CN104933398A - 车辆辨识***与方法 - Google Patents
车辆辨识***与方法 Download PDFInfo
- Publication number
- CN104933398A CN104933398A CN201510117877.3A CN201510117877A CN104933398A CN 104933398 A CN104933398 A CN 104933398A CN 201510117877 A CN201510117877 A CN 201510117877A CN 104933398 A CN104933398 A CN 104933398A
- Authority
- CN
- China
- Prior art keywords
- feature point
- car body
- point set
- vehicle
- body image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 26
- 239000000758 substrate Substances 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- NHDHVHZZCFYRSB-UHFFFAOYSA-N pyriproxyfen Chemical compound C=1C=CC=NC=1OC(C)COC(C=C1)=CC=C1OC1=CC=CC=C1 NHDHVHZZCFYRSB-UHFFFAOYSA-N 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种车辆辨识***与方法,该方法包含(a)藉由一演算法演算每一该等车辆的一车体影像与一基准影像,以分别地取得一第一特征点集与一第二特征点集。(b)比对该第一特征点集与该第二特征点集,以校准每一该等车辆的该车体影像。(c)建立具有一梯度基底的斜面距离转换的该等车辆的多个车辆模型影像。(d)拍摄该车辆的一即时车体影像。(e)藉由该演算法演算该即时车体影像与该基准影像,以分别地取得一第三特征点集与该第二特征点集。(f)比对该第二特征点集与该第三特征点集,以校准该即时车体影像。(g)判断该即时车体影像的每一像素与每一该等车辆模型影像的每一像素的梯度基底乘积的最大者,以确定该即时车体影像对应该等车辆模型影像的其中之一。
Description
技术领域
本发明涉及车辆辨识的技术领域,特别是一种不经由辨识经蓄意涂消或变异的车牌,而能准确地识别出车辆的身分的车辆身分辨识***与方法。
背景技术
随着影像辨识技术的提升,车辆辨识***已经被广泛地应用在智慧交通运输领域,该智慧交通运输领域包含国道自动化收费***、偷窃车辆侦测与车祸侦测等。以下说明,是以该国道自动化收费***为例说明。
国道***中的自动收费站,藉由该车辆辨识***监控通过该自动收费站的车辆,以达成自动化收费与车辆监控的目的。
传统中,该车辆辨识***是拍摄该车辆的车牌影像或是拍摄车牌的特征资讯,并且与资料库中的车牌资料进行比对,以识别出该车辆。
然而,该车辆辨识***虽节省了人力,却也衍伸了其它的问题,例如不当的该车辆的驾驶,藉由涂改车牌、破坏车牌、变更车牌或遮盖车牌等方式,企图逃避该车辆辨识***辨识等的问题。
有鉴于此,本发明提出一种车辆辨识***与方法,以解决常见技术的缺失。
发明内容
本发明的一目的提供一种车辆辨识***,在不透过辨识一车辆的一车牌的情形下,仍可有效率地与准确地辨识出该车辆的身份。
本发明的另一目的提供一种车辆辨识方法,藉由侦测一车辆的车体(或称车型)而识别出该车辆。
为达上述目的及其他目的,本发明提供一种车辆辨识***,供辨识多个车辆的车体,以确认该等车辆之身份,该车辆辨识***包含一车辆资料库、一模型资料库、一影像拍摄单元与一处理单元。该车辆资料库储存该等车辆的多个车体影像。该模型资料库连接该车辆资料库。该模型资料库自该车辆资料库取得该等车体影像,并藉由一演算法演算该等车体影像与一基准影像,以分别地取得一第一特征点集及一第二特征点集,以及比对该第一特征点集与该第二特征点集,让该基准影像校准每一该等车体影像,而建立具有一梯度基底的一斜面距离转换(Chamfer distance transform)的多个车辆模型影像。该影像拍摄单元拍摄每一该车辆的一即时车体影像。该影像拍摄单元藉由该演算法演算该即时车体影像与该基准影像,以分别地取得一第三特征点集与该第二特征点集,以及比对该第二特征点集与该第三特征点集,让该基准影像校准该即时车体影像。该处理单元连接该模型资料库与该影像拍摄单元。该处理单元计算该即时车体影像中每一像素的梯度基底与每一该等车体模型影像中每一像素的梯度基底之间的乘积,以及自多个该乘积的数值中挑选最大者,以确定该即时车体影像对应该等车辆模型影像的其中之一。
