基于圖像檢測的車輛識別方法
【專利摘要】本發(fā)明提供一種基于圖像檢測的車輛識別方法，其包括通過監(jiān)控設(shè)備獲取車輛的車輛圖像，并對車輛圖像進行特征過濾處理以及歸一化處理，以獲取歸一化處理后的車輛圖像；獲取歸一化處理后的車輛圖像的特征向量；對所述歸一化處理后的車輛圖像的特征向量與數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與歸一化處理后的車輛圖像最接近的數(shù)據(jù)庫中的車輛樣本；以及將獲取的數(shù)據(jù)庫中的車輛樣本的類型作為車輛的類型。本發(fā)明的基于圖像檢測的車輛識別方法通過歸一化處理以及對比處理，可以快速、高效以及準確的識別車輛的類型；解決了現(xiàn)有的車輛識別方法的識別效率較低且識別準確度較差的技術(shù)問題。
【專利說明】基于圖像檢測的車輛識別方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及視頻監(jiān)控領(lǐng)域，特別是涉及一種基于圖像檢測的車輛識別方法。

【背景技術(shù)】
[0002]為了實現(xiàn)交通管理，如交通流調(diào)查、交通違法取證、或在高速及停車場的全自動收費等，對車輛進行分類識別的技術(shù)已越來越重要。
[0003]基于視頻圖像的車輛檢測和識別技術(shù)，是一種非接觸式被動檢測技術(shù)。它以視頻圖像作為主要分析對象，利用視頻攝像機從視頻流中提取出交通圖像，并使用計算機模仿人類的視覺功能，通過對圖像進行分析處理提取出有效信息，并根據(jù)該有效信息進行車輛檢測以及車型識別。
[0004]現(xiàn)有的基于圖像檢測的車輛識別方法中，一類是利用車輛的尺寸信息以及輪廓信息進行識別，具有車輛分類過粗的缺陷。
[0005]另一類是對車輛的車標進行識別，即檢測到車輛之后，定位車標的位置，然后利用模式識別技術(shù)對車標的種類進行識別，從而達到認定車輛品牌的目的。這類技術(shù)對圖像的分辨率較高、且受到環(huán)境干擾影響也很大，在圖像分辨率較低的情況下識別的準確度較低。
[0006]故，有必要提供一種基于圖像檢測的車輛識別方法，以解決現(xiàn)有技術(shù)所存在的問題。


【發(fā)明內(nèi)容】

[0007]本發(fā)明實施例提供一種高效且準確的基于圖像檢測的車輛識別方法，以解決現(xiàn)有的車輛識別方法的識別效率較低且識別準確度較差的技術(shù)問題。
[0008]本發(fā)明實施例提供一種基于圖像檢測的車輛識別方法，其包括:
通過監(jiān)控設(shè)備獲取車輛的車輛圖像，并對所述車輛圖像進行特征過濾處理以及歸一化處理，以獲取歸一化處理后的車輛圖像；
獲取所述歸一化處理后的車輛圖像的特征向量；
對所述歸一化處理后的車輛圖像的特征向量與數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本；以及
將獲取的所述數(shù)據(jù)庫中的車輛樣本的類型作為所述車輛的類型。
[0009]在本發(fā)明所述的基于圖像檢測的車輛識別方法中，所述車輛圖像包括用于車輛識別的特征區(qū)域；
所述對所述車輛圖像進行特征過濾處理的步驟包括:
將所述車輛圖像的非特征區(qū)域的圖像進行設(shè)定色彩填充。
[0010]在本發(fā)明所述的基于圖像檢測的車輛識別方法中，所述對所述車輛圖像進行歸一化處理的步驟包括:
對所述車輛圖像的特征區(qū)域的圖像對比度以及特征尺寸進行歸一化處理。
[0011]在本發(fā)明所述的基于圖像檢測的車輛識別方法中，所述對所述歸一化處理后的車輛圖像的特征向量，與數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本的步驟包括:
