CN105160333B - 一种车型识别方法及识别装置 - Google Patents
一种车型识别方法及识别装置 Download PDFInfo
- Publication number
- CN105160333B CN105160333B CN201510639752.7A CN201510639752A CN105160333B CN 105160333 B CN105160333 B CN 105160333B CN 201510639752 A CN201510639752 A CN 201510639752A CN 105160333 B CN105160333 B CN 105160333B
- Authority
- CN
- China
- Prior art keywords
- picture
- target vehicle
- weights
- detected
- feature
- 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.)
- Active
Links
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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种车型识别方法,所述方法包括:获取待检测图片;采用第一预设分类器对所述待检测图片进行检测;若所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆;对所述目标车辆进行对齐处理,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值;对所述对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数;采用第二预设分类器对所述M个特征进行分类;根据所述分类的结果确定所述目标车辆的车型。本发明实施例还提供了一种识别装置,用于识别车型。通过本发明实施例可提高车型识别的精度。
Description
技术领域
本发明实施例涉及智能监控技术领域,具体涉及一种车型识别方法及识别装置。
背景技术
在智能视频监控中,车型识别技术是公安图像侦查和交通状态分析的一个前期处理中的重要分体。随着信息技术的发展,车型识别技术也得到了进一步的发展,目前的车型识别技术而非传统意义上的车型识别,其中,传统意义上的车型识别仅能分辨出车辆的大致类型,如小型车辆、中型车辆和大型车辆。而目前意义上的车型识别技术就是对从车辆的车脸区域图像中提取出的车型特征进行分类,以确定该车辆所属的品牌型号。随着计算机技术的进步,基于车脸特征的车型识别技术逐渐走向实用,不但可以识别车辆品牌,甚至可以识别该车辆品牌旗下的系列和年款,从而大大扩展了该技术在相关领域的应用。
目前,虽然基于车型特征的识别技术已经取得了不少研究成果,但是由于车辆种类繁多且车辆外形更新快,同时部分车型间前脸差别小,从而,降低了车型识别的精确。
发明内容
本发明实施例提供了一种车型识别方法及识别装置,以期提高车型识别的识别精度。
本发明实施例第一方面提供了一种车型识别方法,包括:
获取待检测图片;
采用第一预设分类器对所述待检测图片进行检测;
若所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆;
对所述目标车辆进行对齐处理,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值;
对所述对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数;
采用第二预设分类器对所述M个特征进行分类;
根据所述分类的结果确定所述目标车辆的车型。
结合本发明实施例的第一方面,在第一方面的第一种可能的实施方式中,所述采用第一预设分类器对所述待检测图片进行检测包括:
将图片库中含有车辆的P张图片作为正样本和不含车辆的Q张图片作为负样本对所述待检测图片进行检测,其中,所述P和所述Q均为大于1的整数。
结合本发明实施例的第一方面,在第一方面的第二种可能的实施方式中,所述将所述目标车辆进行对齐处理包括:
确定所述目标车辆对应的仿射变换矩阵;
根据所述仿射变换矩阵对所述目标车辆进行仿射变换。
结合本发明实施例的第一方面或第一方面的第二种可能的实施方式,在第一方面的第三种可能的实施方式中,所述确定所述目标车辆对应的仿射变换矩阵包括:
获取用户从图片库中选择的K个图片,所述K个图片中的图片i中包含的车辆的车头方向与所述图片i的垂直方向之间的夹角小于所述预设阈值,其中,所述图片i为所述K个图片中的任一图片,所述K为大于或等于1的整数;
从所述K个图片中分别提取O个特征,所述O为大于1的整数;
对所述提取到的K*O个特征进行支持向量回归处理,以得到仿射变换矩阵。
结合本发明实施例的第一方面,在第一方面的第四种可能的实施方式中,所述对所述对齐处理之后的目标区域进行特征提取,以得到M个特征包括:
分别将所述目标车辆划分为K1个第一预设大小的区域、K2个第二预设大小的区域和K3个第三预设大小的区域,其中,所述K1、所述K2和所述K3为值互不相同的正整数;
分别获取所述K1个第一预设大小的区域对应的K1个直方图、所述K2个第二预设大小的区域对应的K2个直方图和所述K3个第三预设大小的区域对应的K3个直方图;
按照预设顺序配置所述K1个直方图的K1个权值、所述K2个直方图的K2个权值和所述K3个直方图的K3个权值,所述K1个权值均大于0且相等,所述K2个权值均大于0且相等,所述K3个权值均大于0且相等,且所述K1个权值与所述K2个权值及所述K3个权值之和为1;
分别提取所述目标车辆的方向梯度直方图HOG特征,以得到与所述K1个第一预设大小的区域对应的K1个所述HOG特征、与所述K2个第二预设大小的区域对应的K2个所述HOG特征和与所述K3个第三预设大小的区域对应的K3个所述HOG特征;