为达上述目的及其他目的,本发明提供一种车辆辨识方法,供辨识多个车辆的车体,该车辆辨识方法包含步骤(a),藉由一演算法演算每一该等车辆的一车体影像与一基准影像,以分别地取得一第一特征点集与一第二特征点集。步骤(b),比对该第一特征点集与该第二特征点集,以校准每一该等车辆的该车体影像。步骤(c),建立具有一梯度基底的斜面距离转换(Chamfer distance transform)的该等车辆的多个车辆模型影像。步骤(d),拍摄该车辆的一即时车体影像。步骤(e),藉由该演算法演算该即时车体影像与该基准影像,以分别地取得一第三特征点集与该第二特征点集。步骤(f),比对该第二特征点集与该第三特征点集,以校准该即时车体影像。步骤(g),判断该即时车体影像中每一像素的梯度基底与每一该等车辆模型影像的梯度基底的二者乘积的最大者,以确定该即时车体影像对应该等车辆模型影像的其中之一。
相较常见技术,本发明提供一车辆辨识***与方法,主要藉由例如一加速强健特征点(Speeded up robust features)演算法演算一车辆的一车体影像的特征点集,并藉由该特征点集校准该车体影像,同时藉由梯度基底的斜面距离转换(Chamferdistance transform)建立一车辆模型影像。藉由本发明,可在不需要直接地辨识该车辆的车牌的情况下,仍可藉由判断该一即时车体本身的校准后的梯度特征影像(例如车型纹理或是该车体独有的标记、物件以及缺陷),而识别出该车辆的身份。
校准的该车辆影像透过斜面距离转换来建造该车辆模型影像,并且计算该车辆模型影像与即时车体影像之间的相似度,以产生一比对结果。另外,该车辆模型影像可以将多个车体影像中显著的特征加以整合成一张影像,而能同时地达到整合模型资料库及建构出完整车体及其独特性的功效。
附图说明
图1为本发明实施例的车辆辨识***的示意框图。
图2为本发明实施例的车辆辨识方法的步骤示意图。
图3为本发明实施例的方框滤波器模板。
图4为本发明实施例的尺度空间示意图。
图5为本发明实施例的决定特征点主方向的示意图。
图6为本发明实施例的加速强健特征点演算法的特征点描述子的示意图。
符号说明:
2 车辆
10 车辆辨识***
12 车辆资料库
14 模型资料库
16 影像拍摄单元
18 处理单元
VBIMG 车体影像
VMIMG 车辆模型影像
BI 基准影像
FFPS 第一特征点集
SFPS 第二特征点集
TFPS 第三特征点集
RTVBIMG 即时车体影像
S21-S27 步骤
具体实施方式
为充分了解本发明的目的、特征及功效,兹藉由下述具体的实施例,并配合所附的图式,对本发明做一详细说明,说明如后:
请参考图1,为本发明实施例的车辆辨识***的示意框图。于图1中,该车辆辨识***10辨识出多个车辆2的车体,以确认该等车辆的身份。在本实施例中,该车辆识别***10以设置在国道***中的自动收费站为例说明,于其它实施例中,亦可应用在偷窃车辆侦测、车祸侦测或停车场等应用领域。
该车辆辨识***10包含一车辆资料库12、一模型资料库14、一影像拍摄单元16与一处理单元18。
该车辆资料库12预先地储存该等车辆2的多个车体影像VBIMG(vehicle bodyimage)。实际上,该车辆资料库12可透过例如监理机构或是申办ETC的门市拍摄该等车体影像VBIMG。
该模型资料库14连接该车辆资料库12。该模型资料库14自该车辆资料库12取得该等车体影像VBIMG,以及该模型资料库14根据该等车体影像VBIMG,建立对应该等车辆2的多个车辆模型影像VMIMG(vehicle model image)。
该等车辆模型影像VMIMG可藉由至少一种以上的演算法演算该车体影像VBIMG而取得对应的该等车辆模型影像VMIMG。
