[發(fā)明專利]一種基于虛擬號(hào)牌的無(wú)牌車輛識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201611156309.5
• 申請(qǐng)日: 2016-12-15
• 公開(kāi)（公告）號(hào): CN106845341B
• 公開(kāi)（公告）日: 2020-04-10
• 發(fā)明（設(shè)計(jì)）人: 公緒超
• 申請(qǐng)（專利權(quán)）人: 南京積圖網(wǎng)絡(luò)科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46
• 代理公司: 北京辰權(quán)知識(shí)產(chǎn)權(quán)代理有限公司 11619
• 代理人: 郎志濤

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺(jué)領(lǐng)域，尤其涉及一種基于虛擬號(hào)牌的無(wú)牌車輛識(shí)別方法，是交通應(yīng)用領(lǐng)域中的一項(xiàng)重要應(yīng)用。

背景技術(shù)

伴隨我國(guó)交通事業(yè)的快速發(fā)展與民用車輛的大規(guī)模增加，通過(guò)圖像對(duì)行駛車輛進(jìn)行分類管理顯得尤為重要，特別時(shí)對(duì)于無(wú)牌車的識(shí)別與管理工作。目前還沒(méi)有一種成熟的無(wú)牌車識(shí)別解決方案，由于該方案需要準(zhǔn)確獲取車輛的位置大小、車輛品牌、年檢標(biāo)、掛件等信息，以此唯一確定同一車輛。只有這樣才能有效的進(jìn)行無(wú)牌車檢索與管理，但是以往的方法往往由于特征描述不全面，導(dǎo)致該項(xiàng)工作展開(kāi)的并不是很好。

發(fā)明內(nèi)容

為了有效的查找檢索出目標(biāo)車輛，通過(guò)圖像處理構(gòu)建虛擬號(hào)牌庫(kù)，由此提高無(wú)牌車的識(shí)別和管理。本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的。

一種基于虛擬號(hào)牌的無(wú)牌車輛識(shí)別方法，其特征在于，所述方法包括：步驟1為虛擬號(hào)牌構(gòu)建步驟,包括基于視頻或圖像進(jìn)行車輛檢測(cè)，獲得車輛特寫(xiě)圖,對(duì)車輛圖像進(jìn)行特征提取,生成虛擬號(hào)牌，構(gòu)建虛擬號(hào)牌庫(kù)；步驟2為虛擬號(hào)牌庫(kù)識(shí)別步驟,包括基于視頻或圖像進(jìn)行目標(biāo)車輛檢測(cè)，獲得目標(biāo)車輛特寫(xiě)圖，對(duì)目標(biāo)車輛圖像進(jìn)行特征提取,生成虛擬號(hào)牌,與所述虛擬號(hào)牌庫(kù)比對(duì)結(jié)果。

優(yōu)選地，所述步驟1包括：

步驟1-1、基于視頻或圖像進(jìn)行車輛檢測(cè)，提取車輛圖像；

步驟1-2、對(duì)車輛圖像進(jìn)行特征提取，所述特征提取是基于深度學(xué)習(xí)所描述的圖像特征，所述圖像特征包括描述全車圖像的若干維全局特征，和/或描述車輛局部區(qū)域的若干維局部特征；

步驟1-3、將所得的全局特征和/或局部特征量化，并存儲(chǔ)，生成虛擬號(hào)牌，構(gòu)建虛擬號(hào)牌庫(kù)。

優(yōu)選地，所述步驟2包括：

步驟2-1、基于視頻或圖像進(jìn)行目標(biāo)車輛檢測(cè)，提取目標(biāo)車輛圖像；

步驟2-2、對(duì)目標(biāo)車輛圖像進(jìn)行特征提取，所述特征提取是基于深度學(xué)習(xí)所描述的圖像特征，所述圖像特征包括描述全車圖像的若干維全局特征，和/或描述車輛局部區(qū)域的若干維局部特征；

步驟2-3、將所得的目標(biāo)車輛的全局特征和/或局部特征量化，并存儲(chǔ)，生成目標(biāo)車輛的虛擬號(hào)牌；

步驟2-4、將目標(biāo)車輛的虛擬號(hào)牌與虛擬號(hào)牌庫(kù)中的虛擬號(hào)牌逐一比對(duì)，得到識(shí)別結(jié)果。

優(yōu)選地，步驟1-2或者步驟2-2中，所述深度學(xué)習(xí)包括采用快速區(qū)域深度卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法。

優(yōu)選地，步驟1-2或者步驟2-2中，不采用所述深度學(xué)習(xí)的方法，而是采用級(jí)聯(lián)特征目標(biāo)檢測(cè)方法。

優(yōu)選地，所述快速區(qū)域深度卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法包括在得到車輛的特寫(xiě)圖之后，利用深度卷積方法，將所述特寫(xiě)圖作為深度卷積神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)前饋神經(jīng)網(wǎng)絡(luò)計(jì)算得到車輛圖像的若干維全局特征，同時(shí)按照幾何位置關(guān)系確定局部區(qū)域，以此為基礎(chǔ)獲取相應(yīng)的若干維局部特征。

優(yōu)選地，所述步驟1-3包括將獲得的全局特征以及局部特征形成完整的特征向量并無(wú)損的存儲(chǔ)于特征庫(kù)中，以此構(gòu)建車輛的虛擬號(hào)牌庫(kù)，或者根據(jù)大量樣本數(shù)據(jù)的訓(xùn)練，將特征按照訓(xùn)練閾值形成哈希碼，根據(jù)相應(yīng)的哈希表征算法形成二維碼，以此構(gòu)建車輛的虛擬號(hào)牌庫(kù)。

優(yōu)選地，所述步驟2-4包括采用分布式并行計(jì)算的方式，采用倒數(shù)比距離與余弦距離將目標(biāo)車輛的虛擬號(hào)牌和數(shù)據(jù)庫(kù)中的虛擬號(hào)牌進(jìn)行距離相似度匹配，從而進(jìn)行車輛比對(duì)分析。

優(yōu)選地，所述步驟2-4包括當(dāng)相似度高于一定閾值時(shí)，判定識(shí)別成功，并輸出所匹配的虛擬號(hào)牌結(jié)果。

本發(fā)明的優(yōu)點(diǎn)在于：在基于圖像識(shí)別的基礎(chǔ)上，充分利用車輛的全局與局部特征，包括但不僅限于基于深度學(xué)習(xí)或級(jí)聯(lián)目標(biāo)描述的圖像特征。進(jìn)而生成虛擬號(hào)牌與比對(duì)，綜合考慮了整體與局部信息，以此為基礎(chǔ)，對(duì)于每一輛車來(lái)說(shuō)，可以生成唯一的車輛虛擬號(hào)牌，從而不用車牌識(shí)別也能有效的查找檢索出目標(biāo)車輛，對(duì)于高速公路逃費(fèi)稽查、無(wú)牌車闖紅燈、肇事車輛快速查找等多種交通應(yīng)用有著積極意義。

附圖說(shuō)明

通過(guò)閱讀下文優(yōu)選實(shí)施方式的詳細(xì)描述，各種其他的優(yōu)點(diǎn)和益處對(duì)于本領(lǐng)域普通技術(shù)人員將變得清楚明了。附圖僅用于示出優(yōu)選實(shí)施方式的目的，而并不認(rèn)為是對(duì)本發(fā)明的限制。而且在整個(gè)附圖中，用相同的參考符號(hào)表示相同的部件。在附圖中：

圖1示出了根據(jù)本發(fā)明實(shí)施例的一種基于虛擬號(hào)牌的無(wú)牌車輛識(shí)別方法流程圖；

圖2示出了根據(jù)本發(fā)明實(shí)施例的多層卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)圖；

圖3示出了根據(jù)本發(fā)明實(shí)施例的改進(jìn)的多層卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)圖。

圖4示出了根據(jù)本發(fā)明實(shí)施例的DPM+深度目標(biāo)檢測(cè)用于車輛識(shí)別的方法流程圖。