将所述K1个权值与所述K1个HOG特征、所述K2个权值与所述K2个HOG特征和所述K3个权值与所述K3个HOG特征组成特征向量;
采用第三预设分类器对所述特征向量进行训练以得到M个特征。
本发明实施例第二方面提供了一种识别装置,包括:
第一获取单元,用于获取待检测图片;
检测单元,用于采用第一预设分类器对所述第一获取单元获取到的待检测图片进行检测;
第一提取单元,用于若所述检测单元检测到所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆;
第一处理单元,用于对所述第一提取单元提取的目标车辆进行对齐处理,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值;
第二提取单元,用于对所述第一处理单元对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数;
分类单元,用于采用第二预设分类器对所述第二提取单元提取的M个特征进行分类;
第一确定单元,用于根据所述分类单元的分类的结果确定所述目标车辆的车型。
结合本发明实施例的第二方面,在第二方面的第一种可能的实施方式中,所述检测单元具体用于:
将图片库中含有车辆的P张图片作为正样本和不含车辆的Q张图片作为负样本对所述待检测图片进行检测,其中,所述P和所述Q均为大于1的整数。
结合本发明实施例的第二方面,在第二方面的第一种可能的实施方式中,所述第一处理单元包括:
第二确定单元,确定所述第一提取单元提取的目标车辆对应的仿射变换矩阵;
仿射变换单元,用于根据所述第二确定单元确定的仿射变换矩阵对所述目标车辆进行仿射变换。
结合本发明实施例的第二方面或第二方面的第二种可能的实施方式,在第二方面的第三种可能的实施方式中,所述第二确定单元包括:
第二获取单元,用于获取用户从图片库中选择的K个图片,所述K个图片中的图片i中包含的车辆的车头方向与所述图片i的垂直方向之间的夹角小于所述预设阈值,其中,所述图片i为所述K个图片中的任一图片,所述K为大于或等于1的整数;
第三提取单元,用于从所述第二获取单元获取的K个图片中分别提取O个特征,所述O为大于1的整数;
第二处理单元,用于对所述第三提取单元提取到的K*O个特征进行支持向量回归处理,以得到仿射变换矩阵。
结合本发明实施例的第二方面,在第二方面的第四种可能的实施方式中,所述第二提取单元包括:
划分单元,用于分别将所述第一提取单元提取的目标车辆划分为K1个第一预设大小的区域、K2个第二预设大小的区域和K3个第三预设大小的区域,其中,所述K1、所述K2和所述K3为值互不相同的正整数;
第三获取单元,用于分别获取所述划分单元划分的所述K1个第一预设大小的区域对应的K1个直方图、所述K2个第二预设大小的区域对应的K2个直方图和所述K3个第三预设大小的区域对应的K3个直方图;
配置单元,用于按照预设顺序配置第三获取单元获取到的所述K1个直方图的K1个权值、所述K2个直方图的K2个权值和所述K3个直方图的K3个权值,所述K1个权值均大于0且相等,所述K2个权值均大于0且相等,所述K3个权值均大于0且相等,且所述K1个权值与所述K2个权值及所述K3个权值之和为1;
第四提取单元,用于分别提取所述第一提取单元提取的目标车辆的方向梯度直方图HOG特征,以得到与所述K1个第一预设大小的区域对应的K1个所述HOG特征、与所述K2个第二预设大小的区域对应的K2个所述HOG特征和与所述K3个第三预设大小的区域对应的K3个所述HOG特征;
组成单元,用于将所述K1个权值与所述K1个HOG特征、所述K2个权值与所述K2个HOG特征和所述K3个权值与所述K3个HOG特征组成特征向量;
训练单元,用于采用第三预设分类器对所述组成单元组成的特征向量进行训练以得到M个特征。
实施本发明实施例,具有如下有益效果:
通过本发明实施例获取待检测图片;采用第一预设分类器对所述待检测图片进行检测;若所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆;对所述目标车辆进行对齐处理,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值;对所述对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数;采用第二预设分类器对所述M个特征进行分类;根据所述分类的结果确定所述目标车辆的车型。本发明实施例中,提取目标车辆,对该目标车辆进行对齐处理,并在该基础上对对齐处理后的目标车辆进行特征提取,并对该提取到的特征进行分类处理,从而,可提高车型识别的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种车型识别方法的第一实施例流程示意图;
图2是本发明实施例提供的一种车型识别方法的第二实施例流程示意图;
图3是本发明实施例提供的一种车型识别方法的第三实施例流程示意图;
图4a是本发明实施例提供的一种识别装置的第一实施例结构示意图;
图4b是本发明实施例提供的一种识别装置的第一实施例又一结构示意图;
图4c是本发明实施例提供的一种识别装置的第一实施例又一结构示意图;
图5是本发明实施例提供的一种识别装置的第二实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例所描述车型识别的识别装置可以包括视频矩阵、监控设备、带有识别车型功能的其他装置等等,上述识别装置仅是举例,而非穷举,包含但不限于上述识别装置。
进一步地,本发明实施例所描述的车型识别方法还可用于其他目标识别,如人、动物或者其他物体,在此实施例中不再赘述。
请参阅图1,为本发明实施例提供的一种车型识别方法的第一实施例流程示意图。本实施例中所描述的目标检测的方法,包括以下步骤:
S101、获取待检测图片。
