CN111553993B - 一种基于图像识别的开放式停车计费方法与装置 - Google Patents

Abstract

本发明公开了一种基于图像识别的开放停车计费方法，本发明的技术方案主要分为车辆入库和车辆出库两个流程，入库即当前端车辆图像采集设备感应到车辆时，会采集一组图片，然后送入到入库流程进行判别，判别出此车位上是否开始有车辆占用，如果有车辆占用，则将此车位标记为入库，否则继续等待；若此车位的状态为入库状态，即有车辆占用，对车辆图像采集设备采集的图像送入出库流程进行判别，其中出库流程分为自动入库车辆的出库流程和人工判别入库的出库流程两种情况，若判别为出库，则计算车辆占用的时间进行计费并生成计费单，发送至车主，否则继续等待。还公开了一种基于图像识别的开放停车计费装置，本发明提供的方法、装置能有效提高开放式停车位中车位管理的效率以及提高用户的使用体验。

Description

一种基于图像识别的开放式停车计费方法与装置

技术领域

本发明涉及一种基于图像识别的开放式停车计费方法与装置。

背景技术

目前基于封闭的停车场，大都有自己的车辆进出入管理软件，通 过单纯的车牌识别技术，可以精确的获取车辆的出入时间，并对停 车费进行计算。但对于类似路边等开放式场景的车费计费一直是个 难题，目前大都采用人工收费的方式，人工收费效率低，且需要耗 费大量的人工。本发明提出了一种基于图像识别的开放式停车计费 方法与装置，预先在路侧停每个停车位附近都装一个车辆图像采集 设备，此设备可以感知车辆进入与离开，同时结合分析抓拍的图像 内的车牌等信息，最终可以自动生成停车计费单，发送至车主，车 主可以进行线上缴费。

发明内容

针对目前的技术现状，本发明提出了一种基于图像识别的开放式 停车计费方法与装置，预先在路侧停每个停车位附近都装一个车辆 图像采集设备，此设备可以感知车辆进入与离开，同时结合分析抓 拍的图像内的车牌等信息，最终可以自动生成停车计费单，发送至 车主，车主可以进行线上缴费。

本发明提供了一种基于图像识别的开放式停车计费方法，包括：

S1、对入库的车辆进行抓拍，并将采集到的N张图片分别进行车 牌识别，如果识别到车牌，则进入S2，如果未识别到车牌，则进入 S3；

S2、对识别到车牌的车牌置信度进行判断，如果置信度满足预设 条件，则标记该张图片为自动入库，否则标记为人工判别标记；

S3、对图片进行有车无车判断，如果判断出图片中无车，则对该 图片标记为不处理；否则对该图片标记为人工判断；

S4、分别统计该组图片中自动入库、人工判别和不处理图片的数 量，并判断车辆是否入库；

S5、针对有自动入库标记的车位进行车辆图片抓拍，判断是否出 库；

S6、针对人工入库标记的车位进行车辆图片抓拍，判断是否出 库；

S7、计算车辆出库与入库的时间间隔，生成计费单。

另外，本发明还提供了一种基于图像识别的开放式停车计费装 置，该装置包括：

入库图片抓拍模块，用于对车位中的车辆入库进行抓拍，并将抓 拍到的图片发送至车牌识别模块进行识别；

车牌识别模块，将采集到的N张图片分别进行车牌识别，如果识 别到车牌，则发送至车牌整牌置信度判别模块，如果未识别到车 牌，则发送至有车无车判别模块进行进一步判别；

车牌整牌置信度判别模块：经过车牌识别模块，对识别到车牌的 车牌置信度进行如下判别，若满足预设条件，则标记该张图片为自 动入库，否则标记为人工判别；

有车无车判别模块：将识别不到车牌的图片进行有车无车判断， 如果判断出图片中无车，则对该图片标记为不处理；否则对该图片 标记为人工判断；

入库综合判断模块：分别统计该组图片中自动入库、人工判别 和不处理图片的数量，并判断车辆是否入库；

出库车辆识别模块，判断车位上的车辆是否出库；

停车费计算模块，计算车辆出库与入库的时间间隔，生成计费 单。

从以上技术方案可以看出，本发明的技术方案通过对停车场内车 辆进行识别，对车辆的状态进行监测，实现对车辆停车的准确收 费，保证收费的准确性，减少了人工费用，便于停车位的管理，而 且使用方便简单，能够给用户提供友好的服务，有效提高用户使用体验。

