。
3.根据权利要求1所述的方法,其特征在于,所述获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度的步骤之前,所述方法还包括:
若所述第一子图像包括所述待查询车辆的车牌号信息,则识别所述待查询车辆的车牌号;
判断所述车牌号所属的车辆与所述待查询图像中显示的车辆是否匹配,在所述车牌号所属的车辆与所述待查询图像中显示的车辆不匹配时,执行获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度的步骤。
4.根据权利要求3所述的方法,其特征在于,所述车牌号所属的车辆与所述待查询图像中显示的车辆不匹配,包括:
所述车牌号所属车型的图像与第一子图像的视觉特征相似度小于预设的第二阈值。
5.根据权利要求1至4任一所述的方法,其特征在于,所述获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度的步骤,包括:
采用特征描述子方式获取所述第一子图像与每一车型数据库中所有样例图像的第一相似度,得到第一相似度集合;
对与每一车型数据库对应的所有样例图像的第一相似度集合进行数学统计分析,得到所述第一子图像与每一车型数据库的视觉特征相似度。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将大于第一阈值的所有视觉特征相似度对应的车型按照所述视觉特征相似度的顺序输出;以及
若确定所有的视觉特征相似度均小于等于所述第一阈值,则确定所述第一子图像中车辆的车型为不可识别的车型。
7.一种车型识别装置,其特征在于,包括:
图像提取单元,用于提取待查询图像中待查询车辆对应的第一子图像;
视觉特征相似度获取单元,用于获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度;
识别结果输出单元,用于确定所述视觉特征相似度有大于预设第一阈值的视觉特征相似度时,将大于第一阈值的视觉特征相似度中的最大值对应的车型作为输出的识别结果;
其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
位置信息确定单元,用于在视觉相似度获取单元之前,确定所述待查询图像的位置信息;
相应地,所述数据库包括:与所述位置信息对应的所有车型数据库。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
车牌号识别单元,用于视觉特征相似度获取单元之前,在第一子图像包括所述待查询车辆的车牌号信息时,识别所述待查询车辆的车牌号;
判断单元,用于判断所述车牌号所属的车辆与所述待查询图像中显示的车辆是否匹配;
相应地,所述视觉特征相似度获取单元,用于在所述判断单元确定所述车牌号所属的车辆与所述待查询图像中显示的车辆不匹配时,执行获取所述第一子图像与预先建立的数据库中每一种车型的视觉特征相似度。
10.根据权利要求9所述的装置,其特征在于,所述判断单元,具体用于
判断所述车牌号所属车型的图像与第一子图像的视觉特征相似度是否小于预设的第二阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410381923.6A CN105320923B (zh) | 2014-08-05 | 2014-08-05 | 车型识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410381923.6A CN105320923B (zh) | 2014-08-05 | 2014-08-05 | 车型识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105320923A true CN105320923A (zh) | 2016-02-10 |
CN105320923B CN105320923B (zh) | 2018-06-12 |
Family
ID=55248285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410381923.6A Active CN105320923B (zh) | 2014-08-05 | 2014-08-05 | 车型识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105320923B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868695A (zh) * | 2016-03-24 | 2016-08-17 | 北京握奇数据系统有限公司 | 一种人脸识别方法及系统 |
CN107451511A (zh) * | 2016-05-31 | 2017-12-08 | 优信拍(北京)信息科技有限公司 | 一种基于车型信息提取obd数据的系统、方法 |
CN107622667A (zh) * | 2017-09-28 | 2018-01-23 | 广州烽火众智数字技术有限公司 | 一种变造车牌号码检测方法及系统 |
CN107729502A (zh) * | 2017-10-18 | 2018-02-23 | 公安部第三研究所 | 一种卡口车辆个性化特征智能检索系统及方法 |
CN108305460A (zh) * | 2017-12-20 | 2018-07-20 | 福建工程学院 | 一种识别超载车辆的方法及终端 |
CN108984644A (zh) * | 2018-06-25 | 2018-12-11 | 高新兴科技集团股份有限公司 | 一种套牌车检索方法及系统 |
CN110097758A (zh) * | 2018-01-31 | 2019-08-06 | 杭州海康威视数字技术股份有限公司 | 车辆信息输出、存储方法及装置 |
CN110569794A (zh) * | 2019-09-06 | 2019-12-13 | 深圳市梵高控股有限公司 | 物品的信息存储方法、装置和计算机可读存储介质 |
CN111178292A (zh) * | 2019-12-31 | 2020-05-19 | 东软集团(北京)有限公司 | 一种车型识别方法、装置及设备 |
CN111652087A (zh) * | 2020-05-15 | 2020-09-11 | 泰康保险集团股份有限公司 | 验车方法、装置、电子设备和存储介质 |
CN112164229A (zh) * | 2020-09-28 | 2021-01-01 | 广西信路威科技发展有限公司 | 基于车辆多维特征的车型识别匹配系统和方法 |
CN112733578A (zh) * | 2019-10-28 | 2021-04-30 | 普天信息技术有限公司 | 车辆重识别方法及系统 |
CN113362612A (zh) * | 2021-06-02 | 2021-09-07 | 国电内蒙古东胜热电有限公司 | 一种车辆识别方法及系统 |
CN114332513A (zh) * | 2022-03-15 | 2022-04-12 | 北京嘉沐安科技有限公司 | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 |
CN116662265A (zh) * | 2023-07-21 | 2023-08-29 | 太极计算机股份有限公司 | 车型档案构建方法及装置、车辆计费方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110161A (zh) * | 2007-08-31 | 2008-01-23 | 北京科技大学 | 一种车型自动识别和车流量自动检测系统及其方法 |