具体实现中,待检测图片可为一张单独图片,或者,待检测图片可为视频的一帧或者多帧图片,其中,待检测图片中可包含一个或者多个车辆甚至0个车辆。该车辆可包括但不仅限于:小型车、微车型、紧凑车型、中等车型、高级车型、豪华车型、三厢车型、CDV车型、MPV车型、SUV等等。该车辆还可为:奥迪Q7,宝马X3、奥迪A8、奥迪A4、奥迪A4L等等。
S102、采用第一预设分类器对所述待检测图片进行检测。
具体实现中,第一预设分类器可为多个分类器进行级联的级联分类器,优选地,第一预设分类器可为方向梯度直方图(英文:Histogram of Gradient,缩写:HOG)和支持向量机(英文:Support Vector Machine,缩写:SVM)组成的级联分类器。利用该第一预设分类器对待检测图片进行检测,从而,可得到目标区域。可选地,识别装置可将图片库中含有车辆的P张图片作为正样本和不含车辆的Q张图片作为负样本对所述待检测图片进行检测,其中,P和Q均为大于1的整数。
可选地,本发明实施例可以检测出车辆,但是也能对多辆车排在一起的情况进行检测,具体实施过程中,为了提高识别的准确率,可将检测到的多个车辆排在一起的情况视为干扰。因此,要想方设法将其排除。在本发明实施例中,可将一幅图片中多辆车排在一起的情况简称为多车,于是将多车的情况也视为负样本将其排除。在实施过程中,可降低负样本的尺寸,从而,提高排除多车的概率,例如,原始正负样本尺寸大小为64*128,具体实现中,可将含有多车的负样本尺寸大小降低到60*120,如此,可以较好地排除多车同时,从而,可以准确地检测到车辆。
S103、若所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆。
具体实现中,若识别装置检测到待检测图片中含有目标车辆,则可对该待检测图片进行图像分割,从而,提取该识别装置中的目标车辆。优选地,在待检测图片中只有1辆车的情况下,可对该图片进行图像分割,从而,提取该图片中的目标车辆。
S104、对所述目标车辆进行对齐处理,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值。
具体实现中,识别装置可对目标车辆进行对齐处理,即对目标车辆中的车辆进行对齐处理,从而,使得该车辆的车头方向和目标区域的垂直方向之间的夹角小于预设阈值,该预设阈值可包括但不仅限于:0.1度、0.01度、1度、5度等等。
S105、对所述对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数。
具体实现中,识别装置可提取对齐处理之后的目标车辆中的特征,假设提取了M个特征。可选地,可提取对齐处理之后的目标车辆的方向梯度直方图特征。
S106、采用第二预设分类器对所述M个特征进行分类。
具体实现中,第二预设分类器可为级联分类器或者单独的一个分类器,第二预设分类器可包括但不仅限于:支持向量机、adaboost分类器、HOG和SVM级联的分类器、线性支持向量机(英文:liblinear SVM)等等。优选地,本发明实施例在实验过程中发现,非线性的SVM在对大规模目标进行分类的时候发现目标函数收敛太慢,整体运行速度过慢,因此,优选地,本发明实施例选取线性的liblinear svm做为第二预设分类器。
S107、根据所述分类的结果确定所述目标车辆的类型。
具体实现中,分类的结果可以看出目标车辆为哪一个车型的概率,在分类的结果确定了多个车型的概率的情况下,可将概率最大的值对应的车型确定为目标车辆的车型。
通过本发明实施例获取待检测图片;采用第一预设分类器对所述待检测图片进行检测;若所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆;对所述目标车辆进行对齐处理,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值;对所述对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数;采用第二预设分类器对所述M个特征进行分类;根据所述分类的结果确定所述目标车辆的车型。本发明实施例中,提取目标车辆,对该目标车辆进行对齐处理,并在该基础上对对齐处理后的目标车辆进行特征提取,并对该提取到的特征进行分类处理,从而,可提高车型识别的精度。
请参阅图2,为本发明实施例提供的一种车型识别方法的第二实施例流程示意图。本实施例中所描述的车型识别方法,包括以下步骤:
S201、获取待检测图片。
S202、采用第一预设分类器对所述待检测图片进行检测。
S203、若所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆。
S204、确定所述目标车辆对应的仿射变换矩阵。
具体实现中,识别装置可确定目标车辆对应的仿射变换矩阵,具体地,识别装置可获取用户从图片库中选择的K个图片,该K个图片中的图片i中包含的车辆的车头方向与该图片i的垂直方向之间的夹角小于预设阈值,其中,图片i为K个图片中的任一图片,K为大于或等于1的整数,从K个图片中分别提取O个特征,所述O为大于1的整数,对该提取到的K*O个特征进行支持向量回归处理,以得到仿射变换矩阵。
S205、根据所述仿射变换矩阵对所述目标车辆进行仿射变换,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值。
具体实现中,识别装置可根据该仿射变换矩阵对目标车辆进行仿射变换,从而,可使得仿射变换过后的目标车辆的车头方向与目标区域的垂直方向之间的夹角小于预设阈值。该预设阈值可包括但不仅限于:0度、1度、0.5度、0.32度等等。
S206、对所述对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数。
S207、采用第二预设分类器对所述M个特征进行分类。
S208、根据所述分类的结果确定所述目标车辆的车型。
