CN105354533B - 一种基于词袋模型的卡口无牌车辆车型识别方法 - Google Patents

一种基于词袋模型的卡口无牌车辆车型识别方法 Download PDF

Info

Publication number
CN105354533B
CN105354533B CN201510625981.3A CN201510625981A CN105354533B CN 105354533 B CN105354533 B CN 105354533B CN 201510625981 A CN201510625981 A CN 201510625981A CN 105354533 B CN105354533 B CN 105354533B
Authority
CN
China
Prior art keywords
image
words
bag
vehicle
histogram
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
Application number
CN201510625981.3A
Other languages
English (en)
Other versions
CN105354533A (zh
Inventor
陈莹
高含
化春键
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changshu Zijin Intellectual Property Service Co ltd
Original Assignee
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201510625981.3A priority Critical patent/CN105354533B/zh
Publication of CN105354533A publication Critical patent/CN105354533A/zh
Application granted granted Critical
Publication of CN105354533B publication Critical patent/CN105354533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于词袋模型的卡口无牌车辆车型识别方法，该方法首先基于直方图完成车辆检测，基于梯度密度完成车脸定位，之后基于词袋模型进行车型分类，包括训练与测试两部分，并针对词袋模型忽略词汇之间关联而导致分类效果不佳的问题，对空间信息进行构造。在构造空间信息时，分为全局空间信息与局部空间信息两部分进行计算，其中全局空间信息的获取来自相同标记图像块间的空间角度关系，首先将图像相同标记的图像块按到原点的距离大小进行排序，并依次计算相邻两图像块与横轴之间的夹角，统计关于各个标记的全局角度直方图信息；局部信息则按照特定方法计算相同标记块出现的局部频率直方图。将二者直方图信息结合起来，完成词袋空间信息的构造。该方法准确率较高，且在定位精准上，对车脸定位要求较低，运行时间少，可满足一般应用要求。

