CN105320710A - 抗光照变化的车辆检索方法及装置 - Google Patents
抗光照变化的车辆检索方法及装置 Download PDFInfo
- Publication number
- CN105320710A CN105320710A CN201410381921.7A CN201410381921A CN105320710A CN 105320710 A CN105320710 A CN 105320710A CN 201410381921 A CN201410381921 A CN 201410381921A CN 105320710 A CN105320710 A CN 105320710A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- images
- inquired
- information
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000000007 visual effect Effects 0.000 claims description 69
- 230000008859 change Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种抗光照变化的车辆检索方法及装置,所述方法包括:根据包括车辆的待查询图像,确定待查询图像的车型信息;确定目标数据库中各图像的采集的时间信息、光照条件;根据时间信息、光照条件,从车型信息对应的车型模板库中选取符合时间信息、光照条件的多个样例图像,将选取的多个样例图像生成查询图像集合;获取查询图像集合中的每一个样例图像与目标数据库中所有图像的检索结果;根据查询图像集合中所有样例图像的检索结果,确定目标数据库中与待查询图像中的车辆的相似车辆;其中,车型模板库包括:多个不同采集时间和不同光照条件下的样例图像。上述方法能够解决由于光照差异较大带来的车辆检索性能急剧下降的问题。
Description
技术领域
本发明涉及智能交通技术,尤其涉及一种抗光照变化的车辆检索方法及装置。
背景技术
随着我国经济的快速发展、城市规模的不断扩大、以及车辆数量的大幅增长,我国的交通***正逐渐走向智能化。交通监控视频是公安业务的重要数据基础,在社会治安维稳、打击违法犯罪等方面有着至关重要的作用。其中,从大量的监控视频中检索出目标车辆是一项基本需求。但是当光照差异较大时,如白天、阴天、夜间,查询图像就会出现一些问题,如反光、模糊,甚至基本看不见车身,这些情况下,检索性能都会急剧下降。此外,即使查询图像质量较好,但如果数据库中的一张应该被检索到的目标车辆图像存在光照差异大的问题,两幅图像也很难匹配上,这就会造成召回率下降。现有技术中,并未专门针对光照问题提出有效的解决方法。在相似车辆检索中,光照问题是业内最常见且十分严峻的问题。
鉴于此,如何解决由于光照差异较大带来的车辆检索性能急剧下降的问题成为当前需要解决的技术问题。
发明内容
针对现有技术中的缺陷,本发明提供一种抗光照变化的车辆检索方法及装置,能够解决由于光照差异较大带来的车辆检索性能急剧下降的问题。
第一方面,本发明提供一种抗光照变化的车辆检索方法,包括:
根据包括车辆的待查询图像,确定所述待查询图像的车型信息;
确定目标数据库中各图像的采集的时间信息、光照条件;
根据所述时间信息、光照条件,从所述车型信息对应的车型模板库中选取符合所述时间信息、光照条件的多个样例图像,将选取的多个样例图像生成查询图像集合;
获取所述查询图像集合中的每一个样例图像与所述目标数据库中所有图像的检索结果;
根据所述查询图像集合中所有样例图像的检索结果,确定所述目标数据库中与所述待查询图像中的车辆的相似车辆;
其中,所述车型模板库包括:多个不同采集时间和不同光照条件下不同角度、不同场景下的样例图像。
可选地,所述根据所述查询图像集合中所有样例图像的检索结果,确定所述目标数据库中与待查询图像中的车辆的相似车辆的步骤,包括:
将所述查询图像集合中所有样例图像的检索结果按照相似度大小进行排序,选择相似度大于预设的第一阈值对应的所述目标数据库中的图像作为待查询图像中车辆的相似车辆;
或者,
将所述查询图像集合中所有样例图像的检索结果进行归一化,并将归一化后的相似度大于预设的第二阈值对应的所述目标数据库中的图像作为待查询图像中车辆的相似车辆。
可选地,所述根据包括车辆的待查询图像,确定所述待查询图像的车型信息的步骤,包括:
在所述待查询图像中包括车牌号时,识别所述待查询图像中的车牌号,根据所述车牌号在车辆管理机构数据库中进行查询,确定所述待查询图像的车型信息;
或者,
提取待查询图像中包括车辆的第一子图像;
在预先建立的数据库中查找与所述第一子图像匹配的车辆图像;
将与所述第一子图像匹配的车辆图像的车型信息作为所述待查询图像的车型信息;
或者,
提取待查询图像中包括车辆的第一子图像;
在预先建立的数据库中查找与所述第一子图像匹配的车型模板库;
将与所述第一子图像匹配的车型模板库的车型信息作为所述待查询图像的车型信息;
其中,所述数据库包括所述待查询图像所属区域的多个车型模板库。
可选地,所述目标数据库的图像为特定区域内多个监控视频装置中在特定时间段内的采集的图像;
所述时间信息包括:所述目标数据库中图像被采集的最早时间点,以及图像被采集的最晚时间点;
所述光照条件为:所述最早时间点至所述最晚时间点之间的光照信息;
所述车型模板库为所述特定区域内的车型模板库。
可选地,所述获取所述查询图像集合中的每一个样例图像与所述目标数据库中所有图像的检索结果的步骤,包括:
