CN102610102B - 一种嫌疑车辆查控方法及*** - Google Patents

Abstract

本发明提供一种嫌疑车辆查控方法及***，该方法包括：实时获取视频流，进行车辆图像的抓拍；将抓拍图像与嫌疑车辆样例图像进行颜色比对，确定颜色相似度，如果颜色相似度超过设定的颜色相似度阈值则进入下一步骤；将抓拍图像与嫌疑车辆样例图像进行辅助特征比对，确定辅助特征相似度，辅助特征包括纹理特征和形状特征中的至少一项；最后进行综合判定，如果辅助特征相似度大于设定的阈值，则综合相似度由辅助特征相似度决定或以辅助特征相似度为主。可通过虚拟线圈触发进行车辆图像的抓拍。也可采用基于颜色的模板匹配从抓拍图像的匹配区域中提取辅助特征与嫌疑车辆样例图像进行比对。本发明可实现快速、高效、准确的查控效果，节省了人力物力。

Description

一种嫌疑车辆查控方法及***

技术领域

本发明涉及监控技术领域，尤其涉及一种嫌疑车辆查控方法及***。

背景技术

随着全国公路交通建设的快速发展和机动车辆的普及，与道路和机动车辆相关的刑事和治安案件逐年上升，特别是经由城际公路网进行的肇事逃逸、盗抢机动车辆、车辆走私等更是日益猖獗，这不仅给社会治安造成了极大的威胁，同时也破坏了安定团结的政治局面，因而引起了国家有关部委的高度重视，建立一个跨部门、跨地区的机动车监控综合应用***是公安信息***建设发展的必然趋势。但这类刑事案件由于其大范围、流动性和快速性的特点给公安部门的侦察工作增加了难度，也提出了更高的要求。

为了解决这些较为突出的问题，加快开展机动车监控方面的信息化建设，提高工作科技含量、改进管理方式、加强执法监督、提高治安防范水平，现在一般采用对机动车辆号牌进行识别的方式，例如中国专利：一种兼有交通违法抓拍功能与治安卡口功能的设备（公开号：CN201188270，公开日：2009-01-28）、嫌疑车辆关联查找方法（公开号：CN101593418，公开日：2009-12-02）。通过稽查布控平台将需要查控的嫌疑车辆信息输入黑名单库，当嫌疑车辆通过每个卡口时，监控设备***将立即发现并及时报警，检查站监控室的值机民警从电脑上可收到报警信息及车辆图片，室外的高音喇叭和LED大屏也将同时播报报警信息，报警信息还将同步传输到支队指挥中心。但是在实际使用的过程中，嫌疑车辆一般会采用遮挡车牌或更换车牌的方式来躲避稽查布控，从而导致稽查布控***的实际作用不大。

发明内容

本发明的方面和优点在下文的描述中部分地陈述，或者可从该描述显而易见，或者可通过实践本发明而学习。

为克服现有嫌疑车辆查控依据车牌识别来检测，但是多数嫌疑车辆采用遮挡车牌或更换车牌的手段来躲避查控的缺点，本发明提供一种嫌疑车辆查控方法及***，通过提取车辆的颜色、以及包括纹理特征和形状特征中至少一项的辅助特征进行车辆比对来智能查控嫌疑车辆，达到了快速、高效、准确查控的效果，节省了人力物力；而且本发明的图像比对方法可以大大提高图像比对的速度和精度；同时车辆的触发抓拍可通过视频虚拟线圈的方式，避免了破挖路面，在路面上填埋感应线圈所带来的缺点。

