1.一种基于SIFT特征的车型识别方法,
使用车型识别装置实现,所述车型识别装置包括设有光学镜头智能违章车辆检测球机,检测球机包括图像采集系统、视屏编码系统及智能分析系统,其特征在于:图像采集系统包括图像传感器、信号采集转换器、可编程逻辑处理器及信号驱动器,光学镜头通过图像传感器与信号采集转换器建立连接;信号采集转换器通过可编程逻辑处理器并经信号驱动器与图像传感器建立连接;图像传感器、信号采集转换器、可编程逻辑处理器以及信号驱动器形成图像采集回路系统;视屏编码系统包括录像编码器及中心处理器,中心处理器通过录像编码器与可编程逻辑处理器建立连接,以及智能分析系统包括存储器、图像处理器及智能云PTZ控制器,图像处理器通过存储器与可编程逻辑处理器建立连接,同时PTZ控制器通过中心处理器与图像处理器建立连接;
所述车型识别方法包括:
步骤一、通过光学镜头抓拍的车辆图像数据;
步骤二、通过车牌识别算法确定车牌的位置、大小信息来确定车脸区域;
步骤三、对车脸图像进行SIFT特征点检测并将图像进行分块处理,计算各个图像子区域的SIFT特征描述子;
步骤四、将SIFT特征描述子输入到PNN中进行训练并根据每一类车标,生成相应的车型模板,进行车型识别,以及
步骤五、输出车型识别结果;
所述步骤三中包括:
第一步、对车脸图像进行SIFT特征点检测;
第二步、把车脸图像分成M N个子图像区域;
第三步、判断图像子区域内特征点个数是否大于0,是则进入第四步,否则跳转到第五步;
第四步、对该图像子区域内特征点的特征向量计算平均值,计算公式是:
第五步、将每个子图像区域的中心点作为特征点,以每个特征点为中心在size×size的邻域窗口内生成SIFT描述子来描述特征点。
2.如权利要求1所述的基于SIFT特征的车型识别方法,其特征在于,在步骤四中包括:
第一步、采集车型样本并根据车标信息,将车型样本进行分类并将每一类车标的车型样本进行训练;
第二步、提取样本集中每一个样本图片的SIFT特征;
第三步、将提取的SIFT特征输入到PNN概率神经网络训练,每一类车标生成一个车辆模型,因此得到多个车辆模型;
第四步、根据车标信息,将待识别车型与相应车辆品牌的车辆模型进行匹配识别,输出车辆类别。
一种基于SIFT特征的车型识别装置及其方法\n技术领域\n[0001] 本发明涉及电子技术领域,尤其是指提供一种基于SIFT特征的车型识别装置及其\n方法。\n背景技术\n[0002] 随着经济的发展,汽车正日益成为人们日常生活中的重要交通工具。在汽车给人\n们带来便利的同时,对于以机动车作为作案交通工具,或者交通事故逃逸等情形越来越普\n遍,给公安侦查、稽查工作带来很大的困难。利用交通治安卡口系统,对每一辆通行车辆拍照并获得车牌号码等信息,同时大致知道嫌疑车辆的颜色、品牌,再加上当事时间、地点,结合车型识别技术,就能够将嫌疑车辆锁定在一个很小的范围内,这给跟踪破案带来很大的\n便利。\n[0003] 目前车型识别技术通常的做法:首先检测并提取汽车的特征;然后根据先验知识\n对不同车辆类型所表现出的特征进行分类训练;最后使用分类器判定车辆的类型。基于图\n像的车型识别技术不仅可以从图像中获得更加丰富的车辆信息,而且可以直接利用现有的\n城市卡口系统提供的图像数据,建设和使用成本低,因此成为目前车型识别技术研究和应\n用的热点。\n[0004] 车型识别方法是对现有的车牌自动识别系统的一次较大扩展。针对不同的应用,\n研究人员也釆用了不同的研究方法。在现阶段,车型识别的研究主要应用在两个方面:车辆\n结构(大型车,小型车)和车辆型号上(不同品牌型号)。在目前的车辆类型判别中,通过小波分析、模糊理论、神经网络等技术,主要集中在车辆结构上进行车型识别,如客车、货车,轿车车型分类,没有对车型进行具体的分类识别。\n发明内容\n[0005] 为解决上述技术问题,本发明的主要目的在于提供一种基于SIFT特征的车型识别\n装置及其方法。\n[0006] 为达成上述目的,本发明应用的技术方案是:提供一种基于SIFT特征的车型识别\n装置,包括设有光学镜头智能违章车辆检测球机,检测球机包括图像采集系统、视屏编码系统及智能分析系统,其中:图像采集系统包括图像传感器、信号采集转换器、可编程逻辑处理器及信号驱动器,光学镜头通过图像传感器与信号采集转换器建立连接;信号采集转换\n器通过可编程逻辑处理器并经信号驱动器与图像传感器建立连接;视屏编码系统包括录像\n编码器及中心处理器,中心处理器通过录像编码器与可编程逻辑处理器建立连接,以及智\n能分析系统包括存储器、图像处理器及智能云PTZ控制器,图像处理器通过存储器与可编程逻辑处理器建立连接,同时PTZ控制器通过中心处理器与图像处理器建立连接。