Description

一种基于词袋模型的卡口无牌车辆车型识别方法
技术领域
本发明涉及一种基于词袋模型的卡口无牌车辆车型识别方法，属于图像处理与分析在智能视频监控上的应用。
背景技术
车型识别技术由于车辆本身金属特征，易受光照影响、特征点少，且对车牌定位依赖性较强，同种类车辆车型较多，因而研究难度相当大。目前治安卡口系统车型识别一般是通过检测车牌信息，从而精确定位出前脸区域，通过对车前脸作相应分析判断出车辆型号。而该系统目前方法在定位精准程度上，对前脸的定位精确程度要求较高，而当前脸定位不精确或是车牌定位失败时，车型识别的过程将无法进行。
发明内容
本发明所要解决的技术问题是提供一种治安卡口系统下无牌车辆车型识别方法，作为现有卡口系统车型识别的补充，本发明识别率较高，对前脸定位要求低，且耗时较少，能够满足现实使用中对实时性的要求。
为解决上述技术问题，本发明所采用的技术方案是：一种治安卡口系统无牌车辆识别方法，其特征在于，包括以下部分：
S01、读入一批卡口车辆图像，采用直方图分析法完成车辆定位后的图像，包括各个车型的车辆；
S02、提取车辆的前脸区域：采用Roberts算子对图像进行边缘检测，将边缘检测图像进行密度连接，对连接后的图像作相应分析得到车脸的水平边界，对水平分割后的图像再次进行密度连接，分割出车脸的垂直边界，最终得到车脸图像；
S03、对车脸图像进行分块，提取图像块的尺度不变局部特征算子特征；
S04、训练各类车辆车型，生成训练模板：训练图像为各个车型的车前脸图像，每个车型包括30张图像。利用K-means聚类成词袋模型字典，并构造空间信息，最后采用支持向量机对训练图像进行训练，得到训练模型；
S05、对测试图像进行车型分类：将每个图像块映射到词袋的字典中后，测试图像即表示为视觉词汇的直方图形式，同时构造词典模型的空间信息，采用支持向量机支持向量机对其进行分类；
作为本发明的进一步改进，所述步骤S02具体为：
(1)采用Roberts算子对输入图像Im进行边缘检测得到边缘图Im_edge，计算Im_edge中像素个数edge_sum，当edge_sum＞4000时，密度连接阈值设为Tr＝40，当edge_sum＜4000时，密度连接阈值Tr＝30；
(2)对边缘图Im_edge作密度连接操作，采用10×30大小的滑动窗口进行计算，滑动单位为5，当窗口内像素数大于Tr时，将该窗口水平方向下半部分所对应的图像位置像素全部置为255，依次滑动窗口，最终得到密度连接后图像Im_conn；
(3)对密度连接图像Im_conn进行行方向求和，并计算得到和为非零的行位置conn_hz，根据conn_hz中相邻元素的差进行区分，当相邻2个值大于5时分为2部分，依次查看conn_hz中的值，从而将Im_conn中斑点按水平方向分为几个部分，针对这几个部分，分别根据位置、宽度、像素个数进行分析，排除不可能的区域，得到车脸的水平位置；
(4)对水平分割后的图像再次进行密度连接，分割出车脸的垂直边界，最终得到车脸图像；
作为本发明的进一步改进，所述步骤S03具体为：
将车脸图像I进行规则的网格分割，分成块p1、块p2、块pn(n为块数量)，每个块为16×16像素，并对每个图像块进行稠密尺度不变局部特征算子特征描述，最终图像I将得到128×n维的特征向量{d1,d2..dj..dn},dj表示第j个块的特征向量，维数为128；
作为本发明的进一步改进，所述步骤S04具体为：
(1)将所有训练图像的稠密尺度不变局部特征算子特征采用K-means方法将距离较近的特征合为一类，最终将训练图像特征分成N类，从而生成词汇数是N的词袋模型词典(即聚类中心)V＝{w1,w2..wk..wN}，其中wk表示第k个聚类中心词汇；
(2)把每幅训练图像表示成视觉单词的直方图形式，计算每个块到视觉词汇的最小欧式距离，将每幅图像的所有分块分别映射到词典中，所有训练图像即可表示成关于词袋模型视觉词典的直方图表示；
(3)将训练图像的特征送入支持向量机支持向量机进行训练，所采用的核函数为histogram intersection kernel，最终得到训练模型；
作为本发明的进一步改进，所述步骤S05具体为：
(1)计算块特征到词汇的最小欧式距离，从而将图像块映射到所属的视觉单词wk，k代表图像I的第j个块的特征向量分配到的wk的序号，该图像即可表示为视觉单词的直方图形式；
(2)找到相同标记的块，在图像坐标系中，以图像原点为中心，图像块的位置假设为该块的中心点，将相同标号的图像块按照到原点距离的大小进行升序排列；
(3)当排序完成以后，构造词袋模型全局空间信息：计算相邻两两图像块xi、xj与x轴正方向的夹角，通过计算每个视觉单词wk的角度直方图信息h(wk)(采用6个bin)，即可完成全局空间信息的构造；
(4)构造词袋模型局部空间信息：将标记完成后将图像中所有块量化成关于自身标记的矩阵，此后开始对标记矩阵进行统计，设定3×3的滑动窗口，每次滑动单位为1，以滑动窗口内中心元素为参考，扫描与其相邻的8个元素的值是否相等，相等则将相应元素设为‘1’，否则为‘0’，最后统计各中心元素‘1’值的个数，即完成相同图像块的频率直方图统计过程；