附图说明

图1为本申请具体实施例中车辆入库图片识别流程示意图；

图2为本申请具体实施例中自动入库车辆出库流程示意图；

图3为本申请具体实施例中人工入库车辆出库流程示意图；

图4为本申请具体实施例中残差网络单元示意图。

具体实施方式

以下结合其中的较佳实施例对本发明方案进行详细阐述。

实施例一

该实施例提供了一种基于图像识别的开放式停车计费方法，在开 放式停车管理设备识别到车辆入库时，会对入库车辆进行抓拍，得 到一组抓拍的图片，然后开始本发明基于图像识别的开放式停车计 费方法，方法具体包括：

S1、将采集到的一组图片(N张)分别进行车牌识别，如果识别到 车牌，则进入S2，如果未识别到车牌，则进入S3。

其中，车牌识别可以采用传统的字符分割、字符识别策略对图片 中的车牌进行识别，即将检测到的车牌采用垂直投影或者连通区域 分析的方法进行字符分割，然后将分割下来的单个字符采用 lbp+svm，gabor+svm或者卷积神经网络等算法进行识别；也可以采用卷CNN+RNN网络对校正后归一化的车牌做整行识别，将车牌归 一化到128*32尺寸，即宽128，高32，然后送入神经网络进行识 别。

S2、对识别到车牌的车牌置信度进行判断。

经过车牌识别模块，对识别到车牌的车牌置信度进行如下判别， 若同时满足以下两个条件，则标记该张图片为自动入库，否则标记 为人工判别标记。

a)整牌置信度f>T1，其中f表示为车牌的整牌置信度(0～1区 间)，T1为整牌阈值可以取值为0.95；

b)车牌每位字符的置信度f(i)>T2，其中f(i)表示第i个车牌字符的 置信度(0～1区间)，T2为字符置信度阈值可以取值为0.93。

S3、对图片进行有车无车判断。

将车牌识别中，将识别不到车牌的图片进行有车无车判断，如果 判断出图片中无车，则对该图片标记为不处理；否则对该图片标记 为人工判断。

其中，利用图片分类模型对图片进行分类，完成对图片有车无 车判断。具体的，可以采用卷积神经网络对场景图像进行分类，如 alexnet、deepface、mobilnet、resnet模型等，根据图像的类型，分 为六类，如下所示：有车样本：露出车身车轮、只露出底盘(无车轮)、只有车轮。无车样本：场景中没有车、场景中有经过车辆(远处 小车)、图片曝光。

S4、分别统计该组图片中自动入库、人工判别和不处理图片的数 量，并判断车辆是否入库。

经过以上流程处理，该组的N张图片会分别被标记为自动入库、 人工判别和不处理三个类型，其数量分别记为N1、N2和N3，按照以 下顺序进行判别，最终得出决策结果。

1)、若N1/N2>fT1，则该车位自动入库(其中fT1可以取值为 0.4)，对该车位标记为自定入库，否则进入下步判别；

2)、若N3＝N，则丢弃改组数据，该车位不做入库标记，否则将 该组数据由人工进行判别；

3)、由人工进行标记此车位是否为人工入库或丢弃。

S5、针对有自动入库标记的车位进行车辆图片抓拍，判断是否出 库。

该步骤具体包括：

S5.1、对该车辆图片进行车牌识别，获得车牌的位置以及车牌内 容。

所述车牌识别方法可以与步骤S1中车牌的识别方法相同，也可以 是其他的车牌识别方法。所述车牌的位置即车牌的上、下、左、右 四个位置坐标，记top1，bottom1，left1，right1四个值。

S5.2、车辆出库判断，将识别到的车牌号码和车牌位置与自动入 库最后的一张车牌结果和车牌位置进行比对，若同时满足以下条 件，则不做任何处理，并将该张图合并到自动入库图库内，作为最 后一张图，否则该车位自动出库。