上述本发明实施例中,提取目标车辆,对确定该目标车辆的仿射变换矩阵,根据该仿射变换矩阵对目标车辆进行对齐处理,并在该基础上对对齐处理后的目标车辆进行特征提取,并对该提取到的特征进行分类处理,从而,可提高车型识别的精度。
请参阅图3,为本发明实施例提供的一种车型识别方法的第三实施例流程示意图。本实施例中所描述的车型识别方法,包括以下步骤:
S301、获取待检测图片。
S302、采用第一预设分类器对所述待检测图片进行检测。
S303、若所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆。
S304、对所述目标车辆进行对齐处理,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值。
S305、分别将所述目标车辆划分为K1个第一预设大小的区域、K2个第二预设大小的区域和K3个第三预设大小的区域,其中,所述K1、所述K2和所述K3为值互不相同的正整数。
具体实现中,识别装置可将目标车辆划分为K1个第一预设大小的区域,其中,例如,K1为正整数,优选地,K1可包括但不仅限于:1、4、9、16、25、36等等。识别装置可将目标车辆划分为K2个第二预设大小的区域,其中,例如,K2为正整数,优选地,K2可包括但不仅限于:1、4、9、16、25、36等等。识别装置可将目标车辆划分为K3个第二预设大小的区域,其中,例如,K3为正整数,优选地,K3可包括但不仅限于:1、4、9、16、25、36等等。其中,K1、K2和K3互不相等。
S306、分别获取所述K1个第一预设大小的区域对应的K1个直方图、所述K2个第二预设大小的区域对应的K2个直方图和所述K3个第三预设大小的区域对应的K3个直方图。
具体实现中,识别装置可分别获取K1个第一预设大小的区域对应的K1个直方图,K2个第二预设大小的区域对应的K2个直方图,K3个第三预设大小的区域对应的K3个直方图。
S307、按照预设顺序配置所述K1个直方图的K1个权值、所述K2个直方图的K2个权值和所述K3个直方图的K3个权值,所述K1个权值均大于0且相等,所述K2个权值均大于0且相等,所述K3个权值均大于0且相等,且所述K1个权值与所述K2个权值及所述K3个权值之和为1。
具体实现中,识别装置可按照预设顺序配置K1个直方图的K1个权值,该K1个权值均大于0且相等,同理,识别装置可配置K2个直方图的K2个权值和K3个直方图的K3个权值,其中,该K2个权值均均大于0且相等,且该K3个权值均大于0且相等,上述K1个权值、K2个权值和K3个权值之和为1。举例说明下,在K1为4的情况下,可得到4个直方图,该4个直方图分别为第一直方图、第二直方图、第三直方图和第四直方图,对该4个直方图进行编号,例如,1表示第一直方图、2表示第二直方图、3表示第三直方图和4表示第四直方图,则预设顺序可为1、2、3和4,对应的4个权值假设为W1、W2、W3和W4,其中,该W1=W2=W3=W4,记W1+W2+W3+W4=A1<1。
S308、分别提取所述目标车辆的方向梯度直方图HOG特征,以得到与所述K1个第一预设大小的区域对应的K1个所述HOG特征、与所述K2个第二预设大小的区域对应的K2个所述HOG特征和与所述K3个第三预设大小的区域对应的K3个所述HOG特征。
S309、将所述K1个权值与所述K1个HOG特征、所述K2个权值与所述K2个HOG特征和所述K3个权值与所述K3个HOG特征组成特征向量。
S310、采用第三预设分类器对所述特征向量进行训练以得到M个特征,所述M为大于1的整数。
其中,第三预设分类器可为级联分类器或者单独的一个分类器,第三预设分类器可包括但不仅限于:支持向量机、adaboost分类器、HOG和SVM级联的分类器、线性支持向量机等等。
S311、采用第二预设分类器对所述M个特征进行分类。
S312、根据所述分类的结果确定所述目标车辆的车型。
上述本发明实施例中,提取目标车辆,对确定该目标车辆的仿射变换矩阵,根据该仿射变换矩阵对目标车辆进行对齐处理,并在该基础上对对齐处理后的目标车辆进行特征提取,并对该提取到的特征进行分类处理,从而,可提高车型识别的精度。
请参阅图4a-图4c,其中,图4a为本发明实施例提供的一种识别装置的第一实施例结构示意图。图4a中本实施例中所描述的识别装置,包括:第一获取单元401、检测单元402、第一提取单元403、第一处理单元404、第二提取单元405、分类单元406和第一确定单元407,具体如下:
第一获取单元401,用于获取待检测图片。
检测单元402,用于采用第一预设分类器对所述第一获取单元401获取到的待检测图片进行检测。
作为一种可能的实施方式,检测单元402具体用于:
将图片库中含有车辆的P张图片作为正样本和不含车辆的Q张图片作为负样本对所述待检测图片进行检测,其中,所述P和所述Q均为大于1的整数。
第一提取单元403,用于若所述检测单元402检测到所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆。
第一处理单元404,用于对所述第一提取单元403提取的目标车辆进行对齐处理,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值。
第二提取单元405,用于对所述第一处理单元404对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数。
分类单元406,用于采用第二预设分类器对所述第二提取单元405提取的M个特征进行分类。
第一确定单元407,用于根据所述分类单元406的分类的结果确定所述目标车辆的车型。
作为一种可能的实施方式,如图4b所示,图4a中所描述的识别装置的第一处理单元404包括:第二确定单元4041和仿射变换单元4042,具体如下:
第二确定单元4041,确定所述第一提取单元提取的目标车辆对应的仿射变换矩阵;
