CN110826415A - 一种场景图像中车辆的重识别方法及设备 - Google Patents
一种场景图像中车辆的重识别方法及设备 Download PDFInfo
- Publication number
- CN110826415A CN110826415A CN201910963313.XA CN201910963313A CN110826415A CN 110826415 A CN110826415 A CN 110826415A CN 201910963313 A CN201910963313 A CN 201910963313A CN 110826415 A CN110826415 A CN 110826415A
- Authority
- CN
- China
- Prior art keywords
- vehicles
- vehicle
- image
- target vehicle
- license plate
- 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
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
- G06V20/52—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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请的目的是提供一种场景图像中车辆的重识别方法及设备，本申请通过获取同一路段内的多帧场景图像，以及目标车辆的车牌号码；根据所述车牌号码确定所述目标车辆在当前帧图像中的车辆信息；根据所述目标车辆在当前帧图像中的车辆信息，对下一帧图像中所有车辆进行过滤；在过滤后的车辆中匹配所述目标车辆。从而在图像资源有限的情况下可以精确识别车辆。
Description
技术领域
本申请涉及智慧交通领域，尤其涉及一种场景图像中车辆的重识别方法及设备。
背景技术
随着社会经济的不断发展和人民生活水平的持续提高，城市机动车的数量迅猛增长，对于违章车辆的识别要求越来越高。目前基于视频的三维交通场景中车辆重识别系统主要基于车辆追踪等方式，但在例如违章二次审核等资源有限的情况下，很难拿到视频，能够得到的只有三帧甚至更少的图像，需要基于几帧图像找到当前车辆的真实位置。
发明内容
本申请的一个目的是提供一种场景图像中车辆的重识别方法及设备，解决现有技术中图像帧数较少时无法准确识别车辆的问题。
根据本申请的一个方面，提供了一种场景图像中车辆的重识别方法，该方法包括：
获取同一路段内的多帧场景图像，以及目标车辆的车牌号码；
根据所述车牌号码确定所述目标车辆在当前帧图像中的车辆信息；
根据所述目标车辆在当前帧图像中的车辆信息，对下一帧图像中的所有车辆进行过滤；
根据过滤后的车辆图像，匹配所述目标车辆。
进一步地，根据所述车牌号码确定所述目标车辆在当前帧图像中的车辆信息，包括：
获取当前帧图像中的所有车辆的车牌位置信息，根据所述所有车辆的车牌位置信息确定所述所有车辆的车牌号码信息；
根据所述目标车辆的车牌号码及所述所有车辆的车牌号码信息识别所述当前帧图像中所述目标车辆，以确定所述目标车辆在所述当前帧图像中的车辆信息。
进一步地，对下一帧图像中的所有车辆进行过滤包括：
根据车辆的位置对所述下一帧图像中的所有车辆进行过滤；
根据车辆的姿态对所述下一帧图像中的所有车辆进行过滤；
根据车辆的车牌号码对所述下一帧图像中的所有车辆进行过滤。
进一步地，根据车辆的位置对所述下一帧图像中的所有车辆进行过滤，包括：
获取所述当前帧图像中所述目标车辆的车头信息和/或车尾信息；
基于所述目标车辆的车头信息和/或车尾信息过滤掉所述下一帧图像中位置在所述目标车辆设定方向的车辆，得到剩余车辆；
获取所述剩余车辆的车头信息和/或车尾信息，在所述剩余车辆中过滤掉与所述上一帧图像中所述目标车辆的车头车尾不匹配的车辆。
进一步地，基于所述目标车辆的车头信息和/或车尾信息过滤掉所述下一帧图像中位置在所述目标车辆设定方向的车辆，包括：
若获取到所述目标车辆的车头信息，则过滤掉所述下一帧图像中位置在所述目标车辆的上方的车辆；
若获取到所述目标车辆的车尾信息，则过滤掉所述下一帧图像中位置在所述目标车辆的下方的车辆。
进一步地，根据车辆的姿态对所述下一帧图像中的所有车辆进行过滤，包括：