1)最后一张入库的车牌号码与当前车牌号码6位或者6位以上相 同；

2)最后一张入库的车牌位置坐标上、下、左、右记top， bottom，left，right，同时满足以下四个不等式，其中disThr为 距离阈值，可以取值为5：

|top–top1|<disThr；

|bottom–bottom 1|<disThr；

|left–left 1|<disThr；

|right–right 1|<disThr。

S6、针对人工入库标记的车位进行车辆图片抓拍，判断是否出 库。

该步骤具体包括：

将前端抓拍到的车辆图片与最近一张入库图片进行图像相似度计 算，计算得到的相似度为f(取值为0～100)，若f<T1(T1可以取值为 30)，则自动出库，若f>T2(T2可以取值为80)，则将该张图合并 到车辆入库图库中，作为最近一张入库图片。

其中，计算图像相似度的方法如下所示：

1)图像特征提取：分别对两幅图像，采用Resnet等深度学习网络进行特征 提取，提取出一个256维度的向量，Resnet网络为在cnn卷积神经网络 中通过引入图4所示的残差单元，可以使得网络的堆积层在输入特征基础 上学习到新的特征，从而拥有更好的性能。

2)计算两个特征值之间的相似度公式如下：

其中，f_con为计算的相似度，N为特征的维度，这里取值为256， F1为图像1的提取的特征，F2为图像2提取的特征，公式已经将相似 度归一化到[0 100]区间内。

S7、计算出库与入库的时间间隔，生成计费单。

实施例二

本申请实施例中还包括一种基于图像识别的开放式停车计费装 置，包括：

入库图片抓拍模块，用于对车位中的车辆进行入库、出库时进行 抓拍。并将抓拍到的图片发送至车牌识别模块进行识别。

车牌识别模块，将采集到的一组图片(N张)分别进行车牌识别， 如果识别到车牌，则发送至车牌整牌置信度判别模块，如果未识别 到车牌，则发送至有车无车判别模块进行进一步判别。

车牌整牌置信度判别模块：经过车牌识别模块，对识别到车牌的 车牌置信度进行如下判别，若同时满足以下两个条件，则标记该张 图片为自动入库，否则标记为人工判别。

a)整牌置信度f>T1，其中f表示为车牌的整牌置信度(0～1区 间)，T1为整牌阈值可以取值为0.95；

b)车牌每位字符的置信度f(i)>T2，其中f(i)表示第i个车牌字符的 置信度(0～1区间)，T2为字符置信度阈值可以取值为为 0.93；

有车无车判别模块：将识别不到车牌的图片进行有车无车判断， 如果判断出图片中无车，则对该图片标记为不处理；否则对该图片 标记为人工判断。

其中，利用图片分类模型对图片进行分类，完成对图片有车无 车判断。具体的，可以采用卷积神经网络对场景图像进行分类，如 alexnet、deepface、mobilnet、resnet模型等，根据图像的类型，分 为六类，如下所示：有车样本：露出车身车轮、只露出底盘(无车轮)、只有车轮。无车样本：场景中没有车、场景中有经过车辆(远处 小车)、图片曝光。

入库综合判断模块：分别统计该组图片中自动入库、人工判别 和不处理图片的数量，并判断车辆是否入库。

经过车牌整牌置信度判别以及有车无车判别模块处理，该组的N 张图片会分别被标记为自动入库、人工判别和不处理三个类型，其 数量分别记为N1、N2和N3，按照以下顺序进行判别，最终得出决策 结果。

1)、若N1/N2>fT1，则该车位自动入库(其中fT1可以取值为 0.4)，对该车位标记为自定入库，否则进入下步判别；

2)、若N3＝N，则丢弃改组数据，该车位不做入库标记，否则将 该组数据由人工进行判别；

3)、由人工进行标记此车位是否为人工入库或丢弃。

出库车辆识别模块，判断车位上的车辆是否出库。该模块进一步 包括自动入库车位出库识别模块以及人工入库车位出库识别模块。

其中，自动入库车位出库识别模块包括：出库图片抓拍子模块、 出库车牌识别子模块和车辆出库判断子模块。

所述出库图片抓拍子模块，针对有自动入库标记的车位进行车辆 图片抓拍，然后发送至车牌识别模块进行出库车牌识别。

所述出库车牌识别子模块，对出库车辆图片进行车牌识别，获得 车牌的位置以及车牌内容。所述车牌识别方法可以与车牌识别模块 中车牌识别方法相同，也可以是其他的车牌识别方法。所述车牌的 位置即车牌的上、下、左、右四个位置坐标，记top1，bottom1，left1，right1四个值。

所述车辆出库判断子模块，将识别到的车牌号码和车牌位置与自 动入库最后的一张车牌结果和车牌位置进行比对，若同时满足以下 条件，则不做任何处理，并将该张图合并到自动入库图库内，作为 最后一张图，否则该车位自动出库。

1)最后一张入库的车牌号码与当前车牌号码6位或者6位以上相 同；

2)最后一张入库的车牌位置坐标上、下、左、右记top， bottom，left，right，同时满足以下四个不等式，其中disThr为 距离阈值，可以取值为5：

|top–top1|<disThr；

|bottom–bottom 1|<disThr；

|left–left 1|<disThr；

|right–right 1|<disThr。

所述人工入库车位出库识别模块，针对人工入库标记的车位进 行车辆图片抓拍，将前端抓拍到的车辆图片与最近一张入库图片进 行图像相似度计算，计算得到的相似度为f(取值为0～100)，若f<T1 (T1可以取值为30)，则自动出库，若f>T2(T2可以取值为80)，则将该张图合并到车辆入库图库中，作为最近一张入库图片。

其中，计算图像相似度的方法如下所示：

1)图像特征提取：分别对两幅图像，采用Resnet等深度学习网络进行特征 提取，提取出一个256维度的向量，Resnet网络为在cnn卷积神经网络 中通过引入图4所示的残差单元，可以使得网络的堆积层在输入特征基础 上学习到新的特征，从而拥有更好的性能。

2)计算两个特征值之间的相似度公式如下：

其中，f_con为计算的相似度，N为特征的维度，这里取值为256， F1为图像1的提取的特征，F2为图像2提取的特征，公式已经将相似 度归一化到[0 100]区间内。

停车费计算模块，计算车辆出库与入库的时间间隔，生成计费 单。

本发明的技术方案通过对停车场内车辆进行识别，对车辆的状态 进行监测，实现对车辆停车的准确收费，保证收费的准确性，使用 方便简单，能够给用户提供友好的服务，有效提高用户使用体验。

本申请实施例的技术方案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，包括一个或多个指令用以使 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 行本申请实施例方法的全部或部分步骤。而前述的存储介质可以是 非暂态存储介质，包括：U盘、移动硬盘、只读存储器(ROM，Read- OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁 碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介 质。

本申请中使用的用词仅用于描述实施例并且不用于限制权利要 求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地 表明，否则单数形式的“一个”(a)、“一个”(an)和“”(the)旨在同 样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是 指包含一个或一个以上相关联的列出的任何以及所有可能的组合。 另外，当用于本申请中时，术语“包括”(comprise)及其变型“包 括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步 骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添 加。

所描述的实施例中的各方面、实施方式、实现或特征能够单独使 用或以任意组合的方式使用。所描述的实施例中的各方面可由软 件、硬件或软硬件的结合实现。所描述的实施例也可以由存储有计 算机可读代码的计算机可读介质体现，该计算机可读代码包括可由 至少一个计算装置执行的指令。计算机可读介质可与任何能够存储 数据的数据存储装置相关联，该数据可由计算机系统读取。用于举 例的计算机可读介质可以包括只读存储器、随机存取存储器、CD- ROM、HDD、DVD、磁带以及光数据存储装置等。计算机可读介质还可以分布于通过网络联接的计算机系统中，这样计算机可读代码就 可以分布式存储并执行。

上述技术描述可参照附图，这些附图形成了本申请的一部分，并 且通过描述在附图中示出了依照所描述的实施例的实施方式。虽然 这些实施例描述的足够详细以使本领域技术人员能够实现这些实施 例，但这些实施例是非限制性的；这样就可以使用其它的实施例， 并且在不脱离所描述的实施例的范围的情况下还可以做出变化。比 如，流程图中所描述的操作顺序是非限制性的，因此在流程图中阐 释并且根据流程图描述的两个或两个以上操作的顺序可以根据若干 实施例进行改变。作为另一个例子，在若干实施例中，在流程图中 阐释并且根据流程图描述的一个或一个以上操作是可选的，或是可 删除的。另外，某些步骤或功能可以添加到所公开的实施例中，或 两个以上的步骤顺序被置换。所有这些变化被认为包含在所公开的 实施例以及权利要求中。