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 |
CN103729629B (zh) * | 2014-01-13 | 2017-03-15 | 深圳市金溢科技股份有限公司 | Etc车道中车型识别方法及装置 |
-
2014
- 2014-08-05 CN CN201410381923.6A patent/CN105320923B/zh active Active
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868695B (zh) * | 2016-03-24 | 2019-04-02 | 北京握奇数据系统有限公司 | 一种人脸识别方法及系统 |
CN105868695A (zh) * | 2016-03-24 | 2016-08-17 | 北京握奇数据系统有限公司 | 一种人脸识别方法及系统 |
CN107451511A (zh) * | 2016-05-31 | 2017-12-08 | 优信拍(北京)信息科技有限公司 | 一种基于车型信息提取obd数据的系统、方法 |
CN107622667A (zh) * | 2017-09-28 | 2018-01-23 | 广州烽火众智数字技术有限公司 | 一种变造车牌号码检测方法及系统 |
CN107729502A (zh) * | 2017-10-18 | 2018-02-23 | 公安部第三研究所 | 一种卡口车辆个性化特征智能检索系统及方法 |
CN108305460A (zh) * | 2017-12-20 | 2018-07-20 | 福建工程学院 | 一种识别超载车辆的方法及终端 |
CN110097758A (zh) * | 2018-01-31 | 2019-08-06 | 杭州海康威视数字技术股份有限公司 | 车辆信息输出、存储方法及装置 |
CN108984644A (zh) * | 2018-06-25 | 2018-12-11 | 高新兴科技集团股份有限公司 | 一种套牌车检索方法及系统 |
CN108984644B (zh) * | 2018-06-25 | 2021-04-23 | 高新兴科技集团股份有限公司 | 一种套牌车检索方法及系统 |
CN110569794A (zh) * | 2019-09-06 | 2019-12-13 | 深圳市梵高控股有限公司 | 物品的信息存储方法、装置和计算机可读存储介质 |
CN110569794B (zh) * | 2019-09-06 | 2022-07-19 | 深圳市恒天伟焱科技股份有限公司 | 物品的信息存储方法、装置和计算机可读存储介质 |
CN112733578B (zh) * | 2019-10-28 | 2024-05-24 | 普天信息技术有限公司 | 车辆重识别方法及系统 |
CN112733578A (zh) * | 2019-10-28 | 2021-04-30 | 普天信息技术有限公司 | 车辆重识别方法及系统 |
CN111178292A (zh) * | 2019-12-31 | 2020-05-19 | 东软集团(北京)有限公司 | 一种车型识别方法、装置及设备 |
CN111652087A (zh) * | 2020-05-15 | 2020-09-11 | 泰康保险集团股份有限公司 | 验车方法、装置、电子设备和存储介质 |
CN112164229A (zh) * | 2020-09-28 | 2021-01-01 | 广西信路威科技发展有限公司 | 基于车辆多维特征的车型识别匹配系统和方法 |
CN113362612A (zh) * | 2021-06-02 | 2021-09-07 | 国电内蒙古东胜热电有限公司 | 一种车辆识别方法及系统 |
CN114332513A (zh) * | 2022-03-15 | 2022-04-12 | 北京嘉沐安科技有限公司 | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 |
CN114332513B (zh) * | 2022-03-15 | 2023-01-06 | 重庆华源智禾科技有限公司 | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 |
CN116662265A (zh) * | 2023-07-21 | 2023-08-29 | 太极计算机股份有限公司 | 车型档案构建方法及装置、车辆计费方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105320923B (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105320923A (zh) | 车型识别方法及装置 | |
Zhang et al. | CCTSDB 2021: a more comprehensive traffic sign detection benchmark | |
CN105320705B (zh) | 相似车辆的检索方法及装置 | |
CN105321350A (zh) | 套牌车检测方法及装置 | |
CN106600977B (zh) | 基于多特征识别的违停检测方法及系统 | |
CN110163109B (zh) | 一种车道线标注方法及装置 | |
CN105740886B (zh) | 一种基于机器学习的车标识别方法 | |
CN110795595A (zh) | 基于边缘计算的视频结构化存储方法、装置、设备及介质 | |
CN103310231A (zh) | 车标定位与识别方法 | |
CN111027535B (zh) | 一种车牌识别方法及相关设备 | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN113808098A (zh) | 道路病害识别方法、装置、电子设备及可读存储介质 | |
CN110276258A (zh) | 一种识别车辆外观的方法及系统 | |
CN105320710A (zh) | 抗光照变化的车辆检索方法及装置 | |
CN109741391A (zh) | 路面积水深度的检测方法、装置和存储介质 | |
CN111723773A (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN111488808A (zh) | 基于交通违法图像数据的车道线检测方法 | |
CN114219829A (zh) | 车辆跟踪方法、计算机设备及存储装置 | |
CN105320708A (zh) | 车型数据库的建立方法及服务器 | |
CN105320703A (zh) | 相似车辆检索中的查询扩展方法及装置 | |
CN109187548A (zh) | 一种岩体裂隙识别方法 | |
CN106777350B (zh) | 一种基于卡口数据的以图搜图方法和装置 | |
CN113221760A (zh) | 一种高速公路摩托车检测方法 | |
CN112686247A (zh) | 一种身份证号码检测方法、装置、可读存储介质和终端 | |
CN113657378B (zh) | 车辆跟踪方法、车辆跟踪系统和计算设备 |
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 |