本发明解决上述技术问题所采用的技术方案如下：

根据本发明的一个方面，提供一种嫌疑车辆查控方法，其包括以下步骤：

S1.实时获取视频流，在有车辆经过时进行车辆图像的抓拍；

S2.将抓拍图像与嫌疑车辆样例图像进行颜色比对，确定颜色相似度，如果所述颜色相似度超过设定的颜色相似度阈值则进入下一步骤；否则，排除嫌疑；

S3.将抓拍图像与嫌疑车辆样例图像进行辅助特征比对，确定辅助特征相似度，所述辅助特征包括纹理特征和形状特征中的至少一项；

S4.在颜色相似度和辅助特征相似度的基础上，进行综合判定，得出抓拍车辆与所述嫌疑车辆的综合相似度，在辅助特征相似度大于设定的辅助特征相似度阈值的情况下，所述综合相似度由辅助特征相似度决定或以辅助特征相似度为主。

根据本发明的一个优选实施例，在所述步骤S1中，通过虚拟线圈触发进行车辆图像的抓拍。

根据本发明的一个优选实施例，在所述步骤S2中，通过将抓拍图像与嫌疑车辆样例图像进行基于颜色的模板匹配，来确定颜色相似度，并同时确定抓拍图像中和嫌疑车辆最相似的匹配区域；在所述步骤S3中，通过从所述抓拍图像的所述匹配区域中提取辅助特征与所述嫌疑车辆样例图像的辅助特征进行比对，来确定辅助特征相似度。

优选地，在所述步骤S2中，先对抓拍图像进行色彩空间转换和色彩分层计算，然后再进行所述基于颜色的模板匹配。

优选地，在所述步骤S2中，通过颜色直方图进行所述基于颜色的模板匹配。

优选地，在所述步骤S3中，所述辅助特征采用纹理特征。

优选地，所述纹理特征包括下列特征中的一项或多项：灰度共生矩阵的纹理特征、旋转缩放不变纹理特征。

优选地，在所述步骤S4中，进行综合判定的方法如下：首先设定纹理特征相似度的第一阈值和第二阈值；如果纹理特征相似度大于设定的第一阈值，则所述综合相似度由纹理特征相似度决定；如果纹理特征相似度小于设定的第一阈值但大于设定的第二阈值，则所述综合相似度以颜色相似度和纹理特征相似度综合判定，但以纹理特征相似度为主；如果纹理特征相似度小于设定的第二阈值，则所述综合相似度以颜色相似度和纹理特征相似度综合判定，但以颜色相似度为主。

优选地，在所述步骤S4中，设定报警阈值，如果所述综合相似度大于设定的报警阈值，则进行报警提示。

根据本发明的另一个方面，提供一种嫌疑车辆查控***，其包括嫌疑车辆比对模块，所述嫌疑车辆比对模块包括：

图像接收模块，用于实时获取视频流，在有车辆经过时进行车辆图像的抓拍；

颜色比对模块，用于将抓拍图像与嫌疑车辆样例图像进行颜色比对，确定颜色相似度，如果所述颜色相似度超过设定的颜色相似度阈值则进入辅助特征比对模块进行处理；

辅助特征比对模块，用于将抓拍图像与嫌疑车辆样例图像进行辅助特征比对，确定辅助特征相似度，所述辅助特征包括纹理特征和形状特征中的至少一项；

综合判定模块，用于在颜色相似度和辅助特征相似度的基础上，进行综合判定，得出抓拍车辆与所述嫌疑车辆的综合相似度，在辅助特征相似度大于设定的辅助特征相似度阈值的情况下，所述综合相似度由辅助特征相似度决定或以辅助特征相似度为主。

根据本发明的一个优选实施例，所述颜色比对模块设置为通过将抓拍图像与嫌疑车辆样例图像进行基于颜色的模板匹配，来确定颜色相似度，并同时确定抓拍图像中和嫌疑车辆最相似的匹配区域；所述辅助特征比对模块设置为通过从所述抓拍图像的所述匹配区域中提取辅助特征与所述嫌疑车辆样例图像的辅助特征进行比对，来确定辅助特征相似度。

