專利名稱：車輛識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及車輛檢測(cè)領(lǐng)域，特別是指一種車輛識(shí)別方法。
背景技術(shù)：
隨著社會(huì)經(jīng)濟(jì)的發(fā)展，車輛的增多，通過計(jì)算機(jī)信息化、智能化的管理車輛成為必然。由于機(jī)動(dòng)車輛的保有量的急速攀升導(dǎo)致城市和道路交通面臨的問題尤為突出。由主觀或客觀原因?qū)е率沟媒煌ㄟ`法行為、交通事故頻繁發(fā)生，在影響了正常交通秩序的同時(shí)，對(duì)國民經(jīng)濟(jì)、社會(huì)發(fā)展和人們的生命及財(cái)產(chǎn)安全造成了極大的威脅，城市交通管理面臨的壓力與日俱增，單純依靠人力已經(jīng)愈來愈難以滿足日益艱巨的管理要求。當(dāng)車輛違規(guī)逃離后，由于存在同樣的車輛，如果沒有其他的如車牌或關(guān)鍵標(biāo)識(shí)的特征，存在不容易在其經(jīng)過的位置成功識(shí)別的問題。

發(fā)明內(nèi)容
本發(fā)明提出了一種車輛識(shí)別方法，以解決上述現(xiàn)有技術(shù)不能對(duì)車輛進(jìn)行成功識(shí)別的問題。為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的，包括:對(duì)當(dāng)前幀的視頻圖像進(jìn)行前景檢測(cè)；提取在當(dāng)前幀中的檢測(cè)到的車輛圖像的特征點(diǎn)；如果當(dāng)前巾貞中的車輛圖像的特征點(diǎn)與預(yù)先記錄的一個(gè)車輛圖像的特征點(diǎn)相匹配，則比較所述當(dāng)前幀中的車輛圖像與匹配到的車輛圖像的顏色特征，如果一致，則確定匹配成功。通過本發(fā)明的方法，可比較攝像頭中的車輛圖像與預(yù)先記錄的車輛圖像是否一致，從而對(duì)可能存在違章逃逸的車輛進(jìn)行查找確認(rèn)。例如，當(dāng)前攝像頭拍攝到交通肇事逃逸的車輛，記錄該逃逸車輛圖像的一組特征點(diǎn)，通過其它攝像頭監(jiān)控到的圖像，可辨別出是否為逃逸的車輛。


為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是實(shí)施例的流程圖；圖2是實(shí)施例中采用SIFT算法和BBF算法進(jìn)行匹配的流程圖。
具體實(shí)施例方式為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。參見圖1，本發(fā)明的實(shí)施例包括以下步驟:Sll:對(duì)當(dāng)前幀的視頻圖像進(jìn)行前景檢測(cè)；S12:提取在當(dāng)前幀中的檢測(cè)到的車輛圖像的特征點(diǎn)；S13:如果當(dāng)前巾貞中的車輛圖像的特征點(diǎn)與預(yù)先記錄的一個(gè)車輛圖像的特征點(diǎn)相匹配，則比較所述當(dāng)前幀中的車輛圖像與匹配到的車輛圖像的顏色特征，如果一致，則確定匹配成功。通過本發(fā)明的方法，可比較攝像頭中的車輛圖像與預(yù)先記錄的車輛圖像是否一致，從而對(duì)可能存在違章逃逸的車輛進(jìn)行查找確認(rèn)。例如，當(dāng)前攝像頭拍攝到交通肇事逃逸的車輛，記錄該逃逸車輛圖像的一組特征點(diǎn)，通過其它攝像頭監(jiān)控到的圖像，可辨別出是否為逃逸的車輛。優(yōu)選地，上述實(shí)施例中，可采用SIFT算法提取特征點(diǎn)，并通過BBF算法判斷是否匹配。參見圖2，包括以下步驟:S21:讀取視頻圖像；用一個(gè)固定視場(chǎng)的監(jiān)控?cái)z像機(jī)，對(duì)公路中行駛的車輛獲取視頻圖像。為了保證對(duì)車輛檢測(cè)和跟蹤的準(zhǔn)確性，采樣間隔應(yīng)在0.05-0.2秒之間。
`
S22:對(duì)每幀圖像去噪等預(yù)處理；S23:采用高斯混合模型對(duì)車輛進(jìn)行檢測(cè)；本方法采用混合高斯模型對(duì)背景進(jìn)行建模?；旌细咚菇Ｓ捎邢迋€(gè)高斯函數(shù)的加權(quán)和組成。對(duì)每一個(gè)像素點(diǎn)，定義K個(gè)高斯模型(K可以取3至6)。然后高斯混合模型初始化計(jì)算視頻序列圖像像素的均值μ ^和方差。0。檢查每一個(gè)新的像素值是否與背景的高斯混合模型匹配，如果不匹配，該像素是前景圖像，不對(duì)高斯混合模型參數(shù)進(jìn)行更新。如果匹配則對(duì)相應(yīng)的參數(shù)進(jìn)行更新。高斯模型參數(shù)(權(quán)值K、均值U1、方差 <)更新方程如公式(I) (2) (3) (4):μ0 = —X., crO = 7乞(t _Α))2 “)
/V =0Jy t=0Wi (t) = (1-α ) Wi (t_l) + α (2)μ i(t) = (1-P ) μ i(t-l) + P X(t) (3)of (/) = (1- p) σ*(/ -1) + p( A (i)— /./,(/))'(Λ(/)(4)其中α為背景更新率,(O ^ α ^ I), P為背景參數(shù)更新率并且P = a /Wi (t),X(t)為t時(shí)刻的像素，N為圖像中像素的總個(gè)數(shù)，μ Jt)表示t時(shí)刻第i個(gè)單高斯分布的
均值，Wi⑴表示t時(shí)刻第i個(gè)單高斯分布的權(quán)重，并且i>,(t) = i。K個(gè)高斯模型。
1=1S24:將檢測(cè)到的圖像作為單獨(dú)的一幅圖像保存。利用混合高斯模型的背景建模方法對(duì)視頻圖像進(jìn)行車輛檢測(cè)，生成一幅二值圖像(O代表背景，1代表車輛像素點(diǎn))，同時(shí)對(duì)二值圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理，使車輛運(yùn)動(dòng)區(qū)域更加完整。同時(shí)執(zhí)行S25、S26兩個(gè)步驟；S25:提取車輛的特征顏色；S26 =SIFT算法提取特征點(diǎn)。優(yōu)選地，視頻圖像中的運(yùn)動(dòng)圖像的特征點(diǎn)通過以下步驟確定:讀取一幀視頻圖像，該圖像為I (x，y)，與高斯函數(shù)G (x，y，σ )卷積，得到尺度空間的圖像L (X, y, σ )；
權(quán)利要求
1.一種車輛識(shí)別方法，其特征在于，包括: 對(duì)當(dāng)前幀的視頻圖像進(jìn)行前景檢測(cè)； 提取在當(dāng)前幀中的檢測(cè)到的車輛圖像的特征點(diǎn)； 如果當(dāng)前幀中的車輛圖像的特征點(diǎn)與預(yù)先記錄的一個(gè)車輛圖像的特征點(diǎn)相匹配，則t匕較所述當(dāng)前幀中的車輛圖像與匹配到的車輛圖像的顏色特征，如果一致，則確定匹配成功。
2.根據(jù)權(quán)利要求1所述的車輛識(shí)別方法，其特征在于，所述提取特征點(diǎn)的過程包括: 在高斯差分尺度空間，根據(jù)不同的高斯核函數(shù)的σ值，建立車輛圖像所對(duì)應(yīng)的多張層疊的不同尺度的圖像； 在當(dāng)前層的尺度的圖像內(nèi)，如果一個(gè)像素點(diǎn)在本層及其兩個(gè)相鄰層的8鄰域內(nèi)，為最大值或最小值，則該點(diǎn)為該尺度下的一個(gè)特征點(diǎn)。
3.根據(jù)權(quán)利要求2所述的車輛識(shí)別方法，其特征在于，所述匹配的過程包括: 根據(jù)每個(gè)尺度下的每個(gè)特征點(diǎn)所在車輛圖像的位置，確定該特征點(diǎn)及其周圍鄰域內(nèi)的像素點(diǎn)的梯度，建立該特征點(diǎn)對(duì)應(yīng)的描述子； 確定所述車輛圖像的每個(gè)特征點(diǎn)對(duì)應(yīng)的描述子與所述記錄的一組特征點(diǎn)對(duì)應(yīng)的描述子的歐氏距離d; 其中，所述歐式距離d=sqrt( Σ (xil-xi2) "2) ;xiI為記錄的一組特征點(diǎn)中的一個(gè)特征點(diǎn)的第i維向量、xi2為車輛圖像中的一個(gè)特征點(diǎn)的第i維向量； 如果最小的歐式距離不大于第一閾值、且最小的歐氏距離與次小的歐式距離的比值不大于第二閾值，則確定用于 運(yùn)算出所述最小的歐式距離的兩個(gè)描述子各自對(duì)應(yīng)的特征點(diǎn)相匹配； 當(dāng)相匹配的特征點(diǎn)的數(shù)量占記錄的該組特征點(diǎn)總數(shù)量的比值超過第三閾值后，確定車輛圖像的特征點(diǎn)與該組特征點(diǎn)匹配成功。
4.根據(jù)權(quán)利要求2所述的車輛識(shí)別方法，其特征在于，所述σ值介于O 20之間。
5.根據(jù)權(quán)利要求3所述的車輛識(shí)別方法，其特征在于，所述建立描述子的過程包括: 根據(jù)所述確定的該特征點(diǎn)及其周圍鄰域內(nèi)的像素點(diǎn)的梯度，建立梯度直方圖； 將所述梯度直方圖中梯度的最大模對(duì)應(yīng)的角度范圍中的任意一個(gè)角度作為主方向； 用一個(gè)中心在該區(qū)域中央的高斯函數(shù)對(duì)所述周圍鄰域內(nèi)的各個(gè)像素點(diǎn)的梯度的模加權(quán)； 將所述周圍鄰域內(nèi)的各個(gè)像素劃分為多個(gè)區(qū)塊，根據(jù)每個(gè)區(qū)塊內(nèi)的像素點(diǎn)的加權(quán)后的模長、相對(duì)于所述主方向的角度差值，建立每個(gè)區(qū)塊內(nèi)的直方圖，確定該區(qū)塊內(nèi)的向量； 以多維向量的格式記錄全部區(qū)塊的向量信息形成特征向量，作為該特征點(diǎn)的描述子。
6.根據(jù)權(quán)利要求5所述的車輛識(shí)別方法，其特征在于，還包括:建立所述梯度直方圖的過程中，如果其中一個(gè)特征點(diǎn)的梯度的模大于第四閾值，則將該梯度的模值設(shè)置為第四閾值。
7.根據(jù)權(quán)利要求1所述的車輛識(shí)別方法，其特征在于，所述預(yù)先記錄的特征點(diǎn)包括多組，每組特征點(diǎn)對(duì)應(yīng)一個(gè)車輛圖像； 還包括:采用kd-tree記錄所述多組特征點(diǎn)； 采用BBF查詢算法,在所述kd-tree中查詢相匹配的一組特征點(diǎn)。
8.根據(jù)權(quán)利要求1所述的車輛識(shí)別方法，其特征在于，還包括:如果在多幀圖像中存在的車輛圖像的特征點(diǎn)均與記錄的同一個(gè)車輛圖像的特征點(diǎn)相匹配、且多幀圖像中存在的車輛圖像的顏色特 征相一致，則確定多幀圖像中存在的車輛圖像為相同的車輛圖像。
全文摘要
本發(fā)明提供了一種車輛識(shí)別方法，包括對(duì)當(dāng)前幀的視頻圖像進(jìn)行前景檢測(cè)；提取在當(dāng)前幀中的檢測(cè)到的車輛圖像的特征點(diǎn)；如果當(dāng)前幀中的車輛圖像的特征點(diǎn)與預(yù)先記錄的一個(gè)車輛圖像的特征點(diǎn)相匹配，則比較所述當(dāng)前幀中的車輛圖像與匹配到的車輛圖像的顏色特征，如果一致，則確定匹配成功。通過本發(fā)明的方法，可比較攝像頭中的車輛圖像與預(yù)先記錄的車輛圖像是否一致，從而對(duì)可能存在違章逃逸的車輛進(jìn)行查找確認(rèn)。例如，當(dāng)前攝像頭拍攝到交通肇事逃逸的車輛，記錄該逃逸車輛圖像的一組特征點(diǎn)，通過其它攝像頭監(jiān)控到的圖像，可辨別出是否為逃逸的車輛。
文檔編號(hào)G08G1/017GK103116986SQ20131002095
公開日2013年5月22日 申請(qǐng)日期2013年1月21日 優(yōu)先權(quán)日2013年1月21日
發(fā)明者王海峰, 王曉萌, 何小波, 董博, 楊宇, 張凱歌 申請(qǐng)人:信幀電子技術(shù)(北京)有限公司