CN110020608A - 一种车辆识别方法、设备、***及停车计费*** - Google Patents

Abstract

本发明涉及一种车辆识别方法、设备、***及停车计费***。其中的方法包括：获取图像采集装置对监控区域采集的第一图像和第二图像；响应于确认第一图像和第二图像中均有车辆，将第一图像和第二图像进行叠加，得到第三图像；将第三图像输入经过预先训练的卷积神经网络模型，判断第一图像和第二图像中的车辆是否为同一辆车，其中，卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。本发明由基于包含有干扰项的样本图像训练得到的卷积神经网络模型对叠加后的图像中包含的两辆车是否为同一辆车进行识别判断，能够在采集的监控区域的图像中存在干扰项的情况下，提高判断的准确性。

Description

一种车辆识别方法、设备、***及停车计费***

技术领域

本发明涉及图像识别领域，特别涉及一种车辆识别方法、设备、***及停车计费***。

背景技术

智能交通监控***是当今交通监控行业的一个重要发展方向，其依靠计算机视觉和深度学习等技术对监控摄像头拍摄的画面进行自动分析，可应用于违章行为判断、路边停车位管理、车牌识别、车型识别等多个方面。例如，在路边停车位管理方面，需要通过连续识别监控画面中的车辆是否为同一辆车来进行停车时间的计算。

在监控环境下，车辆的拍摄角度、环境光照、图像分辨率往往不固定，且往往存在较多干扰物，现有的车辆识别算法是要求在已知各车辆的各种车辆特征的情况下进行对比，在以上监控环境下识别监控画面中的车辆是否为同一辆车的准确率较低。

发明内容

针对上述技术问题，本发明提供一种车辆识别方法、设备、***及停车计费***。

本发明解决上述技术问题的技术方案如下：

第一方面，本发明提供一种车辆识别方法，包括：

获取图像采集装置对监控区域采集的第一图像和第二图像；

响应于确认第一图像和第二图像中均有车辆，将第一图像和第二图像进行叠加，得到第三图像；

将第三图像输入经过预先训练的卷积神经网络模型，判断第一图像和第二图像中的车辆是否为同一辆车，其中，卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。

本发明的有益效果是：由基于包含有干扰项的样本图像训练得到的卷积神经网络模型对叠加后的图像中包含的两辆车是否为同一辆车进行识别判断，能够在采集的监控区域的图像中存在干扰项的情况下，提高判断的准确性。

进一步地，图像采集装置设置在监控区域的对面。

进一步地，在将第一图像和第二图像进行叠加之前，还包括：

通过比较图像中车辆的位置和预先设定的车位的位置，确认第一图像和第二图像中的车辆是否在车位上；

响应于确认第一图像和第二图像中均有车辆，并且第一图像和第二图像中的车辆均在车位上，将第一图像和第二图像进行叠加，得到第三图像。

采用上述进一步方案的有益效果是：方便对监控区域中的车位进行管理，防止误识别不在车位上的临时路过车辆。

进一步地，将第一图像和第二图像进行叠加，得到第三图像，具体包括：

将第一图像和第二图像的3通道RGB数据进行叠加，得到第三图像的6通道RGB-RGB数据，以便通过第三图像的6通道RGB-RGB数据判断第一图像和第二图像中的车辆是否为同一辆车。

进一步地，卷积神经网络模型的训练方法为：

将包含有干扰项的同一车辆在同一监控区域的两张图像进行叠加作为正样本，将包含有干扰项的不同车辆在同一监控区域的两张图像进行叠加作为负样本，基于多个正样本和负样本训练卷积神经网络模型。