仿射变换单元4042,用于根据所述第二确定单元确定的仿射变换矩阵对所述目标车辆进行仿射变换。
进一步地,第二确定单元4041还可包括:
第二获取单元,用于获取用户从图片库中选择的K个图片,所述K个图片中的图片i中包含的车辆的车头方向与所述图片i的垂直方向之间的夹角小于所述预设阈值,其中,所述图片i为所述K个图片中的任一图片,所述K为大于或等于1的整数;
第三提取单元,用于从所述第二获取单元获取的K个图片中分别提取O个特征,所述O为大于1的整数;
第二处理单元,用于对所述第三提取单元提取到的K*O个特征进行支持向量回归处理,以得到仿射变换矩阵。
作为一种可能的实施方式,如图4c所示,图4a或图4b中所描述的识别装置的第二提取单元405包括:划分单元4051、第三获取单元4052、配置单元4053、第四提取单元4054、组成单元4055和训练单元4056,具体如下:
划分单元4051,用于分别将所述第一提取单元提取的目标车辆划分为K1个第一预设大小的区域、K2个第二预设大小的区域和K3个第三预设大小的区域,其中,所述K1、所述K2和所述K3为值互不相同的正整数;
第三获取单元4052,用于分别获取所述划分单元划分的所述K1个第一预设大小的区域对应的K1个直方图、所述K2个第二预设大小的区域对应的K2个直方图和所述K3个第三预设大小的区域对应的K3个直方图;
配置单元4053,用于按照预设顺序配置第三获取单元获取到的所述K1个直方图的K1个权值、所述K2个直方图的K2个权值和所述K3个直方图的K3个权值,所述K1个权值均大于0且相等,所述K2个权值均大于0且相等,所述K3个权值均大于0且相等,且所述K1个权值与所述K2个权值及所述K3个权值之和为1;
第四提取单元4054,用于分别提取所述第一提取单元提取的目标车辆的方向梯度直方图HOG特征,以得到与所述K1个第一预设大小的区域对应的K1个所述HOG特征、与所述K2个第二预设大小的区域对应的K2个所述HOG特征和与所述K3个第三预设大小的区域对应的K3个所述HOG特征;
组成单元4055,用于将所述K1个权值与所述K1个HOG特征、所述K2个权值与所述K2个HOG特征和所述K3个权值与所述K3个HOG特征组成特征向量;
训练单元4056,用于采用第三预设分类器对所述组成单元组成的特征向量进行训练以得到M个特征。
通过本发明实施例所描述的识别装置可获取待检测图片;采用第一预设分类器对所述待检测图片进行检测;若所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆;对所述目标车辆进行对齐处理,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值;对所述对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数;采用第二预设分类器对所述M个特征进行分类;根据所述分类的结果确定所述目标车辆的车型。本发明实施例中,提取目标车辆,对该目标车辆进行对齐处理,并在该基础上对对齐处理后的目标车辆进行特征提取,并对该提取到的特征进行分类处理,从而,可提高车型识别的精度。
请参阅图5,为本发明实施例提供的一种识别装置的第二实施例结构示意图。本实施例中所描述的识别装置,包括:至少一个输入设备1000;至少一个输出设备2000;至少一个处理器3000,例如CPU;和存储器4000,上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。
其中,上述输入设备1000具体可为物理按键、触摸板或者鼠标。
上述输出设备2000具体可为显示屏。
上述存储器4000可以是高速RAM存储器,也可为非不稳定的存储器(non-volatilememory),例如磁盘存储器。上述存储器4000用于存储一组程序代码,上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000中存储的程序代码,执行如下操作:
上述输入设备1000,用于
获取待检测图片;
采用第一预设分类器对所述待检测图片进行检测;
若所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆;
对所述目标车辆进行对齐处理,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值;
对所述对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数;
采用第二预设分类器对所述M个特征进行分类;
根据所述分类的结果确定所述目标车辆的车型。
作为一种可能的实施方式,上述处理器3000采用第一预设分类器对所述待检测图片进行检测包括:
将图片库中含有车辆的P张图片作为正样本和不含车辆的Q张图片作为负样本对所述待检测图片进行检测,其中,所述P和所述Q均为大于1的整数。
作为一种可能的实施方式,上述处理器3000将所述目标车辆进行对齐处理包括:
确定所述目标车辆对应的仿射变换矩阵;
根据所述仿射变换矩阵对所述目标车辆进行仿射变换。
作为一种可能的实施方式,上述处理器3000确定所述目标车辆对应的仿射变换矩阵包括:
获取用户从图片库中选择的K个图片,所述K个图片中的图片i中包含的车辆的车头方向与所述图片i的垂直方向之间的夹角小于所述预设阈值,其中,所述图片i为所述K个图片中的任一图片,所述K为大于或等于1的整数;
从所述K个图片中分别提取O个特征,所述O为大于1的整数;
对所述提取到的K*O个特征进行支持向量回归处理,以得到仿射变换矩阵。
作为一种可能的实施方式,上述处理器3000对所述对齐处理之后的目标区域进行特征提取,以得到M个特征包括:
分别将所述目标车辆划分为K1个第一预设大小的区域、K2个第二预设大小的区域和K3个第三预设大小的区域,其中,所述K1、所述K2和所述K3为值互不相同的正整数;