获取所述上一帧图像中所述目标车辆的姿态；
若所述目标车辆的姿态为左转，则过滤掉所述下一帧图像中位置在所述目标车辆的右侧的车辆；
若所述目标车辆的姿态为右转，则过滤掉所述下一帧图像中位置在所述目标车辆的左侧的车辆。
进一步地，根据车辆的车牌号码对所述下一帧图像中的所有车辆进行过滤，包括：
识别出下一帧图像中所有车辆的车牌号码以及确定每一车牌号码的车牌清晰度及识别置信度；
确定所述车牌号码的车牌清晰度超过清晰度阈值和/或识别置信度超过置信度阈值的待匹配车辆，将所述待匹配车辆的车牌号码与所述目标车辆的车牌号码进行匹配，若匹配结果为不匹配，则将该车辆过滤掉。
进一步地，根据过滤后的车辆图像，匹配所述目标车辆，包括：
将所述当前帧图像中的目标车辆及所述下一帧图像中的过滤后的每一个车辆作为一组输入预设特征提取网络模型中，提取出多组目标维数特征向量；
将每一组目标维数特征向量进行余弦相似度计算；
保留所述余弦相似度超过阈值时对应的车辆。
根据本申请另一个方面，还提供了一种场景图像中车辆的重识别的设备，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述所述方法的操作。
根据本申请再一个方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如前述所述的方法。
与现有技术相比，本申请通过获取同一路段内的多帧场景图像，以及目标车辆的车牌号码；根据所述车牌号码确定所述目标车辆在当前帧图像中的车辆信息；根据所述目标车辆在当前帧图像中的车辆信息，对下一帧图像中的所有车辆进行过滤；根据过滤后的车辆图像，匹配所述目标车辆。从而在图像资源有限的情况下可以精确识别车辆。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请的一个方面提供的一种场景图像中车辆的重识别方法的流程示意图；
图2示出本申请一实施例中实际的三维交通场景中的车辆的场景图像。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如中央处理器(Central Processing Unit，CPU))、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-Change RAM，PRAM)、静态随机存取存储器(Static Random Access Memory，SRAM)、动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disk，DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
图1示出根据本申请的一个方面提供的一种场景图像中车辆的重识别方法的流程示意图，该方法包括：步骤S11～步骤S14，
在步骤S11中，获取同一路段内的多帧场景图像，以及目标车辆的车牌号码；在此，场景图像可为三维交通场景图像，获取的多帧场景图像可为3帧或者更少帧，也可能多于三帧，此处不作具体限定；可以获取前端采集设备采集到的多帧场景图像，以及目标车辆的车牌号码，其中，前端采集设备可为拍摄路段场景的摄像头，目标车辆为待判定的当前车辆，比如图像中的A车辆，即，在该例子中旨在A车辆进行重识别。
在步骤S12中，根据所述车牌号码确定所述目标车辆在当前帧图像中的车辆信息；在此，根据获取到的车牌号码对当前帧图像中的所有车辆进行比对识别，定位出目标车辆。其中，初始时，当前帧图像可以为第一帧图像，即按照时间顺序获得到的第一个图像，也可以多帧场景图像中的任意一个图像。在其他例子中，可以随机截取多帧场景图像中的若干帧图像，将该若干帧图像中的第一个图像作为当前帧图像。比如说，可以随机截取多帧场景图像中的六帧图像，将这六帧图像按照时间顺序排序后，可以选定第一个图像作为当前帧图像。
在步骤S13中，根据所述目标车辆在当前帧图像中的车辆信息，对下一帧图像中的所有车辆进行过滤；在此，以多帧场景图像的数量为3帧，以当前帧为第一帧为例进行说明，在第一帧图像中找到目标车辆后，根据目标车辆在第一帧图像中的车辆信息对第二帧图像中所有车辆进行过滤处理，过滤掉不可能为目标车辆的车辆，比如目标车辆为白色车辆，则不可能为目标车辆的车辆包括黑色车辆，将黑色车辆都过滤掉。从而得到图像中剩余的待判定的车辆，这些待判定的车辆中存在目标车辆。也就是说，假设第二帧图像中包括1辆黑色车辆和4辆白色车辆，则可以将该1辆黑色车辆过滤掉，将剩余的4辆白色车辆作为待判定的车辆。此后，可以在这剩余的4辆白色车辆中再继续查找目标车辆。
