一種夜間卡口場(chǎng)景下的車型識(shí)別方法
【專利摘要】本發(fā)明提供了一種夜間卡口場(chǎng)景下的車型識(shí)別方法及其在車輛特征識(shí)別中的應(yīng)用。首先基于車牌檢測(cè)與識(shí)別算法，輸出車牌位置和大小，并根據(jù)車牌位置和大小提取車燈感興趣區(qū)域(ROI)，其次采用自適應(yīng)閾值和區(qū)域生長(zhǎng)算法提取車燈前景，然后利用車燈輪廓提取算法和HOG特征創(chuàng)建車燈以及車燈之間區(qū)域的多維特征向量，最后采用SVM算法進(jìn)行車型分類。該方法有效的解決了夜間卡口場(chǎng)景下的車型識(shí)別問(wèn)題，從而豐富了車輛特征識(shí)別系統(tǒng)的功能，為公安等用戶提供了更加高效地車輛管理方法。
【專利說(shuō)明】一種夜間卡口場(chǎng)景下的車型識(shí)別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于交通計(jì)算機(jī)視覺(jué)領(lǐng)域，特別涉及一種夜間卡口場(chǎng)景下的車型識(shí)別方 法，及該方法在車輛特征識(shí)別系統(tǒng)中的應(yīng)用。 技術(shù)背景
[0002] 隨著高清視頻監(jiān)控的普及，公安對(duì)車輛的管理變得越來(lái)越方便，抓拍到的過(guò)車數(shù) 據(jù)，除了能看清車輛牌照外，還能看清車輛廠家標(biāo)識(shí)、車輛類型、車身顏色、甚至駕駛員的面 部特征，這對(duì)公安人員破案提供了極大的便利。然而，由于過(guò)車數(shù)據(jù)非常龐大，公安人員想 要從海量數(shù)據(jù)中搜索目標(biāo)車輛并非易事，需要耗費(fèi)大量的人力物力?；谟?jì)算機(jī)視覺(jué)技術(shù) 的車輛特征識(shí)別技術(shù)能夠非常有效地解決這樣的問(wèn)題，車輛特征除了常用的車牌號(hào)碼、車 牌顏色、車牌廠家標(biāo)識(shí)、車身顏色外，還包括車輛類型。綜合這些條件，能夠更快地過(guò)濾非嫌 疑車輛，提高公安辦案的效率。因此，車型識(shí)別屬于車輛特征識(shí)別技術(shù)中非常重要的技術(shù)之 〇
[0003] 由于車輛各類繁多，車型分類沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)，按照分類細(xì)致程度，一般來(lái)說(shuō)有三 個(gè)層次。第一層，可分為大、中、小型車，第二層，可分為小型車、微型車、緊湊車型、中等車 型、高級(jí)車型、豪華車型、三廂車型、MPV車型、SUV車型等，第三層，細(xì)分為某廠家品牌下的 子品牌，如大眾品牌下的速騰、高爾夫、朗逸、邁騰等，奧迪品牌下的奧迪A4、A6、奧迪Q3、Q7 等。從算法的層面來(lái)說(shuō)，第一層分類最容易，第三層分類難度相當(dāng)大，但從用戶的角度來(lái)說(shuō)， 第三層分類提供的信息量最大，第一層提供的信息量最小，因此他們希望算法能夠?qū)崿F(xiàn)第 三層分類。
[0004] 本發(fā)明提供了一種夜間卡口場(chǎng)景下車型識(shí)別方法，該方法利用夜間場(chǎng)景下車燈及 其車燈之間區(qū)域的圖像特征并結(jié)合模式識(shí)別方法進(jìn)行車型分類，該方法可應(yīng)用于第三層分 類，有效地解決了夜間場(chǎng)景下車型分類的難題。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是為了解決夜間卡口場(chǎng)景下的車型識(shí)別難題，從而使得全天候下的 車型識(shí)別變成可能。
【發(fā)明內(nèi)容】
如下：
[0006] (1)、利用車牌檢測(cè)與識(shí)別算法，輸出車牌位置和大小，并根據(jù)車牌位置和大小提 取車燈感興趣區(qū)域（R0I)，即利用車燈與車牌位置關(guān)系的先驗(yàn)知識(shí)，初步確定車燈區(qū)域，以 提高車燈提取精度與效率。
