一種基于局部區(qū)域特征的車型識別方法和裝置的制造方法
【專利說明】一種基于局部區(qū)域特征的車型識別方法和裝置 【技術領域】
[0001] 本發(fā)明涉及車型識別技術領域，特別是涉及一種基于局部區(qū)域特征的車型識別方 法和裝置。 【【背景技術】】
[0002] 隨著我國經濟的快速發(fā)展，汽車數(shù)量正在持續(xù)快速增加，而道路設施與汽車數(shù)量 高速增長的矛盾顯現(xiàn)，交通擁擠嚴重影響人們的出行，多發(fā)的交通事故進一步加劇交通擁 擠。如何在這樣的背景下識別出車輛的類型、車輛的特征模型及特征獲取是解決問題的關 鍵。
[0003] 車型識別方法是對現(xiàn)有的車牌自動識別系統(tǒng)的一次較大擴展。針對不同的應用， 研宄人員也釆用了不同的研宄方法。在現(xiàn)階段，車型識別的研宄主要應用在兩個方面：車 輛結構（大型車，小型車）和車輛型號上（不同品牌型號）。在目前的車輛類型判別中，通 過小波分析、模糊理論、神經網絡等技術，主要集中在車輛結構上進行車型識別，如客車、貨 車，轎車車型分類，沒有對車型進行具體的分類識別。 【
【發(fā)明內容】
】
[0004] 本發(fā)明要解決的技術問題是目前的車輛類型判別中，通過小波分析、模糊理論、神 經網絡等技術，主要集中在車輛結構上進行車型識別，如客車、貨車，轎車車型分類，沒有一 種對車型進行具體的分類識別的方法。
[0005] 本發(fā)明一方面，提出了一種基于局部區(qū)域特征的車型識別方法，包括：
[0006] 調取視頻監(jiān)控設備記錄的一幀圖片數(shù)據(jù)；截取所述圖片中的目標區(qū)域，匹配出該 目標區(qū)域所對應的特征庫，所述目標區(qū)域包括車頭區(qū)域、車尾區(qū)域和/或車身區(qū)域；調用匹 配出的特征庫，并基于所述目標區(qū)域的特征檢測，識別所述目標區(qū)域所對應的車型。
[0007] 優(yōu)選的，所述匹配出該目標區(qū)域所對應的特征庫，具體包括：
[0008] 根據(jù)車輛中駕駛員和/或車輪的輪廓特性，識別該目標區(qū)域式屬于車頭區(qū)域、車 尾區(qū)域或車身區(qū)域。
[0009] 優(yōu)選的，所述基于所述目標區(qū)域的特征檢測，具體包括：
[0010] 對目標區(qū)域進行Sobe 1邊緣檢測，獲得目標區(qū)域的輪廓數(shù)據(jù)，對輪廓圖像計算Hu 不變矩；利用SUrf算法對目標區(qū)域進行特征點檢測，計算surf特征描述子；將Hu不變矩和 surf特征描述子的特征參數(shù)輸入到BP神經網絡中進行識別。
[0011] 優(yōu)選的，在進行所述車型識別之前，所述方法還包括：進行BP神經網絡的學習，并 在訓練誤差在預設閾值內時，結束所述BP神經網絡的學習。
[0012] 本發(fā)明在另一方面，提供了一種基于局部區(qū)域特征的車型識別方法，其特征在于， 包括：
[0013] 從監(jiān)控視頻中獲取一幀圖片數(shù)據(jù)；截取所述圖片中的目標區(qū)域，對目標區(qū)域進行 Sobel邊緣檢測，獲得目標區(qū)域的輪廓數(shù)據(jù)，對所述輪廓數(shù)據(jù)計算Hu不變矩；利用surf算 法對目標區(qū)域進行特征點檢測，計算surf特征描述子；將Hu不變矩和surf特征描述子的 特征參數(shù)輸入到BP神經網絡中進行識別，得出所述目標的車型結果數(shù)據(jù)。
[0014] 優(yōu)選的，所述目標區(qū)域包括車頭區(qū)域、車尾區(qū)域和/或車身區(qū)域。
[0015] 優(yōu)選的，在進行所述車型識別之前，所述方法還包括：進行BP神經網絡的學習，并 在訓練誤差在預設閾值內時，結束所述BP神經網絡的學習。
[0016] 本發(fā)明另一方面，還提供了一種基于局部區(qū)域特征的車型識別裝置，包括I/O裝 置、存儲裝置、處理裝置和顯示裝置，具體的：
[0017] 所述I/O裝置，用于接收操作人員調取視頻監(jiān)控裝置記錄的一幀圖片數(shù)據(jù)的操作 指令；所述存儲裝置，用于存儲特征庫；所述處理裝置，用于截取所述圖片中的目標區(qū)域， 匹配出該目標區(qū)域所對應的特征庫，所述目標區(qū)域包括車頭區(qū)域、車尾區(qū)域和/或車身區(qū) 域；調用匹配出的特征庫，并基于所述目標區(qū)域的特征檢測，識別所述目標區(qū)域所對應的車 型；
[0018] 所述顯示裝置，用于顯示識別出的車型結果。的特征檢測，識別所述目標特征檢 測，識別所述目標區(qū)域所對應的車型；所述顯示裝置，用于顯示識別出的車型結果。
[0019] 與現(xiàn)有技術相比，本發(fā)明的有益效果在于：本發(fā)明利用圖像理論及計算機視覺技 術快速對車型進行識別，進而對電子警察監(jiān)控，肇事（車輛在發(fā)生事故后，會呈現(xiàn)不同的車 輛姿態(tài)）、嫌疑、被盜車輛進行智能識別，并為進一步對交通事故責任的認定提供技術支持。 【【附圖說明】】
[0020] 圖1是本發(fā)明實施例提供的一種基于局部區(qū)域特征的車型識別方法的流程圖；
[0021] 圖2是本發(fā)明實施例提供的一種基于局部區(qū)域特征的車型識別方法的流程圖；
[0022] 圖3是本發(fā)明實施例提供的一種基于局部區(qū)域特征的車型識別裝置的結構示意 圖。 【【具體實施方式】】
[0023] 為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。
[0024] 此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術特征只要彼此之間未 構成沖突就可以相互組合。
[0025] 實施例1:
[0026] 本發(fā)明實施例1提供了一種基于局部區(qū)域特征的車型識別方法，如圖1所示，包 括：
[0027] 在步驟201中，調取視頻監(jiān)控設備記錄的一幀圖片數(shù)據(jù)。
[0028] 在步驟202中，截取所述圖片中的目標區(qū)域，匹配出該目標區(qū)域所對應的特征庫， 所述目標區(qū)域包括車頭區(qū)域、車尾區(qū)域和/或車身區(qū)域。
[0029] 在步驟203中，調用匹配出的特征庫，并基于所述目標區(qū)域的特征檢測，識別所述 目標區(qū)域所對應的車型。
[0030] 本發(fā)明根據(jù)視頻監(jiān)控設備記錄車輛的特性，將其記錄的圖片數(shù)據(jù)做了特性歸類， 分為了車頭區(qū)域、車尾區(qū)域和車身區(qū)域，并利用圖像理論及計