获取每一个样例图像与所述目标数据库中每一图像的视觉特征相似度,将该样例图像、所述目标数据库中的图像、所述视觉特征相似度组成三元组信息;
所述检索结果包括:所有样例图像的三元组信息;
或者,
所述检索结果包括:按照视觉特征相似度排序的所有样例图像的三元组信息。
第二方面,本发明提供一种抗光照变化的车辆检索装置,包括:
车型信息确定单元,用于根据包括车辆的待查询图像,确定所述待查询图像的车型信息;
条件确定单元,用于确定目标数据库中各图像的采集的时间信息、光照条件;
查询图像集合生成单元,用于根据所述时间信息、光照条件,从所述车型信息对应的车型模板库中选取符合所述时间信息、光照条件的多个样例图像,将选取的多个样例图像生成查询图像集合;
检索结果获取单元,用于获取所述查询图像集合中的每一个样例图像与所述目标数据库中所有图像的检索结果;
相似车辆确定单元,用于根据所述查询图像集合中所有样例图像的检索结果,确定所述目标数据库中与所述待查询图像中的车辆的相似车辆;
其中,所述车型模板库包括:多个不同采集时间和不同光照条件下的不同角度、不同场景下的样例图像。
可选地,所述相似车辆确定单元,具体用于
将所述查询图像集合中所有样例图像的检索结果按照相似度大小进行排序,选择相似度大于第一阈值对应的所述目标数据库中的图像作为待查询图像中车辆的相似车辆;
或者,
将所述查询图像集合中所有样例图像的检索结果进行归一化,并将归一化后的相似度大于第一阈值对应的所述目标数据库中的图像作为待查询图像中车辆的相似车辆。
可选地,所述车型信息确定单元,具体用于
在所述待查询图像中包括车牌号时,识别所述待查询图像中的车牌号,根据所述车牌号在车辆管理机构数据库中进行查询,确定所述待查询图像的车型信息;
或者,
提取待查询图像中包括车辆的第一子图像;
在预先建立的数据库中查找与所述第一子图像匹配的车辆图像;
将与所述第一子图像匹配的车辆图像的车型信息作为所述待查询图像的车型信息;
或者,
提取待查询图像中包括车辆的第一子图像;
在预先建立的数据库中查找与所述第一子图像匹配的车型模板库;
将与所述第一子图像匹配的车型模板库的车型信息作为所述待查询图像的车型信息;
其中,所述数据库包括所述待查询图像所属区域的多个车型模板库。
可选地,所述目标数据库的图像为特定区域内多个监控视频装置中在特定时间段内的采集的图像;
所述时间信息包括:所述目标数据库中图像被采集的最早时间点,以及图像被采集的最晚时间点;
所述光照条件为:所述最早时间点至所述最晚时间点之间的光照信息;
所述车型模板库为所述特定区域内的车型模板库。
可选地,所述检索结果获取单元,具体用于
获取每一个样例图像与所述目标数据库中每一图像的视觉特征相似度,将该样例图像、所述目标数据库中的图像、所述视觉特征相似度组成三元组信息;
所述检索结果包括:所有样例图像的三元组信息;
或者,
所述检索结果包括:按照视觉特征相似度排序的所有样例图像的三元组信息。
由上述技术方案可知,本发明的抗光照变化的车辆检索方法及装置,通过确定所述待查询图像的车型信息,从所述车型信息对应的车型模板库中选取符合目标数据库的时间信息、光照条件的多个样例图像,得到查询图像集合,获取所述查询图像集合中的每一个样例图像与所述目标数据库中所有图像的检索结果,根据所述查询图像集合中所有样例图像的检索结果,确定所述目标数据库中与所述待查询图像中的车辆的相似车辆,由此,能够解决由于光照差异较大带来的车辆检索性能急剧下降的问题。
附图说明
图1为本发明一实施例提供的抗光照变化的车辆检索方法的流程示意图;
图2为本发明一实施例提供的车型模板库的建立方法的流程示意图;
图3为本发明一实施例提供的抗光照变化的车辆检索装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例,都属于本发明保护的范围。
图1示出了本发明一实施例提供的抗光照变化的车辆检索方法的流程示意图,如图1所示,本实施例的抗光照变化的车辆检索方法如下所述。
101、根据包括车辆的待查询图像,确定所述待查询图像的车型信息。
本实施例中的车型信息可包括车辆的型号,或者,车型信息还可包括车辆的颜色或者车辆的其他信息如尺寸等等,本实施例不对车型信息进行限定。
举例来说,在所述待查询图像中包括车牌号时,识别所述待查询图像中的车牌号,根据所述车牌号在车辆管理机构数据库中进行查询,确定所述待查询图像的车型信息。
另外,在待查询图像中不包括车牌号,或者车牌号不能够被识别时,可参照下述子步骤1011至子步骤1013的举例说明的获取车型信息的内容。
102、确定目标数据库中各图像的采集的时间信息、光照条件。
在本实施例中,目标数据库中的图像可为某一时间段内某一区域视频监控装置采集的多个图像组成的数据库,为公安***在该目标数据库中需要查找需要的内容的数据库。
也就是说,目标数据库中的图像可为特定区域内多个监控视频装置中在特定时间段内的采集的图像;
所述时间信息可以包括:所述目标数据库中图像被采集的最早时间点,以及图像被采集的最晚时间点;例如,目标数据库中某一图像采集的时间点为最早的时间点,2014年7月26日早上8:00,另一图像采集的时间点为最晚的时间点,2014年7月26日早上11:00,则可认为时间信息为2014年7月26日早上8:00至11:00。
所述光照条件可以:所述最早时间点至所述最晚时间点之间的光照信息。例如,2014年7月26日早上8:00至11:00为雨天/晴天等信息。
103、根据所述时间信息、光照条件,从所述车型信息对应的车型模板库中选取符合所述时间信息、光照条件的多个样例图像,将选取的多个样例图像生成查询图像集合。
