CN109815953A - 一种基于车辆年检标的车辆识别匹配*** - Google Patents
一种基于车辆年检标的车辆识别匹配*** Download PDFInfo
- Publication number
- CN109815953A CN109815953A CN201910089440.1A CN201910089440A CN109815953A CN 109815953 A CN109815953 A CN 109815953A CN 201910089440 A CN201910089440 A CN 201910089440A CN 109815953 A CN109815953 A CN 109815953A
- Authority
- CN
- China
- Prior art keywords
- module
- annual test
- image
- training
- data
- 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
Landscapes
- Image Analysis (AREA)
Abstract
一种基于车辆年检标的车辆识别匹配***,所述***包括数据模块、YOLO网络模块、粗定位模块、PCA降维处理模块、SIFT进一步特征提取模块、输出模块及数据库;所述数据模块输出端与YOLO网络模块输入端连接,YOLO网络与粗定位模块输入端连接,粗定位模块输出端与数据库输入端和PCA输入端连接,数据库输出端与PCA降维处理模块输入端连接,PCA降维处理模块输出端与数据库输入端、SIFT进一步特征提取模块输入端连接,SIFT进一步特征提取模块输出端与数据库输入端、输出模块输入端连接。通过YOLO网络粗定位模块实现对车检标位置的确定,PCA降维处理模块实现对车检标图片的降维处理及初次匹配,SIFT进一步特征提取模块进一步对比特征,提升车检标与车辆匹配的准确性。
Description
技术领域
本发明涉及机器视觉、图像处理技术领域,具体是指一种基于车辆年检标的车辆识别匹配***。
背景技术
现今,公路上的车辆越来越多。随着信息化的发展,各种车辆识别的技术也不断涌现,满足了绝大部分环境下例如公路、小区、停车场等场景的车辆识别任务。技术的发展为人们提供了便利,警用环境下,新技术的使用极大促进了警用***的智能化、高效化,例如嫌疑车辆识别,车辆追踪等。但道高一尺,魔高一丈,现今的在逃车辆多会使用,套牌,喷涂等手段逃过***的检测。这让目前基于车牌,车型的车辆检测***无能为力,现今警用环境下急需一种新的车辆识别***。
根据公安***的大数据分析,现今的车辆特征伪造手段多集中在套牌,喷涂,改装等方面,而车辆年检标的伪造常被逃犯忽略。而车辆年检标作为一种潜在的车辆特征,具有稳定性,独一性等良好特征,每辆车的张贴数量,位置,排列,间距都有不同,具有很高的识别度。
申请号CN201711482798.8公开了车辆年检标签检测***及装置,该专利中使用多级CNN网络对图像进行检测,得到标签位置。然后对标签位置进一步检测,确定年检标角点。精确标定年检标轮廓。
申请号CN201710424766.6公开了一种基于RCNN的车窗年检标检测***,该专利使用超像素算法提取建议区域,再使用级联思想设计CNN分类网络,最后使用年检标的先验信息提升年检标检测的性能。
申请号CN201711482798.8及申请号CN201710424766.6仅仅只是定位了年检标,并不具有实用的工程价值,且多基于速度较慢的R-CNN网络。
发明内容
本发明的目的在于提供一种基于车辆年检标的车辆识别匹配***,该***通过基于YOLO网络的年检标检测与粗定位、基于PCA的裁剪年检标图片降维、基于SIFT特征的年检标模板匹配,可以根据车辆的年检标识别车辆,并在数据库中快速找出相似匹配。
一种基于车辆年检标的车辆识别匹配***,所述***包括数据模块、YOLO网络模块、粗定位模块、PCA降维处理模块、SIFT进一步特征提取模块、输出模块及数据库;所述数据模块输出端与YOLO网络模块输入端连接,YOLO网络模块输出端与粗定位模块输入端连接,粗定位模块输出端与PCA降维处理模块输入端、数据库输入端连接,数据库输出端与PCA降维处理模块输入端连接,PCA降维处理模块输出端与数据库输入端、SIFT进一步特征提取模块输入端连接,SIFT进一步特征提取模块输出端与数据库输入端、输出模块输入端连接。
进一步的,所述数据模块训练数据收集步骤包括:
(1)采用图像收集设备收集训练数据及输入图像;
(2)将训练数据裁剪为统一大小;
(3)根据VOC数据集格式,标注数据,标注内容为年检标位置,以及车前玻璃位置。