进一步地，将第三图像输入经过预先训练的卷积神经网络模型，判断第一图像和第二图像中的车辆是否为同一辆车，具体包括：

基于经过预先训练的卷积神经网络模型提取第三图像中的两个车辆的车辆特征；

计算两个车辆的车辆特征相似度；

根据相似度判断第一图像和第二图像中的车辆是否为同一辆车。

进一步地，根据相似度判断第一图像和第二图像中的车辆是否为同一辆车，具体包括：

当相似度超过预设范围的上限时，确定第一图像和第二图像中的车辆是同一辆车；

当相似度低于预设范围的下限时，确定第一图像和第二图像中的车辆不是同一辆车。

第二方面，本发明还提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上述任一项实施例中的方法。

第三方面，本发明还提供一种车辆识别设备，包括：

获取模块，用于获取图像采集装置对监控区域采集的第一图像和第二图像；

叠加模块，用于响应于确认第一图像和第二图像中均有车辆，将第一图像和第二图像进行叠加，得到第三图像；

判断模块，用于将第三图像输入经过预先训练的卷积神经网络模型，判断第一图像和第二图像中的车辆是否为同一辆车，其中，卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。

本发明提供的一种车辆识别设备，由基于包含有干扰项的样本图像训练得到的卷积神经网络模型对叠加后的图像中包含的两辆车是否为同一辆车进行识别判断，能够在采集的监控区域的图像中存在干扰项的情况下，提高判断的准确性。

进一步地，图像采集装置设置在监控区域的对面。

进一步地，还包括：

确认模块，用于通过比较图像中车辆的位置和预先设定的车位的位置，确认第一图像和第二图像中的车辆是否在车位上；

叠加模块，用于响应于确认第一图像和第二图像中均有车辆，并且第一图像和第二图像中的车辆均在车位上，将第一图像和第二图像进行叠加，得到第三图像。

采用上述进一步方案的有益效果是：方便对监控区域中的车位进行管理，防止误识别不在车位上的临时路过车辆。

进一步地，叠加模块，具体用于将第一图像和第二图像的3通道RGB数据进行叠加，得到第三图像的6通道RGB-RGB数据，以便判断模块通过第三图像的6通道RGB-RGB数据判断第一图像和第二图像中的车辆是否为同一辆车。

进一步地，还包括：

训练模块，用于将包含有干扰项的同一车辆在同一监控区域的两张图像进行叠加作为正样本，将包含有干扰项的不同车辆在同一监控区域的两张图像进行叠加作为负样本，基于多个正样本和负样本训练卷积神经网络模型。

进一步地，判断模块具体包括：

提取单元，用于基于经过预先训练的卷积神经网络模型提取第三图像中的两个车辆的车辆特征；

计算单元，用于计算两个车辆的车辆特征相似度；

判断单元，用于根据相似度判断第一图像和第二图像中的车辆是否为同一辆车。

进一步地，判断单元具体用于：

当相似度超过预设范围的上限时，确定第一图像和第二图像中的车辆是同一辆车；

当相似度低于预设范围的下限时，确定第一图像和第二图像中的车辆不是同一辆车。

进一步地，设备采用服务器或芯片。

第四方面，本发明还提供一种车辆识别***，包括上述车辆识别设备和图像采集装置。

本发明提供的一种车辆识别***，其中的车辆识别设备是由基于包含有干扰项的样本图像训练得到的卷积神经网络模型对叠加后的图像中包含的两辆车是否为同一辆车进行识别判断，能够在采集的监控区域的图像中存在干扰项的情况下，提高判断的准确性。

第五方面，本发明还提供一种停车计费***，包括上述车辆识别***和计费设备，设采集第一图像的时间早于采集第二图像的时间；

所述计费设备，用于当判断模块判断第一图像和第二图像中的车辆不是同一辆车时，将采集第一图像的时间作为第一图像中车辆的停车截止时间，将采集第二图像的时间作为所述第二图像中车辆的停车起始时间，并根据同一辆车的停车起始时间和停车截止时间进行停车计费。

附图说明

图1为本发明实施例提供的一种车辆识别方法的流程图；

图2为本发明实施例提供的一种车辆识别设备的结构框图；

图3为本发明实施例提供的一种停车计费***的结构框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明实施例提供的一种车辆识别方法的流程图，如图1所示，该方法包括：

