CN110930720A - 一种车辆识别方法及装置 - Google Patents

一种车辆识别方法及装置 Download PDF

Info

Publication number
CN110930720A
CN110930720A CN201911189552.0A CN201911189552A CN110930720A CN 110930720 A CN110930720 A CN 110930720A CN 201911189552 A CN201911189552 A CN 201911189552A CN 110930720 A CN110930720 A CN 110930720A
Authority
CN
China
Prior art keywords
vehicle
vehicle image
point
identified
concave
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
Application number
CN201911189552.0A
Other languages
English (en)
Other versions
CN110930720B (zh
Inventor
林凡
张秋镇
陈健民
敬代波
周芳华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GCI Science and Technology Co Ltd
Original Assignee
GCI Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GCI Science and Technology Co Ltd filed Critical GCI Science and Technology Co Ltd
Priority to CN201911189552.0A priority Critical patent/CN110930720B/zh
Publication of CN110930720A publication Critical patent/CN110930720A/zh
Application granted granted Critical
Publication of CN110930720B publication Critical patent/CN110930720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车辆识别方法，包括：获取待识别路段的待识别车辆图像；提取所述待识别车辆图像的凹点和凸点，并根据所述凹点和所述凸点，构建所述待识别车辆图像的凹点模型和凸点模型；基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况。本发明还公开了一种车辆识别装置，能有效解决现有技术道路交通车辆的特征提取难度大的问题，能够稳定地提取车辆图像特征，具有较高的识别度。

Description

一种车辆识别方法及装置
技术领域
本发明涉及车辆识别技术领域，尤其涉及一种车辆识别方法及装置。
背景技术
随着汽车保有量不断增长，道路的交通压力不断加大，与汽车相关的安全管理问题也日益凸显，为了实现对运行汽车的优化管理和调度，可通过对汽车特征的有效检测和识别，从而获取车辆数量情况，为驾驶员和车辆管理调度中心提供可视化的信息参考。车辆识别在车辆安全管理和道路交通管控等领域具有重要的应用价值，且研究车辆特征提取方法，在侦查与车辆相关的违法犯罪方面也具有很好的应用前景。
目前，道路交通车辆的特征提取***通过边缘轮廓检测模块、增强处理模块对采集的车辆图像进行边缘和信息增强处理，并通过特征提取模块在仿真对不变区域对车辆角点分布信息进行处理，以实现车辆像素特征点的提取。但在处理过程中当距离摄像头过远或现场信息量较大时，道路交通车辆的特征提取难度大。
发明内容
本发明实施例提供一种车辆识别方法及装置，能有效解决现有技术道路交通车辆的特征提取难度大的问题，能够稳定地提取车辆图像特征，具有较高的识别度。
本发明一实施例提供一种车辆识别方法，包括：
获取待识别路段的待识别车辆图像；
提取所述待识别车辆图像的凹点和凸点，并根据所述凹点和所述凸点，构建所述待识别车辆图像的凹点模型和凸点模型；
基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况。
作为上述方案的改进，通过如下步骤得到所述待识别车辆图像：
实时获取待识别路段的车辆图像；
对所述车辆图像进行归一化处理，得到所述待识别车辆图像。
作为上述方案的改进，所述对所述车辆图像进行归一化处理，得到所述待识别车辆图像，具体包括：
对所述车辆图像进行网格化处理，得到网格车辆图像；
计算所述网格车辆图像网格上车顶各顶点的质心，并将以所述质心为球心的球体作为车顶中心的候选区域；
计算所述候选区域中任一点的形状指数，根据所述形状指数确定车顶中心点；