举例来说,若目标数据库为海淀区玉泉路2014年7月26日早上8:00至11:00的视频监控装置采集的图像的数据库,则在步骤103中根据时间信息和光照条件选取的多个样例图像为符合早上8:00至11:00的光照信息下的在海淀区玉泉路的车型模板库中的样例图像。
可理解的是,本实施例中的车型模板库可包括:多个不同采集时间和不同光照条件下不同角度、不同场景的样例图像。且这些样例图像均为真实场景下的样例图像。
也就是说,所述车型模板库应该保证光照条件多样性,即所述车型模板库中包括的不同光照条件下的样例图像应该包括:白天,夜间,其中,白天包括:晴天、阴天、雨天、雾天等尽可能涵盖所有不同光照情况下的样例图像。
进一步地,所述车型模板库为特定区域内的车型模板库,该处的特定区域是指与目标数据库中图像所处的区域对应一致的区域。
在本实施例中,该处查询图像集合所对应的车型模板库所属的区域一定是和目标数据库对应的区域一致。
也就是说,如果目标数据库包括两个区域的图像,则查询图像集合可为两个集合,该两个集合中的样例图像所属的区域是和目标数据库中图像所属的区域一致。
104、获取所述查询图像集合中的每一个样例图像与所述目标数据库中所有图像的检索结果。
在具体应用中,上述步骤可为:获取每一个样例图像与所述目标数据库中每一图像的视觉特征相似度,将该样例图像、所述目标数据库中的图像、所述视觉特征相似度组成三元组信息;
所述检索结果包括:所有样例图像的三元组信息。在其他实施例中,该检索结果还可包括:按照视觉特征相似度排序的所有样例图像的三元组信息。该检索结果输出的三元组信息的排序方式可根据用户需求进行设置,可以是按照视觉特征相似度的大小进行排序的,还可以是根据每一样例图像的检索结果组成的序列进行融合后排序的。
举例来说,按照视觉特征相似度排序可以为按照视觉特征相似度从高到低排序。
举例来说,任一图像的视觉特征为能够反映图像内容的特征,图像视觉特征的提取主要是通过计算机识别并计算反映图像内容的特征部分。
在本实施例中,获取图像的视觉特征相似度之前需要分别提取每一个样例图像的视觉特征,以及所述目标数据库中每一图像的视觉特征;例如,可采用全局特征描述子的方式提取每一个样例图像和所述目标数据库中每一图像的视觉特征,或者采用局部特征描述子的方式提取每一个样例图像和所述目标数据库中每一图像的视觉特征。
通常,可采用尺度不变特征转换(Scale-invariantfeaturetransform,简称SIFT),快速鲁棒特征(Speeded-upRobustFeatures,简称SURF),特征梯度直方图(HistogramsofOrientedGradients,简称HOG)等方式提取每一个样例图像或所述目标数据库中每一图像的视觉特征。
本实施例中,提取任一图像的视觉特征可为业内公知技术,本实施例不对其进行详述。
另外,在提取每一个样例图像和所述目标数据库中每一图像的视觉特征之后,可采用欧式距离或马式距离的方式获取每一个样例图像的视觉特征和所述目标数据库中每一图像的视觉特征的视觉特征相似度。
105、根据所述查询图像集合中所有样例图像的检索结果,确定所述目标数据库中与所述待查询图像中的车辆的相似车辆。
在具体应用中,可将获取的相似车辆按照视觉特征相似度混合排序,并输出。
例如,可将所述查询图像集合中所有样例图像的检索结果按照相似度大小进行排序,选择相似度大于预设的第一阈值对应的所述目标数据库中的图像作为待查询图像中车辆的相似车辆。
在另一可能的实现方式中,上述步骤105还可为将所述查询图像集合中所有样例图像的检索结果进行归一化,并将归一化后的相似度大于预设的第二阈值对应的所述目标数据库中的图像作为与待查询图像中的车辆的相似车辆。举例来说,归一化可为属于同一区域内的所有检索结果中的视觉特征相似度除以该区域内所有的视觉特征相似度中的最大值,得到归一化后的视觉特征相似度,进而进行比较。
应说明的是,本实施例中对检索结果归一化,原因主要是可能出现查询样例图像的检索结果的视觉特征相似度整体偏低,或者部分视觉特征相似度整体偏高,为此,在混合排序输出时,视觉特征相似度整体偏低的结果都会排序到整体偏高的结果后面,可能导致结果输出不太准确,鉴于此,可将检索结果归一化,并将归一化后的检索结果输出。
在具体应用中,可根据实际需要设置第一阈值和第二阈值,本实施例中为选择较相似的图像作为与待查询图像中的车辆的相似车辆,故需要设定第一阈值。由于小于等于第一阈值的视觉特征相似度对应的图像为相似度差的图像,本实施例不考虑。
本实施例的抗光照变化的车辆检索方法,在检索图像过程中考虑到光照条件的影响,结合目标数据库在检索过程中的光照条件和时间信息可较好的解决现有技术中由于光照差异较大带来的车辆检索性能急剧下降的问题。
结合上述图1简单说明如下,第一步:识别得到目标车辆的车型为S,那么访问车型S对应的车型模板库。
其中,举例来说,摄像头A在夜间捕获了一辆嫌疑车辆的图像P,公安部门通过其他信息知道该嫌疑车在某白天时间段,如上午8:00-9:00,可能通过了摄像头B所监控的区域,现在需要在摄像头B采集的视频流里检索该嫌疑车辆,由于图像P在夜间场景下采集,与白天场景采集的车辆图像视觉模型差异巨大,直接利用P进行检索,效果十分糟糕。
为此,从车型S对应的车型模板库中选择符合摄像头B的采集时间和光照条件的样例图像,加入查询图像集合Q。