当然，所述嫌疑车辆比对模块还可设置为执行上述嫌疑车辆查控方法特征中的其它一项或多项步骤。

与现有技术相比，本发明通过提取车辆的颜色、以及包括纹理特征和形状特征中至少一项的辅助特征进行车辆比对来查控嫌疑车辆，避免了通过车牌识别来查控时，嫌疑车辆遮挡车牌或更换车牌导致无法查控的难题，达到了快速和高效准确查控的效果，节省了人力物力。利用本发明，针对交通肇事车辆逃逸、作案嫌疑车辆寻找、***辆排查，再不用耗费大量人力物力进行地毯式搜查。

本发明的嫌疑车辆智能查控方法，基于视频检索技术，主要应用于公安刑侦破案中，通过与数据库中的可疑车辆信息或被盗抢车辆库（黑名单）进行比对，发现可疑车辆将实时报警，减轻人工查控的工作量；同时车辆的触发抓拍通过视频虚拟线圈的方式，避免了破挖路面，在路面上填埋感应线圈所带来的缺点。

由于辅助特征比对是在颜色比对的基础上进行，可从抓拍图像的匹配区域中提取辅助特征与嫌疑车辆样例图像的辅助特征进行比对，避免了对整张图片的处理（即对两副图像的直接比对），因此大大提高了速度和精度，节省了人力物力。

通过阅读说明书，本领域普通技术人员将更好地了解这些实施例和其它实施例的特征和方面。

附图说明

下面通过参考附图并结合实例具体地描述本发明，本发明的优点和实现方式将会更加明显，其中附图所示内容仅用于对本发明的解释说明，而不构成对本发明的任何意义上的限制，在附图中：

图1为根据本发明一个实施例的嫌疑车辆查控***的结构示意图。

图2为根据本发明一个实施例的嫌疑车辆检测总流程图。

图3为根据本发明一个实施例的嫌疑车辆比对模块的处理流程图。

图4为根据本发明一个实施例的嫌疑车辆比对模块的结构示意图。

具体实施方式

如图1所示，根据本发明一个实施例，提供一种嫌疑车辆查控***，这种***可以是一个网络***，也可以是一台主机，也可以单独的一台设备，或是一个可安装于主机或专用设备中的软件***，关键是其具有本发明的嫌疑车辆比对模块，如图4所示，该嫌疑车辆比对模块包括：

图像接收模块，用于实时获取视频流，在有车辆经过时进行车辆图像的抓拍；

颜色比对模块，用于将抓拍图像与嫌疑车辆样例图像进行颜色比对，确定颜色相似度，如果颜色相似度超过设定的颜色相似度阈值则进入辅助特征比对模块进行处理；

辅助特征比对模块，用于将抓拍图像与嫌疑车辆样例图像进行辅助特征比对，确定辅助特征相似度，辅助特征包括纹理特征和形状特征中的至少一项；

综合判定模块，用于在颜色相似度和辅助特征相似度的基础上，进行综合判定，得出抓拍车辆与嫌疑车辆的综合相似度，在辅助特征相似度大于设定的辅助特征相似度阈值的情况下，综合相似度由辅助特征相似度决定或以辅助特征相似度为主。

而且，根据本发明的一个优选实施例，嫌疑车辆比对模块设置为通过将抓拍图像与嫌疑车辆样例图像进行基于颜色的模板匹配，来确定颜色相似度，并同时确定抓拍图像中和嫌疑车辆最相似的匹配区域；辅助特征比对模块设置为通过从抓拍图像的匹配区域中提取辅助特征与嫌疑车辆样例图像的辅助特征进行比对，来确定辅助特征相似度。

在下面的实施例中，以辅助特征采用纹理特征为例进行说明，当然本领域普通技术人员也可以采用形状特征（例如车辆的边缘特征）作为辅助特征，也可以同时采用纹理特征和形状特征作为辅助特征，这些都在本发明的范围之内。

由于辅助特征（例如纹理特征）比对是在颜色比对的基础上进行，可从抓拍图像的匹配区域中提取纹理特征与嫌疑车辆样例图像的纹理特征进行比对，避免了对整张图片的处理（即对两副图像的直接比对），因此大大提高了速度和精度，节省了人力物力。

