[發明專利]實時的基于交通視頻的車型檢測系統

有效

• 申請號: 201410142327.2
• 申請日: 2014-04-02
• 公開（公告）號: CN103886760A
• 公開（公告）日: 2014-06-25
• 發明（設計）人: 李濤;葉茂;向濤;李冬梅;朱曉珺;張棟梁;包志均;唐紅強
• 申請（專利權）人: 李濤
• 主分類號: G08G1/017
• 分類號: G08G1/017;G06K9/00;G06K9/66
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及交通車型檢測技術領域，具體涉及一種實時的基于交通視頻的車型檢測系統。

背景技術

汽車作為快捷便利的交通工具被廣泛應用，但近年來其數量的迅速增長給城市交通帶來了巨大壓力，也讓相應管理人員的工作變得日益繁重。隨著計算機視覺技術和硬件產品的快速發展，為了解決這些日益嚴重的交通問題，智能交通系統應運而生(Intell?igent?Transportation?Systems，簡稱ITS)，其中車型識別是智能交通系統的重要組成成分，關于車型識別的一些現有的相關技術也得到了廣泛應用。這些技術在一些具有穩定條件的場合對特定車型展現出了良好的效果，如公交汽車、三廂轎車等。

現在的車型識別主要集中在車型特征描述和車型模板描述匹配上，車型特征描述主要是從監控設備采集到的視頻圖像上獲取車型的特征描述，從而刻畫車型，來達到視頻中車型檢測的目的。當前主要描述車型的特征集中在Harris角點特征，HOG特征，Gabor特征，和SIFT特征等單一特征，或是單一特征進行組合，形成的聯合特征。

而關于車型模板的描述主要是如何建立標準的車型模板庫和模板搜索機制，通過從監控設備采集到的視頻圖像上獲取目標，然后將獲取的目標和車型模板庫相應模板進行匹配，從而確定相關車型。由于汽車所處多為非約束的開放性環境，復雜多變，存在光照變化，視角變換等，所以需要一種準確、實時、且在復雜場合具有高適應性的車型檢測方法。

檢索現有技術之一：中國華南理工大學黃翰、林鎮澤、朱資淘等的發明《基于車輛正面圖像與模板匹配的車型自動識別方法》，公開號：CN103324920A。

該發明公開了一種基于車輛正面圖像與模板匹配的車型自動識別方法，在灰度圖像上，通過車牌確定車輛區域，并建立統一大小的車型模板，在模板進行相關梯度計算，梯度值歸一化后放入神經網絡進行訓練，輸出八類車型結果。該車型算法流程如圖1所示。

該現有技術中，首先對采集到的車輛正面圖像進行灰度化得到灰度圖，并計算灰度圖的橫向梯度圖，原因是考慮了車牌形狀和放置特點，通過橫向梯度圖容易獲取車牌位置并計算車牌寬度。

該現有技術中，因為車牌寬度，位置等信息大多是固定的，所以該方法通過獲取的橫向梯度圖確定的位置并以獲得的位置為中心按相關比例放大，大致可以獲得車輛區域，把得到的區域統一縮放到特征提取模板中，

該現有技術中，根據獲得的模板梯度值，進行歸一化處理，得到相關數據作為車型判斷的特征，輸入到神經網絡，通過訓練得到的神經網絡模型，然后利用該模型獲得檢測數據輸出的車型信息。

該現有技術存在如下缺點：該專利利用了車輛的梯度信息，獲得車牌相關寬度和位置信息由此確定車型模板，但單一利用梯度信息而沒有考慮相關點周圍梯度的影響，使車輛特征表述缺乏完備性，會在一定程度上造成誤報。另外，采用神經網絡訓練其收斂速度慢，存在局部極值等缺點，而且神經網絡的訓練結果過分依賴于選擇的車輛樣本。

檢索現有技術之二：中國石油大學(華東)李宗民、公緒超、劉玉杰等的發明《一種用于智能交通系統中的動態車輛車型識別方法》，CN103258213A。

該發明公開了一種用于智能交通系統中的動態車輛車型識別方法。首先訓練階段利用歸一化后的圖像提取HOG特征和描述整體紋理的GIST特征，作為輸入分別通過SVM獲得兩分類器。然后檢測時，通過獲得的兩分類器結合D-S證據理論對輸出結果進行融合，獲最大概率，從而完成車型識別，該算法具體過程如圖2所示。

該現有技術中，首先在訓練和測試階段引入了HOG特征和整體描述的GIST特征，克服單一特征描述車輛時的信息確實，融合了整體和局部特征。

該現有技術中，兩特征獲取后，在訓練階段利用SVM基于兩特征分別得到兩個判決模型，在測試判斷車型時，通過把檢測車輛的HOG特征和GIST特征輸入訓練好的判決模型獲得相關輸出，就形成了了聯合判決的基礎。

該現有技術中，利用兩個SVM模型對檢測車輛得到的判斷車型的相關概率，通過D-S理論融合了兩個SVM輸出的相關信息，從而得到最大概率值，此最大概率值對應的車型類別，即為當前待識別車輛的類別，至此實現了聯合判決車型，獲得最終檢測結果。