CN106127235B - 一种基于目标特征碰撞的车辆查询方法和系统 - Google Patents
一种基于目标特征碰撞的车辆查询方法和系统 Download PDFInfo
- Publication number
- CN106127235B CN106127235B CN201610435372.6A CN201610435372A CN106127235B CN 106127235 B CN106127235 B CN 106127235B CN 201610435372 A CN201610435372 A CN 201610435372A CN 106127235 B CN106127235 B CN 106127235B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- snapshot
- snapshots
- collision
- matching
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于目标特征碰撞的车辆查询方法和系统,所述方法包括以下步骤:S1、查询并获取车辆快照的数据集,同时获取车辆信息;S2、根据车辆位置信息进行特征值提取并写入数据集;S3、获取车辆碰撞任务类型,若需对选取两组搜索集进行两两碰撞则进入步骤S4,若需从搜索集中匹配某一搜索目标则进入步骤S5;S4、对数据集进行两两碰撞,得出满足相似度要求的车辆快照匹配对,形成车辆快照匹配对序列;S5、将数据集中所有车辆快照与搜索集目标快照进行特征匹配,并进行相似度排序;S6、检索出满足条件的车辆快照并反馈信息。能够快速、高效地找出两组车辆快照中的相同车辆或者搜索匹配给定的查询目标,实现了自动挖掘和快速提取。
Description
技术领域
本发明涉及车辆侦查领域,更具体的说,是涉及一种基于目标特征碰撞的车辆查询方法和系统。
背景技术
随着智能交通行业的快速发展,对于车辆大数据的后台智能处理也成为目前智能交通行业的一个比较迫切的需求。本文提出的基于目标特征的车辆碰撞方法正是在这一领域提出的一个全新的解决思路,能够更高效、更智能的进行数据挖掘方法。
对于查找两段过车信息中出现的相同车辆可以依靠传统的车牌信息进行查询,但在无车牌或者车牌识别失效的情况下,需要应用其他方法进行弥补;查找指定车辆,传统的人工对比方法费时费力,通过传统数据集信息查找又存在遗漏可能性。
发明内容
有鉴于此,有必要针对上述问题,提供一种基于目标特征碰撞的车辆查询方法和系统,能够快速、高效地找出两组车辆快照中的相同车辆或者搜索匹配给定的查询目标,实现了数据的自动挖掘和快速提取。
为了实现上述目的,本发明的技术方案如下:
一种基于目标特征碰撞的车辆查询方法,包括以下步骤:
S1、查询并获取车辆快照的数据集,同时获取车辆信息;
S2、根据车辆位置信息进行特征值提取并写入数据集;
S3、获取车辆碰撞任务类型,若需对选取两组搜索集进行两两碰撞则进入步骤S4,若需从搜索集中匹配某一搜索目标则进入步骤S5;
S4、对数据集进行两两碰撞,得出满足相似度要求的车辆快照匹配对,形成车辆快照匹配对序列;
S5、将数据集中所有车辆快照与搜索集目标快照进行特征匹配,并进行相似度排序;
S6、检索出满足条件的车辆快照并反馈信息。
作为优选的,所述步骤S1中,获取的车辆信息包括车辆位置、快照路径。
作为优选的,所述步骤S2中,根据车辆位置信息设置ROI进行特征值提取,并以二进制形式数据写入数据集,作为车辆快照信息的补充。
作为优选的,所述步骤S2具体包括:计算参与碰撞的车辆快照的特征值,并将特征值转换为特征向量,每一个车辆快照对应一个具有特定维数的特征向量。
作为优选的,所述步骤S4具体包括:
S401、将两组搜索集中车辆快照进行进行两两匹配,形成车辆快照匹配对,并计算车辆快照匹配对的特征向量的集合,以及与之对应的欧式距离的集合;
第一组车辆快照的特征向量集合为{V11,V12,V13...V1m},且对于任意特征向量V1i={x1i1,x1i2,x1i3,...,x1iLen},i∈[1,m];第二组车辆快照的特征向量集合为{V21,V22,V23...V2n},且对于任意特征向量V2j={x2j1,x2j2,x2j3,...,x2jLen},j∈[1,n];式中,Len为车辆快照的特征向量维度,第一组车辆快照的数目为m,第二组车辆快照的数目为n;
两组的车辆快照两两匹配的匹配对为{V11V21,,...,V1iV2j,...,V1mV2n},i∈[1,m],j∈[1,n],匹配对的欧式距离的集合为{Ed11,...Edij,...Edmn},其中