于本实施例中,该模型资料库14藉由一演算法演算每一该等车辆2的该车体影像VBIMG,以取得一第一特征点集FFPS(First feature point set),以及该演算法演算一基准影像BI(Base image),以取得一第二特征点集SFPS(Second feature pointset)。举例而言,该演算法为一加速强健特征点(Speeded up robust feature,SURF)演算法、一尺度不变特征转换(Scale-invariant feature transform,SIFT)演算法与一方向梯度直方图(Histogram of oriented gradient,HOG)演算法的至少其中之一。值得注意的是,该演算法除上述所提及的类型外,还包含其它未列举的演算法,只要其它演算法能够达成上述比对的功效,皆符合本实施例中该演算法的定义。为便于说明,以下是以加速强健特征点演算法为例进行说明。
该模型资料库14比对该第一特征点集FFPS与该第二特征点集SFPS,让该基准影像BI校准每一该等车辆2的该车体影像VBIMG,而建立包含一梯度基底的斜面距离转换(Chamfer distance transform)的该等车辆模型影像VMIMG。
该影像拍摄单元16拍摄该车辆2的一即时车体影像RTVBIMG(Real timeVBIMG)。该影像拍摄单元16藉由该加速强健特征点演算法演算该即时车体影像RTVBIMG,以取得一第三特征点集TFPS(Third feature point set),以及该加速强健特征点演算法演算该基准影像BI,以取得该第二特征点集SFPS。
该影像拍摄单元16比对该第二特征点集SFPS与该第三特征点集TFPS,让该基准影像BI校准该即时车体影像VBIMG。
该处理单元18连接该模型资料库14与该影像拍摄单元16。
该处理单元18计算该即时车体影像RTVBIMG中每一像素的梯度基底与每一该等车辆模型影像VMIMG中每一像素的梯度基底之间的乘积,以及自多个该乘积的数值中挑选最大者,以确定该即时车体影像RTVBIMG对应该等车辆模型影像VMIMG的其中之一。换言之,藉由该乘积的最大值,可确认该即时车体影像RTVBIMG即是当下该车辆模型影像VMIMG所对应的该车辆2。
请参考图2,为本发明实施例的车辆辨识方法的步骤示意图。于图2中,该车辆辨识方法辨识多个车辆的车体,其步骤起始于步骤S21,藉由一演算法演算每一该等车辆的一车体影像与一基准影像,以分别地取得一第一特征点集与一第二特征点集,例如该演算法为一加速强健特征点演算法、一尺度不变特征转换演算法与一方向梯度直方图演算法的至少其中之一。
步骤S22,比对该第一特征点集与该第二特征点集,以校准每一该等车辆的该车体影像。
步骤S23,建立具有一梯度基底的斜面距离转换的该等车辆的多个车辆模型影像。
上述步骤S21至步骤S23详细说明如下。
由于每一辆车的水平位移、垂直位移以及旋转角度皆不相同,并且非保证涵括全车体,因而必须对该车体影像进行校准。于本实施例中,采用该演算法来进行校准该车体影像。
于本实施例中,该演算法以该加速强健特征点演算法为例说明,该加速强健特征点演算法为尺度不变特征演算法(Scale-invariant feature transform,SIFT)的改良版本。该加速强健特征点演算法透过使用梯度资讯来对兴趣的点进行侦测及描述。在该加速强健特征点演算法广泛地应用为哈里斯角点侦测(Harris corner detector);但是,传统的该哈里斯角点存在部分缺失,即该哈里斯角点侦测并无法侦测尺度变换过后的影像。另外,在特征点的描述的部分,该加速强健特征点演算法维持原有该尺度不变特征演算法计算梯度,以寻找应对点。如此的好处是,该影像可以抵抗旋转或是缩放等变异的因素,让该加速强健特征点演算法可以找到正确的对应点。
该加速强健特征点演算法在进行特征点比对过程,可进一步被细分为几个步骤:
1)透过特征点建构Hessia n矩阵
该Hessian矩阵是该加速强健特征点演算法中核心部分,而每张影像中的任意像素可以被计算出对应于该像素的Hessian矩阵。于另一实施例中,在建立该Hessian矩阵之前,藉由一高斯滤波演算法演算该第一特征点,让特征点不会受到尺度变换的影响。于另一实施例中,该高斯滤波演算法可由一个方框滤波器(例如Herbert Bay提出地9乘9的方框滤波器,如图3所示,为显示9乘9的方框滤波器模板)来取代。
2)尺度空间表示
该尺度空间的表示即是该影像解析度表示,最佳的情况是,在任何影像解析度中,该影像的特征点都期待能够被找到。一般而言,该尺度空间通常演绎成一个金字塔模型,如图4所示,为该尺度空间示意图,右图下方块为一识别单元(recognition unit)。利用本发明所采用的该加速强健特征点演算法,将使得该影像在进行尺度变换时,并不改变影像的尺寸,而是调整一高斯模糊的尺寸。藉由该方式,可让该加速强健特征点演算法的计算速度加快。