根據(jù)所述數(shù)據(jù)庫中的車輛樣本的特征向量，對所述數(shù)據(jù)庫中的車輛樣本進行分組操作，并獲取每個組別的車輛樣本的標準樣本；
對所述歸一化處理后的車輛圖像的特征向量，與所述數(shù)據(jù)庫中的每個組別的標準樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫的標準樣本；以及
將所述歸一化處理后的車輛圖像的特征向量，與所述標準樣本對應(yīng)的所述組別的所有車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本。
[0012]在本發(fā)明所述的基于圖像檢測的車輛識別方法中，所述對所述車輛圖像進行特征過濾處理以及歸一化處理的步驟之前包括:
通過所述訓(xùn)練級聯(lián)分類器對所述車輛圖像中的所述車輛進行定位操作。
[0013]在本發(fā)明所述的基于圖像檢測的車輛識別方法中，所述通過所述訓(xùn)練級聯(lián)分類器對所述車輛圖像中的所述車輛進行定位操作的步驟之前還包括:
使用車輛的正負樣本圖像，對所述訓(xùn)練級聯(lián)分類器進行訓(xùn)練。
[0014]在本發(fā)明所述的基于圖像檢測的車輛識別方法中，所述對所述歸一化處理后的車輛圖像的特征向量，與數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本的步驟包括:
使用主成分分析對所述歸一化處理后的車輛圖像的特征向量進行降維處理；以及將所述降維處理后的所述歸一化處理后的車輛圖像的特征向量與所述數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本。
[0015]在本發(fā)明所述的基于圖像檢測的車輛識別方法中，所述將所述降維處理后的所述歸一化處理后的車輛圖像的特征向量與所述數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本的步驟包括:
根據(jù)所述數(shù)據(jù)庫中的車輛樣本的特征向量，對所述數(shù)據(jù)庫中的車輛樣本進行分組操作，并獲取每個組別的車輛樣本的標準樣本；
將所述降維處理后的所述歸一化處理后的車輛圖像的特征向量，與所述數(shù)據(jù)庫中的每個組別的標準樣本的相應(yīng)的特征向量進行比較，以獲取與所述降維處理后的所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫的標準樣本；以及
將所述降維處理后的所述歸一化處理后的車輛圖像的特征向量，與所述標準樣本對應(yīng)的所述組別的所有車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述降維處理后的所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本。
[0016]在本發(fā)明所述的基于圖像檢測的車輛識別方法中，所述獲取所述歸一化處理后的車輛圖像的特征向量的步驟包括:
對所述歸一化處理后的車輛圖像進行有效部分分割；以及獲取所述歸一化處理后的車輛圖像的所述有效部分的特征向量。
[0017]在本發(fā)明所述的基于圖像檢測的車輛識別方法中，所述車輛的類型包括車型、品牌、顏色以及車輛朝向的至少其中之一。
[0018]相較于現(xiàn)有技術(shù)的車輛識別方法，本發(fā)明的基于圖像檢測的車輛識別方法通過歸一化處理以及對比處理，可以快速、高效以及準確的識別車輛的類型；解決了現(xiàn)有的車輛識別方法的識別效率較低且識別準確度較差的技術(shù)問題。

【專利附圖】

【附圖說明】
