CN109871728A - 一种车型识别方法及装置 - Google Patents
一种车型识别方法及装置 Download PDFInfo
- Publication number
- CN109871728A CN109871728A CN201711249275.9A CN201711249275A CN109871728A CN 109871728 A CN109871728 A CN 109871728A CN 201711249275 A CN201711249275 A CN 201711249275A CN 109871728 A CN109871728 A CN 109871728A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- feature
- identified
- image
- key
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车型识别方法及装置。所述方法包括:根据获取到的待识别车辆的轮廓坐标数据确定车辆外观特征数据;根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;获取待识别车辆的图像,并根据所述确定的车辆关键图像特征的坐标范围数据从所述待识别车辆的图像中定位出关键特征图片;根据所述车辆外观特征数据以及所述关键特征图片,利用预设的车型识别模型对所述待识别车辆进行车型识别,得到所述待识别车辆的车型识别结果。本发明提供的方法简化了图像处理算法,提高了车型识别成功率。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种车型识别方法及装置。
背景技术
安装于不停车电子收费***(Electronic Toll Collection,ETC)车道上的路侧单元通过与车辆电子标签(On board Unit,OBU)通信,获取车辆的入口信息和车型、车牌信息,实现电子不停车收费,大大提高了车辆通行效率,同时节省了人工成本。
由于高速公路上的收费标准是以车型来区分的,车型信息写在OBU里面,ETC车道又是无人值守,一些运营公司将小型车的电子标签连带玻璃一起切割下来安装在中、大型客车上,同时更换车牌,来减少过高速的费用;同时还有一些长途车通过在服务区从不法分子手上购买短途的OBU和车牌,再从ETC车道通行来减少通行费用;因此需要在ETC车道中安装车型识别设备配合ETC天线使用。
传统的基于视频抓拍车型识别器,其识别车型的主要步骤是先采用背景差分法提取运动目标车辆,再对图像序列进行灰度化、平滑去噪、边缘检测、关键特征提取、车辆外观尺寸计算等一系列的图像处理过程,最后再采用训练好的车型识别模型对车辆的关键特征进行分类来得出车型。但是在实际应用中,由于光线、气候以及噪声的等方面的因素,使得采用背景模型的建立、关键特征提取等图像处理步骤比较复杂,而且精度也不高,直接影响到了后面车型识别结果。
传统的基于激光扫描车型识别方法,其识别车型的主要依据是通过实时采集车道内通行车辆的坐标数据,计算出该车的车长、车高、车宽等外观特征数据作为特征向量,然后再采用训练好的车型识别模型对这些特征向量进行分类来得出车型,其优点是受外界环境因素的影响很小,且识别精度较高。但是目前市场的汽车品牌种类众多,而且车型的分类标准里面也并没有与车辆的外观尺寸等数据直接挂钩,因此对于一些尺寸较特殊车辆的车型的识别并不理想,而且缺少车辆图像特征的数据,无法给出车辆的具体车款型号,对于ETC车道内长途车更换短途OBU和车牌的作弊行为无能为力。
因此,如何提出一种方法,能够提高车型整体的识别精度,成为亟待解决的问题。
发明内容
针对现有技术中的缺陷,本发明实施例提供了一种车型识别方法及装置。
第一方面,本发明实施例提供一种车型识别方法,包括:
根据获取到的待识别车辆的轮廓坐标数据确定车辆外观特征数据;
根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;
获取待识别车辆的图像,并根据所述确定的车辆关键图像特征的坐标范围数据从所述待识别车辆的图像中定位出关键特征图片;
根据所述车辆外观特征数据以及所述关键特征图片,利用预设的车型识别模型对所述待识别车辆进行车型识别,得到所述待识别车辆的车型识别结果。
第二方面,本发明实施例提供一种车型识别装置,包括:
第一确定模块,用于根据获取到的待识别车辆的轮廓坐标数据确定车辆外观特征数据;
第二确定模块,用于根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;
定位模块,用于获取待识别车辆的图像,并根据所述确定的车辆关键图像特征的坐标范围数据从所述待识别车辆的图像中定位出关键特征图片;
识别模块,用于根据所述车辆外观特征数据以及所述关键特征图片,利用预设的车型识别模型对所述待识别车辆进行车型识别,得到所述待识别车辆的车型识别结果。
本发明实施例提供的车型识别方法及装置,通过结合了车型外观参数与关键特征参数,可以快速从图像中定位出目标车辆及车辆的关键特征图片,从而根据训练好的车型识别模型对车辆特征进行分类识别,输出车型识别结果。本发明实施例提供的方法及装置,其相比于单独使用视频车型识别方法,不受光线、环境等外界因素的影响,大大减小了图像处理算法的复杂度,对车辆外观尺寸等特征计算精度更高,车型识别率更高。相比于单独使用激光车型识别方法,能够提高对尺寸特殊车型的识别率,同时提供了具体车款型号,能处理长途车换短途OBU和车牌的作弊行为。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,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为本发明实施例提供的车型识别方法的流程示意图;
