CN106910119A - 一种基于手机等移动终端的车辆品牌评价以及导购系统 - Google Patents

Abstract

本发明是指用户可以通过手机等移动终端通过实时视频流的信息获取，自动的进行车辆品牌的识别以及数据信息字典，通过客户端可以提供该车包括车辆品牌、生产厂家、生产年度、车型（小轿车，SUV，小货车、客车等），车辆价格信息、弹幕信息等功能。用户对准的户外车辆，获得图像帧，并通过识别模块启动知识库，该系统可以在线检索到对该类车辆的信息评价以及相应的视频广告、套牌车辆的检测等扩展功能。根据用户的使用数据，筛选出不同模块信息检索的评分值，进而统计排行榜，为用户提供可借鉴的信息，已期达到提高用户体验度和厂家的品牌度目的，并提供地图信息购车检索，为用户提供车辆的导购信息。

Description

一种基于手机等移动终端的车辆品牌评价以及导购系统

技术领域

本发明专利涉及一种基于手机等移动终端的车辆品牌评价以及导购系统，主要应用领域为采用手机等移动终端进行车辆信息查询和采购领域，属于汽车应用领域。

背景技术

基于图像处理的车辆类型识别技术是智能交通系统(Intelligent TransportSystem，简称ITS)中的一项非常重要的技术，同样在计算机视觉应用领域中占有重要地位。伴随我国国民经济的快速发展，企业用车、居民购车数量随之越来越多，车辆购买力逐渐增强的趋势下，对车辆的评价以及历史用户的吐槽类的信息获取越来越成为众多用户的关注点。本发明专利的一种基于手机等移动终端的车辆品牌评价以及导售系统采用基于实时视频流的信息获取方式，实现了自动的进行车辆品牌的识别、包括生产厂家、生产年度、车型（小轿车，SUV，小货车、客车和货车）价格信息、弹幕功能，实时看到对车辆的信息评价以及相应的视频广告、套牌车辆的检测等扩展功能。该系统可以根据用户的使用数据，进一步筛选出不同模块信息检索的评分值，进而统计排行榜，进一步的为用户提供可借鉴的信息，已期达到提高用户体验度和厂家的品牌度目的。

现有的车辆类型识别技术中，主要集中于对车辆类型进行分步识别，比如首先对车辆款式进行分类，比如分类为大型、中型及小型三类，或者轿车、货车、客车三类；然后依据车辆品牌类别及年款进行分类，比如大众、宝马、奥迪，依据这些识别结果得出车辆的整体类型信息，比如大众帕萨特2007款，这种车辆类型识别方法操作复杂，计算量大，耗时较长，耗资较高。另外，目前车辆款式的识别方法需要保证车辆整体轮廓的清晰度以便检测车辆的实际尺寸大小，因此该方法较难实现。另外对于现有的车辆类型识别技术，其中多数应用到了传统的特征提取方法，比如梯度方向直方图、局部二值模式纹理，在分析判别时大多采用了支持向量机(SupportVector Machine，简称SVM)方法。这些方法的使用具有局限性，比如在清晰场景下这些方法都有较高的识别率，但是在模糊场景下，比如因天气变化、光线变化所引起的图像模糊、夜间场景等场景下往往识别率较低；另外一般选取车辆的正面图像(车头、车尾)进行品牌识别，由于车辆外观表观形式复杂，因此对所检测的车辆与摄像机的拍摄距离、拍摄角度有着严格的要求。

对于车型识别算法，常用的方法种类比较多，比如基于模板匹配、统计模式等。例如名称为“基于静态图片的自动套牌车检测方法(申请号：201310397152.5)”的中国发明专利申请公开的技术方案中，提取静态图片中车辆前部图片，确定车头灯、散热器、品牌和保险杠区域；提取车辆图片的特征，并采用随机子空间分类器集成方法合并图片特征；根据车头灯、散热器、品牌和保险杠信息确定车辆品牌。名称为“基于图像的车辆品牌识别方法和系统(申请号：201310416016.6)”的中国发明专利申请公开的技术方案中，通过检测车牌在输入图像中的位置；根据车牌位置计算多个车辆部件位置；从该多个车辆部件位置的每一个抽取特征向量；以及对所抽取的特征向量进行分类并输出车辆的品牌信息，该特征向量包括外形特征和形状特征。上述车辆品牌型号的识别方法，通过提取车辆的特征进行识别，检测率低同时误报较多。

本发明所应用领域为基于汽车品牌的导购系统，部分车辆识别对象是无牌车，所以为了避免车牌信息的干扰，与前人算法不同之处在于逆操作，就是首先识别出车牌位置信息，并将该信息覆盖掉，作为训练样本和识别样本库，以避免对后续识别带来的干扰。车牌在图像中，具有大量的特征信息，而每个图片的车牌字符均是不同的，所以认为车牌具有高特征信息和高干扰信息的特点，所以本发明提出在建立样本库和识别对象时，所面临的对象集合均是去掉了车牌信息干扰信息，将输入对象进行了下采样的处理和去除冗余信息的干扰，提高了识别效率和准确度以及冗余度。能够满足移动终端资源紧缺，需要较高的实时性和准确率的应用需求。