进一步的,所述YOLO网络模块包括训练单元及检测单元,所述训练单元对年检标以及车前玻璃位置进行定位的训练步骤包括:
(1)按比例划分训练数据为训练集与测试集;
(2)设置batch、subdivisions、height、width、channels、momentum、decay相关参数,batch表示一批训练样本的样本数量,batch/subdivisions作为一次性送入训练器的样本数量,height表示图像的高;width表示图像的宽;channels表示图像的通道数,momentum表示动量参数,decay表示权重衰减正则项;
(3)进行迭代训练,调整图片的饱和度angle、曝光度saturation、色调exposure、水平或垂直方向的旋转角度hue,加入噪声干扰,并根据设定值产生新的训练样本;
(4)设置初始学习率策略;加入BN层设置batch_normalize,BN表示批量归一化;batch_normalize表示输出特征图的数量;
(5)选取预选框anchors的数值,anchors表示欲检测目标的定位框,根据目标可能的不同比例尺寸,引入多个不同的anchors,所述anchors的数量一般为5个。
(6)根据损失函数
计算background的置信度误差、先验框与预测宽的坐标误差、先验框与groundtruth匹配的预测框误差值,并将计算得出的误差反向传播至网络各层参数更新网络;其中H指特征图宽高,而A指的是先验框数目,各个λ值是各个loss部分的权重系数。
(7)首先使用训练集训练网络,然后使用测试集评估网络性能,最后通过循环迭代得到最优网络参数。
进一步的,所述检测单元对年检标以及车前玻璃位置进行定位的检测步骤包括:
(1)使用训练单元得到的最优网络参数初始化YOLO网络;
(2)输入图像缩放为统一大小;
(3)图像输入YOLO网络得到年检标位置信息。
进一步的,所述粗定位模块对定位图像进行处理的步骤包括:
(1)根据年检标框中心落在玻璃框的位置,分类为左上,左下,右上,右下四个方位;
(2)将训练数据中截出的年检标图片统一缩放为固定的尺寸后与方位信息一同存入数据库,用作PCA降维处理模块的新训练集。
(3)根据YOLO网络模块定位的年检标出现的位置,在输入图像中对应位置裁剪年检标;
(4)输入图像截出的年检标图片统一缩放为固定的尺寸后直接传递给PCA降维处理模块。
进一步的,所述PCA降维处理模块包括PCA降维单元及KNN匹配单元,所述PCA降维单元对图像降维的步骤包括;
(1)在新训练集中选取有效年检标图片;在缩放图片当中删除掉部分存在漏检,模糊等现象的图片,剩余的图片即为有效年检标图片;
(2)对数据进行零均值处理,根据计算协方差,X为D*N的矩阵,每一列为一张拉伸为列向量的图片数据;
(3)计算S的特征值,选取M个最大特征值对应的特征向量;
(4)根据Z=UTX得到M维降维数据,并存入数据库,U=[u1…um]为D*M矩阵,Z为M*N矩阵;
进一步的,使用PCA降维单元产生的均值和降维矩阵U,输入图像减去训练均值后乘降维矩阵U产生降维后的图像向量;
进一步的,所述降维后的图像向量与PCA降维单元中存入数据库中的数据在KNN匹配单元使用K临近法进行欧式距离对比:
若结果小于预先设定的阈值,则认为数据库中无对应匹配;
若结果大于预先设定的阈值,若大于阈值则将K个最相似图片的原图取出进行更进一步对比。
进一步的,所述SIFT进一步特征提取模块对图片特征提取步骤包括:
(1)将KNN匹配单元提取出的K个最相似图片的原图转为灰度图片;
(2)根据高斯函数与原始图像卷积运算后构建尺度空间并选择卷积尺寸;
(3)扩展卷积层层数,得到LOG图像;
(4)用LOG图像相邻的图像进行相减,构建DOG金字塔并找寻DOG极值点;
(5)采用泰勒展开式拟合极值点附近的点;
(6)利用Hessian矩阵去除边缘点;
(7)根据
计算极值点为半径的区域内图像梯度的幅角和幅值,利用直方图统计领域内像素对应的梯度和幅值;
(8)以特征点为中心,将特征点附近邻域内图像梯度的位置和方向旋转一个方向角θ,旋转后的图像中取一个图像区域,并将该图像区域等间隔划分成4*4的子区域;
(9)每子区域内计算8个方向的梯度方向直方图,统计每个梯度方向的累加值,统计结果作为该特征点的特征矢量;
(10)对于特征矢量进行高斯加权处理,所有子区域最终形成128维的SIFT特征矢量。
进一步的,所述输出模块的输出步骤:
(1)PCA筛选出的K张相似图与输入图像一起做SIFT特征提取,采用关键点特征向量的欧式距离来作为输入图像与K张相似图中关键点的相似性判定度量,取输入图像的某个关键点,通过遍历找到每张相似图中的距离最近的两个关键点;
(2)在这两个关键点中,如果最近距离除以次近距离小于阈值,则判定为一对匹配点;