图2为本发明又一实施例提供的车型识别***的结构示意图;
图3为本发明又一实施例提供的车型识别***的结构示意图;
图4为本发明实施例提供的车型识别装置的结构示意图。
附图标记说明:
02-01—激光传感器; 02-02—视频抓拍识别器; 02-03—ETC天线;
04—后台数据处理模块; 05—ETC收费软件模块; 06—岗亭;
07—拦杆机; 02-08—L杆; 09—车辆;
03-01—光栅组; 03-02—光栅组; 03-08—ETC天线;
03-09—L杆; 03-03—视频抓拍识别器。
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。
图1为本发明实施例提供的车型识别方法的流程示意图,如图1所示,所述方法包括:
S101、根据获取到的待识别车辆的轮廓坐标数据确定车辆外观特征数据;
S102、根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;
S103、获取待识别车辆的图像,并根据所述确定的车辆关键图像特征的坐标范围数据从所述待识别车辆的图像中定位出关键特征图片;
S104、根据所述车辆外观特征数据以及所述关键特征图片,利用预设的车型识别模型对所述待识别车辆进行车型识别,得到所述待识别车辆的车型识别结果。
具体地,本发明实施例提供的车型识别的***至少包括车辆位置检测器、视频识别器、图像处理模块及其他组成部分,其中:
车辆位置检测器实时采集进入车道内的待识别车辆的车辆轮廓坐标数据,并根据轮廓坐标计算出车辆关键图像特征的坐标范围数据,以及车辆外观特征数据,并将数据传给图像处理模块,其中,所述的车辆位置检测器包括激光扫描器、红外探测仪、微波雷达、光栅、线圈等设备中的一种。
当车辆位置检测器检测到有车辆进入到车道后,且车头位置进入最佳触发抓拍的范围内,就发送触发信号给视频识别器,视频识别器在接收到车辆位置检测器发送的触发信号后,抓拍待识别车辆的图像。
图像处理模块根据车辆位置检测器给出的车辆关键图像特征的坐标范围数据和视频识别器所抓拍的待识别车辆的图像,快速从图像中定位出车辆的关键特征图片,其中,也可以从待识别车辆的图像中识别出整个的目标车辆,但是在本发明实施例中不做具体的介绍;
根据所述车辆外观特征数据以及所述关键特征图片,图像处理模块利用预设的车型识别模型对所述待识别车辆进行车型识别,得到所述待识别车辆的车型识别结果。
需要说明的是,视频识别器与车辆位置检测器需要预先进行时间同步,保证每一次的图像处理模块处理的坐标数据与图像信息是同一时刻采集到的。
图像处理模块可以集成到车辆位置检测器或视频识别器中,也可以单独设定一个模块,与车辆位置检测器或视频识别器是分立的。
需要说明的是,步骤101和步骤102在具体实施的过程中没有先后的时间顺序,也可以同时执行上述两个步骤。
所述训练好的车型识别模型是指以车辆关键图像特征图片和外观特征数据为特征向量,通过机器学习相关算法对大量的车辆样本数据进行训练获得。
车型识别模块中的车型识别模型是根据车标、前车大灯、前雾灯、进气栅、前保险杠、车长、车高、车宽、前挡风玻璃角度来构建特征向量,采取基于神经网络和决策树结合的分类算法对大量各种类型车辆的数据样本训练得到。车型识别模块在获取到图像处理模块给出的车辆关键图像特征图片和外观特征数据后,根据车型分类模型,可以得出检测车辆的车型,以及具体的车辆品牌和型号等数据。
本发明实施例提供的车型识别方法,通过结合了车型外观参数与关键特征参数,可以快速从图像中定位出目标车辆及车辆的关键特征图片,从而根据训练好的车型识别模型对车辆特征进行分类识别,输出车型识别结果。本发明实施例提供的方法,其相比于单独使用视频车型识别方法,不受光线、环境等外界因素的影响,大大减小了图像处理算法的复杂度,对车辆外观尺寸等特征计算精度更高,车型识别率更高。相比于单独使用激光车型识别方法,能够提高对尺寸特殊车型的识别率,同时提供了具体车款型号,能处理长途车换短途OBU和车牌的作弊行为。
可选地,所述车辆关键图像特征包括:车辆的车标、前车大灯、前雾灯、后视镜、进气栅和前保险杠的至少一个。
在上述实施例的基础上,所述的车辆关键图像特征包括车辆的车标、前车大灯、前雾灯、后视镜、进气栅、前保险杠等部件中的至少一种,在实际的运用过程,可根据用户的需求,对车辆关键图像特征进行自行设定,本发明实施例不做具体限定。若设定的车辆关键图像特征的个数越多,车型的识别的准确度越高。
可选地,所述车辆外观特征数据包括车辆的车长、车高、车宽和前挡风玻璃角度中的至少一个。
在上述实施例的基础上,所述的车辆外观特征数据包括车辆的车长、车高、车宽、前挡风玻璃角度等数据中的至少一种;在实际的运用过程,可根据用户的需求,对车辆外观特征数据的个数进行自行设定,本发明实施例不做具体限定。若设定的车辆外观特征数据的个数越多,对车型的识别的准确度越高。
可选地,所述获取待识别车辆的图像,并根据所述确定的车辆关键图像特征的坐标范围从所述待识别车辆的图像中定位出关键特征图片具体为:
根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;
根据预先设定好的坐标值与像素点的转换公式,将所述关键图像特征的坐标范围数据转换成所述关键图像特征的像素点集合;
根据所述关键图像的像素点集合,从所述待识别车辆的图像中提取出包含关键特征图像的图片;
根据关键部件的特征,将所述关键部件从所述包含关键特征图像的图片中,利用图像特征提取算法,得到所述关键部件的关键特征图片。