进一步地,如果该时间段(8:00-9:00)是雾天,可以将白天场景下雾天的样例的优先级放到最高。其中,选取符合所述时间信息、光照条件的多个样例图像的标准由实际需求决定,具体为目标数据库的所述时间信息、光照条件,选择的样例应尽可能地接近目标数据库的所述时间信息、光照条件。举例来说,需要从白天10:00-11:00采集的视频流中进行检索,天气情况为大晴天(反光问题),那么选择样例图像时,应选择晴天天气情况下的样例图像。又如,需要从夜间20:00-21:00的时间段内采集的视频流中进行检索,那么应选择夜间的样例图像加入查询图像集合。本实施例中对样例图像的选取过程不限定,且对样例图像的数量不限定,符合实际需要即可。
然后,获取查询图像集合Q中每一样例图像和摄像头B对应的目标数据库中所有图像的视觉特征相似度,根据获取的视觉特征相似度进行排序,并输出检索结果。
在具体应用中,前述图1所示的方法中的步骤101可包括图中未示出的步骤1011至步骤1013:
1011、提取待查询图像中包括车辆的第一子图像。
1012、在预先建立的数据库中查找与所述第一子图像匹配的车辆图像。
在本实施例中,可通过计算第一子图像与数据库中的所有车型模板库的所有样例图像的第一视觉相似度,将第一视觉特征相似度最大值对应的样例图像作为与第一子图像匹配的车辆图像。
本实施例仅为举例说明,在具体应用中,还可通过其它方式在数据库中查找与第一子图像匹配的车辆图像。
该步骤中的数据库可为包括待查询图像所属区域的多个车型模板库。
在该步骤中,可获取所述第一子图像与预先建立的数据库中所有图像的视觉特征相似度;确定某一个或多个视觉特征相似度是否大于预设阈值,如果大于预设阈值,可确定第一子图像与数据库中的图像匹配。如果所有的视觉特征相似度都不大于预设阈值,可认为数据库中没有与第一子图像匹配的图像。
获取视觉特征相似度之前需要分别提取第一子图像的视觉特征,以及预先建立的数据库中每一图像的视觉特征;在实际应用中,可采用全局特征描述子的方式提取第一子图像和预先建立的数据库中每一图像的视觉特征,或者采用局部特征描述子的方式提取第一子图像和预先建立的数据库中每一图像的视觉特征。
1013、将与所述第一子图像匹配的车辆图像的车型信息作为所述待查询图像的车型信息。
在另一种可能的实现方式中,前述图1所示的方法中的步骤101可包括图中未示出的步骤1011”至步骤1013”:
1011”、提取待查询图像中包括车辆的第一子图像。
1012”、在预先建立的数据库中查找与所述第一子图像匹配的车型模板库。
该步骤中的数据可为包括待查询图像所属区域的多个车型模板库。
在该步骤中,可获取所述第一子图像与预先建立的数据库中所有车型模板库的视觉特征相似度;确定某一个或多个视觉特征相似度是否大于预设另一阈值,如果大于预设另一阈值,可确定第一子图像与数据库中的车型模板库匹配。如果所有的视觉特征相似度都不大于预设另一阈值,可认为数据库中没有与第一子图像匹配的车型模板库。
举例来说,采用特征描述子方式获取所述第一子图像与所述数据库中所有车型模板库中的所有样例图像的第一视觉特征相似度,简称第一相似度,得到第一相似度集合;对与每一车型模板库对应的所有样例图像的第一相似度集合进行数学统计分析,得到所述第一子图像与每一车型模板库的视觉特征相似度。
例如,可将所述车型模板库中所有样例图像的视觉特征相似度的平均值作为所述第一子图像与所述车型模板库的相似度;或者,将所述车型模板库中所有样例图像的视觉特征相似度中的最大值作为所述第一子图像与所述车型模板库的相似度;或者,将所述车型模板库中所有样例图像的视觉特征相似度中的最小值作为所述第一子图像与所述车型模板库的相似度。还可能的是,采用异类样本分析方式去除每一车型模板库对应的所有样例图像的视觉特征相似度中的孤立点,获取与每一车型模板库对应的所有样例图像中除去孤立点之外的视觉特征相似度的平均值,将该平均值作为第一子图像与每一车型模板库的视觉特征相似度。
1013”、将与所述第一子图像匹配的车型模板库的车型信息作为所述待查询图像的车型信息。
可理解的是,任一图像的视觉特征为能够反映图像内容的特征,当前,图像视觉特征的提取主要是通过计算机识别并计算反映图像内容的特征部分。
通过上述举例的方式能够较好的获取待查询图像的车型信息,进而可实现较好的查询扩展,并能够较好的实现车辆图像查询的召回率和准确率。
图2示出了本发明一实施例提供的车型模板库的建立方法的流程示意图,如图2所示,本实施例的车型模板库的建立方法如下所述。
201、获取多个车辆图像,每一车辆图像中具有能够识别的车牌号。
举例来说,可通过车辆的视频监控装置中获取多个车辆图像,或者,可通过图像采集装置获取多个车辆图像。该些车辆图像可为样例图像。
应说明的是,本实施例中获取的多个车辆图像中的每一车辆图像可包括车牌号,即每一车辆图像中具有能够识别的车牌号。
对于车辆图像包括车牌号主要是用于方便获取车辆信息。当前,只有通过车牌号的方式可获取车辆信息,保证车辆信息的准确性。
202、识别所述车辆图像中的车牌号,并根据所述车辆图像的车牌号,从预设的数据库中获取与所述车牌号对应的车辆信息,所述车辆信息可包括:车型信息。
举例来说,识别车牌号可为当前业内公知的技术,例如采用车牌识别技术从车辆图像中识别车牌号。本实施例中采用公知技术识别车辆图像中的车牌号主要是用于获取车牌号对应的车辆信息。
当然,在实际应用中,本实施例的车辆信息还可包括:车辆部件信息(如部件型号)、车辆颜色(如白色、黑色)、所述车辆的购买日期等等,本实施例仅对车辆信息进行举例说明,不限定车辆信息所包含的其他内容。另外,需要说明的是,这里所述的车辆信息可为车辆管理机构内部的车辆信息。
前述的预设的数据库可为业内所知的车辆管理机构的数据库。
