基于前臉特征的車型識別方法
【專利摘要】本發(fā)明提供一種基于前臉特征的車型識別方法，包括以下部分：S01、一種基于圖像直方圖信息的路面車輛自動提取方法：分析道路上交通卡口傳回的路面圖像，采用單目圖像分析方法，提取出路面圖像中可能存在的車輛區(qū)域；S02、一種融合了顏色和梯度信息的車前臉截取方法：在采用S01得到的車輛區(qū)域圖像中通過分析目標(biāo)的顏色和梯度信息，完成車前臉的截??；S03、進行基于異類樣本分析的車輛型號在線訓(xùn)練，建立各種車型的車輛模板；S04、一種基于車前臉特征子空間的車輛型號判別方法：基于S02所截取的車輛前臉與S03得到的車型模板匹配，得出車輛型號的判別決策。本發(fā)明能夠準(zhǔn)確的進行車輛車型的自動識別，大大方便了需要車型信息的相關(guān)部門的日常工作。
【專利說明】基于前臉特征的車型識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像識別【技術(shù)領(lǐng)域】，尤其是一種基于車輛前臉特征的車型識別方法。【背景技術(shù)】
[0002]隨著人工智能、自動控制和模式識別等領(lǐng)域的發(fā)展，智能交通系統(tǒng)應(yīng)運而生，并取得巨大發(fā)展。車輛類型的智能識別分類一直是智能交通系統(tǒng)的重要組成部分。車輛類型的準(zhǔn)確識別對于高速公路收費額的確定、大型停車場的管理以及公路交通監(jiān)視控制等都有著非常重要的意義。
[0003]傳統(tǒng)的車型分類檢測器主要有壓電式檢測器、紅外檢測器、磁感應(yīng)式檢測器及超聲波檢測器，易受其他外部不穩(wěn)定因素的影響，且多是大體估計車輛長度而不能準(zhǔn)確估計車輛類型。視覺監(jiān)測裝置與其他類型的檢測器相比，有安裝簡單、維修方便、成本低以及信息量豐富等優(yōu)點，目前已成為智能交通系統(tǒng)研究的熱點。
[0004]視頻監(jiān)控是計算機視覺、模式識別以及人工智能等領(lǐng)域的一個重要的研究內(nèi)容，在安全監(jiān)控、智能交通、軍事導(dǎo)航等方面有著廣泛的應(yīng)用前景。在目前的車輛類型判別中，大多通過降噪處理、邊緣檢測，從視頻圖像中提取汽車總長、寬度、高度、不變矩等特征量，然后進行模式識別，判斷出車輛的車型，但只能對車輛的大體種類進行判斷，如貨車、轎車等，并無法實現(xiàn)車輛所對應(yīng)的具體型號的判別。
[0005]由于同種類的車輛所對應(yīng)的型號有近萬種，對車輛具體型號進行判別的工作非常具有挑戰(zhàn)性，當(dāng)前相關(guān)研究甚少。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于提供一種基于前臉特征的車型識別方法，通過獲取交通卡口圖像，利用圖像分析技術(shù)快速準(zhǔn)確獲取車前臉圖像，自動建立不同車型的車前臉特征識別模板集，通過多層搜索及近鄰比對技術(shù)，進而實時完成通過各交通卡口的車輛的車型的判別工作，為交通管理及刑偵系統(tǒng)提供技術(shù)支持。本發(fā)明采用的技術(shù)方案是:
[0007]一種基于前臉特征的車型識別方法，包括以下部分:
[0008]S01、一種基于圖像直方圖信息的路面車輛自動提取方法:分析道路上交通卡口傳回的路面圖像，采用單目圖像分析方法，提取出路面圖像中可能存在的車輛區(qū)域；
[0009]S02、一種融合了顏色和梯度信息的車前臉截取方法:在采用SOl得到的車輛區(qū)域圖像中通過分析目標(biāo)的顏色和梯度信息，完成車前臉的截取；
[0010]S03、進行基于異類樣本分析的車輛型號在線訓(xùn)練，建立各種車型的車輛模板；
[0011]S04、一種基于車前臉特征子空間的車輛型號判別方法:基于S02所截取的車輛前臉與S03得到的車型模板匹配，得出車輛型號的判別決策。