S402、将欧氏距离的集合转换为[0,1]之间相似度值;
S403、设置相似度阈值,过滤排除相似度小于阈值的车辆快照匹配对;
S404、对过滤后的车辆快照匹配对进行降序排列,并输出排序结果。
作为优选的,所述步骤S401中,将其中一个搜索集中的每个车辆快照与另一个集合中的车辆快照进行匹配,得到车辆快照匹配对。
作为优选的,所述步骤S5具体包括:
S501、将车辆快照数据集与目标快照进行匹配,组成车辆快照匹配对,计算车辆快照匹配对的特征向量集合的欧式距离集合;
S502、将特征向量匹配对的特征向量集合的欧式距离集合转换为[0,1]之间相似度值;
S503、对车辆快照匹配对进行降序排列,并输出排序结果。
作为优选的,相似度值=(1-特征向量匹配对的欧式距离/固定值),固定值的取值大于匹配对欧式距离的集合中的最大值。
作为优选的,所述相似度阈值为0.65。
一种根据上述方法进行车辆查询的系统,包括车辆快照数据获取模块、特征提取模块、碰撞模块、结果分析模块;
所述辆快照数据获取模块用于获取车辆抓拍信息以及图像数据;
所述特征提取模块用于对车辆快照提取特征值;
所述碰撞模块用于对车辆快照进行碰撞,组成车辆匹配对序列,计算相似度并进行相似度排序;
所述结果分析模块用于对碰撞结果进行分析,检索出两组车辆快照中出现的相同车辆,或返回大于匹配阈值的所有车辆快照信息。
与现有技术相比,本发明的有益效果在于:本发明通过对车辆进行特征提取后再进行特征对比的方式,实现了车辆碰撞的基本功能,包括查找两组快照中相同的车辆、匹配指定车辆快照与搜索集的相似度等多种功能,达到了了数据的自动挖掘和快速提取目的。
附图说明
图1为本发明的方法流程图;
图2为本发明方法中步骤S4的具体流程图;
图3为本发明方法中步骤S5的具体流程图;
图4是本发明的系统结构框图。
具体实施方式
下面结合附图和实施例对本发明所述的一种基于目标特征碰撞的车辆查询方法和系统作进一步说明。
以下是本发明所述的一种基于目标特征碰撞的车辆查询方法和系统的最佳实例,并不因此限定本发明的保护范围。
图1示出了一种基于目标特征碰撞的车辆查询方法,包括以下步骤:
S1、查询并获取车辆快照的数据集,同时获取车辆信息,供后续特征提取使用;
S2、根据车辆位置信息进行特征值提取并写入数据集;可用SIFT、SURF或者深度学习进行特征提取,本实施例中采取深度学习方法,准确率、效率较好;
S3、获取车辆碰撞任务类型,若需对选取两组搜索集进行两两碰撞则作为任务类型一进行处理,进入步骤S4,若需从搜索集中匹配某一搜索目标则作为任务类型二进行处理,进入步骤S5;
S4、对数据集进行两两碰撞,得出满足相似度要求的车辆快照匹配对,形成车辆快照匹配对序列;
S5、将数据集中所有车辆快照与搜索集目标快照进行特征匹配,并进行相似度排序;
S6、检索出满足条件的车辆快照并反馈信息,通过排序后可以达到以图搜车的目的;若是按所搜索集为同一车牌号,通过相似度可以自动判断假套牌车的目的(大部分匹配度高,少数匹配度极低但号牌相同即可判断为套牌车)。
作为优选的,所述步骤S1中,获取的车辆信息包括车辆位置、快照路径。
作为优选的,所述步骤S2中,根据车辆位置信息设置ROI(Region Of Interest,感兴趣区域),进行特征值提取,并以二进制形式数据写入数据集,作为车辆快照信息的补充。
作为优选的,所述步骤S2具体包括:计算参与碰撞的车辆快照的特征值,并将特征值转换为特征向量,每一个车辆快照对应一个具有特定维数的特征向量。
作为优选的,所述步骤S4具体包括:
S401、将两组搜索集中车辆快照进行进行两两匹配,形成车辆快照匹配对,并计算车辆快照匹配对的特征向量的集合,以及与之对应的欧式距离的集合;
第一组车辆快照的特征向量集合为{V11,V12,V13...V1m},且对于任意特征向量V1i={x1i1,x1i2,x1i3,...,x1iLen},i∈[1,m];第二组车辆快照的特征向量集合为{V21,V22,V23...V2n},且对于任意特征向量V2j={x2j1,x2j2,x2j3,...,x2jLen},j∈[1,n];式中,Len为车辆快照的特征向量维度,第一组车辆快照的数目为m,第二组车辆快照的数目为n;
两组的车辆快照两两匹配的匹配对为{V11V21,,...,V1iV2j,...,V1mV2n},i∈[1,m],j∈[1,n],匹配对的欧式距离的集合为{Ed11,...Edij,...Edmn},其中
S402、将欧氏距离的集合转换为[0,1]之间相似度值;
