CN107016362B - 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 - Google Patents

基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 Download PDF

Info

Publication number
CN107016362B
CN107016362B CN201710201532.5A CN201710201532A CN107016362B CN 107016362 B CN107016362 B CN 107016362B CN 201710201532 A CN201710201532 A CN 201710201532A CN 107016362 B CN107016362 B CN 107016362B
Authority
CN
China
Prior art keywords
vehicle
front windshield
mark
detector
picture
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
Application number
CN201710201532.5A
Other languages
English (en)
Other versions
CN107016362A (zh
Inventor
高常鑫
邹雷
桑农
刘心田
时辉章
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201710201532.5A priority Critical patent/CN107016362B/zh
Publication of CN107016362A publication Critical patent/CN107016362A/zh
Application granted granted Critical
Publication of CN107016362B publication Critical patent/CN107016362B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V2201/09—Recognition of logos

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统，其中方法的实现包括：拍摄车辆前挡风玻璃图片，输入深度训练的检测器进行检测定位，得到前挡风玻璃粘贴标志的候选区域；使用检测器对前挡风玻璃粘贴标志的候选区域进行检测定位，得到每个标志的候选区域，统计标志的数量及颜色序列；计算标志与车辆前挡风玻璃图片中心点的相对位置。若两张车辆前挡风玻璃图片的标志的数量，颜色序列均一致，且相对位置的差异值在预设值以内，判定车辆为同一车辆，否则，不是同一车辆。本发明将图片输入深度训练的检测器进行检测定位，基于车辆前挡风玻璃粘贴标志进行车辆识别，具有很强的准确率和抗干扰能力，适应性强。

Description

基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统
技术领域
本发明属于数字图像处理及模式识别技术领域，更具体地，涉及一种基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统。
背景技术
时代发展，伴随城市化的发展，我国城市人口的增加，城市中的汽车保有量与日俱增，这对我国打造智慧城市，尤其是提升智能交通管理能力的要求带来巨大的难题。在智能交通管理中，道路卡口，停车收费等方面均需要对车辆信息进行识别。而车辆重识别是就指从不同图像中提取车辆进行判别车辆异同的技术。其中，运用成熟的车牌识别系统进行车辆信息提取得到广泛应用。因光照影响，复杂天气条件，部分驾驶员违规套牌，不挂牌等原因，车牌识别的准确度不足以满足需要，必须采用非车牌的语义信息来进行区分。因为我们国家对汽车年检标志，交通强制保险标志等有粘贴要求，驾驶员习惯不一，例如粘贴的位置，过期标志未及时撕下，造成车辆前挡风玻璃粘贴标志具有唯一性。
车辆的重识别主要分为两步，先在图像中选取识别的候选区域或者直接取全图，然后对全图或该区域特征进行提取比对，输出判断异同的结果。车辆重识别的关键在区域的选择，选择的特征和特征的提取情况。
传统的办法主要基于车牌，车型和车身颜色来判断车辆异同，对于同款车的违规套牌，不挂牌情况无法处理。即使是车前窗的标志物提取，传统的检测定位办法也是运用传统的形态学提取轮廓，这种办法识别准确率较低，比对标准因各种场景变化，均是特定场景的解决方案。遇到日照，天气等情况，由于车辆饰品等堆叠，背景不够干净，准确率更低。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统，其目的在于利用背景干净，易于计算，具有唯一性的车辆前挡风玻璃粘贴标志进行车辆识别，由此解决传统的办法进行车辆识别准确率低、适应性差的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于车辆前挡风玻璃粘贴标志的车辆重识别方法，包括以下步骤：
(1)拍摄车辆前挡风玻璃图片；
(2)对车辆前挡风玻璃图片进行检测定位，得到前挡风玻璃粘贴标志的候选区域；
(3)对前挡风玻璃粘贴标志的候选区域进行检测定位，得到每个标志的候选区域，统计标志的数量及颜色序列；
(4)将每个标志的候选区域的中心分别与车辆前挡风玻璃图片的中心进行连线，计算相邻连线的夹角余弦值，得到一系列余弦值的均值与方差，用于表示标志与车辆前挡风玻璃图片中心点的相对位置；
(5)若两张车辆前挡风玻璃图片的标志的数量，颜色序列均一致，且标志与车辆前挡风玻璃图片中心点的相对位置的差异值在预设值以内，判定为同一车辆，否则，不是同一车辆。
进一步的，步骤(2)和(3)利用训练好的检测器进行检测定位，所述检测器的训练方法为：
输入车辆前挡风玻璃图片，并在车辆前挡风玻璃图片中标注粘贴标志的坐标标签，得到若干个候选区域，输出候选区域重叠率最大的候选区域作为检测定位结果，根据坐标标签计算损失函数，调整网络中间参数，然后再次输入新的训练图像，反复训练至检测器的准确率大于预设值。
进一步的，重叠率为
Figure BDA0001258270850000021
其中表示检测所得的候选区域与真实粘贴标志区域的重叠率，J表示真实粘贴标志区域面积，Jgt表示检测所得的候选区域面积。
进一步的，检测器为快速目标检测卷积神经网络、BP神经网络、卷积神经网络和快速卷积神经网络中的任意一种。
进一步的，检测器为快速目标检测卷积神经网络。
进一步的，颜色序列为按照检测顺序依次识别的标志颜色，标志颜色为白色、蓝色、绿色、黄色、黑色、红色中的任意一种，分别与数字0-5一一对应。
按照本发明的另一方面，提供了一种基于车辆前挡风玻璃粘贴标志的车辆重识别系统，包括以下模块：
第一模块，用于拍摄车辆前挡风玻璃图片；
第二模块，用于对车辆前挡风玻璃图片进行检测定位，得到前挡风玻璃粘贴标志的候选区域；
第三模块，用于对前挡风玻璃粘贴标志的候选区域进行检测定位，得到每个标志的候选区域，统计标志的数量及颜色序列；
第四模块，用于将每个标志的候选区域的中心分别与车辆前挡风玻璃图片的中心进行连线，计算相邻连线的夹角余弦值，得到一系列余弦值的均值与方差，表示标志与车辆前挡风玻璃图片中心点的相对位置；
第五模块，用于判断两张车辆前挡风玻璃图片的车辆是否为同一车辆，若两张车辆前挡风玻璃图片的标志的数量，颜色序列均一致，且标志与车辆前挡风玻璃图片中心点的相对位置的差异值在预设值以内，判定为同一辆车，否则，不是同一车辆。
进一步的，第二模块和第三模块利用训练好的检测器进行检测定位，所述检测器的训练方法为：
输入车辆前挡风玻璃图片，并在车辆前挡风玻璃图片中标注粘贴标志的坐标标签，得到若干个候选区域，输出候选区域重叠率最大的候选区域作为检测定位结果，根据坐标标签计算损失函数，调整网络中间参数，然后再次输入新的训练图像，反复训练至检测器的准确率大于预设值。
进一步的，重叠率为
Figure BDA0001258270850000041
其中
Figure BDA0001258270850000042
表示检测所得的候选区域与真实粘贴标志区域的重叠率，J表示真实粘贴标志区域面积，Jgt表示检测所得的候选区域面积。
进一步的，检测器为快速目标检测卷积神经网络、BP神经网络、卷积神经网络和快速卷积神经网络中的任意一种。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)现行基于车牌的车辆重识别方案无法应对无车牌或者套牌，遮挡等车牌信息缺失错误的情况。并且，在现今的交通系统特别是车辆卡口收费逐渐自动化的情况下，急需对车辆识别补充另外的信息进行补充。非车牌信息可以量化并简易可行的，有车辆型号，车身颜色等信息，这些信息又由于车辆型号随着新车的出现和老车的淘汰需要不断更新，车身颜色又很容易受到日照的影响，出现的车辆颜色也越来越多，这也影响到现行方案的准确率。本发明提出的特征信息基于车辆前挡风玻璃粘贴标志，标志本身是国家规定必须粘贴，种类也十分有限，仅有年检标志，环保标志等，常年并不更新，这就具有了稳定性。粘贴的范围也在固定的车前窗左上角，这就提高了提取定位的正确率。驾驶员粘贴习惯导致粘贴具体位置均有差异，这就具有了唯一性。这都提高了检测提取标志后，识别车辆的准确率。
(2)对于粘贴标志具体的信息提取，传统的形态学仅能提取轮廓，无法完成准确率的要求。本发明针对这一点，作为优化，采用深度训练的检测器，对标志进行了检测定位。利用深度训练的检测器对输入图像完成整图的学习，对各种真实情景自然产生很强的适应能力。这样也巧妙避开传统形态学需要的固定条件，比如对于车窗边缘被遮挡，形态学无法根据车窗边缘定位到车窗，继而无法检测出标志的情况。所以本发明基于深度训练的检测器的检测定位具有很强的准确率和抗干扰能力，适应性强。
附图说明
图1是一种基于车辆前挡风玻璃粘贴标志的车辆重识别方法的流程图；
图2是一种基于车辆前挡风玻璃粘贴标志的车辆重识别方法的实例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种基于车辆前挡风玻璃粘贴标志的车辆重识别方法，包括以下步骤：
(1)拍摄车辆前挡风玻璃图片，输入深度训练的检测器；
其中，深度训练的检测器的训练方法为输入车辆前挡风玻璃图片，并在车辆前挡风玻璃图片中标注粘贴标志的坐标标签，得到若干个候选区域，输出候选区域重叠率最大的候选区域作为检测定位结果，根据坐标标签计算损失函数，调整网络中间参数，然后再次输入新的训练图像，反复训练至检测器的准确率大于预设值。
重叠率为
Figure BDA0001258270850000051
其中
Figure BDA0001258270850000052
表示检测所得的候选区域与真实粘贴标志区域的重叠率，J表示真实粘贴标志区域面积，Jgt表示检测所得的候选区域面积。
检测器的准确率为
Figure BDA0001258270850000061
其中T表示检测器精确度，K表示检测器召回率。检测器精确度
Figure BDA0001258270850000062
检测器召回率
(2)对车辆前挡风玻璃图片进行检测定位，得到前挡风玻璃粘贴标志的候选区域；
(3)对前挡风玻璃粘贴标志的候选区域进行检测定位，得到每个标志的候选区域，统计标志的数量及颜色序列；颜色序列为按照检测顺序依次识别的标志颜色，标志颜色为白色、蓝色、绿色、黄色、黑色、红色中的任意一种，分别与数字0-5一一对应。
(4)将每个标志的候选区域的中心分别与车辆前挡风玻璃图片的中心进行连线，计算相邻连线的夹角余弦值，得到一系列余弦值的均值与方差，表示标志与车辆前挡风玻璃图片中心点的相对位置；
(5)若两张车辆前挡风玻璃图片的标志的数量，颜色序列均一致，且标志与车辆前挡风玻璃图片中心点的相对位置的差异值在预设值以内，判定为同一车辆，否则，不是同一车辆。
所述步骤(2)和(3)利用方法A、方法B、方法C等等进行检测定位。优选的，本发明选用训练好的检测器进行检测定位。
优选的，检测器为快速目标检测卷积神经网络、BP神经网络、卷积神经网络和快速卷积神经网络中的任意一种。
优选的，检测器为快速目标检测卷积神经网络，快速目标检测卷积神经网络实际上是由两部分网络组成，一部分是区域生成网络，一部分是快速卷积神经网络，两者共享特征进行训练和输出。快速卷积神经网络的检测过程，总共是4步。第一步，在图像中确定1500-2000个候选区域，第二步，利用深度网络提取每个候选区域中图像的特征，第三步，根据特征，采取分类器判断归类，第四步，对于候选区域，用回归器进一步调整位置。
对于粘贴标志具体的信息提取，传统的形态学仅能提取轮廓，无法完成准确率的要求。针对这一点，采用快速目标检测卷积神经网络的方法，对标志进行了检测定位。利用快速目标检测卷积神经网络天然的会对输入图像完成整图的学习，通过大量真实拍摄得到的图片对快速目标检测卷积神经网络进行训练，网络对各种真实情景自然产生很强的适应能力。这样也巧妙避开传统形态学需要的固定条件，比如对于车窗边缘被遮挡，形态学无法根据车窗边缘定位到车窗，继而无法检测出标志的情况，快速目标检测卷积神经网络在训练时就已经学会应对这种场景，得到检测结果。所以本发明基于深度训练的快速目标检测卷积神经网络进行检测定位具有很强的准确率和抗干扰能力，适应性强。
按照本发明的另一方面，提供了一种基于车辆前挡风玻璃粘贴标志的车辆重识别系统，包括以下模块：
第一模块，用于拍摄车辆前挡风玻璃图片；
第二模块，用于对车辆前挡风玻璃图片进行检测定位，得到前挡风玻璃粘贴标志的候选区域；
第三模块，用于对前挡风玻璃粘贴标志的候选区域进行检测定位，得到每个标志的候选区域，统计标志的数量及颜色序列；
第四模块，用于将每个标志的候选区域的中心分别与车辆前挡风玻璃图片的中心进行连线，计算相邻连线的夹角余弦值，得到一系列余弦值的均值与方差，表示标志与车辆前挡风玻璃图片中心点的相对位置。
第五模块，用于判断两张车辆前挡风玻璃图片的车辆是否为同一车辆，若两张车辆前挡风玻璃图片的标志的数量，颜色序列均一致，且标志与车辆前挡风玻璃图片中心点的相对位置的差异值在预设值以内，判定为同一辆车，否则，不是同一车辆；
优选的，第二模块和第三模块利用训练好的检测器进行检测定位，所述检测器的训练方法为：输入车辆前挡风玻璃图片，并在车辆前挡风玻璃图片中标注粘贴标志的坐标标签，得到若干个候选区域，输出候选区域重叠率最大的候选区域作为检测定位结果，根据坐标标签计算损失函数，调整网络中间参数，然后再次输入新的训练图像，反复训练至检测器的准确率大于预设值。
优选的，重叠率为其中
Figure BDA0001258270850000082
表示检测所得的候选区域与真实粘贴标志区域的重叠率，J表示真实粘贴标志区域面积，Jgt表示检测所得的候选区域面积。
优选的，检测器的准确率为
Figure BDA0001258270850000083
其中T表示检测器精确度，K表示检测器召回率。
优选的，检测器为快速目标检测卷积神经网络、BP神经网络、卷积神经网络和快速卷积神经网络中的任意一种。
优选的，检测器为快速目标检测卷积神经网络。
优选的，颜色序列为按照检测顺序依次识别的标志颜色，标志颜色为白色、蓝色、绿色、黄色、黑色、红色中的任意一种，分别与数字0-5一一对应。
实施例1：
如图2所示，一种基于车辆前挡风玻璃粘贴标志的车辆重识别方法，包括以下步骤：
(1)拍摄车辆前挡风玻璃图片；
(2)对车辆前挡风玻璃图片进行检测定位，得到前挡风玻璃粘贴标志的候选区域；
(3)对前挡风玻璃粘贴标志的候选区域进行检测定位，得到每个标志的候选区域，统计标志的数量为7，颜色序列为00231112；
(4)将每个标志的候选区域的中心分别与车辆前挡风玻璃图片的中心进行连线，计算相邻连线的夹角余弦值，得到余弦值的均值为0.988，余弦值的方差为0.00003，用于表示标志与车辆前挡风玻璃图片中心点的相对位置；
(5)若两张车辆前挡风玻璃图片的标志的数量，颜色序列均一致，且标志与车辆前挡风玻璃图片中心点的相对位置的差异值在预设值以内，判定为同一车辆，否则，不是同一车辆。
进一步的，步骤(2)和(3)利用训练好的检测器进行检测定位，所述检测器的训练方法为：
输入车辆前挡风玻璃图片，并在车辆前挡风玻璃图片中标注粘贴标志的坐标标签，得到若干个候选区域，输出候选区域重叠率最大的候选区域作为检测定位结果，根据坐标标签计算损失函数，调整网络中间参数，然后再次输入新的训练图像，反复训练至检测器的准确率大于预设值，检测器为快速目标检测卷积神经网络。
进一步的，重叠率设置为0.9认同为识别正确，准确率为0.8605。
区域面积为图片检测区域的像素乘积，粘贴标志一般约为15*10像素尺寸。
对于粘贴标志具体的信息提取，传统的形态学仅能提取轮廓，无法完成准确率的要求。本发明针对这一点，作为优化，采用快速目标检测卷积神经网络，对标志进行了检测定位。利用快速目标检测卷积神经网络对输入图像完成整图的学习，对各种真实情景自然产生很强的适应能力。这样也巧妙避开传统形态学需要的固定条件，比如对于车窗边缘被遮挡，形态学无法根据车窗边缘定位到车窗，继而无法检测出标志的情况。所以本发明基于快速目标检测卷积神经网络的检测定位具有很强的准确率和抗干扰能力，适应性强。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于车辆前挡风玻璃粘贴标志的车辆重识别方法，其特征在于，包括以下步骤：
(1)拍摄车辆前挡风玻璃图片；
(2)对车辆前挡风玻璃图片进行检测定位，得到前挡风玻璃粘贴标志的候选区域；
(3)对前挡风玻璃粘贴标志的候选区域进行检测定位，得到每个标志的候选区域，统计标志的数量及颜色序列；
(4)将每个标志的候选区域的中心分别与车辆前挡风玻璃图片的中心进行连线，计算相邻连线的夹角余弦值，得到一系列余弦值的均值与方差，用于表示标志与车辆前挡风玻璃图片中心点的相对位置；
(5)若两张车辆前挡风玻璃图片的标志的数量，颜色序列均一致，且标志与车辆前挡风玻璃图片中心点的相对位置的差异值在预设值以内，判定为同一车辆，否则，不是同一车辆；
所述步骤(2)和(3)利用训练好的检测器进行检测定位,所述检测器的训练方法为：
输入车辆前挡风玻璃图片，并在车辆前挡风玻璃图片中标注粘贴标志的坐标标签，得到若干个候选区域，输出候选区域重叠率最大的候选区域作为检测定位结果，根据坐标标签计算损失函数，调整网络中间参数，然后再次输入新的训练图像，反复训练至检测器的准确率大于预设值；
重叠率为
Figure FDA0002168105960000011
其中表示检测所得的候选区域与真实粘贴标志区域的重叠率，J表示真实粘贴标志区域面积，Jgt表示检测所得的候选区域面积；
检测器的准确率为
Figure FDA0002168105960000021
其中T表示检测器精确度，K表示检测器召回率， 检测器精确度检测器召回率
Figure FDA0002168105960000023
2.如权利要求1所述的一种基于车辆前挡风玻璃粘贴标志的车辆重识别方法，其特征在于，所述检测器为快速目标检测卷积神经网络、BP神经网络、卷积神经网络和快速卷积神经网络中的任意一种。
3.如权利要求2所述的一种基于车辆前挡风玻璃粘贴标志的车辆重识别方法，其特征在于，所述检测器为快速目标检测卷积神经网络。
4.如权利要求1-3所述任意方法，其特征在于，所述颜色序列为按照检测顺序依次识别的标志颜色，标志颜色为白色、蓝色、绿色、黄色、黑色、红色中的任意一种，分别与数字0-5一一对应。
5.一种基于车辆前挡风玻璃粘贴标志的车辆重识别系统，其特征在于，包括以下模块：
第一模块，用于拍摄车辆前挡风玻璃图片；
第二模块，用于对车辆前挡风玻璃图片进行检测定位，得到前挡风玻璃粘贴标志的候选区域；
第三模块，用于对前挡风玻璃粘贴标志的候选区域进行检测定位，得到每个标志的候选区域，统计标志的数量及颜色序列；
第四模块，用于将每个标志的候选区域的中心分别与车辆前挡风玻璃图片的中心进行连线，计算相邻连线的夹角余弦值，得到一系列余弦值的均值与方差，表示标志与车辆前挡风玻璃图片中心点的相对位置；
第五模块，用于判断两张车辆前挡风玻璃图片的车辆是否为同一车辆，若两张车辆前挡风玻璃图片的标志的数量，颜色序列均一致，且标志与车辆前挡风玻璃图片中心点的相对位置的差异值在预设值以内，判定为同一辆车，否则，不是同一车辆；
所述第二模块和第三模块利用训练好的检测器进行检测定位,所述检测器的训练方法为：
输入车辆前挡风玻璃图片，并在车辆前挡风玻璃图片中标注粘贴标志的坐标标签，得到若干个候选区域，输出候选区域重叠率最大的候选区域作为检测定位结果，根据坐标标签计算损失函数，调整网络中间参数，然后再次输入新的训练图像，反复训练至检测器的准确率大于预设值；
所述重叠率为
Figure FDA0002168105960000031
其中
Figure FDA0002168105960000032
表示检测所得的候选区域与真实粘贴标志区域的重叠率，J表示真实粘贴标志区域面积，Jgt表示检测所得的候选区域面积；
检测器的准确率为
Figure FDA0002168105960000033
其中T表示检测器精确度，K表示检测器召回率， 检测器精确度
Figure FDA0002168105960000034
检测器召回率
Figure FDA0002168105960000035
6.如权利要求5所述的一种基于车辆前挡风玻璃粘贴标志的车辆重识别系统，其特征在于，所述检测器为快速目标检测卷积神经网络、BP神经网络、卷积神经网络和快速卷积神经网络中的任意一种。
CN201710201532.5A 2017-03-30 2017-03-30 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 Expired - Fee Related CN107016362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710201532.5A CN107016362B (zh) 2017-03-30 2017-03-30 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710201532.5A CN107016362B (zh) 2017-03-30 2017-03-30 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统

