CN105469091B - 一种车辆识别方法及装置 - Google Patents
一种车辆识别方法及装置 Download PDFInfo
- Publication number
- CN105469091B CN105469091B CN201510881725.0A CN201510881725A CN105469091B CN 105469091 B CN105469091 B CN 105469091B CN 201510881725 A CN201510881725 A CN 201510881725A CN 105469091 B CN105469091 B CN 105469091B
- Authority
- CN
- China
- Prior art keywords
- score
- image
- testing image
- headstock
- training
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 148
- 238000012549 training Methods 0.000 claims abstract description 79
- 230000001960 triggered effect Effects 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆识别方法及装置,该方法包括:获取地感被触发时对应的待测图像及待测图像的HOG特征;利用预先训练的根滤波器对待测图像的HOG特征对应的第一特征图进行卷积,得到待测图像的第一得分;如果第一得分大于第一阈值,则利用预先训练的N个部件滤波器分别对待测图像的HOG特征对应的第二特征图进行卷积,得到N个第二得分;其中,第二特征图中每个细胞单元包含的像素个数小于第一特征图中每个细胞单元包含的像素个数;基于第一得分及N个第二得分确定待测图像的总得分,如果总得分大于第二阈值,则确定待测图像中包含有车头。本申请公开的技术方案能够在有车辆驶过地感时准确检测到车辆,即能够对车辆进行快速、有效识别。
Description
技术领域
本发明涉及车辆识别技术领域,更具体地说,涉及一种车辆识别方法及装置。
背景技术
时至今日,车牌识别设备已经被广泛使用在小区出入口、商厦出入口等地方,为了提升安全性、缩小管理漏洞,越来越多的停车场管理系统将车牌号作为出入管理和收费的一个重要凭证。
然而用于识别车牌号的车牌识别设备并不能每辆车都能识别到,且,当有人使用铁器等触发地感时,停车场管理系统会误判有车辆驶过,从而发卡,而导致无法正常实现对于车辆的管理及收费。总之,现有技术中可能出现无法准确识别出是否有车辆驶过,即漏车的情况。
综上所述,现有技术中存在可能出现无法准确识别出是否有车辆驶过的情况的问题。
发明内容
本发明的目的是提供一种车辆识别方法及装置,以准确识别出是否有车辆驶过。
为了实现上述目的,本发明提供如下技术方案:
一种车辆识别方法,包括:
获取地感被触发时对应的待测图像以及所述待测图像的HOG特征;
利用预先训练的根滤波器对所述待测图像的HOG特征对应的第一特征图进行卷积,得到所述待测图像的第一得分;
如果所述第一得分大于第一阈值,则利用预先训练的N个部件滤波器分别对所述待测图像的HOG特征对应的第二特征图进行卷积,得到N个第二得分;其中,所述第二特征图中每个细胞单元包含的像素个数小于所述第一特征图中每个细胞单元包含的像素个数;
基于所述第一得分及所述N个第二得分确定所述待测图像的总得分,如果所述总得分大于第二阈值,则确定所述待测图像中包含有车头。
优选的,基于所述第一得分及所述N个第二得分确定所述待测图像的总得分,包括:
确定与所述第一得分对应的车头位置及分别与每个所述第二得分对应的车头位置;
确定分别与每个所述第二得分对应的车头位置对应于与所述第一得分对应的车头位置的偏移量,得到与所述偏移量对应的偏移惩罚值;
将所述第一得分及所述N个第二得分的总和减去所述偏移惩罚值得到所述总得分。
优选的,所述根滤波器或任一部件滤波器的预先训练过程包括:
