CN106448184B - 车辆识别方法及车辆出场识别方法 - Google Patents

车辆识别方法及车辆出场识别方法 Download PDF

Info

Publication number
CN106448184B
CN106448184B CN201611162967.5A CN201611162967A CN106448184B CN 106448184 B CN106448184 B CN 106448184B CN 201611162967 A CN201611162967 A CN 201611162967A CN 106448184 B CN106448184 B CN 106448184B
Authority
CN
China
Prior art keywords
vehicle
license plate
image
recognition result
plate recognition
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
CN201611162967.5A
Other languages
English (en)
Other versions
CN106448184A (zh
Inventor
唐健
蔡昊然
李锐
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.)
Shenzhen Jieshun Science and Technology Industry Co Ltd
Original Assignee
Shenzhen Jieshun Science and Technology Industry Co Ltd
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 Shenzhen Jieshun Science and Technology Industry Co Ltd filed Critical Shenzhen Jieshun Science and Technology Industry Co Ltd
Priority to CN201611162967.5A priority Critical patent/CN106448184B/zh
Publication of CN106448184A publication Critical patent/CN106448184A/zh
Application granted granted Critical
Publication of CN106448184B publication Critical patent/CN106448184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G06V20/63—Scene text, e.g. street names
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种车辆识别方法及车辆出场识别方法，在视频流中对通过车辆进行车牌识别，并在接收到触发信号时采集车辆图像；若产生车牌识别结果，则将车牌识别结果作为通过车辆的识别信息；若对车辆车牌识别失败，则从车辆图像中检测车头区域，并提取得到车头区域的特征编码，将特征编码作为通过车辆的识别信息。本发明车辆识别方法及车辆出场识别方法，对于无牌车或者车牌无法识别出的车辆，也能够进行识别，克服了现有技术的缺陷。

Description

车辆识别方法及车辆出场识别方法
技术领域
本发明涉及视频及图像处理应用技术领域，特别是涉及一种车辆识别方法以及车辆出场识别方法。
背景技术
目前，车牌识别技术广泛应用于停车场、城市道路、高速公路等区域对通过车辆进行识别及记录，以对通过车辆进行管理，并且随着图像及视频处理技术的发展，车牌识别率不断提高，使得实现纯车牌识别车辆管理以及无人值守方案变得可行。
但纯车牌识别管理方案的实现仍存在以下难点，对于无牌车并不能识别，以及对于车牌存在污损或者变形等情况也会导致车牌无法识别出，因此这给基于车牌识别的车辆管理方案带来问题。
发明内容
鉴于此，本发明提供一种车辆识别方法及车辆出场识别方法，对于无牌车或者车牌无法识别出的车辆，也能够进行识别。
为实现上述目的，本发明提供如下技术方案：
一种车辆识别方法，包括：
在视频流中对通过车辆进行车牌识别，并在接收到触发信号时采集通过车辆的车辆图像；
若产生车牌识别结果，则将所述车牌识别结果作为通过车辆的识别信息；