在上述实施例的基础上,图像处理模块根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据,首先根据预先设定好的坐标值与像素点的相互转换公式,把各个关键部件的坐标集合转换成像素点集合,然后从视频识别器抓拍的待识别车辆的图像中根据各个部件的像素点集合,识别出关键特征图片。
其中,图像处理模块收到车辆位置检测器的关键图像特征的坐标范围后,需要根据实际坐标和图像像素转换公式,将实际坐标范围转换成图片上的像素点坐标范围的集合。
根据关键图像的像素点集合,从所述待识别车辆的图像中生成关键图像图片,并根据每个不同的关键部件的特征,采用图像分割及边缘特征提取等算法,将各个部件从所述关键特征图像中识别出来,得到所述关键部件的关键特征图片。
其中,所采用的图片的识别技术可采用现有技术中的任何技术,在此不做限定。
本发明实施例提供的车型识别方法,通过结合了车型外观参数与关键特征参数,可以快速从图像中定位出目标车辆及车辆的关键特征图片,从而根据训练好的车型识别模型对车辆特征进行分类识别,输出车型识别结果。本发明实施例提供的方法,其相比于单独使用视频车型识别方法,不受光线、环境等外界因素的影响,大大减小了图像处理算法的复杂度,对车辆外观尺寸等特征计算精度更高,车型识别率更高。相比于单独使用激光车型识别方法,能够提高对尺寸特殊车型的识别率,同时提供了具体车款型号,能处理长途车换短途OBU和车牌的作弊行为。
下面通过具体的实施例来说明本发明的技术方案。
图2为本发明又一实施例提供的车型识别***的结构示意图,如图2所示。其中激光传感器02-01与ETC天线02-03都安装于L杆08的顶部,视频识别器02-02位于车道的安全岛一侧,视频识别器的数据处理单元04与ETC收费软件单元05放置在岗亭06里面,拦杆机07位于岗亭06后方。其中激光传感器02-01和视频抓拍识别器02-02都与视频识别器的数据处理单元04连接,ETC天线02-03和拦杆机07都与ETC收费软件单元05连接,视频识别器的数据处理单元04与ETC收费软件单元连接。
具体的车型识别方法如下:
步骤S1,将车辆位置检测器与视频识别器进行相关标定;
在本实施例中,激光传感器02-01安装于车道的正上方,视频识别器安装于车道一侧安全岛上,测量激光传感器的安装高度、激光传感器到抓拍摄像头的距离、抓拍摄像头的安装高度和角度等数据,然后在车道上选择特定的多组标定点并放置物体,并用激光传感器扫描检测这些物体的三维坐标值,用视频识别器抓拍图像后确定这些物体在图像内的像素点坐标,根据激光传感器和视频识别器测量的标定点的物体的坐标值和像素点坐标,并结合之前测量的激光传感器与视频识别器的安装位置等数据,得出车道内的三维坐标值与像素点坐标的相互转换公式。
根据实际采集的车辆轮廓坐标数据,计算出车辆关键图像特征的坐标范围,并根据已经设定好的三维坐标值与像素点的转换公式,计算出关键图像的像素值。
步骤S2,对车辆位置检测器与视频识别器的时间进行同步。
实施例中,当激光传感器检测到有车辆进入车道,且车头位置近入最佳触发抓拍范围内后,通过输出I/O触发信号给视频识别器,激光传感器给出I/O触发信号后等待m个时钟节拍后开始采集当前时间点的车辆的三维坐标数据,视频识别器在收到I/O触发信号后等待n个时钟节拍后开始进行抓拍图像,其中m=n+△t,其中△t为I/O触发的延时时间。
其中,触发抓拍范围可以是任何的长度,但是在摄像头正前方3米到8米作为最佳的触发抓拍范围。
步骤S3,车辆位置检测器实时采集车道内车辆的轮廓坐标数据,并根据轮廓坐标计算出车辆关键图像特征的大致坐标范围,以及车辆外观特征数据,并将数据传给图像处理模块。
在本实施例中,ETC车道的宽3米,激光传感器安装于车道正上方,以激光传感器在车道地面正下方扫描点为三维坐标轴的原点,通过激光传感器在车道采集到的三维坐标点为(X1,Y1,Z1)~(Xn,Yn,Zn),其中满足-1.5m<Xk<1.5m,且Zk>0的点为车道内车辆三维轮廓的坐标点集合A,在坐标点集合A中,Xmin为X轴上最小值,Xmax为X轴上的最大值,Ymin为Y轴上最小值,Ymax为Y轴上的最大值,Zmax为Z轴上的最大值,由此可得出车长lenth=Ymax-Ymin,车高hight=Zmax,车宽wide=Xmax-Xmin;
车辆的关键图像特征的大致坐标范围绝大部分都集中在车辆的前脸上,因此可以再从坐标集合A中取出满足Ym-Ymin<0.5的坐标集合B来表示车辆的前脸部分,然后再根据各个部件在汽车前脸的大致分布位置,来确定各部件的坐标集合,如车标的大致坐标集合范围为集合B中满足-0.3<|(Xmax-Xmin)/2|<0.3坐标点。在计算出各个车辆关键图像特征的大致坐标范围,以及车辆外观特征数据后,将数据传给图像处理模块。
在此实施例中,车辆位置检测器可以与图像处理模块集成,也可以独立于图像处理模块。
步骤S4,图像处理模块根据车辆位置检测器给出的数据和其所拍图像,快速从图像中提取出车辆的关键特征图片;
实施例中,视频识别器的图像处理模块获取到激光传感器给出的数据后,首先根据三维坐标值与像素点坐标的相互转换公式,把各个部件的坐标集合转换成像素点集合,然后从原始抓拍图片中根据各个部件的像素点集合,分别生成包含各个部件的小图片,再根据各个部件的特征,采用图像分割及边缘特征提取等算法,将各个部件从各自的小图片中扣出来。
步骤S5,车型识别模块使用训练好的车型识别模型对车辆特征进行分类识别,输出车型识别结果。
实施例中,车型识别模块中的车型识别模型是根据车标、前车大灯、前雾灯、进气栅、前保险杠、车长、车高、车宽、前挡风玻璃角度来构建特征向量,采取基于神经网络和决策树结合的分类算法对大量各种类型车辆的数据样本训练得到。车型识别模块在获取到图像处理模块给出的车辆关键图像特征图片和外观特征数据后,根据车型分类模型,可以得出检测车辆的车型,以及具体的车辆品牌和型号等数据。
