CN107025459A - 一种车型识别方法及装置 - Google Patents

一种车型识别方法及装置 Download PDF

Info

Publication number
CN107025459A
CN107025459A CN201610066869.5A CN201610066869A CN107025459A CN 107025459 A CN107025459 A CN 107025459A CN 201610066869 A CN201610066869 A CN 201610066869A CN 107025459 A CN107025459 A CN 107025459A
Authority
CN
China
Prior art keywords
vehicle
identified
vehicle image
vector
dictionary
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.)
Pending
Application number
CN201610066869.5A
Other languages
English (en)
Inventor
邹月娴
王勃飞
向志强
黄晓林
郑成建
刘宇
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.)
ZTE Corp
Original Assignee
ZTE Corp
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 ZTE Corp filed Critical ZTE Corp
Priority to CN201610066869.5A priority Critical patent/CN107025459A/zh
Priority to PCT/CN2017/071554 priority patent/WO2017129015A1/zh
Publication of CN107025459A publication Critical patent/CN107025459A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种车型识别方法及装置。该方法包括：对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据；根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量，字典是基于样本车辆的特征数据训练得到的；对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量；根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型，车辆类型分类器是基于样本车辆的特征向量训练得到的。本发明解决了现有车型识别方法操作复杂的问题。

Description

一种车型识别方法及装置
技术领域
本发明实施例涉及模式识别技术领域，并且更具体地，涉及一种车型识别方法及装置。
背景技术
车型识别技术是智能交通系统中的一项关键技术，该技术对特定地点和时间的车辆进行分类识别，并以之作为交通管理、调度、统计和收费的重要依据，在规范城市交通秩序、打击盗窃车辆、大型停车场管理、高速公路电子不停车收费等方面具有广阔的应用前景。但现有车型识别技术中采用的检测方法，例如红外、超声以及感应线圈等物理检测方法，存在操作复杂的缺点。
发明内容
本发明实施例提供一种车型识别方法及装置，以解决现有车型识别方法操作复杂的问题。
第一方面，提供了一种车型识别方法，该方法包括：对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据；根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量，字典是基于样本车辆的特征数据训练得到的；对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量；根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型，车辆类型分类器是基于样本车辆的特征向量训练得到的。
可选地，对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据的步骤之前，该方法还包括：对交通监控视频做前景提取，并对获取的前景图像进行灰度化、二值化、膨胀腐蚀操作，得到待识别车辆图像。
可选地，对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据，具体为：对待识别车辆图像进行密集尺度不变特征变换SIFT特征采样，得到待识别车辆图像的第一特征数据。
可选地，对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据的步骤之前，该方法还包括：结合稀疏编码理论对预设数量的样本车辆的特征数据进行训练，得到稀疏编码的字典。
可选地，结合稀疏编码理论对预设数量的样本车辆的特征数据进行训练，得到稀疏编码的字典，具体为：采用下列公式对特征数据进行迭代优化，依次对参数X和D进行更新得到收敛的字典：
其中yi表示特征数据，D表示字典，xi表示对特征数据编码后的结果，λ是一个自由参数，用来对重构误差项和稀疏约束项进行加权折中，dj表示字典的第j列。
可选地，根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，具体为：根据下列公式得到第一特征数据的稀疏编码结果：
其中yi表示第一特征数据，xi表示对第一特征数据编码后的结果,I表示L阶单位矩阵，L为字典中基向量的数目。
可选地，对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据的步骤之前，该方法还包括：基于支持向量机SVM算法，对预设数量的样本车辆的特征向量进行训练，得到车辆类型分类器。
第二方面，还提供了一种车型识别装置，该装置包括：采样单元，用于对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据；编码单元，用于根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量，字典是基于样本车辆的特征数据训练得到的；池化单元，用于对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量；识别单元，用于根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型，车辆类型分类器是基于样本车辆的特征向量训练得到的。
可选地，该装置还包括：提取单元，用于对交通监控视频做前景提取，并对获取的前景图像进行灰度化、二值化、膨胀腐蚀操作，得到待识别车辆图像。
可选地，采样单元具体用于：对待识别车辆图像进行密集尺度不变特征变换SIFT特征采样，得到待识别车辆图像的第一特征数据。
可选地，该装置还包括：第一训练单元，用于结合稀疏编码理论对预设数量的样本车辆的特征数据进行训练，得到稀疏编码的字典。
可选地，第一训练单元具体用于：采用下列公式对特征数据进行迭代优化，依次对参数X和D进行更新得到收敛的字典：
其中yi表示特征数据，D表示字典，xi表示对特征数据编码后的结果，λ是一个自由参数，用来对重构误差项和稀疏约束项进行加权折中，dj表示字典的第j列。
可选地，编码单元具体用于：根据下列公式得到第一特征数据的稀疏编码结果：
其中yi表示第一特征数据，xi表示对第一特征数据编码后的结果,I表示L阶单位矩阵，L为字典中基向量的数目。
可选地，该装置还包括：第二训练单元，用于基于支持向量机SVM算法，对预设数量的样本车辆的特征向量进行训练，得到车辆类型分类器。
本发明的上述技术方案包括以下有益效果：
本发明实施例中，通过对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据；根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量，字典是基于样本车辆的特征数据训练得到的；对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量；根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型，车辆类型分类器是基于样本车辆的特征向量训练得到的。实现了对车型的自动识别，具有精度高以及实时性好的特点。
附图说明
为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的第一实施例的车型识别方法的流程图；
图2为本发明的第二实施例的车型识别方法的流程图；
图3为本发明的第三实施例的车型识别方法的流程图；
图4A为本发明的第三实施例的车型识别装置的结构图；
图4B为本发明的第三实施例的车型识别装置的另一结构图。
具体实施方式
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属于本发明保护的范围。
第一实施例
请参阅图1，图1示出了本发明的第一实施例的车型识别方法的流程图，具体步骤如下：
步骤101，对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据。
需要说明的是，车辆图像可以从交通监控视频中获得，也可以通过其他方式获得，当然可以理解的是，本实施例并不限定获得车辆图像的具体方式。
步骤102，根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量。
需要说明的是，稀疏编码的字典可以通过对预设数量的样本车辆的特征数据进行训练得到，用于对车辆图像的第一特征数据进行稀疏编码。
步骤103，对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量。
步骤104，根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型。
需要说明的是，车辆类型分类器可以通过对预设数量的样本车辆的特征向量进行训练得到，用于对车辆类型进行分类。
本实施例中，通过对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据；根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量；对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量；根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型。实现了对车型的自动识别，具有精度高以及实时性好的特点。
第二实施例
请参阅图2，图2示出了本发明的第二实施例的车型识别方法的流程图，具体步骤如下：
步骤201，对交通监控视频做前景提取，并对获取的前景图像进行灰度化、二值化、膨胀腐蚀操作，得到待识别车辆图像。
需要说明的是，步骤201中可以采用背景差模型对交通监控视频做前景提取，具体可以包括：首先，对交通监控视频进行处理，去除分辨率不统一、噪声以及光照不均等影响，得到待处理图像；然后通过若干帧背景图像建立高斯混合模型；最后，利用高斯混合模型对待处理图像中的像素点逐点进行判断，确定每个像素点属于前景还是背景。
步骤202，对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据。
需要说明的是，步骤202中可以通过待识别车辆图像进行密集尺度不变特征变换SIFT特征采样，得到待识别车辆图像的第一特征数据，当然也可以对待识别车辆图像进行其他类型的特征采样。当然可以理解的是，本实施例并不限定采集待识别车辆图像的特征数据时的具体方式。
步骤203，根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量。
需要说明的是，稀疏编码的字典可以通过对预设数量的样本车辆的特征数据进行训练得到，用于对车辆图像的第一特征数据进行稀疏编码。具体可以为：采用下列公式对特征数据进行迭代优化，依次对参数X和D进行更新得到收敛的字典：
其中yi表示特征数据，D表示字典，xi表示对特征数据编码后的结果，λ是一个自由参数，用来对重构误差项和稀疏约束项进行加权折中，dj表示字典的第j列。
对第一特征数据进行稀疏编码，具体可以为：根据下列公式得到第一特征数据的稀疏编码结果：
其中yi表示第一特征数据，xi表示对第一特征数据编码后的结果,I表示L阶单位矩阵，L为字典中基向量的数目。
步骤204，对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量。
需要说明的是，步骤204具体可以包括，首先将车辆图像进行2nx2n划分，其中n代表划分的尺度，得到4n个子区域，每一个子区域内包含若干个第一稀疏向量；然后将每一个子区域内所有的第一稀疏向量合并为一个向量，合并方式为取这些第一稀疏向量在某一维度上的分量的最大值作为该子区域合并向量该维度上的值；最后将得到的4n个合并向量按照子区域的空间顺序依次连接构成一个特征向量。
步骤205，根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型。
需要说明的是，车辆类型分类器可以通过对预设数量的样本车辆的特征向量的训练得到，用于对车辆类型进行分类。具体地，在本实施例中，可以基于支持向量机SVM算法，对预设数量的样本车辆的特征向量进行训练，得到车辆类型分类器。
本实施中，通过对交通监控视频做前景提取，并对获取的前景图像进行灰度化、二值化、膨胀腐蚀操作，得到待识别车辆图像；对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据；根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量；对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量；根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型。实现了对车型的自动识别，具有精度高以及实时性好的特点。
第三实施例
请参阅图3，图3示出了本发明的第三实施例的车型识别方法的流程图，具体步骤如下：
步骤301，结合稀疏编码理论对预设数量的样本车辆的特征数据进行训练，得到稀疏编码的字典。
需要说明的是，步骤301具体可以为：采用下列公式对特征数据进行迭代优化，依次对参数X和D进行更新得到收敛的字典：
其中yi表示特征数据，D表示字典，xi表示对特征数据编码后的结果，λ是一个自由参数，用来对重构误差项和稀疏约束项进行加权折中，dj表示字典的第j列。
步骤302，基于支持向量机SVM算法，对预设数量的样本车辆的特征向量进行训练，得到车辆类型分类器。
需要说明的是，步骤302中得到的车辆类型分类器可以用于根据车辆图像的特征向量对车辆图像中的车辆类型进行分类。
步骤303，对交通监控视频做前景提取，并对获取的前景图像进行灰度化、二值化、膨胀腐蚀操作，得到待识别车辆图像。
需要说明的是，步骤303中可以采用背景差模型对交通监控视频做前景提取，具体可以包括：首先，对交通监控视频进行处理，去除分辨率不统一、噪声以及光照不均等影响，得到待处理图像；然后通过若干帧背景图像建立高斯混合模型；最后利用高斯混合模型对待处理图像中的像素点逐点进行判断，确定每个像素点属于前景还是背景。
步骤304，对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据。
需要说明的是，步骤304中可以通过待识别车辆图像进行密集尺度不变特征变换SIFT特征采样，得到待识别车辆图像的第一特征数据，当然也可以对待识别车辆图像进行其他类型的特征采样。当然可以理解的是，本实施例并不限定采集待识别车辆图像的特征数据时的具体方式。
步骤305，根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量。
需要说明的是，步骤305具体可以为：根据下列公式得到第一特征数据的稀疏编码结果：
其中yi表示第一特征数据，xi表示对第一特征数据编码后的结果,I表示L阶单位矩阵，L为字典中基向量的数目。
步骤306，对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量。
需要说明的是，步骤306具体可以包括，首先将车辆图像进行2nx2n划分，其中n代表划分的尺度，得到4n个子区域，每一个子区域内包含若干个第一稀疏向量；然后将每一个子区域内所有的第一稀疏向量合并为一个向量，合并方式为取这些第一稀疏向量在某一维度上的分量的最大值作为该子区域合并向量该维度上的值；最后将得到的4n个合并向量按照子区域的空间顺序依次连接构成一个特征向量。
步骤307，根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型。
本实施例中，通过结合稀疏编码理论对预设数量的样本车辆的特征数据进行训练，得到稀疏编码的字典；基于支持向量机SVM算法，对预设数量的样本车辆的特征向量进行训练，得到车辆类型分类器；对交通监控视频做前景提取，并对获取的前景图像进行灰度化、二值化、膨胀腐蚀操作，得到待识别车辆图像；对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据。根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量；对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量；根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型。实现了对车型的自动识别，具有精度高以及实时性好的特点。
第四实施例
请参阅图4A，图4A示出了本发明的第四实施例的车型识别装置的结构图，图4A所示的装置400包括：采样单元401，编码单元402，池化单元403以及识别单元404，其中：
采样单元401，用于对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据。
编码单元402，用于根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量。
池化单元403，用于对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量。
识别单元404，用于根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型。
在图4A的基础上，可选地，装置400还包括：第一训练单元405，第二训练单元406以及提取单元407，如图4B所示，其中：
第一训练单元405，用于结合稀疏编码理论对预设数量的样本车辆的特征数据进行训练，得到稀疏编码的字典。
第二训练单元406，用于基于支持向量机SVM算法，对预设数量的样本车辆的特征向量进行训练，得到车辆类型分类器。
提取单元407，用于对交通监控视频做前景提取，并对获取的前景图像进行灰度化、二值化、膨胀腐蚀操作，得到待识别车辆图像。
上述装置400能够实现图1至图3的实施例中装置实现的各个过程，为避免重复，这里不再赘述。
本实施例中，通过对待识别车辆图像进行特征采样，得到待识别车辆图像的第一特征数据；根据预先得到的稀疏编码的字典，对第一特征数据进行稀疏编码，得到待识别车辆图像的第一稀疏向量；对第一稀疏向量进行多尺度空间最大池化得到待识别车辆图像的多尺度池化向量，将多尺度池化向量串接，得到待识别车辆图像的第一特征向量；根据预先得到的车辆类型分类器，对第一特征向量进行分类，识别待识别车辆图像中的车辆的类型。实现了对车型的自动识别，具有精度高以及实时性好的特点。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (14)

1.一种车型识别方法，其特征在于，包括：
对待识别车辆图像进行特征采样，得到所述待识别车辆图像的第一特征数据；
根据预先得到的稀疏编码的字典，对所述第一特征数据进行稀疏编码，得到所述待识别车辆图像的第一稀疏向量，所述字典是基于样本车辆的特征数据训练得到的；
对所述第一稀疏向量进行多尺度空间最大池化得到所述待识别车辆图像的多尺度池化向量，将所述多尺度池化向量串接，得到所述待识别车辆图像的第一特征向量；
根据预先得到的车辆类型分类器，对所述第一特征向量进行分类，识别所述待识别车辆图像中的车辆的类型，所述车辆类型分类器是基于样本车辆的特征向量训练得到的。
2.如权利要求1所述的方法，其特征在于，所述对待识别车辆图像进行特征采样，得到所述待识别车辆图像的第一特征数据的步骤之前，所述方法还包括：
对交通监控视频做前景提取，并对获取的前景图像进行灰度化、二值化、膨胀腐蚀操作，得到所述待识别车辆图像。
3.如权利要求1所述的方法，其特征在于，所述对待识别车辆图像进行特征采样，得到所述待识别车辆图像的第一特征数据，具体为：
对所述待识别车辆图像进行密集尺度不变特征变换SIFT特征采样，得到所述待识别车辆图像的第一特征数据。
4.如权利要求1所述的方法，其特征在于，所述对待识别车辆图像进行特征采样，得到所述待识别车辆图像的第一特征数据的步骤之前，所述方法还包括：
结合稀疏编码理论对预设数量的样本车辆的特征数据进行训练，得到所述稀疏编码的字典。
5.如权利要求4所述的方法，其特征在于，所述结合稀疏编码理论对预设数量的样本车辆的特征数据进行训练，得到所述稀疏编码的字典，具体为：
采用下列公式对所述特征数据进行迭代优化，依次对参数X和D进行更新得到收敛的字典：
其中yi表示所述特征数据，D表示所述字典，xi表示对所述特征数据编码后的结果，λ是一个自由参数，用来对重构误差项和稀疏约束项进行加权折中，dj表示所述字典的第j列。
6.如权利要求5所述的方法，其特征在于，所述根据预先得到的稀疏编码的字典，对所述第一特征数据进行稀疏编码，具体为：
根据下列公式得到所述第一特征数据的稀疏编码结果：
其中yi表示所述第一特征数据，xi表示对所述第一特征数据编码后的结果,I表示L阶单位矩阵，L为所述字典中基向量的数目。
7.如权利要求1所述的方法，其特征在于，所述对待识别车辆图像进行特征采样，得到所述待识别车辆图像的第一特征数据的步骤之前，所述方法还包括：
基于支持向量机SVM算法，对预设数量的样本车辆的特征向量进行训练，得到所述车辆类型分类器。
8.一种车型识别装置，其特征在于，包括：
采样单元，用于对待识别车辆图像进行特征采样，得到所述待识别车辆图像的第一特征数据；
编码单元，用于根据预先得到的稀疏编码的字典，对所述第一特征数据进行稀疏编码，得到所述待识别车辆图像的第一稀疏向量，所述字典是基于样本车辆的特征数据训练得到的；
池化单元，用于对所述第一稀疏向量进行多尺度空间最大池化得到所述待识别车辆图像的多尺度池化向量，将所述多尺度池化向量串接，得到所述待识别车辆图像的第一特征向量；
识别单元，用于根据预先得到的车辆类型分类器，对所述第一特征向量进行分类，识别所述待识别车辆图像中的车辆的类型，所述车辆类型分类器是基于样本车辆的特征向量训练得到的。
9.如权利要求8所述的装置，其特征在于，所述装置还包括：
提取单元，用于对交通监控视频做前景提取，并对获取的前景图像进行灰度化、二值化、膨胀腐蚀操作，得到所述待识别车辆图像。
10.如权利要求8所述的装置，其特征在于，所述采样单元具体用于：
对所述待识别车辆图像进行密集尺度不变特征变换SIFT特征采样，得到所述待识别车辆图像的第一特征数据。
11.如权利要求8所述的装置，其特征在于，所述装置还包括：
第一训练单元，用于结合稀疏编码理论对预设数量的样本车辆的特征数据进行训练，得到所述稀疏编码的字典。
12.如权利要求11所述的装置，其特征在于，所述第一训练单元具体用于：
采用下列公式对所述特征数据进行迭代优化，依次对参数X和D进行更新得到收敛的字典：
其中yi表示所述特征数据，D表示所述字典，xi表示对所述特征数据编码后的结果，λ是一个自由参数，用来对重构误差项和稀疏约束项进行加权折中，dj表示所述字典的第j列。
13.如权利要求12所述的装置，其特征在于，所述编码单元具体用于：
根据下列公式得到所述第一特征数据的稀疏编码结果：
其中yi表示所述第一特征数据，xi表示对所述第一特征数据编码后的结果,I表示L阶单位矩阵，L为所述字典中基向量的数目。
14.如权利要求8所述的装置，其特征在于，所述装置还包括：
第二训练单元，用于基于支持向量机SVM算法，对预设数量的样本车辆的特征向量进行训练，得到所述车辆类型分类器。
CN201610066869.5A 2016-01-29 2016-01-29 一种车型识别方法及装置 Pending CN107025459A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201610066869.5A CN107025459A (zh) 2016-01-29 2016-01-29 一种车型识别方法及装置
PCT/CN2017/071554 WO2017129015A1 (zh) 2016-01-29 2017-01-18 一种车型识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610066869.5A CN107025459A (zh) 2016-01-29 2016-01-29 一种车型识别方法及装置

Publications (1)

Publication Number Publication Date
CN107025459A true CN107025459A (zh) 2017-08-08

Family

ID=59397324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610066869.5A Pending CN107025459A (zh) 2016-01-29 2016-01-29 一种车型识别方法及装置

Country Status (2)

Country Link
CN (1) CN107025459A (zh)
WO (1) WO2017129015A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091215A (zh) * 2019-12-11 2020-05-01 浙江大搜车软件技术有限公司 车辆识别方法、装置、计算机设备和存储介质
CN111222521A (zh) * 2018-11-23 2020-06-02 汕尾比亚迪汽车有限公司 汽车及用于其的车轮受困判断方法及装置
CN111931768A (zh) * 2020-08-14 2020-11-13 中国科学院重庆绿色智能技术研究院 一种自适应样本分布的车辆识别方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079640B (zh) * 2019-12-09 2022-03-29 合肥工业大学 一种基于自动扩增样本的车型识别方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102651075A (zh) * 2011-02-28 2012-08-29 中兴智能交通系统（北京）有限公司 车辆识别模型训练方法、车辆识别方法及装置
CN103886331A (zh) * 2014-03-28 2014-06-25 浙江大学 一种基于监控视频的多特征融合的车辆体型分类方法
CN104021375A (zh) * 2014-05-29 2014-09-03 银江股份有限公司 一种基于机器学习的车型识别方法
CN104134068A (zh) * 2014-08-12 2014-11-05 江苏理工学院 基于稀疏编码的监控车辆特征表示及分类方法
CN105224951A (zh) * 2015-09-30 2016-01-06 深圳市华尊科技股份有限公司 一种车型分类方法及分类装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886760B (zh) * 2014-04-02 2016-09-21 李涛 实时的基于交通视频的车型检测系统
CN104598928A (zh) * 2015-01-30 2015-05-06 南京邮电大学 一种基于类字典稀疏识别的车辆分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102651075A (zh) * 2011-02-28 2012-08-29 中兴智能交通系统（北京）有限公司 车辆识别模型训练方法、车辆识别方法及装置
CN103886331A (zh) * 2014-03-28 2014-06-25 浙江大学 一种基于监控视频的多特征融合的车辆体型分类方法
CN104021375A (zh) * 2014-05-29 2014-09-03 银江股份有限公司 一种基于机器学习的车型识别方法
CN104134068A (zh) * 2014-08-12 2014-11-05 江苏理工学院 基于稀疏编码的监控车辆特征表示及分类方法
CN105224951A (zh) * 2015-09-30 2016-01-06 深圳市华尊科技股份有限公司 一种车型分类方法及分类装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘培娜等: ""非负局部约束线性编码图像分类算法"", 《自动化学报》 *
张鹏等: ""采用稀疏SIFT特征的车型识别方法"", 《西安交通大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222521A (zh) * 2018-11-23 2020-06-02 汕尾比亚迪汽车有限公司 汽车及用于其的车轮受困判断方法及装置
CN111222521B (zh) * 2018-11-23 2023-12-22 汕尾比亚迪汽车有限公司 汽车及用于其的车轮受困判断方法及装置
CN111091215A (zh) * 2019-12-11 2020-05-01 浙江大搜车软件技术有限公司 车辆识别方法、装置、计算机设备和存储介质
CN111091215B (zh) * 2019-12-11 2023-10-20 浙江大搜车软件技术有限公司 车辆识别方法、装置、计算机设备和存储介质
CN111931768A (zh) * 2020-08-14 2020-11-13 中国科学院重庆绿色智能技术研究院 一种自适应样本分布的车辆识别方法及系统

Also Published As

Publication number Publication date
WO2017129015A1 (zh) 2017-08-03

Similar Documents

Publication Publication Date Title
Kim et al. Multi-scale detector for accurate vehicle detection in traffic surveillance data
CN105335710A (zh) 一种基于多级分类器的精细车辆型号识别方法
Khalid et al. Automatic measurement of the traffic sign with digital segmentation and recognition<? show [AQ ID= Q1]?>
CN107025459A (zh) 一种车型识别方法及装置
CN104778457A (zh) 基于多示例学习的视频人脸识别算法
CN111914911B (zh) 一种基于改进深度相对距离学习模型的车辆再识别方法
Xiang et al. Lightweight fully convolutional network for license plate detection
Yuan et al. Few-shot scene classification with multi-attention deepemd network in remote sensing
Hu et al. MobileNet‐SSD MicroScope using adaptive error correction algorithm: real‐time detection of license plates on mobile devices
Jin et al. A deep-learning-based scheme for detecting driver cell-phone use
Du et al. Improved detection method for traffic signs in real scenes applied in intelligent and connected vehicles
CN105956610A (zh) 一种基于多层编码结构的遥感图像地形分类方法
Cong et al. CAN: Contextual aggregating network for semantic segmentation
Wu et al. Traffic scene recognition based on deep CNN and VLAD spatial pyramids
CN114842285A (zh) 路侧泊位号码识别方法以及装置
Feng et al. A multibranch object detection method for traffic scenes
CN109190451B (zh) 基于lfp特征的遥感图像车辆检测方法
CN110598650A (zh) 车牌虚警过滤方法、装置及电子设备和存储介质
CN116386018A (zh) 车牌字符分类方法以及系统
CN115311632A (zh) 一种基于多摄像头的车辆重识别方法和设备
CN110472478B (zh) 一种基于光流场统计特征的场景分析方法及系统
Ran et al. Adaptive fusion and mask refinement instance segmentation network for high resolution remote sensing images
Zhou et al. Efficient convolutional neural networks and network compression methods for object detection: a survey
Yan et al. Extensive exploration of comprehensive vehicle attributes using D‐CNN with weighted multi‐attribute strategy
Cao et al. Enhanced receptive field smoke detection model embedded with attention mechanism

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170808