(3)对比匹配点个数,根据K张相似图中与输入图像间匹配点数的多少,对K张相似图排序。
(4)匹配点数最多的那张图即为最相似的匹配结果,次多的图即为次相似匹配结果。
(5)输出最相似与次相似匹配结果,对应的匹配点数量作为相似性的一种度量一起输出且所述匹配点数量以非百分制的形式输出:
匹配点的数量越多,相似性越大;
匹配点的数量越少,相似性越小。
本发明与现有技术相比,具有的有益效果为:
(1)本发明采用了YOLO网络,与传统的RCNN网络进行对比,YOLO网络速度快,符合基于车辆年检标的车辆识别匹配***对于车辆识别的实时性要求,实用性强。
(2)本发明通过粗定位模块实现对车检标的粗分类,通过多级处理提高准确度,同时减少后续KNN的计算次数。
(3)本发明通过KNN匹配及SHIF进一步特征提取,对图片进行多次对比,提升车检标与车辆匹配的准确率。
附图说明
图1为本发明的***运行流程框图。
图2为本发明的***结构框图。
图3为本发明的YOLO网络结构框图。
图4为本发明的粗定位结构框图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例1:
如图1所示,本发明为了克服现有技术的缺陷,增设了基于YOLO的年检标与粗定位、基于PCA的裁剪年检标图片降维、基于SIFT特征的年检标模板匹配的车辆识别***。
一种基于车辆年检标的车辆识别匹配***,所述***包括数据模块、YOLO网络模块、粗定位模块、PCA降维处理模块、SIFT进一步特征提取模块、输出模块及数据库;所述数据模块输出端与YOLO网络模块输入端连接,YOLO网络模块输出端与粗定位模块输入端连接,粗定位模块输出端与PCA降维处理模块输入端、数据库输入端连接,数据库输出端与PCA降维处理模块输入端连接,PCA降维处理模块输出端与数据库输入端、SIFT进一步特征提取模块输入端连接,SIFT进一步特征提取模块输出端与数据库输入端、输出模块输入端连接。数据模块获取训练数据和输入图像,并通过YOLO网络模块精确定位年检标与车前玻璃的位置,粗定位模块实现对年检标与车前玻璃的相对位置粗定位,粗定位后在输入图像上截取年检标所在位置,然后将训练数据中截出的年检标图片统一缩放为固定的尺寸后与方位信息存入数据库作为比对的依据,将存入数据库的数据进行降维处理,接着用输入图像减去训练均值后乘降维矩阵U产生降维后的图像向量,图像向量与数据库内的数据采用K临近法进行欧式距离对比,若欧式距离小于预设阈值,对应测试数据返回数据库,即数据库中无对应匹配;若欧式距离大于预设阈值进入SIFT进一步特征提取模块进行再次特征对比,最后采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量,根据最近距离除以次近距离小于阈值,判定为一对匹配点,根据匹配点多少,通过输出模块输出最相似的匹配结果以及两个次相似结果。并根据匹配数给出相似度预测,通过特征的不断匹配及对比,提升了年检标及车辆识别的准确率。
实施例2:
本实施例在实施例1的基础上,公开了YOLO网络模块的一种优选结构,如图3所示,所述YOLO网络模块包括训练单元及检测单元,所述YOLO网络模块对年检标以及车前玻璃位置进行定位的训练及检测如下:
把3000张数据集按照5:1比例分为训练集和测试集,即2500张:500张。
设置batch=32,subdivisions=8。即实际训练一次4个样本。设置height=416,width=416,channels=3,即训练输入图片为416*416大小的彩色图片。momentum=0.9,decay=0.0005权重衰减参数,防止模型震荡不收敛。
选取angle=0,saturation=1.5,exposure=1.5,hue=.1每次迭代训练时,调整图片的饱和度、曝光度、色调、水平或垂直方向的旋转角度,加入噪声干扰,并根据设定值产生新的训练样本。这使得在增加训练集的同时,增强模型的鲁棒性。
设置步进学习率策略及迭代次数,将初始学习率设置为0.001,迭代次数设置为45000。
加入BN(批量归一化)层batch_normalize=1
设置每一层特征图数量,卷积核尺寸,步长,填充。
激活函数选择leak relu
选取预选框anchors=1.08,1.19,3.42,4.41,6.63,11.38,9.42,5.11,16.62,10.52,所述预选框数值可以手工挑选,也可以从训练样本中得到。
损失函数定义如下:
根据
W,H指特征图宽高,而A指的是先验框数目,这里选5,各个λ值是各个loss部分的权重系数。第一项loss是计算background的置信度误差,第二项是计算先验框与预测宽的坐标误差,第三项计算与ground truth匹配的预测框误差值。