下面以图1中的网络***为例进行具体说明，在网络***结构中，设有多台卡口主机，这些卡口主机例如可以设置在高速公路收费站，其通过网络连接到指挥中心，而指挥中心又可能与公安专用网或其它专用网联接。利用本发明，卡口主机不一定设置于卡口处，也可以是高速公路上架设的摄像装置。本发明的嫌疑车辆比对模块可以设置于指挥中心的主机或专用设备中，也可以设置在与指挥中心通过网络连接的任何设备中，或直接设置在某些卡口主机中。本领域普通技术人员根据需要可以将本发明的嫌疑车辆比对模块设置于任何适用的查控***中。

如图2所示的实施例中，示出了嫌疑车辆检测总流程图，本发明的方法包括：实时获取视频流，如果有车辆经过则通过视频虚拟线圈的方法触发抓拍图像，通过颜色分层并得到分层后的颜色直方图进行颜色比对，在颜色比对的基础上结合纹理特征进行特征比对，在颜色比对和特征比对的基础上，得到嫌疑车辆相似度，采用一定的规则做综合判定得到综合置信度，如果综合置信度大于一定的阈值则认为是嫌疑车辆，否则不是。其具体步骤如下：

1、从实时视频流解码获取视频数据；

2、虚拟线圈触发：如果有车辆经过，通过虚拟线圈触发抓拍；

3、抓拍帧图像的色彩空间转换和色彩分层计算；

4、颜色比对（采用基于颜色的模板匹配）：在色彩分层的基础上，通过颜色直方图进行粗比对，并确定和嫌疑车辆特征数据库中的嫌疑车辆最相似的可能区域（匹配区域）；如果颜色相似度超过设定的颜色相似度阈值则进入下一步骤；否则，排除嫌疑。

5、辅助特征比对：提取例如纹理特征进行精确匹配；通过从抓拍图像的匹配区域中提取纹理特征与嫌疑车辆样例图像的纹理特征进行比对，来确定纹理特征相似度。

6、阈值判定：结合粗比对（即颜色比对）和细比对（即辅助特征比对）依据一定的规则进行综合判定，得出综合置信度；如果综合置信度大于设定的阈值则给出置信度，提示工作人员注意，如果小于设定的阈值则认为不可能是嫌疑车辆，予以通行。

当然，也可以采用现有技术中在路面上填埋感应线圈进行车辆图像抓拍的方式。利用本发明优选的通过视频虚拟线圈抓拍的方式，避免了破挖路面，在路面上填埋感应线圈所带来的缺点。

