CN108021879A - 一种基于视频图像的交通车辆类型识别方法 - Google Patents
一种基于视频图像的交通车辆类型识别方法 Download PDFInfo
- Publication number
- CN108021879A CN108021879A CN201711244130.XA CN201711244130A CN108021879A CN 108021879 A CN108021879 A CN 108021879A CN 201711244130 A CN201711244130 A CN 201711244130A CN 108021879 A CN108021879 A CN 108021879A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- car
- histogram
- label
- car plate
- 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.)
- Pending
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频图像交通车辆类型识别方法。利用车牌识别算法获得的车牌精确坐标和车牌颜色(黄牌、蓝牌)、识别结果信息,利用车牌颜色信息将车辆划分为大型车(黄色牌照)和小型车(蓝色牌照),大型车和小型车分别利用不同参数在车牌坐标的基础上外扩矩形获得车辆的外接轮廓,在该区域上提取车辆的独立特征,并将此特征送入人工神经网络进行分类,结合车牌识别算法的识别结果可精确获得车辆所属类型。该发明包括车辆轮廓区域确定、梯度直方图特征提取、独立特征识别三部分。该发明具有较高准确性和较强的场景适应性,可较为准确的识别小汽车、公交车、大货车、小货车、面包车、非机动车共计6种类型。
Description
技术领域
本发明属于图像识别技术领域,尤其是涉及一种基于视频图像的交通车辆类型识别方法。
背景技术
在智能交通***中的核心功能是对过往的车辆进行准确的检测和正确的车型识别,近年来随着计算机多媒体技术和图像处理技术的发展,基于视频的车辆自动分类是被技术在智能交通中占据的分量也越来越大,社会各界投入的研究力量也越来越多。由于我国对道路监控的日益重视,视频检测技术已经成为智能交通领域最重要的信息采集手段,综合评比,将视频检测技术应用于高速公路和城市道路具有很大的可行性。
发明内容
有鉴于此,本发明旨在提出一种基于视频图像的交通车辆类型识别方法,以准确、快速识别不同类型车辆。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于视频图像的交通车辆类型识别方法,具体包括如下步骤:
(1)根据车牌识别算法获得车牌的区域坐标和颜色信息,根据车牌位置以及车牌颜色确定各待识别车辆的特征区域;
(2)对特征区域提取梯度直方图特征;
(3)将提取到的直方图特征送入神经网络分类器,结合车牌识别结果,确定车辆所属类型。
进一步的,所述步骤(1)中,根据车牌识别算法获得车牌的区域坐标和颜色信息,黄色或者蓝色,设车牌矩形坐标为(X,Y,W,H)其中左上横向坐标为X,左上纵向坐标为Y,宽度为W,高度为H,车牌颜色为黄色的车辆的轮廓矩形坐标(X1,Y1,W1,H1),则车辆的外接轮廓左上横向坐标为X1=X-W*2,车辆的外接轮廓左上纵向坐标为Y1=Y-W*4,车辆的外接轮廓宽度为W1=W*3,车辆的外接轮廓高度为H1=H*4;车牌颜色为黄色的车辆的轮廓矩形坐标(X2,Y2,W2,H2),则车辆的外接轮廓左上横向坐标为X2=X-W*1.5,车辆的外接轮廓左上纵向坐标为Y2=Y-W*3,车辆的外接轮廓宽度为W2=W*3,车辆的外接轮廓高度为H2=H*4。
进一步的,所述步骤(2)中,将获取到的车辆轮廓矩形图像提取出来,并且归一化为72x72的图像大小,构建直方图的参数bin为9,block为16,cells为4,在该图像上提取梯度直方图特征。
进一步的,所述步骤(3)中,根据已知的梯度直方图特征,构建神经网络分类器,神经网络分类器加载预训练模型,其中输入层节点个位为576,隐藏层数量为1层,输出层节点个数为6,将提取的梯度直方图特征送入人工神经网络进行分类,在神经网络分类器输出的6个置信度中选择最大值对应的label作为最终的结果,小汽车对应label=0,公交车对应label=1、大货车对应label=2、小货车对应label=3、面包车对应label=4、非机动车对应label=5。
相对于现有技术,本发明所述的一种基于视频图像的交通车辆类型识别方法具有以下优势:本发明通过车辆轮廓区域确定、梯度直方图特征提取、独立特征识别三部分实现准确识别交通图像中的小汽车、大货车、公交车、面包车、小货车、非机动车,同时具有较强的场景适应性。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的一种基于视频图像的交通车辆类型识别方法的整体流程图;
图2为本发明实施例所述的HOG特征提取框图;