S403、设置相似度阈值,过滤排除相似度小于阈值的车辆快照匹配对;
S404、对过滤后的车辆快照匹配对进行降序排列,并输出排序结果。
作为优选的,所述步骤S401中,将其中一个搜索集中的每个车辆快照与另一个集合中的车辆快照进行匹配,得到车辆快照匹配对,一个集合中的每个车辆快照分别与另一个集合中的每个车辆快照进行匹配,共有M*N个车辆快照匹配对,其中M、N分别为两个车辆快照集合对应的车辆快照数。
作为优选的,所述相似度阈值为0.65,对相似度大于0.65的运动目标对进降序排列,并进行输出。
作为优选的,所述步骤S5具体包括:
S501、将车辆快照数据集与目标快照进行匹配,组成车辆快照匹配对,计算车辆快照匹配对的特征向量集合的欧式距离集合;
S502、将特征向量匹配对的特征向量集合的欧式距离集合转换为[0,1]之间相似度值;
S503、对车辆快照匹配对进行降序排列,并输出排序结果。
在上述步骤S5中,同样可以先对相似度设置阈值,并排除相似度值大于阈值的目标,进行初步的筛选。
在本实施例中,相似度值=(1-特征向量匹配对的欧式距离/固定值),固定值的取值大于匹配对欧式距离的集合中的最大值。一种根据上述方法进行车辆查询的系统,包括车辆快照数据获取模块、特征提取模块、碰撞模块、结果分析模块;
所述辆快照数据获取模块用于获取车辆抓拍信息以及图像数据;
所述特征提取模块用于对车辆快照提取特征值;
所述碰撞模块用于对车辆快照进行碰撞,若为任务类型一则计算相似度组成车辆匹配对序列,若为任务类型二则对快照序列进行相似度排序;
所述结果分析模块用于对碰撞结果进行分析,若为任务类型一则检索出两组车辆快照中出现的相同车辆,若为任务类型二则返回大于匹配阈值的所有车辆快照信息。
与现有技术相比,本发明的有益效果在于:本发明通过对车辆进行特征提取后再进行特征对比的方式,实现了车辆碰撞的基本功能,包括查找两组快照中相同的车辆、匹配指定车辆快照与搜索集的相似度等多种功能,达到了了数据的自动挖掘和快速提取目的。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于目标特征碰撞的车辆查询方法,其特征在于,包括以下步骤:
S1、查询并获取车辆快照的数据集,同时获取车辆信息;
S2、根据车辆位置信息进行特征值提取并写入数据集;
S3、获取车辆碰撞任务类型,若需对选取两组搜索集进行两两碰撞则进入步骤S4,若需从搜索集中匹配某一搜索目标则进入步骤S5;
S4、对数据集进行两两碰撞,得出满足相似度要求的车辆快照匹配对,形成车辆快照匹配对序列;
S5、将数据集中所有车辆快照与搜索集目标快照进行特征匹配,并进行相似度排序;
S6、检索出满足条件的车辆快照并反馈信息;
其中,步骤S2具体包括:计算参与碰撞的车辆快照的特征值,并将特征值转换为特征向量,每一个车辆快照对应一个具有特定维数的特征向量;
所述步骤S4具体包括:
S401、将两组搜索集中车辆快照进行两两匹配,形成车辆快照匹配对,并计算车辆快照匹配对的特征向量的集合,以及与之对应的欧式距离的集合;
第一组车辆快照的特征向量集合为{V11,V12,V13,....,V1m},且对于任意特征向量V1i={x1i1,x1i2,x1i3,...,x1iLen},i∈[1,m];第二组车辆快照的特征向量集合为{V21,V22,V23,....,V2n},且对于任意特征向量V2j={x2j1,x2j2,x2j3,...,x2jLen},j∈[1,n];式中,Len为车辆快照的特征向量维度,第一组车辆快照的数目为m,第二组车辆快照的数目为n;
两组的车辆快照两两匹配的匹配对为{V11V21,...,V1iV2j,...,V1mV2n},i∈[1,m],j∈[1,n],匹配对的欧式距离的集合为{Ed11,...Edij,...Edmn},其中
S402、将欧氏距离的集合转换为[0,1]之间相似度值;
S403、设置相似度阈值,过滤排除相似度小于阈值的车辆快照匹配对;
S404、对过滤后的车辆快照匹配对进行降序排列,并输出排序结果。
2.根据权利要求1所述的基于目标特征碰撞的车辆查询方法,其特征在于,所述步骤S1中,获取的车辆信息包括车辆位置、快照路径。
3.根据权利要求1所述的基于目标特征碰撞的车辆查询方法,其特征在于,所述步骤S2中,根据车辆位置信息设置ROI进行特征值提取,并以二进制形式数据写入数据集,作为车辆快照信息的补充。
4.根据权利要求1所述的基于目标特征碰撞的车辆查询方法,其特征在于,所述步骤S401中,将其中一个搜索集中的每个车辆快照与另一个集合中的车辆快照进行匹配,得到车辆快照匹配对。