发明内容

用户可以采用移动终端摄像头进行实时抓取的含有车辆车头的或者是车辆车尾的视频流的功能，对准车辆就可以自动的进行车辆品牌的识别，在用户移动终端的屏幕上提供包括生产厂家模块、生产年度模块、车型（小轿车，SUV，小货车、客车和货车）模块、价格信息模块、弹幕功能模块（实时看到对车辆的信息评价）以及相应的视频广告模块、地图信息购车检索模块、套牌车辆的检测功能模块等扩展功能。用户对准的户外车辆，获得图像帧，并通过识别模块启动知识库，该系统可以在线检索到对该类车辆的信息评价以及相应的视频广告、套牌车辆的检测等扩展功能。该系统可以根据用户的使用数据，筛选出不同模块信息检索的评分值，进而统计评分排行榜，进一步的为用户提供可借鉴的信息，已期达到提高用户体验度和厂家的品牌度目的，并提供地图信息购车检索，为用户提供车辆的导购信息，从而在汽车销售行业，提出一种新型的销售导购商业模式，从而产生巨大的经济效益和社会效益。

。对于输入样本，集成分类器中每个基分类独立地对其进行识别，最后根据所有基分类器的结果进行综合判断，如使用多数投票表决的方法决定测试样本的最终类型。集成分类器的代表有Baggingt，AdaBoostt和随机子等。最近，有一种基于主成分分析(PCA)被称为旋转森林的分类器集成方法，它能够在提升基分类器多样性的同时保证系统的精确度，首先对随机分割的特征子集进行PCA分析，并使用每个特征子集的PCA系数构建旋转矩阵，实验证明这种方法比其他几种分类器集成的方法效果要好。车型识别的精确度是学者们普遍追求的目标，他们致力于提出降低误识率的方法。但是在很多场景中例如监控场景，引入带有“拒识"选项的分类器来提高系统的可靠性显得更为重要，即放弃对某些不确定类型的样本识别。例如，警方需要鉴别某一时间点的盗牌车辆，当误识的代价比较高时，自动识别系统拒绝对置信度不高的样本识别并将这些样本留给人工进行详细的处理。可靠的识别系统允许特定领域知识和专家对分类器决策时施加额外的压力以控制精确度。

因该系统是导购系统，部分车辆识别对象是无牌车，所以为了避免车牌信息的干扰，与前人算法不同之处在于逆操作，就是首先识别出车牌位置信息，并将该信息覆盖掉，作为训练样本和识别样本库，以避免对后续识别带来的干扰。车牌在图像中，具有大量的特征信息，而每个图片的车牌字符均是不同的，所以认为车牌具有高特征信息和高干扰信息的特点，所以本发明提出在建立样本库和识别对象时，所面临的对象集合均是去掉了车牌信息干扰信息，将输入对象进行了下采样的处理和去除冗余信息的干扰，提高了识别效率和准确度以及冗余度。能够满足移动终端资源紧缺，需要较高的实时性和准确率的应用需求。

附图说明

图1是系统功能框架图，包括：1移动设备终端 ；2评价以及导购模块；3显示信息模块；4注册信息功能模块；5弹幕功能模块；6 相应的视频广告模块；7比价功能模块；8品牌识别模块；9经销商管理模块；10生产厂家模块；11车型（小轿车，SUV，小货车、客车和货车，生产年度 ）模块检索模块；12套牌车辆的检测功能；13地图信息购车模块；

图2预处理下采样方法图，是输入图像进行车辆区域检测，定位出车辆的位置信息后，通过SVM等方法进行车牌位置的定位，并进行特征描述，再分为训练样本和测试样本，训练样本第一级训练，去除全部车牌，之后再进行卷积神经网络训练；

图3是在预处理前进行去除车牌信息的对比图像；

具体实施方式

品牌识别模块的步骤如下：

1）基于SVM方法，判断有无车牌以及车牌的位置，由于定位所需的特征点对不多，故本发明对所有算法对每一副图像检测到的车牌特征点数设置上限为200，所使用图片采用一段汽车行驶的视频中相近帧截屏所得图.输入图片，输出为车牌的位置（X1,y1）（X2,y2）（X3,y2）（X4,y4）；

2）将图片的车牌位置的矩形区域的颜色值RGB =0，即黑色。

3）对所有的图片进行1、2步的重复，通过利用深度卷积网络进行计算图像类别特征，深度卷积网络采用预先标注好的车头数据集训练得到车型识别模型，利用训练好的深度卷积神经网络来识别图像,提取输出层的结果作为车型类别。训练样本量可以为50万张有标注图像。所为训练样本库。