对于通过ETC车道的车辆,可以根据OBU里面读出的车型、车长、车高以及车辆品牌等信息,与车型识别模块得出的信息进行对比,可以判断大车小标,OBU与车辆不匹配等作弊行为。
图3为本发明又一实施例提供的车型识别***的结构示意图,如图3所示。
在本实施例中采用车辆位置检测器为光栅,其中光栅组03-01和光栅组03-02安装在安全岛两侧,两组光栅之间的距离为0.5米,视频识别器03-03和ETC天线03-08安装于L杆03-09上,数据处理单元04与ETC收费软件单元05放置在岗亭06里面,拦杆机07位于岗亭06后方。其中光栅组03-01、光栅组03-02和视频抓拍识别器03-03都与数据处理单元04连接,ETC天线03-08和拦杆机07都与ETC收费软件单元05连接,数据处理单元04与ETC收费软件单元05连接。
下面对本发明实施例提供的一种基于车辆位置检测和图像处理的车型识别方法各步骤作详细说明。
步骤S11,将车辆位置检测器与视频识别器进行相关标定;
实施例中,ETC车道的宽为3米,以抓拍摄像头在ETC车道地面的投影点为原点,垂直ETC车道方向为X轴构建二维坐标系,测试两组光栅在Y轴上的位置Y1和Y2,并在(Y1-0.25)~(Y2+0.25)的范围内选取多组标定点并放置物体,并测量这些标定点的坐标值,用视频识别器抓拍图像后确定这些标定点物体在图像内的像素点坐标,然后根据各个标定位置的二维坐标和像素点坐标,计算出二维坐标与像素点坐标的转换公式。
步骤S21,对车辆位置检测器与视频识别器的时间进行同步。
实施例中,采用光栅对视频识别器进行触发抓拍,两组光栅可以通过触发的先后顺序及时间差t0来判定车辆的行驶方向和速度v=0.5/t0,光栅的触发延时为t1,视频识别器的抓拍延时为t2。
步骤S31,车辆位置检测器实时采集车道内车辆的轮廓坐标数据,并根据轮廓坐标计算出车辆关键图像特征的大致坐标范围,以及车辆外观特征数据,并将数据传给视频识别器的图像处理模块。
实施例中,当车辆的车头到经过光栅组2时,可以得出此时车头的Y坐标为Y2,由于光栅与视频抓拍器都存在延时,获取的抓拍图像的实际车头位置为Y3=Y2-v*(t1+t2),其前脸的图像特征所在实际坐标可定义为Y=Y3~(Y3+0.5)的坐标集合A,同样,在车头到达光栅组1时,可得到此时抓拍图像的前脸的图像特征的实际坐标可定义为Y=Y4~(Y4+0.5)的坐标集合B,其中的Y4=Y1-v*(t1+t2),车辆通过光栅组2的时间为t3,因此车辆长度lenth=v*t3。其前脸的关键部件的坐标范围可根据汽车各部件的分布情况可通过限定X轴的取值再进一步细化,如车标的范围可限定X轴在-0.5~0.5之间。
步骤S41,图像处理模块根据车辆位置检测器给出的数据和视频识别器所拍图像,快速从图像中提取出车辆的关键特征图片;
实施例中,图像处理模块获取到坐标集合A和B,可以配合各自的抓拍图片进行两次识别。以其中集合A为例,首先根据坐标值与像素点坐标的相互转换公式,把各个部件的坐标集合转换成像素点集合,然后从原始抓拍图片中根据各个部件的像素点集合,分别生成包含各个部件的小图片,再根据各个部件的特征,采用图像分割及边缘特征提取等算法,将各个部件从各自的小图片中抠出来。
步骤S51,车型识别模块使用训练好的车型识别模型对车辆特征进行分类识别,输出车型识别结果。
实施例中,车型识别模块中的车型识别模型是根据车标、前车大灯、前雾灯、进气栅、车长来构建特征向量,采取基于神经网络和决策树结合的分类算法对大量各种类型车辆的数据样本训练得到。车型识别模块在获取到图像处理模块给出的车辆关键图像特征图片和外观特征数据后,根据车型分类模型,可以得出检测车辆的车型,以及具体的车辆品牌和型号等数据。
对于通过ETC车道的车辆,可以根据OBU里面读出的车型、车长、车辆品牌等信息,与车型识别模块得出的信息进行对比,可以判断大车小标,OBU与车辆不匹配等作弊行为。
综上所述,本发明实施例提供的一种基于车辆位置检测和图像处理的车型识别方法,结合了激光车型识别与视频车型识别的优点,其相比于单独使用视频车型识别方法,不受光线、环境等外界因素的影响,大减小了图像处理算法的复杂度,对车辆外观尺寸等特征计算精度更高,车型识别率更高;其相比于单独使用激光车型识别方法,增加了车辆的一些关键特征,对于尺寸较特殊的车型识别准确率有较大的提升,同时能提供车辆的具体车款型号等信息,对于ETC车道中长途车更换短途OBU和车牌的作弊行为也能识别。
图4为本发明实施例提供的车型识别装置的结构示意图,如图4所示,所述装置包括:第一确定模块10、第二确定模块20、定位模块30和识别模块40,其中:
第一确定模块10用于根据获取到的待识别车辆的轮廓坐标数据确定车辆外观特征数据;
第二确定模块20用于根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;
定位模块30用于获取待识别车辆的图像,并根据所述确定的车辆关键图像特征的坐标范围数据从所述待识别车辆的图像中定位出关键特征图片;
识别模块40用于根据所述车辆外观特征数据以及所述关键特征图片,利用预设的车型识别模型对所述待识别车辆进行车型识别,得到所述待识别车辆的车型识别结果。
具体地,第一确定模块10用于根据获取到的待识别车辆的轮廓坐标数据确定车辆外观特征数据;第二确定模块20用于根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;定位模块30用于获取待识别车辆的图像,并根据所述确定的车辆关键图像特征的坐标范围数据从所述待识别车辆的图像中定位出关键特征图片;识别模块40用于根据所述车辆外观特征数据以及所述关键特征图片,利用预设的车型识别模型对所述待识别车辆进行车型识别,得到所述待识别车辆的车型识别结果。