3)特征点定位
该加速强健特征点演算法在特征点定位采用与该尺度不变特征演算法类似的计算方式,即透过三维的方式,在各种尺度中使用哈里斯角点侦测去找出较强烈的特征点。
4)选择特征点主方向
为了使该加速强健特征点演算法能够不受影像旋转影响,必须定出每一个特征点的主方向。与该尺度不变特征演算法不同的是,该尺度不变特征演算法透过统计梯度直方图,以计算出特征点主方向,而该加速强健特征点演算法透过计算单一特征点周围的领域中的一哈尔小波特征(Harr wavelet)。在特征点周围取一个圆的范围,并且计算一扇形范围中所有的哈尔小破特征总和值,该扇形的角度范围为10度至170度。于本实施例中,该扇形的角度是以60度为例说明,一并参考图5。在图5中,藉由在该圆里不断旋转该扇形,以寻找包含特征点数量最大的扇形,以确认该特征点主方向。
5)建构该加速强健特征点演算法特征点描述
该加速强健特征点演算法在每一该第一特征点周围建构出一正方框,并在该正方框中计算该哈尔小波特征的一垂直方向之和、一垂直方向绝对值之和、一水平方向之和与一水平方向绝对值之和,一并可参考图6,是该加速强健特征点演算法的特征点描述子。
经由上述1)至5)遂进行影像的校准。
校准影像首先利用基准影像来做为影像校准的基准。藉由该加速强健特征点演算法计算出基准影像与该车体影像的特征点,并且进行二者之间的比对,最后得到一对应点对(point-pairs)。
于另一实施例中,若该车体影像对比度低时,将导致该加速强健特征点演算法在初始阶段中,找到许多不正确的对应点对。为了去除这些不正确的对应点对,于本实施例中,更进一步对每一个对应点对进行可靠度排序,可靠度。藉由删除该第一特征点集中的二点与对应的该第二特征点集中的二点之间空间差距大于或小于一预定距离的该对应点对,藉以取得距离适中并且可靠度高的对应点对。
在该加速强健特征点演算法找出来对应点对并且经过筛选之后,这些对应点对即可用来计算车体旋转角度,藉由计算该基准影像与该车体影像的二对应点间向量的角度差,并藉由一仿射变换(Affine transformation)以取得一旋转矩阵。接着,进一步计算该基准影像与该车体影像的二对应点间的比例差。再利用该角度差与该比例差调整该车体影像之后,再藉由该仿射变换取得一位移矩阵。
步骤S24,拍摄该车辆的一即时车体影像。
步骤S25,藉由该加速强健特征点演算法演算该即时车体影像与该基准影像,以分别地取得一第三特征点集与该第二特征点集。
步骤S26,比对该第二特征点集与该第三特征点集,以校准该即时车体影像,校准方式同前所述,于此不赘述。
步骤S27,判断该即时车体影像中每一像素的梯度基底与每一该等车辆模型影像的梯度基底的二者乘积的最大者,以确定该即时车体影像对应该等车辆模型影像的其中之一。
值得注意的是,于另外一实施例中,由于单张的Chamfer车辆模型的资讯可能不够完整。因此,可进一步藉由叠加大量的车辆模型作为最终模型。换言之,藉由该Chamfer车辆模型不断地叠加,以便留下高独特协同性的资讯,同时抑制低独特协同性的部分,最终该Cha mfer车辆模型拥有完整的车体资讯。
本发明在上文中已以较佳实施例揭露,然熟习本项技术者应理解的是,该实施例仅用于描绘本发明,而不应解读为限制本发明的范围。应注意的是,举凡与该实施例等效的变化与置换,均应设为涵盖于本发明的范畴内。因此,本发明的保护范围当以权利要求书所界定者为准。
Claims (10)
1.一种车辆辨识***,供辨识多个车辆的车体,以确认该等车辆的身份,其特征在于,该车辆辨识***包含:
一车辆资料库,其储存该等车辆的多个车体影像;
一模型资料库,其连接该车辆资料库,该模型资料库自该车辆资料库取得该等车体影像,并藉由一演算法演算该等车体影像与一基准影像,以分别地取得一第一特征点集及一第二特征点集,以及比对该第一特征点集与该第二特征点集,让该基准影像校准每一该等车体影像,而建立具有一梯度基底的一斜面距离转换的多个车辆模型影像;
一影像拍摄单元,拍摄每一该车辆的一即时车体影像,该影像拍摄单元藉由该演算法演算该即时车体影像与该基准影像,以分别地取得一第三特征点集与该第二特征点集,以及比对该第二特征点集与该第三特征点集,让该基准影像校准该即时车体影像;以及
一处理单元,其连接该模型资料库与该影像拍摄单元,该处理单元计算该即时车体影像中每一像素的梯度基底与每一该等车体模型影像中每一像素的梯度基底之间的乘积,以及自多个该乘积的数值中挑选最大者,以确定该即时车体影像对应该等车辆模型影像的其中之一。