[0012]本發(fā)明的優(yōu)點在于，本發(fā)明提出的方法，對于捕獲的交通卡口圖像，可以快速獲取車前臉圖像，并且能夠準(zhǔn)確的進行車輛車型的自動識別，大大方便了需要車型信息的相關(guān)部門的日常工作。【專利附圖】

【附圖說明】
[0013]圖1為本發(fā)明的主要流程圖。
[0014]圖2為本發(fā)明的詳細(xì)流程圖。
【具體實施方式】
[0015]下面結(jié)合具體附圖和實施例對本發(fā)明作進一步說明。
[0016]如圖1、圖2所示:
[0017]本發(fā)明所提出的基于前臉特征的車型識別方法，包括以下部分:
[0018]S01、一種基于圖像直方圖信息的路面車輛自動提取方法，分析道路上交通卡口傳回的路面圖像，采用單目圖像分析方法，提取出路面圖像中可能存在的車輛區(qū)域；
[0019]所述SOl具體為:
[0020](I)對于輸入圖像I，建立其灰度直方圖1hist，提取出現(xiàn)頻次最多的灰度，將該灰度值記為B，對應(yīng)的頻次為P;
[0021](2)設(shè)定灰度區(qū)間閾值T=P/3，建立路面候選目標(biāo)掩膜二值圖像Μ=(Ι>Β+Τ) I (KB-T)；
[0022](3)對目標(biāo)掩模二值圖像M進行中值濾波處理；
[0023](4)根據(jù)目標(biāo)掩模二值圖像M中白色像素的個數(shù)對M進行膨脹處理；
[0024](5)對目標(biāo)掩模二值圖像M進行標(biāo)記，獲得M中斑點集合R={R(t)}, t=l, 2，Λ, Nm, Nm 為 M 中斑點個數(shù)；
[0025](6)分析斑點集合R中各斑點的尺寸和形狀，剔除面積過小和長寬比過大或過小的斑點；面積過小是指斑點的面積小于50個像素，長寬比過大指長寬比大于5，長寬比過小指長寬比小于0.98 ；
[0026](7)對斑點集合R中的每對斑點RU1)，R(t2)，根據(jù)該對斑點在圖像平面的空間分布，判斷是否屬于同一輛車，若是，則合并兩斑點區(qū)域，進而得到斑點區(qū)域集合P= {P(c)}，c=l, 2, Λ，NP，Np為區(qū)域集合P中區(qū)域的個數(shù)；
[0027](8)分析區(qū)域集合P中的每塊區(qū)域的尺寸和形狀以及在圖像中的位置，剔除面積過小和長寬比過大或過小以及過分靠近圖像邊緣的區(qū)域，得到修正后的車輛目標(biāo)區(qū)域集合P’={P’ (c)},c=l,2, Λ，N’P，N’p為區(qū)域集合P’中區(qū)域的個數(shù)；過分靠近圖像邊緣的區(qū)域指區(qū)域的中心離圖像邊緣的距離小于整幅圖像寬度的1/5。因為圖像中可能有多輛車輛，所以最后獲得的是一個可能包含多個車輛目標(biāo)區(qū)域的集合。
[0028]具體的，所述SOl的步驟(4)的具體實現(xiàn)步驟如下:
[0029](a)統(tǒng)計目標(biāo)掩模圖像M中白色像素的個數(shù)，記為N ；
[0030](b)若N〈800，選擇結(jié)構(gòu)元素se為大小為15X7的矩形元素；若N>6000，選擇結(jié)構(gòu)元素se為大小為7X3的矩形元素；否則，選擇結(jié)構(gòu)元素se為大小為9X5的矩形元素；
[0031](c)若N〈23000，采用se對M進行數(shù)學(xué)形態(tài)學(xué)膨脹處理，否則，不做膨脹處理；
[0032]S02、一種融合了顏色和梯度信息的車前臉截取方法，在采用SOl得到的車輛區(qū)域圖像中通過分析目標(biāo)的顏色和梯度信息，完成車前臉的截取。
[0033]在本實施方式中，所述步驟S02具體為:[0034](I)根據(jù)得到的目標(biāo)區(qū)域集合P’={P’(c)}，在輸入圖像I中截取對應(yīng)的目標(biāo)區(qū)域
圖像 Ip，(c)；