如图2所示的具体实施例中，嫌疑车辆的检测包括下列步骤：

101.实时获取视频流；

102.进行视频解码；

103.如果有车辆经过则通过视频虚拟线圈的方法触发抓拍图像；

104.通过嫌疑车辆比对模块进行比对，得出综合置信度；

105.将综合置信度与设定的阈值进行比较；

106.如果综合置信度大于设定的阈值，则启动视频联动模块；否则退出。

如图3所示的具体实施例中，嫌疑车辆比对模块的处理流程包括下列步骤：

201.触发视频数据输入；

202.结合输入的视频参数，进行色彩空间转换；

203.进行色彩分层计算；

204.与嫌疑车辆特征数据库中的嫌疑车辆样例图像进行颜色比对；

205.从抓拍的视频图像中进行纹理特征的提取；

206.与嫌疑车辆特征数据库中的嫌疑车辆样例图像进行纹理特征比对；

207.进行颜色和纹理特征的融合判定；

208.判断是否符合置信度要求，如果是则给出综合置信度，否则退出。

下面对该实施例的几个步骤依次进行详细描述：

第一步、从实时视频流解码获取视频数据；

1）视频解码自动更新最新的解码组件和解码关系表；

2）设备自动查找相对应解码组件；

3）根据解码组件自动构建完整的解码链路进行解码；

4）视频解码和播放装置将解码产生的每一帧发送到分析单元。

第二步、如果有车辆经过，通过虚拟线圈触发抓拍

1）运动背景建模，本步骤采用多模态高斯背景建模；

采用多模态高斯背景模型对已固定安装的摄像机拍摄的视频图像进行背景建模，比如对每个像素点定义3-5个区域，每个区域用一个高斯分布表示。其中，对每个像素点建立高斯模型的步骤具体为：假设输入的第t帧图像的像素点为I_t，μ_i,t-1为第（t-1）帧图像的第i个高斯分布的像素值的均值，像素值的均值等于各个像素值相加的和除以像素点的个数，σ_i,t-1为第（t-1）帧图像的第i个高斯分布的像素值的标准差，D为满足公式|I_t-μ_i,t-1|≤D.σ_i,t-1的固定参数，该参数可通过实际经验获取，其中，μ_i,t=(1-α)μ_i,t-1+ρI_t，

ρ=α/ω_i,t，α是学习率，0≤α≤1，ρ是参数学习率，ω_i,t是第t帧图像的第i个高斯分布的权值。归一化计算得到的所有权值，并把各个高斯分布函数按ω_i,t/σ_i,t从大到小排列，如果i₁，i₂...i_k表示各个高斯分布，将i₁，i₂...i_k按照ω_i,t/σ_i,t从大到小的次序排列，若前M个高斯分布满足公式：

则这M个高斯分布被认为是背景分布，其中，τ是权值阈值，可根据实际情况获取，通常τ取值0.7。

2）通过帧差做运动目标检测

在确定了背景分布之后，将当前帧与该当前帧的背景分布对应的背景模型相减，得到该当前帧的运动区域，对获取的运动区域进行二值化和形态学处理，使得分割得到的模糊运动目标区域更为完整、独立。在得到模糊运动目标区域之后，可以提取该模糊运动目标区域的静态特征，包括外接矩形的大小、面积、长宽比、中心、颜色投影直方图等，提取的静态特征都

可以作为检测目标区域的特征。

3）如果运动目标触发虚拟线圈则触发。

第三步、色彩空间转换和色彩分层计算

1）色彩空间转换；

由于需要在HSV（色调、饱和度、亮度）颜色空间来对颜色分层，所以首先将图像从RGB（红、绿、蓝）颜色空间转换到HSV颜色空间：

$H=\left\{\begin{array}{c}\arccos \frac{(R-G)+(R-B)}{2\sqrt{{(R-G)}^{*}(R-G)+{(R-B)}^{*}\left(G{-}^{*}B\right)}}(B\≤G)\\ 2\mathrm{\π}-\arccos \frac{(R-G)+(R-B)}{2\sqrt{{(R-G)}^{*}(R-G)+{(R-B)}^{*}\left(G{-}^{*}B\right)}}(B>G)\end{array}\right.---\left(1\right)$

$S=\frac{\max (R,G,B)-\min (R,G,B)}{\max (R+G+B)}---\left(2\right)$

$V=\frac{\max (R,G,B)}{255}---\left(3\right)$

2）色彩分层计算

色彩分层就是将颜色空间映射到一定的子集中，从而提高图像比对速度。一般的图像颜色***大约有2²⁴种颜色，而人眼能够真正辨别的颜色有限，因此在进行图像处理时，需要对颜色空间进行分层，分层的维数大小非常重要，分层维数越高，比对精度就越高，但是比对速度会随之下降。

色彩分层分为等量间距颜色分层和非等量间距颜色分层，由于等量间距分层的维数如果过低，则精度会大大下降，如果过高又会造成计算复杂，经过分析和实验，本实施例选用非等量间距颜色分层，步骤如下：