\n[0007] 为达成上述目的,本发明应用的技术方案是:提供一种实用基于SIFT特征的车型\n识别装置的方法,该方法包括:\n[0008] 步骤一、通过光学镜头抓拍的车辆图像数据;\n[0009] 步骤二、通过车牌识别算法确定车牌的位置、大小信息来确定车脸区域;\n[0010] 步骤三、对车脸图像进行SIFT特征点检测并将图像进行分块处理,计算各个图像\n子区域的SIFT特征描述子;\n[0011] 步骤四、将SIFT特征描述子输入到PNN中进行训练并根据每一类车标,生成相应的\n车型模板,进行车型识别,以及\n[0012] 步骤五、输出车型识别结果。\n[0013] 在本实施例中优选,步骤三中包括:\n[0014] 第一步、对车脸图像进行SIFT特征点检测;\n[0015] 第二步、把车脸图像分成M×N个子图像区域;\n[0016] 第三步、判断图像子区域内特征点个数大于0时进入第四步,而小于0时则跳转到\n第五步;\n[0017] 第四步、对该图像子区域内特征点的特征向量计算平均值,计算公式是:\n[0018] 第五步、将每个子图像区域的中心点作为特征点,以每个特征点为中心在size×\nsize的邻域窗口内生成SIFT描述子来描述特征点。\n[0019] 在本实施例中优选,步骤四中包括:\n[0020] 第一步、采集车型样本并根据车标信息,将车型样本进行分类并将每一类车标的\n车型样本进行训练;\n[0021] 第二步、提取样本集中每一个样本图片的SIFT特征;\n[0022] 第三步、将提取的SIFT特征输入到PNN概率神经网络训练,每一类车标生成一个车\n辆模型,因此得到多个车辆模型;\n[0023] 第四步、根据车标信息,将待识别车型与相应车辆品牌的车辆模型进行匹配识别,输出车辆类别\n[0024] 本发明与现有技术相比,其有益的效果是:\n[0025] 1、计算图像子区域的SIFT特征向量,避免了有时SIFT的兴趣点在某一区域比较集\n中而在某些区域又没有的情况,且考虑到了局部特征的空间关系\n[0026] 2、利用了车标信息设计分类器,在进行车型识别时只需要找到对应的车型模板进\n行匹配识别,从而大大缩短了车型识别的时间,为交通管理及刑侦系统提供技术支持。\n附图说明\n[0027] 图1是本发明实施例的方框结构示意图。\n[0028] 图2是本发明实施例的工作流程示意图。\n[0029] 图3是本发明实施例计算图像子区域的SIFT特征向量流程图。\n具体实施方式\n[0030] 下面结合具体实施例及附图对本发明作进一步详细说明。下面详细描述本发明的\n实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类\n似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅\n用于解释本发明的技术方案,而不应当理解为对本发明的限制。\n[0031] 在本发明的描述中,术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明而不是\n要求本发明必须以特定的方位构造和操作,因此不应当理解为对本发明的限制。\n[0032] 请参阅图1所示,本发明提供一种基于SIFT特征的车型识别装置,包括设有光学镜\n头(LENS)10的智能违章车辆检测球机(以下称“检测球机”)20,检测球机20包括图像采集回路系统(以下称“图像采集系统”)21、图像视频编码存储系统(以下称“视屏编码系统”)22及图像智能分析单元(以下称“智能分析系统”)23,其中:\n[0033] 图像采集系统21包括图像传感器211、信号采集转换器212、可编程逻辑处理器\n(FPGA)213及信号驱动器(HV)214,在本实施例中,光学镜头(LENS)10通过图像传感器211与信号采集转换器212建立连接;信号采集转换器212通过可编程逻辑处理器213并经信号驱\n动器214与图像传感器211建立连接,藉此形成回路而实现图像序列采集功能;\n[0034] 