5.根据权利要求1所述的基于目标特征碰撞的车辆查询方法,其特征在于,所述步骤S5具体包括:
S501、将车辆快照数据集与目标快照进行匹配,组成车辆快照匹配对,计算车辆快照匹配对的特征向量集合的欧式距离集合;
S502、将特征向量匹配对的特征向量集合的欧式距离集合转换为[0,1]之间相似度值;
S503、对车辆快照匹配对进行降序排列,并输出排序结果。
6.根据权利要求1或5所述的基于目标特征碰撞的车辆查询方法,其特征在于,相似度值=(1-特征向量匹配对的欧式距离/固定值),固定值的取值大于匹配对欧式距离的集合中的最大值。
7.根据权利要求1所述的基于目标特征碰撞的车辆查询方法,其特征在于,所述相似度阈值为0.65。
8.一种根据权利要求1至7任一所述的方法进行车辆查询的系统,其特征在于,包括车辆快照数据获取模块、特征提取模块、碰撞模块、结果分析模块;
所述辆快照数据获取模块用于获取车辆抓拍信息以及图像数据;
所述特征提取模块用于对车辆快照提取特征值;
所述碰撞模块用于对车辆快照进行碰撞,组成车辆匹配对序列,计算相似度并进行相似度排序;
所述结果分析模块用于对碰撞结果进行分析,检索出两组车辆快照中出现的相同车辆,或返回大于匹配阈值的所有车辆快照信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610435372.6A CN106127235B (zh) | 2016-06-17 | 2016-06-17 | 一种基于目标特征碰撞的车辆查询方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610435372.6A CN106127235B (zh) | 2016-06-17 | 2016-06-17 | 一种基于目标特征碰撞的车辆查询方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106127235A CN106127235A (zh) | 2016-11-16 |
CN106127235B true CN106127235B (zh) | 2020-05-08 |
Family
ID=57470922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610435372.6A Active CN106127235B (zh) | 2016-06-17 | 2016-06-17 | 一种基于目标特征碰撞的车辆查询方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127235B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263830B (zh) * | 2019-06-06 | 2021-06-08 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
CN113157641B (zh) * | 2021-02-07 | 2023-07-04 | 北京卓视智通科技有限责任公司 | 无牌车辆归档和查询方法、装置、系统、设备及存储介质 |
CN113921016A (zh) * | 2021-10-15 | 2022-01-11 | 阿波罗智联(北京)科技有限公司 | 语音处理方法、装置、电子设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101258491A (zh) * | 2005-08-18 | 2008-09-03 | Emc公司 | 快照索引 |
CN102598113A (zh) * | 2009-06-30 | 2012-07-18 | 安芯美特控股有限公司 | 匹配出现在两个或多个图像内的对象或人的方法、电路和系统 |
CN103413330A (zh) * | 2013-08-30 | 2013-11-27 | 中国科学院自动化研究所 | 一种复杂场景下可靠的视频摘要生成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5742873B2 (ja) * | 2013-05-08 | 2015-07-01 | 株式会社デンソー | 物体識別装置 |
-
2016