分别获取所述K1个第一预设大小的区域对应的K1个直方图、所述K2个第二预设大小的区域对应的K2个直方图和所述K3个第三预设大小的区域对应的K3个直方图;
按照预设顺序配置所述K1个直方图的K1个权值、所述K2个直方图的K2个权值和所述K3个直方图的K3个权值,所述K1个权值均大于0且相等,所述K2个权值均大于0且相等,所述K3个权值均大于0且相等,且所述K1个权值与所述K2个权值及所述K3个权值之和为1;
分别提取所述目标车辆的方向梯度直方图HOG特征,以得到与所述K1个第一预设大小的区域对应的K1个所述HOG特征、与所述K2个第二预设大小的区域对应的K2个所述HOG特征和与所述K3个第三预设大小的区域对应的K3个所述HOG特征;
将所述K1个权值与所述K1个HOG特征、所述K2个权值与所述K2个HOG特征和所述K3个权值与所述K3个HOG特征组成特征向量;
采用第三预设分类器对所述特征向量进行训练以得到M个特征。
具体实现中,本发明实施例中所描述的输入设备1000、输出设备2000和处理器3000可执行本发明实施例提供的一种车型识别方法的第一实施例、第二实施例和第三实施例中所描述的实现方式,也可执行本发明实施例提供的一种识别装置的第一实施例中所描述的识别装置的实现方式,在此不再赘述。
通过本发明实施例所描述的识别装置可获取待检测图片;采用第一预设分类器对所述待检测图片进行检测;若所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆;对所述目标车辆进行对齐处理,以使得所述目标车辆的车头方向与所述目标区域的垂直方向之间的夹角小于预设阈值;对所述对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数;采用第二预设分类器对所述M个特征进行分类;根据所述分类的结果确定所述目标车辆的车型。本发明实施例中,提取目标车辆,对该目标车辆进行对齐处理,并在该基础上对对齐处理后的目标车辆进行特征提取,并对该提取到的特征进行分类处理,从而,可提高车型识别的精度。
本发明实施例还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时包括上述方法实施例中记载的任意一种信号处理方法的部分或全部步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可能可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本发明各个实施例上述方法的全部或部分步骤。其中,而前述的存储介质可包括:U盘、移动硬盘、磁碟、光盘、只读存储器(英文:Read-Only Memory,缩写:ROM)或者随机存取存储器(英文:Random Access Memory,缩写:RAM)等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种车型识别方法,其特征在于,包括:
获取待检测图片;
采用第一预设分类器对所述待检测图片进行检测;
若所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆;
对所述目标车辆进行对齐处理,以使得所述目标车辆的车头方向与目标区域的垂直方向之间的夹角小于预设阈值;
对所述对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数;
采用第二预设分类器对所述M个特征进行分类;
根据所述分类的结果确定所述目标车辆的车型;
其中,所述对所述对齐处理之后的目标区域进行特征提取,以得到M个特征包括:
分别将所述目标车辆划分为K1个第一预设大小的区域、K2个第二预设大小的区域和K3个第三预设大小的区域,其中,所述K1、所述K2和所述K3为值互不相同的正整数;
分别获取所述K1个第一预设大小的区域对应的K1个直方图、所述K2个第二预设大小的区域对应的K2个直方图和所述K3个第三预设大小的区域对应的K3个直方图;
按照预设顺序配置所述K1个直方图的K1个权值、所述K2个直方图的K2个权值和所述K3个直方图的K3个权值,其中,所述K1个权值均大于0且相等,所述K2个权值均大于0且相等,所述K3个权值均大于0且相等,且所述K1个权值与所述K2个权值及所述K3个权值之和为1;
分别提取所述目标车辆的方向梯度直方图HOG特征,以得到与所述K1个第一预设大小的区域对应的K1个所述HOG特征、与所述K2个第二预设大小的区域对应的K2个所述HOG特征和与所述K3个第三预设大小的区域对应的K3个所述HOG特征;
将所述K1个权值与所述K1个HOG特征、所述K2个权值与所述K2个HOG特征和所述K3个权值与所述K3个HOG特征组成特征向量;
采用第三预设分类器对所述特征向量进行训练以得到M个特征。
2.如权利要求1所述的方法,其特征在于,所述采用第一预设分类器对所述待检测图片进行检测包括:
将图片库中含有车辆的P张图片作为正样本和不含车辆的Q张图片作为负样本对所述待检测图片进行检测,其中,所述P和所述Q均为大于1的整数。
3.如权利要求1所述的方法,其特征在于,所述将所述目标车辆进行对齐处理包括:
确定所述目标车辆对应的仿射变换矩阵;
根据所述仿射变换矩阵对所述目标车辆进行仿射变换。
4.如权利要求3所述的方法,其特征在于,所述确定所述目标车辆对应的仿射变换矩阵包括:
获取用户从图片库中选择的K个图片,所述K个图片中的图片i中包含的车辆的车头方向与所述图片i的垂直方向之间的夹角小于所述预设阈值,其中,所述图片i为所述K个图片中的任一图片,所述K为大于或等于1的整数;
从所述K个图片中分别提取O个特征,所述O为大于1的整数;
对所述提取到的K*O个特征进行支持向量回归处理,以得到仿射变换矩阵。
5.一种识别装置,其特征在于,包括:
第一获取单元,用于获取待检测图片;
检测单元,用于采用第一预设分类器对所述第一获取单元获取到的待检测图片进行检测;