举例来说,车辆管理机构的数据库中包括如下信息:车辆是宝马X6汽车、奥迪Q7汽车、大众v6汽车等车型的信息,车辆是什么颜色的,是黑色,白色还是银色的,车辆所有者车辆的购买日期等等。
203、将所述车辆信息和所述车辆图像生成所述车型信息的候选车型模板库。
也就是说,对一幅监控视频中的车辆图像S,对车辆图像S中的车牌号进行识别,获取车辆图像S的车牌号P;通过车牌号P获取车辆图像S的车辆信息,对车牌号P检索到与之对应的车辆的车型T,将车辆图像S与车辆的车型T加入到车型T的候选车型模板库TDS。
需要说明的是,本实施例可重复执行前述的步骤201至步骤203,获取车型T的多个角度、不同光照、不同场景下的多个车辆图像即样例图像,进而将这些样例图像均加入到车型T的候选车型模板库TDS。
另外,在确定车型T的候选车型模板库之后,还可采用图像采集装置对该车型T采集多个图像,该些图像可以包括车牌号,也可以不包括车牌号等,采集的多个图像均属于车型T的候选车型模板库中的图像。
应说明的是,由于区域的分配,每个区域的车型T的候选车型模板库可不同,例如,北京区域的车型T的候选车型模板库、天津区域的车型T的候选车型模板库、南京区域的车型T的候选车型模板库可不相同。本实施例中可针对不同区域建立各自的候选车型模板库,方便后续车辆管理机构的管理。
当然,在实际应用中,车型T也可建立一个候选车型模板库,该候选车型模板库可包括不同区域的子候选车型模板库,本实施例仅为举例说明,不对其进行限定。
204、根据预设条件筛选所述候选车型模板库,获得所述车型信息的车型模板库。
通常情况下,可将候选车型模板库中重复的图像删除,保证车型模板库中每一样例图像的场景/光照/属性都是唯一的。
在实际应用中,筛选可为人工筛选也可为自动筛选,优选实现自动筛选,因为每一车型信息的车型模板库中的数据(包括图像)有上千张,人工筛选导致费时费力,可通过视觉特征比对的方式自动筛选重复的图像。
本实施例中,候选车型模板库中图像的数量可大于等于最后获取的车型模板库中图像的数量。
筛选时应保证车型模板库中的数据的多样性,即包含不同角度、不同尺度、不同颜色、不同遮挡程度、不同遮挡角度、不同光照、不同天气情况等尽可能涵盖所有代表性的不同情况下的图像。
本实施例中,通过对候选车型模板库的筛选,可以建立良好的车型模板库,涵盖各种条件的图像,方便车辆管理机构的管理。
另外,还可从道路的视频监控装置中获取多个车辆样例图像,若所述车辆图像包括:背景区域和车辆显示区域。本实施例中的背景区域为使用车辆图像时用户不关注的区域。由此,最后获取的车型模板库中的车辆样例图像可不包括车辆图像的背景区域。
图3为本发明另一实施例提供的抗光照变化的车辆检索装置的结构示意图,如图3所示,本实施例的抗光照变化的车辆检索装置,包括:车型信息确定单元31、条件确定单元32、查询图像集合生成单元33、检索结果获取单元34、相似车辆确定单元35;
车型信息确定单元31,用于根据包括车辆的待查询图像,确定所述待查询图像的车型信息;
条件确定单元32,用于确定目标数据库中各图像的采集的时间信息、光照条件;
查询图像集合生成单元33,用于根据所述时间信息、光照条件,从所述车型信息对应的车型模板库中选取符合所述时间信息、光照条件的多个样例图像,将选取的多个样例图像生成查询图像集合;
检索结果获取单元34,用于获取所述查询图像集合中的每一个样例图像与所述目标数据库中所有图像的检索结果;
相似车辆确定单元35,用于根据所述查询图像集合中所有样例图像的检索结果,确定所述目标数据库中与所述待查询图像中的车辆的相似车辆;
其中,所述车型模板库包括:多个不同采集时间和不同光照条件下不同角度、不同场景下的样例图像。
另外,在具体应用中,前述的装置还可包括图中未示出的结果输出单元,该结果输出单元可用于将获取的相似车辆按照相似度从高到低输出。
在一种可能的实现方式中,所述相似车辆确定单元35,可具体用于将所述查询图像集合中所有样例图像的检索结果按照相似度大小进行排序,选择相似度大于第一阈值对应的所述目标数据库中的图像作为待查询图像中车辆的相似车辆;
在另一种可能的实现方式中,所述相似车辆确定单元35,还可具体用于将所述查询图像集合中所有样例图像的检索结果进行归一化,并将归一化后的相似度大于第一阈值对应的所述目标数据库中的图像作为待查询图像中车辆的相似车辆。
在具体应用中,所述车型信息确定单元31,可具体用于在所述待查询图像中包括车牌号时,识别所述待查询图像中的车牌号,根据所述车牌号在车辆管理机构数据库中进行查询,确定所述待查询图像的车型信息;
或者,所述车型信息确定单元31,还可具体用于提取待查询图像中包括车辆的第一子图像;
在预先建立的数据库中查找与所述第一子图像匹配的车辆图像;
将与所述第一子图像匹配的车辆图像的车型信息作为所述待查询图像的车型信息;
在可能的实现方式中,所述车型信息确定单元31,还可具体用于提取待查询图像中包括车辆的第一子图像;
在预先建立的数据库中查找与所述第一子图像匹配的车型模板库;
将与所述第一子图像匹配的车型模板库的车型信息作为所述待查询图像的车型信息;
其中,上述的数据库可包括所述待查询图像所属区域的多个车型模板库。
此外,前述的检索结果获取单元34,可具体用于获取每一个样例图像与所述目标数据库中每一图像的视觉特征相似度,将该样例图像、所述目标数据库中的图像、所述视觉特征相似度组成三元组信息;
所述检索结果包括:所有样例图像的三元组信息;或者,所述检索结果包括:按照视觉特征相似度排序的所有样例图像的三元组信息。
进一步地,在本实施例中,所述目标数据库的图像可以为特定区域内多个监控视频装置中在特定时间段内的采集的图像;