根据所述车顶中心点，构建所述网格车辆图像的坐标模型，得到所述待识别车辆图像。
作为上述方案的改进，所述计算所述候选区域中任一点的形状指数，根据所述形状指数确定车顶中心点，具体包括：
根据公式(1)得到所述形状指数：
Figure BDA0002293215660000021
其中，SI(p)为所述候选区域中任一点P的形状指数，Kmax为P点的最大主曲面率，Kmin为p点的最小主曲面率；
获取当所述形状指数达到预设的车顶中心条件时对应的点作为所述车顶中心点。
作为上述方案的改进，所述根据所述车顶中心点，构建所述车辆图像的坐标模型，具体包括：
以所述网格车辆图像各离散点所在的中心轴为坐标y轴，垂直于所述坐标y轴且过所述车顶中心点的直线为坐标z轴，所述坐标y轴和所述坐标z轴的相交点为坐标原点，垂直于yoz平面的方向为坐标x轴，建立所述坐标模型。
作为上述方案的改进，所述提取所述待识别车辆图像的凹点和凸点，具体包括：
将所述待识别车辆图像网格各顶点拟合成局部曲面；
计算所述局部曲面上各点的曲面率极值系数；
筛选当所述曲面率极值系数达到预设的凹点条件时对应的点作为凹点，当所述曲面率极值系数达到预设的凸点条件时对应的点作为凸点。
作为上述方案的改进，所述计算所述局部曲面上各点的曲面率极值系数，具体包括：
根据公式(2)得到所述曲面率极值系数：
Figure BDA0002293215660000031
其中，e为所述曲面率极值系数，k为所述局部曲面上任一点的主曲面率，t1、t2为在所述局部曲面拟合后坐标原点出对应于所述主曲面率的主方向，c0、c1、c2、c3为所述局部曲面拟合多项式中的系数。
作为上述方案的改进，所述基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况，包括：
对所述待识别车辆图像的凹点模型和凸点模型进行三维均匀栅格化处理，获取所有栅格的凹点空间分布密度及凸点空间分布密度；
根据所述凹点空间分布密度及所述凸点空间分布密度，构建所述凹点模型的三维分布密度数组及所述凸点模型的三维分布密度数组；
分别获取各模型的三维分布密度数组中落在各预设的密度区间内的元素个数，以构建凹点空间分布密度直方图及凸点空间分布密度直方图；
基于所述凹点空间分布密度直方图及所述凸点空间分布密度直方图，将所述待识别车辆图像与所述车辆图像数据库中车辆进行匹配，得到所述待识别车辆图像的车辆识别结果；
根据所述待识别车辆图像的车辆识别结果，获取所述待识别路段的车流情况。
作为上述方案的改进，所述基于所述凹点空间分布密度直方图及所述凸点空间分布密度直方图，将所述待识别车辆图像与所述车辆图像数据库中车辆进行匹配，得到所述待识别车辆图像的车辆识别结果，具体包括：
计算所述待识别车辆图像的凹点空间分布密度直方图与所述车辆图像数据库中车辆的凹点空间分布密度直方图之间的第一匹配度；
计算所述待识别车辆图像的凸点空间分布密度直方图与所述车辆图像数据库中车辆的凸点空间分布密度直方图之间的第二匹配度；
根据所述第一匹配度及所述第二匹配度，得到所述待识别车辆图像与所述车辆图像数据库中车辆的匹配度；
从所述车辆图像数据库中筛选出所述匹配度达到预设的匹配条件时对应的车辆作为所述待识别车辆图像的车辆识别结果。
本发明另一实施例对应提供了一种车辆识别装置，包括：
图像获取模块，用于获取待识别路段的待识别车辆图像；
凹凸点提取模块，用于提取所述待识别车辆图像的凹点和凸点，并根据所述凹点和所述凸点，构建所述待识别车辆图像的凹点模型和凸点模型；
匹配识别模块，用于基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况。
相比于现有技术，本发明实施例公开的一种车辆识别方法及装置，通过获取待识别路段的待识别车辆图像，提取所述待识别车辆图像的凹点和凸点，并根据所述凹点和所述凸点，构建所述待识别车辆图像的凹点模型和凸点模型，基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况。本发明采用凹凸特征提取的方式，仅通过区分目标是否为机动车，来获取车辆数量情况，以应对在现场情况复杂，车辆距离摄像头过远及车辆种类较多时的问题，能够稳定地提取车辆图像特征，从而能有效解决现有技术道路交通车辆的特征提取难度大的问题，具有较高的识别度，能快速识别车辆特征，以更精确高效地获取车流情况。
附图说明
图1是本发明实施例一提供的一种车辆识别方法的流程示意图；
图2是本发明实施例一提供的车辆识别方法中待识别车辆图像配对的一个实施例的示意图；
图3是本发明实施例二提供的一种车辆识别装置的结构示意图。
具体实施方式
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。
实施例一
参见图1，是本发明实施例一提供的一种车辆识别方法的流程示意图。
本实施例提供的车辆识别方法可以由车辆识别端执行。其中，在本实施例中，该车辆识别端优选为车辆识别装置(甚至还可以是云端服务器等)，该识别装置可以通过软件和/或硬件的方式实现，该识别装置可以是两个或多个物理实体构成，也可以是一个物理实体构成。