第一提取单元,用于若所述检测单元检测到所述待检测图片中含目标车辆,提取所述待检测图片中的目标车辆;
第一处理单元,用于对所述第一提取单元提取的目标车辆进行对齐处理,以使得所述目标车辆的车头方向与目标区域的垂直方向之间的夹角小于预设阈值;
第二提取单元,用于对所述第一处理单元对齐处理之后的目标车辆进行特征提取,以得到M个特征,所述M为大于1的整数;
分类单元,用于采用第二预设分类器对所述第二提取单元提取的M个特征进行分类;
第一确定单元,用于根据所述分类单元的分类的结果确定所述目标车辆的车型;
其中,所述第二提取单元包括:
划分单元,用于分别将所述第一提取单元提取的目标车辆划分为K1个第一预设大小的区域、K2个第二预设大小的区域和K3个第三预设大小的区域,其中,所述K1、所述K2和所述K3为值互不相同的正整数;
第三获取单元,用于分别获取所述划分单元划分的所述K1个第一预设大小的区域对应的K1个直方图、所述K2个第二预设大小的区域对应的K2个直方图和所述K3个第三预设大小的区域对应的K3个直方图;
配置单元,用于按照预设顺序配置第三获取单元获取到的所述K1个直方图的K1个权值、所述K2个直方图的K2个权值和所述K3个直方图的K3个权值,其中,所述K1个权值均大于0且相等,所述K2个权值均大于0且相等,所述K3个权值均大于0且相等,且所述K1个权值与所述K2个权值及所述K3个权值之和为1;
第四提取单元,用于分别提取所述第一提取单元提取的目标车辆的方向梯度直方图HOG特征,以得到与所述K1个第一预设大小的区域对应的K1个所述HOG特征、与所述K2个第二预设大小的区域对应的K2个所述HOG特征和与所述K3个第三预设大小的区域对应的K3个所述HOG特征;
组成单元,用于将所述K1个权值与所述K1个HOG特征、所述K2个权值与所述K2个HOG特征和所述K3个权值与所述K3个HOG特征组成特征向量;
训练单元,用于采用第三预设分类器对所述组成单元组成的特征向量进行训练以得到M个特征。
6.如权利要求5所述的识别装置,其特征在于,所述检测单元具体用于:
将图片库中含有车辆的P张图片作为正样本和不含车辆的Q张图片作为负样本对所述待检测图片进行检测,其中,所述P和所述Q均为大于1的整数。
7.如权利要求5所述的识别装置,其特征在于,所述第一处理单元包括:
第二确定单元,确定所述第一提取单元提取的目标车辆对应的仿射变换矩阵;
仿射变换单元,用于根据所述第二确定单元确定的仿射变换矩阵对所述目标车辆进行仿射变换。
8.如权利要求7所述的识别装置,其特征在于,所述第二确定单元包括:
第二获取单元,用于获取用户从图片库中选择的K个图片,所述K个图片中的图片i中包含的车辆的车头方向与所述图片i的垂直方向之间的夹角小于所述预设阈值,其中,所述图片i为所述K个图片中的任一图片,所述K为大于或等于1的整数;
第三提取单元,用于从所述第二获取单元获取的K个图片中分别提取O个特征,所述O为大于1的整数;
第二处理单元,用于对所述第三提取单元提取到的K*O个特征进行支持向量回归处理,以得到仿射变换矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510639752.7A CN105160333B (zh) | 2015-09-30 | 2015-09-30 | 一种车型识别方法及识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510639752.7A CN105160333B (zh) | 2015-09-30 | 2015-09-30 | 一种车型识别方法及识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105160333A CN105160333A (zh) | 2015-12-16 |
CN105160333B true CN105160333B (zh) | 2018-08-17 |
Family
ID=54801185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510639752.7A Active CN105160333B (zh) | 2015-09-30 | 2015-09-30 | 一种车型识别方法及识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160333B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229468B (zh) | 2017-06-28 | 2020-02-21 | 北京市商汤科技开发有限公司 | 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备 |
US10140553B1 (en) * | 2018-03-08 | 2018-11-27 | Capital One Services, Llc | Machine learning artificial intelligence system for identifying vehicles |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120288191A1 (en) * | 2011-05-12 | 2012-11-15 | Fuji Jukogyo Kabushiki Kaisha | Environment recognition device and environment recognition method |
CN202563526U (zh) * | 2012-03-22 | 2012-11-28 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别*** |
CN103761723A (zh) * | 2014-01-22 | 2014-04-30 | 西安电子科技大学 | 基于多层支持向量回归机模型的图像超分辨重建方法 |
-
2015
- 2015-09-30 CN CN201510639752.7A patent/CN105160333B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120288191A1 (en) * | 2011-05-12 | 2012-11-15 | Fuji Jukogyo Kabushiki Kaisha | Environment recognition device and environment recognition method |
CN202563526U (zh) * | 2012-03-22 | 2012-11-28 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别*** |
CN103761723A (zh) * | 2014-01-22 | 2014-04-30 | 西安电子科技大学 | 基于多层支持向量回归机模型的图像超分辨重建方法 |
Non-Patent Citations (3)
Title |
---|
一种基于SIFT特征提取的车牌定位方法;姬峰宽,付永庆;《应用科技》;20120215;第39卷(第1期);第2节1-9段 * |
人脸对齐算法研究;宿佳宁;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130215(第02期);I138-1872 * |
车牌检测及汽车类型分类方法研究;姜谊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20101015(第10期);第2.1、3.4、4.2、6.2.2节,第3.1.1节第1段,第3.2节第1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN105160333A (zh) | 2015-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tudor Ionescu et al. | How hard can it be? Estimating the difficulty of visual search in an image | |
Li et al. | DeepMitosis: Mitosis detection via deep detection, verification and segmentation networks | |
CN104424466B (zh) | 对象检测方法、对象检测设备及图像拾取设备 | |
CN105224951B (zh) | 一种车型分类方法及分类装置 | |
CA2976771C (en) | Barcode tag detection in side view sample tube images for laboratory automation | |
CN105512683A (zh) | 基于卷积神经网络的目标定位方法及装置 | |
CN106295666B (zh) | 获取分类器、检测对象的方法和装置及图像处理设备 | |
US8306318B2 (en) | Image processing apparatus, image processing method, and computer readable storage medium | |
TWI567660B (zh) | 多類別物件分類方法及系統 | |
CN105303163B (zh) | 一种目标检测的方法及检测装置 | |
CN110348392B (zh) | 车辆匹配方法及设备 | |
CN107274679A (zh) | 车辆识别方法、装置、设备及计算机可读存储介质 | |
CN105184286A (zh) | 一种车辆检测方法及检测装置 | |
CN105160333B (zh) | 一种车型识别方法及识别装置 | |
CN105809181A (zh) | 用于Logo检测的方法和设备 | |
KR101584091B1 (ko) | 공유 지역 특징을 이용한 다시점 객체 검출 방법 | |
Roman-Rangel et al. | Shape-based detection of maya hieroglyphs using weighted bag representations | |
US9798932B2 (en) | Video extraction method and device | |
Sailem et al. | Discovery of rare phenotypes in cellular images using weakly supervised deep learning | |
KR101582983B1 (ko) | 크기 불변 특징 벡터를 이용한 고속 객체 검출 장치 및 방법 | |
Estrada et al. | Appearance-based keypoint clustering | |
JP5901054B2 (ja) | 物体の検出方法及びその方法を用いた物体の検出装置 | |
EP2776974B1 (en) | Methods and apparatus for image analysis using threshold compactness features | |
CN112990245A (zh) | 物品识别方法、装置、设备及存储介质 | |
CN107886102B (zh) | Adaboost分类器训练方法及*** |
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 |