CN113469101A - 一种车辆重识别的方法、装置、设备及可读存储介质 - Google Patents
一种车辆重识别的方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113469101A CN113469101A CN202110790905.3A CN202110790905A CN113469101A CN 113469101 A CN113469101 A CN 113469101A CN 202110790905 A CN202110790905 A CN 202110790905A CN 113469101 A CN113469101 A CN 113469101A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- entrance
- exit
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000003137 locomotive effect Effects 0.000 claims description 30
- 238000005303 weighing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 description 20
- 238000009435 building construction Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
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)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆重识别的方法、装置、设备及可读存储介质,所述方法包括:获取待识别的车辆入场信息和车辆出场信息;根据所述车辆入场信息中的入场车牌信息和所述车辆出场信息中的出场车牌信息计算出车牌相似度;根据所述车辆入场信息中的入场车头形态信息和所述车辆出场信息中的出场车头形态信息计算出车头相似度;根据所述车辆入场信息中的入场车尾形态信息和所述车辆出场信息中的出场车尾形态信息计算出车尾相似度;根据所述车牌相似度、所述车头相似度和所述车尾相似度判断所述车辆入场信息和车辆出场信息是否属于同一车辆;本发明能够实现车辆重识别,且车辆重识别的准确率较高。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种车辆重识别的方法、装置、设备及可读存储介质。
背景技术
在建筑施工现场需要对进出施工现场的车辆进行管理,目前的车辆管理方式是通过获取车辆入场信息和车辆出场信息,并由专业人员进行人工信息比对以判断入场车辆和出场车辆是否一致。但由于每天出入施工现场的车辆较多,通过人工比对的方式费时费力且准确率较低;此外,在现有技术中还可以通过识别车辆车牌信息以判断入场车辆和出场车辆是否一致,但是施工现场环境复杂,车牌识别效果难以保证,另外仅通过车牌信息进行车辆识别很难规避车辆套牌的情况。因此,如何更加快速、准确的判断入场车辆和出场车牌是否一致成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的在于提供一种车辆重识别的方法、装置、设备及可读存储介质,能够实现车辆重识别,且车辆重识别的准确率较高。
根据本发明的一个方面,提供了一种车辆重识别的方法,所述方法包括:
获取待识别的车辆入场信息和车辆出场信息;
根据所述车辆入场信息中的入场车牌信息和所述车辆出场信息中的出场车牌信息计算出车牌相似度;
根据所述车辆入场信息中的入场车头形态信息和所述车辆出场信息中的出场车头形态信息计算出车头相似度;
根据所述车辆入场信息中的入场车尾形态信息和所述车辆出场信息中的出场车尾形态信息计算出车尾相似度;
根据所述车牌相似度、所述车头相似度和所述车尾相似度判断所述车辆入场信息和车辆出场信息是否属于同一车辆。
可选的,所述根据所述车辆入场信息中的入场车牌信息和所述车辆出场信息中的出场车牌信息计算出车牌相似度,包括:
计算所述入场车牌信息和所述出场车牌信息的最长相同子字符串a;
确定所述入场车牌信息的字符长度b和所述出场车牌信息的字符长度c;
按照如下公式计算出所述车牌相似度Sp:
Sp=a/min(b,c)。
可选的,所述根据所述车辆入场信息中的入场车头形态信息和所述车辆出场信息中的出场车头形态信息计算出车头相似度,包括:
利用预设的特征提取模型从所述入场车头形态信息中提取出入场车头特征向量,并从所述出场车头形态信息中提取出出场车头特征向量;
计算所述入场车头特征向量和所述出场车头特征向量的欧式距离Df;
按照如下公式计算出所述车头相似度Sf:
Sf=1-min(Df,1)。
可选的,所述根据所述车辆入场信息中的入场车尾形态信息和所述车辆出场信息中的出场车尾形态信息计算出车尾相似度,包括:
利用预设的特征提取模型从所述入场车尾形态信息中提取出入场车尾特征向量,并从所述出场车尾形态信息中提取出出场车尾特征向量;
计算所述入场车尾特征向量和所述出场车尾特征向量的欧式距离Dd;