先计算各个预测框和所有ground truth的IOU值,并且取最大值,如果该值小于预设阈值0.6,那么这个预测框就标记为background;只在前12800个iterations间计算先验框与预测宽的坐标误差,目的是在训练前期使预测框快速学习到先验框的形状;第三项误差包括坐标误差、置信度误差以及分类误差。
max_batches取45000,训练达到max_batches后停止。
优选的,所述粗定位模块的具体实施步骤如下:
如图4所示,根据YOLO网络模块定位的年检标出现的位置,在输入图象中对应位置裁剪年检标,将输入图像截出的年检标图片统一缩放为固定的尺寸后直接传递给PCA降维处理模块;然后根据车前玻璃定位框和年检标定位框的相对位置,即年检标框中心落在玻璃框的位置,分类为左上,左下,右上,右下四个方位,作为粗分类的依据。这一步存在一个前玻璃定位框中多个年检标定位框检的可能,如果出现则均记录下来。
将训练数据截出的年检标图片将统一缩放为固定的尺寸,本发明中选用了256*256的大小训练数据截出的年检标图片和检测的方位结果截出的原图存入数据库,目的是和对应的PCA处理后图库作为比对。
优选的,本例中粗定位选为4个区域,增加粗定位的定位区域,例如8个也是可以实现的。
实施例3:
本实施例在实施例1的基础上,公开了基于PCA的裁剪年检标图片降维的一种优选结构,如图1所示,所述PCA降维处理模块包括PCA降维单元及KNN匹配单元,所述PCA降维处理模块的具体步骤如下:
在YOLO网络的基础上,对原始3000张数据集处理之后,删除掉部分存在漏检,模糊等现象的图片,产生了2766张有效年检标图片,选取其中较好的2000张作为PCA降维的训练数据。
首先对数据进行零均值处理,根据式计算协方差,X为D*N的矩阵,每一列为一张拉伸为列向量的图片数据。
计算S的特征值,选取M个最大特征值对应的特征向量;
根据Z=UTX得到M维降维数据,并存入数据库,U=[u1…um]为D*M矩阵。Z为M*N矩阵。分析对比了不同的效果后,在本例中M选择为50。
降维后的数据将同原始数据一起存入数据库。
测试过程中使用PCA降维单元产生的均值,和降维矩阵U,测试样本减去训练均值后乘降维矩阵U产生降维后的图像向量。
降维后的图像向量与PCA降维单元中存入数据库中的数据使用K临近法进行欧式距离对比。对比结果将欧式距离作为相似度的度量输出,本例中K选择为10。
若结果小于阈值,对应测试数据返回数据库,即认为数据库中无对应匹配,若大于阈值则将10个最相似图片的原图取出进行更进一步对比。使用PCA作为预对比方案是出于实时性的选择,避免进行大量计算拖慢***运行。
优选的,采用KPCA做预处理,也可实现本发明。
优选的,k临近的搜索范围根据粗分类的结果,在对应的的4个分组中进行,为减少距离计算次数,在对训练数据存储时可使用kd-tree等特殊的结构存储。
实施例4:
本实施例在实施例1的基础上,公开了SIFT进一步特征提取模块的一种优选结构,如图1所示,SIFT进一步特征提取模块具体步骤如下:
首先图片转为灰度图片。
对待检测图片,构建尺度空间,使用产生高斯卷积核,高斯函数与原始图像卷积运算后产生尺度空间,本例此处选择3组,每组3层,卷积尺寸按照3σ原则选择。
扩展每组的层数到6,得到LOG图像。
用其相邻的图像进行相减,得到所有图像重新构造的金字塔就是DOG金字塔,只在组间进行。
寻找DOG极值点。每个像素点与其周围的像素点比较,当其大于或者小于所有相邻点时,即为极值点。
适用泰勒展开式拟合极值点附近的点,寻找真正极值。
利用Hessian矩阵,去除边缘点的影响。
根据
计算极值点3×1.5σ为半径的区域内图像梯度的幅角和幅值,利用直方图统计领域内像素对应的梯度和幅值:梯度方向角为横轴刻度,取45度为一个单位,确定主方向。
以特征点为中心,将特征点附近邻域内图像梯度的位置和方向旋转一个方向角θ,按σ确定,即将输入图像x轴转到与主方向相同的方向。
旋转后的图像中取一个图像区域。并将它等间隔划分成子区域,每个间隔为mσ像元。
每子区域内计算8个方向的梯度方向直方图,统计每个梯度方向的累加值,统计结果作为该特征点的特征矢量;对于特征矢量需要进行高斯加权处理,加权采用标准高斯函数,其中距离为各点相对于特征点的距离。最终形成128维的SIFT特征矢量。
优选的,使用SIFT的改进算法SURF或类似特征提取算法,也可以实现本***。
优选的,所述SIFT进一步特征提取模块输出端与输出模块连接,输出模块具体步骤如下:
PCA筛选出的10张相似图做同样的SIFT特征提取;