视屏编码系统22包括可编程逻辑处理器213、录像编码器(H264)221及中心处理器\n(ARM)222,在本实施例中,中心处理器222通过录像编码器221与可编程逻辑处理器213建立连接,藉此实现图像视频编码存储功能,以及\n[0035] 智能分析系统23包括可编程逻辑处理器213、存储器(SDRAM)231、图像处理器\n(DSP)232、中心处理器222及智能云PTZ控制器(以下称“PTZ控制器”)233,在本实施例中,图像处理器232通过存储器231与可编程逻辑处理器213建立连接,同时PTZ控制器233通过中\n心处理器222与图像处理器232建立连接,藉此实现图像序列的分析和处理功能。\n[0036] 在本发明创造的实施例中,当运动车辆进入智能卡口监控系统预先设置的抓拍位\n置时,自动触发图像采集系统21抓拍车辆通行图片,通过智能分析系统23首先对抓拍到的\n图片进行车牌定位和车标识别,并将图像数据、车牌的具体位置和车标识别结果传给图像\n处理器232识别车型并输出车辆类型。\n[0037] 请参阅图1并结合参阅图2及图3所示,本发明提供一种基于SIFT特征的车型识别\n装置的实用方法,其中:实用方法包括的步骤:\n[0038] 一、获取抓拍的车辆图像数据201;\n[0039] 二、通过车牌识别算法确定车牌的位置、大小等信息,确定车脸区域202,在这一步骤的前提是在图像处理器232首先对车牌进行检测,获得车牌的基本信息,包括车牌大小和车牌矩形区域等信息。根据先验知识,如果以车牌中心为坐标,则车脸区域的大小分别是车牌宽度上下左右的0.7、0.4、1.3和1.3倍;\n[0040] 三、对车脸图像进行SIFT特征点检测,并将图像进行分块处理,计算各个图像子区域的SIFT特征描述子203,具体而言,在本步骤中包括:\n[0041] 第一步,对车脸图像进行SIFT特征点检测301;\n[0042] 第二步,把车脸图像分成M×N个子图像区域302;\n[0043] 第三步,判断图像子区域内特征点个数是否大于“0”303,“是”则进入下第四步,否则跳转第五步305;\n[0044] 第四步,对该图像子区域内所有特征点的特征向量计算平均值304,其计算公式如\n下:\n[0045] 其中, 表示为第i行j列的子图像区域内的128维SIFT特征向量,ni,j表示当前\n图像子区域中的特征个数,Sk表示图像子区域内每个特征点对应的特征向量,Ck表示图像子区域内以中心点为特征点的SIFT特征向量。\n[0046] 第五步,将每个子图像区域的中心点作为特征点,以每个特征点为中心在size×\nsize的邻域窗口内生成SIFT描述子来描述特征点305。\n[0047] 四、将SIFT特征描述子输入到PNN(概率神经网络)中进行训练,并根据每一类车\n标,生成相应的车型模板,进行车型识别204,具体而言,在本步骤中包括:\n[0048] 第一步,采集车型样本,并根据车标信息,将车型样本进行分类,并将每一类车标的车型样本进行训练;\n[0049] 第二步,提取样本集中每一个样本图片的SIFT特征;\n[0050] 第三步,将提取的SIFT特征输入到PNN概率神经网络训练,每一类车辆品牌生成一\n个车辆模型,因此得到多个车辆模型;\n[0051] 第四步,根据车标信息,将待识别车型与相应车辆品牌的车辆模型进行匹配识别,输出车辆类别;\n[0052] 第五步,输出车型识别结果205。
法律信息
- 2017-12-29
- 2016-01-27
实质审查的生效
IPC(主分类): G08G 1/015
专利申请号: 201510665123.1
申请日: 2015.10.14
- 2015-12-30
引用专利(该专利引用了哪些专利)
序号 | 公开(公告)号 | 公开(公告)日 | 申请日 | 专利名称 | 申请人 |
1
| |
2014-04-23
|
2014-01-09
| | |
2
| | 暂无 |
2014-12-17
| | |
3
| |
2013-06-12
|
2013-02-05
| | |
4
| | 暂无 |
1997-04-21
| | |
被引用专利(该专利被哪些专利引用)
序号 | 公开(公告)号 | 公开(公告)日 | 申请日 | 专利名称 | 申请人 | 该专利没有被任何外部专利所引用! |