接着，在步骤S14中，根据过滤后的车辆图像，匹配所述目标车辆。在此，对步骤S13中得到的剩余车辆的图像中，匹配目标车辆，即在第二帧图像中从剩余的车辆中查找出目标车辆。
在本申请一实施例中，根据所述车牌号码确定所述目标车辆在第一帧图像中的车辆信息，对第一帧图像后的每一帧场景图像处理时依次重复以下步骤，直至处理完最后一帧图像结束：步骤S13和步骤S14，在此，后续的每一帧图像重复步骤S13和步骤S14的过程，即对第二帧图像按照步骤S13和步骤S14处理后，继续按照步骤S13和步骤S14对第三帧图像进行处理，最终匹配到目标车辆。基于获得的几帧场景图像中车辆的重识别，确定所述目标车辆在第一帧图像中的车辆信息，对所述第一帧图像后的每一帧场景图像依次重复步骤S13和步骤S14，直至完成最后一帧图像中车辆重识别结束该重复过程。其中，这里所说的最后一帧图像可以由人工进行调整设置，可以设置为选取的场景图像中的最后一帧图像，选取的场景图像为获得的场景图像中的部分或全部帧的场景图像，用于进行车辆重识别。比如从6帧图像中选定前3帧图像作为选取的场景图像，以此进行车辆的重识别过程，则第3帧图像为最后一帧图像。从而可以在几帧图像的有限资源的情况下，能够重识别三维交通场景中的车辆，识别的精度较高。
在本申请一实施例中，在步骤S12中，获取当前帧图像中的所有车辆的车牌位置信息，根据所述所有车辆的车牌位置信息确定所述所有车辆的车牌号码信息；根据所述目标车辆的车牌号码及所述所有车辆的车牌号码信息识别所述当前帧图像中所述目标车辆，以确定所述目标车辆在所述第一帧图像中的车辆信息。在此，以处理第一帧图像开始为例说明，可以通过深度学习中常规的检测算法获取每帧图像下的所有车辆的位置信息，先定位到所有车辆的位置信息，然后通过深度学习中常规的检测算法根据定位到的车辆的位置信息获取第一帧图像下的所有车辆的车牌位置信息，通过深度学习中常规的车牌识别算法识别出第一帧图像中所有车辆的车牌号码，从而通过前端采集到的目标车辆的车牌号码以及识别出的所有车辆的车牌号码，在第一帧图像中找到目标车辆。其中，常规的检测算法可以使用目标检测算法(SSD，single shot multibox detector)、YOLO(You Only Look Once)等，常规的车牌识别算法可以使用卷积循环神经网络(CRNN)。
在本申请一实施例中，对下一帧图像中的所有车辆进行过滤包括：根据车辆的位置对所述下一帧图像中的所有车辆进行过滤；根据车辆的姿态对所述下一帧图像中的所有车辆进行过滤；根据车辆的车牌号码对所述下一帧图像中的所有车辆进行过滤。在此，在第一帧图像中找到目标车辆后，对下一帧图像中的车辆进行过滤处理，按照预设的过滤条件进行该过滤处理，包括：根据车辆的位置对下一帧的待匹配的所有车辆进行过滤，过滤掉某些下一帧的不可能为目标车辆的待匹配车辆；根据车辆的姿态对下一帧的待匹配的所有车辆进行过滤，过滤掉某些下一帧不可能为目标车辆的待匹配车辆；根据车辆的车牌号码对下一帧的待匹配的所有车辆进行过滤，过滤掉某些下一帧不可能为目标车辆的待匹配车辆。其中，通过位置、姿态以及车牌号码进行的过滤处理时的顺序不限定，比如可先按照位置过滤再按照车牌号码过滤最后再按照姿态过滤，也可以先按照位置过滤再按照姿态过滤最后按照车牌号码过滤等等。待匹配的所有车辆为图像包括的车辆，用于匹配目标车辆，比如图像中包括5辆车，则该5辆车为待匹配的车辆，在该5辆车中存在目标车辆，以便进行后续进行识别。通过对每一帧图像中的车辆进行过滤，使得识别结果更准确。
继续接上述实施例，根据车辆的位置对所述下一帧图像中的所有车辆进行过滤时，可具体通过以下过程实现：获取所述当前帧图像中所述目标车辆的车头信息和/或车尾信息；基于所述目标车辆的车头信息和/或车尾信息过滤掉所述下一帧图像中位置在所述目标车辆设定方向的车辆，得到剩余车辆；获取所述剩余车辆的车头信息和/或车尾信息，在所述剩余车辆中过滤掉与所述当前帧图像中所述目标车辆的车头车尾不匹配的车辆；之后，还可以过滤掉所述剩余车辆中车辆尺寸小于尺寸阈值的车辆。在此，可以通过深度学习中简单的分类算法(如基于resnet网络的图像分类算法)获取当前帧中目标车辆的车头信息和/或车尾信息，根据获得的目标车辆的车头信息和/或车尾信息过滤掉下一帧图像中位置在目标车辆的设定方位的待匹配车辆，其中，设定方位可为相对于车头的方向或相对于车尾的方向，比如为相对车头的左上方位置、上方位置或右上方位置。通过深度学习中简单的分类算法获取过滤后得到的剩余的待匹配车辆的车头信息和/或车尾信息，从而利用剩余的待匹配车辆的车头信息和/或车尾信息与目标车辆的车头信息和/或车尾信息进行匹配，过滤掉和当前帧图像中目标车辆的车头信息和/或车尾不匹配的下一帧图像中待匹配车辆；过滤掉尺寸过小的下一帧图像中待匹配车辆。
进一步地，基于所述目标车辆的车头信息和/或车尾信息过滤掉所述下一帧图像中位置在所述目标车辆设定方向的车辆，可具体通过以下实现：若获取到所述目标车辆的车头信息，则过滤掉所述下一帧图像中位置在所述目标车辆的上方的车辆；若获取到所述目标车辆的车尾信息，则过滤掉所述下一帧图像中位置在所述目标车辆的下方的车辆。在此，若目标车辆是车头，则过滤掉下一帧图像中位置在目标车辆上方的待匹配车辆，若当前车辆是车尾，则过滤掉下一帧图像中位置在目标车辆下方的待匹配车辆。在此，下一帧图像是相对于当前帧图像来说的，即比如当前帧为第一帧图像时，要处理第二帧图像，下一帧图像为相对于第一帧图像的该第二帧图像。当前帧图像中的目标车辆的车头车尾信息为当前帧图像中目标车辆是车头对着摄像头还是车尾对着摄像头，即摄像头拍摄到的是车头还是车尾。又如，某一车辆A在第一帧时可以看到的信息是车尾信息，第二帧时，调转车头使得第二帧内可以看到的是车头信息，则在过滤第三帧时，此时的“当前帧图像中目标车辆的车头车尾信息”则是车头，利用该车头的信息过滤下一帧图像中的车辆是指利用该车头的信息过滤第三帧图像中的车辆。
在本申请一实施例中，根据车辆的姿态对所述下一帧图像中的所有车辆进行过滤时，可以获取所述当前帧图像中所述目标车辆的姿态；若所述目标车辆的姿态为左转，则过滤掉所述下一帧图像中位置在所述目标车辆的右侧的车辆；若所述目标车辆的姿态为右转，则过滤掉所述下一帧图像中位置在所述目标车辆的左侧的车辆。在此，通过深度学习中常规的分类算法(如基于resnet网络的图像分类算法)获取当前帧图像中目标车辆的姿态，若目标车辆是左转，则过滤掉下一帧图像中位置在目标车辆右边的待匹配车辆，即只匹配在图像中位置在目标车辆左边的待匹配车辆；若目标车辆右转，则过滤掉下一帧图像中位置在目标车辆左边的待匹配车辆，即只匹配在图像中位置在目标车辆右边的待匹配车辆。
在本申请一实施例中，根据车辆的车牌号码对所述下一帧图像中的所有车辆进行过滤，可以识别出下一帧图像中所有车辆的车牌号码以及确定每一车牌号码的车牌清晰度及识别置信度；确定所述车牌号码的车牌清晰度超过清晰度阈值和/或识别置信度超过置信度阈值的待匹配车辆，将所述待匹配车辆的车牌号码与所述目标车辆的车牌号码进行匹配，若匹配结果为不匹配，则将该待匹配车辆过滤掉。在此，待匹配车辆为对图像中的车辆按照设定的方式进行处理后的车辆，以进行后续的车辆其他处理或匹配过程，比如设定的方式为按照车牌号码的车牌清晰度及识别置信度对车辆进行处理时，待匹配车辆为经过该处理过程后的车辆。通过深度学习中常规的识别算法(如CRNN算法)识别出下一帧图像中待匹配车辆的车牌车号并返回每一个车牌的车牌清晰度以及识别置信度，若下一帧图像中待匹配车辆的车牌清晰度超过一定阈值、识别置信度也超过一定阈值，并且识别出的车牌号和目标车辆的车牌号不匹配，则过滤掉此待匹配车辆。
在本申请一实施例中，在过滤后的车辆中匹配所述目标车辆时，可以将所述当前帧图像中的目标车辆及所述下一帧图像中的过滤后的每一个车辆作为一组输入预设特征提取网络模型中，提取出多组目标维数特征向量；将每一组目标维数特征向量进行余弦相似度计算；保留所述余弦相似度超过阈值时对应的车辆。在此，分别将当前帧的目标车辆以及下一帧的待匹配车辆输入至预设特征提取网络模型中，提取出多维特征向量，在一个例子中，可以利用预设特征提取网络模型提取出256维特征向量，接着，将两个256维特征向量进行余弦相似度计算，留下余弦相似度超过阈值的待匹配车辆。其中，所述预设特征提取网络模型由以下过程确定：使用不同类型车辆的信息作为训练集，其中，每一类型车辆的信息包括不同帧下的同一辆车的信息；使用交叉熵损失函数对所述训练集进行数据扩充后，训练特征提取网络，其中，所述特征提取网络包括分类层，用于对不同类型的车辆进行分类；将训练好的特征提取网络的分类层截取掉，将截取后的特征提取网络作为预设特征提取网络模型。在此，可使用深度学习中常用的caffe框架训练一个特征提取模块，训练的网络为GoogLenetInception-V2网络，训练目标为对不同款车型进行分类，每个类别的数据来源于不同帧下的同一辆车，并对其进行数据扩充，训练的损失函数(loss)采用softmaxwithloss，即交叉熵损失函数；训练出loss的模型后，截取掉训练网络的分类层，即网络的最后一层是256维全连接层，该256维特征可以很好的表达车辆的语义信息。
在本申请一实际场景应用中，如图2所示，获取前端设备采集到的几帧图像以及待判定的当前车辆的车牌号码，获取每帧图像下的所有车辆的位置信息以及获取第一帧图像下的所有车辆的车牌位置信息；识别出第一帧图像中所有车辆的车牌号码，通过前端采集到的当前车辆的车牌号码以及识别出的所有车辆的车牌号码，在第一帧中找到当前车辆，即图中白色A车；通过深度学习分类算法获取第一帧中这辆白色A车的车头车尾信息和姿态信息(如左转，直行，右转)，如图2所示，该辆车为车尾对着摄像头，姿态为直行。因在第一帧中车辆为车尾信息，所以要过滤掉第二帧中第一帧车的位置下方的车辆；因在第一帧车辆姿态为直行，所以没有车辆被过滤；识别出第二帧中所有车辆的车牌号码，若待匹配车辆的车牌清晰度超过一定阈值、识别置信度也超过一定阈值并且识别出的车牌号和当前车辆的车牌号不匹配，则过滤此待匹配车辆，第二帧图像中的黑色车被过滤掉；剩下的车辆通过车辆重识别步骤和第一帧中白色A车进行匹配，相似度最高的认为为目标车辆；通过深度学习分类算法获取第二帧中目标车辆(白色A车)的车头车尾信息和姿态信息(如左转，直行，右转)，该辆车为车尾对着摄像头，姿态为直行；因在第二帧中车辆为车尾信息，所以要过滤掉第三帧中第二帧车的位置下方的车辆，图中在左转车道的白色小轿车会被过滤掉；因在第二帧车辆姿态为直行，所以没有车辆被过滤；识别第三帧中所有车辆的车牌号码，若待匹配车辆的车牌清晰度超过一定阈值、识别置信度也超过一定阈值并且识别出的车牌号和当前车辆的车牌号不匹配，则过滤掉此待匹配车辆；剩下的车辆通过上述的车辆重识别步骤和第二帧中白色A车进行匹配，相似度最高的认为为目标车辆。从而在图像资源有限的情况下，通过上述应用于三维交通场景中基于场景图像的车辆重识别方法，可以得到精确度较高的识别结果，可以直接应用在工程中。
此外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述一种场景图像中车辆的重识别的方法。
在本申请一实施例中，还提供了一种场景图像中车辆的重识别的设备，所述设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述所述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：
获取同一路段内的多帧场景图像，以及目标车辆的车牌号码；
根据所述车牌号码确定所述目标车辆在当前帧图像中的车辆信息；
根据所述目标车辆在当前帧图像中的车辆信息，对下一帧图像中的所有车辆进行过滤处理；
根据过滤后的车辆图像，匹配所述目标车辆。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (10)
1.一种场景图像中车辆的重识别方法，其特征在于，所述方法包括：
获取同一路段内的多帧场景图像，以及目标车辆的车牌号码；
根据所述车牌号码确定所述目标车辆在当前帧图像中的车辆信息；
根据所述目标车辆在当前帧图像中的车辆信息，对下一帧图像中的所有车辆进行过滤；
根据过滤后的车辆图像，匹配所述目标车辆。
2.根据权利要求1所述的方法，其特征在于，根据所述车牌号码确定所述目标车辆在当前帧图像中的车辆信息，包括：
获取当前帧图像中的所有车辆的车牌位置信息，根据所述所有车辆的车牌位置信息确定所述所有车辆的车牌号码信息；
根据所述目标车辆的车牌号码及所述所有车辆的车牌号码信息识别所述当前帧图像中所述目标车辆，以确定所述目标车辆在所述当前帧图像中的车辆信息。
3.根据权利要求1所述的方法，其特征在于，对下一帧图像中的所有车辆进行过滤包括：
根据车辆的位置对所述下一帧图像中的所有车辆进行过滤；
根据车辆的姿态对所述下一帧图像中的所有车辆进行过滤；
根据车辆的车牌号码对所述下一帧图像中的所有车辆进行过滤。
4.根据权利要求3所述的方法，其特征在于，根据车辆的位置对所述下一帧图像中的所有车辆进行过滤，包括：
获取所述当前帧图像中所述目标车辆的车头信息和/或车尾信息；
基于所述目标车辆的车头信息和/或车尾信息过滤掉所述下一帧图像中位置在所述目标车辆设定方向的车辆，得到剩余车辆；
获取所述剩余车辆的车头信息和/或车尾信息，在所述剩余车辆中过滤掉与所述上一帧图像中所述目标车辆的车头车尾不匹配的车辆。
5.根据权利要求4所述的方法，其特征在于，基于所述目标车辆的车头信息和/或车尾信息过滤掉所述下一帧图像中位置在所述目标车辆设定方向的车辆，包括：
若获取到所述目标车辆的车头信息，则过滤掉所述下一帧图像中位置在所述目标车辆的上方的车辆；
若获取到所述目标车辆的车尾信息，则过滤掉所述下一帧图像中位置在所述目标车辆的下方的车辆。
6.根据权利要求3所述的方法，其特征在于，根据车辆的姿态对所述下一帧图像中的所有车辆进行过滤，包括：
获取所述当前帧图像中所述目标车辆的姿态；
若所述目标车辆的姿态为左转，则过滤掉所述下一帧图像中位置在所述目标车辆的右侧的车辆；
若所述目标车辆的姿态为右转，则过滤掉所述下一帧图像中位置在所述目标车辆的左侧的车辆。
7.根据权利要求3所述的方法，其特征在于，根据车辆的车牌号码对所述下一帧图像中的所有车辆进行过滤，包括：
识别出下一帧图像中所有车辆的车牌号码以及确定每一车牌号码的车牌清晰度及识别置信度；
确定所述车牌号码的车牌清晰度超过清晰度阈值和/或识别置信度超过置信度阈值的待匹配车辆，将所述待匹配车辆的车牌号码与所述目标车辆的车牌号码进行匹配，若匹配结果为不匹配，则将该待匹配车辆过滤掉。
8.根据权利要求1所述的方法，其特征在于，根据过滤后的车辆图像，匹配所述目标车辆，包括：
将所述当前帧图像中的目标车辆及所述下一帧图像中的过滤后的每一个车辆作为一组输入预设特征提取网络模型中，提取出多组目标维数特征向量；
将每一组目标维数特征向量进行余弦相似度计算；
保留所述余弦相似度超过阈值时对应的车辆。
9.一种场景图像中车辆的重识别的设备，其特征在于，所述设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至8中任一项所述方法的操作。
10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910963313.XA CN110826415A (zh) | 2019-10-11 | 2019-10-11 | 一种场景图像中车辆的重识别方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910963313.XA CN110826415A (zh) | 2019-10-11 | 2019-10-11 | 一种场景图像中车辆的重识别方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110826415A true CN110826415A (zh) | 2020-02-21 |
Family
ID=69549218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910963313.XA Pending CN110826415A (zh) | 2019-10-11 | 2019-10-11 | 一种场景图像中车辆的重识别方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826415A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914837A (zh) * | 2020-07-10 | 2020-11-10 | 北京嘉楠捷思信息技术有限公司 | 车牌检测方法、装置、设备和存储介质 |
| CN112669277A (zh) * | 2020-12-25 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种车辆关联方法，计算机设备以及装置 |
| CN112906483A (zh) * | 2021-01-25 | 2021-06-04 | 中国银联股份有限公司 | 一种目标重识别方法、装置及计算机可读存储介质 |
| CN112991742A (zh) * | 2021-04-21 | 2021-06-18 | 四川见山科技有限责任公司 | 一种实时交通数据的可视化仿真方法及系统 |
| CN112990114A (zh) * | 2021-04-21 | 2021-06-18 | 四川见山科技有限责任公司 | 一种基于ai识别的交通数据可视化仿真方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139659A (zh) * | 2015-10-09 | 2015-12-09 | 东方网力科技股份有限公司 | 车牌识别方法与装置 |
| CN105512660A (zh) * | 2015-11-27 | 2016-04-20 | 浙江宇视科技有限公司 | 车牌号码识别方法及装置 |
| CN105913034A (zh) * | 2016-04-18 | 2016-08-31 | 智车优行科技（北京）有限公司 | 车辆识别方法、装置及车辆 |
| CN107564329A (zh) * | 2017-09-18 | 2018-01-09 | 珠海市魅族科技有限公司 | 一种车辆查找方法及终端 |
| CN109033175A (zh) * | 2018-06-25 | 2018-12-18 | 高新兴科技集团股份有限公司 | 一种以图搜车的方法及系统 |
| CN109059941A (zh) * | 2018-07-06 | 2018-12-21 | 禾多科技（北京）有限公司 | 特征地图构建方法、视觉定位方法及对应装置 |
| CN109948416A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的违法占用公交车道自动审核方法 |
-
2019
- 2019-10-11 CN CN201910963313.XA patent/CN110826415A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139659A (zh) * | 2015-10-09 | 2015-12-09 | 东方网力科技股份有限公司 | 车牌识别方法与装置 |
| CN105512660A (zh) * | 2015-11-27 | 2016-04-20 | 浙江宇视科技有限公司 | 车牌号码识别方法及装置 |
| CN105913034A (zh) * | 2016-04-18 | 2016-08-31 | 智车优行科技（北京）有限公司 | 车辆识别方法、装置及车辆 |
| CN107564329A (zh) * | 2017-09-18 | 2018-01-09 | 珠海市魅族科技有限公司 | 一种车辆查找方法及终端 |
| CN109033175A (zh) * | 2018-06-25 | 2018-12-18 | 高新兴科技集团股份有限公司 | 一种以图搜车的方法及系统 |
| CN109059941A (zh) * | 2018-07-06 | 2018-12-21 | 禾多科技（北京）有限公司 | 特征地图构建方法、视觉定位方法及对应装置 |
| CN109948416A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的违法占用公交车道自动审核方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曾超等: "车牌超分辨率重建与识别", 《计算机测量与控制》 * |
| 王盼盼等: "基于特征融合和度量学习的车辆重识别", 《电子科技》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914837A (zh) * | 2020-07-10 | 2020-11-10 | 北京嘉楠捷思信息技术有限公司 | 车牌检测方法、装置、设备和存储介质 |
| CN112669277A (zh) * | 2020-12-25 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种车辆关联方法，计算机设备以及装置 |
| CN112669277B (zh) * | 2020-12-25 | 2024-05-10 | 浙江大华技术股份有限公司 | 一种车辆关联方法，计算机设备以及装置 |
| CN112906483A (zh) * | 2021-01-25 | 2021-06-04 | 中国银联股份有限公司 | 一种目标重识别方法、装置及计算机可读存储介质 |
| CN112906483B (zh) * | 2021-01-25 | 2024-01-23 | 中国银联股份有限公司 | 一种目标重识别方法、装置及计算机可读存储介质 |
| CN112991742A (zh) * | 2021-04-21 | 2021-06-18 | 四川见山科技有限责任公司 | 一种实时交通数据的可视化仿真方法及系统 |
| CN112990114A (zh) * | 2021-04-21 | 2021-06-18 | 四川见山科技有限责任公司 | 一种基于ai识别的交通数据可视化仿真方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
| CN110826415A (zh) | 一种场景图像中车辆的重识别方法及设备 | |
| US11205276B2 (en) | Object tracking method, object tracking device, electronic device and storage medium | |
| Rasheed et al. | Automated number plate recognition using hough lines and template matching | |
| CN109558823B (zh) | 一种以图搜图的车辆识别方法及系统 | |
| CN110119726B (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
| CN103077407B (zh) | 车标定位识别方法及系统 | |
| CN103093201B (zh) | 车标定位识别方法及系统 | |
| CN110348392B (zh) | 车辆匹配方法及设备 | |
| CN104766042A (zh) | 交通标志板识别方法及装置 | |
| Molina-Moreno et al. | Efficient scale-adaptive license plate detection system | |
| CN112541448B (zh) | 一种行人重识别方法、装置、电子设备和存储介质 | |
| CN109376580B (zh) | 一种基于深度学习的电力塔架部件识别方法 | |
| CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
| Prates et al. | Brazilian license plate detection using histogram of oriented gradients and sliding windows | |
| CN105740886A (zh) | 一种基于机器学习的车标识别方法 | |
| CN111814690B (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
| CN104463842A (zh) | 一种基于运动视觉的车祸过程重现方法 | |
| Zaarane et al. | Real‐Time Vehicle Detection Using Cross‐Correlation and 2D‐DWT for Feature Extraction | |
| CN105844204B (zh) | 人体行为识别方法和装置 | |
| Soon et al. | Malaysian car number plate detection and recognition system | |
| CN111079543A (zh) | 一种基于深度学习的高效车辆颜色识别方法 | |
| CN114220087A (zh) | 一种车牌检测方法、车牌检测器及相关设备 | |
| Jain et al. | Number plate detection using drone surveillance | |
| Amin et al. | An automatic number plate recognition of Bangladeshi vehicles |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230616 |
|
| AD01 | Patent right deemed abandoned |