图3为本发明实施例所述的神经网络训练和识别过程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,本发明提供一种基于视频图像的交通车辆类型识别方法,交通车辆类型识别第一步是找到车辆区域,本发明中使用车牌识别算法获得车牌区域精准确定车辆所处位置。依据车牌精确定位的位置,根据车牌颜色的不同,确定各个待识别的车辆的特征提取区域,具体包括如下:
根据车牌识别算法获得车牌的区域坐标和颜色信息,黄色或者蓝色,设车牌矩形坐标为(X,Y,W,H)其中左上横向坐标为X,左上纵向坐标为Y,宽度为W,高度为H,车牌颜色为黄色的车辆的轮廓矩形坐标(X1,Y1,W1,H1),则车辆的外接轮廓左上横向坐标为X1=X-W*2,车辆的外接轮廓左上纵向坐标为Y1=Y-W*4,车辆的外接轮廓宽度为W1=W*3,车辆的外接轮廓高度为H1=H*4;车牌颜色为黄色的车辆的轮廓矩形坐标(X2,Y2,W2,H2),则车辆的外接轮廓左上横向坐标为X2=X-W*1.5,车辆的外接轮廓左上纵向坐标为Y2=Y-W*3,车辆的外接轮廓宽度为W2=W*3,车辆的外接轮廓高度为H2=H*4;
然后对该区域块提取梯度直方图特征,梯度方向直方图(Histogram of OrientedGradient,HOG)特征是一种在计算机视觉和图像处理领域常用的特征描述方法,它通过计算和统计图像局部区域的梯度方向直方图来构成特征,其在图像局部方格单元上进行操作,所以它对图像几何的和光学的形变都能保持很好的不变性。其提取特征过程如图2所示。将获取到的车辆轮廓矩形图像提取出来,并且归一化为72x72的图像大小,构建直方图的参数bin为9,block为16,cells为4,在该图像上提取梯度直方图特征。
在提取完车辆区域梯度直方图特征后就可以送入神经网络进行分类。神经网络分类器是由众多的神经元可调的连接权值连接而成,具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。将提取的直方图特征送入神经网络分类器后,会自动计算各个类别的置信度,对置信度进行从大到小排序,选择置信度最大的类别,即为神经网络分类器的输出结果。神经网络模型***的训练与识别如图3所示。其中训练预测过程可以分为训练阶段和识别阶段两部分:训练时,使用特征向量训练神经网络分类器。识别时,使用神经网络分类器对候选区域提取的特征向量进行判别。具体包括:根据已知的梯度直方图特征,构建神经网络分类器,神经网络分类器加载预训练模型,其中输入层节点个位为576,隐藏层数量为1层,输出层节点个数为6,将提取的梯度直方图特征送入人工神经网络进行分类,在神经网络分类器输出的6个置信度中选择最大值对应的label作为最终的结果,小汽车对应label=0,公交车对应label=1、大货车对应label=2、小货车对应label=3、面包车对应label=4、非机动车对应label=5。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于视频图像的交通车辆类型识别方法,其特征在于:具体包括如下步骤:
(1)根据车牌识别算法获得车牌的区域坐标和颜色信息,根据车牌位置以及车牌颜色确定各待识别车辆的特征区域;
(2)对特征区域提取梯度直方图特征;
(3)将提取到的直方图特征送入神经网络分类器,结合车牌识别结果,确定车辆所属类型。
2.根据权利要求1所述的一种基于视频图像的交通车辆类型识别方法,其特征在于:所述步骤(1)中,根据车牌识别算法获得车牌的区域坐标和颜色信息,黄色或者蓝色,设车牌矩形坐标为(X,Y,W,H)其中左上横向坐标为X,左上纵向坐标为Y,宽度为W,高度为H,车牌颜色为黄色的车辆的轮廓矩形坐标(X1,Y1,W1,H1),则车辆的外接轮廓左上横向坐标为X1=X-W*2,车辆的外接轮廓左上纵向坐标为Y1=Y-W*4,车辆的外接轮廓宽度为W1=W*3,车辆的外接轮廓高度为H1=H*4;车牌颜色为黄色的车辆的轮廓矩形坐标(X2,Y2,W2,H2),则车辆的外接轮廓左上横向坐标为X2=X-W*1.5,车辆的外接轮廓左上纵向坐标为Y2=Y-W*3,车辆的外接轮廓宽度为W2=W*3,车辆的外接轮廓高度为H2=H*4。
3.根据权利要求2所述的一种基于视频图像的交通车辆类型识别方法,其特征在于:所述步骤(2)中,将获取到的车辆轮廓矩形图像提取出来,并且归一化为72x72的图像大小,构建直方图的参数bin为9,block为16,cells为4,在该图像上提取梯度直方图特征。
4.根据权利要求1所述的一种基于视频图像的交通车辆类型识别方法,其特征在于:所述步骤(3)中,根据已知的梯度直方图特征,构建神经网络分类器,神经网络分类器加载预训练模型,其中输入层节点个位为576,隐藏层数量为1层,输出层节点个数为6,将提取的梯度直方图特征送入人工神经网络进行分类,在神经网络分类器输出的6个置信度中选择最大值对应的label作为最终的结果,小汽车对应label=0,公交车对应label=1、大货车对应label=2、小货车对应label=3、面包车对应label=4、非机动车对应label=5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711244130.XA CN108021879A (zh) | 2017-11-30 | 2017-11-30 | 一种基于视频图像的交通车辆类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711244130.XA CN108021879A (zh) | 2017-11-30 | 2017-11-30 | 一种基于视频图像的交通车辆类型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108021879A true CN108021879A (zh) | 2018-05-11 |