S1、获取图像采集装置对监控区域采集的第一图像和第二图像；

具体的，图像采集装置设置在监控区域的对面，例如，可通过马路边设置的摄像头持续监控对面的路边停车位，间隔一定时间截取图像，获取其中的两幅图像作为待检测图像，两幅图像的截取时间间隔不宜过长。

S2、响应于确认第一图像和第二图像中均有车辆，将第一图像和第二图像进行叠加，得到第三图像；

具体的，确认图像中是否有车辆可采用多种现有技术实现，包括但不限于，可通过目标检测算法识别截取的两幅图像中的车辆，并用矩形框框定车辆的位置。

然后，将第一图像和第二图像的3通道RGB数据叠加，得到第三图像的6通道RGB-RGB数据，以便通过第三图像的6通道RGB-RGB数据辨别第一图像和第二图像的不同。

例如：第一图像的部分3通道RGB数据为：

[[204,204,204],

[204,204,204],

[204,204,204]],

……

第二图像的部分3通道RGB数据为：

[[226,226,226],

[226,226,226],

[226,226,226]],

……

则叠加得到的第三图像的6通道RGB-RGB数据为：

[[204,204,204,226,226,226],

[204,204,204,226,226,226],

[204,204,204,226,226,226]],

……

另外，为了方便对车位进行管理，防止误识别不在车位上的临时路过车辆，在确认第一图像和第二图像中有车辆的基础上，还可通过比较图像中车辆的位置和预先设定的车位的位置来确认第一图像和第二图像中的车辆是否在车位上，当确认第一图像和第二图像中均有在车位上的车辆时，再将第一图像和第二图像进行叠加。

S3、将第三图像输入经过预先训练的卷积神经网络模型，判断第一图像和第二图像中的车辆是否为同一辆车，其中，卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。

具体的，在训练卷积神经网络模型时，需要给卷积神经网络模型一个输入数据和一个对应的标签,由卷积神经网络输出一个结果,将输出的结果和标签进行比较,再使用反向传播沿着比较结果的方向修改数据,至此学习了一轮,经过多次学习,不断的修正网络的参数,提高卷积神经网络模型输出结果的准确性。完成卷积神经网络模型的训练后，即可将待检测数据输入模型中，模型即可输出相应的判断结果。如果预测时得到的输入与已经训练过的数据相似,得到的结果必然准确率高.

该步骤中，可通过摄像头获取多种场景下包含有干扰项的图像作为样本，然后通过人工判断出两幅图像中的车辆是否为同一车辆的方式，给出样本相应的标签，其中，将包含有干扰项的同一车辆的的两张图像进行叠加作为正样本，将包含有干扰项的不同车辆的两张图像再叠加作为负样本，基于多个正样本和负样本训练卷积神经网络模型。其中，可设置正样本的标签为1，负样本的标签为0。

该步骤中，采用了多种场景下包含有干扰项的样本图像作为输入数据对卷积神经网络进行了大量反复训练,以提高在存在干扰项的情况下对叠加后的图像中的两辆车是否为同一辆车进行判断的准确性，其中，样本图像的数量可以根据实际需求的识别精度设定。

本发明实施例提供的一种车辆识别方法，由基于包含有干扰项的样本图像训练得到的卷积神经网络模型对叠加后的图像中包含的两辆车是否为同一辆车进行识别判断，能够在采集的监控区域的图像中存在干扰项的情况下，提高判断的准确性。

可选地，在该实施例中，步骤S3具体包括：

S3.1、基于经过预先训练的卷积神经网络模型提取第三图像中的两个车辆的车辆特征；

S3.2、计算两个车辆的车辆特征相似度；

S3.3、根据相似度判断第一图像和第二图像中的车辆是否为同一辆车。

具体的，采用卷积神经网络中的VGG或MOBLIE Net等针对6通道RGB数据做特征提取，提取的特征包括但不限于车辆颜色、车轮毂、车外形、是否有天窗等等能够区分识别车辆的特征。