2.一种车辆辨识方法,供辨识多个车辆的车体,其特征在于,该车辆辨识方法包含步骤:
藉由一演算法演算每一该等车辆的一车体影像与一基准影像,以分别地取得一第一特征点集与一第二特征点集;
比对该第一特征点集与该第二特征点集,以校准每一该等车辆的该车体影像;
建立具有一梯度基底的斜面距离转换的该等车辆的多个车辆模型影像;
拍摄该车辆的一即时车体影像;
藉由该演算法演算该即时车体影像与该基准影像,以分别地取得一第三特征点集与该第二特征点集;
比对该第二特征点集与该第三特征点集,以校准该即时车体影像;以及
判断该即时车体影像中每一像素的梯度基底与每一该等车辆模型影像的梯度基底的二者乘积的最大者,以确定该即时车体影像对应该等车辆模型影像的其中之一。
3.根据权利要求2所述的车辆辨识方法,其特征在于:其中该演算法根据该第一特征点集建立Hessian矩阵,其中在建立该Hessian矩阵之前,藉由一高斯滤波演算法演算该第一特征点集,以及该演算法调整高斯模糊的尺寸以改变该车体影像的解析度。
4.根据权利要求3所述的车辆辨识方法,其特征在于:其中该演算法在三维空间中,侦测与描述该车体影像的该第一特征点集。
5.根据权利要求3所述的车辆辨识方法,其特征在于:其中该演算法计算邻近于该第一特征点集的一哈尔小波特征,以及在该第一特征点集的周围取一个圆的范围,并且在该圆的范围之内,统计出在一扇形范围中包覆该哈尔小波特征总和值的最大值。
6.根据权利要求5所述的车辆辨识方法,其特征在于:其中该演算法在每一该第一特征点集周围建构出一正方框,并在该正方框中计算该哈尔小波特征的一垂直方向之和、一垂直方向绝对值之和、一水平方向之和与一水平方向绝对值之和。
7.根据权利要求2所述的车辆辨识方法,其特征在于:其中在比对该第一特征点集与该第二特征点集的步骤中,删除该第一特征点集中的二点与对应的该第二特征点集中的二点之间空间差距大于或小于一预定距离的一对应点对。
8.根据权利要求7所述的车辆辨识方法,其特征在于:更包合计算该基准影像与该车体影像的二对应点间向量的角度差,并藉由一仿射变换以取得一旋转矩阵,而该旋转矩阵旋转该车体影像。
9.根据权利要求8所述的车辆辨识方法,其特征在于:更包合计算该基准影像与该车体影像之二该对应点之间的比例差,以及在利用该角度差与该比例差调整该车体影像之后,藉由该仿射变换取得一位移矩阵。
10.根据权利要求2所述的车辆辨识方法,其特征在于:其中该演算法为一加速强健特征点演算法、一尺度不变特征转换演算法与一方向梯度直方图演算法的至少其中之一。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103110069A TWI521448B (zh) | 2014-03-18 | 2014-03-18 | Vehicle identification system and method |
TW103110069 | 2014-03-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104933398A true CN104933398A (zh) | 2015-09-23 |
CN104933398B CN104933398B (zh) | 2018-05-22 |
Family
ID=54120559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510117877.3A Expired - Fee Related CN104933398B (zh) | 2014-03-18 | 2015-03-18 | 车辆辨识***与方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9208172B2 (zh) |
CN (1) | CN104933398B (zh) |
TW (1) | TWI521448B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108266086A (zh) * | 2017-01-04 | 2018-07-10 | 泓冠智能股份有限公司 | 挡门控制***及挡门控制方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6868769B2 (ja) * | 2015-09-30 | 2021-05-12 | パナソニックIpマネジメント株式会社 | 車種識別装置およびこれを備えた車種識別システムならびに車種識別方法 |