另外，上述技术描述中使用术语以提供所描述的实施例的透彻 理解。然而，并不需要过于详细的细节以实现所描述的实施例。因 此，实施例的上述描述是为了阐释和描述而呈现的。上述描述中所 呈现的实施例以及根据这些实施例所公开的例子是单独提供的，以 添加上下文并有助于理解所描述的实施例。上述说明书不用于做到 无遗漏或将所描述的实施例限制到本申请的精确形式。根据上述教 导，若干修改、选择适用以及变化是可行的。在某些情况下，没有 详细描述为人所熟知的处理步骤以避免不必要地影响所描述的实施 例。

Claims (9)

1.一种基于图像识别的开放式停车计费方法，包括：

S1、对入库的车辆进行抓拍，并将采集到的N张图片分别进行车牌识别，如果识别到车牌，则进入S2，如果未识别到车牌，则进入S3；

S2、对识别到车牌的车牌置信度进行判断，如果置信度满足预设条件，则标记该张图片为自动入库，否则标记为人工判别标记；

S3、对图片进行有车无车判断，如果判断出图片中无车，则对该图片标记为不处理；否则对该图片标记为人工判断；

S4、分别统计该组图片中自动入库、人工判别和不处理图片的数量，并判断车辆是否入库；

S5、针对有自动入库标记的车位进行车辆图片抓拍，判断是否出库；

S6、针对人工入库标记的车位进行车辆图片抓拍，判断是否出库；

S7、计算车辆出库与入库的时间间隔，生成计费单；

所述S4进一步包括：

统计该组的N张图片中分别被标记为自动入库、人工判别和不处理三个类型的数量，并分别记为N1、N2和N3，按照以下顺序进行判别：

1)、若N1/N2>fT1，fT1为阈值可以取值为0.4，则该车位自动入库，对该车位标记为自动入库，否则进入下步判别；

2)、若N3＝N，则丢弃改组数据，该车位不做入库标记，否则将该组数据由人工进行判别；

3)、由人工进行标记此车位是否为人工入库或丢弃；所述步骤S5进一步包括：

S5.1、对该车辆图片进行车牌识别，获得车牌的位置以及车牌内容；所述车牌的位置即车牌的上、下、左、右四个位置坐标，记top1，bottom1，left1，right1四个值；

S5.2、车辆出库判断，将识别到的车牌号码和车牌位置与自动入库最后的一张车牌结果和车牌位置进行比对，若同时满足以下条件，则不做任何处理，并将该张图合并到自动入库图库内，作为最后一张图，否则该车位自动出库；

1)最后一张入库的车牌号码与当前车牌号码6位或者6位以上相同；

2)最后一张入库的车牌位置坐标上、下、左、右记top，bottom，left，right，同时满足以下四个不等式，其中disThr为距离阈值，取值为5：

|top–top1|<disThr；

|bottom–bottom 1|<disThr；

|left–left 1|<disThr；

|right–right 1|<disThr。

2.根据权利要求1所述的停车计费方法，所述预设条件包括：

a)整牌置信度f>T1，其中f表示为车牌的整牌置信度，0<f<1，T1为整牌阈值可以取值为0.95；

b)车牌每位字符的置信度f(i)>T2，其中f(i)表示第i个车牌字符的置信度，0<f(i)<1，T2为字符置信度阈值可以取值为0.93。

3.根据权利要求2所述的停车计费方法，所述步骤S6进一步包括：

将抓拍到的车辆图片与最近一张入库图片进行图像相似度计算，计算得到的相似度为f，若f<T1，则自动出库，若f>T2，则将该张图合并到车辆入库图库中，作为最近一张入库图片。

4.根据权利要求3所述的停车计费方法，所述图像相似度计算包括：

1)图像特征提取：分别对两幅图像，采用深度学习网络进行特征提取，提取出一个256维度的向量作为图像的特征；

2)计算两个特征之间的相似度公式如下：

其中，fcon为计算的相似度，N为特征的维度，这里取值为256，F1为图像1的提取的特征，F2为图像2提取的特征，公式将相似度归一化到[0 100]区间内。

5.一种基于图像识别的开放式停车计费装置，包括：

入库图片抓拍模块，用于对车位中的车辆入库进行抓拍，并将抓拍到的图片发送至车牌识别模块进行识别；

车牌识别模块，将采集到的N张图片分别进行车牌识别，如果识别到车牌，则发送至车牌整牌置信度判别模块，如果未识别到车牌，则发送至有车无车判别模块进行进一步判别；

车牌整牌置信度判别模块：经过车牌识别模块，对识别到车牌的车牌置信度进行如下判别，若满足预设条件，则标记该张图片为自动入库，否则标记为人工判别；

有车无车判别模块：将识别不到车牌的图片进行有车无车判断，如果判断出图片中无车，则对该图片标记为不处理；否则对该图片标记为人工判断；

入库综合判断模块：分别统计该组图片中自动入库、人工判别和不处理图片的数量，并判断车辆是否入库；

出库车辆识别模块，判断车位上的车辆是否出库；

停车费计算模块，计算车辆出库与入库的时间间隔，生成计费单；

所述入库综合判断模块进一步包括：

统计该组的N张图片中分别被标记为自动入库、人工判别和不处理三个类型的数量，并分别记为N1、N2和N3，按照以下顺序进行判别：

1)、若N1/N2>fT1，fT1为阈值可以取值为0.4，则该车位自动入库，对该车位标记为自动入库，否则进入下步判别；

2)、若N3＝N，则丢弃改组数据，该车位不做入库标记，否则将该组数据由人工进行判别；

3)、由人工进行标记此车位是否为人工入库或丢弃；

所述自动入库车位出库识别模块包括：出库图片抓拍子模块、出库车牌识别子模块和车辆出库判断子模块；

所述出库图片抓拍子模块，针对有自动入库标记的车位进行车辆图片抓拍，然后发送至车牌识别模块进行出库车牌识别；

所述出库车牌识别子模块，对出库车辆图片进行车牌识别，获得车牌的位置以及车牌内容；所述车牌的位置即车牌的上、下、左、右四个位置坐标，记top1，bottom1，left1，right1四个值；

所述车辆出库判断子模块，将识别到的车牌号码和车牌位置与自动入库最后的一张车牌结果和车牌位置进行比对，若同时满足以下条件，则不做任何处理，并将该张图合并到自动入库图库内，作为最后一张图，否则该车位自动出库；

1)最后一张入库的车牌号码与当前车牌号码6位或者6位以上相同；

2)最后一张入库的车牌位置坐标上、下、左、右记top，bottom，left，right，同时满足以下四个不等式，其中disThr为距离阈值，取值为5：

|top–top1|<disThr；

|bottom–bottom 1|<disThr；

|left–left 1|<disThr；

|right–right 1|<disThr。

6.根据权利要求5所述的停车计费装置，所述出库车辆识别模块进一步包括自动入库车位出库识别模块以及人工入库车位出库识别模块。

7.根据权利要求5所述的停车计费装置，所述预设条件包括：

a)整牌置信度f>T1，其中f表示为车牌的整牌置信度，0<f<1，T1为整牌阈值可以取值为0.95；

b)车牌每位字符的置信度f(i)>T2，其中f(i)表示第i个车牌字符的置信度，0<f(i)<1，T2为字符置信度阈值可以取值为0.93。

8.根据权利要求7所述的停车计费装置，所述人工入库车位出库识别模块进一步包括：

将抓拍到的车辆图片与最近一张入库图片进行图像相似度计算，计算得到的相似度为f，若f<T1，则自动出库，若f>T2，则将该张图合并到车辆入库图库中，作为最近一张入库图片。

9.根据权利要求8所述的停车计费装置，所述图像相似度计算包括：

1)图像特征提取：分别对两幅图像，采用深度学习网络进行特征提取，提取出一个256维度的向量作为图像的特征；

2)计算两个特征之间的相似度公式如下：

其中，fcon为计算的相似度，N为特征的维度，这里取值为256，F1为图像1的提取的特征，F2为图像2提取的特征，公式将相似度归一化到[0 100]区间内。

Images