Family
ID=62077800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711244130.XA Pending CN108021879A (zh) | 2017-11-30 | 2017-11-30 | 一种基于视频图像的交通车辆类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108021879A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109131321A (zh) * | 2018-08-29 | 2019-01-04 | 广州大学 | 基于图像处理与计算危险系数的变道辅助方法及装置 |
CN109191837A (zh) * | 2018-09-06 | 2019-01-11 | 中国葛洲坝集团公路运营有限公司 | 一种公路智能显示装置 |
CN109670449A (zh) * | 2018-12-20 | 2019-04-23 | 天津天地伟业信息***集成有限公司 | 一种基于垂直抓拍方式的车辆违法判断方法 |
CN110147731A (zh) * | 2019-04-16 | 2019-08-20 | 深圳云天励飞技术有限公司 | 车辆类型识别方法及相关产品 |
CN113111884A (zh) * | 2021-03-26 | 2021-07-13 | 沈阳天眼智云智能技术研究院有限公司 | 危化品运输专用车辆的视频检测方法 |
CN113591725A (zh) * | 2021-08-03 | 2021-11-02 | 世邦通信股份有限公司 | 一种鸣笛车辆提取方法、装置、设备及介质 |
CN113642412A (zh) * | 2021-07-16 | 2021-11-12 | 盛视科技股份有限公司 | 占用公交车道的车辆检测方法、装置及设备 |
CN114613151A (zh) * | 2022-05-10 | 2022-06-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种货车od确定方法、***、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184393A (zh) * | 2011-06-20 | 2011-09-14 | 苏州两江科技有限公司 | 一种根据车牌识别判断车型的方法 |
CN103324920A (zh) * | 2013-06-27 | 2013-09-25 | 华南理工大学 | 基于车辆正面图像与模板匹配的车型自动识别方法 |
CN104408431A (zh) * | 2014-11-28 | 2015-03-11 | 江苏物联网研究发展中心 | 交通监控下的车款识别方法 |
CN106127107A (zh) * | 2016-06-14 | 2016-11-16 | 宁波熵联信息技术有限公司 | 基于车牌信息和车辆轮廓的多路视频信息融合的车型识别方法 |
-
2017
- 2017-11-30 CN CN201711244130.XA patent/CN108021879A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184393A (zh) * | 2011-06-20 | 2011-09-14 | 苏州两江科技有限公司 | 一种根据车牌识别判断车型的方法 |
CN103324920A (zh) * | 2013-06-27 | 2013-09-25 | 华南理工大学 | 基于车辆正面图像与模板匹配的车型自动识别方法 |
CN104408431A (zh) * | 2014-11-28 | 2015-03-11 | 江苏物联网研究发展中心 | 交通监控下的车款识别方法 |
CN106127107A (zh) * | 2016-06-14 | 2016-11-16 | 宁波熵联信息技术有限公司 | 基于车牌信息和车辆轮廓的多路视频信息融合的车型识别方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109131321A (zh) * | 2018-08-29 | 2019-01-04 | 广州大学 | 基于图像处理与计算危险系数的变道辅助方法及装置 |