具体的，请参见图1，所述车辆识别方法包括步骤S101至步骤S103。
S101、获取待识别路段的待识别车辆图像。
优选的，通过如下步骤得到所述待识别车辆图像：
实时获取待识别路段的车辆图像；
对所述车辆图像进行归一化处理，得到所述待识别车辆图像。
具体的，通过实时获取特定交通路段的车辆图像，其中，该车辆图像中车辆数量并不做具体限定。进而，通过对车辆图像进行归一化处理，来将不同车辆图像调整为统一的预设标准正面姿态，实现所有车辆的归一化。
在上述实施例中，所述车辆图像的归一化处理优选为：
对所述车辆图像进行网格化处理，得到网格车辆图像；
计算所述网格车辆图像网格上车顶各顶点的质心，并将以所述质心为球心的球体作为车顶中心的候选区域；
计算所述候选区域中任一点的形状指数，根据所述形状指数确定车顶中心点；
根据所述车顶中心点，构建所述网格车辆图像的坐标模型，得到所述待识别车辆图像。
需要说明的是，车顶中心是车辆最明显也最突出的部位，因此在车辆图像归一化中车顶中心是首选的基准点。在所述车辆图像的网格化处理后，计算网格车辆图像网格上车顶各顶点的质心，然后取以质心为球心的球体为车顶中心的候选区域，后通过计算候选区域中各点的形状指数来确定车顶中心点。进一步，由于车辆各点基本分布在一个长方体表面上且左右两侧对称，为了实现所有车辆的归一化，取车辆图像各离散点所在长方体的中心轴为新坐标系下的Y轴，取垂直于Y轴且过车顶中心点的直线为新坐标系的Z轴，两个坐标轴相交点为新坐标系原点，取垂直于YOZ平面的方向为X轴建立右手坐标系。通过坐标模型的建立，可将获取到的不同车辆图像调整为统一的标准正面姿态。当然，通过尺寸的归一化和以车顶中心为长方体体心的矩形切割，使待识别车辆图像的车顶在大小及区域方面基本一致。
在上述实施例中，优选的，通过如下步骤确定车顶中心点：
根据公式(1)得到所述形状指数：
Figure BDA0002293215660000071
其中，SI(p)为所述候选区域中任一点P的形状指数，Kmax为P点的最大主曲面率，Kmin为p点的最小主曲面率；
获取当所述形状指数达到预设的车顶中心条件时对应的点作为所述车顶中心点。
需要说明的是，车顶任一点越接近车顶中心时，车顶该点的最大和最小主曲面率就越接近，因此当最大和最小主曲面率相等时该点为车顶中心。即，所述车顶中心条件为：车顶任一点的形状指数等于预设的形状指数阈值。其中，形状指数阈值优选为，由该点的最大主曲面率与最小主曲面率相等时对应的形状指数。更具体地，所述车顶中心条件可以用式子表示为：
Figure BDA0002293215660000081
S102、提取所述待识别车辆图像的凹点和凸点，并根据所述凹点和所述凸点，构建所述待识别车辆图像的凹点模型和凸点模型。
具体的，凹点和凸点作为曲面上局部区域内曲面率沿主方向变化的极值点，充分表征了对应曲面的重要特征。对于一个任意的三维物体，凹点和凸点的判断都是相对的，当物体表面法线方向规定改变时，凹点和凸点可相互转换。为了能够提取待识别车辆图像上的凹点和凸点，首先在待识别车辆图像各顶点处进行局部曲面拟合。进一步，根据所在局部曲面上的几何特征信息判断各顶点是否凹点和凸点。更进一步，对于经过归一化处理后的待识别车辆图像，通过计算各个顶点的曲面率极值系数提取出图像的所有凹点和凸点，进而由所有的凹点和凸点分别构建所述待识别车辆图像的凹点模型和凸点模型。
在上述实施例中，优选的，所述提取所述待识别车辆图像的凹点和凸点，具体包括：
将所述待识别车辆图像网格各顶点拟合成局部曲面；
计算所述局部曲面上各点的曲面率极值系数；
筛选当所述曲面率极值系数达到预设的凹点条件时对应的点作为凹点，当所述曲面率极值系数达到预设的凸点条件时对应的点作为凸点。
示例性的，在待识别车辆图像网格各顶点处建立局部曲面z＝f(x,y)，可采用邻接法线立方体拟合方法，对通过每个顶点及其邻域中的各顶点按最小二乘法以如下公式所示的三次多项式进行拟合：
Figure BDA0002293215660000082
在拟合过程中采用的顶点集合取自网格上对应顶点的k(k＝1，2，…)邻域中的各顶点，选定k值越大，则拟合曲面越光滑。需要说明的是，拟合过程中会损失部分不显著的凹点和凸点。
在上述实施例中，优选的，根据公式(2)得到所述曲面率极值系数：
Figure BDA0002293215660000091
其中，e为所述曲面率极值系数，k为所述局部曲面上任一点的主曲面率，t1、t2为在所述局部曲面拟合后坐标原点出对应于所述主曲面率的主方向，c0、c1、c2、c3为所述局部曲面拟合多项式中的系数。
需要说明的是，凹点和凸点作为曲面上局部区域内曲面率沿主方向变化的极值点，可以通过多种方法提取。示例性的，通过计算曲面率极值系数来判断局部曲面上某点是否为凹点和凸点。曲面率极值系数的定义如下：对于曲面z＝f(x,y)上任一点p，kmax和kmin分别表示曲面在该点的最大主曲面率和最小主曲面率，tmax和tmin分别表示在该点取得最大、最小主曲面率所对应的两个主方向，emax和emin分别为最大、最小主曲面率沿两个相应主方向的一阶导数，称为曲面率极值系数，即，