本发明实施例提供的车型识别装置,通过结合了车型外观参数与关键特征参数,可以快速从图像中定位出目标车辆及车辆的关键特征图片,从而根据训练好的车型识别模型对车辆特征进行分类识别,输出车型识别结果。其相比于单独使用视频车型识别方法,不受光线、环境等外界因素的影响,大大减小了图像处理算法的复杂度,对车辆外观尺寸等特征计算精度更高,车型识别率更高。相比于单独使用激光车型识别方法,能够提高对尺寸特殊车型的识别率,同时提供了具体车款型号,能处理长途车换短途OBU和车牌的作弊行为。
可选地,所述车辆关键图像特征包括:车辆的车标、前车大灯、前雾灯、后视镜、进气栅和前保险杠的至少一个。
在上述实施例的基础上,所述的车辆关键图像特征包括车辆的车标、前车大灯、前雾灯、后视镜、进气栅、前保险杠等部件中的至少一种,在实际的运用过程,可根据用户的需求,对车辆关键图像特征进行自行设定,本发明实施例不做具体限定。若设定的参数的个数越多,对车型的识别的准确度越高。
可选地,所述车辆外观特征数据包括车辆的车长、车高、车宽和前挡风玻璃角度中的至少一个。
在上述实施例的基础上,所述的车辆外观特征数据包括车辆的车长、车高、车宽、前挡风玻璃角度等数据中的至少一种;在实际的运用过程,可根据用户的需求,对车辆外观特征数据进行自行设定,本发明实施例不做具体限定。若设定的参数的个数越多,对车型的识别的准确度越高。
可选地,所述定位模块具体为:
根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;
根据预先设定好的坐标值与像素点的转换公式,将所述关键图像特征的坐标范围数据转换成所述关键图像特征的像素点集合;
根据所述关键图像的像素点集合,从所述待识别车辆的图像中提取出包含关键特征图像的图片;
根据关键部件的特征,将所述关键部件从所述包含关键特征图像的图片中,利用图像特征提取算法,得到所述关键部件的关键特征图片。
在上述实施例的基础上,图像处理模块根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据,首先根据预先设定好的三维坐标值与像素点坐标的相互转换公式,把各个部件的坐标集合转换成像素点集合,然后从视频识别器抓拍的待识别车辆的图像中根据各个部件的像素点集合,识别出关键特征图片。
其中,图像处理模块收到车辆位置检测器的关键图像特征的坐标范围后,需要根据实际坐标和图像像素转换公式,将实际坐标范围转换成图片上的像素点坐标范围的集合。
根据关键图像的像素点集合,从所述待识别车辆的图像中生成关键图像图片,并根据每个不同的关键部件的特征,采用图像分割及边缘特征提取等算法,将各个部件从所述关键特征图像中识别出来,得到所述关键部件的关键特征图片。
其中,所采用的图片的识别技术可采用现有技术中的任何技术,在此不做限定。
本发明实施例提供的车型识别装置,通过结合了车型外观参数与关键特征参数,可以快速从图像中定位出目标车辆及车辆的关键特征图片,从而根据训练好的车型识别模型对车辆特征进行分类识别,输出车型识别结果。其相比于单独使用视频车型识别方法,不受光线、环境等外界因素的影响,大大减小了图像处理算法的复杂度,对车辆外观尺寸等特征计算精度更高,车型识别率更高。相比于单独使用激光车型识别方法,能够提高对尺寸特殊车型的识别率,同时提供了具体车款型号,能处理长途车换短途OBU和车牌的作弊行为。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所描述的装置以及***实施例仅仅是示意性的,其中所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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
Claims (8)
1.一种车型识别方法,其特征在于,包括:
根据获取到的待识别车辆的轮廓坐标数据确定车辆外观特征数据;
根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;
获取待识别车辆的图像,并根据所述确定的车辆关键图像特征的坐标范围数据从所述待识别车辆的图像中定位出关键特征图片;
根据所述车辆外观特征数据以及所述关键特征图片,利用预设的车型识别模型对所述待识别车辆进行车型识别,得到所述待识别车辆的车型识别结果。
2.根据权利要求1所述的方法,其特征在于,所述车辆关键图像特征包括:车辆的车标、前车大灯、前雾灯、后视镜、进气栅和前保险杠的至少一个。
3.根据权利要求1所述的方法,其特征在于,所述车辆外观特征数据包括车辆的车长、车高、车宽和前挡风玻璃角度中的至少一个。
4.根据权利要求1所述的方法,其特征在于,所述获取待识别车辆的图像,并根据所述确定的车辆关键图像特征的坐标范围从所述待识别车辆的图像中定位出关键特征图片具体为:
根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;
根据预先设定好的坐标值与像素点的转换公式,将所述关键图像特征的坐标范围数据转换成所述关键图像特征的像素点集合;
根据所述关键图像的像素点集合,从所述待识别车辆的图像中提取出包含关键特征图像的图片;
根据关键部件的特征,将所述关键部件从所述包含关键特征图像的图片中,利用图像特征提取算法,得到所述关键部件的关键特征图片。
5.一种车型识别装置,其特征在于,包括:
第一确定模块,用于根据获取到的待识别车辆的轮廓坐标数据确定车辆外观特征数据;
第二确定模块,用于根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;
定位模块,用于获取待识别车辆的图像,并根据所述确定的车辆关键图像特征的坐标范围数据从所述待识别车辆的图像中定位出关键特征图片;