采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。取图1的某个关键点,通过遍历找到图像2中的距离最近的两个关键点。在这两个关键点中,如果最近距离除以次近距离小于阈值,则判定为一对匹配点。对比匹配点个数,根据K张相似图中与原图间匹配点数的多少,对K张相似图排序。匹配点数最多的那张图即为最相似的匹配结果,次多的图即为次相似匹配结果。输出最相似与次相似匹配结果,对应的匹配点数量作为相似性的一种度量一起输出且所述匹配点数量以非百分制的形式输出:匹配点的数量越多,相似性越大;匹配点的数量越少,相似性越小。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (10)
1.一种基于车辆年检标的车辆识别匹配***,其特征在于:所述***包括数据模块、YOLO网络模块、粗定位模块、PCA降维处理模块、SIFT进一步特征提取模块、输出模块及数据库;所述数据模块输出端与YOLO网络模块输入端连接,YOLO网络模块输出端与粗定位模块输入端连接,粗定位模块输出端与PCA降维处理模块输入端、数据库输入端连接,数据库输出端与PCA降维处理模块输入端连接,PCA降维处理模块输出端与数据库输入端、SIFT进一步特征提取模块输入端连接,SIFT进一步特征提取模块输出端与数据库输入端、输出模块输入端连接。
2.根据权利要求1所述的一种基于车辆年检标的车辆识别匹配***,其特征在于:所述数据模块数据收集步骤包括:
(1)采用图像收集设备收集训练数据和输入图像;
(2)将训练数据裁剪为统一大小;
(3)根据VOC数据集格式,标注数据,标注内容为年检标位置,以及车前玻璃位置。
3.根据权利要求2所述的一种基于车辆年检标的车辆识别匹配***,其特征在于:所述YOLO网络模块包括训练单元及检测单元,所述训练单元对年检标以及车前玻璃位置进行定位的训练步骤包括:
(1)按比例划分训练数据为训练集与测试集;
(2)设置batch、subdivisions、height、width、channels、momentum、decay相关参数,batch表示一批训练样本的样本数量,batch/subdivisions作为一次性送入训练器的样本数量,height表示图像的高;width表示图像的宽;channels表示图像的通道数,momentum表示动量参数,decay表示权重衰减正则项;
(3)进行迭代训练,调整图片的饱和度angle、曝光度saturation、色调exposure、水平或垂直方向的旋转角度hue,加入噪声干扰,并根据设定值产生新的训练样本;
(4)设置初始学习率策略;加入BN层设置batch_normalize,BN表示批量归一化;batch_normalize表示输出特征图的数量;
(5)选取预选框anchors的数值,anchors表示欲检测目标的定位框。
(6)设置损失函数为
损失函数计算background的置信度误差、先验框与预测宽的坐标误差、先验框与groundtruth匹配的预测框误差值,并将计算得出的误差反向传播至网络各层参数更新网络。
(7)使用训练集训练网络,使用测试集评估网络性能,最后通过循环迭代得到最优网络参数。
4.根据权利要求3所述的一种基于车辆年检标的车辆识别匹配***,其特征在于:所述检测单元对年检标以及车前玻璃位置进行定位的检测步骤包括:
(1)使用训练单元得到的最优网络参数初始化YOLO网络;
(2)将输入图像缩放为统一大小;
(3)将输入图像输入YOLO网络得到年检标位置信息。
5.根据权利要求4所述的一种基于车辆年检标的车辆识别匹配***,其特征在于:所述粗定位模块对定位图像进行处理的步骤包括:
(1)根据年检标框中心落在玻璃框的位置,分类为左上,左下,右上,右下四个方位;
(2)将训练数据截出的年检标图片统一缩放为固定的尺寸后与方位信息一同存入数据库,用作PCA降维处理模块的新训练集。
(3)根据YOLO网络模块定位的年检标出现的位置,在输入图象中对应位置裁剪年检标;
(4)输入图像截出的年检标图片统一缩放为固定的尺寸后直接传递给PCA降维处理模块。
6.根据权利要求5所述的一种基于车辆年检标的车辆识别匹配***,其特征在于:所述PCA降维处理模块包括PCA降维单元及KNN匹配单元,所述PCA降维单元对图像降维的训练步骤包括:
(1)在粗定位模块产生的新训练集中选取有效年检标图片;
(2)对数据进行零均值处理,根据计算协方差;
(3)计算S的特征值,选取M个最大特征值对应的特征向量;
(5)根据Z=UTX得到M维降维数据,并存入数据库。
7.根据权利要求6所述的一种基于车辆年检标的车辆识别匹配***,其特征在于:使用PCA降维单元产生的均值和降维矩阵U,输入图像减去训练均值后乘降维矩阵U产生降维后的图像向量。
8.根据权利要求7所述的一种基于车辆年检标的车辆识别匹配***,其特征在于:所述降维后的图像向量与PCA降维单元中存入数据库中的数据在KNN匹配单元使用K临近法进行欧式距离对比:
若结果小于预先设定的阈值,则认为数据库中无对应匹配;
若结果大于阈值,若大于阈值则将K个最相似图片的原图取出进行更进一步对比。
9.根据权利要求8所述的一种基于车辆年检标的车辆识别匹配***,其特征在于:所述SIFT进一步特征提取模块对图片特征提取步骤包括:
(1)将KNN匹配单元提取出的K个最相似图片的原图转为灰度图片;
(2)根据高斯函数与原始图像卷积运算后构建尺度空间并选择卷积尺寸。
(3)扩展卷积层层数,得到LOG图像;
(4)用LOG图像相邻的图像进行相减,构建DOG金字塔并找寻DOG极值点;
(5)采用泰勒展开式拟合极值点附近的点;
(6)利用Hessian矩阵去除边缘点;
(7)根据 计算极值点为半径的区域内图像梯度的幅角和幅值,利用直方图统计领域内像素对应的梯度和幅值;
(8)以特征点为中心,将特征点附近邻域内图像梯度的位置和方向旋转一个方向角θ,旋转后的图像中取一个图像区域,并将该图像区域等间隔划分成4*4的子区域;
(9)每子区域内计算8个方向的梯度方向直方图,统计每个梯度方向的累加值,统计结果作为该特征点的特征矢量;
(10)对于特征矢量进行高斯加权处理,所有子区域最终形成128维的SIFT特征矢量。
10.根据权利要求9所述的一种基于车辆年检标的车辆识别匹配***,其特征在于:所述输出模块的输出步骤:
(1)PCA筛选出的K张相似图与输入图像一起做SIFT特征提取,采用关键点特征向量的欧式距离来作为输入图像与K张相似图中关键点的相似性判定度量,取输入图像的某个关键点,通过遍历找到每张相似图中的距离最近的两个关键点;
(2)在这两个关键点中,如果最近距离除以次近距离小于阈值,则判定为一对匹配点;
(3)对比匹配点个数,根据K张相似图中与输入图像间匹配点数的多少,对K张相似图排序。
(4)匹配点数最多的那张图即为最相似的匹配结果,次多的图即为次相似匹配结果。
(5)输出最相似与次相似匹配结果,对应的匹配点数量作为相似性的一种度量一起输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089440.1A CN109815953A (zh) | 2019-01-30 | 2019-01-30 | 一种基于车辆年检标的车辆识别匹配*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089440.1A CN109815953A (zh) | 2019-01-30 | 2019-01-30 | 一种基于车辆年检标的车辆识别匹配*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109815953A true CN109815953A (zh) | 2019-05-28 |
Family
ID=66605795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910089440.1A Pending CN109815953A (zh) | 2019-01-30 | 2019-01-30 | 一种基于车辆年检标的车辆识别匹配*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815953A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334676A (zh) * | 2019-07-11 | 2019-10-15 | 山东领能电子科技有限公司 | 一种在局部复原的模糊图片上基于特征描述子比对的小目标检测方法 |
CN110632420A (zh) * | 2019-09-20 | 2019-12-31 | 广州鲁邦通物联网科技有限公司 | RTC模块测试方法、Android设备生产多模块自动化测试方法和装置 |
CN110969604A (zh) * | 2019-11-26 | 2020-04-07 | 北京工业大学 | 一种基于深度学习的智能安防实时开窗检测报警***及方法 |
CN111444840A (zh) * | 2020-03-26 | 2020-07-24 | 中科海微(北京)科技有限公司 | 一种***辆自动检测方法及*** |
CN112560649A (zh) * | 2020-12-09 | 2021-03-26 | 广州云从鼎望科技有限公司 | 一种行为动作检测方法、***、设备及介质 |
CN113378992A (zh) * | 2021-07-07 | 2021-09-10 | 山东建筑大学 | 一种基于位置识别的车辆定位方法及*** |