[0019]圖1為本發(fā)明的基于圖像檢測的車輛識別方法的優(yōu)選實施例的流程圖；
圖2為本發(fā)明的基于圖像檢測的車輛識別方法的優(yōu)選實施例的步驟S103的流程圖之
圖3為本發(fā)明的基于圖像檢測的車輛識別方法的優(yōu)選實施例的步驟S103的流程圖之
--O

【具體實施方式】
[0020]請參照圖式，其中相同的組件符號代表相同的組件，本發(fā)明的原理是以實施在一適當?shù)倪\算環(huán)境中來舉例說明。以下的說明是基于所例示的本發(fā)明具體實施例，其不應(yīng)被視為限制本發(fā)明未在此詳述的其它具體實施例。
[0021]在以下的說明中，本發(fā)明的具體實施例將參考由一部或多部計算機所執(zhí)行之作業(yè)的步驟及符號來說明，除非另有述明。因此，其將可了解到這些步驟及操作，其中有數(shù)次提到為由計算機執(zhí)行，包括了由代表了以一結(jié)構(gòu)化型式中的數(shù)據(jù)之電子信號的計算機處理單元所操縱。此操縱轉(zhuǎn)換該數(shù)據(jù)或?qū)⑵渚S持在該計算機之內(nèi)存系統(tǒng)中的位置處，其可重新配置或另外以本領(lǐng)域技術(shù)人員所熟知的方式來改變該計算機之運作。該數(shù)據(jù)所維持的數(shù)據(jù)結(jié)構(gòu)為該內(nèi)存之實體位置，其具有由該數(shù)據(jù)格式所定義的特定特性。但是，本發(fā)明原理以上述文字來說明，其并不代表為一種限制，本領(lǐng)域技術(shù)人員將可了解到以下所述的多種步驟及操作亦可實施在硬件當中。
[0022]如本申請所使用的術(shù)語“組件”、“模塊”、“系統(tǒng)”、“接口 ”、“進程”等等一般地旨在指計算機相關(guān)實體:硬件、硬件和軟件的組合、軟件或執(zhí)行中的軟件。例如，組件可以是但不限于是運行在處理器上的進程、處理器、對象、可執(zhí)行應(yīng)用、執(zhí)行的線程、程序和/或計算機。通過圖示，運行在控制器上的應(yīng)用和該控制器二者都可以是組件。一個或多個組件可以有在于執(zhí)行的進程和/或線程內(nèi)，并且組件可以位于一個計算機上和/或分布在兩個或更多計算機之間。
[0023]而且，要求保護的主題可以被實現(xiàn)為使用標準編程和/或工程技術(shù)產(chǎn)生軟件、固件、硬件或其任意組合以控制計算機實現(xiàn)所公開的主題的方法、裝置或制造品。本文所使用的術(shù)語“制造品”旨在包含可從任意計算機可讀設(shè)備、載體或介質(zhì)訪問的計算機程序。當然，本領(lǐng)域技術(shù)人員將認識到可以對該配置進行許多修改，而不脫離要求保護的主題的范圍或精神。
[0024]本文提供了實施例的各種操作。在一個實施例中，所述的一個或多個操作可以構(gòu)成一個或多個計算機可讀介質(zhì)上存儲的計算機可讀指令，其在被電子設(shè)備執(zhí)行時將使得計算設(shè)備執(zhí)行所述操作。描述一些或所有操作的順序不應(yīng)當被解釋為暗示這些操作必需是順序相關(guān)的。本領(lǐng)域技術(shù)人員將理解具有本說明書的益處的可替代的排序。而且，應(yīng)當理解，不是所有操作必需在本文所提供的每個實施例中存在。
[0025]而且，本文所使用的詞語“優(yōu)選的”意指用作實例、示例或例證。奉文描述為“優(yōu)選的”任意方面或設(shè)計不必被解釋為比其他方面或設(shè)計更有利。相反，詞語“優(yōu)選的”的使用旨在以具體方式提出概念。如本申請中所使用的術(shù)語“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或從上下文中清楚，“X使用A或B”意指自然包括排列的任意一個。即，如果X使用A ;X使用B;或X使用A和B 二者，則“X使用A或B”在前述任一示例中得到滿足。