识别模块,用于根据所述车辆外观特征数据以及所述关键特征图片,利用预设的车型识别模型对所述待识别车辆进行车型识别,得到所述待识别车辆的车型识别结果。
6.根据权利要求5所述的装置,其特征在于,所述车辆关键图像特征包括:车辆的车标、前车大灯、前雾灯、后视镜、进气栅和前保险杠的至少一个。
7.根据权利要求5所述的装置,其特征在于,所述车辆外观特征数据包括车辆的车长、车高、车宽和前挡风玻璃角度中的至少一个。
8.根据权利要求5所述的装置,其特征在于,所述定位模块具体为:
根据所述获取到的待识别车辆的轮廓坐标数据确定车辆关键图像特征的坐标范围数据;
根据预先设定好的坐标值与像素点的转换公式,将所述关键图像特征的坐标范围数据转换成所述关键图像特征的像素点集合;
根据所述关键图像的像素点集合,从所述待识别车辆的图像中提取出包含关键特征图像的图片;
根据关键部件的特征,将所述关键部件从所述包含关键特征图像的图片中,利用图像特征提取算法,得到所述关键部件的关键特征图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711249275.9A CN109871728B (zh) | 2017-12-01 | 2017-12-01 | 一种车型识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711249275.9A CN109871728B (zh) | 2017-12-01 | 2017-12-01 | 一种车型识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871728A true CN109871728A (zh) | 2019-06-11 |
CN109871728B CN109871728B (zh) | 2020-11-13 |
Family
ID=66914112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711249275.9A Active CN109871728B (zh) | 2017-12-01 | 2017-12-01 | 一种车型识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871728B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378321A (zh) * | 2019-08-12 | 2019-10-25 | 乌鲁木齐明华智能电子科技有限公司 | 一种基础深度神经网络的车辆识别与抓拍技术 |
CN110491133A (zh) * | 2019-08-08 | 2019-11-22 | 横琴善泊投资管理有限公司 | 一种基于置信度的车辆信息校正***和方法 |
CN111325146A (zh) * | 2020-02-20 | 2020-06-23 | 吉林省吉通信息技术有限公司 | 一种货车车型和轴型识别方法和*** |
CN111397712A (zh) * | 2020-04-16 | 2020-07-10 | 辽宁金洋集团信息技术有限公司 | 防称量作弊的货运车辆地磅监控方法 |
CN111942207A (zh) * | 2020-08-14 | 2020-11-17 | 高丰 | 一种基于大数据的电动汽车智能充电管理*** |
CN112115737A (zh) * | 2019-06-19 | 2020-12-22 | 初速度(苏州)科技有限公司 | 一种车辆朝向的确定方法、装置及车载终端 |
CN112697066A (zh) * | 2020-12-02 | 2021-04-23 | 王刚 | 车辆部件定位方法、装置及计算机存储介质 |
CN113312945A (zh) * | 2020-02-27 | 2021-08-27 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、电子设备及可读存储介质 |
CN113657462A (zh) * | 2021-07-28 | 2021-11-16 | 讯飞智元信息科技有限公司 | 用于训练车辆识别模型的方法、车辆识别方法和计算设备 |
WO2023081870A1 (en) * | 2021-11-08 | 2023-05-11 | Kinetic Automation Inc. | System and method for automated extrinsic calibration of lidars, cameras, radars and ultrasonic sensors on vehicles and robots |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0626655B1 (en) * | 1993-05-25 | 2001-10-24 | Matsushita Electric Industrial Co., Ltd. | Vehicle recognition apparatus |
CN203165036U (zh) * | 2012-12-05 | 2013-08-28 | 上海海事大学 | 基于激光雷达的车型自动识别装置 |
CN104064030A (zh) * | 2014-07-01 | 2014-09-24 | 武汉万集信息技术有限公司 | 一种车型识别方法及*** |
CN104091151A (zh) * | 2014-06-30 | 2014-10-08 | 南京信息工程大学 | 基于Gabor特征提取和稀疏表示的车辆识别方法 |