CN114882469A (zh) * | 2022-04-07 | 2022-08-09 | 淮阴工学院 | 一种基于dl-ssd模型的交通标志检测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170147905A1 (en) * | 2015-11-25 | 2017-05-25 | Baidu Usa Llc | Systems and methods for end-to-end object detection |
CN107506722A (zh) * | 2017-08-18 | 2017-12-22 | 中国地质大学(武汉) | 一种基于深度稀疏卷积神经网络人脸情感识别方法 |
CN108197538A (zh) * | 2017-12-21 | 2018-06-22 | 浙江银江研究院有限公司 | 一种基于局部特征和深度学习的卡口车辆检索***及方法 |
CN108596277A (zh) * | 2018-05-10 | 2018-09-28 | 腾讯科技(深圳)有限公司 | 一种车辆身份识别方法、装置和存储介质 |
US20180300564A1 (en) * | 2017-04-13 | 2018-10-18 | Here Global B.V. | Method, apparatus, and system for a parametric representation of signs |
CN109101924A (zh) * | 2018-08-14 | 2018-12-28 | 武汉大学 | 一种基于机器学习的路面交通标志识别方法 |
-
2019
- 2019-01-30 CN CN201910089440.1A patent/CN109815953A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170147905A1 (en) * | 2015-11-25 | 2017-05-25 | Baidu Usa Llc | Systems and methods for end-to-end object detection |
US20180300564A1 (en) * | 2017-04-13 | 2018-10-18 | Here Global B.V. | Method, apparatus, and system for a parametric representation of signs |
CN107506722A (zh) * | 2017-08-18 | 2017-12-22 | 中国地质大学(武汉) | 一种基于深度稀疏卷积神经网络人脸情感识别方法 |
CN108197538A (zh) * | 2017-12-21 | 2018-06-22 | 浙江银江研究院有限公司 | 一种基于局部特征和深度学习的卡口车辆检索***及方法 |
CN108596277A (zh) * | 2018-05-10 | 2018-09-28 | 腾讯科技(深圳)有限公司 | 一种车辆身份识别方法、装置和存储介质 |
CN109101924A (zh) * | 2018-08-14 | 2018-12-28 | 武汉大学 | 一种基于机器学习的路面交通标志识别方法 |
Non-Patent Citations (4)
Title |
---|
JOSEPH REDMON ET AL: "YOLO9000:Better,Faster,Stronger", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
JOSEPH REDMON ET AL: "You Only Look Once:Unified,Real-Time Object Detection", 《COMPUTER SCIENCE》 * |
张洋: "基于SIFT算法的图像特征点配准技术应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杜森: "车辆再识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334676A (zh) * | 2019-07-11 | 2019-10-15 | 山东领能电子科技有限公司 | 一种在局部复原的模糊图片上基于特征描述子比对的小目标检测方法 |
CN110334676B (zh) * | 2019-07-11 | 2023-06-30 | 山东领能电子科技有限公司 | 一种在局部复原的模糊图片上基于特征描述子比对的小目标检测方法 |