[0026]而且，盡管已經(jīng)相對于一個或多個實現(xiàn)方式示出并描述了本公開，但是本領(lǐng)域技術(shù)人員基于對本說明書和附圖的閱讀和理解將會想到等價變型和修改。本公開包括所有這樣的修改和變型，并且僅由所附權(quán)利要求的范圍限制。特別地關(guān)于由上述組件(例如元件、資源等)執(zhí)行的各種功能，用于描述這樣的組件的術(shù)語旨在對應(yīng)于執(zhí)行所述組件的指定功能(例如其在功能上是等價的)的任意組件(除非另外指示)，即使在結(jié)構(gòu)上與執(zhí)行本文所示的本公開的示范性實現(xiàn)方式中的功能的公開結(jié)構(gòu)不等同。此外，盡管本公開的特定特征已經(jīng)相對于若干實現(xiàn)方式中的僅一個被公開，但是這種特征可以與如可以對給定或特定應(yīng)用而言是期望和有利的其他實現(xiàn)方式的一個或多個其他特征組合。而且，就術(shù)語“包括”、“具有”、“含有”或其變形被用在【具體實施方式】或權(quán)利要求中而言，這樣的術(shù)語旨在以與術(shù)語“包含”相似的方式包括。
[0027]請參照圖1，圖1為本發(fā)明的基于圖像檢測的車輛識別方法的優(yōu)選實施例的流程圖。本優(yōu)選實施例的基于圖像檢測的車輛識別方法包括:
步驟S101，通過監(jiān)控設(shè)備獲取車輛的車輛圖像，并對車輛圖像進行過濾處理以及歸一化處理，以獲取歸一化處理后的車輛圖像；
步驟S102，獲取歸一化處理后的車輛圖像的特征向量；
步驟S103，對歸一化處理后的車輛圖像的特征向量與數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與歸一化處理后的車輛圖像最接近的數(shù)據(jù)庫中的K個車輛樣本；步驟S104，根據(jù)獲取的數(shù)據(jù)庫中的K個車輛樣本的類型確定車輛的類型。
[0028]下面詳細說明本優(yōu)選實施例的基于圖像檢測的車輛識別方法的各步驟的具體原理。
[0029]在步驟SlOl中，車輛識別裝置通過監(jiān)控攝像頭等監(jiān)控設(shè)備獲取車輛的車輛圖像。然后使用訓(xùn)練級聯(lián)分類器對車輛圖像中的車輛進行定位操作，其包括步驟:
步驟S1011，獲取車輛的正負樣本圖像，該樣本圖像包括但不限于不同圖像源、不同場景、不同時間段以及不同類型車輛的樣本圖像。然后對樣本圖像使用哈爾(Haar)特征進行特征提取，使用Adaboost算法對特征進行選取得到訓(xùn)練級聯(lián)分類器。并將測試中的漏警目標作為正樣本(即該樣本圖像中具有車輛圖像，但訓(xùn)練級聯(lián)分類器未檢測出該樣本圖像中具有車輛圖像)，測試中的虛警目標作為負樣本(即該樣本圖像中不具有車輛圖像，但訓(xùn)練級聯(lián)分類器檢測出該樣本圖像中具有車輛圖像)。通過上述正負樣本對訓(xùn)練級聯(lián)分類器進行再次訓(xùn)練，以提高訓(xùn)練級聯(lián)分類器的檢測準確率。
[0030]步驟S1012，使用步驟SlOll中獲取的訓(xùn)練級聯(lián)分類器對車輛圖像中的車輛進行定位操作。
[0031]然后對獲取的車輛圖像進行過濾處理以及歸一化處理，具體包括:
步驟S1013，由于車輛圖像的拍攝角度以及環(huán)境光線可能會對車輛類型的識別造成影響，同時車輛圖像中的非特征區(qū)域也有可能會對車輛類型的識別造成影響，因此車輛識別裝置為了消除上述的影響，首先對車輛圖像的特征區(qū)域進行判斷，如可通過車輛的車前窗或車燈等易識別的特征對車輛進行定位，從而確定車輛圖像的特征區(qū)域；然后對車輛圖像的非特征區(qū)域的圖像進行設(shè)定色彩填充，填充的設(shè)定色彩不會對后續(xù)識別操作造成影響。