获取预设量的训练图像,所述训练图像包括通过卡口摄像机得到的包含有不同类型的车头的第一训练图像和不包含车头的第二训练图像;
将所述第一训练图像加入正样本,将所述第二训练图像加入负样本;
利用所述正样本及所述负样本进行DPM训练,得到根滤波器或者任一部件滤波器。
优选的,还包括:
预先确定所述第一训练图像中车头占该第一训练图像的比例为目标尺寸,并将所述训练图像及所述待测图像缩放至所述目标尺寸之后,对其进行相应的处理。
优选的,获取所述待测图像的HOG特征之前,还包括:
获取地感被触发时对应的待测图像;
确定该待测图像之前的第一预设数量帧的图像和该待测图像之后的第二预设数量帧的图像是否具有与之对应的车牌识别结果,如果否,则获取所述待测图像的HOG特征。
优选的,确定所述待测图像中包含有车头图像之后,还包括:
对所述车头进行车标检测,并将检测结果及所述待测图像进行保存。
优选的,还包括:
预先穷举所有灰度值之间的梯度值,并将其保存为查找表;
获取所述待测图像的HOG特征,包括:
使用待测图像的灰度值在查找表中查找对应的梯度值,并利用该梯度值构建HOG特征。
一种车辆识别装置,包括:
获取模块,用于获取地感被触发时对应的待测图像以及所述待测图像的HOG特征;
根滤波模块,用于利用预先训练的根滤波器对所述待测图像的HOG特征对应的第一特征图进行卷积,得到所述待测图像的第一得分;
部件滤波模块,用于如果所述第一得分大于第一阈值,则利用预先训练的N个部件滤波器分别对所述待测图像的HOG特征对应的第二特征图进行卷积,得到N个第二得分;其中,所述第二特征图中每个细胞单元包含的像素个数小于所述第一特征图中每个细胞单元包含的像素个数;
确定模块,用于基于所述第一得分及所述N个第二得分确定所述待测图像的总得分,如果所述总得分大于第二阈值,则确定所述待测图像中包含有车头。
优选的,还包括:
滤波器训练模块,用于:获取预设量的训练图像,所述训练图像包括通过卡口摄像机得到的包含有不同类型的车头的第一训练图像和不包含车头的第二训练图像;将所述第一训练图像加入正样本,将所述第二训练图像加入负样本;利用所述正样本及所述负样本进行DPM训练,得到根滤波器和部件滤波器;
尺寸处理模块,用于预先确定所述第一训练图像中车头占该第一训练图像的比例为目标尺寸,并将所述训练图像及所述待测图像缩放至所述目标尺寸之后,对其进行相应的处理。
优选的,还包括:
触发模块,用于:获取地感被触发时对应的待测图像;确定该待测图像之前的第一预设数量帧的图像和该待测图像之后的第二预设数量帧的图像是否具有与之对应的车牌识别结果,如果否,则获取所述待测图像的HOG特征。
本发明提供的一种车辆识别方法及装置,该方法包括:获取地感被触发时对应的待测图像以及所述待测图像的HOG特征;利用预先训练的根滤波器对所述待测图像的HOG特征对应的第一特征图进行卷积,得到所述待测图像的第一得分;如果所述第一得分大于第一阈值,则利用预先训练的N个部件滤波器分别对所述待测图像的HOG特征对应的第二特征图进行卷积,得到N个第二得分;其中,所述第二特征图中每个细胞单元包含的像素个数小于所述第一特征图中每个细胞单元包含的像素个数;基于所述第一得分及所述N个第二得分确定所述待测图像的总得分,如果所述总得分大于第二阈值,则确定所述待测图像中包含有车头。通过本申请公开的上述技术特征,通过根滤波器对待测图像的HOG特征对应的第一特征图进行卷积,得到第一得分,通过部件滤波器对待测图像的HOG特征对应的第二特征图进行卷积,得到第二得分,并且所述第二特征图中每个细胞单元包含的像素个数小于所述第一特征图中每个细胞单元包含的像素个数,进而通过第一得分及第二得分确定待测图像中是否包含车头,即通过级联的滤波器对待测图像进行检测,进而得出待测图像是否包含车头的结果,能够在有车辆驶过地感时准确检测到车辆,且有效识别出地感被触发是否是因车辆引起的,即能够对车辆进行有效识别,因此,本申请公开的技术方案解决了背景技术中的漏车问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种车辆识别方法的流程图;
图2为本发明实施例提供的一种车辆识别方法中基于第一得分及N个第二得分确定待测图像的总得分的流程图;