所述时间信息可以包括:所述目标数据库中图像被采集的最早时间点,以及图像被采集的最晚时间点;
所述光照条件可以为:所述最早时间点至所述最晚时间点之间的光照信息;
所述车型模板库可以为所述特定区域内的车型模板库。
本实施例的抗光照变化的车辆检索装置,能够解决由于光照差异较大带来的车辆检索性能急剧下降的问题。
本实施例的抗光照变化的车辆检索装置,可以用于执行前述图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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权利要求所限定的范围。
Claims (10)
1.一种抗光照变化的车辆检索方法,其特征在于,包括:
根据包括车辆的待查询图像,确定所述待查询图像的车型信息;
确定目标数据库中各图像的采集的时间信息、光照条件;
根据所述时间信息、光照条件,从所述车型信息对应的车型模板库中选取符合所述时间信息、光照条件的多个样例图像,将选取的多个样例图像生成查询图像集合;
获取所述查询图像集合中的每一个样例图像与所述目标数据库中所有图像的检索结果;
根据所述查询图像集合中所有样例图像的检索结果,确定所述目标数据库中与所述待查询图像中的车辆的相似车辆;
其中,所述车型模板库包括:多个不同采集时间和不同光照条件下不同角度、不同场景下的样例图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述查询图像集合中所有样例图像的检索结果,确定所述目标数据库中与待查询图像中的车辆的相似车辆的步骤,包括:
将所述查询图像集合中所有样例图像的检索结果按照相似度大小进行排序,选择相似度大于预设的第一阈值对应的所述目标数据库中的图像作为待查询图像中车辆的相似车辆;
或者,
将所述查询图像集合中所有样例图像的检索结果进行归一化,并将归一化后的相似度大于预设的第二阈值对应的所述目标数据库中的图像作为待查询图像中车辆的相似车辆。
3.根据权利要求1所述的方法,其特征在于,所述根据包括车辆的待查询图像,确定所述待查询图像的车型信息的步骤,包括:
在所述待查询图像中包括车牌号时,识别所述待查询图像中的车牌号,根据所述车牌号在车辆管理机构数据库中进行查询,确定所述待查询图像的车型信息;
或者,
提取待查询图像中包括车辆的第一子图像;
在预先建立的数据库中查找与所述第一子图像匹配的车辆图像;
将与所述第一子图像匹配的车辆图像的车型信息作为所述待查询图像的车型信息;
或者,
提取待查询图像中包括车辆的第一子图像;
在预先建立的数据库中查找与所述第一子图像匹配的车型模板库;
将与所述第一子图像匹配的车型模板库的车型信息作为所述待查询图像的车型信息;
其中,所述数据库包括所述待查询图像所属区域的多个车型模板库。
4.根据权利要求1所述的方法,其特征在于,所述目标数据库的图像为特定区域内多个监控视频装置中在特定时间段内的采集的图像;
所述时间信息包括:所述目标数据库中图像被采集的最早时间点,以及图像被采集的最晚时间点;
所述光照条件为:所述最早时间点至所述最晚时间点之间的光照信息;
所述车型模板库为所述特定区域内的车型模板库。
5.根据权利要求1所述的方法,其特征在于,所述获取所述查询图像集合中的每一个样例图像与所述目标数据库中所有图像的检索结果的步骤,包括:
获取每一个样例图像与所述目标数据库中每一图像的视觉特征相似度,将该样例图像、所述目标数据库中的图像、所述视觉特征相似度组成三元组信息;
所述检索结果包括:所有样例图像的三元组信息;
或者,
所述检索结果包括:按照视觉特征相似度排序的所有样例图像的三元组信息。
6.一种抗光照变化的车辆检索装置,其特征在于,包括:
车型信息确定单元,用于根据包括车辆的待查询图像,确定所述待查询图像的车型信息;
条件确定单元,用于确定目标数据库中各图像的采集的时间信息、光照条件;
查询图像集合生成单元,用于根据所述时间信息、光照条件,从所述车型信息对应的车型模板库中选取符合所述时间信息、光照条件的多个样例图像,将选取的多个样例图像生成查询图像集合;
检索结果获取单元,用于获取所述查询图像集合中的每一个样例图像与所述目标数据库中所有图像的检索结果;
相似车辆确定单元,用于根据所述查询图像集合中所有样例图像的检索结果,确定所述目标数据库中与所述待查询图像中的车辆的相似车辆;
其中,所述车型模板库包括:多个不同采集时间和不同光照条件下的不同角度、不同场景下的样例图像。
7.根据权利要求6所述的装置,其特征在于,所述相似车辆确定单元,具体用于
将所述查询图像集合中所有样例图像的检索结果按照相似度大小进行排序,选择相似度大于预设的第一阈值对应的所述目标数据库中的图像作为待查询图像中车辆的相似车辆;
或者,
将所述查询图像集合中所有样例图像的检索结果进行归一化,并将归一化后的相似度大于预设的第二阈值对应的所述目标数据库中的图像作为待查询图像中车辆的相似车辆。
8.根据权利要求6所述的装置,其特征在于,所述车型信息确定单元,具体用于
在所述待查询图像中包括车牌号时,识别所述待查询图像中的车牌号,根据所述车牌号在车辆管理机构数据库中进行查询,确定所述待查询图像的车型信息;
或者,
提取待查询图像中包括车辆的第一子图像;
在预先建立的数据库中查找与所述第一子图像匹配的车辆图像;
将与所述第一子图像匹配的车辆图像的车型信息作为所述待查询图像的车型信息;
或者,
提取待查询图像中包括车辆的第一子图像;
在预先建立的数据库中查找与所述第一子图像匹配的车型模板库;
将与所述第一子图像匹配的车型模板库的车型信息作为所述待查询图像的车型信息;