CN104616362A (zh) * | 2015-02-12 | 2015-05-13 | 北京万集科技股份有限公司 | 车载电子标签的反作弊发行方法及移动终端 |
CN204632107U (zh) * | 2015-05-21 | 2015-09-09 | 武汉万集信息技术有限公司 | 一种基于扫描式激光测距仪的组合型车型识别*** |
CN105426899A (zh) * | 2014-09-19 | 2016-03-23 | 腾讯科技(北京)有限公司 | 车辆识别方法、装置和客户端 |
CN105488855A (zh) * | 2015-11-24 | 2016-04-13 | 东南大学 | 车型识别在etc***中的应用方法及etc*** |
US20160187465A1 (en) * | 2014-12-30 | 2016-06-30 | Hyundai Mobis Co., Ltd. | System and method for correcting vehichle tracing-position of radar sensor using laser scanner |
CN205827662U (zh) * | 2016-06-28 | 2016-12-21 | 武汉万集信息技术有限公司 | 一种基于激光车型识别的etc防作弊稽查装置 |
CN205827664U (zh) * | 2016-07-18 | 2016-12-21 | 武汉万集信息技术有限公司 | 一种基于rfid、激光与视频的车辆限行监管*** |
CN106980837A (zh) * | 2017-03-29 | 2017-07-25 | 广西信路威科技发展有限公司 | 一种基于车辆特征信息分析的车型识别方法及*** |
-
2017
- 2017-12-01 CN CN201711249275.9A patent/CN109871728B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0626655B1 (en) * | 1993-05-25 | 2001-10-24 | Matsushita Electric Industrial Co., Ltd. | Vehicle recognition apparatus |
CN203165036U (zh) * | 2012-12-05 | 2013-08-28 | 上海海事大学 | 基于激光雷达的车型自动识别装置 |
CN104091151A (zh) * | 2014-06-30 | 2014-10-08 | 南京信息工程大学 | 基于Gabor特征提取和稀疏表示的车辆识别方法 |
CN104064030A (zh) * | 2014-07-01 | 2014-09-24 | 武汉万集信息技术有限公司 | 一种车型识别方法及*** |
CN105426899A (zh) * | 2014-09-19 | 2016-03-23 | 腾讯科技(北京)有限公司 | 车辆识别方法、装置和客户端 |
US20160187465A1 (en) * | 2014-12-30 | 2016-06-30 | Hyundai Mobis Co., Ltd. | System and method for correcting vehichle tracing-position of radar sensor using laser scanner |
CN104616362A (zh) * | 2015-02-12 | 2015-05-13 | 北京万集科技股份有限公司 | 车载电子标签的反作弊发行方法及移动终端 |
CN204632107U (zh) * | 2015-05-21 | 2015-09-09 | 武汉万集信息技术有限公司 | 一种基于扫描式激光测距仪的组合型车型识别*** |
CN105488855A (zh) * | 2015-11-24 | 2016-04-13 | 东南大学 | 车型识别在etc***中的应用方法及etc*** |
CN205827662U (zh) * | 2016-06-28 | 2016-12-21 | 武汉万集信息技术有限公司 | 一种基于激光车型识别的etc防作弊稽查装置 |
CN205827664U (zh) * | 2016-07-18 | 2016-12-21 | 武汉万集信息技术有限公司 | 一种基于rfid、激光与视频的车辆限行监管*** |
CN106980837A (zh) * | 2017-03-29 | 2017-07-25 | 广西信路威科技发展有限公司 | 一种基于车辆特征信息分析的车型识别方法及*** |
Non-Patent Citations (1)
Title |
---|
臧琦: "ETC***视频监控图像中的车型识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115737A (zh) * | 2019-06-19 | 2020-12-22 | 初速度(苏州)科技有限公司 | 一种车辆朝向的确定方法、装置及车载终端 |
CN112115737B (zh) * | 2019-06-19 | 2022-06-10 | 魔门塔(苏州)科技有限公司 | 一种车辆朝向的确定方法、装置及车载终端 |
CN110491133A (zh) * | 2019-08-08 | 2019-11-22 | 横琴善泊投资管理有限公司 | 一种基于置信度的车辆信息校正***和方法 |
CN110378321A (zh) * | 2019-08-12 | 2019-10-25 | 乌鲁木齐明华智能电子科技有限公司 | 一种基础深度神经网络的车辆识别与抓拍技术 |