图3为本发明实施例提供的一种车辆识别方法中根滤波器或任一部件滤波器的预先训练过程的流程图;
图4为本发明实施例提供的一种车辆识别装置的结构示意图。
具体实施方式
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、完整地描述,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。基于本发明中的实施例,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实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明实施例提供的一种车辆识别方法的流程图,可以包括以下步骤:
S11:获取地感被触发时对应的待测图像以及待测图像的HOG特征。
需要说明的是,当有车辆或者其他能够触发地感的物质在地感上(地感可以为地感线圈)时,地感信号处理器发送指令至摄像装置(摄像机、照相机等),由摄像装置对地感上方进行拍照或者摄像,得到待测图像。
而HOG特征(histogram of oriented gradient,方向梯度直方图),是用于目标检测的特征描述子,该技术将图像局部出现的方向梯度次数进行计数,其核心思想为所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述,通过将整幅图像分割成小的连接区域(称为cell,即细胞单元),每个cell生成一个方向梯度直方图或者cell中pixel的边缘方向,这些直方图的组合可表示出(所检测目标的目标)描述子。
S12:利用预先训练的根滤波器对待测图像的HOG特征对应的第一特征图进行卷积,得到待测图像的第一得分。
利用根滤波器对第一特征图进行卷积,得到第一得分,第一得分即为判断待测图像是否包含车头的得分,得分越高,说明待测图像包含车头的可能越大。而卷积是通过两个函数f和g生成第三个函数的一种数学算子,表征函数f与g经过翻转和平移的重叠部分的面积。
S13:如果第一得分大于第一阈值,则利用预先训练的N个部件滤波器分别对待测图像的HOG特征对应的第二特征图进行卷积,得到N个第二得分;其中,第二特征图中每个细胞单元包含的像素个数小于第一特征图中每个细胞单元包含的像素个数。
其中,N的具体取值可以根据实际需要进行确定,通常取大于1但是小于4的值,为了兼顾耗时与检测性能,优选的N取3。第一阈值可以根据实际需要进行设定,当第一得分大于第一阈值时,说明待测图像包含车头的可能符合要求,此时,利用部件滤波器对第二特征图进行卷积,当第一得分小于或等于第一阈值时,说明待测图像包含车头的可能不符合要求,即待测图像包含车头的可能较小,此时,则可直接判定待测图像中不包含车头。
另外,第二特征图中每个细胞单元包含的像素个数小于第一特征图中每个细胞单元包含的像素个数可以理解成第二特征图较第一特征图更细腻。举例说明,利用根滤波器对第一特征图进行处理得到的第一得分有可能对应的为车头整个轮廓位置,而利用部件滤波器对第二特征图进行处理得到的第二得分有可能对应为车头的单个部件位置,如车灯、进气栅等。
S14:基于第一得分及N个第二得分确定待测图像的总得分,如果总得分大于第二阈值,则确定待测图像中包含有车头。
第二阈值可以根据实际需要进行确定,如果总得分大于第二阈值,说明待测图像包含车头的可能性很大,否则,则说明待测图像包含车头的可能性很小,进一步直接判断待测图像不包含车头。
本申请公开的上述技术特征,通过根滤波器对待测图像的HOG特征对应的第一特征图进行卷积,得到第一得分,通过部件滤波器对待测图像的HOG特征对应的第二特征图进行卷积,得到第二得分,并且第二特征图中每个细胞单元包含的像素个数小于第一特征图中每个细胞单元包含的像素个数,进而通过第一得分及第二得分确定待测图像中是否包含车头,即通过级联的滤波器对待测图像进行检测,进而得出待测图像是否包含车头的结果,能够在有车辆驶过地感时准确检测到车辆,且有效识别出地感被触发是否是因车辆引起的,即能够对车辆进行有效识别,解决了漏车问题。
具体来说,基于第一得分及N个第二得分确定待测图像的总得分,可以包括:
步骤S21:确定与第一得分对应的车头位置及分别与每个第二得分对应的车头位置。
根据第一得分能够确定车头的位置,即车头最可能的位置,而每个第二得分均对应一个车头最可能的位置,区别在于,第二得分对应的车头位置可以是指车头上指定部件的位置,如车灯的位置等。
步骤S22:确定分别与每个第二得分对应的车头位置对应于与第一得分对应的车头位置的偏移量,得到与偏移量对应的偏移惩罚值。
依然以步骤S12中所举的例子进行说明,如果第一特征图对应得到的车头整个轮廓,第二特征图对应得到的为车灯,则车灯应在车头的下部,可是通过第一得分对应车头位置和第二得分对应车灯位置判断出车灯在车头的顶部,此时,偏离惩罚值较大,即偏离惩罚值为车头与车灯位置不符合实际情况的严重程度。
步骤S23:将第一得分及N个第二得分的总和减去偏移惩罚值得到总得分。
由于偏离惩罚值表示部件滤波器对应的车头位置不符合根滤波器对应的车头位置的程度,因此,将第一得分及N个第二得分的总和减去偏离惩罚值得到的即为总得分。
另外,对总得分的获取即判断也可以认为是对第一得分及第二得分进行非极大值抑制,进而得到车头位置。由此,通过对偏离惩罚值的获取,能够基于不同得分对应于车头位置的偏离程度确定总得分,进而判断出是否存在车头,能够进一步提高了对车辆识别的准确性。
如图3所示,上述实施例提供的一种车辆识别方法中,根滤波器和部件滤波器的预先训练过程可以包括:
S31:获取预设量的训练图像,训练图像包括通过卡口摄像机得到的包含有不同类型的车头的第一训练图像和不包含车头的第二训练图像。
其中,预设量可以根据实际需要进行确定,通常其取值较大,且,由于卡口摄像机对应的卡口环境下,车头的目标较大、纹理较丰富,与不包含车头的图片的差异比较大,因此,通过卡口摄像机获取大量的第一训练图像能够保证训练的滤波器具有较好的性能。车头的类型可以包括轿车、卡车及客车等不同类型,进一步保证了滤波器用于车辆识别时的准确性。第二训练图像可以使用卡口摄像机拍摄到的不包含车头的图像,也可使用由网络中随机选取的不包含车头的图像。另外,可以将训练图像固定为80*40大小。
S32:将第一训练图像加入正样本,将第二训练图像加入负样本。
标注包含有不同类型的车头的第一训练图像为正样本,不包含车头的第二训练图像为负样本。
S33:利用正样本及负样本进行DPM训练,得到根滤波器和部件滤波器。
其中,DPM(Deformable Part Model,可变部件模型)是一个非常成功的目标检测算法。
利用上述方式训练得到根滤波器和部件滤波器能够减少大量的运算时间,同时获取的滤波器对于待测图像的检测性能也是比较好的。
上述实施例提供的一种车辆识别方法中,还可以包括:
预先确定第一训练图像中车头占该第一训练图像的比例为目标尺寸,并将训练图像及待测图像缩放至目标尺寸之后,对其进行相应的处理。
由于第一训练图像是通过卡口摄像机获得的,而地感和卡口摄像机可以按照统一标准安装,因此,获得的不同图像的结构相似,根据地感被时获得的待测图像中车头占待测图像的比例这一先验知识,可以推算出在检测待测图像的待测图像的目标尺寸,由此,在需要对待测图像进行检测时,可直接将待测图像缩放到目标尺寸,以减少使用的图像金字塔的层数,进而大幅度缩小耗时。同时,只在较小缩放范围内检测待测图像,可以避免检测到待测图像的背景中的车辆,因此,进一步保证了对于不同车型的车头的鲁棒性。
上述实施例提供的一种车辆识别方法中,获取待测图像的HOG特征之前,还可以包括:
获取地感被触发时对应的待测图像;
确定该待测图像之前的第一预设数量帧的图像和该待测图像之后的第二预设数量帧的图像是否具有与之对应的车牌识别结果,如果否,则获取待测图像的HOG特征。
其中,第一预设数量和第二预设数量可以根据实际需要进行确定,具体来说,第一预设数量可以为10,第二预设数量可以为20。当地感被触发时,抓拍一张此时的图像作为待测图像,确定该待测图像之前的第一预设数量帧的图像和该待测图像之后的第二预设数量帧的图像是否具有与之对应的车牌识别结果,如果是,则直接将车牌识别结果进行保存,如果否,则可以将待测图像缩放到240*135大小,并将其转为灰度图,进一步获取其HOG特征,即触发图1中的流程。即,本申请中将车牌识别结果作为触发图1所示流程的触发条件。
另外,确定待测图像中包含有车头图像之后,还可以包括:
对车头进行车标检测,并将检测结果及待测图像进行保存。
确定待测图像中包含有车头图像之后,可以利用车标识别装置对车头进行车标检测,并将检测到的车标和待测图像进行保存,作为对应车辆的凭证。如未检测到车标,则保存无车信号和待测图像,而系统在接收到无车信号后拒绝发卡,以杜绝工作人员利用触发地感获取通行卡的现象。
上述实施例提供的一种车辆识别方法中,还可以包括:预先穷举所有灰度值之间的梯度值,并将其保存为查找表;
获取所述待测图像的HOG特征,可以包括:
使用待测图像的灰度值在查找表中查找对应的梯度值,并利用该梯度值构建HOG特征。
由此,当获取待测图像的HOG特征时,可以通过查询查找表的方式获得待测图像的灰度值对应的梯度值,进而构建其HOG特征,从而缩短了特征计算时间。
与上述方法实施例相对应,本发明实施例还提供了一种车辆识别装置,如图4所示,可以包括:
获取模块41,用于获取地感被触发时对应的待测图像以及待测图像的HOG特征;
根滤波模块42,用于利用预先训练的根滤波器对待测图像的HOG特征对应的第一特征图进行卷积,得到待测图像的第一得分;
部件滤波模块43,用于如果第一得分大于第一阈值,则利用预先训练的N个部件滤波器分别对待测图像的HOG特征对应的第二特征图进行卷积,得到N个第二得分;其中,第二特征图中每个细胞单元包含的像素个数小于第一特征图中每个细胞单元包含的像素个数;
确定模块34,用于基于第一得分及N个第二得分确定待测图像的总得分,如果总得分大于第二阈值,则确定待测图像中包含有车头。
本申请公开的上述技术特征,通过根滤波器对待测图像的HOG特征对应的第一特征图进行卷积,得到第一得分,通过部件滤波器对待测图像的HOG特征对应的第二特征图进行卷积,得到第二得分,并且第二特征图中每个细胞单元包含的像素个数小于第一特征图中每个细胞单元包含的像素个数,进而通过第一得分及第二得分确定待测图像中是否包含车头,即通过级联的滤波器对待测图像进行检测,进而得出待测图像是否包含车头的结果,能够在有车辆驶过地感时准确检测到车辆,且有效识别出地感被触发是否是因车辆引起的,即能够对车辆进行有效识别,解决了漏车问题。
上述实施例提供的一种车辆识别装置中,确定模块可以包括:
第一确定单元,用于确定与第一得分对应的车头位置及分别与每个第二得分对应的车头位置;
第二确定单元,用于确定分别与每个第二得分对应的车头位置对应于与第一得分对应的车头位置的偏移量,得到与偏移量对应的偏移惩罚值;
第三确定单元,用于将第一得分及N个第二得分的总和减去偏移惩罚值得到总得分。上述实施例提供的一种车辆识别装置中,还可以包括:
滤波器训练模块,用于:获取预设量的训练图像,训练图像包括通过卡口摄像机得到的包含有不同类型的车头的第一训练图像和不包含车头的第二训练图像;将第一训练图像加入正样本,将第二训练图像加入负样本;利用正样本及负样本进行DPM训练,得到根滤波器和部件滤波器。
上述实施例提供的一种车辆识别装置中,还可以包括:
尺寸处理模块,用于预先确定第一训练图像中车头占该第一训练图像的比例为目标尺寸,并将训练图像及待测图像缩放至目标尺寸之后,对其进行相应的处理。
上述实施例提供的一种车辆识别装置中,还可以包括:
触发模块,用于:获取地感被触发时对应的待测图像;确定该待测图像之前的第一预设数量帧的图像和该待测图像之后的第二预设数量帧的图像是否具有与之对应的车牌识别结果,如果否,则获取待测图像的HOG特征。
上述实施例提供的一种车辆识别装置中,还可以包括:
保存模块,用于:对车头进行车标检测,并将检测结果及待测图像进行保存。
上述实施例提供的一种车辆识别装置中,还可以包括:
查询表模块,用于预先穷举所有灰度值之间的梯度值,并将其保存为查找表;
获取模块可以包括:
获取单元,用于使用待测图像的灰度值在查找表中查找对应的梯度值,并利用该梯度值构建HOG特征。
由于本发明实施例提供的一种车辆识别装置与本发明实施例提供的一种车辆识别方法是相对应的,因此,上述装置实施例中相关部分的具体说明可参见上述方法实施例中对应部分的说明。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种车辆识别方法,其特征在于,包括:
获取地感被触发时对应的待测图像以及所述待测图像的HOG特征;
利用预先训练的根滤波器对所述待测图像的HOG特征对应的第一特征图进行卷积,得到所述待测图像的第一得分;
如果所述第一得分大于第一阈值,则利用预先训练的N个部件滤波器分别对所述待测图像的HOG特征对应的第二特征图进行卷积,得到N个第二得分;其中,所述第二特征图中每个细胞单元包含的像素个数小于所述第一特征图中每个细胞单元包含的像素个数;
基于所述第一得分及所述N个第二得分确定所述待测图像的总得分,如果所述总得分大于第二阈值,则确定所述待测图像中包含有车头;
基于所述第一得分及所述N个第二得分确定所述待测图像的总得分,包括:
确定与所述第一得分对应的车头位置及分别与每个所述第二得分对应的车头位置;
确定分别与每个所述第二得分对应的车头位置对应于与所述第一得分对应的车头位置的偏移量,得到与所述偏移量对应的偏移惩罚值;
将所述第一得分及所述N个第二得分的总和减去所述偏移惩罚值得到所述总得分。
2.根据权利要求1所述的方法,其特征在于,所述根滤波器和部件滤波器的预先训练过程包括:
获取预设量的训练图像,所述训练图像包括通过卡口摄像机得到的包含有不同类型的车头的第一训练图像和不包含车头的第二训练图像;
将所述第一训练图像加入正样本,将所述第二训练图像加入负样本;
利用所述正样本及所述负样本进行DPM训练,得到根滤波器和部件滤波器。
3.根据权利要求2所述的方法,其特征在于,还包括:
预先确定所述第一训练图像中车头占该第一训练图像的比例为目标尺寸,并将所述训练图像及所述待测图像缩放至所述目标尺寸之后,对其进行相应的处理。
4.根据权利要求1所述的方法,其特征在于,获取所述待测图像的HOG特征之前,还包括:
获取地感被触发时对应的待测图像;
确定该待测图像之前的第一预设数量帧的图像和该待测图像之后的第二预设数量帧的图像是否具有与之对应的车牌识别结果,如果否,则获取所述待测图像的HOG特征。
5.根据权利要求4所述的方法,其特征在于,确定所述待测图像中包含有车头图像之后,还包括:
对所述车头进行车标检测,并将检测结果及所述待测图像进行保存。
6.根据权利要求1所述的方法,其特征在于,还包括:
预先穷举所有灰度值之间的梯度值,并将其保存为查找表;
获取所述待测图像的HOG特征,包括:
使用待测图像的灰度值在查找表中查找对应的梯度值,并利用该梯度值构建HOG特征。
7.一种车辆识别装置,其特征在于,包括:
获取模块,用于获取地感被触发时对应的待测图像以及所述待测图像的HOG特征;
根滤波模块,用于利用预先训练的根滤波器对所述待测图像的HOG特征对应的第一特征图进行卷积,得到所述待测图像的第一得分;
部件滤波模块,用于如果所述第一得分大于第一阈值,则利用预先训练的N个部件滤波器分别对所述待测图像的HOG特征对应的第二特征图进行卷积,得到N个第二得分;其中,所述第二特征图中每个细胞单元包含的像素个数小于所述第一特征图中每个细胞单元包含的像素个数;
确定模块,用于基于所述第一得分及所述N个第二得分确定所述待测图像的总得分,如果所述总得分大于第二阈值,则确定所述待测图像中包含有车头;
所述确定模块包括:
第一确定单元,用于确定与所述第一得分对应的车头位置及分别与每个所述第二得分对应的车头位置;
第二确定单元,用于确定分别与每个所述第二得分对应的车头位置对应于与所述第一得分对应的车头位置的偏移量,得到与所述偏移量对应的偏移惩罚值;
第三确定单元,用于将所述第一得分及所述N个第二得分的总和减去所述偏移惩罚值得到所述总得分。
8.根据权利要求7所述的装置,其特征在于,还包括:
滤波器训练模块,用于:获取预设量的训练图像,所述训练图像包括通过卡口摄像机得到的包含有不同类型的车头的第一训练图像和不包含车头的第二训练图像;将所述第一训练图像加入正样本,将所述第二训练图像加入负样本;利用所述正样本及所述负样本进行DPM训练,得到根滤波器和部件滤波器;
尺寸处理模块,用于预先确定所述第一训练图像中车头占该第一训练图像的比例为目标尺寸,并将所述训练图像及所述待测图像缩放至所述目标尺寸之后,对其进行相应的处理。
9.根据权利要求7所述的装置,其特征在于,还包括:
触发模块,用于:获取地感被触发时对应的待测图像;确定该待测图像之前的第一预设数量帧的图像和该待测图像之后的第二预设数量帧的图像是否具有与之对应的车牌识别结果,如果否,则获取所述待测图像的HOG特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510881725.0A CN105469091B (zh) | 2015-12-03 | 2015-12-03 | 一种车辆识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510881725.0A CN105469091B (zh) | 2015-12-03 | 2015-12-03 | 一种车辆识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105469091A CN105469091A (zh) | 2016-04-06 |
CN105469091B true CN105469091B (zh) | 2019-04-09 |
Family
ID=55606762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510881725.0A Expired - Fee Related CN105469091B (zh) | 2015-12-03 | 2015-12-03 | 一种车辆识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469091B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504580A (zh) * | 2016-12-07 | 2017-03-15 | 深圳市捷顺科技实业股份有限公司 | 一种车位检测方法及装置 |
CN109101945A (zh) * | 2018-08-27 | 2018-12-28 | 贵阳学院 | 一种交通视频监控图像中的多车牌检测方法 |
CN117906728B (zh) * | 2024-03-20 | 2024-06-07 | 四川开物信息技术有限公司 | 一种车辆称重系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013205410A (ja) * | 2012-03-30 | 2013-10-07 | Clarion Co Ltd | 車両用外界認識装置およびそれを用いた車両システム |
CN103679205A (zh) * | 2013-12-23 | 2014-03-26 | 湖南大学 | 基于阴影假设和分层hog对称特征验证的前车检测方法 |
TW201520907A (zh) * | 2013-11-29 | 2015-06-01 | Nat Inst Chung Shan Science & Technology | 影像式機踏車與行人偵測系統及其方法 |
CN104992180A (zh) * | 2015-06-26 | 2015-10-21 | 武汉大学 | 一种面向交通卡口的多特征融合车标识别方法及系统 |
-
2015
- 2015-12-03 CN CN201510881725.0A patent/CN105469091B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013205410A (ja) * | 2012-03-30 | 2013-10-07 | Clarion Co Ltd | 車両用外界認識装置およびそれを用いた車両システム |
TW201520907A (zh) * | 2013-11-29 | 2015-06-01 | Nat Inst Chung Shan Science & Technology | 影像式機踏車與行人偵測系統及其方法 |
CN103679205A (zh) * | 2013-12-23 | 2014-03-26 | 湖南大学 | 基于阴影假设和分层hog对称特征验证的前车检测方法 |
CN104992180A (zh) * | 2015-06-26 | 2015-10-21 | 武汉大学 | 一种面向交通卡口的多特征融合车标识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于HOG 特征及支持向量机的车辆品牌识别方法;张小琴等;《东南大学学报(自然科学版)》;20131130;第43卷(第11期);第410-413页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105469091A (zh) | 2016-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105390021B (zh) | 车位状态的检测方法及装置 | |
US9070023B2 (en) | System and method of alerting a driver that visual perception of pedestrian may be difficult | |
CN109002786B (zh) | 人脸检测方法、设备及计算机可读存储介质 | |
CN104376741B (zh) | 一种车位状态检测方法与系统 | |
CN110322522B (zh) | 一种基于目标识别区域截取的车辆颜色识别方法 | |
CN110414334A (zh) | 一种基于无人机巡视的智能水质识别方法 | |
US8712149B2 (en) | Apparatus and method for foreground detection | |
CN111612104B (zh) | 车辆定损图像获取方法、装置、介质和电子设备 | |
CN105469091B (zh) | 一种车辆识别方法及装置 | |
CN109559519A (zh) | 监控设备及其违章停车检测方法、装置、可读存储介质 | |
CN105976392B (zh) | 基于最大输出概率的车辆轮胎检测方法及装置 | |
US20180260964A1 (en) | System and method for detecting moving object in an image | |
CN106559647A (zh) | 开门关门检测装置和方法、人流检测系统和交通工具 | |
CN108241821A (zh) | 图像处理设备和方法 | |
KR100948382B1 (ko) | 방범 서비스 방법 및 시스템 | |
CN106228541A (zh) | 视觉检测中屏幕定位的方法及装置 | |
CN110879131B (zh) | 目视光学系统的成像质量测试方法、成像质量测试装置和电子设备 | |
CN109190617A (zh) | 一种图像的矩形检测方法、装置及存储介质 | |
CN105718864B (zh) | 一种机动车驾乘人员在途未系安全带的检测方法 | |
EP2178289B1 (en) | Method and unit for motion detection based on a difference histogram | |
CN113808087A (zh) | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 | |
CN108805184A (zh) | 一种固定空间、车辆上的图像识别方法及系统 | |
CN113191270B (zh) | 抛洒事件检测方法、装置、电子设备及存储介质 | |
CN105957065A (zh) | 元件漏检方法和系统 | |
CN115947066B (zh) | 皮带撕裂检测方法、装置及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190409 |
|
CF01 | Termination of patent right due to non-payment of annual fee |