[0007] (2)、利用自適應(yīng)閾值和區(qū)域生長(zhǎng)算法提取車燈前景，即基于灰度直方圖自適應(yīng)選 取車燈閾值，提取車燈中心較亮區(qū)域，然后利用提取的中心點(diǎn)作為種子，進(jìn)行區(qū)域生長(zhǎng)，得 到完整的車燈區(qū)域。
[0008] (3)、利用車燈成對(duì)出現(xiàn)，并基于車牌對(duì)稱的先驗(yàn)知識(shí)，進(jìn)行車燈配對(duì)，對(duì)于只有單 個(gè)車燈出現(xiàn)的情況，采用強(qiáng)制配對(duì)策略，通過(guò)車燈配對(duì)，有效地減少了漏檢并排除了一定的 誤檢。
[0009] (4)、利用凸包算法計(jì)算車燈區(qū)域凸點(diǎn)，并進(jìn)行擬合，得到精確的車燈區(qū)域，為后面 的特征提取做準(zhǔn)備。
[0010] (5)、利用車燈輪廓提取算法，提取車燈的輪廓長(zhǎng)度、面積、中心矩特征、Hu矩特征， 并基于車牌尺寸歸一化，作為車燈的特征。
[0011] (6)、利用Hog特征，提取車燈對(duì)之間的區(qū)域（該區(qū)域往往包含豐富的特征），并與 車燈特征融合，一起作為車型識(shí)別的特征。
[0012] (7)、利用支持向量機(jī)（SVM)訓(xùn)練分類器，由于特征向量維數(shù)較高，并且類別數(shù)較 多，故采用線性支持向量機(jī)，以保證算法具有較好的泛化性。

【專利附圖】

【附圖說(shuō)明】
[0013] 圖1是本發(fā)明的基本流程圖；
[0014] 圖2是本發(fā)明的車燈前景提取算法流程圖；
[0015] 圖3是本發(fā)明的車燈配對(duì)算法流程圖；

【具體實(shí)施方式】
[0016] 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)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(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。
[0017] 一種夜間卡口場(chǎng)景下的車型識(shí)別方法，實(shí)施流程如下：
[0018] 1、初步確定車燈區(qū)域。利用車牌檢測(cè)與識(shí)別算法，輸出車牌位置和大小，并根據(jù)車 牌位置和大小提取車燈感興趣區(qū)域（R0I)，即利用車燈與車牌位置關(guān)系的先驗(yàn)知識(shí)。本發(fā)明 實(shí)施例中取左右車燈roi區(qū)域?qū)挾葹?. 5倍車牌寬度，高度為12. 5倍車牌高度，車牌以上 區(qū)域占整個(gè)高度的2/3,以達(dá)到?jīng)]有漏掉車燈的情況下，盡量縮小搜索范圍的作用，提高車 燈提取精度與效率。根據(jù)現(xiàn)場(chǎng)實(shí)際環(huán)境，可以對(duì)以上參數(shù)進(jìn)行調(diào)整，以達(dá)到最好的效果。
[0019] 2、提取車燈前景。利用自適應(yīng)閾值和區(qū)域生長(zhǎng)算法提取車燈前景，計(jì)算roi區(qū)域 的灰度直方圖，取5%灰度值最高的像素作為閾值，二值化即得到車燈中心部分像素，用這 些像素值作為種子點(diǎn)，用八鄰域區(qū)域生長(zhǎng)，獲取到完整的車燈區(qū)域。
[0020] 3、車燈配對(duì)?；谌齻€(gè)準(zhǔn)則：面積相似，在同一條水平線上，基于車牌中心對(duì)稱，對(duì) 于三個(gè)準(zhǔn)則，分別設(shè)置三個(gè)容錯(cuò)系數(shù)0. 5、0. 5和0. 2。對(duì)于部分由于反光太強(qiáng)，而不能配對(duì) 的落單車燈，采取強(qiáng)制配對(duì)的策略，即基于車牌中心映射，并根據(jù)占空比判斷，是否配對(duì)正 確。
[0021] 4、車燈修復(fù)。提取出的車燈前景往往存在著一些凹缺陷或是邊緣區(qū)域存在著很多 毛刺、噪聲等，本發(fā)明利用凸包算法計(jì)算車燈區(qū)域凸點(diǎn)，并進(jìn)行擬合，得到精確的車燈區(qū)域。
[0022] 5、提取車燈特征。利用車燈輪廓提取算法，提取車燈的輪廓長(zhǎng)度、面積、中心矩特 征、Hu矩特征，并基于車牌尺寸歸一化。
[0023] 6、提取車燈對(duì)之間散熱片區(qū)域的特征。利用Hog特征提取該特征，并與車燈特征 相融合，作為整個(gè)車型識(shí)別的特征。
[0024] 7、車型識(shí)別。采用SVM進(jìn)行特征庫(kù)訓(xùn)練，由于特征向量維數(shù)較高，并且類別數(shù)較 多，故采用線性支持向量機(jī)，以保證算法具有較好的泛化性。
[0025] 針對(duì)傳統(tǒng)方法無(wú)法對(duì)夜間卡口場(chǎng)景下進(jìn)行車型識(shí)別的難題，本發(fā)明提出的基于車 燈的車型識(shí)別算法，有效地解決了該問(wèn)題，并且可應(yīng)用于第三層分類的車型識(shí)別中。
【權(quán)利要求】
1. 一種夜間卡口場(chǎng)景下的車型識(shí)別方法，其特征在于利用車牌檢測(cè)與識(shí)別算法，輸出 車牌位置和大小，并根據(jù)車牌位置和大小提取車燈感興趣區(qū)域（ROI)，以提高車燈提取精度 與效率；利用自適應(yīng)閾值和區(qū)域生長(zhǎng)算法提取車燈前景；利用車燈輪廓提取算法和HOG特 征創(chuàng)建車燈以及車燈之間區(qū)域的多維特征向量；利用SVM算法進(jìn)行車型分類。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于利用車牌檢測(cè)與識(shí)別算法，輸出車牌位置 和大小，并根據(jù)車牌位置和大小提取車燈感興趣區(qū)域（R0I)，即利用車燈與車牌位置關(guān)系的 先驗(yàn)知識(shí)，初步確定車燈區(qū)域，以提高車燈提取精度與效率。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于利用自適應(yīng)閾值和區(qū)域生長(zhǎng)算法提取車燈 前景，即基于灰度直方圖自適應(yīng)選取車燈閾值，提取車燈中心較亮區(qū)域，然后利用提取的中 心點(diǎn)作為種子，進(jìn)行區(qū)域生長(zhǎng)，得到完整的車燈區(qū)域。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于利用車燈成對(duì)出現(xiàn)，并基于車牌對(duì)稱的先 驗(yàn)知識(shí)，進(jìn)行車燈配對(duì)，對(duì)于只有單個(gè)車燈出現(xiàn)的情況，采用強(qiáng)制配對(duì)策略，通過(guò)車燈配對(duì)， 有效地減少了漏檢并排除了一定的誤檢。
5. 根據(jù)權(quán)利要求3所述的方法，其特征在于利用凸包算法計(jì)算車燈區(qū)域凸點(diǎn)，并進(jìn)行 擬合，得到精確的車燈區(qū)域，為后面的特征提取做準(zhǔn)備。
6. 根據(jù)權(quán)利要求1所述的方法，其特征在于利用車燈輪廓提取算法，提取車燈的輪廓 長(zhǎng)度、面積、中心矩特征、Hu矩特征，并基于車牌尺寸歸一化，作為車燈的特征。
7. 根據(jù)權(quán)利要求1所述的方法，其特征在于利用Hog特征，提取車燈對(duì)之間的區(qū)域（該 區(qū)域往往包含豐富的特征），并綜合權(quán)利要求項(xiàng)6的車燈特征，一起作為車型識(shí)別的特征。
8. 根據(jù)權(quán)利要求1所述的方法，其特征在于利用支持向量機(jī)（SVM)訓(xùn)練分類器，由于 特征向量維數(shù)較高，并且類別數(shù)較多，故采用線性支持向量機(jī)，以保證算法具有較好的泛化 性。
【文檔編號(hào)】G06K9/00GK104156697SQ201410355985
【公開(kāi)日】2014年11月19日 申請(qǐng)日期:2014年7月24日 優(yōu)先權(quán)日:2014年7月24日
【發(fā)明者】吳志偉, 馮琰一, 張少文 申請(qǐng)人:佳都新太科技股份有限公司