提取完特征后，采用全连接层或贝叶斯分类或SVM中的一种计算出相似度，进而判断出第一图像和第二图像中的车辆是否是一辆车，其中，相似度为0到1的浮点数值，0代表完全不相似，1代表完全相似。

可选地，在该实施例中，步骤S3.3具体包括：

当相似度超过预设范围的上限时，确定第一图像和第二图像中的车辆是同一辆车；

当相似度低于预设范围的下限时，确定第一图像和第二图像中的车辆不是同一辆车。

预设范围的上限和下限可选取为同一数值，也可选取不同的数值，例如，选取预设范围的下限和上限均为0.5，此时，相似度0.5可以作为不确定结果，即模糊值；选取预设范围的下限和上限分别为0.4与0.6，此时，在0.4～0.6间的相似度可以作为不确定结果。

本发明实施例还提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上述任一项实施例中的方法。

图2为本发明实施例提供的一种车辆识别设备的结构框图，该设备中各个模块的功能原理已在前述内容中进行了阐述，以下不再赘述。

如图2所示，该设备包括：

获取模块，用于获取图像采集装置对监控区域采集的第一图像和第二图像；

叠加模块，用于响应于确认第一图像和第二图像中均有车辆，将第一图像和第二图像进行叠加，得到第三图像；

判断模块，用于将第三图像输入经过预先训练的卷积神经网络模型，判断第一图像和第二图像中的车辆是否为同一辆车，其中，卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。

本发明实施例提供的一种车辆识别设备，由基于包含有干扰项的样本图像训练得到的卷积神经网络模型对叠加后的图像中包含的两辆车是否为同一辆车进行识别判断，能够在采集的监控区域的图像中存在干扰项的情况下，提高判断的准确性。

可选地，在该实施例中，图像采集装置设置在监控区域的对面。

可选地，在该实施例中，该设备还包括确认模块，用于通过比较图像中车辆的位置和预先设定的车位的位置，确认第一图像和第二图像中的车辆是否在车位上；

叠加模块，用于响应于确认第一图像和第二图像中均有车辆，并且第一图像和第二图像中的车辆均在车位上，将第一图像和第二图像进行叠加，得到第三图像。

可选地，在该实施例中，叠加模块，具体用于将第一图像和第二图像的3通道RGB数据进行叠加，得到第三图像的6通道RGB-RGB数据，以便判断模块通过第三图像的6通道RGB-RGB数据判断第一图像和第二图像中的车辆是否为同一辆车。

可选地，在该实施例中，该设备还包括训练模块，用于将包含有干扰项的同一车辆的的两张图像进行叠加作为正样本，将包含有干扰项的不同车辆的两张图像在叠加作为负样本，基于多个正样本和负样本训练卷积神经网络模型。

可选地，在该实施例中，判断模块具体包括：

提取单元，用于基于经过预先训练的卷积神经网络模型提取第三图像中的两个车辆的车辆特征；

计算单元，用于计算两个车辆的车辆特征相似度；

判断单元，用于根据相似度判断第一图像和第二图像中的车辆是否为同一辆车。

可选地，在该实施例中，判断单元具体用于当相似度超过预设范围的上限时，确定第一图像和第二图像中的车辆是同一辆车，当相似度低于预设范围的下限时，确定第一图像和第二图像中的车辆不是同一辆车。

可选地，在该实施例中，设备采用服务器或芯片。其中，服务器包括但不限于中央机房服务器。

如图3所示，本发明实施例还提供一种车辆识别***，包括上述车辆识别设备和图像采集装置。

本发明提供的一种车辆识别***，其中的车辆识别设备是由基于包含有干扰项的样本图像训练得到的卷积神经网络模型对叠加后的图像中包含的两辆车是否为同一辆车进行识别判断，能够在采集的监控区域的图像中存在干扰项的情况下，提高判断的准确性。

如图3所示，本发明实施例还提供一种停车计费***，包括上述车辆识别***和计费设备，设采集第一图像的时间早于采集第二图像的时间；

计费设备，用于当判断模块判断第一图像和第二图像中的车辆不是同一辆车时，将采集第一图像的时间作为第一图像中车辆的停车截止时间，将采集第二图像的时间作为第二图像中车辆的停车起始时间，并根据同一辆车的停车起始时间和停车截止时间进行停车计费。

具体的，车辆识别设备根据图像采集设备持续采集的两张图像判断车辆是否为同一辆车，如果是同一辆车，则说明该车辆一直停在车位中，如果不是同一辆车，则将两张图像中采集时间较早的图像的采集时间作为该车辆的停车截止时间，采集时间较晚的图像的采集时间作为下一辆车的停车起始时间，通过连续不断的识别判断，可以得到同一辆车的停车起始时间和停车截止时间，从而据此进行停车计费。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以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，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。

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发明实施例方案的目的。

另外，在本发明各个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，也可以是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。

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(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种车辆识别方法，其特征在于，包括：

获取图像采集装置对监控区域采集的第一图像和第二图像；

响应于确认所述第一图像和第二图像中均有车辆，将所述第一图像和第二图像进行叠加，得到第三图像；

将所述第三图像输入经过预先训练的卷积神经网络模型，判断所述第一图像和第二图像中的车辆是否为同一辆车，其中，所述卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述图像采集装置设置在所述监控区域的对面。

3.根据权利要求1所述的方法，其特征在于，在将所述第一图像和第二图像进行叠加之前，还包括：

通过比较图像中车辆的位置和预先设定的车位的位置，确认所述第一图像和第二图像中的车辆是否在车位上；

响应于确认所述第一图像和第二图像中均有车辆，并且所述第一图像和第二图像中的车辆均在车位上，将所述第一图像和第二图像进行叠加，得到第三图像。

4.根据权利要求1所述的方法，其特征在于，所述将所述第一图像和第二图像进行叠加，得到第三图像，具体包括：

将所述第一图像和第二图像的3通道RGB数据进行叠加，得到第三图像的6通道RGB-RGB数据，以便通过所述第三图像的6通道RGB-RGB数据判断所述第一图像和所述第二图像中的车辆是否为同一辆车。

5.一种车辆识别设备，其特征在于，包括：

获取模块，用于获取图像采集装置对监控区域采集的第一图像和第二图像；

叠加模块，用于响应于确认所述第一图像和第二图像中均有车辆，将所述第一图像和第二图像进行叠加，得到第三图像；

判断模块，用于将所述第三图像输入经过预先训练的卷积神经网络模型，判断所述第一图像和第二图像中的车辆是否为同一辆车，其中，所述卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。

6.根据权利要求5所述的设备，其特征在于，所述图像采集装置设置在所述监控区域的对面。

7.根据权利要求5所述的设备，其特征在于，还包括：

确认模块，用于通过比较图像中车辆的位置和预先设定的车位的位置，确认所述第一图像和第二图像中的车辆是否在车位上；

所述叠加模块，用于响应于确认所述第一图像和第二图像中均有车辆，并且所述第一图像和第二图像中的车辆均在车位上，将所述第一图像和第二图像进行叠加，得到第三图像。

8.根据权利要求5-7任一项所述的设备，其特征在于，所述设备采用服务器或芯片。

9.一种车辆识别***，其特征在于，包括如权利要求5-8任一项所述的车辆识别设备和图像采集装置。

10.一种停车计费***，其特征在于，包括如权利要求9所述的车辆识别***和计费设备，设采集所述第一图像的时间早于采集所述第二图像的时间；

所述计费设备，用于当所述判断模块判断所述第一图像和第二图像中的车辆不是同一辆车时，将采集所述第一图像的时间作为所述第一图像中车辆的停车截止时间，将采集所述第二图像的时间作为所述第二图像中车辆的停车起始时间，并根据同一辆车的停车起始时间和停车截止时间进行计费。