Figure BDA0002293215660000092
由微分几何理论表明，局部曲面的局部形状由两个主曲面率的大小与方向完全确定，因此本实施例借助于曲面率极值系数表征局部曲面的特征是非常有效的。从而，曲面率极值系数可通过公式(2)获得。
示例性的，在获得了局部曲面任一点的曲面率极值系数值之后，所述凹点条件对应为：该点p的曲面率极值系数值最小值为零，该点p的曲面率极值系数值的一阶导数大于零，且该点p的最小主曲面率小于该点的最大主曲面率的绝对值，则该点p为凹点。更具体的，所述凹点条件可以用式子表示为：emin＝0，
Figure BDA0002293215660000093
且kmin<|kmax|。
同理，在获得了局部曲面任一点的曲面率极值系数值之后，所述凸点条件对应为：该点p的曲面率极值系数值最大值为零，该点p的曲面率极值系数值的一阶导数小于零，且该点p的最大主曲面率大于该点的最小主曲面率的绝对值，则该点p为凸点。更具体的，所述凸点条件可以用式子表示为：emin＝0，
Figure BDA0002293215660000101
且kmin<|kmax|。
S103、基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况。
在上述实施例中，优选的，参见图2，是本发明实施例一提供的车辆识别方法中待识别车辆图像配对的一个实施例的示意图，包括步骤S1031至步骤S1035。
S1031、对所述待识别车辆图像的凹点模型和凸点模型进行三维均匀栅格化处理，获取所有栅格的凹点空间分布密度及凸点空间分布密度。
可以理解，由于对应不同的待识别车辆图像，凹凸点的个数及位置分布信息可充分表征其显著特征。由于车辆图像在提取凹点和凸点在经过归一化处理后，所有待识别车辆图像在姿态、区域及大小方面基本一致。在匹配过程中对于待识别车辆图像和车辆图像数据库中车辆图像提取出的凹点模型和凸点模型，首先进行三维均匀栅格化处理。进一步，在凹点模型中统计落在每个栅格内部凹点的个数，以及在凸点模型中统计落在每个栅格内部凸点的个数，由此获取所有栅格的凹点空间分布密度及凸点空间分布密度。
S1032、根据所述凹点空间分布密度及所述凸点空间分布密度，构建所述凹点模型的三维分布密度数组及所述凸点模型的三维分布密度数组。
其中，根据凹点空间分布密度及凸点空间分布密度，构建所述凹点模型的三维分布密度数组及所述凸点模型的三维分布密度数组。更具体的，三维分布密度数组可以用式子表示为
Figure BDA0002293215660000102
可通过公式
Figure BDA0002293215660000103
计算得到。其中，M1、M2、M3分别为沿X轴、Y轴和Z轴三个方向上所划分栅格的个数，nijk为沿X、Y、Z轴方向序号分别为i、j、k的栅格内凹(凸)点的个数，N为凹(凸)点模型中凹(凸)点的总个数。
S1033、分别获取各模型的三维分布密度数组中落在各预设的密度区间内的元素个数，以构建凹点空间分布密度直方图及凸点空间分布密度直方图。
本实施例中，在步骤S1033之前还包括将所有可能的分布密度值均分为L个小区间，每个小区间对应分布密度的一级，如第l级分布密度值为区间[fl,fl+1)(l∈[0,L-1]，f0＝0)。这样，在三维分布密度数组中统计落在每个密度级对应密度区间中的元素个数，获得对应凹点模型的凹点空间分布密度直方图及凸点模型的凸点空间分布密度直方图。示例性的，该直方图可以为一个1-D的离散函数，其形式如下公式所示：
Figure BDA0002293215660000111
(l＝0,1,…,L-1)，其中，M为三维分布数组中元素的总个数，即M＝M1×M2×M3，Nl为F数组中分布密度值中落在l级区间[fl,fl+1)内的元素个数。
S1034、基于所述凹点空间分布密度直方图及所述凸点空间分布密度直方图，将所述待识别车辆图像与所述车辆图像数据库中车辆进行匹配，得到所述待识别车辆图像的车辆识别结果。
在一种优选的实施例中，步骤S1034具体为：
计算所述待识别车辆图像的凹点空间分布密度直方图与所述车辆图像数据库中车辆的凹点空间分布密度直方图之间的第一匹配度；
计算所述待识别车辆图像的凸点空间分布密度直方图与所述车辆图像数据库中车辆的凸点空间分布密度直方图之间的第二匹配度；
根据所述第一匹配度及所述第二匹配度，得到所述待识别车辆图像与所述车辆图像数据库中车辆的匹配度；
从所述车辆图像数据库中筛选出所述匹配度达到预设的匹配条件时对应的车辆作为所述待识别车辆图像的车辆识别结果。
本实施例中，在获得对应凹点模型的凹点空间分布密度直方图后，可采用直方图相交法，获得待识别车辆图像的凹点空间分布密度直方图Hp(l)与车辆图像数据库中车辆凹模型空间分布密度直方图HG(l)之间的第一匹配度M(P，G)。同理，获取待识别车辆图像的凸点空间分布密度直方图Hp(l)与车辆图像数据库中车辆凸模型空间分布密度直方图HG(l)之间的第二匹配度M(P，G)。更具体的，第一匹配度或第二匹配度可由公式表示：