CN109191837A (zh) * | 2018-09-06 | 2019-01-11 | 中国葛洲坝集团公路运营有限公司 | 一种公路智能显示装置 |
CN109670449A (zh) * | 2018-12-20 | 2019-04-23 | 天津天地伟业信息***集成有限公司 | 一种基于垂直抓拍方式的车辆违法判断方法 |
CN110147731A (zh) * | 2019-04-16 | 2019-08-20 | 深圳云天励飞技术有限公司 | 车辆类型识别方法及相关产品 |
CN113111884A (zh) * | 2021-03-26 | 2021-07-13 | 沈阳天眼智云智能技术研究院有限公司 | 危化品运输专用车辆的视频检测方法 |
CN113111884B (zh) * | 2021-03-26 | 2024-05-24 | 沈阳天眼智云智能技术研究院有限公司 | 危化品运输专用车辆的视频检测方法 |
CN113642412A (zh) * | 2021-07-16 | 2021-11-12 | 盛视科技股份有限公司 | 占用公交车道的车辆检测方法、装置及设备 |
CN113642412B (zh) * | 2021-07-16 | 2023-12-26 | 盛视科技股份有限公司 | 占用公交车道的车辆检测方法、装置及设备 |
CN113591725A (zh) * | 2021-08-03 | 2021-11-02 | 世邦通信股份有限公司 | 一种鸣笛车辆提取方法、装置、设备及介质 |
CN113591725B (zh) * | 2021-08-03 | 2023-08-22 | 世邦通信股份有限公司 | 一种鸣笛车辆提取方法、装置、设备及介质 |
CN114613151A (zh) * | 2022-05-10 | 2022-06-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种货车od确定方法、***、设备及存储介质 |
CN114613151B (zh) * | 2022-05-10 | 2022-09-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种货车od确定方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021879A (zh) | 一种基于视频图像的交通车辆类型识别方法 | |
CN110942000B (zh) | 一种基于深度学习的无人驾驶车辆目标检测方法 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN106446949B (zh) | 一种车辆型号识别方法及装置 | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN103902976B (zh) | 一种基于红外图像的行人检测方法 | |
Pamula | Road traffic conditions classification based on multilevel filtering of image content using convolutional neural networks | |
CN101950350B (zh) | 使用分级方法的畅通路径检测 | |
CN107633220A (zh) | 一种基于卷积神经网络的车辆前方目标识别方法 | |
CN108108761A (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN109948416A (zh) | 一种基于深度学习的违法占用公交车道自动审核方法 | |
CN110910378B (zh) | 一种基于深度融合网络的双模态图像能见度检测方法 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN104966066A (zh) | 一种面向交通卡口监控的车内人脸检测方法及*** | |
CN103824081B (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN106127107A (zh) | 基于车牌信息和车辆轮廓的多路视频信息融合的车型识别方法 | |
CN112712057B (zh) | 交通信号识别方法、装置、电子设备及存储介质 | |
JPWO2020181685A5 (zh) | ||
CN106886987A (zh) | 一种列车车牌二值化图像融合方法 | |
CN111401188B (zh) | 一种基于人体关键点特征的交警手势识别方法 | |
CN108875754B (zh) | 一种基于多深度特征融合网络的车辆再识别方法 | |
CN108647700A (zh) | 基于深度学习的多任务车辆部件识别模型、方法和*** | |
CN106446834A (zh) | 一种基于图像的车型识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180511 |