按照如下公式计算出所述车头相似度Sd:
Sd=1-min(Dd,1)。
可选的,所述根据所述车牌相似度、所述车头相似度和所述车尾相似度判断所述车辆入场信息和车辆出场信息是否属于同一车辆,包括:
按照如下公式计算出车辆相似度Sv:
Sv=α×Sf+(1-α)×Sd;
其中,Sf为所述车头相似度、Sd为所述车尾相似度;
α为第一权重值,且α∈[0,1];
按照如下公式计算出综合相似度S:
S=β×Sp+(1-β)×Sv;
其中,Sp为所述车牌相似度;
β为第二权重值,且β∈[0,1];
判断所述综合相似度是否大于预设阈值,若是,则判定所述车辆入场信息和车辆出场信息属于同一车辆,若否,则判定所述车辆入场信息和车辆出场信息不属于同一车辆。
可选的,所述获取待识别的车辆入场信息和车辆出场信息,包括:
获取过磅系统的磅单信息,并从所述磅单信息中获取两张车辆入场图像和两张车辆出场图像;
将所述两张车辆入场图像作为所述车辆入场信息,并将所述两张车辆出场图像作为所述车辆出场信息。
可选的,在所述获取待识别的车辆入场信息和车辆出场信息之后,所述方法还包括:
从所述两张车辆入场图像中确定出车头方向的车辆入场图像和车尾方向的车辆入场图像,并从所述两张车辆出场图像中确定出车头方向的车辆出场图像和车尾方向的车辆出场图像;
从所述车头方向的车辆入场图像中识别出入场车牌信息,并从所述车头方向的车辆出场图像中识别出出场车牌信息;
从所述车头方向的车辆入场图像中识别出第一车辆轮廓区域以作为所述入场车头形态信息,并从所述车头方向的车辆出场图像中识别出第二车辆轮廓区域以作为所述出场车头形态信息;
从所述车尾方向的车辆入场图像中识别出第三车辆轮廓区域以作为所述入场车尾形态信息,并从所述车尾方向的车辆出场图像中识别出第四车辆轮廓区域以作为所述出场车尾形态信息。
为了实现上述目的,本发明还提供一种车辆重识别的装置,所述装置具体包括以下组成部分:
获取模块,用于获取待识别的车辆入场信息和车辆出场信息;
车牌模块,用于根据所述车辆入场信息中的入场车牌信息和所述车辆出场信息中的出场车牌信息计算出车牌相似度;
车头模块,用于根据所述车辆入场信息中的入场车头形态信息和所述车辆出场信息中的出场车头形态信息计算出车头相似度;
车尾模块,用于根据所述车辆入场信息中的入场车尾形态信息和所述车辆出场信息中的出场车尾形态信息计算出车尾相似度;
判断模块,用于根据所述车牌相似度、所述车头相似度和所述车尾相似度判断所述车辆入场信息和车辆出场信息是否属于同一车辆。
为了实现上述目的,本发明还提供一种计算机设备,该计算机设备具体包括:存储器、处理器以及存储在所述存储器上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介绍的车辆重识别的方法的步骤。
为了实现上述目的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述介绍的车辆重识别的方法的步骤。
本发明提供的车辆重识别的方法、装置、设备及可读存储介质,为了实现对建筑施工现场的车辆自动化管理,首先,在车辆入场时分别获取车辆的车牌信息、车头形态信息和车尾形态信息,并在车辆出场时分别获取车辆的车牌信息、车头形态信息和车尾形态信息;其次,根据入场和出场时获取到的车牌信息计算出车牌相似度,根据入场和出场时获取到的车头形态信息计算出车头相似度,以及根据入场和出场时获取到的车尾形态信息计算出车尾相似度;最后,综合该车牌相似度、车头相似度和车尾相似度判断进出建筑施工现场的车辆是否为同一车辆;本发明能够实现车辆重识别,且车辆重识别的准确率较高,此外,本发明不需要消耗大量的人资资源,且车辆重识别的效率较高。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为实施例一提供的车辆重识别的方法的一种可选的流程示意图;
图2为实施例一提供的车辆重识别的方法的另一种可选的流程示意图;
图3为实施例二提供的车辆重识别的装置的一种可选的组成结构示意图;
图4为实施例三提供的计算机设备的一种可选的硬件架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
实施例一
本发明实施例提供了一种车辆重识别的方法,如图1所示,该方法具体包括以下步骤:
步骤S101:获取待识别的车辆入场信息和车辆出场信息。
具体的,所述车辆入场信息是在车辆进入建筑施工现场时通过摄像头采集到的信息,包括:入场车牌信息、入场车头形态信息和入场车尾形态信息;其中,所述入场车头形态信息为当车辆进入建筑施工现场时通过摄像头从车头方向拍摄的包含车辆的照片或视频,所述入场车尾形态信息为当车辆进入施工现场时通过摄像头从车尾方向拍摄的包含车辆的照片或视频;
所述车辆出场信息是在车辆离开建筑施工现场时通过摄像头采集到的信息,包括:出场车牌信息、出场车头形态信息和出场车尾形态信息;其中,所述出场车头形态信息为当车辆离开建筑施工现场时通过摄像头从车头方向拍摄的包含车辆的照片或视频,所述出场车尾形态信息为当车辆离开建筑施工现场时通过摄像头从车尾方向拍摄的包含车辆的照片或视频。
在本实施例中,当车辆进入建筑施工现场时,会采集车辆的入场信息,并当车辆离开施工现场时,会采集车辆的出场信息;通过对待识别的车辆入场信息和车辆出场信息的分析处理以判断所述车辆入场信息和车辆出场信息是否属于同一车辆。
步骤S102:根据所述车辆入场信息中的入场车牌信息和所述车辆出场信息中的出场车牌信息计算出车牌相似度。
具体的,步骤S102,包括:
步骤A1:计算所述入场车牌信息和所述出场车牌信息的最长相同子字符串a;
步骤A2:确定所述入场车牌信息的字符长度b和所述出场车牌信息的字符长度c;
步骤A3:按照如下公式计算出所述车牌相似度Sp:
Sp=a/min(b,c)。
在本实施例中,将两个车牌的最长相同子字符串与较短的车牌长度的比值作为车牌相似度的值。
需要说明的是,上述仅给出了一种计算车牌相似度的方式,在实际应用中也可以基于入场车牌信息和出场车牌信息按照其他方式计算出车牌相似度,在此并不做具体限定。
步骤S103:根据所述车辆入场信息中的入场车头形态信息和所述车辆出场信息中的出场车头形态信息计算出车头相似度。
具体的,步骤S103,包括:
步骤B1:利用预设的特征提取模型从所述入场车头形态信息中提取出入场车头特征向量,并从所述出场车头形态信息中提取出出场车头特征向量;
步骤B2:计算所述入场车头特征向量和所述出场车头特征向量的欧式距离Df;
步骤B3:按照如下公式计算出所述车头相似度Sf:
Sf=1-min(Df,1);
在本实施例中,将入场车头特征向量和出场车头特征向量的欧式距离与1进行比较,并根据二者中的最小值确定出车头相似度;其中,若计算出的欧式距离大于1,则最终的车头相似度的值为0,即入场车头形态信息与出场车头形态信息完全不相同。
需要说明的是,上述仅给出了一种计算车头相似度的方式,在实际应用中也可以基于入场车头形态信息和出场车头形态信息按照其他方式计算出车头相似度,在此并不做具体限定。
步骤S104:根据所述车辆入场信息中的入场车尾形态信息和所述车辆出场信息中的出场车尾形态信息计算出车尾相似度。
具体的,步骤S104,包括:
步骤C1:利用预设的特征提取模型从所述入场车尾形态信息中提取出入场车尾特征向量,并从所述出场车尾形态信息中提取出出场车尾特征向量;
步骤C2:计算所述入场车尾特征向量和所述出场车尾特征向量的欧式距离Dd;
步骤C3:按照如下公式计算出所述车头相似度Sd:
Sd=1-min(Dd,1);
在本实施例中,将入场车尾特征向量和出场车尾特征向量的欧式距离与1进行比较,并根据二者中的最小值确定出车尾相似度;其中,若计算出的欧式距离大于1,则最终的车尾相似度的值为0,即入场车尾形态信息与出场车尾形态信息完全不相同。
需要说明的是,上述仅给出了一种计算车尾相似度的方式,在实际应用中也可以基于入场车尾形态信息和出场车尾形态信息按照其他方式计算出车尾相似度,在此并不做具体限定。
步骤S105:根据所述车牌相似度、所述车头相似度和所述车尾相似度判断所述车辆入场信息和车辆出场信息是否属于同一车辆。
具体的,步骤S105,包括:
步骤D1:按照如下公式计算出车辆相似度Sv:
Sv=α×Sf+(1-α)×Sd;
其中,Sf为所述车头相似度、Sd为所述车尾相似度;
α为第一权重值,且α∈[0,1];
优选的,α的值为大于等于0.5的值,即车头相似度的权重大于车尾相似度;
步骤D2:按照如下公式计算出综合相似度S:
S=β×Sp+(1-β)×Sv;
其中,Sp为所述车牌相似度;
β为第二权重值,且β∈[0,1];
优选的,β的值为小于等于0.5的值,即车辆相似度的权重大于车牌相似度;
更进一步的,所述方法还包括:
若所述车辆入场信息不包含入场车牌信息或所述车辆出场信息不包含出场车牌信息,则将所述第二权重值设置为0。
即,当无法识别出车辆的车牌信息时,仅根据入场车头形态信息、入场车尾形态信息、出场车头形态信息和出场车尾形态信息计算出综合相似度。
在本实施例中,综合考虑了进/出场的车牌信息、进/出场的车头形态信息和进/出场的车尾形态信息这三种维度的信息来计算综合相似度。
需要说明的是,上述仅给出了一种计算综合相似度的方式,在实际应用中也可以基于入车牌相似度、车头相似度和车尾相似度按照其他方式计算出综合相似度,在此并不做具体限定。
步骤D3:判断所述综合相似度是否大于预设阈值,若是,则判定所述车辆入场信息和车辆出场信息属于同一车辆,若否,则判定所述车辆入场信息和车辆出场信息不属于同一车辆。
在本实施例中,为了实现对建筑施工现场的车辆自动化管理,首先,在车辆入场时分别获取车辆的车牌信息、车头形态信息和车尾形态信息,并在车辆出场时分别获取车辆的车牌信息、车头形态信息和车尾形态信息;其次,根据入场和出场时获取到的车牌信息计算出车牌相似度,根据入场和出场时获取到的车头形态信息计算出车头相似度,以及根据入场和出场时获取到的车尾形态信息计算出车尾相似度;最后,综合该车牌相似度、车头相似度和车尾相似度判断进出建筑施工现场的车辆是否为同一车辆;本实施例能够实现车辆重识别,且车辆重识别的准确率较高,此外,本实施例不需要消耗大量的人资资源,且车辆重识别的效率较高。
此外,步骤S101,具体包括:
步骤E1:获取过磅系统的磅单信息,并从所述磅单信息中获取两张车辆入场图像和两张车辆出场图像;
步骤E2:将所述两张车辆入场图像作为所述车辆入场信息,并将所述两张车辆出场图像作为所述车辆出场信息。