Figure BDA0002293215660000121
进一步，根据第一匹配度及第二匹配度，得到所述待识别车辆图像与所述车辆图像数据库中车辆的匹配度。更进一步，匹配过程采用k-近邻法选择车辆图像数据库中与待识别车辆图像的空间分布密度直方图的匹配度最大的Ng个车辆模型进入下一步识别。进而，通过在识别过程对车辆图像数据库进行快速筛选，筛选满足匹配条件的车辆作为所述待识别车辆图像的车辆识别结果。
其中，所述匹配条件为：所述待识别车辆图像与所述车辆图像数据库中车辆的匹配度大于预设的匹配阈值。示例性的，所述匹配条件为所述匹配度大于90％的匹配阈值。
S1035、根据所述待识别车辆图像的车辆识别结果，获取所述待识别路段的车流情况。
可以理解，本实施例仅通过区分目标是否为机动车，来获取车辆数量情况，从而得到所述待识别路段的车流情况。
本发明实施例提供的一种车辆识别方法，通过获取待识别路段的待识别车辆图像，提取所述待识别车辆图像的凹点和凸点，并根据所述凹点和所述凸点，构建所述待识别车辆图像的凹点模型和凸点模型，基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况。本发明采用凹凸特征提取的方式，仅通过区分目标是否为机动车，来获取车辆数量情况，以应对在现场情况复杂，车辆距离摄像头过远及车辆种类较多时的问题，能够稳定地提取车辆图像特征，从而能有效解决现有技术道路交通车辆的特征提取难度大的问题，具有较高的识别度，能快速识别车辆特征，以更精确高效地获取车流情况。
实施例二
参见图3，是本发明实施例二提供的一种车辆识别装置的结构示意图，包括：
图像获取模块201，用于获取待识别路段的待识别车辆图像；
凹凸点提取模块202，用于提取所述待识别车辆图像的凹点和凸点，并根据所述凹点和所述凸点，构建所述待识别车辆图像的凹点模型和凸点模型；
匹配识别模块203，用于基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况。
优选的，所述图像获取模块201包括：
车辆图像获取单元，用于实时获取待识别路段的车辆图像；
归一化处理单元，用于对所述车辆图像进行归一化处理，得到所述待识别车辆图像。
优选的，所述归一化处理单元包括：
网格化处理单元，用于对所述车辆图像进行网格化处理，得到网格车辆图像；
质心计算单元，用于计算所述网格车辆图像网格上车顶各顶点的质心，并将以所述质心为球心的球体作为车顶中心的候选区域；
车顶中心点确定单元，用于计算所述候选区域中任一点的形状指数，根据所述形状指数确定车顶中心点；
待识别车辆图像确定单元，用于根据所述车顶中心点，构建所述网格车辆图像的坐标模型，得到所述待识别车辆图像。
优选的，所述车顶中心点确定单元包括：
形状指数计算单元，用于根据公式(1)得到所述形状指数：
Figure BDA0002293215660000141
其中，SI(p)为所述候选区域中任一点P的形状指数，Kmax为P点的最大主曲面率，Kmin为p点的最小主曲面率；
形状指数筛选单元，用于获取当所述形状指数达到预设的车顶中心条件时对应的点作为所述车顶中心点。
优选的，所述待识别车辆图像确定单元包括：
坐标模型构建单元，用于以所述网格车辆图像各离散点所在的中心轴为坐标y轴，垂直于所述坐标y轴且过所述车顶中心点的直线为坐标z轴，所述坐标y轴和所述坐标z轴的相交点为坐标原点，垂直于yoz平面的方向为坐标x轴，建立所述坐标模型。
优选的，所述凹凸点提取模块202包括：
局部曲面拟合单元，用于将所述待识别车辆图像网格各顶点拟合成局部曲面；
曲面率极值系数计算单元，用于计算所述局部曲面上各点的曲面率极值系数；
凹凸点识别单元，用于筛选当所述曲面率极值系数达到预设的凹点条件时对应的点作为凹点，当所述曲面率极值系数达到预设的凸点条件时对应的点作为凸点。
优选的，所述曲面率极值系数计算单元包括：
曲面率极值系数具体计算单元，用于根据公式(2)得到所述曲面率极值系数：
Figure BDA0002293215660000151
其中，e为所述曲面率极值系数，k为所述局部曲面上任一点的主曲面率，t1、t2为在所述局部曲面拟合后坐标原点出对应于所述主曲面率的主方向，c0、c1、c2、c3为所述局部曲面拟合多项式中的系数。
优选的，所述匹配识别模块203包括：
凹凸点空间分布密度获取单元，用于对所述待识别车辆图像的凹点模型和凸点模型进行三维均匀栅格化处理，获取所有栅格的凹点空间分布密度及凸点空间分布密度；
凹凸点三维分布密度数组构建单元，用于根据所述凹点空间分布密度及所述凸点空间分布密度，构建所述凹点模型的三维分布密度数组及所述凸点模型的三维分布密度数组；
凹凸点空间分布密度直方图构建单元，用于分别获取各模型的三维分布密度数组中落在各预设的密度区间内的元素个数，以构建凹点空间分布密度直方图及凸点空间分布密度直方图；
匹配单元，用于基于所述凹点空间分布密度直方图及所述凸点空间分布密度直方图，将所述待识别车辆图像与所述车辆图像数据库中车辆进行匹配，得到所述待识别车辆图像的车辆识别结果；
车流情况获取单元，用于根据所述待识别车辆图像的车辆识别结果，获取所述待识别路段的车流情况。
优选的，所述匹配单元包括：
第一匹配度计算单元，用于计算所述待识别车辆图像的凹点空间分布密度直方图与所述车辆图像数据库中车辆的凹点空间分布密度直方图之间的第一匹配度；
第二匹配度计算单元，用于计算所述待识别车辆图像的凸点空间分布密度直方图与所述车辆图像数据库中车辆的凸点空间分布密度直方图之间的第二匹配度；
匹配度获取单元，用于根据所述第一匹配度及所述第二匹配度，得到所述待识别车辆图像与所述车辆图像数据库中车辆的匹配度；
车辆筛选单元，用于从所述车辆图像数据库中筛选出所述匹配度达到预设的匹配条件时对应的车辆作为所述待识别车辆图像的车辆识别结果。
本发明实施例提供的一种车辆识别装置，通过获取待识别路段的待识别车辆图像，提取所述待识别车辆图像的凹点和凸点，并根据所述凹点和所述凸点，构建所述待识别车辆图像的凹点模型和凸点模型，基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况。本发明采用凹凸特征提取的方式，仅通过区分目标是否为机动车，来获取车辆数量情况，以应对在现场情况复杂，车辆距离摄像头过远及车辆种类较多时的问题，能够稳定地提取车辆图像特征，从而能有效解决现有技术道路交通车辆的特征提取难度大的问题，具有较高的识别度，能快速识别车辆特征，以更精确高效地获取车流情况。
需说明的是，以上所描述的装置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。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种车辆识别方法，其特征在于，包括：
获取待识别路段的待识别车辆图像；
提取所述待识别车辆图像的凹点和凸点，并根据所述凹点和所述凸点，构建所述待识别车辆图像的凹点模型和凸点模型；
基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况。
2.如权利要求1所述的车辆识别方法，其特征在于，通过如下步骤得到所述待识别车辆图像：
实时获取待识别路段的车辆图像；
对所述车辆图像进行归一化处理，得到所述待识别车辆图像。
3.如权利要求2所述的车辆识别方法，其特征在于，所述对所述车辆图像进行归一化处理，得到所述待识别车辆图像，具体包括：
对所述车辆图像进行网格化处理，得到网格车辆图像；
计算所述网格车辆图像网格上车顶各顶点的质心，并将以所述质心为球心的球体作为车顶中心的候选区域；
计算所述候选区域中任一点的形状指数，根据所述形状指数确定车顶中心点；
根据所述车顶中心点，构建所述网格车辆图像的坐标模型，得到所述待识别车辆图像。
4.如权利要求3所述的车辆识别方法，其特征在于，所述计算所述候选区域中任一点的形状指数，根据所述形状指数确定车顶中心点，具体包括：
根据公式(1)得到所述形状指数：
Figure FDA0002293215650000021
其中，SI(p)为所述候选区域中任一点P的形状指数，Kmax为P点的最大主曲面率，Kmin为p点的最小主曲面率；
获取当所述形状指数达到预设的车顶中心条件时对应的点作为所述车顶中心点。
5.如权利要求3所述的车辆识别方法，其特征在于，所述根据所述车顶中心点，构建所述车辆图像的坐标模型，具体包括：
以所述网格车辆图像各离散点所在的中心轴为坐标y轴，垂直于所述坐标y轴且过所述车顶中心点的直线为坐标z轴，所述坐标y轴和所述坐标z轴的相交点为坐标原点，垂直于yoz平面的方向为坐标x轴，建立所述坐标模型。
6.如权利要求3所述的车辆识别方法，其特征在于，所述提取所述待识别车辆图像的凹点和凸点，具体包括：
将所述待识别车辆图像网格各顶点拟合成局部曲面；
计算所述局部曲面上各点的曲面率极值系数；
筛选当所述曲面率极值系数达到预设的凹点条件时对应的点作为凹点，当所述曲面率极值系数达到预设的凸点条件时对应的点作为凸点。
7.如权利要求6所述的车辆识别方法，其特征在于，所述计算所述局部曲面上各点的曲面率极值系数，具体包括：
根据公式(2)得到所述曲面率极值系数：
Figure FDA0002293215650000031
其中，e为所述曲面率极值系数，k为所述局部曲面上任一点的主曲面率，t1、t2为在所述局部曲面拟合后坐标原点出对应于所述主曲面率的主方向，c0、c1、c2、c3为所述局部曲面拟合多项式中的系数。
8.如权利要求1所述的车辆识别方法，其特征在于，所述基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况，包括：
对所述待识别车辆图像的凹点模型和凸点模型进行三维均匀栅格化处理，获取所有栅格的凹点空间分布密度及凸点空间分布密度；
根据所述凹点空间分布密度及所述凸点空间分布密度，构建所述凹点模型的三维分布密度数组及所述凸点模型的三维分布密度数组；