(5)将计算得到的全局角度信息与局部频率信息进行归一化，并结合到一起组成7×N的空间信息，N表示词典大小，结合传统词袋模型模型，将具有空间信息的词袋模型送入支持向量机分类器进行分类，所采用的核函数为histogram intersection kernel。
本发明的有益效果是，将结合空间信息的词袋模型模型应用在卡口系统车型识别上，识别率较高,且相比现有方案更优，同时大大降低了对车脸定位精确程度的要求，实现了不依靠车牌定位来截取前脸信息，能够满足一般应用要求。
附图说明
图1为本发明所提供的一种基于词袋模型的卡口无牌车辆车型识别流程图。
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。
针对词袋模型模型忽略视觉单词之间联系而导致分类效果降低的问题，以及车型识别对车脸定位精准等问题，本发明提出了一种治安卡口车型识别方法，下面结合附图进行详细说明：
如图1所示,为本发明所提供的一种基于词袋模型的卡口无牌车辆车型识别方法具体实施方式中的流程示意图。在本实施方式中，一种卡口系统下车型识别方法，其包括以下部分：
S01、读入一批卡口车辆图像，采用直方图分析法完成车辆定位后的图像，包括各个车型的车辆。
S02、提取车辆的前脸区域；
所述步骤S02具体为：
(1)采用Roberts算子对输入图像Im进行边缘检测得到边缘图Im_edge，计算Im_edge中像素个数edge_sum，当edge_sum＞4000时，密度连接阈值设为Tr＝40，当edge_sum＜4000时，密度连接阈值Tr＝30；
(2)对边缘图Im_edge作密度连接操作，采用10×30大小的滑动窗口进行计算，滑动单位为5，当窗口内像素数大于Tr时，将该窗口水平方向下半部分所对应的图像位置像素全部置为255，依次滑动窗口，最终得到密度连接后图像Im_conn；
(3)对密度连接图像Im_conn进行行方向求和，并计算得到和为非零的行位置conn_hz，根据conn_hz中相邻元素的差进行区分，当相邻2个值大于5时分为2部分，依次查看conn_hz中的值，从而将Im_conn中斑点按水平方向分为几个部分，针对这几个部分，分别根据位置、宽度、像素个数进行分析，排除不可能的区域，得到车脸的水平位置；
(4)对水平分割后的图像再次进行密度连接，分割出车脸的垂直边界，最终得到车脸图像；
S03、对车脸图像进行分块，提取图像块的尺度不变局部特征算子特征；
所述步骤S03具体为：
将车脸图像I进行规则的网格分割，分成块p1、块p2、块pn(n为块数量)，每个块为16×16像素，并对每个图像块进行稠密尺度不变局部特征算子特征描述，最终图像I将得到128×n维的特征向量{d1,d2..dj..dn},dj表示第j个块的特征向量，维数为128；
S04、训练各类车辆车型，生成训练模板；
所述步骤S04具体为：
(1)将所有训练图像的稠密尺度不变局部特征算子特征采用K-means方法将距离较近的特征合为一类，最终将训练图像特征分成N类，从而生成词汇数是N的词袋模型词典(即聚类中心)V＝{w1,w2..wk..wN}，其中wk表示第k个聚类中心词汇；
(2)把每幅训练图像表示成视觉单词的直方图形式，计算每个块到视觉词汇的最小欧式距离，将每幅图像的所有分块分别映射到词典中，所有训练图像即可表示成关于词袋模型视觉词典的直方图表示；
(3)将训练图像的特征送入支持向量机支持向量机进行训练，所采用的核函数为histogram intersection kernel，最终得到训练模型；
S05、对测试图像进行车型分类；
所述步骤S05具体为：
(1)计算块特征到词汇的最小欧式距离，从而将图像块映射到所属的视觉单词wk，k代表图像I的第j个块的特征向量分配到的wk的序号，该图像即可表示为视觉单词的直方图形式；
(2)找到相同标记的块，在图像坐标系中，以图像原点为中心，图像块的位置假设为该块的中心点，将相同标号的图像块按照到原点距离的大小进行升序排列；
(3)当排序完成以后，构造词袋模型全局空间信息：计算相邻两两图像块xi、xj与x轴正方向的夹角，通过计算每个视觉单词wk的角度直方图信息h(wk)(采用6个bin)，即可完成全局空间信息的构造；
(4)构造词袋模型局部空间信息：将标记完成后将图像中所有块量化成关于自身标记的矩阵，此后开始对标记矩阵进行统计，设定3×3的滑动窗口，每次滑动单位为1，以滑动窗口内中心元素为参考，扫描与其相邻的8个元素的值是否相等，相等则将相应元素设为‘1’，否则为‘0’，最后统计各中心元素‘1’值的个数，即完成相同图像块的频率直方图统计过程；
(5)将计算得到的全局角度信息与局部频率信息进行归一化，并结合到一起组成7×N的空间信息，N表示词典大小，结合传统词袋模型模型，将具有空间信息的词袋模型送入支持向量机分类器进行分类，所采用的核函数为histogram intersection kernel。
以上已以较佳实施例公开了本发明，然其并非用以限制本发明，凡采用等同替换或者等效变换方式所获得的技术方案，均落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，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 (3)