CN110632420A (zh) * | 2019-09-20 | 2019-12-31 | 广州鲁邦通物联网科技有限公司 | RTC模块测试方法、Android设备生产多模块自动化测试方法和装置 |
CN110969604A (zh) * | 2019-11-26 | 2020-04-07 | 北京工业大学 | 一种基于深度学习的智能安防实时开窗检测报警***及方法 |
CN110969604B (zh) * | 2019-11-26 | 2024-02-27 | 北京工业大学 | 一种基于深度学习的智能安防实时开窗检测报警***及方法 |
CN111444840A (zh) * | 2020-03-26 | 2020-07-24 | 中科海微(北京)科技有限公司 | 一种***辆自动检测方法及*** |
CN112560649A (zh) * | 2020-12-09 | 2021-03-26 | 广州云从鼎望科技有限公司 | 一种行为动作检测方法、***、设备及介质 |
CN113378992A (zh) * | 2021-07-07 | 2021-09-10 | 山东建筑大学 | 一种基于位置识别的车辆定位方法及*** |
CN113378992B (zh) * | 2021-07-07 | 2023-11-21 | 山东建筑大学 | 一种基于位置识别的车辆定位方法及*** |
CN114882469A (zh) * | 2022-04-07 | 2022-08-09 | 淮阴工学院 | 一种基于dl-ssd模型的交通标志检测方法及*** |
CN114882469B (zh) * | 2022-04-07 | 2023-08-25 | 淮阴工学院 | 一种基于dl-ssd模型的交通标志检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815953A (zh) | 一种基于车辆年检标的车辆识别匹配*** | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
Al Bashish et al. | Detection and classification of leaf diseases using K-means-based segmentation and | |
CN105427314B (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
CN104134071B (zh) | 一种基于颜色描述的可变形部件模型物体检测方法 | |
CN108052940A (zh) | 基于深度学习的sar遥感图像水面目标检测方法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN109284704A (zh) | 基于cnn的复杂背景sar车辆目标检测方法 | |
CN110210463A (zh) | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 | |
CN108960198A (zh) | 一种基于残差ssd模型的交通标志检测与识别方法 | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
CN109711288A (zh) | 基于特征金字塔和距离约束fcn的遥感船舶检测方法 | |
CN102324032B (zh) | 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 | |
CN104573744B (zh) | 精细粒度类别识别及物体的部分定位和特征提取方法 | |
CN107506703A (zh) | 一种基于无监督局部度量学习和重排序的行人再识别方法 | |
CN110009010A (zh) | 基于兴趣区域重检测的宽幅光学遥感目标检测方法 | |
CN109978822A (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN107679509A (zh) | 一种小环藻识别方法及装置 | |
CN104751475B (zh) | 一种面向静态图像对象识别的特征点优选匹配方法 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
CN108229551A (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 |
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: 20190528 |