分别获取各模型的三维分布密度数组中落在各预设的密度区间内的元素个数，以构建凹点空间分布密度直方图及凸点空间分布密度直方图；
基于所述凹点空间分布密度直方图及所述凸点空间分布密度直方图，将所述待识别车辆图像与所述车辆图像数据库中车辆进行匹配，得到所述待识别车辆图像的车辆识别结果；
根据所述待识别车辆图像的车辆识别结果，获取所述待识别路段的车流情况。
9.如权利要求1所述的车辆识别方法，其特征在于，所述基于所述凹点空间分布密度直方图及所述凸点空间分布密度直方图，将所述待识别车辆图像与所述车辆图像数据库中车辆进行匹配，得到所述待识别车辆图像的车辆识别结果，具体包括：
计算所述待识别车辆图像的凹点空间分布密度直方图与所述车辆图像数据库中车辆的凹点空间分布密度直方图之间的第一匹配度；
计算所述待识别车辆图像的凸点空间分布密度直方图与所述车辆图像数据库中车辆的凸点空间分布密度直方图之间的第二匹配度；
根据所述第一匹配度及所述第二匹配度，得到所述待识别车辆图像与所述车辆图像数据库中车辆的匹配度；
从所述车辆图像数据库中筛选出所述匹配度达到预设的匹配条件时对应的车辆作为所述待识别车辆图像的车辆识别结果。
10.一种车辆识别装置，其特征在于，包括：
图像获取模块，用于获取待识别路段的待识别车辆图像；
凹凸点提取模块，用于提取所述待识别车辆图像的凹点和凸点，并根据所述凹点和所述凸点，构建所述待识别车辆图像的凹点模型和凸点模型；
匹配识别模块，用于基于所述凹点模型和所述凸点模型，将所述待识别车辆图像与车辆图像数据库进行配对，得到所述待识别车辆图像的车辆识别结果，并获得所述待识别路段的车流情况。
CN201911189552.0A 2019-11-28 2019-11-28 一种车辆识别方法及装置 Active CN110930720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911189552.0A CN110930720B (zh) 2019-11-28 2019-11-28 一种车辆识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911189552.0A CN110930720B (zh) 2019-11-28 2019-11-28 一种车辆识别方法及装置

Publications (2)

Publication Number Publication Date
CN110930720A true CN110930720A (zh) 2020-03-27
CN110930720B CN110930720B (zh) 2020-11-13

Family

ID=69846746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911189552.0A Active CN110930720B (zh) 2019-11-28 2019-11-28 一种车辆识别方法及装置

Country Status (1)

Country Link
CN (1) CN110930720B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102043957A (zh) * 2011-01-11 2011-05-04 北京邮电大学 基于图像凹点的车辆分割方法
WO2012128656A1 (ru) * 2011-03-22 2012-09-27 Gan Mikhail Abramovich Устройство отображения визуальной информации на лобовом стекле транспортного средства
CN102799857A (zh) * 2012-06-19 2012-11-28 东南大学 一种视频多车辆轮廓检测方法
CN106257446A (zh) * 2015-06-19 2016-12-28 苏州市大创信息运用有限公司 基于经纬度的地理信息手绘***
CN106781513A (zh) * 2016-11-28 2017-05-31 东南大学 一种基于特征融合的城市交通场景中车辆行为的识别方法
CN108171203A (zh) * 2018-01-17 2018-06-15 百度在线网络技术（北京）有限公司 用于识别车辆的方法和装置
KR101914041B1 (ko) * 2016-08-03 2018-11-02 주식회사 코렌 옵티칼 렌즈 어셈블리 및 이를 포함한 전자 장치
CN109102495A (zh) * 2018-07-05 2018-12-28 广州杰赛科技股份有限公司 目标图像确定方法和***、计算机设备、计算机存储介质
CN109784216A (zh) * 2018-12-28 2019-05-21 华南理工大学 基于概率图的车载热成像行人检测RoIs提取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102043957A (zh) * 2011-01-11 2011-05-04 北京邮电大学 基于图像凹点的车辆分割方法