根据人的感知能力，把色调H分成8份，饱和度S和亮度V分成3份，根据颜色空间以及人对颜色的主观感知特性进行量化分层，公式如下：

$H=\left\{\begin{array}{ccc}0& \mathrm{if}& h\∈\left[\mathrm{316,20}\right]\\ 1& \mathrm{if}& h\∈\left[\mathrm{21,40}\right]\\ 2& \mathrm{if}& h\∈\left[\mathrm{41,75}\right]\\ 3& \mathrm{if}& h\∈\left[\mathrm{76,155}\right]\\ 4& \mathrm{if}& h\∈\left[\mathrm{156,190}\right]\\ 5& \mathrm{if}& h\∈\left[\mathrm{191,270}\right]\\ 6& \mathrm{if}& h\∈\left[\mathrm{271,195}\right]\\ 7& \mathrm{if}& h\∈\left[\mathrm{296,315}\right]\end{array}\right.---\left(4\right)$

$S=\left\{\begin{array}{ccc}0& \mathrm{if}& s\∈\left[\mathrm{0,0.2}\right]\\ 1& \mathrm{if}& s\∈\left[\mathrm{0.2,0.7}\right]\\ 2& \mathrm{if}& s\∈\left[\mathrm{0.7,1}\right]\end{array}\right.---\left(5\right)$

$V=\left\{\begin{array}{ccc}0& \mathrm{if}& v\∈\left[\mathrm{0,0.2}\right]\\ 1& \mathrm{if}& v\∈\left[\mathrm{0.2,0.7}\right]\\ 2& \mathrm{if}& v\∈\left[\mathrm{0.7,1}\right]\end{array}\right.---\left(6\right)$

根据以上方法将颜色空间划分为72种颜色。

第四步、颜色比对：在色彩分层的基础上，通过颜色直方图进行粗比对，确定和嫌疑车辆最相似的可能区域

当嫌疑车辆特征数据库中有新样例需要比对时，根据分割得到的颜色区域，计算样例颜色区域与待检视频的相似性，这里采用绝对值距离法。

设两个颜色区域分别为I、Q，用同心矩形划分方法对图像进行划分，得到一个n个同心矩形，根据前面分层得到的72维HSV直方图，对应部分的距离D_i为：

$D_i=\underset{j=0}{\overset{71}{\mathrm{\Σ}}}\left(\right|h_i\left(j\right)-h_q\left(j\right)\left|\right)---\left(7\right)$

其中，h_i(j)、h_q(j)分别对应颜色区域I、Q在第j维直方图的值，对计算结果排序，找出最相似的区域作为匹配区域。

第五步、辅助特征比对：提取辅助特征（以纹理特征为例）进行精确匹配

纹理特征可包括下列特征中的一项或多项：灰度共生矩阵的纹理特征、旋转缩放不变纹理特征（如SIFT特征）。

1）灰度共生矩阵的纹理特征

首先将彩色图像转换成灰度图像，对于灰度为N级的图像，共生矩阵为N*N维矩阵，即M_(Δx,Δy)(h,k)。其中，位于(h,k)的元素m_hk的值表示相距(h,k)的灰度为h，而另一个灰度为k的像素对出现的次数。

由纹理共生矩阵提取的四个特征量为：

反差： $\mathrm{CON}=\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{(h-k)}^2{m}_{\mathrm{hk}}---\left(8\right)$

能量： $\mathrm{ASM}=\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{\left(m_{\mathrm{hk}}\right)}^2---\left(9\right)$

熵： $\mathrm{ENT}=-\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{m}_{\mathrm{hk}}\lg \left(m_{\mathrm{hk}}\right)---\left(10\right)$

相关： $\mathrm{COR}=[\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{\mathrm{hkm}}_{\mathrm{hk}}-{\mathrm{\μ}}_x{\mathrm{\μ}}_y)]/{\mathrm{\σ}}_x{\mathrm{\σ}}_y---\left(11\right)$

其中，

是矩阵M中每列元素之和；

是每行元素之和；μ_x、μ_y、σ_x、σ_y分别是m_x、m_y的均值和标准差。

在本发明中的具体步骤如下：

A、将图像的灰度分为64个灰度等级；

B、构造四个方向灰度共生矩阵：M(1,0)，M(0,1)，M(1,1)，M(1,-1)

C、分别计算每个共生矩阵上的四个纹理特征量；

以各特征量的均值和标准差：μ_CON、σ_CON、μ_ASM、σ_ASM、μ_ENT、σ_ENT、μ_COR、σ_COR作为纹理特征的八个分量。

2）SIFT（尺度不变特征转换）特征

SIFT算法是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置、尺度、旋转不变量。

其主要检测步骤如下：

a)检测尺度空间极值点；

b)精确定位极值点；

c)为每个关键点指定方向参数；

d)关键点描述子的生成。

3）综合特征

利用单一特征进行图像比对有各自的优点，为了提高比对的准确性，本发明结合颜色特征和辅助特征（以纹理特征为例），构造一个结构化特征进行图像比对。由于颜色特征和纹理特征的物理意义不相同，不具有直接可比性，需要对它们做规一化处理，公式如下：

D=w₁d₁+w₂d₂    （12）

其中，d₁、d₂分别表示2幅图像的颜色特征量、纹理特征量之间的距离；w₁、w₂为特征量的权值（0≤w₁≤1,且w₁+w₂=1）。

第六步、阈值判定：结合粗比对和细比对依据一定的规则进行综合判定，得出综合置信度

由于车辆为刚体目标，纹理特征具有稳定性，因此，如果纹理特征相似度大于设定的纹理特征相似度阈值，则综合相似度可直接由纹理特征相似度决定或以纹理特征相似度为主。

在本实施例中，例如可以设定纹理特征的两个阈值1和阈值2.

如果纹理特征的相似度大于设定的阈值1，则嫌疑车辆的相似度由纹理特征决定；

如果纹理特征的相似度小于设定的阈值1但大于设定的阈值2，则嫌疑车辆的相似度以颜色和纹理特征综合判定，但以纹理特征的相似度为主；

如果纹理特征的相似度小于设定的阈值2，则嫌疑车辆的相似度以颜色和纹理特征综合判定，但嫌疑车辆的相似度以颜色为主，其相似的程度也相应的最小。

此外，可以设定报警阈值，如果大于设定的报警阈值，则可通过视频联动模块报警提示工作人员，否则排除嫌疑或让车辆通行。

在上述实施例中，本发明的实现主要包括三部分：颜色比对、辅助特征（以纹理特征为例）比对和阈值判定；颜色比对根据颜色分层后的颜色直方图来确定可能包括嫌疑车辆的大致区域；纹理特征比对可在颜色比对的基础上进一步确定；阈值判定是根据颜色比对和纹理特征比对得到相似度，通过一定的法则得出目标车辆的综合置信度。

本发明通过上述方法，克服了现有嫌疑车辆查控依据车牌识别来检测，但是多数嫌疑车辆会采用遮挡车牌或更换车牌的问题，提供一种基于视频检索来查控嫌疑车辆的方法，同时也通过视频虚拟线圈的方法代替了以前破坏路面的填埋感应线圈的方法。

以上参照附图说明了本发明的优选实施例，本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明。举例而言，作为一个实施例的部分示出或描述的特征可用于另一实施例以得到又一实施例。以上仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效变化，均包含于本发明的权利范围之内。

Claims (10)

1.一种嫌疑车辆查控方法，其特征在于，包括以下步骤：

S1.实时获取视频流，在有车辆经过时进行车辆图像的抓拍；

S2.将抓拍图像与嫌疑车辆样例图像进行颜色比对，确定颜色相似度，如果所述颜色相似度超过设定的颜色相似度阈值则进入下一步骤；

S3.将抓拍图像与嫌疑车辆样例图像进行辅助特征比对，确定辅助特征相似度，所述辅助特征包括纹理特征和形状特征中的至少一项；

S4.在颜色相似度和辅助特征相似度的基础上，进行综合判定，得出抓拍车辆与所述嫌疑车辆的综合相似度，在辅助特征相似度大于设定的辅助特征相似度阈值的情况下，所述综合相似度由辅助特征相似度决定或以辅助特征相似度为主。

2.根据权利要求1所述的嫌疑车辆查控方法，其特征在于，在所述步骤S1中，通过虚拟线圈触发进行车辆图像的抓拍。

3.根据权利要求1或2所述的嫌疑车辆查控方法，其特征在于，在所述步骤S2中，通过将抓拍图像与嫌疑车辆样例图像进行基于颜色的模板匹配，来确定颜色相似度，并同时确定抓拍图像中和嫌疑车辆最相似的匹配区域；在所述步骤S3中，通过从所述抓拍图像的所述匹配区域中提取辅助特征与所述嫌疑车辆样例图像的辅助特征进行比对，来确定辅助特征相似度。

4.根据权利要求3所述的嫌疑车辆查控方法，其特征在于，在所述步骤S2中，先对抓拍图像进行色彩空间转换和色彩分层计算，然后再进行所述基于颜色的模板匹配。

5.根据权利要求3所述的嫌疑车辆查控方法，其特征在于，在所述步骤S2中，通过颜色直方图进行所述基于颜色的模板匹配。

6.根据权利要求3所述的嫌疑车辆查控方法，其特征在于，在所述步骤S3中，所述辅助特征采用纹理特征，所述纹理特征包括下列特征中的一项或多项：灰度共生矩阵的纹理特征、旋转缩放不变纹理特征。

7.根据权利要求6所述的嫌疑车辆查控方法，其特征在于，在所述步骤S4中，进行综合判定的方法如下：首先设定纹理特征相似度的第一阈值和第二阈值；如果纹理特征相似度大于设定的第一阈值，则所述综合相似度由纹理特征相似度决定；如果纹理特征相似度小于设定的第一阈值但大于设定的第二阈值，则所述综合相似度以颜色相似度和纹理特征相似度综合判定，但以纹理特征相似度为主；如果纹理特征相似度小于设定的第二阈值，则所述综合相似度以颜色相似度和纹理特征相似度综合判定，但以颜色相似度为主。

8.根据权利要求7所述的嫌疑车辆查控方法，其特征在于，在所述步骤S4中，设定报警阈值，如果所述综合相似度大于设定的报警阈值，则进行报警提示。

9.一种嫌疑车辆查控***，其特征在于，包括嫌疑车辆比对模块，所述嫌疑车辆比对模块包括：

图像接收模块，用于实时获取视频流，在有车辆经过时进行车辆图像的抓拍；

颜色比对模块，用于将抓拍图像与嫌疑车辆样例图像进行颜色比对，确定颜色相似度，如果所述颜色相似度超过设定的颜色相似度阈值则进入辅助特征比对模块进行处理；

辅助特征比对模块，用于将抓拍图像与嫌疑车辆样例图像进行辅助特征比对，确定辅助特征相似度，所述辅助特征包括纹理特征和形状特征中的至少一项；

综合判定模块，用于在颜色相似度和辅助特征相似度的基础上，进行综合判定，得出抓拍车辆与所述嫌疑车辆的综合相似度，在辅助特征相似度大于设定的辅助特征相似度阈值的情况下，所述综合相似度由辅助特征相似度决定或以辅助特征相似度为主。

10.根据权利要求9所述的嫌疑车辆查控***，其特征在于，所述颜色比对模块设置为通过将抓拍图像与嫌疑车辆样例图像进行基于颜色的模板匹配，来确定颜色相似度，并同时确定抓拍图像中和嫌疑车辆最相似的匹配区域；所述辅助特征比对模块设置为通过从所述抓拍图像的所述匹配区域中提取辅助特征与所述嫌疑车辆样例图像的辅助特征进行比对，来确定辅助特征相似度。

Images