在实际应用中,当施工车辆进入建筑施工现场时,需要经过过磅系统以对车辆进行称重并获取车辆相关信息,且当施工车辆离开建筑施工现场时,也需要进过过磅系统以对车辆重新进行称重并重新获取车辆相关信息。过磅系统会把与一辆施工车辆相关的入场信息和出场信息进行关联以形成该施工车辆的磅单信息。在现有技术中,专业人员通过磅单信息中的入场信息和出场信息来判断入场和出场时的施工车辆是否一致。此外,当施工车辆经过过磅系统时,过磅系统会获取车辆的车牌信息、车辆的车头方向的图像和车辆的车尾方向的图像。因此,在磅单信息中会包含进入建筑施工现场的两张车辆入场图像以及离开建筑施工现场的两张车辆出场图像。
进一步的,在步骤S101之后,所述方法还包括:
步骤F1:从所述两张车辆入场图像中确定出车头方向的车辆入场图像和车尾方向的车辆入场图像,并从所述两张车辆出场图像中确定出车头方向的车辆出场图像和车尾方向的车辆出场图像。
具体的,步骤F1,包括:
步骤F11:将所述两张车辆入场图像输入预设的车脸检测模型中,并将检测出车脸区域的车辆入场图像作为车头方向的车辆入场图像、将未检测出车脸区域的车辆入场图像作为车尾方向的车辆入场图像;
步骤F12:将所述两张车辆出场图像输入预设的车脸检测模型中,并将检测出车脸区域的车辆出场图像作为车头方向的车辆出场图像、将未检测出车脸区域的车辆出场图像作为车尾方向的车辆出场图像;
在本实施例中事先训练好用于检测车脸区域的车脸检测模型,通过该车脸检测模型可以检测在图像中是否包括车辆的车脸区域。
步骤F2:从所述车头方向的车辆入场图像中识别出入场车牌信息,并从所述车头方向的车辆出场图像中识别出出场车牌信息。
具体的,步骤F2,包括:
步骤F21:将所述车头方向的车辆入场图像中车脸区域输入预设的车牌识别模型中,以得到所述入场车牌信息;
步骤F22:将所述车头方向的车辆出场图像中车脸区域输入预设的车牌识别模型中,以得到所述出场车牌信息;
在本实施例中事先训练好用于识别车牌的车牌识别模型,通过该车牌识别模型可以从图像中识别出车牌信息。为了提高车牌识别模型的识别准确率和识别速率,在本实施例中仅将检测出的车脸区域输入到车牌识别模型中,而不是将整张图像输入到车牌识别模型中。
步骤F3:从所述车头方向的车辆入场图像中识别出第一车辆轮廓区域以作为所述入场车头形态信息,并从所述车头方向的车辆出场图像中识别出第二车辆轮廓区域以作为所述出场车头形态信息。
步骤F4:从所述车尾方向的车辆入场图像中识别出第三车辆轮廓区域以作为所述入场车尾形态信息,并从所述车尾方向的车辆出场图像中识别出第四车辆轮廓区域以作为所述出场车尾形态信息。
在本实施例中实现训练好用于识别车辆轮廓区域的车辆轮廓识别模型,通过该车辆轮廓识别模型可以从图像中识别出车辆轮廓。因此,在步骤F3和步骤F4中,通过训练好的车辆轮廓识别模型从图像中识别出车辆轮廓区域,并将识别出的车辆轮廓区域作为对应的车辆形态信息。
在本实施例中,如图2所示,通过上述步骤F1至步骤F4,从两张车辆入场图像中识别出入场车牌信息、入场车头形态信息和入场车尾形态信息,并从两张车辆出场图像中识别出出场车牌信息、出场车头形态信息和出场车尾形态信息;基于从四张图像中识别出的上述信息利用上述步骤S101至步骤S105判断所述两张车辆入场图像和两张车辆出场图像是否为属于同一车辆的图像。
实施例二
本发明实施例提供了一种车辆重识别的装置,如图3所示,该装置具体包括以下组成部分:
获取模块301,用于获取待识别的车辆入场信息和车辆出场信息;
车牌模块302,用于根据所述车辆入场信息中的入场车牌信息和所述车辆出场信息中的出场车牌信息计算出车牌相似度;
车头模块303,用于根据所述车辆入场信息中的入场车头形态信息和所述车辆出场信息中的出场车头形态信息计算出车头相似度;
车尾模块304,用于根据所述车辆入场信息中的入场车尾形态信息和所述车辆出场信息中的出场车尾形态信息计算出车尾相似度;
判断模块305,用于根据所述车牌相似度、所述车头相似度和所述车尾相似度判断所述车辆入场信息和车辆出场信息是否属于同一车辆。
具体的,车牌模块302,用于:
计算所述入场车牌信息和所述出场车牌信息的最长相同子字符串a;
确定所述入场车牌信息的字符长度b和所述出场车牌信息的字符长度c;
按照如下公式计算出所述车牌相似度Sp:
Sp=a/min(b,c)。
具体的,车头模块303,用于:
利用预设的特征提取模型从所述入场车头形态信息中提取出入场车头特征向量,并从所述出场车头形态信息中提取出出场车头特征向量;
计算所述入场车头特征向量和所述出场车头特征向量的欧式距离Df;
按照如下公式计算出所述车头相似度Sf:
Sf=1-min(Df,1)。
具体的,车尾模块304,用于:
利用预设的特征提取模型从所述入场车尾形态信息中提取出入场车尾特征向量,并从所述出场车尾形态信息中提取出出场车尾特征向量;
计算所述入场车尾特征向量和所述出场车尾特征向量的欧式距离Dd;
按照如下公式计算出所述车头相似度Sd:
Sd=1-min(Dd,1)。
具体的,判断模块305,用于:
按照如下公式计算出车辆相似度Sv:
Sv=α×Sf+(1-α)×Sd;
其中,Sf为所述车头相似度、Sd为所述车尾相似度;
α为第一权重值,且α∈[0,1];
按照如下公式计算出综合相似度S:
S=β×Sp+(1-β)×Sv;
其中,Sp为所述车牌相似度;
β为第二权重值,且β∈[0,1];
判断所述综合相似度是否大于预设阈值,若是,则判定所述车辆入场信息和车辆出场信息属于同一车辆,若否,则判定所述车辆入场信息和车辆出场信息不属于同一车辆。
进一步的,获取模块301,用于:
获取过磅系统的磅单信息,并从所述磅单信息中获取两张车辆入场图像和两张车辆出场图像;
将所述两张车辆入场图像作为所述车辆入场信息,并将所述两张车辆出场图像作为所述车辆出场信息。
更进一步的,所述装置还包括:
识别模块,用于从所述两张车辆入场图像中确定出车头方向的车辆入场图像和车尾方向的车辆入场图像,并从所述两张车辆出场图像中确定出车头方向的车辆出场图像和车尾方向的车辆出场图像;从所述车头方向的车辆入场图像中识别出入场车牌信息,并从所述车头方向的车辆出场图像中识别出出场车牌信息;从所述车头方向的车辆入场图像中识别出第一车辆轮廓区域以作为所述入场车头形态信息,并从所述车头方向的车辆出场图像中识别出第二车辆轮廓区域以作为所述出场车头形态信息;从所述车尾方向的车辆入场图像中识别出第三车辆轮廓区域以作为所述入场车尾形态信息,并从所述车尾方向的车辆出场图像中识别出第四车辆轮廓区域以作为所述出场车尾形态信息。
实施例三
本实施例还提供一种计算机设备,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图4所示,本实施例的计算机设备40至少包括但不限于:可通过系统总线相互通信连接的存储器401、处理器402。需要指出的是,图4仅示出了具有组件401-402的计算机设备40,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器401(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器401可以是计算机设备40的内部存储单元,例如该计算机设备40的硬盘或内存。在另一些实施例中,存储器401也可以是计算机设备40的外部存储设备,例如该计算机设备40上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器401还可以既包括计算机设备40的内部存储单元也包括其外部存储设备。在本实施例中,存储器401通常用于存储安装于计算机设备40的操作系统和各类应用软件。此外,存储器401还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器402在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器402通常用于控制计算机设备40的总体操作。
具体的,在本实施例中,处理器402用于执行存储器401中存储的车辆重识别的方法的程序,所述车辆重识别的方法的程序被执行时实现如下步骤:
获取待识别的车辆入场信息和车辆出场信息;
根据所述车辆入场信息中的入场车牌信息和所述车辆出场信息中的出场车牌信息计算出车牌相似度;
根据所述车辆入场信息中的入场车头形态信息和所述车辆出场信息中的出场车头形态信息计算出车头相似度;
根据所述车辆入场信息中的入场车尾形态信息和所述车辆出场信息中的出场车尾形态信息计算出车尾相似度;
根据所述车牌相似度、所述车头相似度和所述车尾相似度判断所述车辆入场信息和车辆出场信息是否属于同一车辆。
上述方法步骤的具体实施例过程可参见第一实施例,本实施例在此不再重复赘述。
实施例四
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下方法步骤:
获取待识别的车辆入场信息和车辆出场信息;
根据所述车辆入场信息中的入场车牌信息和所述车辆出场信息中的出场车牌信息计算出车牌相似度;
根据所述车辆入场信息中的入场车头形态信息和所述车辆出场信息中的出场车头形态信息计算出车头相似度;
根据所述车辆入场信息中的入场车尾形态信息和所述车辆出场信息中的出场车尾形态信息计算出车尾相似度;
根据所述车牌相似度、所述车头相似度和所述车尾相似度判断所述车辆入场信息和车辆出场信息是否属于同一车辆。
上述方法步骤的具体实施例过程可参见第一实施例,本实施例在此不再重复赘述。
需要说明的是,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,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车辆重识别的方法,其特征在于,所述方法包括:
获取待识别的车辆入场信息和车辆出场信息;
根据所述车辆入场信息中的入场车牌信息和所述车辆出场信息中的出场车牌信息计算出车牌相似度;
根据所述车辆入场信息中的入场车头形态信息和所述车辆出场信息中的出场车头形态信息计算出车头相似度;
根据所述车辆入场信息中的入场车尾形态信息和所述车辆出场信息中的出场车尾形态信息计算出车尾相似度;
根据所述车牌相似度、所述车头相似度和所述车尾相似度判断所述车辆入场信息和车辆出场信息是否属于同一车辆。
2.根据权利要求1所述的车辆重识别的方法,其特征在于,所述根据所述车辆入场信息中的入场车牌信息和所述车辆出场信息中的出场车牌信息计算出车牌相似度,包括:
计算所述入场车牌信息和所述出场车牌信息的最长相同子字符串a;
确定所述入场车牌信息的字符长度b和所述出场车牌信息的字符长度c;
按照如下公式计算出所述车牌相似度Sp:
Sp=a/min(b,c)。
3.根据权利要求1所述的车辆重识别的方法,其特征在于,所述根据所述车辆入场信息中的入场车头形态信息和所述车辆出场信息中的出场车头形态信息计算出车头相似度,包括:
利用预设的特征提取模型从所述入场车头形态信息中提取出入场车头特征向量,并从所述出场车头形态信息中提取出出场车头特征向量;
计算所述入场车头特征向量和所述出场车头特征向量的欧式距离Df;
按照如下公式计算出所述车头相似度Sf:
Sf=1-min(Df,1)。
4.根据权利要求1所述的车辆重识别的方法,其特征在于,所述根据所述车辆入场信息中的入场车尾形态信息和所述车辆出场信息中的出场车尾形态信息计算出车尾相似度,包括:
利用预设的特征提取模型从所述入场车尾形态信息中提取出入场车尾特征向量,并从所述出场车尾形态信息中提取出出场车尾特征向量;
计算所述入场车尾特征向量和所述出场车尾特征向量的欧式距离Dd;
按照如下公式计算出所述车头相似度Sd:
Sd=1-min(Dd,1)。
5.根据权利要求1所述的车辆重识别的方法,其特征在于,所述根据所述车牌相似度、所述车头相似度和所述车尾相似度判断所述车辆入场信息和车辆出场信息是否属于同一车辆,包括:
按照如下公式计算出车辆相似度Sv:
Sv=α×Sf+(1-α)×Sd;
其中,Sf为所述车头相似度、Sd为所述车尾相似度;
α为第一权重值,且α∈[0,1];
按照如下公式计算出综合相似度S:
S=β×Sp+(1-β)×Sv;
其中,Sp为所述车牌相似度;
β为第二权重值,且β∈[0,1];
判断所述综合相似度是否大于预设阈值,若是,则判定所述车辆入场信息和车辆出场信息属于同一车辆,若否,则判定所述车辆入场信息和车辆出场信息不属于同一车辆。
6.根据权利要求1至5中任一项所述的车辆重识别的方法,其特征在于,所述获取待识别的车辆入场信息和车辆出场信息,包括:
获取过磅系统的磅单信息,并从所述磅单信息中获取两张车辆入场图像和两张车辆出场图像;
将所述两张车辆入场图像作为所述车辆入场信息,并将所述两张车辆出场图像作为所述车辆出场信息。
7.根据权利要求6所述的车辆重识别的方法,其特征在于,在所述获取待识别的车辆入场信息和车辆出场信息之后,所述方法还包括:
从所述两张车辆入场图像中确定出车头方向的车辆入场图像和车尾方向的车辆入场图像,并从所述两张车辆出场图像中确定出车头方向的车辆出场图像和车尾方向的车辆出场图像;
从所述车头方向的车辆入场图像中识别出入场车牌信息,并从所述车头方向的车辆出场图像中识别出出场车牌信息;
从所述车头方向的车辆入场图像中识别出第一车辆轮廓区域以作为所述入场车头形态信息,并从所述车头方向的车辆出场图像中识别出第二车辆轮廓区域以作为所述出场车头形态信息;
从所述车尾方向的车辆入场图像中识别出第三车辆轮廓区域以作为所述入场车尾形态信息,并从所述车尾方向的车辆出场图像中识别出第四车辆轮廓区域以作为所述出场车尾形态信息。
8.一种车辆重识别的装置,其特征在于,所述装置包括:
获取模块,用于获取待识别的车辆入场信息和车辆出场信息;
车牌模块,用于根据所述车辆入场信息中的入场车牌信息和所述车辆出场信息中的出场车牌信息计算出车牌相似度;
车头模块,用于根据所述车辆入场信息中的入场车头形态信息和所述车辆出场信息中的出场车头形态信息计算出车头相似度;
车尾模块,用于根据所述车辆入场信息中的入场车尾形态信息和所述车辆出场信息中的出场车尾形态信息计算出车尾相似度;
判断模块,用于根据所述车牌相似度、所述车头相似度和所述车尾相似度判断所述车辆入场信息和车辆出场信息是否属于同一车辆。
9.一种计算机设备,所述计算机设备包括:存储器、处理器以及存储在所述存储器上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权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790905.3A CN113469101A (zh) | 2021-07-13 | 2021-07-13 | 一种车辆重识别的方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790905.3A CN113469101A (zh) | 2021-07-13 | 2021-07-13 | 一种车辆重识别的方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469101A true CN113469101A (zh) | 2021-10-01 |
Family
ID=77880088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110790905.3A Pending CN113469101A (zh) | 2021-07-13 | 2021-07-13 | 一种车辆重识别的方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469101A (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09204547A (ja) * | 1996-01-23 | 1997-08-05 | Ibiden Co Ltd | 車両料金徴収装置 |
KR101150750B1 (ko) * | 2011-09-30 | 2012-07-09 | 신원호 | 주차 분산을 유도하는 무인 주차 관제 시스템 및 무인 주차 관제 방법 |
CN103456048A (zh) * | 2013-09-16 | 2013-12-18 | 张忠义 | 一种停车场完全基于车牌识别的停车收费方法 |
CN104732205A (zh) * | 2015-03-09 | 2015-06-24 | 江苏省邮电规划设计院有限责任公司 | 一种高速公路逃费稽查的系统 |
CN106778648A (zh) * | 2016-12-26 | 2017-05-31 | 江苏盛世华安智能科技股份有限公司 | 车辆轨迹跟踪及车牌识别系统和识别方法 |
CN106875693A (zh) * | 2017-03-29 | 2017-06-20 | 广西信路威科技发展有限公司 | 一种车辆特征识别的方法及系统 |
CN107292974A (zh) * | 2017-06-30 | 2017-10-24 | 深圳信路通智能技术有限公司 | 停车计费管理系统和方法 |
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
CN109215141A (zh) * | 2018-07-13 | 2019-01-15 | 姜茂清 | 一种道路停车场电子围栏管理与互联网支付系统 |
CN109767648A (zh) * | 2019-03-07 | 2019-05-17 | 广州我要物流网络科技有限公司 | 一种物流智能停车系统 |
CN110298928A (zh) * | 2019-06-04 | 2019-10-01 | 深圳市金溢科技股份有限公司 | 无人值守的停车场收费管理方法、系统 |
CN110598758A (zh) * | 2019-08-23 | 2019-12-20 | 伟龙金溢科技(深圳)有限公司 | 训练建模方法、车辆收费方法、管理系统及存储介质 |
CN111553205A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 无车牌信息车辆重识别方法、系统、介质、视频监控系统 |
CN111931627A (zh) * | 2020-08-05 | 2020-11-13 | 智慧互通科技有限公司 | 一种基于多模态信息融合的车辆再识别方法及装置 |
CN112509041A (zh) * | 2020-11-25 | 2021-03-16 | 杭州自动桌信息技术有限公司 | 一种基于停车场的车辆定位方法、系统和存储介质 |
CN112884815A (zh) * | 2021-02-02 | 2021-06-01 | 鹏城实验室 | 一种基于多摄像机的车辆追踪方法 |
CN112991600A (zh) * | 2021-03-26 | 2021-06-18 | 杭州海康威视数字技术股份有限公司 | 车辆驶出停车场的方法、装置、系统及设备 |
-
2021
- 2021-07-13 CN CN202110790905.3A patent/CN113469101A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09204547A (ja) * | 1996-01-23 | 1997-08-05 | Ibiden Co Ltd | 車両料金徴収装置 |
KR101150750B1 (ko) * | 2011-09-30 | 2012-07-09 | 신원호 | 주차 분산을 유도하는 무인 주차 관제 시스템 및 무인 주차 관제 방법 |
CN103456048A (zh) * | 2013-09-16 | 2013-12-18 | 张忠义 | 一种停车场完全基于车牌识别的停车收费方法 |
CN104732205A (zh) * | 2015-03-09 | 2015-06-24 | 江苏省邮电规划设计院有限责任公司 | 一种高速公路逃费稽查的系统 |
CN106778648A (zh) * | 2016-12-26 | 2017-05-31 | 江苏盛世华安智能科技股份有限公司 | 车辆轨迹跟踪及车牌识别系统和识别方法 |
CN106875693A (zh) * | 2017-03-29 | 2017-06-20 | 广西信路威科技发展有限公司 | 一种车辆特征识别的方法及系统 |
CN107292974A (zh) * | 2017-06-30 | 2017-10-24 | 深圳信路通智能技术有限公司 | 停车计费管理系统和方法 |
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
CN109215141A (zh) * | 2018-07-13 | 2019-01-15 | 姜茂清 | 一种道路停车场电子围栏管理与互联网支付系统 |
CN109767648A (zh) * | 2019-03-07 | 2019-05-17 | 广州我要物流网络科技有限公司 | 一种物流智能停车系统 |
CN110298928A (zh) * | 2019-06-04 | 2019-10-01 | 深圳市金溢科技股份有限公司 | 无人值守的停车场收费管理方法、系统 |
CN110598758A (zh) * | 2019-08-23 | 2019-12-20 | 伟龙金溢科技(深圳)有限公司 | 训练建模方法、车辆收费方法、管理系统及存储介质 |
CN111553205A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 无车牌信息车辆重识别方法、系统、介质、视频监控系统 |
CN111931627A (zh) * | 2020-08-05 | 2020-11-13 | 智慧互通科技有限公司 | 一种基于多模态信息融合的车辆再识别方法及装置 |
CN112509041A (zh) * | 2020-11-25 | 2021-03-16 | 杭州自动桌信息技术有限公司 | 一种基于停车场的车辆定位方法、系统和存储介质 |
CN112884815A (zh) * | 2021-02-02 | 2021-06-01 | 鹏城实验室 | 一种基于多摄像机的车辆追踪方法 |
CN112991600A (zh) * | 2021-03-26 | 2021-06-18 | 杭州海康威视数字技术股份有限公司 | 车辆驶出停车场的方法、装置、系统及设备 |
Non-Patent Citations (2)
Title |
---|
罗凤珍;陈锦儒;: "机器视觉在线检测的智能停车场管理系统", 信息与电脑(理论版), no. 10, 25 May 2019 (2019-05-25) * |
蔡晓东;甘凯今;杨超;王丽娟;: "基于多分支卷积神经网络的车辆图像比对方法", 电视技术, no. 11, 17 November 2016 (2016-11-17) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107239666B (zh) | 一种对医疗影像数据进行脱敏处理的方法及系统 | |
CN110705405B (zh) | 目标标注的方法及装置 | |
CN111339979B (zh) | 基于特征提取的图像识别方法及图像识别装置 | |
CN112487848B (zh) | 文字识别方法和终端设备 | |
CN110929626A (zh) | 确定库存货物件数的方法、仓库盘点方法、装置及设备 | |
CN110956149A (zh) | 宠物身份核验方法、装置、设备及计算机可读存储介质 | |
CN115731422A (zh) | 多标签分类模型的训练方法、分类方法及装置 | |
CN109087439B (zh) | 票据校验方法、终端设备、存储介质及电子设备 | |
CN111401438B (zh) | 图像分拣方法、装置及系统 | |
CN113469101A (zh) | 一种车辆重识别的方法、装置、设备及可读存储介质 | |
CN108170838B (zh) | 话题演变的可视化展现方法、应用服务器及计算机可读存储介质 | |
CN115222943A (zh) | 基于人工智能的倒车镜损伤检测方法及相关设备 | |
CN115063852A (zh) | 用于确定员工考勤信息的方法、装置、存储介质及处理器 | |
CN110728174A (zh) | 基于车辆识别的伸缩门控制方法、装置及存储介质 | |
CN110910654B (zh) | 违法信息的处理方法、装置、电子设备及可读存储介质 | |
CN114170604A (zh) | 基于物联网的文字识别方法及系统 | |
CN110593711A (zh) | 小区伸缩门的控制方法、装置及存储介质 | |
CN113221907A (zh) | 一种车辆部件分割方法、装置、设备及存储介质 | |
CN112465149A (zh) | 同城件识别方法、装置、电子设备以及存储介质 | |
CN115346143A (zh) | 行为检测方法、电子设备、计算机可读介质 | |
CN112989869A (zh) | 人脸质量检测模型的优化方法、装置、设备及存储介质 | |
CN113382283A (zh) | 视频片头识别方法及系统 | |
CN111079466A (zh) | 一种车辆识别方法、装置、电子设备及存储介质 | |
CN114446039B (zh) | 客流分析方法及相关设备 | |
CN110718087A (zh) | 数据融合处理方法及装置 |
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 |