WO2012128656A1 (ru) * 2011-03-22 2012-09-27 Gan Mikhail Abramovich Устройство отображения визуальной информации на лобовом стекле транспортного средства
CN102799857A (zh) * 2012-06-19 2012-11-28 东南大学 一种视频多车辆轮廓检测方法
CN106257446A (zh) * 2015-06-19 2016-12-28 苏州市大创信息运用有限公司 基于经纬度的地理信息手绘***
KR101914041B1 (ko) * 2016-08-03 2018-11-02 주식회사 코렌 옵티칼 렌즈 어셈블리 및 이를 포함한 전자 장치
CN106781513A (zh) * 2016-11-28 2017-05-31 东南大学 一种基于特征融合的城市交通场景中车辆行为的识别方法
CN108171203A (zh) * 2018-01-17 2018-06-15 百度在线网络技术（北京）有限公司 用于识别车辆的方法和装置
CN109102495A (zh) * 2018-07-05 2018-12-28 广州杰赛科技股份有限公司 目标图像确定方法和***、计算机设备、计算机存储介质
CN109784216A (zh) * 2018-12-28 2019-05-21 华南理工大学 基于概率图的车载热成像行人检测RoIs提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ENRICA D’AFFLISIO: ""Optimal Stealth Trajectory Design to Deceive Anomaly Detection Process"", 《OCEANS 2019 - MARSEILLE》 *
刘万军: ""利用七宫格的遮挡车辆凹性检测与分割"", 《中国图像图形学报》 *

Also Published As

Publication number Publication date
CN110930720B (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN107292276B (zh) 一种车载点云聚类方法及***
CN108681692B (zh) 一种基于深度学习的遥感图像内新增建筑识别方法
CN110348297B (zh) 一种用于识别立体停车库的检测方法、***、终端和存储介质
Wu et al. A method of vehicle classification using models and neural networks
CN113095205B (zh) 一种基于改进霍夫投票的点云目标检测方法
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN108550166B (zh) 一种空间目标图像匹配方法
CN111274943A (zh) 一种检测方法、装置、电子设备及存储介质
CN113470090A (zh) 基于sift-shot特征的多固态激光雷达外参标定方法
CN106204557A (zh) 一种基于扩展高斯球与m估计的非完备数据对称特征的提取方法
CN114612665B (zh) 基于法向量直方图特征的位姿估计及动态车辆检测方法
CN115563732B (zh) 基于虚拟现实的喷涂轨迹仿真优化方法及装置
CN111145129A (zh) 基于超体素的点云去噪方法
CN112084453A (zh) 三维虚拟展示***、方法、计算机设备、终端及存储介质
CN117132630A (zh) 一种基于二阶空间兼容性度量的点云配准方法
CN113947570A (zh) 一种基于机器学习算法和计算机视觉的裂纹辨识方法
CN111985507A (zh) 一种岩体三维点云节理迹线提取方法
CN117830297B (zh) 焊缝识别方法、焊接方法、装置及电子设备
CN111310720A (zh) 基于图度量学习的行人重识别方法及***
CN115457130A (zh) 一种基于深度关键点回归的电动汽车充电口检测定位方法
CN117011299B (zh) 融合图重采样和梯度特征的参考点云质量评估方法及***
CN110930720B (zh) 一种车辆识别方法及装置
CN112115737B (zh) 一种车辆朝向的确定方法、装置及车载终端
WO2023131203A1 (zh) 语义地图更新方法、路径规划方法以及相关装置
CN111310772A (zh) 用于双目视觉slam的点线特征选取方法及***

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