CN111325146A (zh) * | 2020-02-20 | 2020-06-23 | 吉林省吉通信息技术有限公司 | 一种货车车型和轴型识别方法和*** |
CN111325146B (zh) * | 2020-02-20 | 2021-06-04 | 吉林省吉通信息技术有限公司 | 一种货车车型和轴型识别方法和*** |
CN113312945A (zh) * | 2020-02-27 | 2021-08-27 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、电子设备及可读存储介质 |
CN111397712A (zh) * | 2020-04-16 | 2020-07-10 | 辽宁金洋集团信息技术有限公司 | 防称量作弊的货运车辆地磅监控方法 |
CN111942207A (zh) * | 2020-08-14 | 2020-11-17 | 高丰 | 一种基于大数据的电动汽车智能充电管理*** |
CN112697066A (zh) * | 2020-12-02 | 2021-04-23 | 王刚 | 车辆部件定位方法、装置及计算机存储介质 |
CN113657462A (zh) * | 2021-07-28 | 2021-11-16 | 讯飞智元信息科技有限公司 | 用于训练车辆识别模型的方法、车辆识别方法和计算设备 |
WO2023081870A1 (en) * | 2021-11-08 | 2023-05-11 | Kinetic Automation Inc. | System and method for automated extrinsic calibration of lidars, cameras, radars and ultrasonic sensors on vehicles and robots |
Also Published As
Publication number | Publication date |
---|---|
CN109871728B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871728A (zh) | 一种车型识别方法及装置 | |
CA2958832C (en) | Method and axle-counting device for contact-free axle counting of a vehicle and axle-counting system for road traffic | |
CN103559791B (zh) | 一种融合雷达和ccd摄像机信号的车辆检测方法 | |
KR100201739B1 (ko) | 물체 관측 방법 및 그 방법을 이용한 물체 관측장치와,이 장치를 이용한 교통흐름 계측장치 및 주차장 관측장치 | |
US10699567B2 (en) | Method of controlling a traffic surveillance system | |
JP4246766B2 (ja) | 車両から対象物を位置測定して追跡する方法および装置 | |
CN103366154B (zh) | 可重配置的畅通路径检测*** | |
US9449511B2 (en) | System and method for automated sequencing of vehicle under low speed conditions from video | |
SE502679C2 (sv) | Förfarande och anordning för registrering av ett fordons förflyttning på ett underlag | |
CN112154454A (zh) | 目标对象的检测方法、***、设备及存储介质 | |
CN102765365A (zh) | 基于机器视觉的行人检测方法及行人防撞预警*** | |
EP1671216A2 (en) | Moving object detection using low illumination depth capable computer vision | |
EP1721287A1 (en) | Method and apparatus for detecting a presence | |
CN107633703A (zh) | 一种行车记录仪及其前向防撞预警方法 | |
JP2016184316A (ja) | 車種判別装置および車種判別方法 | |
CN108263389B (zh) | 一种车辆前方虚假目标剔除装置及方法 | |
CN106183989B (zh) | 车辆驾驶辅助装置及车辆驾驶辅助装置的动作方法 | |
KR20150029551A (ko) | 도착 레인으로 합병되는 이동 아이템의 출발 레인을 결정 | |
CN106570487A (zh) | 物体间的碰撞预测方法和装置 | |
CN107356916B (zh) | 车距检测方法及装置、电子设备、计算机可读存储介质 | |
JP3629935B2 (ja) | 移動体の速度計測方法およびその方法を用いた速度計測装置 | |
JP6602595B2 (ja) | 車種判別装置、及び車種判別方法 | |
KR100532058B1 (ko) | 카메라 캘리브레이션을 이용한 교통정보 추출 방법 및 장치 | |
JP3465531B2 (ja) | 物体認識方法およびその装置 | |
KR20160118633A (ko) | 차량 주변의 객체 판별 시스템 및 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |