CN106897677A - 一种车辆特征分类检索系统和方法 - Google Patents
一种车辆特征分类检索系统和方法 Download PDFInfo
- Publication number
- CN106897677A CN106897677A CN201710065703.6A CN201710065703A CN106897677A CN 106897677 A CN106897677 A CN 106897677A CN 201710065703 A CN201710065703 A CN 201710065703A CN 106897677 A CN106897677 A CN 106897677A
- Authority
- CN
- China
- Prior art keywords
- characteristic information
- characteristic
- target vehicle
- contrast
- image
- 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
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种车辆特征分类检索系统及方法,其方法包括:根据设定的截取范围在目标车辆图像上进行局部截取,得到车脸图像;构建卷积神经网络,从车脸图像中提取n个目标车辆特征信息;根据预先构建的特征信息数据库中的特征信息对n个目标车辆特征信息进行预定次数的特征比对及特征融合处理,完成预定次数的特征比对后得到检索结果;以及根据每次特征融合处理后得到的融合特征对数据库中特征信息进行更新。本发明能够极大的提高检索准确率,进行多次特征比对,每次特征对比后得到的最高相似度特征信息再进行特征融合,将融合特征作为下一次的输入,重复进行对比和融合处理,提高可靠性和准确性,还能够减少设备的投入。
Description
技术领域
本发明主要涉及图像检索领域,具体涉及一种车辆特征分类检索系统和方法。
背景技术
近年来,随着国内经济水平不断的进步,汽车已成为千万家庭外出必备的工具,因此汽车数量成爆炸倍增长,在这种情况下,智能的交通的发展成为了必然,同时随着GPU能力不断提高也使得卷积神经网络取得了大突破,这也为智能交通系统应用提供了更有效的方式。
在智能交通系统中,车辆型号检索是极其重要的一部分。车辆型号识别就是利用每个型号的车辆之间存在着或多或少的差异,即便是同一品牌不同车型也有着差异。因此利用此特性可以进行车型识别,并在城市交通监控、车辆追踪等领域都有着广泛的前景。
在智能交通系统中,每个城市每天都会产生千万条的交通信息,因此检索的准确率是非常重要的,而传统的检索方式例如MD、ST、CSR等,在数据库中的检索准确率有限,无形中会给智能交通的车辆追踪带来不便,且检索正确率普遍不高。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种车辆特征分类检索系统和方法。
本发明解决上述技术问题的技术方案如下:一种车辆特征分类检索系统,包括:
图像截取模块,用于从设置在道路卡口处的图像采集设备上获取目标车辆图像,根据设定的截取范围在目标车辆图像上进行局部截取,得到车脸图像;
特征提取模块,用于构建卷积神经网络,通过所述卷积神经网络从车脸图像中提取n个目标车辆特征信息;
特征处理模块,用于根据预先构建的特征信息数据库中的特征信息对n个目标车辆特征信息进行预定次数的特征比对,每次特征对比后确定的最高相似度特征信息与特征对比时的目标车辆特征信息进行特征融合,得到融合特征信息,供下一次特征对比时使用,直到完成预定次数的特征对比后得到检索结果;
更新模块,用于根据特征处理模块每次特征融合处理后得到的融合特征对特征信息数据库中特征信息进行更新。
本发明的有益效果是:能够极大的提高检索准确率,进行多次特征比对,每次特征对比后得到的最高相似度特征信息再进行特征融合,将融合特征作为下一次的输入,重复进行对比和融合处理,与现有的传统检索方法相比,检索准确率能够达到96.7%,检提高可靠性和准确性,能够更好的满足智能交通系统的需求,还能够减少设备的投入。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述图像截取模块包括:
获取单元,用于从设置在道路卡口处的图像采集设备上获取目标车辆图像;
截取单元,用于通过EasyPR方法在目标车辆图像中定位出车牌,根据车牌在目标车辆图像中的位置,以及预设的高度值和宽度值,得到截取范围,根据截取范围在目标车辆图像上进行局部截取,得到车脸图像。
采用上述进一步方案的有益效果是:能够快速、准确的获得所需的车脸图像,为提取特征信息进行预处理。
进一步,所述车脸图像中包括车牌两侧的车灯、车辆品牌标志、进气格栅和车辆保险杠。
进一步,所述特征处理模块包括:
处理单元,用于根据余弦相似度方法将n个目标车辆特征信息与预先构建的特征数据库中的特征信息进行特征比对,得到最高相似度特征信息,并根据预定次数n判断是否完成第n次特征对比,如果不是,则将本次得到的最高相似度特征信息发送特征融合单元,再根据余弦相似度方法将特征融合单元反馈来的融合特征与更新后的特征信息数据库中的特征信息进行下一次的特征对比,否则停止对比,得到检索结果;
特征融合单元,用于将发送来的特征数据库中最高相似度特征信息与目标车辆特征信息进行特征融合,得到融合特征,并将融合特征发送更新模块进行更新,同时将融合特征反馈处理单元中进行下一次的特征相似度对比。
采用上述进一步方案的有益效果是:进行多次特征比对,每次特征对比后得到的最高相似度特征信息再进行特征融合,将融合特征作为下一次的输入,提高了检索的可靠性和准确性。
进一步,所述更新模块具体用于根据特征处理模块每次特征融合处理后得到的融合特征来替换特征信息数据库中本次特征相似度对比得到的最高相似度特征信息,完成更新。
采用上述进一步方案的有益效果是:将融合特征替换本次检索得到的最高相似度特征信息,再进行下一次的检索来提高检索的稳定性。
本发明解决上述技术问题的另一技术方案如下:一种车辆特征分类检索方法,包括如下步骤:
从设置在道路卡口处的图像采集设备上获取目标车辆图像,根据设定的截取范围在目标车辆图像上进行局部截取,得到车脸图像;
构建卷积神经网络,通过所述卷积神经网络从车脸图像中提取n个目标车辆特征信息;
根据预先构建的特征信息数据库中的特征信息对n个目标车辆特征信息进行预定次数的特征比对,进行下一次特征比对时对目标车辆特征信息进行特征融合处理,完成预定次数的特征比对后得到检索结果;以及
根据每次特征融合处理后得到的融合特征对特征信息数据库中特征信息进行更新。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述从设置在道路卡口处的图像采集设备上获取目标车辆图像,根据设定的截取范围在目标车辆图像上进行局部截取,具体包括如下步骤:
从设置在道路卡口处的图像采集设备上获取目标车辆图像;
通过EasyPR方法在目标车辆图像中定位出车牌,根据车牌在目标车辆图像中的位置,以及预设的高度值和宽度值,得到截取范围,根据截取范围在目标车辆图像上进行局部截取,得到车脸图像。
进一步,所述车脸图像中包括车牌两侧的车灯、车辆品牌标志、进气格栅和车辆保险杠。
进一步,所述根据预先构建的特征信息数据库中的特征信息对n个目标车辆特征信息进行预定次数的特征比对,每次特征对比后确定的最高相似度特征信息与特征对比时的目标车辆特征信息进行特征融合,得到融合特征信息,供下一次特征对比时使用,直到完成预定次数的特征对比后得到检索结果,具体包括如下步骤:
步骤A:根据余弦相似度方法将n个目标车辆特征信息与预先构建的特征数据库中的特征信息进行特征对比,得到最高相似度特征信息;
步骤B:根据预定次数n判断是否完成第n次特征对比,如果不是则执行步骤C,否则执行步骤E;
步骤C:将本次得到的最高相似度特征信息与目标车辆特征信息进行特征融合,得到融合特征,并将融合特征发送车辆信息数据库进行更新,执行步骤D;
步骤D:根据余弦相似度方法将融合特征与更新后的特征信息数据库中的特征信息进行下一次的特征对比,得到新的最高相似度特征信息,执行步骤B;
步骤E:停止对比,得到检索结果。
进一步,所述根据每次特征融合处理得到的融合特征对特征信息数据库中特征信息进行更新,具体包括:根据本次特征融合处理后得到的融合特征来替换特征信息数据库中本次特征相似度对比得到的最高相似度特征信息,完成更新。
附图说明
图1为本发明实施例提供的车辆特征分类检索的系统实施例的模块框图;
图2为本发明实施例提供的车辆特征分类检索的方法实施例的方法流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明实施例提供的车辆特征分类检索的系统实施例的模块框图;
如图1所示,一种车辆特征分类检索系统,包括:
图像截取模块,用于从设置在道路卡口处的图像采集设备上获取目标车辆图像,根据设定的截取范围在目标车辆图像上进行局部截取,得到车脸图像;
特征提取模块,用于构建卷积神经网络通过所述卷积神经网络从车脸图像中提取n个目标车辆特征信息;
特征处理模块,用于根据预先构建的特征信息数据库中的特征信息对n个目标车辆特征信息进行预定次数的特征比对,每次特征对比后确定的最高相似度特征信息与特征对比时的目标车辆特征信息进行特征融合,得到融合特征信息,供下一次特征对比时使用,直到完成预定次数的特征对比后得到检索结果;
更新模块,用于根据特征处理模块每次特征融合处理后得到的融合特征对特征信息数据库中特征信息进行更新。
应理解的,上述实施例中,所述构建深度卷积神经网络具体包括卷积层、池化层、全连接层和softmax层:
所述卷积层,可训练的卷积核对图像做卷积运算,并使用神经元激活函数计算卷积的输出值,卷积公式为:
其中,xi为第i层输入图像,yj为第j层输出图像,相应的,ki,j是连接第i层输入图像与第j层输出图像的卷积核,bj是第j层输出图像的偏置,是卷积运算符,f(x)是神经元激活函数。本实施例使用relu非线性函数作为激活函数,即f(x)=max(0,x),该函数可以加快深度网络的收敛速度。公式(1)中的卷积核ki,j与偏置bj是卷积网络的训练参数,通过大量的迭代训练得到较优取值;
所述池化层对卷积层的输出图做下采样,减小特征图尺寸,增强特征对旋转和形变的鲁棒性,常见的池化方法有平均池化与最大池化,其中最大池化可以表示为:
其中为池化层的第i层输出图在(j,k)位置的值,l为池化的步长,m为池化尺寸;
所述全连接层是一个单层神经网络,上一层的任何一个神经元节点都与下一层的所有神经元节点连接,全连接层的参数由节点权重矩阵W、偏置b以及激活函数f构成,全连接层的运算可以表示为:
y=f(W·x+b) (3)
其中,x、y分别是为输入、输出数据,f是激活函数;
所述softmax层是一个分类器,连接最后一层全连接层,使用公式(4)计算得到每一类的概率输出,
其中,xi为softmax层第i个节点值,yi为第i个输出值,n为softmax层的节点个数。
上述实施例中,能够极大的提高检索准确率,与现有的传统检索方法相比,进行多次特征比对,每次特征对比后得到的最高相似度特征信息再进行特征融合,将融合特征作为下一次的输入,重复进行对比和融合处理,使检索准确率能够达到96.7%,检提高可靠性和准确性,能够更好的满足智能交通系统的需求,还能够减少设备的投入。
可选地,作为本发明的一个实施例,所述图像截取模块包括:
获取单元,用于从设置在道路卡口处的图像采集设备上获取目标车辆图像;
截取单元,用于根据EasyPR方法在目标车辆图像中定位出车牌,并以车牌为坐标原点,以预设的宽度值分别向坐标原点的两侧区域以及预设的高度分别向坐标原点的上下区域进行扩展,得到截取范围,根据截取范围在目标车辆图像上进行局部截取,得到车脸图像。
具体的,上述实施例中,车辆检测采用EasyPR方法定位出车牌,然后以车牌中心为坐标原点,分别以车牌宽度1.75倍向左、向右区域扩展,以车牌高度1.5倍向上区域扩展,以车牌高度0.5倍向下区域扩展,扩展后的区域即为车脸图片;假设车牌水平宽度w=1,则右上角1点坐标为(1.75,1.5),右下角2点坐标为(1.75,-0.5)。
上述实施例中,能够快速、准确的获得所需的车脸图像,为提取特征信息进行预处理。
可选地,作为本发明的一个实施例,所述车脸图像中包括车牌两侧的车灯、车辆品牌标志、进气格栅和车辆保险杠。
可选地,作为本发明的一个实施例,所述特征处理模块包括:
处理单元,用于根据余弦相似度方法将n个目标车辆特征信息与预先构建的特征数据库中的特征信息进行特征比对,得到最高相似度特征信息,并根据预定次数n判断是否完成第n次特征对比,如果不是,则将本次得到的最高相似度特征信息发送特征融合单元,再根据余弦相似度方法将特征融合单元反馈来的融合特征与更新后的特征信息数据库中的特征信息进行下一次的特征对比,否则停止对比,得到检索结果;
特征融合单元,用于将发送来的特征数据库中最高相似度特征信息与目标车辆特征信息进行特征融合,得到融合特征,并将融合特征发送更新模块进行更新,同时将融合特征反馈对比单元中进行下一次的特征相似度对比。
具体的,特征融合的方法为:
每个图像信息都可以表示成为矩阵信息,因此在每次得到检索结果以后都要进一步与目标检索图片进行特征融合,得到更直接,更稳定的特征,利用公式进行特征融合
其中,
为包含了所有检索数据库的数据集,Pij=S(Ii,Ij)表示了Ii与Ij之间的相似度,λ为一个参数,可根据检索类型来调整λ的值,M为检索得到的结果,而即是融合特征。
上述实施例中,进行多次特征比对,每次特征对比后得到的最高相似度特征信息再进行特征融合,将融合特征作为下一次的输入,提高了检索的可靠性和准确性。
可选地,作为本发明的一个实施例,所述更新模块中,根据特征处理模块每次特征融合处理后得到的融合特征来替换特征信息数据库中本次特征相似度对比得到的最高相似度特征信息,完成更新。
上述实施例中,将融合特征替换本次检索得到的最高相似度特征信息,再进行下一次的检索来提高检索的稳定性。
图2为本发明实施例提供的车辆特征分类检索的方法实施例的方法流程图;
可选地,作为本发明的另一个实施例,如图2所示,一种车辆特征分类检索方法,包括如下步骤:
从设置在道路卡口处的图像采集设备上获取目标车辆图像,根据设定的截取范围在目标车辆图像上进行局部截取,得到车脸图像;
构建卷积神经网络,通过所述卷积神经网络从车脸图像中提取n个目标车辆特征信息;
根据预先构建的特征信息数据库中的特征信息对n个目标车辆特征信息进行预定次数的特征比对,每次特征对比后确定的最高相似度特征信息与特征对比时的目标车辆特征信息进行特征融合,得到融合特征信息,供下一次特征对比时使用,直到完成预定次数的特征对比后得到检索结果;以及
根据每次特征融合处理后得到的融合特征对特征信息数据库中特征信息进行更新。
可选地,作为本发明的一个实施例,所述从设置在道路卡口处的图像采集设备上获取目标车辆图像,根据设定的截取范围在目标车辆图像上进行局部截取,具体包括如下步骤:
从设置在道路卡口处的图像采集设备上获取目标车辆图像;
通过EasyPR方法在目标车辆图像中定位出车牌,并以车牌为坐标原点,以预设的宽度值分别向坐标原点的两侧区域、预设的高度分别向坐标原点的上下区域进行扩展,得到截取范围,根据截取范围在目标车辆图像上进行局部截取,得到车脸图像。
可选地,作为本发明的一个实施例,所述车脸图像中包括车牌两侧的车灯、车辆品牌标志、进气格栅和车辆保险杠。
可选地,作为本发明的一个实施例,所述根据预先构建的特征信息数据库中的特征信息对n个目标车辆特征信息进行预定次数的特征比对,每次特征对比后确定的最高相似度特征信息与特征对比时的目标车辆特征信息进行特征融合,得到融合特征信息,供下一次特征对比时使用,直到完成预定次数的特征对比后得到检索结果,具体包括如下步骤:
步骤A:根据余弦相似度方法将n个目标车辆特征信息与预先构建的特征数据库中的特征信息进行特征对比,得到最高相似度特征信息;
步骤B:根据预定次数n判断是否完成第n次特征对比,如果不是则执行步骤C,否则执行步骤E;
步骤C:将本次得到的最高相似度特征信息与目标车辆特征信息进行特征融合,得到融合特征,并将融合特征发送车辆信息数据库进行更新,执行步骤D;
步骤D:根据余弦相似度方法将融合特征与更新后的特征信息数据库中的特征信息进行下一次的特征对比,得到新的最高相似度特征信息,执行步骤B;
步骤E:停止对比,得到检索结果。
可选地,作为本发明的一个实施例,所述根据每次特征融合处理得到的融合特征对特征信息数据库中特征信息进行更新,具体包括:根据本次特征融合处理后得到的融合特征来替换特征信息数据库中本次特征相似度对比得到的最高相似度特征信息,完成更新。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆特征分类检索系统,其特征在于,包括:
图像截取模块,用于从设置在道路卡口处的图像采集设备上获取目标车辆图像,根据设定的截取范围在目标车辆图像上进行局部截取,得到车脸图像;
特征提取模块,用于构建卷积神经网络,通过所述卷积神经网络从车脸图像中提取n个目标车辆特征信息;
特征处理模块,用于根据预先构建的特征信息数据库中的特征信息对n个目标车辆特征信息进行预定次数的特征比对,每次特征对比后确定的最高相似度特征信息与特征对比时的目标车辆特征信息进行特征融合,得到融合特征信息,供下一次特征对比时使用,直到完成预定次数的特征对比后得到检索结果;
更新模块,用于根据特征处理模块每次特征融合处理后得到的融合特征对特征信息数据库中特征信息进行更新。
2.根据权利要求1所述一种车辆特征分类检索系统,其特征在于,所述图像截取模块包括:
获取单元,用于从设置在道路卡口处的图像采集设备上获取目标车辆图像;
截取单元,用于通过EasyPR方法在目标车辆图像中定位出车牌,根据车牌在目标车辆图像中的位置,以及预设的高度值和宽度值,得到截取范围,根据截取范围在目标车辆图像上进行局部截取,得到车脸图像。
3.根据权利要求2所述一种车辆特征分类检索系统,其特征在于,所述车脸图像中包括车牌两侧的车灯、车辆品牌标志、进气格栅和车辆保险杠。
4.根据权利要求1所述一种车辆特征分类检索系统,其特征在于,所述特征处理模块包括:
处理单元,用于根据余弦相似度方法将n个目标车辆特征信息与预先构建的特征数据库中的特征信息进行特征比对,得到最高相似度特征信息,并根据预定次数n判断是否完成第n次特征对比,如果不是,则将本次得到的最高相似度特征信息发送特征融合单元,再根据余弦相似度方法将特征融合单元反馈来的融合特征与更新后的特征信息数据库中的特征信息进行下一次的特征对比,否则停止对比,得到检索结果;
特征融合单元,用于将发送来的特征数据库中最高相似度特征信息与目标车辆特征信息进行特征融合,得到融合特征,并将融合特征发送更新模块进行更新,同时将融合特征反馈处理单元中进行下一次的特征相似度对比。
5.根据权利要求1-4任一项所述一种车辆特征分类检索系统,其特征在于,所述更新模块具体用于根据特征处理模块每次特征融合处理后得到的融合特征来替换特征信息数据库中本次特征相似度对比得到的最高相似度特征信息,完成更新。
6.一种车辆特征分类检索方法,其特征在于,包括如下步骤:
从设置在道路卡口处的图像采集设备上获取目标车辆图像,根据设定的截取范围在目标车辆图像上进行局部截取,得到车脸图像;
构建卷积神经网络,通过所述卷积神经网络从车脸图像中提取n个目标车辆特征信息;
根据预先构建的特征信息数据库中的特征信息对n个目标车辆特征信息进行预定次数的特征比对,每次特征对比后确定的最高相似度特征信息与特征对比时的目标车辆特征信息进行特征融合,得到融合特征信息,供下一次特征对比时使用,直到完成预定次数的特征对比后得到检索结果;以及
根据每次特征融合处理后得到的融合特征对特征信息数据库中特征信息进行更新。
7.根据权利要求6所述一种车辆特征分类检索方法,其特征在于,所述从设置在道路卡口处的图像采集设备上获取目标车辆图像,根据设定的截取范围在目标车辆图像上进行局部截取,具体包括如下步骤:
从设置在道路卡口处的图像采集设备上获取目标车辆图像;
通过EasyPR方法在目标车辆图像中定位出车牌,根据车牌在目标车辆图像中的位置,以及预设的高度值和宽度值,得到截取范围,根据截取范围在目标车辆图像上进行局部截取,得到车脸图像。
8.根据权利要求7所述一种车辆特征分类检索方法,其特征在于,所述车脸图像中包括车牌两侧的车灯、车辆品牌标志、进气格栅和车辆保险杠。
9.根据权利要求6所述一种车辆特征分类检索方法,其特征在于,所述根据预先构建的特征信息数据库中的特征信息对n个目标车辆特征信息进行预定次数的特征比对,每次特征对比后确定的最高相似度特征信息与特征对比时的目标车辆特征信息进行特征融合,得到融合特征信息,供下一次特征对比时使用,直到完成预定次数的特征对比后得到检索结果,具体包括如下步骤:
步骤A:根据余弦相似度方法将n个目标车辆特征信息与预先构建的特征数据库中的特征信息进行特征对比,得到最高相似度特征信息;
步骤B:根据预定次数n判断是否完成第n次特征对比,如果不是则执行步骤C,否则执行步骤E;
步骤C:将本次得到的最高相似度特征信息与目标车辆特征信息进行特征融合,得到融合特征,并将融合特征发送车辆信息数据库进行更新,执行步骤D;
步骤D:根据余弦相似度方法将融合特征与更新后的特征信息数据库中的特征信息进行下一次的特征对比,得到新的最高相似度特征信息,执行步骤B;
步骤E:停止对比,得到检索结果。
10.根据权利要求6-9任一项所述一种车辆特征分类检索方法,其特征在于,所述根据每次特征融合处理得到的融合特征对特征信息数据库中特征信息进行更新,具体包括:根据本次特征融合处理后得到的融合特征来替换特征信息数据库中本次特征相似度对比得到的最高相似度特征信息,完成更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710065703.6A CN106897677B (zh) | 2017-02-06 | 2017-02-06 | 一种车辆特征分类检索系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710065703.6A CN106897677B (zh) | 2017-02-06 | 2017-02-06 | 一种车辆特征分类检索系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897677A true CN106897677A (zh) | 2017-06-27 |
CN106897677B CN106897677B (zh) | 2020-04-10 |
Family
ID=59198653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710065703.6A Active CN106897677B (zh) | 2017-02-06 | 2017-02-06 | 一种车辆特征分类检索系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897677B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784309A (zh) * | 2017-11-01 | 2018-03-09 | 深圳汇生通科技股份有限公司 | 一种对车型识别的实现方法及系统 |
CN108256516A (zh) * | 2017-12-01 | 2018-07-06 | 桂林远望智能通信科技有限公司 | 一种区域车牌识别方法及系统 |
CN110059683A (zh) * | 2019-04-15 | 2019-07-26 | 广州广电银通金融电子科技有限公司 | 一种基于端到端神经网络的大角度车牌倾斜矫正方法 |
CN110458716A (zh) * | 2019-07-12 | 2019-11-15 | 深圳壹账通智能科技有限公司 | 产品政策的配置方法、装置、计算机设备及存储介质 |
CN110555125A (zh) * | 2018-05-14 | 2019-12-10 | 桂林远望智能通信科技有限公司 | 一种基于局部特征的车辆检索方法 |
CN110598621A (zh) * | 2019-09-06 | 2019-12-20 | 高新兴科技集团股份有限公司 | 车辆品牌识别方法、装置、设备及计算机可读存储介质 |
CN113239008A (zh) * | 2020-12-10 | 2021-08-10 | 哈工大大数据集团四川有限公司 | 一种应急大数据研判系统 |
CN113360523A (zh) * | 2020-12-10 | 2021-09-07 | 四川警察学院 | 基于车辆大数据的多重筛选系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294832A (zh) * | 2013-06-27 | 2013-09-11 | 西安工业大学 | 一种基于反馈学习的运动捕获数据检索方法 |
CN104699726A (zh) * | 2013-12-18 | 2015-06-10 | 杭州海康威视数字技术股份有限公司 | 一种应用于交通卡口的车辆图像检索方法和装置 |
US9201958B2 (en) * | 2013-10-24 | 2015-12-01 | TCL Research America Inc. | Video object retrieval system and method |
CN105320705A (zh) * | 2014-08-05 | 2016-02-10 | 北京大学 | 相似车辆的检索方法及装置 |
CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
-
2017
- 2017-02-06 CN CN201710065703.6A patent/CN106897677B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294832A (zh) * | 2013-06-27 | 2013-09-11 | 西安工业大学 | 一种基于反馈学习的运动捕获数据检索方法 |
US9201958B2 (en) * | 2013-10-24 | 2015-12-01 | TCL Research America Inc. | Video object retrieval system and method |
CN104699726A (zh) * | 2013-12-18 | 2015-06-10 | 杭州海康威视数字技术股份有限公司 | 一种应用于交通卡口的车辆图像检索方法和装置 |
CN105320705A (zh) * | 2014-08-05 | 2016-02-10 | 北京大学 | 相似车辆的检索方法及装置 |
CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
Non-Patent Citations (1)
Title |
---|
张海彬: "基于卡口图像的车型识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784309A (zh) * | 2017-11-01 | 2018-03-09 | 深圳汇生通科技股份有限公司 | 一种对车型识别的实现方法及系统 |
CN108256516A (zh) * | 2017-12-01 | 2018-07-06 | 桂林远望智能通信科技有限公司 | 一种区域车牌识别方法及系统 |
CN110555125A (zh) * | 2018-05-14 | 2019-12-10 | 桂林远望智能通信科技有限公司 | 一种基于局部特征的车辆检索方法 |
CN110059683A (zh) * | 2019-04-15 | 2019-07-26 | 广州广电银通金融电子科技有限公司 | 一种基于端到端神经网络的大角度车牌倾斜矫正方法 |
CN110458716A (zh) * | 2019-07-12 | 2019-11-15 | 深圳壹账通智能科技有限公司 | 产品政策的配置方法、装置、计算机设备及存储介质 |
CN110598621A (zh) * | 2019-09-06 | 2019-12-20 | 高新兴科技集团股份有限公司 | 车辆品牌识别方法、装置、设备及计算机可读存储介质 |
CN113239008A (zh) * | 2020-12-10 | 2021-08-10 | 哈工大大数据集团四川有限公司 | 一种应急大数据研判系统 |
CN113360523A (zh) * | 2020-12-10 | 2021-09-07 | 四川警察学院 | 基于车辆大数据的多重筛选系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106897677B (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897677A (zh) | 一种车辆特征分类检索系统和方法 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
Changzhen et al. | A traffic sign detection algorithm based on deep convolutional neural network | |
CN111695448B (zh) | 一种基于视觉传感器的路侧车辆识别方法 | |
CN111079674B (zh) | 一种基于全局和局部信息融合的目标检测方法 | |
CN108921875A (zh) | 一种基于航拍数据的实时车流检测与追踪方法 | |
CN111553201B (zh) | 一种基于YOLOv3优化算法的交通灯检测方法 | |
CN110363122A (zh) | 一种基于多层特征对齐的跨域目标检测方法 | |
CN107169421A (zh) | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 | |
CN109359603A (zh) | 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法 | |
CN109508710A (zh) | 基于改进YOLOv3网络的无人车夜间环境感知方法 | |
CN109447018A (zh) | 一种基于改进Faster R-CNN的道路环境视觉感知方法 | |
CN106683091A (zh) | 一种基于深度卷积神经网络的目标分类及姿态检测方法 | |
CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN109299644A (zh) | 一种基于区域全卷积网络的车辆目标检测方法 | |
CN108960198A (zh) | 一种基于残差ssd模型的交通标志检测与识别方法 | |
CN107134144A (zh) | 一种用于交通监控的车辆检测方法 | |
CN109558902A (zh) | 一种快速目标检测方法 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN106557579A (zh) | 一种基于卷积神经网络的车辆型号检索系统及方法 | |
Wang et al. | Vehicle detection based on drone images with the improved faster R-CNN | |
CN106971155A (zh) | 一种基于高度信息的无人车车道场景分割方法 | |
CN107315998A (zh) | 基于车道线的车辆种类划分方法和系统 | |
CN109002752A (zh) | 一种基于深度学习的复杂公共场景快速行人检测方法 | |
CN106682681A (zh) | 一种基于相关反馈的识别算法自动改进方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |