CN115457489A - 一种基于视频监控的车型识别方法 - Google Patents

Abstract

本发明提供了一种基于视频监控的车型识别方法，包括以下步骤：S1、建立包括各车型车辆特征的数据库；S2、提取视频中待识别车辆的车辆特征；S3、将待识别车辆的车辆特征与数据库中的各车型车辆特征进行匹配分析，并识别待识别车辆的车型。本发明有益效果：相较于现有技术，本方法只需要对原有设摄像装置的中设置本方法的程序，即可完成对待识别车辆的车型识别，具有受环境影响较小，检测成本较低，识别效率高的优点。

Description

一种基于视频监控的车型识别方法

技术领域

本发明属于车型识别技术领域，尤其是涉及一种基于视频监控的车型识别方法。

背景技术

车型识别技术作为现代智能交通系统的重要组成部分，能精确地识别车辆类型，实时为路面交通管理系统提供重要的信息，同时也能解决一些非法车辆使用黑牌，套牌等手段逃避公安机关追查的问题；这对未来智能交通系统的发展以及车辆违法犯罪的打击具有重要意义。

当前比较常用的车型识别方法有以下几种：

第一种，环形磁感应线圈检测法：该方法主要是通过在路面下埋设环形电圈，当有车辆通过时会对线圈做切割磁感应线圈，从而产生电流，然后通过硬件设备将电流信号转换为数字信号，根据转换后的数字信号来对车辆进行识别分类。环形磁感应线圈检测法的缺点十分突出，由于设备埋于地下，不仅会对路面造成破坏，而且对于后期设备维护、功能扩展十分不利，维护成本也很高。

第二种，红外线检测法：该方法主要是通过在道路两边安装红外线发射装置,当车辆通过时会遮挡并反射红外线，通过红外线接收装置接收反射后的红外线,并将其转换为数字信号,通过这些信息来对车辆进行检测与识别。红外线检测法易受环境因素与天气因素的影响，鲁棒性比较差。

第三种，基于车牌的识别法：这种识别方法是通过汽车的车牌号来查询车辆信息,每一辆车都对应着一个车牌号，这就相当于车辆的身份证，通过查询车辆车牌号可以精确地了解车辆的详细基本信息。基于车牌的识别法需要事先建立好包含所有的车辆车牌信息的数据库，同时需要有一个庞大的数据库集群来支撑实时车辆信息查询，否则该方法无法体现出它的优越性。

第四种，超声波检测法：该方法首先由传感器发射一束能量到检测区，然后接受反射回来的能量束，通过有关的换能装置，将能量转换成所需要的数据，依据此数据来对车辆进行检测与识别。超声波检测法检测范围呈锥形，受车型、车高变化的影响，检测精度较差，特别是车流严重拥挤情况下，易受环境影响

发明内容

有鉴于此，本发明旨在提出一种基于视频监控的车型识别方法，以期解决上述部分技术问题中的至少之一。

为达到上述目的，本发明的技术方案是这样实现的：

本发明一方面提供了一种基于视频监控的车型识别方法，包括以下步骤：

S1、建立包括各车型车辆特征的数据库；

S2、提取视频中待识别车辆的车辆特征；

S3、将待识别车辆的车辆特征与数据库中的各车型车辆特征进行匹配分析，并识别待识别车辆的车型。

进一步的，所述步骤S1中所述车辆特征包括车牌特征、车标特征、车灯特征、散热器隔栅特征；

将汽车前脸分为六个区域，其中一个区域内至少包括一个的车辆特征：

区域1、包括右大灯；

区域2、包括车标、散热器隔栅；

区域3、包括右小灯，散热器隔栅的右侧部分；

区域4、包括车牌，散热器隔栅临近车牌的部分；

区域5、包括左小灯，散热器隔栅的左侧部分；

区域6、包括右大灯。

进一步的，所述在步骤S2前进行步骤A1锁定视频中运动车辆，所述步骤A1包括如下步骤：

A11、将视频中的图像进行灰度化处理；

A12、将经过灰度化处理的图像进行去噪处理；

A13、构建背景图；

A14、定时更新更新背景图；

A15、锁定视频中运动车辆，并提取拍摄有待识别车辆的图片。

进一步的，所述步骤A1后进行步骤A2对步骤A1中提取的图片进行图像处理，具体包括以下步骤：

A21、将图片进行灰度拉伸处理；

A22、将经过灰度拉伸处理的图片进行图像腐蚀相减处理；

A23、将经过腐蚀相减处理的图片进行二值化处理；

A24、将经过二值化处理的图片进行多级加权中值滤波处理；

A25、将经过多级加权中值滤波处理的图片进行去除离散杂点噪声处理。

进一步的，所述步骤A2后进行步骤A3对步骤A2中经过图像处理的图片中待识别车辆的车脸区域定位。

进一步的，所述步骤S2中提取的车辆特征包括车牌特征、车标特征、车灯特征、散热器隔栅特征，

提取车标特征的步骤如下：

S211、构建车标特征的尺度空间：

尺度空间的建立基于尺度参数的调整，从不同尺度空间中提取目标的根本特征；

尺度参数调整过程中，首先要定义尺度空间内核计算公式为：f_out＝K*f_in，

式中f_in是输入图像,f_out输出图像，K是线性核；

并选择高斯卷积核作为线性核，计算公式为：

尺度空间计算公式为：

L(x,y,σ)＝G(x,y,σ)*I(x,y)；

式中，σ是高斯分布的标准差，G(x,y,σ)高斯卷积核,I(x,y)是输入的二维图像，L(x,y,σ)是二维图像与线性核卷积作用下的尺度空间；

计算高斯差分尺度空间，公式为：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)

＝L(x,y,kσ)-L(x,y,σ)；

式中，k为比例系数，D(x,y,σ)为高斯差分尺度空间；

S212、底层特征局部空间极值点检测：

在不同尺度空间建立基础上，需要确定极值点的检查范围；以3*3关系网格为基准，对相邻尺度空间的所有像素点进行比较，除去当前像素点，本尺度空间及相邻尺度空间共计26个像素点；比较结束后，若其满足灰度值在当前范围最大或最小，则进行数据记录；

S213、定位极值点：

通过三维二次函数的拟合来完成图像增强；

1)与高斯函数相对应的计算公式为：

式中，x＝(x,y,σ)^T,D为检测到的极值点(x₀,y₀,σ₀)^T，D(x)为在检测到的极值点处的泰勒展开式。

2)对于备选点D和D′，当D′＝0时，计算

的公式为：

式中，

为极值点的偏移量。

3)计算

所对应的

同时进行阙值设定：

式中，为对应极值点偏移量的泰勒展开式。

4)对边缘响应点进行处理，首先求解2×2维Hessian矩阵

的迹和行列式：

Tr(H)＝D_xx+D_yy＝α+β；

Det(H)＝D_xxD_yy-(D_xy)²＝αβ；

为消除边缘响应，设r为两个特征值之比，α＝rβ，有

最后通过式子

进行阙值判断；

式中，D_xx,D_yy,D_xy,D_yx为D(x)的二阶偏导，Tr(H)为黑塞矩阵的迹，Det(H)为黑塞矩阵的行列式，α，β为黑塞矩阵的特征值，r为两个特征值之比,R设定的特征值之比参数；

S214、确定关键点的特征方向：

1)得到产生关键点(极值点)的特征方向，计算特征方向的梯度模值，计算公式为：

式中，L(x,y)是关键点(x,y)的尺度函数，m(x,y)是关键点的梯度模值，θ(x,y)是关键点的梯度方向；

2)产生梯度直方图，在0°到360°的取值范围内将其以10°为单位平均对应给36个特征向量，关键点的主方向由该方向上的较高特征值所决定；

S215、特征向量的生成：

1)将正在操作的特征点邻域所在尺度空间中的每个窗口等分成16个小窗口，每个小窗口内包含8个方向信息，则得到特征向量的维数为128个；

2)然后用环数变化的圆形区域代替方形区域；

3)增加一个距离中心点的权重系数ω；

4)对待匹配图片进行归一化处理，计算公式为：

式中

是进行归一化后的输入特征，D＝(d₁,d_2,…,d₈₈,)为88维度输入的网络层。

进一步的，提取车灯特征的步骤如下：

S221、对车辆大灯进行Canny边缘算子检测，具体算法为：

1)首先用高斯平滑算法对图像进行平滑算法处理，过滤掉图像中的噪声干扰；

2)计算出经高斯平滑处理后的图像信息梯度图最后对计算处理的梯度图采用非极大值抑制技术产生细化边缘、识别出伪边缘和间断边缘得到大灯精确图像的边缘轮廓；

S222、霍夫变换算法处理，具体算法是：

将图像的对角距离定为D，把图像经过霍夫变换后的ρ-θ空间参数量化为M*N个单元，把与之相对应的各个单元建立相关累加器矩阵HT，其中把参数θ平均分为M等份，把ρ平均分为N等份，180＞θ≥0，D＞ρ＞-D；

将各个单元所建立的全部累加器矩阵初始值设置为0；

1)将Canny边缘检测算子检测到的非连续边缘点在ρ-θ的空间参数，按照相关量化步长分别取为ρ和θ的值，再根据已经获得的ρ和θ的值把相应的累加器单元加1，公式为：

HT(i,j)＝HT(i,j)+1；

式中HT(i,j)为累加器单元

2)对累加器矩阵进行扫描，当HT(i,j)的值为最大时，所对应的(ρ，θ)的值作为对应车辆大灯轮廓图像的边缘直线；

S223、二维凸包算法，获取到车辆大灯的边缘轮廓曲线，

具体实现步骤如下：

1)通过每条边缘线段计算得到它们各自的中点；

2)从其中一条边缘线段的中点开始，沿着这条边缘直线向其两端进行扫描；

3)获取到其真实边缘线段的两个顶点，并标记顶点；

4)检测全部的边缘线段，我们把横坐标值最小的那个点作为包检测算法的第一个凸点，如果存在两个及以上的凸点时，我们把其中纵坐标值最小的那个点作为凸包检测算法的第一个凸点；

5)将第一个凸点所在的边缘线段的另外一个端点作为凸包检测算法的第二个凸点；

6)把第二个凸点与第一个凸点连线所形成的夹角，取这个夹角的最大值，将形成最大夹角的顶点作为第三个凸点；当第三个凸点不唯一时，将与第二个凸点距离最远的那个点作为第三个凸点，按照这样的方法依次顺着一个确定的方向即可得到所需的所有凸点；

7)连接各个凸点，所形成的多边形就是Snake模型的初始轮廓线；

S224、采用Snake模型算法得出精确的车辆大灯边缘轮廓曲线，具体操作步骤如下：

1)获取当前点(x_i,y_i)的周边范围内的每一个像素点的变化梯度值，并找出梯度值当中的最大值和最小值；

2)计算出当前点(x_i,y_i)的周边范围内每一个像素点的能量值；

3)将计算得到的每个像素点的能量值标准化；

4)在当前点(x_i,y_i)的周边范围内找到能量值最小的那个点，记为标记点；

5)重复上述步骤1)-步骤5)取得多个标记点，将标记点连接形成精确的车辆大灯边缘轮廓曲线。

进一步的，步骤S31中，提取特征值的具体方法如下：

设黎曼积分密度函数为f(x,y)，将图片的(p+q)阶几何不变矩定义为：

把X_C,Y_C作为坐标零点，就能获得相对于原来的图像位移不变的中心矩值：

其中

用7个不变量来带便几何矩，将它们用于图像的平移、旋转和尺度变化不变性，这7个不变量定义如下：

φ₁＝η₂₀+η₀₂

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)×[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)×[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(3η₃₀+η₁₂)(η₂₁+η₀₃)

φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)×[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)×[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

其中，

r＝(p+q+2)/2；

η₁₂表示图像垂直伸展的均衡程度，η₁₂＞0表示图像右边的垂直伸展比左边的大，η₁₂＜0表示图像左边的垂直伸展度比右边大；

η₂₁表示图像水平伸展的均衡程度，η₂₁＞0表示图像下部的水平伸展比上部的大，η₂₁＜0表示图像上部水平伸展比下部大；

η₁₁表示图像的倾斜度，η₁₁＞0表示图像向左上倾斜，η₁₁＜0表示图像向右上倾斜；

η₀₃表示图像在垂直方向的重心偏移度，η₀₃＞0表示重心偏上，η₀₃＜0表示重心偏下；

η₃₀表示图像在水平方向的重心偏移度，η₃₀＞0表示重心偏左，η₃₀＜0表示重心偏右；

步骤S32中，特征值匹配算法为距离相似度匹配法的具体步骤如下：

采用欧氏距离进行相似度度量，计算公式为：

其中X是标准样本向量，Y是待匹配向量，N是特征空间维数；

利用欧氏距离计算公式计算得出待测图像与标准模板数据库中的每个模板数据的相似度系数，取距离计算值的最小值对应的数据库中各车型车辆特征，匹配为待识别车辆的特征。

本发明另一方面提供了一种计算机可读取存储介质，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第一方面所述的基于视频监控的车型识别方法。

相对于现有技术，本发明所述的一种基于视频监控的车型识别方法具有以下有益效果：

(1)本发明所述的一种基于视频监控的车型识别方法，相较于现有技术，本方法只需要对原有设摄像装置的中设置本方法的程序，即可完成对待识别车辆的车型识别，具有受环境影响较小，检测成本较低，识别效率高的优点。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的识别方法流程示意图；

图2为本发明实施例所述的汽车前脸划分结构示意图；

图3为本发明实施例所述的图像处理流程示意图；

图4为本发明实施例所述的车脸区域与车牌区域比例结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

实施例一：

如图1至图4所示，一种基于视频监控的车型识别方法，包括以下步骤：

S1、建立包括各车型车辆特征的数据库；步骤S1中车辆特征包括车牌特征、车标特征、车灯特征、散热器隔栅特征；

将汽车前脸分为六个区域(如图2所示)，其中一个区域内至少包括一个的车辆特征：

区域1、包括右大灯；

区域2、包括车标、散热器隔栅；

区域3、包括右小灯，散热器隔栅的右侧部分；

区域4、包括车牌，散热器隔栅临近车牌的部分；

区域5、包括左小灯，散热器隔栅的左侧部分；

区域6、包括右大灯。

A1、锁定视频中运动车辆(如图3所示)，步骤A1包括如下步骤：

A11、将视频中的图像进行灰度化处理；由于输入的原始视频图像是彩色的RGB三通道图像，存在许多噪声和不必要的色彩干扰，所以需将图片进行灰度化处理以降低干扰。RGB色彩空间中的每个颜色由R、G、B三个颜色分量构成，对该空间的彩色图像进行灰度化也就是对这三个颜色分量进行适合的加权平均，从而获得最终的灰度值，常有三种方法，即:平均值法、最大值法、加权平均值法。本发明采用目前效果最好的加权平均值法，转化公式为：Gray＝W_RR+W_GG+W_BB，式中W_R,W_G,W_B，分别为红绿蓝三种三色的权值，由于人对绿色最敏感，红色次之，蓝色最不敏感，因此将权数取为0.299，0.587，0.114后，转化公式为Gray＝0.299R+0.587G+0.114B。

A12、将经过灰度化处理的图像进行去噪处理；经过灰度化的图像仍然存在许多噪声干扰，所以必须给图像去燥。本发明采用中值滤波器对图像进行去燥，中值滤波是一种非线性平滑滤波，它将每个像素点的像素值设置为滤波器所经过灰度图区域像素值的中值，具体公式如下所示:g(x,y)＝median{f(x,y),(x,y)∈M}，式中g(x,y)是中值滤波之后的灰度值，f(x,y)是滤波器所滑过原始灰度图像区域的像素点，M为滤波器滑过灰度图像的区域。经过中值滤波器对图像进行处理之后，能够去除灰度图像中斑点噪声和椒盐噪声，使图像变得比较平滑。

A13、构建背景图；灰度图像去燥之后接下来便是背景图的提取与构建。视频背景图的构建系统是通过视频的前N帧进行区间统计来得到背景图像，具体通过如下公式得到:

式中f_k(x,y)为第N帧灰度图像(x,y)像素点的值，B_k(x,y)表示得到的背景像素图像(x,y)点的灰度值。

A14、定时更新更新背景图；虽然一般来说监控设备角度不变，视频中的视角也是不变的，但是由于外部环境因素，如天气影响、光照条件变化、路面上杂物等影响，导致监控视频中的背景图是出于不断变化的过程中。如果系统-直沿用一个背景图，会导致由于视频背景不断变化而降低运动物体检测的正确率。因此需要根据如下公式来不断更新背景图：

Acc_x,y(N)＝αAcc_x,y(N-1)+(1-α)f_x,y(N-1),式中，Acc_x,y(N-1)为原始背景图，f_x,y(N-1)为新的视频图像帧，α为背景图像的更新速率，本发明中取0.99。

A15、锁定视频中运动车辆，并提取拍摄有待识别车辆的图片。目前较为成熟的运动物体检测有四种方法，分别是光流法，帧间差分法，背景差分法与目标识别法，本发明采用实时性高，计算量小，正确率也能保证的背景差分法。

A2、对步骤A1中提取的图片进行图像处理，具体包括以下步骤：

A21、将图片进行灰度拉伸处理；把采集到的图片灰度化后进行分段性变化处理。若采集到的原图像f(x,y)经过图像灰度化算法处理后的变化区间为[a,b]，那么希望经过灰度拉伸变换算法处理后的图像g(x,y)的灰度变化范围扩展到区间[c,d]，可以采用以下线性变换来实现：g(x,y)＝[(d-c)(b-a)]f(x,y)+c，为了改善拉伸效果，可令

式中g(x,y)为拉伸后灰度值，f(x,y)为拉伸前的灰度值。

A22、将经过灰度拉伸处理的图片进行图像腐蚀相减处理；

A23、将经过腐蚀相减处理的图片进行二值化处理；设该图像中像素点的总个数为N，所有像素点灰度值的变化范围为[0,L-1]，灰度值等于i的像素点个数为n_i，则该灰度级像素的概率为

选择一个阈值T,能够把该图像中所有像素点灰度值的级别分成两类，-类为C₀,另一类为C₁，C₀范围对应像素点的灰级值级别在[0,T-1]之间，C₁范围对应像素灰度值级别在[T,L-1]之间，则灰度级C₀和灰度级C₁的概率分别为:

C₀和C₁的均值分别为

整个图像的灰度均值为u＝w₀u₀+w₁u₁，定义内间方差为σ²＝w₀(u₀-u)²+w₁(u₁-u)²＝w₀w₁(u₀-u₁)²。令阈值T在[0,L-1]的范围内，以1为步长进行逐渐递增取值，当σ²的值达到最大值时，所得到的T值就是最佳阈值选择。相减后的图像经二值化算法处理。

A24、将经过二值化处理的图片进行多级加权中值滤波处理；以原始图像某像素点P为中心，设置一个矩形窗口，其大小为L＝2N+1(N为正整数)，该像素点P在(x,y)处的灰度值为v(x,y)，将此矩形窗口分成4个区域，则有：

其中R₁,R₂,R₃,R₄分别代表4个方向的一维区域，G₁(x,y),G₂(x,y),G₃(x,y),G₄(x,y),分别代表四个区域内像素点灰度值的中值。由此得出多级加权中值滤波器的输出为：

A25、将经过多级加权中值滤波处理的图片进行去除离散杂点噪声处理。

A3、对步骤A2中经过图像处理的图片中待识别车辆的车脸区域定位。

S2、提取视频中待识别车辆的车辆特征；采用基于车牌识别的方法，首先通过车牌识别算法确定车牌的位置、大小等信息，然后根据车脸与车牌大小比例确定车脸区域。一般，以车牌中心为基准，上下左右分别是车牌宽度的0.7、0.4、1.3和1.3倍，车脸区域与车牌区域比例(如图4所示)。

步骤S2中提取的车辆特征包括车牌特征、车标特征、车灯特征、散热器隔栅特征，

提取车标特征的步骤如下：

S211、构建车标特征的尺度空间：

尺度空间的建立基于尺度参数的调整，从不同尺度空间中提取目标的根本特征；

尺度参数调整过程中，首先要定义尺度空间内核计算公式为:f_out＝K*f_in，

式中f_in是输入图像,f_out输出图像，K是线性核；

并选择高斯卷积核作为线性核，计算公式为：

尺度空间计算公式为：

L(x,y,σ)＝G(x,y,σ)*I(x,y)；

式中，σ是高斯分布的标准差，G(x,y,σ)高斯卷积核,I(x,y)是输入的二维图像，L(x,y,σ)是二维图像与线性核卷积作用下的尺度空间；

计算高斯差分尺度空间，公式为：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)

＝L(x,y,kσ)-L(x,y,σ)；

式中，k为比例系数，D(x,y,σ)为高斯差分尺度空间；

S212、底层特征局部空间极值点检测：

在不同尺度空间建立基础上，需要确定极值点的检查范围；以3*3关系网格为基准，对相邻尺度空间的所有像素点进行比较，除去当前像素点，本尺度空间及相邻尺度空间共计26个像素点；比较结束后，若其满足灰度值在当前范围最大或最小，则进行数据记录；

S213、定位极值点：

通过三维二次函数的拟合来完成图像增强，使细节清晰，屏蔽低对比度关键点所产生的噪声；

1)与高斯函数相对应的计算公式为：

式中，x＝(x,y,σ)^T,D为检测到的极值点(x₀,y₀,σ₀)^T，D(x)为在检测到的极值点处的泰勒展开式；

2)对于备选点D和D′，D′＝0，计算

的公式为：

式中，

为极值点的偏移量；

3)计算

所对应的

同时进行阙值设定：

式中，为对应极值点偏移量的泰勒展开式

4)对边缘响应点进行处理，首先求解2×2维Hessian矩阵

的迹和行列式：

Tr(H)＝D_xx+D_yy＝α+β；

Det(H)＝D_xxD_yy-(D_xy)²＝αβ；

然后筛选边缘响应点，设γ为两个特征值之比，α＝rβ，有

最后通过式子

进行阙值判断；

式中，D_xx,D_yy,D_xy,D_yx为D(x)的二阶偏导，Tr(H)为黑塞矩阵的迹，Det(H)为黑塞矩阵的行列式，α，β为黑塞矩阵的特征值，r为两个特征值之比,R设定的特征值之比参数；

S214、确定关键点的特征方向：

1)得到产生关键点的特征方向，计算特征方向的梯度模值，计算公式为：

θ(x,y)＝tan^-1(L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y))；

式中，L(x,y)是关键点(x,y)的尺度函数，m(x,y)是关键点的梯度模值，θ(x,y)是关键点的梯度方向；

旋转会对待匹配图像带来一定的影响，为最大限度地避免这种影响，采用自动调整SIFT算法中对比度的权重，可以改善确定关键点的均衡性。

2)产生梯度直方图，在0°到360°的取值范围内将其以10°为单位平均对应给36个特征向量，关键点的主方向由该方向上的较高特征值所决定；

S215、特征向量的生成：

1)将正在操作的特征点邻域所在尺度空间中的每个窗口等分成16个小窗口，每个小窗口内包含8个方向信息，则得到特征向量的维数为128个；

2)然后用环数变化的圆形区域代替方形区域；

3)增加一个距离中心点的权重系数ω；

4)对待匹配图片进行归一化处理，计算公式为：

式中

是进行归一化后的输入特征，D＝(d₁,d₂,…,d₈₈,)为88维度输入的网络层。

提取车灯特征的步骤如下：

S221、对车辆大灯进行Canny边缘算子检测，具体算法为：

1)用高斯平滑算法对图像进行平滑算法处理，过滤掉图像中的噪声干扰；

2)计算出经高斯平滑处理后的图像信息梯度图最后对计算处理的梯度图采用非极大值抑制技术产生细化边缘、识别出伪边缘和间断边缘得到大灯精确图像的边缘轮廓；

S222、哈夫变换算法处理，具体算法是：

将图像的对角距离定为D，把图像经过哈夫变换后的ρ-θ空间参数量化为M*N个单元，把与之相对应的各个单元建立相关累加器矩阵HT，其中把参数θ平均分为M等份，把ρ平均分为N等份，180＞θ≥0，D＞ρ＞-D；

将各个单元所建立的全部累加器矩阵初始值设置为0；

1)将Canny边缘检测算子检测到的非连续边缘点在ρ-θ的空间参数，按照相关量化步长分别取为ρ和θ的值，再根据已经获得的ρ和θ的值把相应的累加器单元加1，公式为：

HT(i,j)＝HT(i,j)+1；

式中，HT(i,j)为累加器单元；

2)对累加器矩阵进行扫描，当HT(i,j)的值为最大时，所对应的(ρ，θ)的值作为对应车辆大灯轮廓图像的边缘直线；

S223、二维凸包算法，获取到车辆大灯的边缘轮廓曲线，

具体实现步骤如下：

1)通过每条边缘线段计算得到它们各自的中点；

2)从其中一条边缘线段的中点开始，沿着这条边缘直线向其两端进行扫描；

3)获取到其真实边缘线段的两个顶点，并标记顶点；

4)检测全部的边缘线段，我们把横坐标值最小的那个点作为包检测算法的第一个凸点，如果存在两个及以上的凸点时，我们把其中纵坐标值最小的那个点作为凸包检测算法的第一个凸点；

5)将第一个凸点所在的边缘线段的另外一个端点作为凸包检测算法的第二个凸点；

6)把第二个凸点与第一个凸点连线所形成的夹角，取这个夹角的最大值，将形成最大夹角的顶点作为第三个凸点；当第三个凸点不唯一时，将与第二个凸点距离最远的那个点作为第三个凸点，按照这样的方法依次顺着一个确定的方向即可得到所需的所有凸点；

7)连接各个凸点，所形成的多边形就是Snake模型的初始轮廓线；

S224、采用Snake模型算法得出精确的车辆大灯边缘轮廓曲线，具体操作步骤如下：

1)获取当前点(x_i,y_i)的周边范围内的每一个像素点的变化梯度值，并找出梯度值当中的最大值和最小值；

2)计算出当前点(x_i,y_i)的周边范围内每一个像素点的能量值；

3)将计算得到的每个像素点的能量值标准化；

4)在当前点(x_i,y_i)的周边范围内找到能量值最小的那个点，记为标记点；

5)重复上述步骤1)-步骤5)取得多个标记点，将标记点连接形成精确的车辆大灯边缘轮廓曲线。

S3、将待识别车辆的车辆特征与数据库中的各车型车辆特征进行匹配分析，并识别待识别车辆的车型。

步骤S3的具体步骤如下：

S31、提取待识别车辆的车辆特征的特征值；

步骤S31中，提取特征值的具体方法如下：

设黎曼积分密度函数为f(x,y)，将图片的(p+q)阶几何不变矩定义为：

把X_C,Y_C作为坐标零点，就能获得相对于原来的图像位移不变的中心矩值：

其中

用7个不变量来带便几何矩，将它们用于图像的平移、旋转和尺度变化不变性，这7个不变量定义如下：

φ₁＝η₂₀+η₀₂

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)×[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)×[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(3η₃₀+η₁₂)(η₂₁+η₀₃)

φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)×[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)×[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

其中，

r＝(p+q+2)/2；

η₁₂表示图像垂直伸展的均衡程度，η₁₂＞0表示图像右边的垂直伸展比左边的大，η₁₂＜0表示图像左边的垂直伸展度比右边大；

η₂₁表示图像水平伸展的均衡程度，η₂₁＞0表示图像下部的水平伸展比上部的大，η₂₁＜0表示图像上部水平伸展比下部大；

η₁₁表示图像的倾斜度，η₁₁＞0表示图像向左上倾斜，η₁₁＜0表示图像向右上倾斜；

η₀₃表示图像在垂直方向的重心偏移度，η₀₃＞0表示重心偏上，η₀₃＜0表示重心偏下；

η₃₀表示图像在水平方向的重心偏移度，η₃₀＞0表示重心偏左，η₃₀＜0表示重心偏右；

步骤S32中，特征值匹配算法为距离相似度匹配法的具体步骤如下：

采用欧氏距离进行相似度度量，计算公式为：

S32、采用距离相似度匹配法，将待识别车辆的特征值与数据库中各车型车辆特征的特征值进行匹配分析；

步骤S32中，特征值匹配算法为距离相似度匹配法的具体步骤如下：

采用欧氏距离进行相似度度量，计算公式为：

其中X是标准样本向量，Y是待匹配向量，N是特征空间维数；

利用欧氏距离计算公式计算得出待测图像与标准模板数据库中的每个模板数据的相似度系数，取距离计算值的最小值对应的数据库中各车型车辆特征，匹配为待识别车辆的特征。

匹配顺序为先匹配区域2内的车标，然后按照区域1、3、4、5、6的顺序一次匹配其余区域的特征，区域1至6的匹配权重分别为0.2、0.3、0.2、0.1、0.1、0.1，如果匹配的相似度大于等于90％，则判定待识别车辆识别成功。

相较于现有技术，本方法只需要对原有设摄像装置的中设置本方法的程序，即可完成对待识别车辆的车型识别，具有受环境影响较小，检测成本较低，识别效率高的优点。此外，经过图像处理、提取车辆特征的流程，使得本方法具有检测准确率高，且流程简单识别效率高，不需要人工干预，可直接从视频中待识别车辆进行识别。

实施例二：

一种计算机可读取存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述实施例一的基于视频监控的车型识别方法。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于视频监控的车型识别方法，其特征在于，包括以下步骤：

S1、建立包括各车型车辆特征的数据库；

S2、提取视频中待识别车辆的车辆特征；

S3、将待识别车辆的车辆特征与数据库中的各车型车辆特征进行匹配分析，并识别待识别车辆的车型。

2.根据权利要求1所述的一种基于视频监控的车型识别方法，其特征在于：

所述步骤S1中所述车辆特征包括车牌特征、车标特征、车灯特征、散热器隔栅特征；

将汽车前脸分为六个区域，其中一个区域内至少包括一个的车辆特征：

区域1、包括右大灯；

区域2、包括车标、散热器隔栅；

区域3、包括右小灯，散热器隔栅的右侧部分；

区域4、包括车牌，散热器隔栅临近车牌的部分；

区域5、包括左小灯，散热器隔栅的左侧部分；

区域6、包括右大灯。

3.根据权利要求1所述的一种基于视频监控的车型识别方法，其特征在于：所述在步骤S2前进行步骤A1锁定视频中运动车辆，所述步骤A1包括如下步骤：

A11、将视频中的图像进行灰度化处理；

A12、将经过灰度化处理的图像进行去噪处理；

A13、构建背景图；

A14、定时更新更新背景图；

A15、锁定视频中运动车辆，并提取拍摄有待识别车辆的图片。

4.根据权利要求3所述的一种基于视频监控的车型识别方法，其特征在于：步骤A1后进行步骤A2对步骤A1中提取的图片进行图像处理，具体包括以下步骤：

A21、将图片进行灰度拉伸处理；

A22、将经过灰度拉伸处理的图片进行图像腐蚀相减处理；

A23、将经过腐蚀相减处理的图片进行二值化处理；

A24、将经过二值化处理的图片进行多级加权中值滤波处理；

A25、将经过多级加权中值滤波处理的图片进行去除离散杂点噪声处理。

5.根据权利要求4所述的一种基于视频监控的车型识别方法，其特征在于：步骤A2后进行步骤A3对步骤A2中经过图像处理的图片中待识别车辆的车脸区域定位。

6.根据权利要求1所述的一种基于视频监控的车型识别方法，其特征在于：所述步骤S2中提取的车辆特征包括车牌特征、车标特征、车灯特征、散热器隔栅特征，

提取车标特征的步骤如下：

S211、构建车标特征的尺度空间：

尺度空间的建立基于尺度参数的调整，从不同尺度空间中提取目标的根本特征；

尺度参数调整过程中，首先要定义尺度空间内核计算公式为：f_out＝K*f_in，

式中f_in是输入图像,f_out输出图像，K是线性核；

并选择高斯卷积核作为线性核，计算公式为：

尺度空间计算公式为：

L(x,y,σ)＝G(x,y,σ)*I(x,y)；

式中，σ是高斯分布的标准差，G(x,y,σ)高斯卷积核,I(x,y)是输入的二维图像，L(x,y,σ)是二维图像与线性核卷积作用下的尺度空间；

计算高斯差分尺度空间，公式为：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)

＝L(x,y,kσ)-L(x,y,σ)；

式中，k为比例系数，D(x,y,σ)为高斯差分尺度空间；

S212、底层特征局部空间极值点检测：

在不同尺度空间建立基础上，需要确定极值点的检查范围；以3*3关系网格为基准，对相邻尺度空间的所有像素点进行比较，除去当前像素点，本尺度空间及相邻尺度空间共计26个像素点；比较结束后，若其满足灰度值在当前范围最大或最小，则进行数据记录；

S213、定位极值点：

通过三维二次函数的拟合来完成图像增强；

1)与高斯函数相对应的计算公式为：

式中，x＝(x,y,σ)^T,D为检测到的极值点(x₀,y₀,σ₀)^T，D(x)为在检测到的极值点处的泰勒展开式；

2)对于备选点D和D′，当D′＝0时，计算

的公式为：

式中，

为极值点的偏移量；

3)计算

所对应的

同时进行阙值设定：

式中，为对应极值点偏移量的泰勒展开式；

4)对边缘响应点进行处理，首先求解2×2维Hessian矩阵

的迹和行列式：

Tr(H)＝D_xx+D_yy＝α+β；

Det(H)＝D_xxD_yy-(D_xy)²＝αβ；

为消除边缘响应，设r为两个特征值之比，α＝rβ，有

最后通过式子

进行阙值判断；

式中，D_xx,D_yy,D_xy,D_yx为D(x)的二阶偏导，Tr(H)为黑塞矩阵的迹，Det(H)为黑塞矩阵的行列式，α，β为黑塞矩阵的特征值，r为两个特征值之比,R设定的特征值之比参数；

S214、确定关键点的特征方向：

1)得到产生关键点(极值点)的特征方向，计算特征方向的梯度模值，计算公式为：

式中，L(x,y)是关键点(x,y)的尺度函数，m(x,y)是关键点的梯度模值，θ(x,y)是关键点的梯度方向；

2)产生梯度直方图，在0°到360°的取值范围内将其以10°为单位平均对应给36个特征向量，关键点的主方向由该方向上的较高特征值所决定；

S215、特征向量的生成：

1)将正在操作的特征点邻域所在尺度空间中的每个窗口等分成16个小窗口，每个小窗口内包含8个方向信息，则得到特征向量的维数为128个；

2)然后用环数变化的圆形区域代替方形区域；

3)增加一个距离中心点的权重系数ω；

4)对待匹配图片进行归一化处理，计算公式为：

式中

是进行归一化后的输入特征，D＝(d₁,d₂,…,d₈₈,)为88维度输入的网络层。

7.根据权利要求6所述的一种基于视频监控的车型识别方法，其特征在于：

提取车灯特征的步骤如下：

S221、对车辆大灯进行Canny边缘算子检测，具体算法为：

1)首先用高斯平滑算法对图像进行平滑算法处理，过滤掉图像中的噪声干扰；

2)计算出经高斯平滑处理后的图像信息梯度图最后对计算处理的梯度图采用非极大值抑制技术产生细化边缘、识别出伪边缘和间断边缘得到大灯精确图像的边缘轮廓；

S222、霍夫变换算法处理，具体算法是：

将图像的对角距离定为D，把图像经过霍夫变换后的ρ-θ空间参数量化为M*N个单元，把与之相对应的各个单元建立相关累加器矩阵HT，其中把参数θ平均分为M等份，把ρ平均分为N等份，180＞θ≥0，D＞ρ＞-D；