1.一种基于词袋模型的卡口无牌车辆车型识别方法，其特征在于，包括以下步骤：
S01、读入一批卡口车辆图像，采用直方图分析法完成车辆定位后的图像，包括各个车型的车辆；
S02、提取车辆的前脸区域：采用Roberts算子对图像进行边缘检测，将边缘检测图像进行密度连接，对连接后的图像作相应分析得到车脸的水平边界，对水平分割后的图像再次进行密度连接，分割出车脸的垂直边界，最终得到车脸图像；
S03、对车脸图像进行分块，提取图像块的尺度不变局部特征算子特征；
S04、训练各类车辆车型，生成训练模板：训练图像为各个车型的车前脸图像，每个车型包括30张图像，利用K-means聚类成词袋模型字典，并构造空间信息，最后采用支持向量机对训练图像进行训练，得到训练模型；
S05、对测试图像进行车型分类：将每个图像块映射到词袋的字典中后，测试图像即表示为视觉词汇的直方图形式，同时构造词典模型的空间信息，采用支持向量机支持向量机对其进行分类；
所述步骤S02包括：
(1)采用Roberts算子对输入图像Im进行边缘检测得到边缘图Im_edge，计算Im_edge中像素个数edge_sum，当edge_sum>4000时，密度连接阈值设为Tr＝40，当edge_sum<4000时，密度连接阈值Tr＝30；
(2)对边缘图Im_edge作密度连接操作，采用10×30大小的滑动窗口进行计算，滑动单位为5，当窗口内像素数大于Tr时，将该窗口水平方向下半部分所对应的图像位置像素全部置为255，依次滑动窗口，最终得到密度连接后图像Im_conn；
(3)对密度连接图像Im_conn进行行方向求和，并计算得到和为非零的行位置conn_hz，根据conn_hz中相邻元素的差进行区分，当相邻2个值大于5时分为2部分，依次查看conn_hz中的值，从而将Im_conn中斑点按水平方向分为几个部分，针对这几个部分，分别根据位置、宽度、像素个数进行分析，排除不可能的区域，得到车脸的水平位置；
(4)对水平分割后的图像再次进行密度连接，分割出车脸的垂直边界，最终得到车脸图像；所述步骤S03包括：
将车脸图像I进行规则的网格分割，分成块p1、块p2、块pn，n为块数量，每个块为16×16像素，并对每个图像块进行稠密尺度不变局部特征算子特征描述，最终图像I将得到128×n维的特征向量{d1,d2..dj..dn},dj表示第j个块的特征向量，维数为128。
2.根据权利要求1所述的车型识别方法，所述步骤S04包括：
(1)将所有训练图像的稠密尺度不变局部特征算子特征采用K-means方法将距离较近的特征合为一类，最终将训练图像特征分成N类，从而生成词汇数是N的词袋模型词典，即聚类中心，V＝{w1,w2..wk..wN}，其中wk表示第k个聚类中心词汇；
(2)把每幅训练图像表示成视觉单词的直方图形式，计算每个块到视觉词汇的最小欧式距离，将每幅图像的所有分块分别映射到词典中，所有训练图像即可表示成关于词袋模型视觉词典的直方图表示；
(3)将训练图像的特征送入支持向量机支持向量机进行训练，所采用的核函数为histogram intersection kernel，最终得到训练模型。
3.根据权利要求2所述的车型识别方法，所述步骤S05包括：
(1)计算块特征到词汇的最小欧式距离，从而将图像块映射到所属的视觉单词wk，k代表图像I的第j个块的特征向量分配到的wk的序号，该图像即可表示为视觉单词的直方图形式；
(2)找到相同标记的块，在图像坐标系中，以图像原点为中心，图像块的位置假设为该块的中心点，将相同标号的图像块按照到原点距离的大小进行升序排列；
(3)当排序完成以后，构造词袋模型全局空间信息：计算相邻两两图像块xi、xj与x轴正方向的夹角通过计算每个视觉单词wk的角度直方图信息h(wk)，采用6个bin，即可完成全局空间信息的构造；
(4)构造词袋模型局部空间信息：将标记完成后将图像中所有块量化成关于自身标记的矩阵，此后开始对标记矩阵进行统计，设定3×3的滑动窗口，每次滑动单位为1，以滑动窗口内中心元素为参考，扫描与其相邻的8个元素的值是否相等，相等则将相应元素设为‘1’，否则为‘0’，最后统计各中心元素‘1’值的个数，即完成相同图像块的频率直方图统计过程；
(5)将计算得到的全局角度信息与局部频率信息进行归一化，并结合到一起组成7×N的空间信息，N表示词典大小，结合传统词袋模型模型，将具有空间信息的词袋模型送入支持向量机分类器进行分类，所采用的核函数为histogram intersection kernel。
CN201510625981.3A 2015-09-28 2015-09-28 一种基于词袋模型的卡口无牌车辆车型识别方法 Active CN105354533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510625981.3A CN105354533B (zh) 2015-09-28 2015-09-28 一种基于词袋模型的卡口无牌车辆车型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510625981.3A CN105354533B (zh) 2015-09-28 2015-09-28 一种基于词袋模型的卡口无牌车辆车型识别方法

