CN110263864A - 车辆的匹配方法、装置、计算机设备及存储介质 - Google Patents

车辆的匹配方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110263864A
CN110263864A CN201910548940.7A CN201910548940A CN110263864A CN 110263864 A CN110263864 A CN 110263864A CN 201910548940 A CN201910548940 A CN 201910548940A CN 110263864 A CN110263864 A CN 110263864A
Authority
CN
China
Prior art keywords
vehicle
identified
image information
current time
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.)
Pending
Application number
CN201910548940.7A
Other languages
English (en)
Inventor
盛利民
孙巍巍
莫凡
邓一星
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.)
Beijing Elite Road Technology Co Ltd
Original Assignee
Beijing Elite Road Technology 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 Beijing Elite Road Technology Co Ltd filed Critical Beijing Elite Road Technology Co Ltd
Priority to CN201910548940.7A priority Critical patent/CN110263864A/zh
Publication of CN110263864A publication Critical patent/CN110263864A/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
    • G06F18/22—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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

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

Abstract

本发明公开了一种车辆的匹配方法、装置、计算机设备及存储介质，涉及智能交通技术领域，用于有效的识别车辆的身份。本发明的主要技术方案为：获取当前时刻待识别车辆的图像信息；将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征；所述车辆识别模型根据不同环境下拍摄的车辆图片训练得到的；计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度；若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。

Description

车辆的匹配方法、装置、计算机设备及存储介质
技术领域
本发明涉及智能交通技术领域，尤其涉及一种车辆的匹配方法、装置、计算机设备及存储介质。
背景技术
随着我国经济的发展，车辆市场保有量将持续增加，停车难及停车位的有效管理等问题将进一步加剧，路内停车在这种历史背景下应运而生。路内停车作为智能交通重要环节，是指在道路安全红线范围以内的两侧或者一侧，设置若干个停车位供来往车辆临时停靠，这种停车位具有设置更加灵活、车位周转率快、占用空间少、维护成本低等优点，可以在一定程度上缓解当前“停车难”等问题。
车辆停在泊位以后，前端在进行周期性抓拍的过程中，如果都能捕捉到该车辆的车牌，可以通过对比车牌号码，判断前后的抓拍是否是同一辆车。但是，在停车场景中，前后车辆相互遮挡经常发生且难以避免。这种情况下，车牌信息很可能也被其他车辆或者其他物体遮挡，此时无法通过车牌获取关于该车独一无二的信息，用以对该车进行身份标识。
发明内容
本发明提供一种车辆的匹配方法、装置、计算机设备及存储介质，用于有效的识别车辆的身份。
本发明实施例提供一种车辆的匹配方法，所述方法包括：
获取当前时刻待识别车辆的图像信息；
将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征；所述车辆识别模型根据不同环境下拍摄的车辆图片训练得到的；
计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度；
若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
本发明实施例提供一种车辆的匹配装置，所述装置包括：
获取模块，用于获取当前时刻待识别车辆的图像信息；
计算模块，用于将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征；所述车辆识别模型根据不同环境下拍摄的车辆图片训练得到的；
所述计算模块，还用于计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度；
确定模块，用于若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述车辆的匹配方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆的匹配方法。
本发明提供的一种车辆的匹配方法、装置、计算机设备及存储介质，首先获取当前时刻待识别车辆的图像信息；然后将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征；并计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度；若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。与目前通过比对车牌号确定前后抓拍的车辆是否为同一车辆相比，本发明通过比对前后抓拍车辆的图像向量特征来确定抓拍的车辆是否为同一车辆，由于本发明中的图像向量特征是根据车辆识别模型得到的，而该车辆识别模型是根据不同环境下拍摄的车辆图片训练得到的，因此通过本发明通过比对车辆的图像向量特征可准确的匹配出不同环境下车辆的身份，从而提高车辆身份匹配的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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是本发明一实施例中车辆的匹配方法的一应用环境示意图；
图2是本发明一实施例中车辆的匹配方法的一流程图；
图3是本发明一实施例中车辆的匹配方法的另一流程图；
图4是本发明一实施例中车辆的匹配装置的一原理框图；
图5是本发明一实施例中计算机设备的一示意图。
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作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。
本申请提供的车辆的匹配方法，可应用在如图1的应用环境中，其中，摄像头通过网络与服务器进行通信。摄像头抓拍当前时刻待识别车辆的图像信息并发送给服务器；服务器将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征；所述车辆识别模型根据不同环境下拍摄的车辆图片训练得到的；计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度；若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。其中，计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种车辆的匹配方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S101，获取当前时刻待识别车辆的图像信息。
本发明实施例可以通过摄像装置每隔预置时间获取当前时刻待识别车辆的图像信息，即通过摄像装置拍摄在停车位上的车辆的图片，并将拍摄的待识别车辆的图像信息发送给服务器，以使得服务器根据拍摄的图像信息确定车辆的身份。
需要说明的是，如果仅仅选择车辆检测矩形框所在区域的图像，如果车辆在镜头中的相对位置发生变化可能造成车辆细节的变化，比如车标，车尾标记等细粒度特征被相邻车位车辆遮挡，不利于前后抓拍的匹配。相反，如果使用车辆所在车位及其周围图像作为输入，除了车辆本身的细粒度特征之外，还可以提取车辆所在车位周围的环境的细粒度特征，比如树木，道路栏杆等。因此，本发明实施例在拍摄的当前时刻待识别车辆的图像信息需要包括当前时刻待识别车辆所在车位图像及其周围图像，以便于在后续根据当前时刻待识别车辆的图像信息可准确的匹配出车辆的身份。
S102，将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征。
其中，所述车辆识别模型根据不同环境下拍摄的车辆图片训练得到的。在本发明实施例中训练车辆识别模型的具体过程为：获取车辆样本数据，所述车辆样本数据包括多个车辆分别在不同时间段、不同环境下、以及包含不同车辆装饰物的情况下拍摄的包括周围环境的车辆图像信息；根据所述样本数据及其对应的样本标签进行模型训练，得到所述车辆识别模型，所述样本标签包括车辆颜色和/或车辆型号的类别。
在本发明实施例中，为了有针对性地收集尽可能丰富的车辆样本数据，本实施例在相同停车位相同停泊车辆的情况下，收集不同时间段，不同天气，不同光影条件下的车辆样本数据，比如不同时间段，同一车位周围树木阴影位置不同，不同遮挡条件的样本车位旁边经过行人、其他车辆等。需要说明的是，网络越深泛化能力越好，同时耗时也越大，权衡特征提取性能和耗时，本发明实施例选择Resnet18作为基础网络同时结合损失函数对车辆识别模型进行训练。
其中，Resnet18是一种常见的用于提取特征的基础网络，损失函数的选择：arcloss是众多基于soft-max loss的改进版本之一，常用来训练人脸识别。改进的方式是增大loss达到增加训练难度从而提取更具有区分度的特征，即细粒度特征。结合数学表达式和物理意义，是增加人为增大类间差距，使得训练过后提取的特征在不同类别之间有明显的区分margin。其中对于arc loss来说，margin是不同类别特征向量之间的角度间隔。这里取的值是一个实际意义为弧度超参数，可以调节的，margin越大，提取的特征越具有区分度，副作用是难以收敛，根据实际训练的情况选一个合适的即可。
抽象的特征有助于判定所监控车位是否有车辆，但却不能作为该车辆的唯一标识，即抽象特征不能表征车辆的独特性。车辆常见的独特性除了车牌之外，还有车标、车灯、栅格的组合；车灯、车漆的磨损新旧程度，划痕等；车窗的年检标志及其排列；内挂饰(吉祥物，纸巾盒等)；车尾标、车尾标语、标志等，本发明实施例不做具体限定。这类非常细粒度的特征可以独一无二地标识这辆车，如果直接使用soft-max作为分类损失函数，可以提取到粗粒度地特征，无法提取细粒度特征作为有效区分车辆的标识。为了融合细粒度特征，本发明采用一种基于特征空间间隔margin的损失函数更准确的监督细粒度特征的提取。间隔margin可以人为调整，间隔越大，网络越倾向于将同一类的图像(同一车位同一车辆在不同时间段，光影条件，天气变化，不同遮挡情况的图像都属于同一类)，在特征空间压缩的更为紧凑，与其他类的距离越大，越容易跟其他类别区分开来，从而监督特征提取网络提取具有较高区分度的细粒度特征。
S103，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度。
其中，上一时刻待识别车辆的图像信息是在当前时刻之前识别到的车辆图像信息，该图像向量特征是通过将上一时刻带识别车辆的图像信息输入到车辆识别模型得到的。本发明实施例通过比对当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度来确定当前时刻和上一时刻的车辆是否为同一车辆。具体的，本发明实施例可通过夹角余弦计算两个图像向量特征的相似度，还可通过欧几里得距离，马氏距离，曼哈顿距离计算两个图像向量特征的相似度，本发明实施例不做具体限定。
S104，若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
其中，预置数值是根据实际需求进行设置的，预置数值设置的越大，要求两个图像向量特征的相似度越高；预置数值设置的越小，要求两个图像向量特征的相似度越低。在本发明实施例中，由于当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征均是通过车辆识别模型得到的，而该车辆识别模型是根据包含不同环境下、不同车内装饰细节等信息的图像信息训练得到的，因此通过比对当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度，可准确的确定出当前时刻和上一时刻所拍摄的车辆是否为同一车辆。
本发明实施例提供的一种车辆的匹配方法，首先获取当前时刻待识别车辆的图像信息；然后将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征；并计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度；若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。与目前通过比对车牌号确定前后抓拍的车辆是否为同一车辆相比，本发明通过比对前后抓拍车辆的图像向量特征来确定抓拍的车辆是否为同一车辆，由于本发明中的图像向量特征是根据车辆识别模型得到的，而该车辆识别模型是根据不同环境下拍摄的车辆图片训练得到的，因此通过本发明通过比对车辆的图像向量特征可准确的匹配出不同环境下车辆的身份，从而提高车辆身份匹配的准确性。
在一实施例中，如图3所示，提供另一种车辆的匹配方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S201，获取当前时刻待识别车辆的图像信息。
需要说明的是，步骤S201与图1中步骤S101中的内容相同，本发明实施例在此不再赘述。
S202，检测是否能够从所述当前时刻待识别车辆的图像信息及所述上一时刻待识别车辆的图像信息中提取车牌号码。
在本发明实施例中，在获取到当前时刻待识别车辆的图像信息后，分别在当前时刻带识别车辆的图像信息和上一时刻待识别车辆的图像信息中提取车辆的车牌号码，若能够从当前时刻和上一时刻的图像信息中提取到车牌号码，则比对两个车牌号码是否属于同一个号码，若两个车牌号码属于同一车牌号码，则确定当前时待识别车辆与所述上一时刻待识别车辆为同一车辆；若两个车牌号码不属于车牌号码，则确定当前时待识别车辆与所述上一时刻待识别车辆不属于同一车辆。若不能够从当前时刻和上一时刻的图像信息中提取到车牌号码，则跳转到步骤S203继续执行，将所述待识别车辆的图像信息输入到车辆识别模型，得到所述当前时刻待识别车辆的图像信息的分类信息。
S203，若不能从所述当前时刻待识别车辆的图像信息或所述上一时刻待识别车辆的图像信息中提取到车牌号码，将所述待识别车辆的图像信息输入到车辆识别模型，得到所述当前时刻待识别车辆的图像信息的分类信息。
其中，所述分类信息包含车辆颜色和/或车辆型号的类别。需要说明的是，本发明实施例中的车辆识别模型与图1中模型训练过程相同，样本数据除了包含不同环境下、不同时间、不同车辆装饰细节下拍摄的车辆图片外，还包含对应的样本标签，该样本标签具体可以为车辆颜色和或车辆型号等类别，如车身颜色可以为白，黑，黄，蓝等，车辆型号可以为小轿车，suv，小货车等，本发明实施例不做具体限定。
S204，检测所述当前时刻待识别车辆的图像信息的分类信息是否与所述上一时刻待识别车辆的图像信息的分类信息相同。
对于本发明实施例，上一时刻待识别车辆的图像信息的分类信息同样是根据车辆识别模型得到的，将待识别车辆的图像信息输入到车辆识别模型，得到当前时刻待识别车辆的图像信息的分类信息，并将当前时刻待识别车辆的图像信息的分类信息与上一时刻待识别车辆的图像信息的分类信息进行比对，确定当前时刻和上一时刻车辆的分类信息是否相同，若相同，则跳转到步骤S205继续执行；若不同，则可直接确定当前时刻和上一时刻的车辆属于不同的车辆。
S205，若所述分类信息相同，则计算所述待识别车辆的图像信息对应的图像向量特征。
需要说明的是，由于汽车属于大规模工业生产的产物，同一汽车厂商每年出产的同款同型的汽车数不胜数，不同汽车厂商生产的汽车也经常出现外观雷同的情况，这就给车辆独特特征的提取带来了困难。因此本发明实施例在确定当前时刻待识别车辆的图像信息的分类信息与上一时刻待识别车辆的图像信息的分类信息相同之后，还需要进一步的确定两个时刻拍摄的车辆是是否属于同一车辆，即需要计算待识别车辆的图像信息对应的图像向量特征，然后通过比对前后两个时刻的图像特征向量，来确定拍摄的车辆是否属于同一车辆。
S206，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度。
S207，若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
其中，步骤S206和步骤S207与图1中相应步骤的描述内容相同，本发明实施例在此不再赘述。
本发明实施例提供的另一种车辆的匹配方法，在不能从当前时刻待识别车辆的图像信息或上一时刻待识别车辆的图像信息中提取到车牌号码时，将待识别车辆的图像信息输入到车辆识别模型，得到当前时刻待识别车辆的图像信息的分类信息，并检测当前时刻待识别车辆的图像信息的分类信息是否与上一时刻待识别车辆的图像信息的分类信息相同，若不同，则计算所述待识别车辆的图像信息对应的图像向量特征，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度，若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。由于本发明中的图像向量特征是根据车辆识别模型得到的，而该车辆识别模型是根据不同环境下拍摄的车辆图片训练得到的，因此通过本发明通过比对车辆的图像向量特征可准确的匹配不同环境下车辆的身份，从而提高车辆身份匹配的准确性。
在本发明提供的一个实施例中，所述获取不同拍摄角度的当前时刻待识别车辆的图像信息之后，所述方法还包括：将每个角度的当前时刻待识别车辆的图像信息分别与其角度对应的待识别车辆的图像信息进行匹配，得到每个角度图像信息的匹配度；对各角度图像信息的匹配度进行加权求和，并判断所述各角度图像信息的加权和是否大于第一预置数值；若所述各角度图像信息的加权和大于第一预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种车辆的匹配装置，该车辆的匹配装置与上述实施例中车辆的匹配方法一一对应。如图4所示，该车辆的匹配装置包括获取模块10、计算模块20、确认模块30。各功能模块详细说明如下：
获取模块10，用于获取当前时刻待识别车辆的图像信息；
计算模块20，用于将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征；所述车辆识别模型根据不同环境下拍摄的车辆图片训练得到的；
所述计算模块20，还用于计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度；
确定模块30，用于若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
进一步的，所述装置还包括：
检测模块40，用于检测是否能够从所述当前时刻待识别车辆的图像信息及所述上一时刻待识别车辆的图像信息中提取车牌号码；
所述计算模块20，用于若不能从所述当前时刻待识别车辆的图像信息或所述上一时刻待识别车辆的图像信息中提取到车牌号码，则将所述待识别车辆的图像信息输入到车辆识别模型。
所述计算模块20，还用于将所述待识别车辆的图像信息输入到车辆识别模型，得到所述当前时刻待识别车辆的图像信息的分类信息，所述分类信息包含车辆颜色和/或车辆型号的类别；
所述检测模块40，还用于检测所述当前时刻待识别车辆的图像信息的分类信息是否与所述上一时刻待识别车辆的图像信息的分类信息相同；
所述计算模块20，还用于若所述分类信息相同，则计算所述待识别车辆的图像信息对应的图像向量特征。
进一步的，所述装置还包括：
所述获取模块10，还用于获取车辆样本数据，所述车辆样本数据包括多个车辆分别在不同时间段、不同环境下、以及包含不同车辆装饰物的情况下拍摄的包括周围环境的车辆图像信息；
训练模块50，用于根据所述样本数据及其对应的样本标签进行模型训练，得到所述车辆识别模型，所述样本标签包括车辆颜色和/或车辆型号的类别。
具体的，所述当前时刻待识别车辆的图像信息包括当前时刻待识别车辆所在车位图像及其周围图像。
进一步的，所述装置还包括：
匹配模块60，用于将每个角度的当前时刻待识别车辆的图像信息分别与其角度对应的待识别车辆的图像信息进行匹配，得到每个角度图像信息的匹配度；
加权模块70，用于对各角度图像信息的匹配度进行加权求和，并判断所述各角度图像信息的加权和是否大于第一预置数值；
所述确定模块30，还用于若所述各角度图像信息的加权和大于第一预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
关于车辆的匹配装置的具体限定可以参见上文中对于车辆的匹配方法的限定，在此不再赘述。上述车辆的匹配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆的匹配方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取当前时刻待识别车辆的图像信息；
将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征；所述车辆识别模型根据不同环境下拍摄的车辆图片训练得到的；
计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度；
若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取当前时刻待识别车辆的图像信息；
将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征；所述车辆识别模型根据不同环境下拍摄的车辆图片训练得到的；
计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度；
若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (14)

1.一种车辆的匹配方法，其特征在于，所述方法包括：
获取当前时刻待识别车辆的图像信息；
将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征；所述车辆识别模型根据不同环境下拍摄的车辆图片训练得到的；
计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度；
若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
2.根据权利要求1所述的车辆的匹配方法，其特征在于，所述将所述待识别车辆的图像信息输入到车辆识别模型之前，所述方法还包括：
检测是否能够从所述当前时刻待识别车辆的图像信息及所述上一时刻待识别车辆的图像信息中提取车牌号码；
所述将所述待识别车辆的图像信息输入到车辆识别模型，包括：
若不能从所述当前时刻待识别车辆的图像信息或所述上一时刻待识别车辆的图像信息中提取到车牌号码，则将所述待识别车辆的图像信息输入到车辆识别模型。
3.根据权利要求1或2所述的车辆的匹配方法，其特征在于，在将所述待识别车辆的图像信息输入到车辆识别模型之后，计算所述待识别车辆的图像信息对应的图像向量特征之前，所述方法还包括：
将所述待识别车辆的图像信息输入到车辆识别模型，得到所述当前时刻待识别车辆的图像信息的分类信息，所述分类信息包含车辆颜色和/或车辆型号的类别；
检测所述当前时刻待识别车辆的图像信息的分类信息是否与所述上一时刻待识别车辆的图像信息的分类信息相同；
所述计算所述待识别车辆的图像信息对应的图像向量特征，包括：
若所述分类信息相同，则计算所述待识别车辆的图像信息对应的图像向量特征。
4.根据权利要求1所述的车辆的匹配方法，其特征在于，所述方法还包括：
获取车辆样本数据，所述车辆样本数据包括多个车辆分别在不同时间段、不同环境下、以及包含不同车辆装饰物的情况下拍摄的包括周围环境的车辆图像信息；
根据所述样本数据及其对应的样本标签进行模型训练，得到所述车辆识别模型，所述样本标签包括车辆颜色和/或车辆型号的类别。
5.根据权利要求1所述的车辆的匹配方法，其特征在于，所述当前时刻待识别车辆的图像信息包括当前时刻待识别车辆所在车位图像及其周围图像。
6.根据权利要求6所述的车辆的匹配方法，其特征在于，所述获取不同拍摄角度的当前时刻待识别车辆的图像信息之后，所述方法还包括：
将每个角度的当前时刻待识别车辆的图像信息分别与其角度对应的待识别车辆的图像信息进行匹配，得到每个角度图像信息的匹配度；
对各角度图像信息的匹配度进行加权求和，并判断所述各角度图像信息的加权和是否大于第一预置数值；
若所述各角度图像信息的加权和大于第一预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
7.一种车辆的匹配装置，其特征在于，所述装置包括：
获取模块，用于获取当前时刻待识别车辆的图像信息；
计算模块，用于将所述待识别车辆的图像信息输入到车辆识别模型，计算所述当前时刻待识别车辆的图像信息对应的图像向量特征；所述车辆识别模型根据不同环境下拍摄的车辆图片训练得到的；
所述计算模块，还用于计算所述当前时刻待识别车辆的图像信息对应的图像向量特征与上一时刻待识别车辆的图像信息对应的图像向量特征的相似度；
确定模块，用于若所述相似度大于预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
8.根据权利要求7所述的车辆的匹配装置，其特征在于，所述装置还包括：
检测模块，用于检测是否能够从所述当前时刻待识别车辆的图像信息及所述上一时刻待识别车辆的图像信息中提取车牌号码；
所述计算模块，用于若不能从所述当前时刻待识别车辆的图像信息或所述上一时刻待识别车辆的图像信息中提取到车牌号码，则将所述待识别车辆的图像信息输入到车辆识别模型。
9.根据权利要求7或8所述的车辆的匹配装置，其特征在于，所述装置还包括：
所述计算模块，还用于将所述待识别车辆的图像信息输入到车辆识别模型，得到所述当前时刻待识别车辆的图像信息的分类信息，所述分类信息包含车辆颜色和/或车辆型号的类别；
所述检测模块，还用于检测所述当前时刻待识别车辆的图像信息的分类信息是否与所述上一时刻待识别车辆的图像信息的分类信息相同；
所述计算模块，还用于若所述分类信息相同，则计算所述待识别车辆的图像信息对应的图像向量特征。
10.根据权利要求7所述的车辆的匹配装置，其特征在于，所述装置还包括：
所述获取模块，还用于获取车辆样本数据，所述车辆样本数据包括多个车辆分别在不同时间段、不同环境下、以及包含不同车辆装饰物的情况下拍摄的包括周围环境的车辆图像信息；
训练模块，用于根据所述样本数据及其对应的样本标签进行模型训练，得到所述车辆识别模型，所述样本标签包括车辆颜色和/或车辆型号的类别。
11.根据权利要求7所述的车辆的匹配装置，其特征在于，所述当前时刻待识别车辆的图像信息包括当前时刻待识别车辆所在车位图像及其周围图像。
12.根据权利要求11所述的车辆的匹配装置，其特征在于，所述装置还包括：
匹配模块，用于将每个角度的当前时刻待识别车辆的图像信息分别与其角度对应的待识别车辆的图像信息进行匹配，得到每个角度图像信息的匹配度；
加权模块，用于对各角度图像信息的匹配度进行加权求和，并判断所述各角度图像信息的加权和是否大于第一预置数值；
所述确定模块，还用于若所述各角度图像信息的加权和大于第一预置数值，则确定所述当前时待识别车辆与所述上一时刻待识别车辆为同一车辆。
13.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述车辆的匹配方法。
14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述车辆的匹配方法。
CN201910548940.7A 2019-06-24 2019-06-24 车辆的匹配方法、装置、计算机设备及存储介质 Pending CN110263864A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910548940.7A CN110263864A (zh) 2019-06-24 2019-06-24 车辆的匹配方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910548940.7A CN110263864A (zh) 2019-06-24 2019-06-24 车辆的匹配方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN110263864A true CN110263864A (zh) 2019-09-20

Family

ID=67920742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910548940.7A Pending CN110263864A (zh) 2019-06-24 2019-06-24 车辆的匹配方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110263864A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368651A (zh) * 2020-02-18 2020-07-03 杭州海康威视系统技术有限公司 一种车辆识别方法、装置及电子设备
CN111582269A (zh) * 2020-04-20 2020-08-25 佛山科学技术学院 一种保护隐私的车牌识别方法及装置
CN111652200A (zh) * 2020-08-05 2020-09-11 爱保科技有限公司 车险案件中从图片区分多车的处理方法、装置及设备
CN111767940A (zh) * 2020-05-14 2020-10-13 北京迈格威科技有限公司 目标物体识别方法、装置、设备和存储介质
CN112885108A (zh) * 2020-12-23 2021-06-01 爱泊车美好科技有限公司 一种基于深度学习算法的停车位上车辆换车检测方法及系统
CN116935659A (zh) * 2023-09-12 2023-10-24 四川遂广遂西高速公路有限责任公司 一种高速服务区卡口车辆稽核系统及其方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080137910A1 (en) * 2006-11-27 2008-06-12 Hanae Suzuki Locating method for locating a predetermined spot on a road and a locating apparatus using the method
CN105321350A (zh) * 2014-08-05 2016-02-10 北京大学 套牌车检测方法及装置
US20160155020A1 (en) * 2014-12-02 2016-06-02 Xerox Corporation Adapted vocabularies for matching image signatures with fisher vectors
CN106469299A (zh) * 2016-08-31 2017-03-01 北京邮电大学 一种车辆搜索方法及装置
CN106778517A (zh) * 2016-11-25 2017-05-31 河南高速公路驻信段改扩建工程有限公司 一种监控视频序列图像车辆再识别的方法
CN107545239A (zh) * 2017-07-06 2018-01-05 南京理工大学 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN108388888A (zh) * 2018-03-23 2018-08-10 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
CN109241979A (zh) * 2018-08-24 2019-01-18 武汉光庭信息技术股份有限公司 一种基于高速视觉特征点匹配的车辆相对位置推测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080137910A1 (en) * 2006-11-27 2008-06-12 Hanae Suzuki Locating method for locating a predetermined spot on a road and a locating apparatus using the method
CN105321350A (zh) * 2014-08-05 2016-02-10 北京大学 套牌车检测方法及装置
US20160155020A1 (en) * 2014-12-02 2016-06-02 Xerox Corporation Adapted vocabularies for matching image signatures with fisher vectors
CN106469299A (zh) * 2016-08-31 2017-03-01 北京邮电大学 一种车辆搜索方法及装置
CN106778517A (zh) * 2016-11-25 2017-05-31 河南高速公路驻信段改扩建工程有限公司 一种监控视频序列图像车辆再识别的方法
CN107545239A (zh) * 2017-07-06 2018-01-05 南京理工大学 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN108388888A (zh) * 2018-03-23 2018-08-10 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
CN109241979A (zh) * 2018-08-24 2019-01-18 武汉光庭信息技术股份有限公司 一种基于高速视觉特征点匹配的车辆相对位置推测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUO, GUANGLEI 等: "Polar Metric-Weighted Norm-Based Scan Matching for Robot Pose Estimation", 《DISCRETE DYNAMICS IN NATURE AND SOCIETY》 *
李洁樱: "基于孪生卷积神经网络的车辆一致性判别方法", 《中国交通信息化》 *
苏欣欣 等: "基于局部特征的车辆二次识别方法", 《桂林电子科技大学学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368651A (zh) * 2020-02-18 2020-07-03 杭州海康威视系统技术有限公司 一种车辆识别方法、装置及电子设备
CN111368651B (zh) * 2020-02-18 2024-03-08 杭州海康威视系统技术有限公司 一种车辆识别方法、装置及电子设备
CN111582269A (zh) * 2020-04-20 2020-08-25 佛山科学技术学院 一种保护隐私的车牌识别方法及装置
CN111582269B (zh) * 2020-04-20 2023-04-25 佛山科学技术学院 一种保护隐私的车牌识别方法及装置
CN111767940A (zh) * 2020-05-14 2020-10-13 北京迈格威科技有限公司 目标物体识别方法、装置、设备和存储介质
CN111652200A (zh) * 2020-08-05 2020-09-11 爱保科技有限公司 车险案件中从图片区分多车的处理方法、装置及设备
CN112885108A (zh) * 2020-12-23 2021-06-01 爱泊车美好科技有限公司 一种基于深度学习算法的停车位上车辆换车检测方法及系统
CN116935659A (zh) * 2023-09-12 2023-10-24 四川遂广遂西高速公路有限责任公司 一种高速服务区卡口车辆稽核系统及其方法
CN116935659B (zh) * 2023-09-12 2023-12-08 四川遂广遂西高速公路有限责任公司 一种高速服务区卡口车辆稽核系统及其方法

Similar Documents

Publication Publication Date Title
CN110263864A (zh) 车辆的匹配方法、装置、计算机设备及存储介质
Hsu et al. Robust license plate detection in the wild
Cai et al. Saliency-based pedestrian detection in far infrared images
CN109711370B (zh) 一种基于wifi探测和人脸聚类的数据融合方法
Gudigar et al. A review on automatic detection and recognition of traffic sign
KR102138082B1 (ko) 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체
CN112215180B (zh) 一种活体检测方法及装置
US20170213080A1 (en) Methods and systems for automatically and accurately detecting human bodies in videos and/or images
Wali et al. An automatic traffic sign detection and recognition system based on colour segmentation, shape matching, and svm
CN109670441A (zh) 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
CN104378582A (zh) 一种基于ptz摄像机巡航的智能视频分析系统及方法
CN109325412A (zh) 行人识别方法、装置、计算机设备及存储介质
CN108875731A (zh) 目标识别方法、装置、系统及存储介质
CN103208008A (zh) 基于机器视觉的交通视频监控目标检测快速适应方法
CN111027535B (zh) 一种车牌识别方法及相关设备
CN111626163B (zh) 一种人脸活体检测方法、装置及计算机设备
CN111860291A (zh) 基于行人外观和步态信息的多模态行人身份识别方法和系统
CN110826484A (zh) 车辆重识别的方法、装置、计算机设备及模型训练方法
Seong et al. Vision-based safety vest detection in a construction scene
Liu et al. Locating splicing forgery by adaptive-SVD noise estimation and vicinity noise descriptor
Jelača et al. Vehicle matching in smart camera networks using image projection profiles at multiple instances
CN114428875A (zh) 一种行人重识别建库的方法、装置、计算机设备和存储介质
Chen et al. Vehicle type classification based on convolutional neural network
CN115620090A (zh) 模型训练方法、低照度目标重识别方法和装置、终端设备
Haggui et al. Centroid human tracking via oriented detection in overhead fisheye sequences

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