CN105335702B (zh) * | 2015-10-15 | 2018-11-27 | 浙江捷尚视觉科技股份有限公司 | 一种基于统计学习的卡口车型识别方法 |
CN105678304B (zh) * | 2015-12-30 | 2020-04-10 | 浙江宇视科技有限公司 | 一种车标识别方法及装置 |
CN107450088B (zh) * | 2017-06-08 | 2021-05-14 | 百度在线网络技术(北京)有限公司 | 一种基于位置的服务lbs的增强现实定位方法及装置 |
WO2021009986A1 (ja) * | 2019-07-12 | 2021-01-21 | 村田機械株式会社 | 画像認識方法及び画像認識装置 |
CN111160466B (zh) * | 2019-12-30 | 2022-02-22 | 深圳纹通科技有限公司 | 一种基于直方图统计的特征匹配算法 |
CN112381785A (zh) * | 2020-11-12 | 2021-02-19 | 北京一起教育科技有限责任公司 | 一种图像检测方法、装置及电子设备 |
CN113657194B (zh) * | 2021-07-27 | 2023-09-22 | 武汉理工大学 | 基于改进的surf算法的车辆摄像头图像特征提取匹配方法 |
CN114926659B (zh) * | 2022-05-16 | 2023-08-08 | 上海贝特威自动化科技有限公司 | 一种基于sift和cm的变形目标定位算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100322476A1 (en) * | 2007-12-13 | 2010-12-23 | Neeraj Krantiveer Kanhere | Vision based real time traffic monitoring |
CN101976341A (zh) * | 2010-08-27 | 2011-02-16 | 中国科学院自动化研究所 | 一种从交通图像中检测车辆位置、姿态和三维轮廓的方法 |
CN102509098A (zh) * | 2011-10-08 | 2012-06-20 | 天津大学 | 一种鱼眼图像车辆识别方法 |
CN103500327A (zh) * | 2013-10-16 | 2014-01-08 | 武汉理工大学 | 基于空间位置信息的同一品牌车辆的车型识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9111349B2 (en) * | 2011-12-16 | 2015-08-18 | Microsoft Technology Licensing, Llc | Object identification using 3-D curve matching |
-
2014
- 2014-03-18 TW TW103110069A patent/TWI521448B/zh not_active IP Right Cessation
-
2015
- 2015-03-18 US US14/661,196 patent/US9208172B2/en not_active Expired - Fee Related
- 2015-03-18 CN CN201510117877.3A patent/CN104933398B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100322476A1 (en) * | 2007-12-13 | 2010-12-23 | Neeraj Krantiveer Kanhere | Vision based real time traffic monitoring |
CN101976341A (zh) * | 2010-08-27 | 2011-02-16 | 中国科学院自动化研究所 | 一种从交通图像中检测车辆位置、姿态和三维轮廓的方法 |
CN102509098A (zh) * | 2011-10-08 | 2012-06-20 | 天津大学 | 一种鱼眼图像车辆识别方法 |