若对车辆车牌识别失败，则从所述车辆图像中检测车头区域，并提取得到车头区域的特征编码，将所述特征编码作为通过车辆的识别信息。
可选地，还包括：
在接收到所述触发信号时，若产生了车牌识别结果，则将所述车牌识别结果输出，作为通过车辆的识别信息，放弃采集的所述车辆图像；
在接收到所述触发信号时，若无车牌识别结果，则在视频流中延时预设帧数的图像中对所述通过车辆进行车牌识别。
可选地，还包括：
若在视频流中延时预设帧数的图像中产生了车牌识别结果，则将所述车牌识别结果输出，作为通过车辆的识别信息，放弃采集的所述车辆图像；
若在视频流中延时预设帧数的图像中没有产生车牌识别结果，则强行在视频流延时预设帧数的图像中投票车牌识别结果。
可选地，还包括：若没有检测到车头区域，则输出无车记录以及采集的图像。
可选地，从车辆图像中检测车头区域包括：
计算图像中检测区域的方向梯度直方图特征金字塔，所述方向梯度直方图特征金字塔包括用于匹配根位置的第一层和用于匹配部件位置的第二层；
采用训练模型对方向梯度直方图特征金字塔中的每一像素进行匹配处理，计算根滤波器得分、部件滤波器得分和形变花费，并得到窗口得分；
记录得分高于阈值的窗口，根据得分高于阈值的窗口，利用非极大值抑制法处理后选取得分最高的检测结果，标记车头区域。
可选地，提取得到车头区域的特征编码包括：
根据标记出的车头区域从所述车辆图像中提取出车头区域图像；
采用经过训练的卷积神经网络对车头区域图像进行提取，得到所述特征编码。
一种车辆出场识别方法，包括：
在视频流中对通过车辆进行车牌识别，并在接收到触发信号时采集通过车辆的车辆图像；
若产生车牌识别结果，则根据所述车牌识别结果对通过车辆与进场车辆进行匹配；
若对车辆车牌识别失败，则从所述车辆图像中检测车头区域，并提取得到车头区域的特征编码，根据所述特征编码对通过车辆与进场车辆进行匹配。
可选地，还包括：
在接收到所述触发信号时，若产生了车牌识别结果，则根据所述车牌识别结果对通过车辆与进场车辆进行匹配；
在接收到所述触发信号时，若无车牌识别结果，则在视频流中延时预设帧数的图像中对所述通过车辆进行车牌识别。
可选地，还包括：
若在视频流中延时预设帧数的图像中产生了车牌识别结果，则根据所述车牌识别结果对通过车辆与进场车辆进行匹配；
若在视频流中延时预设帧数的图像中没有产生车牌识别结果，则强行在视频流延时预设帧数的图像中对车牌识别结果投票。
可选地，还包括：若根据车牌识别结果没有找到与通过车辆车牌匹配的进场车辆，则从采集的所述车辆图像中检测车头区域，并提取得到车头区域的特征编码，根据所述特征编码对通过车辆与进场车辆进行匹配。
由上述技术方案可知，本发明所提供的车辆识别方法，在视频流中对通过车辆进行车牌识别，并在接收到触发信号时采集车辆图像；若产生车牌识别结果，则将车牌识别结果作为通过车辆的识别信息，若对车牌识别失败，当对车辆车牌识别失败时，从车辆图像中检测车头区域，并提取得到车头区域的特征编码，作为通过车辆的识别信息。因此本发明车辆识别方法对于无牌车或者车牌无法识别出的车辆，也能够进行识别，克服了现有技术的缺陷。
本发明所提供的车辆出场识别方法，在视频流中对通过车辆进行车牌识别，并在接收到触发信号时采集车辆图像；若产生车牌识别结果，则根据车牌识别结果对通过车辆与进场车辆进行匹配；若对车辆车牌识别失败，则从车辆图像中检测车头区域，并提取得到车头区域的特征编码，根据特征编码对通过车辆与进场车辆进行匹配。因此本发明车辆出场识别方法，对于无牌车或者车牌无法识别出的车辆，能够通过提取的车头区域特征编码对车辆进行识别，克服了现有技术的缺陷。
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一些实施例，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，还可以根据这些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示意图；
图2为本发明又一实施例提供的一种车辆识别方法的示意图；
图3为本发明实施例提供的一种车辆出场识别方法的示意图；
图4为本发明又一实施例提供的一种车辆出场识别方法的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
现有基于车牌识别的车辆管理方案，无法解决无牌车或者车牌无法识别出的车辆的问题，会给现场车辆管理带来困扰。
基于此，本发明实施例提供一种车辆识别方法，请参考图1，所述方法包括步骤：
S10：在视频流中对通过车辆进行车牌识别，并在接收到触发信号时采集通过车辆的车辆图像。
本实施例中对通过车辆进行车牌识别采用视频流模式，现场摄像装置监控车辆从远到近的行驶，通过视频流模式，在毎帧图像中都进行车牌识别并输出结果，然后通过投票算法得到最终的车牌识别结果。
可选的，触发信号可由地感装置产生，即通过车辆行驶到压地感装置时地感装置产生触发信号，此时投票结束输出车牌识别结果。
同时，在接收到触发信号时抓拍一张通过车辆的图像，可以当前帧图像作为抓拍的车辆图像。
S11：若产生车牌识别结果，则将所述车牌识别结果作为通过车辆的识别信息；若对车辆车牌识别失败，则从所述车辆图像中检测车头区域，并提取得到车头区域的特征编码，将所述特征编码作为通过车辆的识别信息。
可以看出，本实施例车牌识别方法，在视频流中对通过车辆进行车牌识别，并在接收到触发信号时采集车辆图像；若产生车牌识别结果，则将车牌识别结果作为通过车辆的识别信息，若对车牌识别失败，当对车辆车牌识别失败时，从车辆图像中检测车头区域，并提取得到车头区域的特征编码，作为通过车辆的识别信息。因此本发明车辆识别方法对于无牌车或者车牌无法识别出的车辆，也能够进行识别，克服了现有技术的缺陷。
在实际应用中，为保证对通过车辆车牌有效的识别，本实施例车辆识别方法中对通过车辆进行多次车牌识别，具体的，请参考图2，在本发明车辆识别方法另一实施例中，包括步骤：
S20：在视频流中对通过车辆进行车牌识别。
具体采用视频流模式对通过车辆进行车牌识别，现场摄像装置监控车辆从远到近的行驶，在毎帧图像中都进行车牌识别并输出结果，然后通过投票算法进行投票得到最终的车牌识别结果。
S21：在接收到触发信号时，采集通过车辆的车辆图像，查询是否产生了车牌识别结果。
在接收到触发信号时停止视频流模式车牌识别，并采集通过车辆的车辆图像，可以视频流中当前帧图像作为采集的车辆图像。
此时，若产生了车牌识别结果，则转步骤S25：将所述车牌识别结果输出，作为通过车辆的识别信息，放弃采集的所述车辆图像，当前车辆识别结束。
此时若无车牌识别结果，则进行步骤S22。
S22：在视频流中延时预设帧数的图像中对所述通过车辆进行车牌识别。
在接收到触发信号时，若没有产生车牌识别结果，则进入延时帧数计时，在延时预设帧数的图像中对通过车辆进行车牌识别，在延时毎帧图像中进行车牌识别，通过投票算法投票得到车牌识别结果。
延时帧数与投票所需的票数一致，投票速度与延时帧数相关。若选择快速投票，则在数量较少的延时帧数图像中进行车牌识别。
在车辆压地感装置前，车辆离摄像装置较远，可能由于遮挡或者光照等问题导致车牌识别失败，因此在车辆通过地感装置后，在延时帧的图像中对车辆进行二次车牌识别，以保证对有牌车有效的识别出。
在延时车牌识别中若产生了车牌识别结果，则转步骤S25：将所述车牌识别结果输出，作为通过车辆的识别信息，放弃采集的所述车辆图像，当前车辆识别结束。
在延时车牌识别中若没有产生车牌识别结果，则进行步骤S23。
S23：强行在视频流延时预设帧数的图像中投票车牌识别结果。
在视频流中延时预设帧数的图像中进行车牌识别，延时帧数结束，若仍然没有产生车牌识别结果，则触发视频流投票，强行在视频流延时预设帧数的图像中对车牌识别结果投票，如果投票有结果，产生了车牌识别结果，则转步骤S25：将所述车牌识别结果输出，作为通过车辆的识别信息，放弃采集的所述车辆图像，当前车辆识别结束。
若没有产生车牌识别结果，表明当前车辆确实车牌识别不出或者为无牌车，则进行步骤S24。
S24：从车辆图像中检测车头区域。
从采集的车辆图像中检测车头区域，若检测车头区域成功，提取得到车头区域的特征编码，将所述特征编码作为通过车辆的识别信息。并输出无牌车记录以及产生的车辆图像。
若在车辆图像中没有检测到车头区域，则输出无车记录以及采集的图像。同时发出提示信息，如果前端有工作人员，工作人员可以进行确认。
因此，本实施例车辆识别方法，对通过车辆进行多次车牌识别，保证对车辆车牌有效的识别出。并在无牌车或者车牌无法识别出的车辆以形成车头区域的特征编码作为识别信息，从而弥补了现有车牌识别方案的不足。本方法应用于停车场、城市道路、高速公路等入口，保证有牌车、无牌车等都可以即时顺利地通过。
相应的，本发明实施例还提供一种车辆出场识别方法，请参看图3，方法包括步骤：
S30：在视频流中对通过车辆进行车牌识别，并在接收到触发信号时采集通过车辆的车辆图像。
本实施例中对通过车辆进行车牌识别采用视频流模式，现场摄像装置监控车辆从远到近的行驶，通过视频流模式，在毎帧图像中都进行车牌识别并输出结果，然后通过投票算法得到最终的车牌识别结果。
可选的，触发信号可由地感装置产生，即通过车辆行驶到压地感装置时地感装置产生触发信号，此时投票结束输出车牌识别结果。
同时，在接收到触发信号时抓拍一张通过车辆的图像，可以当前帧图像作为抓拍的车辆图像。
S31：若产生车牌识别结果，则根据所述车牌识别结果对通过车辆与进场车辆进行匹配；若对车辆车牌识别失败，则从所述车辆图像中检测车头区域，并提取得到车头区域的特征编码，根据所述特征编码对通过车辆与进场车辆进行匹配。
可以看出，本实施例车辆出场识别方法，在视频流中对通过车辆进行车牌识别，并在接收到触发信号时采集车辆图像；若产生车牌识别结果，则根据车牌识别结果对通过车辆与进场车辆进行匹配；若对车辆车牌识别失败，则从车辆图像中检测车头区域，并提取得到车头区域的特征编码，根据特征编码对通过车辆与进场车辆进行匹配。因此本实施例车辆出场识别方法，对于无牌车或者车牌无法识别出的车辆，能够通过提取的车头区域特征编码对车辆进行识别，克服了现有技术的缺陷。
在实际应用中，为保证对通过车辆车牌有效的识别，本实施例车辆出场识别方法中对通过车辆进行多次车牌识别，具体的，请参考图4，在本发明车辆出场识别方法另一实施例中，包括步骤：
S40；在视频流中对通过车辆进行车牌识别。
具体采用视频流模式对通过车辆进行车牌识别，现场摄像装置监控车辆从远到近的行驶，在毎帧图像中都进行车牌识别并输出结果，然后通过投票算法进行投票得到最终的车牌识别结果。
S41：在接收到触发信号时，采集通过车辆的车辆图像，查询是否产生了车牌识别结果。
在接收到触发信号时停止视频流模式车牌识别，并采集通过车辆的车辆图像，可以视频流中当前帧图像作为采集的车辆图像。
此时，若产生了车牌识别结果，则转步骤S45：根据所述车牌识别结果对通过车辆与进场车辆进行匹配，寻找进场记录。
此时若无车牌识别结果，则进行步骤S42。
S42：在视频流中延时预设帧数的图像中对所述通过车辆进行车牌识别。
在接收到触发信号时，若没有产生车牌识别结果，则进入延时帧数计时，在延时预设帧数的图像中对通过车辆进行车牌识别，在延时毎帧图像中进行车牌识别，通过投票算法投票得到车牌识别结果。延时帧数与投票所需的票数一致，投票速度与延时帧数相关。若选择快速投票，则在数量较少的延时帧数图像中进行车牌识别。
在车辆压地感装置前，车辆离摄像装置较远，可能由于遮挡或者光照等问题导致车牌识别失败，因此在车辆通过地感装置后，在延时帧的图像中对车辆进行二次车牌识别，以保证对有牌车有效的识别出。
在延时车牌识别中若产生了车牌识别结果，则转步骤S45：根据所述车牌识别结果对通过车辆与进场车辆进行匹配，寻找进场记录。
在延时车牌识别中若没有产生车牌识别结果，则进行步骤S43。
S43：强行在视频流延时预设帧数的图像中对车牌识别结果投票。
在视频流中延时预设帧数的图像中进行车牌识别，延时帧数结束，仍没有产生车牌识别结果，则触发视频流投票，强行在视频流延时预设帧数的图像中对车牌识别结果投票，如果投票有结果，产生了车牌识别结果，则转步骤S45：根据所述车牌识别结果对通过车辆与进场车辆进行匹配，寻找进场记录。
若没有产生车牌识别结果，表明当前车辆车牌确实识别不出或者为无牌车，则进行步骤S44。
S44：从车辆图像中检测车头区域。
从采集的车辆图像中检测车头区域，若检测车头区域成功，提取得到车头区域的特征编码，根据所述特征编码对通过车辆与进场车辆进行匹配，寻找进场记录。
具体的，可以根据特征编码，筛选出与当前通过车辆特征匹配度排列前N个的进场车辆的车辆图像输出到前端。提供给工作人员，由工作人员从候选车辆图像中挑选与当前车辆匹配的入场记录，以进一步进行后续操作。
若在车辆图像中没有检测到车头区域，则输出无车记录以及采集的图像。同时发出提示信息，提示前端工作人员进行确认及相应操作。
进一步的，本实施例车辆出场识别方法，在步骤S45中，若根据车牌识别结果没有找到与通过车辆车牌匹配的进场车辆，则转步骤S44：从采集的所述车辆图像中检测车头区域，并提取得到车头区域的特征编码，根据所述特征编码对通过车辆与进场车辆进行匹配。
若根据车牌识别结果找到与通过车辆车牌匹配的进场车辆，则输出车牌识别结果，放弃采集的车辆图像。使前端工作人员可以根据进场记录进行相应操作。
因此，本实施例车辆出场识别方法，对通过车辆进行多次车牌识别，保证对车辆车牌有效的识别出。并在无牌车或者车牌无法识别出的车辆以形成车头区域的特征编码作为匹配信息，寻找进场记录，从而弥补了现有车牌识别方案的不足。本方法应用于停车场、城市道路、高速公路等入口，保证有牌车、无牌车等都可以即时顺利地通过。
在上述各实施例方法中，所涉及的从车辆图像中检测车头区域以及提取车头区域的特征编码的方法可采用以下描述方法实现。
在上述各实施例中，从车辆图像中检测车头区域可采用以下方法，具体包括步骤：
S100：计算图像中检测区域的方向梯度直方图特征金字塔，所述方向梯度直方图特征金字塔包括用于匹配根位置的第一层和用于匹配部件位置的第二层。
在进行检测前首先将采集的车辆图像进行压缩处理，将图像宽度压缩到原始宽度的预设比例，将图像高度压缩到原始高度的预设比例，以提高车头检测效率。示例性的，可将图像压缩成原始宽度与高度的1/10，可以理解的是，在实际应用中压缩比例可相应设定。
对于压缩处理后的图像，计算实际检测区域的方向梯度直方图(Histogram ofGradient，简称HOG)特征金字塔，由于本实施例检测方法中使用单尺寸的DPM模型进行车头检测，该金字塔只需要两层，第一层基于8*8像素大小的细胞单元进行计算，用于匹配根位置，第二层基于4*4像素大小的细胞单元进行计算，用于匹配部件位置。
S101：采用训练模型对方向梯度直方图特征金字塔中的每一像素进行匹配处理，计算根滤波器得分、部件滤波器得分和形变花费，并得到窗口得分。
在HOG特征金字塔中逐像素匹配，计算根滤波器得分、部件滤波器得分和形变花费，最终形成一个窗口得分。
一个包含n个部件的目标的模型可以形式化地定义为一个n+2元组(F0，P1，…，Pn，b)，其中F0是一个根滤波器，Pi是第i个部件的模型，b是一个取实值的偏移量。每个部件模型是由一个3元组(Fi,VI,di)定义，其中Fi是第i个部件的滤波器，Vi是一个二维向量，表示部件i与根位置相关的一个“锚”位置，di是一个四维向量，表示一个二次函数的系数，该二次函数定义了部件针对锚位置的每个可能布局的变形代价。
一个假定目标表示模型在特征金字塔中的各个滤波器的位置z＝(P1，…，Pn)，其中，Pi＝(xi,yi,Ii)表示第i个滤波器的位置和层次。
一个假定目标的响应值是由每个滤波器在它们各自位置的值减去各个部件依赖根位置的变形代价再加上b。表示如下：
其中(dxi,dyi)＝(xi,yi)-2(x0,y0)+vi，给出了第i个部件根据它的锚位置的位移；φd(dx,dy)＝(dx,dy,dx2,dy2)是变形特征。b的作用是当把多个模型组成一个混合模型时，使得各模型的响应值具有可比性。
S102：记录得分高于阈值的窗口，根据得分高于阈值的窗口，利用非极大值抑制法处理后选取得分最高的检测结果，标记车头区域。
如果没有任何窗口得分高于阈值，则表示没有检测到车头。
对于得分高于阈值的窗口，利用非极大值抑制算法进行处理，选取得分最高的检测结果，根据检测结果在图像中标出检测到的车头位置的矩形框，表示车头区域，并记录该矩形框位置。
具体的，本检测方法中车头检测模型的训练过程如下：
A1：在各大室内和室外停车场的出入口架设摄像机，使用摄像机录制各种时间段、各种天气情况下的车辆的图像与视频。
A2：人工挑选包含车辆的图像，并选取图像中的车头区域，对车头区域进行标注。所选取的图像包含各种车的类型，各种角度。这些图像作为车头模型训练的正样本，选取没有包含车辆的图像作为负样本。
A3：提取正样本与负样本的特征并进行训练，从而得到车头检测的检测模型。具体本实施例方法中采用离散项模型，即DPM模型。
在上述各实施例方法中，提取车头区域特征编码可采用以下方法，具体包括步骤：
S200：根据标记出的车头区域从所述车辆图像中提取出车头区域图像。
通过上述方法在压缩的图像中检测到车头区域后，从原始图像中把车头区域提取出来。并对车头区域图像压缩处理，例如压缩成128x128像素大小。
S201：采用经过训练的卷积神经网络对车头区域图像进行提取，得到所述特征编码。
本方法中，车头区域特征编码的提取是使用一个经过训练的深度卷积神经网络。该网络的训练过程如下：
:B1：在不同天气、不同地区的停车场出入口，搜集大量的在不同光照情况下的进出车辆的图像。
B2：人工筛选各种车型、各种车颜色、各种角度以及各种光照的图像。
B3：对上步得到的图像，使用上述检测车头区域的方法提取出车头区域，并对车头区域进行标注。由于本网络主要针对无牌车，因此对于有车牌的样本，对车牌区域进行置黑处理。
B4：设计一个适合现场应用的卷积神经网络结构，示例性的，本网络可使用车型以及车颜色作为特征。
B5：利用步骤B3中得到的样本训练深度卷积网络，得到每个层的网络权值，从而得到经过训练的深度卷积神经网络。
以上对本发明所提供的车辆识别方法及车辆出场识别方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种车辆识别方法，其特征在于，包括：
在视频流中对通过车辆进行车牌识别，并在接收到触发信号时采集通过车辆的车辆图像；
若产生车牌识别结果，则将所述车牌识别结果作为通过车辆的识别信息；
若对车辆车牌识别失败，则从所述车辆图像中检测车头区域，并提取得到车头区域的特征编码，将所述特征编码作为通过车辆的识别信息；车头区域的特征编码是指从车头区域图像中提取出的用于描述车辆特征的数据。
2.根据权利要求1所述的车辆识别方法，其特征在于，还包括：
在接收到所述触发信号时，若产生了车牌识别结果，则将所述车牌识别结果输出，作为通过车辆的识别信息，放弃采集的所述车辆图像；
在接收到所述触发信号时，若无车牌识别结果，则在视频流中延时预设帧数的图像中对所述通过车辆进行车牌识别。
3.根据权利要求2所述的车辆识别方法，其特征在于，还包括：
若在视频流中延时预设帧数的图像中产生了车牌识别结果，则将所述车牌识别结果输出，作为通过车辆的识别信息，放弃采集的所述车辆图像；
若在视频流中延时预设帧数的图像中没有产生车牌识别结果，则强行在视频流延时预设帧数的图像中投票车牌识别结果。
4.根据权利要求1-3任一项所述的车辆识别方法，其特征在于，还包括：若没有检测到车头区域，则输出无车记录以及采集的图像。
5.根据权利要求1所述的车辆识别方法，其特征在于，从车辆图像中检测车头区域包括：
计算图像中检测区域的方向梯度直方图特征金字塔，所述方向梯度直方图特征金字塔包括用于匹配根位置的第一层和用于匹配部件位置的第二层；
采用训练模型对方向梯度直方图特征金字塔中的每一像素进行匹配处理，计算根滤波器得分、部件滤波器得分和形变花费，并得到窗口得分；
记录得分高于阈值的窗口，根据得分高于阈值的窗口，利用非极大值抑制法处理后选取得分最高的检测结果，标记车头区域。
6.根据权利要求5所述的车辆识别方法，其特征在于，提取得到车头区域的特征编码包括：
根据标记出的车头区域从所述车辆图像中提取出车头区域图像；
采用经过训练的卷积神经网络对车头区域图像进行提取，得到所述特征编码。
7.一种车辆出场识别方法，其特征在于，包括：
在视频流中对通过车辆进行车牌识别，并在接收到触发信号时采集通过车辆的车辆图像；
若产生车牌识别结果，则根据所述车牌识别结果对通过车辆与进场车辆进行匹配；
若对车辆车牌识别失败，则从所述车辆图像中检测车头区域，并提取得到车头区域的特征编码，根据所述特征编码对通过车辆与进场车辆进行匹配；车头区域的特征编码是指从车头区域图像中提取出的用于描述车辆特征的数据。
8.根据权利要求7所述的车辆出场识别方法，其特征在于，还包括：
在接收到所述触发信号时，若产生了车牌识别结果，则根据所述车牌识别结果对通过车辆与进场车辆进行匹配；
在接收到所述触发信号时，若无车牌识别结果，则在视频流中延时预设帧数的图像中对所述通过车辆进行车牌识别。
9.根据权利要求8所述的车辆出场识别方法，其特征在于，还包括：
若在视频流中延时预设帧数的图像中产生了车牌识别结果，则根据所述车牌识别结果对通过车辆与进场车辆进行匹配；
若在视频流中延时预设帧数的图像中没有产生车牌识别结果，则强行在视频流延时预设帧数的图像中对车牌识别结果投票。
10.根据权利要求7-9任一项所述的车辆出场识别方法，其特征在于，还包括：若根据车牌识别结果没有找到与通过车辆车牌匹配的进场车辆，则从采集的所述车辆图像中检测车头区域，并提取得到车头区域的特征编码，根据所述特征编码对通过车辆与进场车辆进行匹配。
CN201611162967.5A 2016-12-15 2016-12-15 车辆识别方法及车辆出场识别方法 Active CN106448184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611162967.5A CN106448184B (zh) 2016-12-15 2016-12-15 车辆识别方法及车辆出场识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611162967.5A CN106448184B (zh) 2016-12-15 2016-12-15 车辆识别方法及车辆出场识别方法

Publications (2)

Publication Number Publication Date
CN106448184A CN106448184A (zh) 2017-02-22
CN106448184B true CN106448184B (zh) 2019-03-01

Family

ID=58217261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611162967.5A Active CN106448184B (zh) 2016-12-15 2016-12-15 车辆识别方法及车辆出场识别方法

Country Status (1)

Country Link
CN (1) CN106448184B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729798A (zh) * 2017-05-10 2018-02-23 西安艾润物联网技术服务有限责任公司 道闸控制方法、系统以及计算机可读存储介质
CN106960579A (zh) * 2017-05-22 2017-07-18 广东艾科智泊科技股份有限公司 一种无牌车的识别方法及使用其的停车场系统
CN107564294A (zh) * 2017-08-25 2018-01-09 深圳前海华夏智信数据科技有限公司 基于虚拟车牌的无牌车识别方法及装置
CN111079466A (zh) * 2018-10-18 2020-04-28 杭州海康威视数字技术股份有限公司 一种车辆识别方法、装置、电子设备及存储介质
CN109377764A (zh) * 2018-10-30 2019-02-22 西安艾润物联网技术服务有限责任公司 车辆管理方法及装置
CN111191481B (zh) * 2018-11-14 2023-08-25 杭州海康威视数字技术股份有限公司 车辆识别方法及系统
CN109598246B (zh) * 2018-12-07 2023-01-31 广东亿迅科技有限公司 车辆出入检测方法、装置、计算机设备和存储介质
CN109448147A (zh) * 2018-12-12 2019-03-08 杭州华云科技有限公司 一种无牌车辆停车计费方法及停车计费系统
CN109377572A (zh) * 2018-12-12 2019-02-22 杭州华云科技有限公司 一种无人值守云停车的管理控制方法及管理装置
CN110135318B (zh) * 2019-05-08 2023-05-12 佳都科技集团股份有限公司 过车记录的确定方法、装置、设备及存储介质
CN110458171B (zh) * 2019-08-12 2023-08-29 深圳市捷顺科技实业股份有限公司 一种车牌识别的方法以及相关装置
CN110796144B (zh) * 2019-11-08 2023-04-25 北京字节跳动网络技术有限公司 车牌检测方法、装置、设备及存储介质
CN111914678A (zh) * 2020-07-10 2020-11-10 浙江大华技术股份有限公司 一种多车辆车牌匹配的方法、装置及存储介质
CN112478829A (zh) * 2020-11-27 2021-03-12 中联重科股份有限公司 多物料自动后台上料方法及系统
CN112651398B (zh) * 2020-12-28 2024-02-13 浙江大华技术股份有限公司 车辆的抓拍控制方法、装置及计算机可读存储介质
CN113793508B (zh) * 2021-09-27 2023-06-16 深圳市芊熠智能硬件有限公司 一种出入口无牌车辆防干扰快速检测方法
CN113990101B (zh) * 2021-11-19 2023-04-07 深圳市捷顺科技实业股份有限公司 一种禁停区域车辆检测方法及其系统和处理装置
CN115116152B (zh) * 2022-06-21 2023-09-05 肇庆市停容易停车管理有限公司 一种基于ZigBee的智慧停车场收费管理系统
CN115862170B (zh) * 2023-02-27 2023-06-09 成都智源易行科技有限公司 一种用于etc收费系统的车牌识别辅助系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004084121A1 (ja) * 2003-03-17 2004-09-30 Fujitsu Limited 車両識別方法及び装置
CN101833859A (zh) * 2010-05-14 2010-09-15 山东大学 基于虚拟线圈的自触发车牌识别方法
CN103186982A (zh) * 2011-12-28 2013-07-03 南京理工大学常熟研究院有限公司 一种治安智能卡口系统
CN103413147A (zh) * 2013-08-28 2013-11-27 庄浩洋 一种车牌识别方法和系统
CN103914682A (zh) * 2013-01-09 2014-07-09 深圳市中联创新自控系统有限公司 一种车牌识别方法及系统
CN104239867A (zh) * 2014-09-17 2014-12-24 深圳市捷顺科技实业股份有限公司 车牌定位方法及系统
CN104952255A (zh) * 2015-06-25 2015-09-30 上海卓易科技股份有限公司 一种智能终端及其交通违章监督方法、系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004084121A1 (ja) * 2003-03-17 2004-09-30 Fujitsu Limited 車両識別方法及び装置
CN101833859A (zh) * 2010-05-14 2010-09-15 山东大学 基于虚拟线圈的自触发车牌识别方法
CN103186982A (zh) * 2011-12-28 2013-07-03 南京理工大学常熟研究院有限公司 一种治安智能卡口系统
CN103914682A (zh) * 2013-01-09 2014-07-09 深圳市中联创新自控系统有限公司 一种车牌识别方法及系统
CN103413147A (zh) * 2013-08-28 2013-11-27 庄浩洋 一种车牌识别方法和系统
CN104239867A (zh) * 2014-09-17 2014-12-24 深圳市捷顺科技实业股份有限公司 车牌定位方法及系统
CN104952255A (zh) * 2015-06-25 2015-09-30 上海卓易科技股份有限公司 一种智能终端及其交通违章监督方法、系统

Also Published As

Publication number Publication date
CN106448184A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106448184B (zh) 车辆识别方法及车辆出场识别方法
CN108596277B (zh) 一种车辆身份识别方法、装置和存储介质
WO2019105342A1 (zh) 车辆套牌检测方法、装置、可读存储介质及电子设备
CN104809443B (zh) 基于卷积神经网络的车牌检测方法及系统
CN104166841B (zh) 一种视频监控网络中指定行人或车辆的快速检测识别方法
Wang et al. Detection and localization of image forgeries using improved mask regional convolutional neural network
CN109766769A (zh) 一种基于单目视觉与深度学习的道路目标检测识别方法
CN102708378B (zh) 一种基于图像异常特征的智能交通抓拍设备故障诊断的方法
CN107085696A (zh) 一种基于卡口图像的车辆定位及型号识别方法
CN114219984B (zh) 一种基于改进YOLOv3的微小病虫害检测系统及其方法
CN110660222A (zh) 一种智能环保道路黑烟车辆电子抓拍系统
CN106991419A (zh) 基于轮胎内壁随机纹理的防伪方法
CN101908153B (zh) 低分辨率图像处理中的头部姿态估计的方法
CN106780886A (zh) 一种车辆识别系统和车辆进场、出场识别方法
CN113920094B (zh) 基于梯度残差u型卷积神经网络的图像篡改检测技术
CN105404859A (zh) 一种基于池化车辆图片原始特征的车型识别方法
CN107180230A (zh) 通用车牌识别方法
Zhu et al. Towards automatic wild animal detection in low quality camera-trap images using two-channeled perceiving residual pyramid networks
CN106205135A (zh) 一种违章掉头车辆行为的检测方法、装置及系统和一种球机
Wu et al. Block-based hough transform for recognition of zebra crossing in natural scene images
CN105447463B (zh) 变电站基于人体特征识别的跨摄像机自动跟踪系统
CN113221823A (zh) 一种基于改进轻量级YOLOv3的交通信号灯倒计时识别方法
Conotter et al. Detecting photographic and computer generated composites
CN109284752A (zh) 一种车辆的快速检测方法
Manu et al. Visual artifacts based image splicing detection in uncompressed images

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