Publications (2)

Publication Number Publication Date
CN105354533A CN105354533A (zh) 2016-02-24
CN105354533B true CN105354533B (zh) 2018-11-09

Family

ID=55330501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510625981.3A Active CN105354533B (zh) 2015-09-28 2015-09-28 一种基于词袋模型的卡口无牌车辆车型识别方法

Country Status (1)

Country Link
CN (1) CN105354533B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868734A (zh) * 2016-04-22 2016-08-17 江苏电力信息技术有限公司 基于bow图像表征模型的输电线路大型施工车辆识别方法
CN106778777B (zh) * 2016-11-30 2021-07-06 成都通甲优博科技有限责任公司 一种车辆匹配方法及系统
CN106845341B (zh) * 2016-12-15 2020-04-10 南京积图网络科技有限公司 一种基于虚拟号牌的无牌车辆识别方法
CN106777350B (zh) * 2017-01-16 2020-02-14 青岛海信网络科技股份有限公司 一种基于卡口数据的以图搜图方法和装置
CN111680556B (zh) * 2020-04-29 2024-06-07 平安国际智慧城市科技股份有限公司 交通卡口车辆类型的识别方法、装置、设备及存储介质
CN113805240B (zh) * 2020-05-28 2023-06-27 同方威视技术股份有限公司 车辆检查方法和系统
CN113256991B (zh) * 2021-07-14 2021-09-24 智广海联(天津)大数据技术有限公司 基于车流量统计的汽车厂周边道路拥堵治理系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
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
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
CN104102909A (zh) * 2014-07-23 2014-10-15 中科联合自动化科技无锡有限公司 基于多重视觉信息的车辆特征定位及匹配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8825586B2 (en) * 2009-02-24 2014-09-02 International Road Dynamics Vehicle type recognition at a checkpoint using PCA and BIC