CN103500327A (zh) * | 2013-10-16 | 2014-01-08 | 武汉理工大学 | 基于空间位置信息的同一品牌车辆的车型识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108266086A (zh) * | 2017-01-04 | 2018-07-10 | 泓冠智能股份有限公司 | 挡门控制***及挡门控制方法 |
CN108266086B (zh) * | 2017-01-04 | 2019-11-15 | 泓冠智能股份有限公司 | 挡门控制***及挡门控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104933398B (zh) | 2018-05-22 |
TW201537472A (zh) | 2015-10-01 |
US20150269190A1 (en) | 2015-09-24 |
US9208172B2 (en) | 2015-12-08 |
TWI521448B (zh) | 2016-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104933398A (zh) | 车辆辨识***与方法 | |
CN107330376B (zh) | 一种车道线识别方法及*** | |
CN108564814B (zh) | 一种基于图像的停车场车位检测方法及装置 | |
Yan et al. | A method of lane edge detection based on Canny algorithm | |
CN111274843B (zh) | 基于监控视频的货车超载监测方法及*** | |
CN111563469A (zh) | 一种不规范停车行为识别方法及装置 | |
Kortli et al. | A novel illumination-invariant lane detection system | |
CN107609483B (zh) | 面向驾驶辅助***的危险目标检测方法、装置 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其***、设备、介质 | |
CN103258432A (zh) | 基于视频的交通事故自动识别处理方法和*** | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
CN102176243A (zh) | 一种基于可见光和红外摄像机的目标测距方法 | |
CN106407924A (zh) | 基于路面特征的双目道路识别检测方法 | |
CN107862319B (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
CN114494161A (zh) | 基于图像对比的受电弓异物检测方法、设备及存储介质 | |
CN112699267A (zh) | 车辆车型的识别方法 | |
Satzoda et al. | Robust extraction of lane markings using gradient angle histograms and directional signed edges | |
CN115578468A (zh) | 外参标定方法、装置、计算机设备、存储介质 | |
Zhou et al. | Hybridization of appearance and symmetry for vehicle-logo localization | |
Ryu et al. | Feature-based pothole detection in two-dimensional images | |
CN114724119B (zh) | 车道线提取方法、检测设备及存储介质 | |
CN116958195A (zh) | 物件追踪整合方法及整合装置 | |
Srivastava et al. | Standoff video analysis for the detection of security anomalies in vehicles | |
CN109886120B (zh) | 一种斑马线检测方法及*** | |
CN113436279A (zh) | 一种图像处理方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180522 Termination date: 20200318 |