CN111950395B - 一种车辆识别方法、装置及计算机存储介质 - Google Patents

一种车辆识别方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN111950395B
CN111950395B CN202010727897.3A CN202010727897A CN111950395B CN 111950395 B CN111950395 B CN 111950395B CN 202010727897 A CN202010727897 A CN 202010727897A CN 111950395 B CN111950395 B CN 111950395B
Authority
CN
China
Prior art keywords
image
gray level
image sample
features
sample
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.)
Active
Application number
CN202010727897.3A
Other languages
English (en)
Other versions
CN111950395A (zh
Inventor
唐进君
高轶凡
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202010727897.3A priority Critical patent/CN111950395B/zh
Publication of CN111950395A publication Critical patent/CN111950395A/zh
Application granted granted Critical
Publication of CN111950395B publication Critical patent/CN111950395B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种车辆识别方法、装置及计算机存储介质，包括：获取基于车辆的视频监控装置采集的训练图像样本集，训练图像样本集包括包含有车辆尾部图像的正样本和不包含有车辆尾部图像的负样本；对训练图像样本集中的各图像样本进行特征提取，得到各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征；基于各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征对BP神经网络分类模型进行训练，得到训练后的BP神经网络分类模型；获取待处理图像后，将待处理图像输入经过训练的BP神经网络分类模型，得到BP神经网络分类模型输出的待处理图像中是否包含车辆的识别结果。如此，能够准确对车辆进行识别。

Description

一种车辆识别方法、装置及计算机存储介质
技术领域
本发明涉及交通领域，尤其涉及一种车辆识别方法、装置及计算机存储介质。
背景技术
在汽车自动驾驶和辅助驾驶等应用场景中，需要利用摄像头等视频监控装置作为感知单元进行前方路况的获取，进而根据摄像头等视频监控装置获取的图像分析前方路况，比如根据图像中是否包含车辆以检测前方是否有车辆等。然而，受到不同光照及阴影、不同车辆颜色及大小等因素的影响，如何准确识别图像中是否包含车辆一直处于研究中。
发明内容
有鉴于此，本发明实施例提供了一种车辆识别方法、装置及计算机存储介质，能够准确对车辆进行识别。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，本发明实施例提供了一种车辆识别方法，所述方法包括：
获取基于车辆的视频监控装置采集的训练图像样本集，所述训练图像样本集包括包含有车辆尾部图像的正样本和不包含有车辆尾部图像的负样本；
对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征；
基于所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征对BP神经网络分类模型进行训练，得到训练后的BP神经网络分类模型；
获取待处理图像后，将所述待处理图像输入经过训练的BP神经网络分类模型，得到所述BP神经网络分类模型输出的所述待处理图像中是否包含车辆的识别结果。
第二方面，本发明实施例提供了一种车辆识别装置，所述装置包括：
图像采集模块，用于获取基于车辆的视频监控装置采集的训练图像样本集，所述训练图像样本集包括包含有车辆尾部图像的正样本和不包含有车辆尾部图像的负样本；
特征提取模块，用于对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征；
训练模块，用于基于所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征对BP神经网络分类模型进行训练，得到训练后的BP神经网络分类模型；
处理模块，用于获取待处理图像后，将所述待处理图像输入经过训练的BP神经网络分类模型，得到所述BP神经网络分类模型输出的所述待处理图像中是否包含车辆的分类结果。
第三方面，本发明实施例提供了一种车辆识别装置，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，实现第一方面所述车辆识别方法。