[0035](2)在目標(biāo)區(qū)域圖像IP，(。)中，根據(jù)車牌顏色信息，建立車牌位置候選區(qū)集合{Ri(j) = {[x(s), y(s)] I b (S) min (r (S)，g(s))}>Tb}，j=l, 2，A, N1, N1 為車牌位置候選區(qū)個數(shù)，(r(s),g(s),b(s))為像素點s的紅、綠、藍(lán)顏色分量，Tb為顏色閾值；
[0036](3)將每一個車牌位置候選區(qū)R1GO所對應(yīng)的坐標(biāo)值的像素值賦1，其余像素賦0，形成二值圖像bw ；
[0037](4)對二值圖像bw進行中值濾波后做斑點標(biāo)記，計算每一個斑點的面積、長寬比、矩形度，根據(jù)斑點的幾何特征刪除不可能為車牌的斑點；
[0038](5)統(tǒng)計經(jīng)刪除操作之后的斑點個數(shù)Nb，若Nb > 1，則將該斑點進行車牌區(qū)域確認(rèn)；
[0039](6)若通過區(qū)域確認(rèn)，輸出該斑點中心[X1J1]，并根據(jù)中心在圖像中的位置確定前臉區(qū)域尺寸和位置，得到當(dāng)前目標(biāo)區(qū)域中前臉圖像F。，否則，刪除該斑點，且Nb=Nb-1 ；
[0040](7)若Nb=0，計算目標(biāo)區(qū)域圖像IP，(。)的梯度圖像Ig(。)，并進行膨脹操作；
[0041](8)對Ig(。)進行標(biāo)記，尋找其中面積最大的斑點，并對其面積，位置，對稱性進行判定，確定前臉候選；
[0042](9)根據(jù)前臉候選斑點計算前臉高度，并根據(jù)斑點位置確定前臉區(qū)域尺寸，得到當(dāng)前目標(biāo)區(qū)域中前臉圖像F。。
[0043]具體的，所述S02的步驟(5)的具體實現(xiàn)步驟如下:
[0044](a)統(tǒng)計經(jīng)刪除操作之后的斑點個數(shù)Nb ；
[0045](b)將Nb個斑點分別按照與車牌的尺寸與形狀的接近程度和面積大小進行排序，得到排序后的斑點集合Db和Ds ；
[0046](c)若斑點與車牌的尺寸與形狀的接近度的最大值和次大值之差小于0.02，則按照Db的排序次序進行車牌區(qū)域確認(rèn)；否則，按照Db的排序次序進行車牌區(qū)域確認(rèn)；
[0047](d)在車牌確認(rèn)環(huán)節(jié)，將目標(biāo)區(qū)域圖像IP，(。)轉(zhuǎn)化為灰度圖像，并進行閾值化處理，得到車牌二值圖像Ibw ;
[0048](e)從上到下，從左到右掃描車牌二值圖像Ibw，記錄從0到I和從I到0的像素個數(shù)，并除以Ibw中白色區(qū)域所占高度，得到Nbw ；
[0049](f)若Nbw>Tbw，則該區(qū)域通過車牌確認(rèn)，其中Tbw為閾值；
[0050]S03、進行基于異類樣本分析的車輛型號在線訓(xùn)練，建立各種車型的車輛模板；具體包括下述步驟:
[0051](I)對于給定車輛型號G，形成對應(yīng)于該型號的圖像中所截取的車前臉圖像集合Fg= {f (I1)，I1=I, 2，A，NtraiJ G，其中Ntrain為訓(xùn)練圖像個數(shù)，并求取每一幅圖像f (I1)的有向梯度直方圖特征，形成對應(yīng)于該車輛型號的特征集合Ft/ ；
[0052](2)形成對應(yīng)于混合車型的圖像所截取的車前臉圖像集合Fm= {f (J1)，J1=I, 2，A，Nm}M，其中Nm為混合車型圖像總的個數(shù)，并求取每一幅圖像f (J1)的有向梯度直方圖特征，形成對應(yīng)于混合車輛型號的特征集合Fm’ ；混合車輛型號是指多種不同車型。
[0053](3)將混合車輛型號的特征集合Fm’中的數(shù)據(jù)進行主成分分析，形成車輛前臉特征子空間S ；
[0054](4)將混合車輛型號的特征集合Fm’中的數(shù)據(jù)投影至車輛前臉特征子空間S，形成混合車型模板 Mm= {(1μ(^)，Ii1=I, 2，A，NtraiJ ；