[0032]步驟S1014，車輛識別裝置對車輛圖像的特征區(qū)域的圖像對比度以及特征尺寸進行歸一化處理，圖像對比度的歸一化處理可以較好的消除環(huán)境光線對車輛識別的影響，可通過圖像增強或直方圖均衡的方式來實現(xiàn)。特征尺寸的歸一化處理根據(jù)已識別的特征調(diào)整車輛圖像中車輛的尺寸，以更好的對特征區(qū)域的特征進行判斷，不會由于車輛圖像中的車輛尺寸大小不一，造成錯誤的識別。
[0033]這樣即獲取歸一化處理后的車輛圖像，隨后轉(zhuǎn)到步驟S102。
[0034]在步驟S102中，車輛識別裝置獲取歸一化處理的車輛圖像的特征向量，該特征向量為該步驟提取的多種特征值的集合。為了減少后續(xù)識別操作的計算量，這里可以的先對歸一化處理后的車輛圖像進行有效部分的分割操作，然后獲取歸一化處理后的車輛圖像的有效部分的特征向量。這里提取的特征值主要包括三部分:哈爾特征、方向梯度直方圖(Histogram of Oriented Gradient, HOG)特征以及歸一化處理后的車窗位置、車窗高度、車燈間距、車牌寬度等車輛特征。隨后轉(zhuǎn)到步驟S103。
[0035]在步驟S103中，車輛識別裝置對歸一化處理后的車輛圖像的特征向量與數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與歸一化處理后的車輛圖像最接近的K個數(shù)據(jù)庫中的車輛樣本。具體過程請參照圖2，圖2為本發(fā)明的基于圖像檢測的車輛識別方法的優(yōu)選實施例的步驟S103的流程圖之一。該步驟S103包括:
步驟S1031，根據(jù)數(shù)據(jù)庫中的車輛樣本的特征向量，對數(shù)據(jù)庫中的車輛樣本進行分組操作，并獲取每個組別的車輛樣本的標準樣本；
步驟S1032，對歸一化處理后的車輛圖像的特征向量，與數(shù)據(jù)庫中的每個組別的標準樣本的相應(yīng)的特征向量進行比較，以獲取與歸一化處理后的車輛圖像最接近的數(shù)據(jù)庫的標準樣本；
步驟S1033，將歸一化處理后的車輛圖像的特征向量，與標準樣本對應(yīng)的組別的所有車輛樣本的相應(yīng)的特征向量進行比較，以獲取與歸一化處理后的車輛圖像最接近的數(shù)據(jù)庫中的K個車輛樣本。
[0036]在步驟S1031中，車輛識別裝置根據(jù)預(yù)設(shè)數(shù)據(jù)庫中的車輛樣本的特征向量，使用K-means聚類算法對預(yù)設(shè)數(shù)據(jù)庫中的車輛樣本進行分組聚類操作，然后將距離分組中心最近的樣本作為每個組別的車輛樣本的標準樣本。隨后轉(zhuǎn)到步驟S1032。
[0037]在步驟S1032中，車輛識別裝置將步驟S102獲取的歸一化處理后的車輛圖像的特征向量，與步驟S1031確定的所有組別的標準樣本的相應(yīng)的特征向量進行比較，從而獲取與歸一化處理后的車輛圖像最接近的預(yù)設(shè)數(shù)據(jù)庫的標準樣本。隨后轉(zhuǎn)到步驟S1033。
[0038]在步驟S1033中，車輛識別裝置將歸一化處理后的車輛圖像的特征向量，與步驟S1032獲取的標準樣本對應(yīng)的組別的所有車輛樣本的相應(yīng)的特征向量進行比較，以獲取與歸一化處理后的車輛圖像最接近的數(shù)據(jù)庫中的K個車輛樣本。
[0039]步驟S103通過分組比較的方式可以極大的減少計算量，如預(yù)設(shè)數(shù)據(jù)庫中具有I萬個樣本，按——對比原則需要對比I萬次，但是在步驟S1031中將I萬個樣本分成100個分組之后，只需要在步驟S1032中將歸一化處理后的車輛圖像的特征向量和標準樣本比較100次，然后在步驟S1033中將歸一化處理后的車輛圖像的特征向量與標準樣本對應(yīng)組別的所有樣本比較100次，即完成了最接近的車輛樣本的獲取工作，大大減少了計算量(200次遠小于I萬次)。隨后轉(zhuǎn)到步驟S104。
[0040]在步驟S104中，車輛識別裝置可使用K最近鄰(kNN, k-NearestNeighbor)算法根據(jù)步驟S103中獲取的數(shù)據(jù)庫中的K個車輛樣本的類型確定車輛的類型。該車輛的類型包括但不限于車型、品牌、顏色以及車輛朝向等。在本優(yōu)選實施例中K如為1，則直接選擇車輛圖像最接近的數(shù)據(jù)庫中的一個車輛樣本的類型作為車輛的類型。K如大于等于1，則可根據(jù)車輛圖像最接近的數(shù)據(jù)庫中的K個車輛樣本的類型，確定車輛的類型，如K為3，且最接近的數(shù)據(jù)庫中的三個車輛樣本中的兩個車輛樣本為同一類型，則將該兩個同一類型的車輛樣本的類型作為車輛的類型。
[0041]這樣即完成了本優(yōu)選實施例的車輛識別方法的車輛識別過程。
[0042]此外，在步驟S104之后，還可人工審核步驟S104的識別結(jié)果是否正確，并將正確的識別結(jié)果添加到預(yù)設(shè)數(shù)據(jù)庫中，以進一步提高本優(yōu)選實施例的車輛識別方法的車輛識別能力。
[0043]優(yōu)選的，請參照圖3，圖3為本發(fā)明的基于圖像檢測的車輛識別方法的優(yōu)選實施例的步驟S103的流程圖之二。該步驟S103包括:
步驟S1031A，使用主成分分析對歸一化處理后的車輛圖像的特征向量進行降維處理；步驟S1032A，根據(jù)降維處理后的數(shù)據(jù)庫中的車輛樣本的特征向量，對數(shù)據(jù)庫中的車輛樣本進行分組操作，并獲取每個組別的車輛樣本的標準樣本；
步驟S1033A，將降維處理后的歸一化處理后的車輛圖像的特征向量，與數(shù)據(jù)庫中的每個組別的標準樣本的相應(yīng)的特征向量進行比較，以獲取與降維處理后的歸一化處理后的車輛圖像最接近的數(shù)據(jù)庫的標準樣本；
步驟S1034A，將降維處理后的歸一化處理后的車輛圖像的特征向量，與最接近的標準樣本對應(yīng)的組別的所有車輛樣本的相應(yīng)的特征向量進行比較，以獲取與降維處理后的歸一化處理后的車輛圖像最接近的數(shù)據(jù)庫中的K個車輛樣本；
在步驟 S1031A 中，由于方向梯度直方圖(Histogram of Oriented Gradient, HOG)特征的數(shù)量較多，為了加快計算速度，本步驟中車輛識別裝置使用主成分分析(PCA，Principal Component Analysis)對步驟S102中獲取的歸一化處理后的車輛圖像的特征向量進行降維處理。隨后轉(zhuǎn)到步驟S1032A。
[0044]在步驟S1032A中，車輛識別裝置對預(yù)設(shè)數(shù)據(jù)庫中的車輛樣本的特征向量也進行相應(yīng)的降維處理，具體的降維處理方法與上述步驟S1031A中的方法相同。然后車輛識別裝置根據(jù)降維處理后的預(yù)設(shè)數(shù)據(jù)庫中的車輛樣本的特征向量，使用K-means聚類算法對預(yù)設(shè)數(shù)據(jù)庫中的車輛樣本進行分組聚類操作，然后將距離分組中心最近的樣本作為每個組別的車輛樣本的標準樣本。隨后轉(zhuǎn)到步驟S1033A。
[0045]在步驟S1033A中，車輛識別裝置將步驟S1031A獲取的降維處理后的歸一化處理后的車輛圖像的特征向量，與步驟S1032A確定的所有組別的標準樣本的相應(yīng)的特征向量進行比較，從而獲取與降維處理后的歸一化處理后的車輛圖像最接近的預(yù)設(shè)數(shù)據(jù)庫的標準樣本。隨后轉(zhuǎn)到步驟S1034A。
[0046]在步驟S1034A中，車輛識別裝置將步驟S1031A獲取的降維處理后的歸一化處理后的車輛圖像的特征向量，與步驟S1033A獲取的標準樣本對應(yīng)的組別的所有車輛樣本的相應(yīng)的特征向量進行比較，以獲取與歸一化處理后的車輛圖像最接近的數(shù)據(jù)庫中的K個車輛樣本。
[0047]本優(yōu)選實施例通過降維處理的方式，進一步優(yōu)化了車輛識別方法的車輛識別效率。
[0048]本發(fā)明的基于圖像檢測的車輛識別方法通過歸一化處理以及對比處理，將車輛的分類問題轉(zhuǎn)換為車輛的識別問題，提高了車輛類型識別的準確性。同時細化了分類的程度，可以細分的車輛類型大大增加。
[0049]本發(fā)明的基于圖像檢測的車輛識別方法通過具有大量樣本的樣本庫以及樣本庫的積累機制，保證了車輛類型識別的準確性；因此可以快速、高效以及準確的識別車輛的類型；解決了現(xiàn)有的車輛識別方法的識別效率較低且識別準確度較差的技術(shù)問題。
[0050]本發(fā)明實施例中的各功能單元可以集成在一個處理模塊中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個模塊中。上述集成的模塊既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能模塊的形式實現(xiàn)。所述集成的模塊如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質(zhì)中。上述提到的存儲介質(zhì)可以是只讀存儲器，磁盤或光盤等。上述的各裝置或系統(tǒng)，可以執(zhí)行相應(yīng)方法實施例中的方法。
[0051]綜上所述，雖然本發(fā)明已以優(yōu)選實施例揭露如上，但上述優(yōu)選實施例并非用以限制本發(fā)明，本領(lǐng)域的普通技術(shù)人員，在不脫離本發(fā)明的精神和范圍內(nèi)，均可作各種更動與潤飾，因此本發(fā)明的保護范圍以權(quán)利要求界定的范圍為準。
【權(quán)利要求】
1.一種基于圖像檢測的車輛識別方法，其特征在于，包括: 通過監(jiān)控設(shè)備獲取車輛的車輛圖像，并對所述車輛圖像進行特征過濾處理以及歸一化處理，以獲取歸一化處理后的車輛圖像； 獲取所述歸一化處理后的車輛圖像的特征向量； 對所述歸一化處理后的車輛圖像的特征向量與數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本；以及 根據(jù)獲取的所述數(shù)據(jù)庫中的車輛樣本的類型確定所述車輛的類型。
2.根據(jù)權(quán)利要求1所述的基于圖像檢測的車輛識別方法，其特征在于，所述車輛圖像包括用于車輛識別的特征區(qū)域； 所述對所述車輛圖像進行特征過濾處理的步驟包括: 將所述車輛圖像的非特征區(qū)域的圖像進行設(shè)定色彩填充。
3.根據(jù)權(quán)利要求2所述的基于圖像檢測的車輛識別方法，其特征在于，所述對所述車輛圖像進行歸一化處理的步驟包括: 對所述車輛圖像的特征區(qū)域的圖像對比度以及特征尺寸進行歸一化處理。
4.根據(jù)權(quán)利要求1所述的基于圖像檢測的車輛識別方法，其特征在于，所述對所述歸一化處理后的車輛圖像的特征向量，與數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本的步驟包括: 根據(jù)所述數(shù)據(jù)庫中的車輛樣本的特征向量，對所述數(shù)據(jù)庫中的車輛樣本進行分組操作，并獲取每個組別的車輛樣本的標準樣本； 對所述歸一化處理后的車輛圖像的特征向量，與所述數(shù)據(jù)庫中的每個組別的標準樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫的標準樣本；以及 將所述歸一化處理后的車輛圖像的特征向量，與所述標準樣本對應(yīng)的所述組別的所有車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本。
5.根據(jù)權(quán)利要求1所述的基于圖像檢測的車輛識別方法，其特征在于，所述對所述車輛圖像進行特征過濾處理以及歸一化處理的步驟之前包括: 通過所述訓(xùn)練級聯(lián)分類器對所述車輛圖像中的所述車輛進行定位操作。
6.根據(jù)權(quán)利要求5所述的基于圖像檢測的車輛識別方法，其特征在于，所述通過所述訓(xùn)練級聯(lián)分類器對所述車輛圖像中的所述車輛進行定位操作的步驟之前還包括: 使用車輛的正負樣本圖像，對所述訓(xùn)練級聯(lián)分類器進行訓(xùn)練。
7.根據(jù)權(quán)利要求1所述的基于圖像檢測的車輛識別方法，其特征在于，所述對所述歸一化處理后的車輛圖像的特征向量，與數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本的步驟包括: 使用主成分分析對所述歸一化處理后的車輛圖像的特征向量進行降維處理；以及 將所述降維處理后的所述歸一化處理后的車輛圖像的特征向量與所述數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本。
8.根據(jù)權(quán)利要求7所述的基于圖像檢測的車輛識別方法，其特征在于，所述將所述降維處理后的所述歸一化處理后的車輛圖像的特征向量與所述數(shù)據(jù)庫中的車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本的步驟包括: 根據(jù)所述數(shù)據(jù)庫中的車輛樣本的特征向量，對所述數(shù)據(jù)庫中的車輛樣本進行分組操作，并獲取每個組別的車輛樣本的標準樣本； 將所述降維處理后的所述歸一化處理后的車輛圖像的特征向量，與所述數(shù)據(jù)庫中的每個組別的標準樣本的相應(yīng)的特征向量進行比較，以獲取與所述降維處理后的所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫的標準樣本；以及 將所述降維處理后的所述歸一化處理后的車輛圖像的特征向量，與所述標準樣本對應(yīng)的所述組別的所有車輛樣本的相應(yīng)的特征向量進行比較，以獲取與所述降維處理后的所述歸一化處理后的車輛圖像最接近的所述數(shù)據(jù)庫中的車輛樣本。
9.根據(jù)權(quán)利要求1所述的基于圖像檢測的車輛識別方法，其特征在于，所述獲取所述歸一化處理后的車輛圖像的特征向量的步驟包括: 對所述歸一化處理后的車輛圖像進行有效部分分割；以及 獲取所述歸一化處理后的車輛圖像的所述有效部分的特征向量。
10.根據(jù)權(quán)利要求1所述的基于圖像檢測的車輛識別方法，其特征在于，所述車輛的類型包括車型、品牌、顏色以及車輛朝向的至少其中之一。
【文檔編號】G06K9/64GK104361359SQ201410685354
【公開日】2015年2月18日 申請日期:2014年11月25日 優(yōu)先權(quán)日:2014年11月25日
【發(fā)明者】曹泉, 何小晨 申請人:深圳市哈工大交通電子技術(shù)有限公司