其中,所述数据库包括所述待查询图像所属区域的多个车型模板库。
9.根据权利要求6所述的装置,其特征在于,所述目标数据库的图像为特定区域内多个监控视频装置中在特定时间段内的采集的图像;
所述时间信息包括:所述目标数据库中图像被采集的最早时间点,以及图像被采集的最晚时间点;
所述光照条件为:所述最早时间点至所述最晚时间点之间的光照信息;
所述车型模板库为所述特定区域内的车型模板库。
10.根据权利要求6所述的装置,其特征在于,所述检索结果获取单元,具体用于
获取每一个样例图像与所述目标数据库中每一图像的视觉特征相似度,将该样例图像、所述目标数据库中的图像、所述视觉特征相似度组成三元组信息;
所述检索结果包括:所有样例图像的三元组信息;
或者,
所述检索结果包括:按照视觉特征相似度排序的所有样例图像的三元组信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410381921.7A CN105320710B (zh) | 2014-08-05 | 2014-08-05 | 抗光照变化的车辆检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410381921.7A CN105320710B (zh) | 2014-08-05 | 2014-08-05 | 抗光照变化的车辆检索方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105320710A true CN105320710A (zh) | 2016-02-10 |
CN105320710B CN105320710B (zh) | 2018-11-27 |
Family
ID=55248110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410381921.7A Active CN105320710B (zh) | 2014-08-05 | 2014-08-05 | 抗光照变化的车辆检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105320710B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055704A (zh) * | 2016-06-22 | 2016-10-26 | 重庆中科云丛科技有限公司 | 一种图像检索与匹配方法及*** |
CN108109164A (zh) * | 2017-12-08 | 2018-06-01 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN110569794A (zh) * | 2019-09-06 | 2019-12-13 | 深圳市梵高控股有限公司 | 物品的信息存储方法、装置和计算机可读存储介质 |
CN111814690A (zh) * | 2020-07-09 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种目标重识别方法、装置和计算机可读存储介质 |
CN112541096A (zh) * | 2020-07-27 | 2021-03-23 | 广元量知汇科技有限公司 | 一种用于智慧城市的视频监控方法 |
CN113609319A (zh) * | 2021-07-26 | 2021-11-05 | 阿里巴巴(中国)有限公司 | 商品搜索方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1365077A (zh) * | 2001-01-11 | 2002-08-21 | 中华人民共和国深圳出入境边防检查总站 | 车辆出入境数据多媒体处理方法 |
US20100293181A1 (en) * | 2009-05-18 | 2010-11-18 | Autoonline Gmbh Informationssysteme | VALUEpilot - METHOD AND APPARATUS FOR ESTIMATING A VALUE OF A VEHICLE |
CN103116988A (zh) * | 2013-01-18 | 2013-05-22 | 合肥工业大学 | 基于tof相机的车流量及车型检测方法 |
CN103310199A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 基于高分辨率遥感数据的车辆型号识别方法 |
-
2014
- 2014-08-05 CN CN201410381921.7A patent/CN105320710B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1365077A (zh) * | 2001-01-11 | 2002-08-21 | 中华人民共和国深圳出入境边防检查总站 | 车辆出入境数据多媒体处理方法 |
US20100293181A1 (en) * | 2009-05-18 | 2010-11-18 | Autoonline Gmbh Informationssysteme | VALUEpilot - METHOD AND APPARATUS FOR ESTIMATING A VALUE OF A VEHICLE |