[0055](5)將對應(yīng)于給定車輛型號G的特征集合Fe’中的數(shù)據(jù)投影至車輛前臉特征子空間 S，形成在 S 中的點集 Dg= {dG (k2)，k2=l, 2，Λ，N，f};
[0056](6)對點集De進行直方圖分析，從Fe中刪除出現(xiàn)頻率小于0.1的數(shù)據(jù)所對應(yīng)的車前臉圖像，將其定義為異類樣本，同時記錄出現(xiàn)頻率大于0.1的數(shù)據(jù)及數(shù)據(jù)個數(shù)Ne，將數(shù)據(jù)保存為給定車輛型號G的車型模板Mg= {dG (k’)，k’ =1，2，Λ , NJ 0
[0057]S04、一種基于車前臉特征子空間的車輛型號快速判別方法，基于S02所截取的車輛前臉與S03得到的車型模板匹配，得出車輛型號的判別決策。
[0058]在本實施方式中，所述步驟S04中的模板比對的過程具體為: [0059](I)形成車輛模板集合M={MJ，G=1，2，Λ , η,其中η為待識別車型個數(shù)，并計算每個模板的特征均值集合E= {EJ，G=I, 2，A, η ；
[0060](2)按融合了顏色和梯度信息的車前臉截取方法對輸入圖像J進行前臉截取，獲得對應(yīng)于圖像J的前臉圖像集合Ff {fj (t)}，t=l，2，Λ，N’ f ;
[0061](3)將fT(t)投影至混合車型前臉圖像形成的特征子空間S，獲得投影系數(shù)d(t)；
[0062](4)計算投影系數(shù)d(t)與車型特征均值模板E的距離向量ds(g) = | d(t)-Ee |2 ；
[0063](5)對ds中的數(shù)據(jù)進行從小到大的排序，取前500個所對應(yīng)的類型及其類型索引，建立粗搜索索引集合ID={i}，進而獲取粗索引車型模板集合Msub= {DJ ;
[0064](6)計算投影系數(shù)d(t)與粗索引車型模板集合Msub中各數(shù)據(jù)的距離矩陣dis(i, k) = I d (t) -Di (k) |2 ；
[0065](7)求取dis的最小值，若其最小值小于一設(shè)定閾值，則認(rèn)為該輸入車輛的車型未能識別，并返回；否則進入(8)；
[0066](8)對dis中的數(shù)據(jù)從小到大進行排序，并尋找與前50個值對應(yīng)的車型，并記錄每種車型的個數(shù)，將對應(yīng)個數(shù)最多的車型設(shè)定為最終車型識別結(jié)果。
【權(quán)利要求】
1.一種基于前臉特征的車型識別方法，其特征在于，包括以下部分: 501、一種基于圖像直方圖信息的路面車輛自動提取方法:分析道路上交通卡口傳回的路面圖像，采用單目圖像分析方法，提取出路面圖像中可能存在的車輛區(qū)域； 502、一種融合了顏色和梯度信息的車前臉截取方法:在采用SOl得到的車輛區(qū)域圖像中通過分析目標(biāo)的顏色和梯度信息，完成車前臉的截??； 503、進行基于異類樣本分析的車輛型號在線訓(xùn)練，建立各種車型的車輛模板； 504、一種基于車前臉特征子空間的車輛型號判別方法:基于S02所截取的車輛前臉與S03得到的車型模板匹配，得出車輛型號的判別決策。
2.如權(quán)利要求1所述的基于前臉特征的車型識別方法，其特征在于，所述SOl具體包括下述步驟: (1)對于輸入圖像I，建立其灰度直方圖1hist，提取出現(xiàn)頻次最多的灰度，將該灰度值記為B，對應(yīng)的頻次為P;