- 2016-06-17 CN CN201610435372.6A patent/CN106127235B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101258491A (zh) * | 2005-08-18 | 2008-09-03 | Emc公司 | 快照索引 |
CN102598113A (zh) * | 2009-06-30 | 2012-07-18 | 安芯美特控股有限公司 | 匹配出现在两个或多个图像内的对象或人的方法、电路和系统 |
CN103413330A (zh) * | 2013-08-30 | 2013-11-27 | 中国科学院自动化研究所 | 一种复杂场景下可靠的视频摘要生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106127235A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679078B (zh) | 一种基于深度学习的卡口图像车辆快速检索方法及系统 | |
CN111126224A (zh) | 车辆检测方法及分类识别模型训练方法 | |
Zhang et al. | Hierarchical building recognition | |
CN106127235B (zh) | 一种基于目标特征碰撞的车辆查询方法和系统 | |
CN104778474A (zh) | 一种用于目标检测的分类器构建方法及目标检测方法 | |
Islam et al. | Automatic vehicle number plate recognition using structured elements | |
Khan et al. | Automatic target recognition in infrared imagery using dense hog features and relevance grouping of vocabulary | |
CN113177518A (zh) | 一种利用弱监督区域推荐的车辆重识别方法 | |
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 | |
Kobyshev et al. | Matching features correctly through semantic understanding | |
CN104537356A (zh) | 利用瑞士轮排序进行步态识别的行人再标识方法和装置 | |
CN110826415A (zh) | 一种场景图像中车辆的重识别方法及设备 | |
CN103678558A (zh) | 基于sift特征的嫌疑车辆检索方法 | |
CN106033549A (zh) | 一种车辆检索中的重排序方法及装置 | |
CN107273889B (zh) | 一种基于统计的车牌识别方法 | |
CN106777350B (zh) | 一种基于卡口数据的以图搜图方法和装置 | |
Le et al. | Document retrieval based on logo spotting using key-point matching | |
CN110008362A (zh) | 一种案件归类方法及装置 | |
Fritz et al. | Building detection from mobile imagery using informative SIFT descriptors | |
KR101733288B1 (ko) | 방향정보를 이용한 객체 검출기 생성 방법, 이를 이용한 객체 검출 장치 및 방법 | |
CN110704667A (zh) | 一种基于语义信息的快速相似图检测算法 | |
Shaout et al. | A smart traffic sign recognition system | |
Ramisa et al. | A tale of two object recognition methods for mobile robots | |
CN106709502A (zh) | 一种基于投票方法的多特征融合识别方法 | |
Shehnaz et al. | An object recognition algorithm with structure-guided saliency detection and SVM 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 |