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
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
CN104102909A (zh) * 2014-07-23 2014-10-15 中科联合自动化科技无锡有限公司 基于多重视觉信息的车辆特征定位及匹配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于词袋模型的人脸表情识别研究;王涛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140615(第6期);I138-815 *
基于词袋模型的目标跟踪和动作识别算法研究;刘伟盛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140815(第8期);I138-1324 *

Also Published As

Publication number Publication date
CN105354533A (zh) 2016-02-24

Similar Documents

Publication Publication Date Title
CN105354533B (zh) 一种基于词袋模型的卡口无牌车辆车型识别方法
EP3478728B1 (en) Method and system for cell annotation with adaptive incremental learning
CN105930791B (zh) 基于ds证据理论的多摄像头融合的路面交通标志识别方法
CN102147869B (zh) 基于前景分析和模式识别的行人检测方法
WO2018072233A1 (zh) 一种基于选择性搜索算法的车标检测识别方法及系统
CN103077407B (zh) 车标定位识别方法及系统
CN104766042B (zh) 交通标志板识别方法及装置
CN112016605B (zh) 一种基于边界框角点对齐和边界匹配的目标检测方法
US20100310158A1 (en) Method And Apparatus For Training Classifier, Method And Apparatus For Image Recognition
CN110490099B (zh) 一种基于机器视觉的地铁公共地点人流量分析方法
CN102915433B (zh) 基于字符组合的车牌定位和识别方法
CN101937508A (zh) 一种基于高清图像的车牌定位与识别方法
CN105512640A (zh) 一种基于视频序列的人流量统计方法
CN107133607B (zh) 基于视频监控的人群统计方法及系统
Chen et al. Multi-shape descriptor vehicle classification for urban traffic
CN104050684B (zh) 一种基于在线训练的视频运动目标分类方法与系统
CN106650731A (zh) 一种鲁棒的车牌、车标识别方法
CN105205486A (zh) 一种车标识别方法及装置
CN105303153A (zh) 一种车辆车牌识别方法及装置
CN108388871B (zh) 一种基于车身回归的车辆检测方法
CN110070090A (zh) 一种基于手写文字识别的物流标签信息检测方法及系统
CN106203401B (zh) 一种车道线的快速检测方法
CN116704490B (zh) 车牌识别方法、装置和计算机设备
CN103413149A (zh) 复杂背景中实现静态目标检测和识别的方法
CN117037081A (zh) 基于机器学习的交通监控方法、装置、设备及介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221223

Address after: Room 401, Building 3, No. 88, Xianshi Road, Changshu High tech Industrial Development Zone, Suzhou, Jiangsu Province, 215500

Patentee after: Suzhou Feimu Huoneng Robot Technology Co.,Ltd.

Address before: No. 1800 road 214122 Jiangsu Lihu Binhu District City of Wuxi Province

Patentee before: Jiangnan University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230517

Address after: Building 3, Building 3310, No. 88 Xianshi Road, Changshu High tech Industrial Development Zone, Suzhou City, Jiangsu Province, 215500

Patentee after: Changshu Zijin Intellectual Property Service Co.,Ltd.

Address before: Room 401, Building 3, No. 88, Xianshi Road, Changshu High tech Industrial Development Zone, Suzhou, Jiangsu Province, 215500

Patentee before: Suzhou Feimu Huoneng Robot Technology Co.,Ltd.

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Vehicle Model Recognition without License Plate at Checkpoint Based on Word Bag Model

Effective date of registration: 20231129

Granted publication date: 20181109

Pledgee: Agricultural Development Bank of China Changshu Branch

Pledgor: Changshu Zijin Intellectual Property Service Co.,Ltd.

Registration number: Y2023980068507