(2)設(shè)定灰度區(qū)間閾值T=P/3，建立路面候選目標(biāo)掩膜二值圖像M=(I>B+T)I (KB-T)； (3)對目標(biāo)掩模二值圖像M進行中值濾波處理； (4)根據(jù)目標(biāo)掩模二值圖像M中白色像素的個數(shù)對M進行膨脹處理； (5)對目標(biāo)掩模二值圖像M進行標(biāo)記，獲得M中斑點集合R={R(t)}，t=l，2，Λ，Nm,Nm為M中斑點個數(shù)； (6)分析斑點集合R中各斑點的尺寸和形狀，剔除面積過小和長寬比過大或過小的斑占.(7)對斑點集合R中的每對斑點RU1),R(t2)，根據(jù)該對斑點在圖像平面的空間分布，判斷是否屬于同一輛車，若是，則合并兩斑點區(qū)域，進而得到斑點區(qū)域集合P= {P(c)}，c=l, 2, Λ，NP，Np為區(qū)域集合P中區(qū)域的個數(shù)； (8)分析區(qū)域集合P中的每塊區(qū)域的尺寸和形狀以及在圖像中的位置，剔除面積過小和長寬比過大或過小以及過分靠近圖像邊緣的區(qū)域，得到修正后的車輛目標(biāo)區(qū)域集合P’={P’ (c)},c=l,2, Λ，N’P，N’p為區(qū)域集合P’中區(qū)域的個數(shù)。
3.如權(quán)利要求2所述的基于前臉特征的車型識別方法，其特征在于:所述SOl的步驟(4)的具體實現(xiàn)步驟如下: (a)統(tǒng)計目標(biāo)掩模圖像M中白色像素的個數(shù)，記為N; (b)若N〈800，選擇結(jié)構(gòu)元素se為大小為15X7的矩形元素；若N>6000，選擇結(jié)構(gòu)元素se為大小為7X3的矩形元素；否則，選擇結(jié)構(gòu)元素se為大小為9X5的矩形元素； (c)若N〈23000，采用se對M進行數(shù)學(xué)形態(tài)學(xué)膨脹處理，否則，不做膨脹處理。
4.如權(quán)利要求2或3所述的基于前臉特征的車型識別方法，其特征在于:所述S02具體包括下述步驟: (1)根據(jù)得到的目標(biāo)區(qū)域集合P’={P’(c)}，在輸入圖像I中截取對應(yīng)的目標(biāo)區(qū)域圖像Ip’ (C); (2)在目標(biāo)區(qū)域圖像IP，(。)中，根據(jù)車牌顏色信息，建立車牌位置候選區(qū)集合{Ri(j) = {[x(s), y(s)] b(s)min(r(s), g(s))}>Tb}，j=l, 2，A, N1, N1 為車牌位置候選區(qū)個數(shù)，(r(s),g(s),b(s))為像素點s的紅、綠、藍(lán)顏色分量，Tb為顏色閾值； (3)將每一個車牌位置候選區(qū)R1GO所對應(yīng)的坐標(biāo)值的像素值賦1，其余像素賦0，形成二值圖像bw ； (4)對二值圖像bw進行中值濾波后做斑點標(biāo)記，計算每一個斑點的面積、長寬比、矩形度，根據(jù)斑點的幾何特征刪除不可能為車牌的斑點； (5)統(tǒng)計經(jīng)刪除操作之后的斑點個數(shù)Nb，若Nb^ 1，則將該斑點進行車牌區(qū)域確認(rèn)； (6)若通過區(qū)域確認(rèn)，輸出該斑點中心[Xl，yi]，并根據(jù)中心在圖像中的位置確定前臉區(qū)域尺寸和位置，得到當(dāng)前目標(biāo)區(qū)域中前臉圖像F。，否則，刪除該斑點，且Nb=Nb-1 ； (7)若Nb=O,計算目標(biāo)區(qū)域圖像IP，(。)的梯度圖像Ig(。)，并進行膨脹操作； (8)對Ig(。)進行標(biāo)記，尋找其中面積最大的斑點，并對其面積，位置，對稱性進行判定，確定前臉候選； (9)根據(jù)前臉候選斑點計算前臉高度，并根據(jù)斑點位置確定前臉區(qū)域尺寸，得到當(dāng)前目標(biāo)區(qū)域中前臉圖像F。。
5.如權(quán)利要求4所述的基于前臉特征的車型識別方法，其特征在于:所述S02的步驟(5)的具體實現(xiàn)步驟如下: (a)統(tǒng)計經(jīng)刪除操作之后的斑點個數(shù)Nb; (b)將Nb個斑點分別按照與車牌的尺寸與形狀的接近程度和面積大小進行排序，得到排序后的斑點集合Db和Ds ； (c)若斑點與車牌的尺寸與形狀的接近度的最大值和次大值之差小于0.02，則按照Db的排序次序進行車牌區(qū)域確認(rèn)；否則，按照Db的排序次序進行車牌區(qū)域確認(rèn)； (d)在車牌確認(rèn)環(huán)節(jié)，將目標(biāo)區(qū)域圖像IP，(。)轉(zhuǎn)化為灰度圖像，并進行閾值化處理，得到車牌二值圖像Ibw ； (e)從上到下，從左到右掃描車牌二值圖像Ibw，記錄從0到I和從I到0的像素個數(shù)，并除以Ibw中白色區(qū)域所占高度，得到Nbw ； (f)若Nbw>Tbw，則該區(qū)域通過車牌確認(rèn)，其中Tbw為閾值。
6.如權(quán)利要求5所述的基于前臉特征的車型識別方法，其特征在于:所述S03具體包括下述步驟: (1)對于給定車輛型號G，形成對應(yīng)于該型號的圖像中所截取的車前臉圖像集合Fg= {f (I1)，I1=I, 2，A，NtraiJ G，其中Ntrain為訓(xùn)練圖像個數(shù)，并求取每一幅圖像f (I1)的有向梯度直方圖特征，形成對應(yīng)于該車輛型號的特征集合Ft/ ； (2)形成對應(yīng)于混合車型的圖像所截取的車前臉圖像集合Fm=KU1),J1=I, 2，A1NJm,其中Nm為混合車型圖像總的個數(shù)，并求取每一幅圖像f (J1)的有向梯度直方圖特征，形成對應(yīng)于混合車輛型號的特征集合Fm’ ； (3)將混合車輛型號的特征集合Fm’中的數(shù)據(jù)進行主成分分析，形成車輛前臉特征子空間S; (4)將混合車輛型號的特征集合Fm’中的數(shù)據(jù)投影至車輛前臉特征子空間S，形成混合車型模板 Mm= {dM (Ic1), Ic1=I, 2，A , NtrainI ； (5)將對應(yīng)于給定車輛型號G的特征集合Ft/中的數(shù)據(jù)投影至車輛前臉特征子空間S，形成在3中的點集0(；={(1(；(1^)，1^=1，2，A，N，f}； (6)對點集De進行直方圖分析，從Fe中刪除出現(xiàn)頻率小于0.1的數(shù)據(jù)所對應(yīng)的車前臉圖像，將其定義為異類樣本，同時記錄出現(xiàn)頻率大于0.1的數(shù)據(jù)及數(shù)據(jù)個數(shù)^，將數(shù)據(jù)保存為給定車輛型號G的車型模板Me= {dG (k’)，k’ =1，2，Λ , NJ 0
7.如權(quán)利要求6所述的基于前臉特征的車型識別方法，其特征在于，所述S04具體包括下述步驟: (1)形成車輛模板集合M={MJ，G=1，2，Λ,η,其中η為待識別車型個數(shù)，并計算每個模板的特征均值集合E= {EJ，G=I, 2，A, η ； (2)按融合了顏色和梯度信息的車前臉截取方法對輸入圖像J進行前臉截取，獲得對應(yīng)于圖像J的前臉圖像集合Fj= {fj (t)}，t=l，2，Λ，N’ f ; (3)將fT(t)投影至混合車型前臉圖像形成的特征子空間S，獲得投影系數(shù)d(t)；(4)計算投影系數(shù)d(t)與車型特征均值模板E的距離向量ds(g)= | d(t)-EeI2; (5)對ds中的數(shù)據(jù)進行從小到大的排序，取前500個所對應(yīng)的類型及其類型索引，建立粗搜索索引集合ID= {i}，進而獲取粗索引車型模板集合Msub= {DJ ； (6)計算投影系數(shù)d(t)與粗索引車型模板集合Msub中各數(shù)據(jù)的距離矩陣dis(i, k) = I d (t) -Di (k) |2 ； (7)求取dis的最小值，若其最小值小于一設(shè)定閾值，則認(rèn)為該輸入車輛的車型未能識另U，并返回；否則進入⑶； (8)對dis中的數(shù)據(jù) 從小到大進行排序，并尋找與前50個值對應(yīng)的車型，并記錄每種車型的個數(shù)，將對應(yīng)個數(shù)最多的車型設(shè)定為最終車型識別結(jié)果。
【文檔編號】G06K9/00GK103745598SQ201410009098
【公開日】2014年4月23日 申請日期:2014年1月9日 優(yōu)先權(quán)日:2014年1月9日
【發(fā)明者】陳瑩, 化春健, 梅俊琪 申請人:中科聯(lián)合自動化科技無錫有限公司