将各个单元所建立的全部累加器矩阵初始值设置为0；

1)将Canny边缘检测算子检测到的非连续边缘点在ρ-θ的空间参数，按照相关量化步长分别取为ρ和θ的值，再根据已经获得的ρ和θ的值把相应的累加器单元加1，公式为：

HT(i,j)＝HT(i,j)+1；

式中HT(i,j)为累加器单元

2)对累加器矩阵进行扫描，当HT(i,j)的值为最大时，所对应的(ρ，θ)的值作为对应车辆大灯轮廓图像的边缘直线；

S223、二维凸包算法，获取到车辆大灯的边缘轮廓曲线，

具体实现步骤如下：

1)通过每条边缘线段计算得到它们各自的中点；

2)从其中一条边缘线段的中点开始，沿着这条边缘直线向其两端进行扫描；

3)获取到其真实边缘线段的两个顶点，并标记顶点；

4)检测全部的边缘线段，我们把横坐标值最小的那个点作为包检测算法的第一个凸点，如果存在两个及以上的凸点时，我们把其中纵坐标值最小的那个点作为凸包检测算法的第一个凸点；

5)将第一个凸点所在的边缘线段的另外一个端点作为凸包检测算法的第二个凸点；

6)把第二个凸点与第一个凸点连线所形成的夹角，取这个夹角的最大值，将形成最大夹角的顶点作为第三个凸点；当第三个凸点不唯一时，将与第二个凸点距离最远的那个点作为第三个凸点，按照这样的方法依次顺着一个确定的方向即可得到所需的所有凸点；

7)连接各个凸点，所形成的多边形就是Snake模型的初始轮廓线；

S224、采用Snake模型算法得出精确的车辆大灯边缘轮廓曲线，具体操作步骤如下：

1)获取当前点(x_i,y_i)的周边范围内的每一个像素点的变化梯度值，并找出梯度值当中的最大值和最小值；

2)计算出当前点(x_i,y_i)的周边范围内每一个像素点的能量值；

3)将计算得到的每个像素点的能量值标准化；

4)在当前点(x_i,y_i)的周边范围内找到能量值最小的那个点，记为标记点；

5)重复上述步骤1)-步骤5)取得多个标记点，将标记点连接形成精确的车辆大灯边缘轮廓曲线。

8.根据权利要求2所述的一种基于视频监控的车型识别方法，其特征在于：步骤S3的具体步骤如下：

S31、提取待识别车辆的车辆特征的特征值；

S32、采用距离相似度匹配法，将待识别车辆的特征值与数据库中各车型车辆特征的特征值进行匹配分析；

匹配顺序为先匹配区域2内的车标，然后按照区域1、3、4、5、6的顺序一次匹配其余区域的特征，区域1至6的匹配权重分别为0.2、0.3、0.2、0.1、0.1、0.1，如果匹配的相似度大于等于90％，则判定待识别车辆识别成功。

9.根据权利要求7所述的一种基于视频监控的车型识别方法，其特征在于：

步骤S31中，提取特征值的具体方法如下：

设黎曼积分密度函数为f(x,y)，将图片的(p+q)阶几何不变矩定义为：

把X_C,Y_C作为坐标零点，就能获得相对于原来的图像位移不变的中心矩值：

其中

用7个不变量来带便几何矩，将它们用于图像的平移、旋转和尺度变化不变性，这7个不变量定义如下：

φ₁＝η₂₀+η₀₂

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)×[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)×[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(3η₃₀+η₁₂)(η₂₁+η₀₃)

φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)×[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)×[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

其中，

r＝(p+q+2)/2；

η₁₂表示图像垂直伸展的均衡程度，η₁₂＞0表示图像右边的垂直伸展比左边的大，η₁₂＜0表示图像左边的垂直伸展度比右边大；

η₂₁表示图像水平伸展的均衡程度，η₂₁＞0表示图像下部的水平伸展比上部的大，η₂₁＜0表示图像上部水平伸展比下部大；

η₁₁表示图像的倾斜度，η₁₁＞0表示图像向左上倾斜，η₁₁＜0表示图像向右上倾斜；

η₀₃表示图像在垂直方向的重心偏移度，η₀₃＞0表示重心偏上，η₀₃＜0表示重心偏下；

η₃₀表示图像在水平方向的重心偏移度，η₃₀＞0表示重心偏左，η₃₀＜0表示重心偏右；

步骤S32中，特征值匹配算法为距离相似度匹配法的具体步骤如下：

采用欧氏距离进行相似度度量，计算公式为：

其中X是标准样本向量，Y是待匹配向量，N是特征空间维数；

利用欧氏距离计算公式计算得出待测图像与标准模板数据库中的每个模板数据的相似度系数，取距离计算值的最小值对应的数据库中各车型车辆特征，匹配为待识别车辆的特征。

10.一种计算机可读取存储介质，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权利要求1-9任一项所述的基于视频监控的车型识别方法。

Images