Publications (2)

Publication Number Publication Date
CN107016362A CN107016362A (zh) 2017-08-04
CN107016362B true CN107016362B (zh) 2020-01-03

Family

ID=59445497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710201532.5A Expired - Fee Related CN107016362B (zh) 2017-03-30 2017-03-30 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统

Country Status (1)

Country Link
CN (1) CN107016362B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967445A (zh) * 2017-10-13 2018-04-27 上海眼控科技股份有限公司 一种轿车加装天窗的智能检测系统及方法
CN107967446A (zh) * 2017-10-13 2018-04-27 上海眼控科技股份有限公司 一种加装发动机防护装置的智能检测系统及方法
CN108510472B (zh) * 2018-03-08 2019-10-22 北京百度网讯科技有限公司 用于处理图像的方法和装置
CN108388888B (zh) * 2018-03-23 2022-04-05 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
CN109215358A (zh) * 2018-08-16 2019-01-15 武汉元鼎创天信息科技有限公司 基于全息投影技术的城市信号交叉口安全导向方法和系统
CN111612014A (zh) * 2020-04-26 2020-09-01 东风汽车集团有限公司 一种涂胶过程中风挡玻璃识别防错方法
CN111723775A (zh) * 2020-07-03 2020-09-29 上海眼控科技股份有限公司 图像处理方法、装置、计算机设备和计算机可读存储介质
CN112700654A (zh) * 2020-12-21 2021-04-23 上海眼控科技股份有限公司 视频处理方法、装置、电子设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927512A (zh) * 2014-03-11 2014-07-16 浙江工商大学 车辆识别方法
CN104217217A (zh) * 2014-09-02 2014-12-17 武汉睿智视讯科技有限公司 一种基于两层分类的车辆标志物检测方法与系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015225450A (ja) * 2014-05-27 2015-12-14 村田機械株式会社 自律走行車、及び自律走行車における物体認識方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927512A (zh) * 2014-03-11 2014-07-16 浙江工商大学 车辆识别方法
CN104217217A (zh) * 2014-09-02 2014-12-17 武汉睿智视讯科技有限公司 一种基于两层分类的车辆标志物检测方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于车载装饰品特征的车辆检索方法研究;陈爱伟;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20170315;论文第12-33页 *

Also Published As

Publication number Publication date
CN107016362A (zh) 2017-08-04

Similar Documents

Publication Publication Date Title
CN107016362B (zh) 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统
CN110069986B (zh) 一种基于混合模型的交通信号灯识别方法及系统
CN105373794B (zh) 一种车牌识别方法
CN109657632B (zh) 一种车道线检测识别方法
CN103824066B (zh) 一种基于视频流的车牌识别方法
CN106650731B (zh) 一种鲁棒的车牌、车标识别方法
CN103559507B (zh) 基于颜色与形状特征相结合的交通标志检测方法
CN105335702B (zh) 一种基于统计学习的卡口车型识别方法
CN107301405A (zh) 自然场景下的交通标志检测方法
CN109215364B (zh) 交通信号识别方法、系统、设备和存储介质
CN103136528B (zh) 一种基于双边缘检测的车牌识别方法
CN102902957A (zh) 一种基于视频流的自动车牌识别方法
CN105160691A (zh) 基于颜色直方图的车身颜色识别方法
CN104715239A (zh) 一种基于去雾处理和权重分块的车辆颜色识别方法
CN110969160A (zh) 一种基于深度学习的车牌图像校正、识别方法及系统
CN103413147A (zh) 一种车牌识别方法和系统
CN106709412B (zh) 交通标志检测方法和装置
CN103390167A (zh) 一种多特征的分层交通标志识别方法
CN103207992A (zh) 车辆牌照字符和颜色联合识别方法
CN107563301A (zh) 基于图像处理技术的红灯信号检测方法
CN110688907A (zh) 基于夜间道路光源识别物体的方法及装置
CN105139011A (zh) 一种基于标识物图像的车辆识别方法及装置
CN108520528B (zh) 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法
CN105184301A (zh) 一种利用四轴飞行器判别车辆方位的方法
CN110378317A (zh) 一种车牌识别方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20200103

CF01 Termination of patent right due to non-payment of annual fee