第四方面，本发明实施例提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面所述车辆识别方法。
本发明实施例提供的车辆识别方法、装置及计算机存储介质，获取基于车辆的视频监控装置采集的训练图像样本集，训练图像样本集包括包含有车辆尾部图像的正样本和不包含有车辆尾部图像的负样本；对训练图像样本集中的各图像样本进行特征提取，得到各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征；基于各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征对BP神经网络分类模型进行训练，得到训练后的BP神经网络分类模型；获取待处理图像后，将待处理图像输入经过训练的BP神经网络分类模型，得到BP神经网络分类模型输出的待处理图像中是否包含车辆的识别结果。如此，基于多特征提取与BP神经网络相结合构建的分类模型，在不同光照及阴影、不同车辆颜色及大小下都能够准确对图像中的车辆进行识别，能够有效提高车辆识别的速度和准确率。
附图说明
图1为本发明实施例提供的一种车辆识别方法的流程示意图；
图2为本发明实施例提供的一种车辆识别装置的结构示意图；
图3为本发明实施例提供的另一种车辆识别装置的结构示意图。
具体实施方式
下面结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
参见图1，为本发明实施例提供的一种车辆识别方法，该车辆识别方法可以适用于对图像中是否包含有车辆进行识别的情况，该车辆识别方法可以由本发明实施例提供的一种车辆识别装置来执行，该车辆识别装置可以采用软件和/或硬件的方式来实现，在具体应用中，该车辆识别装置可以具体是台式电脑、笔记本电脑、智能手机、个人数字助理、平板电脑等终端。所述车辆识别方法包括以下步骤：
步骤S101：获取基于车辆的视频监控装置采集的训练图像样本集，所述训练图像样本集包括包含有车辆尾部图像的正样本和不包含有车辆尾部图像的负样本；
这里，所述视频监控装置可以是安装于车辆挡风玻璃处的行车记录仪等能够采集视频图像的装置。可以理解地，由于车辆的视频监控装置如行车记录仪的拍摄角度通常为车辆前方，因此，当车辆在道路上行驶时，所述车辆的视频监控装置所拍摄的图像中通常包含前方车辆和/或前方道路环境信息，也就是说，所述正样本中包含的车辆尾部图像是指包含前方车辆尾部图像，而所述负样本中不包含有车辆尾部图像是指不包含前方车辆尾部图像，当然，所述负样本中也不包含有前方车辆其他任何部位图像，而可以是仅包含道路路面、和/或行人等物体的图像，从而能够使训练图像样本集更加接近实际情况，进一步提高基于所述训练图像样本集所建立的BP神经网络分类模型的预测精度。需要说明的是，所述获取基于车辆的视频监控装置采集的训练图像样本集可以是用户基于需要从不同车辆的视频监控装置所采集的图像中选择满足要求的图像所构建的。此外，通过车辆的视频监控装置采集图像以建立训练图像样本集，进而基于训练图像样本集建立对应的分类模型，由于所述图像样本中包含的场景与实际环境中待处理图像中包含的场景接近，所述分类模型的预测准确率也会相应提升。
此外，为了得到质量更优质的图像，所述方法还包括对所述图像样本进行预处理，所述预处理包括以下处理至少一种：畸变修正、投影变换、灰度化、中值滤波、直方图均衡化增强、边缘检测、二值化。
步骤S102：对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征；
可以理解地，车辆作为运动的机器有着区别于道路环境的后视特征，通过分别采集车辆尾部图像和道路环境图像的特征，可以获得车辆和道路环境的特征矩阵，从而得到用于识别图像中是否包含车辆的分类模型。由于车辆的视频监控装置采集的包含前方车辆尾部的图像中，包含有车辆的纹理特征、对称性特征和水平轮廓特征等，因此，可基于车辆的纹理特征、对称性特征和水平轮廓特征等进行车辆识别。
这里，由于大部分车辆后视外观有明显的对称性，因此可利用对称性特征将车辆与非车辆如道路环境进行区分。在一实施方式中，所述对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征，包括：针对每个所述图像样本，对所述图像样本进行灰度化处理，得到所述图像样本的灰度图；根据公式计算所述图像样本的图像水平对称特征；其中，symvalue表示图像水平对称性特征，M表示图像样本的像素行数，N表示图像样本的像素列数，sobelpic(i,j)表示图像样本的灰度图中数字矩阵的像素点，/>取整数。可以理解地，对于完全水平对称的灰度图，其数字矩阵是关于对称轴对称的，所以以该对称轴分别对应的对称像素点灰度就会完全相等。若对该图像的所有对称像素点的灰度值取差求和，结果应为0。因此，本实施例中假设对越对称的图像，各对称像素点对的灰度值相差越小，求和值也越小，进而采用上述公式评价图像的水平对称性特征。这里，/>取整数是指取最近的整数，例如，若N为17，则/>取8。如此，基于车辆的对称性进行图像水平对称性特征的提取，能够准确提取出图像水平对称性特征，进而进一步提高了基于所述图像水平对称性特征所建立的分类模型的预测准确率。
这里，由于大部分车辆后视外观有明显的水平轮廓特征，尤其是较长且水平的边缘线，因此可利用水平轮廓特征可将车辆与非车辆如道路环境进行区分。在一实施方式中，所述对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征，包括：基于所述图像样本的灰度图，按照预设规则统计所述图像样本内水平轮廓线的数量；根据所述水平轮廓线的数量确定所述图像样本的图像水平轮廓特征。这里，本实施例中采用水平轮廓特征评价分类模型是思路为：统计图像内达到一定长度的水平轮廓线的数量，然后用该值表示图像的水平轮廓线的质量和数量。可以理解地，由于车辆后视图像比非车辆后视图像拥有更长和更多水平轮廓线，一幅图像的水平轮廓线统计值越大，则说明该图像是车辆的可能性越大。所述预设规则可以根据实际情况需要进行设置，在一实施方式中，所述基于所述图像样本的灰度图，按照预设规则统计所述图像样本内水平轮廓线的数量，包括：建立一个大小为2*2的检测滑窗，并设置计数器的初始值和水平轮廓线的数量都为零；将所述检测滑窗按照从左至右、从上到下的顺序遍历所述图像样本的灰度图中的所有像素，并对应调整计数器的计数值以及根据计数器的计数值统计水平轮廓线的数量；其中，若所述检测滑窗每移动一个像素，则将计算器的计数值加1；若所述检测滑窗中处于同一行的相邻两个像素中至少一个像素的像素值为零，则将计算器的计数值置零；若计算器的计数值大于所述图像样本水平长度的五分之一，则将计算器的计数值置零，同时将水平轮廓线的数量加1。这里，当检测滑窗遍历完所述图像样本的灰度图中的所有像素后，所得到的水平轮廓线的数量便代表了所述图像样本的图像水平轮廓特征。如此，基于车辆具有水平轮廓的特性进行图像水平轮廓特征的提取，能够准确提取出图像水平轮廓特征，进而进一步提高了基于所述图像水平轮廓特征所建立的分类模型的预测准确率。
在一实施方式中，所述对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征数据、图像水平对称性特征和图像水平轮廓特征，还包括：
计算所述图像样本的灰度图分别在0度、45度、90度和135度四个方向的灰度共生矩阵，分别得到第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵；
提取所述第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵分别对应的角二阶矩、对比度、相关系数和熵；
根据所述第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵分别对应的角二阶矩、对比度、相关系数和熵，计算角二阶矩、对比度、相关系数和熵分别对应的平均值和标准差；
根据所述角二阶矩、对比度、相关系数和熵分别对应的平均值和标准差确定所述图像样本的图像纹理特征。
这里，图像纹理特征是指图像中光强分布和颜色分布特征，是一种可以量化计算的图像特征，灰度图可以看成一个三维空间的曲面。而灰度共生矩阵是通过统计图像的相隔某一距离的两个像素点是否具有相同的灰度级，从而找到不同距离下的两两像素灰度值的分布规律，从而统计出各像素间空间的相关规律。
具体地，灰度共生矩阵是从影像(x,y)，灰度为i的像素点出发，统计与其距离为δ、灰度为j的像素点(x+Δx,y+Δy)同时出现的概率p(i,j,δ,θ)，为p(i,j,δ,θ)＝{[(x,y),(x+Δx,y+Δy)]f(x,y)f(x+Δx,y+Δy)＝j,x＝1,2,...Nx,y＝1,2,...Ny}。其中，x＝1,2,...Nx,y＝1,2,...Ny是图像的像素点坐标，Nx和Ny分别是图像的行列数。因此，由灰度共生矩阵能够定义出大量的纹理特征，并分别采用角二阶矩、对比度、相关系数和熵四个不相关联的特征来提取图像的纹理特征。
其中，角二阶矩又称为能量，是灰度共生矩阵各个值平方的和，其反映图像灰度分布均匀程度与纹理粗细度。对比度又称之为惯性矩，是灰度共生矩阵主对角线附近值的和，其度量了该矩值的分布情况和图像的局部变化量，能反映图像的纹理的沟纹深浅和清晰度。相关系数又叫做相关性，其度量了灰度共生矩阵在横竖方向的近似程度，该值大小可以反映图像局部灰度相关性。熵可以度量图像纹理特征的随机性，表明了图像信息的多少，并且当灰度共生矩阵中所有值越接近时，熵越大；反之，若灰度共生矩阵中元素越不均匀时，熵越小。这里，为了减小统计方向造成的纹理误差，本实施例中分别统计0度、45度、90度、135度四个方向上的灰度共生矩阵，并分别求以上特征值的大小，然后计算平均值与标准差，并将对应获得的平均值与标准差确定为图像纹理特征。如此，可以抑制方向分量，使其得到的图像纹理特征和方向无关。
步骤S103：基于所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征对BP神经网络分类模型进行训练，得到训练后的BP神经网络分类模型；
这里，根据步骤S102中获得的各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征，对BP神经网络分类模型进行训练，得到训练后的BP神经网络分类模型。所述BP神经网络分类模型是采用BP神经网络算法建立的。
步骤S104：获取待处理图像后，将所述待处理图像输入经过训练的BP神经网络分类模型，得到所述BP神经网络分类模型输出的所述待处理图像中是否包含车辆的识别结果。
这里，对于车辆的视频监控装置实时拍摄的视频帧即待处理图像，可在对所述待处理图像进行预处理后，将预处理后的所述待处理图像输入经过训练的BP神经网络分类模型，从而得到所述BP神经网络分类模型输出的所述待处理图像中是否包含车辆的识别结果。
综上，上述实施例提供的车辆识别方法中，基于多特征提取与BP神经网络相结合构建的分类模型，在不同光照及阴影、不同车辆颜色及大小下都能够准确对图像中的车辆进行识别，能够有效提高车辆识别的速度和准确率。
基于前述实施例相同的发明构思，参见图2，其示出了本发明实施例提供的一种车辆识别装置组成，可以包括：图像采集模块10、特征提取模块11、训练模块12和处理模块13；其中，
所述图像采集模块10，用于获取基于车辆的视频监控装置采集的训练图像样本集，所述训练图像样本集包括包含有车辆尾部图像的正样本和不包含有车辆尾部图像的负样本；
所述特征提取模块11，用于对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征；
所述训练模块12，用于基于所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征对BP神经网络分类模型进行训练，得到训练后的BP神经网络分类模型；
所述处理模块13，用于获取待处理图像后，将所述待处理图像输入经过训练的BP神经网络分类模型，得到所述BP神经网络分类模型输出的所述待处理图像中是否包含车辆的分类结果。
综上，上述实施例提供的车辆识别装置中，基于多特征提取与BP神经网络相结合构建的分类模型，在不同光照及阴影、不同车辆颜色及大小下都能够准确对图像中的车辆进行识别，能够有效提高车辆识别的速度和准确率。
对于图2所示的技术方案，在一种可能的实现方式中，所述特征提取模块11，具体配置为：
针对每个所述图像样本，对所述图像样本进行灰度化处理，得到所述图像样本的灰度图；
根据公式计算所述图像样本的图像水平对称特征；其中，symvalue表示图像水平对称性特征，M表示图像样本的像素行数，N表示图像样本的像素列数，sobelpic(i,j)表示图像样本的灰度图中数字矩阵的像素点，/>取整数。
如此，基于车辆的对称性进行图像水平对称性特征的提取，能够准确提取出图像水平对称性特征，进而进一步提高了基于所述图像水平对称性特征所建立的分类模型的预测准确率。
需要说明的是：上述实施例提供的车辆识别装置在实现车辆识别方法时，仅以上述各程序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处理分配由不同的程序模块完成，即将车辆识别装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的车辆识别装置与对应的车辆识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明实施例提供了一种车辆识别装置，如图3所示，该装置包括：处理器110和用于存储能够在处理器110上运行的计算机程序的存储器111；其中，图3中示意的处理器110并非用于指代处理器110的个数为一个，而是仅用于指代处理器110相对其他器件的位置关系，在实际应用中，处理器110的个数可以为一个或多个；同样，图3中示意的存储器111也是同样的含义，即仅用于指代存储器111相对其他器件的位置关系，在实际应用中，存储器111的个数可以为一个或多个。
所述处理器110用于运行所述计算机程序时，执行如下步骤：
获取基于车辆的视频监控装置采集的训练图像样本集，所述训练图像样本集包括包含有车辆尾部图像的正样本和不包含有车辆尾部图像的负样本；
对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征；
基于所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征对BP神经网络分类模型进行训练，得到训练后的BP神经网络分类模型；
获取待处理图像后，将所述待处理图像输入经过训练的BP神经网络分类模型，得到所述BP神经网络分类模型输出的所述待处理图像中是否包含车辆的识别结果。
在一可选的实施例中，所述处理器110还用于运行所述计算机程序时，执行如下步骤：
针对每个所述图像样本，对所述图像样本进行灰度化处理，得到所述图像样本的灰度图；
根据公式计算所述图像样本的图像水平对称特征；其中，symvalue表示图像水平对称性特征，M表示图像样本的像素行数，N表示图像样本的像素列数，sobelpic(i,j)表示图像样本的灰度图中数字矩阵的像素点，/>取整数。
在一可选的实施例中，所述处理器110还用于运行所述计算机程序时，执行如下步骤：
基于所述图像样本的灰度图，按照预设规则统计所述图像样本内水平轮廓线的数量；
根据所述水平轮廓线的数量确定所述图像样本的图像水平轮廓特征
该装置还包括：至少一个网络接口112。该装置中的各个组件通过总线系统113耦合在一起。可理解，总线系统113用于实现这些组件之间的连接通信。总线系统113除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统113。
其中，存储器111可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器111旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器111用于存储各种类型的数据以支持该装置的操作。这些数据的示例包括：用于在该装置上操作的任何计算机程序，如操作系统和应用程序；联系人数据；电话簿数据；消息；图片；视频等。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。这里，实现本发明实施例方法的程序可以包含在应用程序中。
本实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，计算机存储介质可以是磁性随机存取存储器(FRAM，ferromagnetic random accessmemory)、只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，ProgrammableRead-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically ErasableProgrammable Read-Only Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。所述计算机存储介质中存储的计算机程序被处理器运行时，实现上述车辆识别方法。所述计算机程序被处理器执行时实现的具体步骤流程请参考图1所示实施例的描述，在此不再赘述。。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
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所述权利要求的保护范围为准。

Claims (5)

1.一种车辆识别方法，其特征在于，所述方法包括：
获取基于车辆的视频监控装置采集的训练图像样本集，所述训练图像样本集包括包含有车辆尾部图像的正样本和不包含有车辆尾部图像的负样本；
对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征；
基于所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征对BP神经网络分类模型进行训练，得到训练后的BP神经网络分类模型；
获取待处理图像后，将所述待处理图像输入经过训练的BP神经网络分类模型，得到所述BP神经网络分类模型输出的所述待处理图像中是否包含车辆的识别结果；
所述对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征，包括：
针对每个所述图像样本，对所述图像样本进行灰度化处理，得到所述图像样本的灰度图；
根据公式计算所述图像样本的图像水平对称特征；其中，symvalue表示图像水平对称性特征，M表示图像样本的像素行数，N表示图像样本的像素列数，sobelpic(i,j)表示图像样本的灰度图中数字矩阵的像素点，/>取整数；
所述对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征，还包括：
基于所述图像样本的灰度图，按照预设规则统计所述图像样本内水平轮廓线的数量；
根据所述水平轮廓线的数量确定所述图像样本的图像水平轮廓特征；
所述基于所述图像样本的灰度图，按照预设规则统计所述图像样本内水平轮廓线的数量，包括：
建立一个大小为2*2的检测滑窗，并设置计数器的初始值和水平轮廓线的数量都为零；
将所述检测滑窗按照从左至右、从上到下的顺序遍历所述图像样本的灰度图中的所有像素，并对应调整计数器的计数值以及根据计数器的计数值统计水平轮廓线的数量；其中，若所述检测滑窗每移动一个像素，则将计算器的计数值加1；若所述检测滑窗中处于同一行的相邻两个像素中至少一个像素的像素值为零，则将计算器的计数值置零；若计算器的计数值大于所述图像样本水平长度的五分之一，则将计算器的计数值置零，同时将水平轮廓线的数量加1；
所述对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征数据、图像水平对称性特征和图像水平轮廓特征，还包括：
计算所述图像样本的灰度图分别在0度、45度、90度和135度四个方向的灰度共生矩阵，分别得到第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵；
提取所述第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵分别对应的角二阶矩、对比度、相关系数和熵；
根据所述第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵分别对应的角二阶矩、对比度、相关系数和熵，计算角二阶矩、对比度、相关系数和熵分别对应的平均值和标准差；
根据所述角二阶矩、对比度、相关系数和熵分别对应的平均值和标准差确定所述图像样本的图像纹理特征。
2.根据权利要求1所述的方法，其特征在于，还包括：
对所述图像样本进行预处理，所述预处理包括以下处理至少一种：畸变修正、投影变换、灰度化、中值滤波、直方图均衡化增强、边缘检测、二值化。
3.一种车辆识别装置，其特征在于，包括：
图像采集模块，用于获取基于车辆的视频监控装置采集的训练图像样本集，所述训练图像样本集包括包含有车辆尾部图像的正样本和不包含有车辆尾部图像的负样本；
特征提取模块，用于对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征；
训练模块，用于基于所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征对BP神经网络分类模型进行训练，得到训练后的BP神经网络分类模型；
处理模块，用于获取待处理图像后，将所述待处理图像输入经过训练的BP神经网络分类模型，得到所述BP神经网络分类模型输出的所述待处理图像中是否包含车辆的识别结果；