CN103116988A (zh) * | 2013-01-18 | 2013-05-22 | 合肥工业大学 | 基于tof相机的车流量及车型检测方法 |
CN103310199A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 基于高分辨率遥感数据的车辆型号识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055704A (zh) * | 2016-06-22 | 2016-10-26 | 重庆中科云丛科技有限公司 | 一种图像检索与匹配方法及*** |
CN106055704B (zh) * | 2016-06-22 | 2020-02-04 | 重庆中科云丛科技有限公司 | 一种图像检索与匹配方法及*** |
CN108109164A (zh) * | 2017-12-08 | 2018-06-01 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN110569794A (zh) * | 2019-09-06 | 2019-12-13 | 深圳市梵高控股有限公司 | 物品的信息存储方法、装置和计算机可读存储介质 |
CN110569794B (zh) * | 2019-09-06 | 2022-07-19 | 深圳市恒天伟焱科技股份有限公司 | 物品的信息存储方法、装置和计算机可读存储介质 |
CN111814690A (zh) * | 2020-07-09 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种目标重识别方法、装置和计算机可读存储介质 |
CN111814690B (zh) * | 2020-07-09 | 2023-09-01 | 浙江大华技术股份有限公司 | 一种目标重识别方法、装置和计算机可读存储介质 |
CN112541096A (zh) * | 2020-07-27 | 2021-03-23 | 广元量知汇科技有限公司 | 一种用于智慧城市的视频监控方法 |
CN113609319A (zh) * | 2021-07-26 | 2021-11-05 | 阿里巴巴(中国)有限公司 | 商品搜索方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105320710B (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105320705B (zh) | 相似车辆的检索方法及装置 | |
CN105321350B (zh) | ***检测方法及装置 | |
CN105320710B (zh) | 抗光照变化的车辆检索方法及装置 | |
CN102207966B (zh) | 基于对象标签的视频内容快速检索方法 | |
Gomaa et al. | Faster CNN-based vehicle detection and counting strategy for fixed camera scenes | |
RU2608261C2 (ru) | Автоматическое генерирование тега на основании содержания изображения | |
KR101289085B1 (ko) | 객체 기반 영상 검색시스템 및 검색방법 | |
CN105320923B (zh) | 车型识别方法及装置 | |
CN105405298B (zh) | 一种车牌标识的识别方法和装置 | |
Sevillano et al. | Towards smart traffic management systems: Vacant on-street parking spot detection based on video analytics | |
WO2020259099A1 (zh) | 一种信息处理方法及装置、存储介质 | |
CN105320703B (zh) | 相似车辆检索中的查询扩展方法及装置 | |
JP2022518459A (ja) | 情報処理方法および装置、記憶媒体 | |
CN103582882A (zh) | 用于对视频进行比较的方法和装置 | |
CN109784220B (zh) | 一种确定路人轨迹的方法及装置 | |
Fedorov et al. | Estimating snow cover from publicly available images | |
CN112905824A (zh) | 目标车辆追踪方法、装置、计算机设备及存储介质 | |
CN109800329B (zh) | 一种监控方法及装置 | |
CN106033443B (zh) | 一种车辆检索中的扩展查询方法及装置 | |
CN111709303A (zh) | 一种人脸图像的识别方法和装置 | |
CN114155576A (zh) | 一种图像处理方法及装置 | |
CN109800318A (zh) | 一种归档方法及装置 | |
CN110309810A (zh) | 一种基于批次中心相似度的行人重识别方法 | |
CN105320704B (zh) | 跨区域相似车辆检索方法及装置 | |
CN109766821A (zh) | 车辆行车规律分析方法、***、计算机设备及存储介质 |
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 |