4）该输入是通过手机实时抓取的含有车辆车头的或者是车辆车尾的视频流，将实时需要判断的图片进行1、2步的重复；

5）4步的处理结果与预先建立车辆类别与车辆类型的车辆信息字典包括：基于车辆品牌和款式，将车头图像样本集及车尾图像样本集进行分类，得到多个类别的多张车辆图像；基于多个类别的多张车辆图像至少对深度卷积神经网络进行训练；利用训练后的深度卷积神经网络至少提取各个类别下的多张车辆图像的特征码，构建特征码/类别/车辆图像的关系库；利用训练后的深度卷积神经网络提取待识别的车辆图像的特征码，参照特征码/类别/车辆图像的关系库，确定车辆的类别信息，识别车辆的品牌和款式。

1）从效果来看，通过本发明的应用，可以实时为用户提供车辆品牌的相关信息，。

2）发明提出算法能满足户外条件下，有效的提取特征点并进行匹配的任务，且具有较好的实时性和鲁棒性。

3）本发明的下采样的方法提高了识别方法准确型和实时性，能够满足手机设备性能资源有限运行环境。

尽管出于说明性目的已经公开本发明的优选实施例，但是本领域的普通技术人员

将懂得各种变更，增加或是替代都是可能的，并不脱离如附带的权利要求书中所公开的本

发明的精神和范围。

Claims (5)

1.一种基于移动终端的车辆品牌评价以及导购系统，其特征是：用户可以采用移动终端摄像头进行实时抓取的含有车辆车头的或者是车辆车尾的视频流的功能，对准车辆就可以自动的进行车辆品牌的识别，在用户移动终端的屏幕上提供包括1移动设备终端 ；2评价以及导购模块；3显示信息模块；4注册信息功能模块；5弹幕功能模块；6 相应的视频广告模块；7比价功能模块；8品牌识别模块；9经销商管理模块；10生产厂家模块；11车型（小轿车，SUV，小货车、客车和货车，生产年度 ）模块检索模块；12套牌车辆的检测功能；13地图信息购车模块等扩展功能，用户对准的户外车辆，获得图像帧，并通过识别模块启动知识库，该系统可以在线检索到对该类车辆的信息评价以及相应的视频广告、套牌车辆的检测等扩展功能，该系统可以根据用户的使用数据，筛选出不同模块信息检索的评分值，进而统计评分排行榜，为用户提供可借鉴的信息，已期达到提高用户体验度和厂家的品牌度目的，并提供地图信息购车检索，为用户提供车辆的导购信息，在汽车销售行业，提出一种新型的销售导购商业模式，从而产生巨大的经济效益和社会效益。

2.一种基于移动终端的车辆品牌评价以及导购系统，其特征是：因该系统是导购系统，部分车辆识别对象是无牌车，所以为了避免车牌信息的干扰，与前人算法不同之处在于逆操作，就是首先识别出车牌位置信息，并将该信息覆盖掉，作为训练样本和识别样本库，以避免对后续识别带来的干扰，车牌在图像中，具有大量的特征信息，而每个图片的车牌字符均是不同的，所以认为车牌具有高特征信息和高干扰信息的特点，所以本发明提出在建立样本库和识别对象时，所面临的对象集合均是去掉了车牌信息干扰信息，将输入对象进行了下采样的处理和去除冗余信息的干扰，提高了识别效率和准确度以及冗余度，能够满足移动终端资源紧缺，需要较高的实时性和准确率的应用需求。

3.一种基于移动终端的车辆品牌评价以及导购系统，其特征是：预先建立车辆类别与车辆类型的车辆信息字典包括：基于车辆品牌和款式，将车头图像样本集及车尾图像样本集进行分类，得到多个类别的多张车辆图像；基于多个类别的多张车辆图像至少对深度卷积神经网络进行训练；利用训练后的深度卷积神经网络至少提取各个类别下的多张车辆图像的特征码，构建特征码/类别/车辆图像的关系库；利用训练后的深度卷积神经网络提取待识别的车辆图像的特征码，参照特征码/类别/车辆图像的关系库，确定车辆的类别信息，识别车辆的品牌和款式，所示方法及系统能够适应多种环境，提高识别车辆类别信息的准确率，具有广阔的应用前景。

4.一种基于移动终端的车辆品牌评价以及导购系统，其特征是： 基于贝叶斯分类器、k-近邻分类器、 支持向量机分类器，构造车辆品牌类型识别的第一级集成分类器，并采用经过降维处理后（去除车牌信息后）的组合特征向量对第一级集成分类器进行训练，采用深度卷积网络进行计算图像类别特征，深度卷积网络采用预先标注好的车头数据集训练得到车型识别模型，利用训练好的深度卷积神经网络来识别图像,提取输出层的结果作为车型类别，训练样本量可以为50万张有标注图像。

5.一种基于移动终端的车辆品牌评价以及导购系统，其特征是：该输入是通过手机实时抓取的含有车辆车头的或者是车辆车尾的视频流。