所述特征提取模块，具体用于：
针对每个所述图像样本，对所述图像样本进行灰度化处理，得到所述图像样本的灰度图；
根据公式计算所述图像样本的图像水平对称特征；其中，symvalue表示图像水平对称性特征，M表示图像样本的像素行数，N表示图像样本的像素列数，sobelpic(i,j)表示图像样本的灰度图中数字矩阵的像素点，/>取整数；
所述特征提取模块，具体还用于：基于所述图像样本的灰度图，按照预设规则统计所述图像样本内水平轮廓线的数量；根据所述水平轮廓线的数量确定所述图像样本的图像水平轮廓特征；所述基于所述图像样本的灰度图，按照预设规则统计所述图像样本内水平轮廓线的数量，包括：建立一个大小为2*2的检测滑窗，并设置计数器的初始值和水平轮廓线的数量都为零；将所述检测滑窗按照从左至右、从上到下的顺序遍历所述图像样本的灰度图中的所有像素，并对应调整计数器的计数值以及根据计数器的计数值统计水平轮廓线的数量；其中，若所述检测滑窗每移动一个像素，则将计算器的计数值加1；若所述检测滑窗中处于同一行的相邻两个像素中至少一个像素的像素值为零，则将计算器的计数值置零；若计算器的计数值大于所述图像样本水平长度的五分之一，则将计算器的计数值置零，同时将水平轮廓线的数量加1；
所述特征提取模块，具体还用于：计算所述图像样本的灰度图分别在0度、45度、90度和135度四个方向的灰度共生矩阵，分别得到第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵；提取所述第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵分别对应的角二阶矩、对比度、相关系数和熵；根据所述第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵分别对应的角二阶矩、对比度、相关系数和熵，计算角二阶矩、对比度、相关系数和熵分别对应的平均值和标准差；根据所述角二阶矩、对比度、相关系数和熵分别对应的平均值和标准差确定所述图像样本的图像纹理特征。
4.一种车辆识别装置，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，实现权利要求1至2任一项所述车辆识别方法。
5.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至2任一项所述车辆识别方法。
CN202010727897.3A 2020-07-24 2020-07-24 一种车辆识别方法、装置及计算机存储介质 Active CN111950395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010727897.3A CN111950395B (zh) 2020-07-24 2020-07-24 一种车辆识别方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010727897.3A CN111950395B (zh) 2020-07-24 2020-07-24 一种车辆识别方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN111950395A CN111950395A (zh) 2020-11-17
CN111950395B true CN111950395B (zh) 2023-11-24

Family

ID=73338130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010727897.3A Active CN111950395B (zh) 2020-07-24 2020-07-24 一种车辆识别方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111950395B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105938563A (zh) * 2016-04-14 2016-09-14 北京工业大学 一种基于图像纹理的焊缝表面缺陷识别方法
CN107633220A (zh) * 2017-09-13 2018-01-26 吉林大学 一种基于卷积神经网络的车辆前方目标识别方法
CN109492640A (zh) * 2017-09-12 2019-03-19 中国移动通信有限公司研究院 车牌识别方法、装置及计算机可读存储介质
CN110717445A (zh) * 2019-10-09 2020-01-21 清华大学 一种用于自动驾驶的前车距离跟踪系统与方法
US10699323B1 (en) * 2019-08-21 2020-06-30 Capital One Services, Llc Vehicle identification driven by augmented reality (AR)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101861A (zh) * 2017-06-20 2018-12-28 百度在线网络技术（北京）有限公司 障碍物类型识别方法、装置、设备及存储介质
US10853670B2 (en) * 2018-11-21 2020-12-01 Ford Global Technologies, Llc Road surface characterization using pose observations of adjacent vehicles

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105938563A (zh) * 2016-04-14 2016-09-14 北京工业大学 一种基于图像纹理的焊缝表面缺陷识别方法
CN109492640A (zh) * 2017-09-12 2019-03-19 中国移动通信有限公司研究院 车牌识别方法、装置及计算机可读存储介质
CN107633220A (zh) * 2017-09-13 2018-01-26 吉林大学 一种基于卷积神经网络的车辆前方目标识别方法
US10699323B1 (en) * 2019-08-21 2020-06-30 Capital One Services, Llc Vehicle identification driven by augmented reality (AR)
CN110717445A (zh) * 2019-10-09 2020-01-21 清华大学 一种用于自动驾驶的前车距离跟踪系统与方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Lightweight convolutional neural network for vehicle recognition in thermal infrared images;Qing Kang等;《Infrared Physics & Technology》;第104卷;1-8 *
基于OpenCV的前方车辆识别与车距检测系统的设计与研究;景露霞;《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》(第01期);C035-464 *
基于雷达和摄像头的前方车辆识别方法研究;赵逸群;《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》(第12期);C035-219 *
自动驾驶场景障碍物检测与道路识别;Razikhova Meiramgul;《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》(第02期);C035-366 *

Also Published As

Publication number Publication date
CN111950395A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN112528878B (zh) 检测车道线的方法、装置、终端设备及可读存储介质
CN111950394B (zh) 一种车辆变道的预测方法、装置及计算机存储介质
CN111210429B (zh) 点云数据划分方法及装置、障碍物检测方法及装置
TWI770420B (zh) 車輛事故的鑑定方法及裝置、電子設備
CN110414507A (zh) 车牌识别方法、装置、计算机设备和存储介质
CN111461170A (zh) 车辆图像检测方法、装置、计算机设备及存储介质
CN112215794B (zh) 一种双目adas摄像头脏污检测的方法及装置
CN111582054A (zh) 点云数据处理方法及装置、障碍物检测方法及装置
CN111401196A (zh) 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质
CN114049499A (zh) 用于连续轮廓的目标对象检测方法、设备及存储介质
CN111553946A (zh) 用于去除地面点云的方法及装置、障碍物检测方法及装置
CN114155363A (zh) 换流站车辆识别方法、装置、计算机设备和存储介质
CN111222446B (zh) 人脸识别方法、人脸识别装置及移动终端
CN112184700B (zh) 基于单目相机的农业无人车障碍物感知方法及装置
CN111950395B (zh) 一种车辆识别方法、装置及计算机存储介质
CN111062415B (zh) 基于对比差异的目标对象图像提取方法、系统及存储介质
CN110334694B (zh) 一种基于偏振光的屏下光学指纹防攻击方法
CN111161299B (zh) 影像分割方法、存储介质及电子装置
CN111369531A (zh) 图像清晰度的评分方法、设备及存储装置
CN112101139B (zh) 人形检测方法、装置、设备及存储介质
CN111709377B (zh) 特征提取方法、目标重识别方法、装置及电子设备
US20220405527A1 (en) Target Detection Methods, Apparatuses, Electronic Devices and Computer-Readable Storage Media
CN112818743B (zh) 图像识别的方法、装置、电子设备及计算机存储介质
CN110738225B (zh) 图像识别方法及装置
CN113888740A (zh) 一种确定目标车牌框和目标车辆框绑定关系的方法及装置

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