一种基于无人机机载平台的车型识别方法技术

本发明专利技术公开了一种基于无人机机载平台的车型识别方法，属于视频图像技术领域。包括以下步骤：S1：调整无人机对地高度到适合车型识别的位置；S2：离线采集用于车辆目标检测的红外图像正负样本，分别利用卷积神经网络(CNN)特征提取，进行支持向量机(SVM)训练，得到用于在线车型识别的SVM分类器模型。S3：利用红外线摄像机进行红外线摄像，获取视频图像信号；S4：对所摄取红外图像序列进行滑动窗口采样，利用卷积神经网络(CNN)提取出车型特征，将该特征送入S2中得到的分类器模型中进行分类。本方法采用红外摄像机能在白天、夜晚以及天气条件恶劣、能见度较低的情况下完成车型识别。同时，本方法可以动态选取检测区域，增加了检测系统的灵活性。

【技术实现步骤摘要】

本专利技术属于视频图像技术和智能交通
，涉及一种基于无人机机载平台的车型识别方法。
技术介绍
随着现代社会生活水平不断提高，汽车作为一种重要的交通工具，数量呈现高速增长的趋势，给交通监管带来了巨大的挑战。汽车数量的高速增长，虽然给人们的生活带来了很多便利，但同时也带来了诸如乱闯红灯、交通拥堵、超速、交通事故等一系列的交通问题。传统的依靠人力或者基础交通设施的道路交通管理方法己经没法满足目前的发展需求了，而近年来计算机技术、人工智能和模式识别等技术得到了大力发展以及广泛应用，这些技术也渗透到了交通服务行业，在这种背景下，智能交通系统(Intelligent Transportation system，ITS)应运而生。车型识别是智能交通系统的重要组成部分，也是智能交通系统的重要研究内容。目前发展比较成熟的车型识别方法有地感线圈检测超声波检测、激光红外线检测等，这几种方法虽然识别精度比较高，但是安装过程会影响交通秩序的正常运行，设备也容易损坏，维护比较困难而且维护成本高。随着模式识别、图像处理以及计算机视觉技术的发展，基于图像处理的车型识别技术得到了越来越多的关注和研究。然而，当前的图像处理车型识别技术大多基于彩色图像原理进行识别，其在夜晚、天气条件恶劣、能见度较低等情况下极易产生错分。此外，用于采集图像的摄像设备通常安装较固定，缺乏灵活性。红外信号受天气状况、光照变化、遮挡等影响较小，特别是将红外摄像机安装于无人机平台上，用于车型识别，具有检测区域灵活、错分率低等特点，对于车型识别，解决交通问题有着极其重要的意义。因此，目前急需一种基于无人机机载平台的车型识别方法。
技术实现思路
有鉴于此，本专利技术的目的在于克服现有的基于视频的车型识别存在的缺陷，提供一种鲁棒、灵活的车型识别方法，该方法基于机载平台、红外摄像技术和识别算法，可以在夜晚、天气状况恶劣、能见度较低的情况下对局部路段的车辆进行车型识别，并能灵活选取检测区域，得到识别效果。为达到上述目的，本专利技术提供如下技术方案：一种广域视角下基于机载平台的车型识别方法。包括以下步骤：S1：利用GPS定位技术获取无人机对地高度H，并判断当前高度是否可进行车型识别，若是则进行车辆车型识别，若否则对无人机空间位置进行调整；S2：离线采集用于车辆目标检测的红外图像正负样本，分别利用卷积神经网络(CNN)进行特征提取，然后利用支持向量机(SVM)分类器训练，得到用于在线车型识别的SVM分类器模型。S3：利用红外线摄像机进行红外线摄像，获取视频图像信号；S4：对所摄取红外图像序列在不同尺度的滑动窗口下进行采样，利用卷积神经网络(CNN)进行特征提取，将该特征送入步骤二中得到的分类器模型中，对车辆类型进行分类，最后输出三种车型：小车、货车、客车。进一步，在S1中具体包括以下步骤：11：利用GPS定位技术获取无人机对地高度H；12：若当前高度满足式Hmin≤H≤Hmax，则进行车辆目标检测，否则调整无人机空间位置。进一步，所述S2中具体包括以下步骤：21：离线采集用于车辆检测的正负样本，其中正样本是指含有待检车辆的样本，负样本的选取较随意，但需与车辆目标无关；22：将得到的红外图像利用直方图均衡进行预处理，并将得到的灰度图像尺寸归一化到120*96的图像块；23：分别利用卷积神经网络(CNN)提取图像块的特征，所述的卷积神经网络为5层神经网络，包括：两个卷积层、两个下采样层、一个全连接层，其中：输入层是120*96的图像块，卷积层C1有6个特征图，下采样层S2有6个特征图，卷积层C3由S2卷积得到12咯特征图，下采样层S4有12个特征图，全连接层F5选用ReLu函数为激活函数，得到特征向量空间；24：将提取的特征向量及相应标签输入SVM训练算法中，得到一个用于红外图像车辆车型识别的分类器模型。进一步，所述S4中具体包括以下步骤：41：对所采集的红外图像不同尺度大小上进行滑动窗口采样，按照步骤三所述方法，进行图像预处理，并按照步骤三所述的卷积神经网络(CNN)进行特征提取；42：将提取得到的特征向量送入步骤三中得到的分类模型，对车辆类型分类。本专利技术的有益效果在于：本专利技术所述方法基于无人机机载平台与红外图像处理技术，其中，红外摄像机能准确地探测热目标，克服背景以及恶劣天气条件的不良影响，因此适用范围广，鲁棒性较强；此外，与目前现有的车型识别方法相比，无人机不仅可以灵活选取检测区域，实现检测设备“一机多用”，能够在一定程度上降低检测成本，而且无人机可以选择合适的视觉，分类结果更为准确可靠。附图说明为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：图1为本专利技术所述方法的流程图；图2为卷积神经网络构建过程。具体实施方式下面将结合附图，对本专利技术的优选实施例进行详细的描述。图1为本专利技术所述方法的流程图，本方法包括以下步骤：S1：对无人机机载平台空间位置进行预处理，将其调整至可检测的高度范围内。无人机空间位置调整具体步骤如下：S11：利用GPS定位技术获取无人机对地高度H；S12：判断无人机当前空间高度是否满足式Hmin≤H≤Hmax，若是则进行车辆目标检测，否则调整无人机空间位置以满足上述空间约束条件。S2：离线采集用于车辆目标检测的红外图像正负样本，分别对样本进行预处理，利用卷积神经网络(CNN)进行特征，进行支持向量机(SVM)分类器训练，得到用于在线车辆检测的SVM分类器模型。具体步骤如下：S21：离线采集用于车辆检测的正负样本，其中正样本是指含有待检车辆的样本，负样本的选取较随意，但需与车辆目标无关；S22：对采集的样本利用直方图均衡进行预处理，并将得到的灰度图像尺寸归一化到120*96的图像块；S23：分别利用卷积神经网络(CNN)提取图像块的特征，所述的卷积神经网络为5层神经网络，包括：两个卷积层、两个下采样层、一个全连接层，其中：输入层是120*96的图像块，卷积层C1有6个特征图，下采样层S2有6个特征图，卷积层C3由S2卷积得到12咯特征图，下采样层S4有12个特征图，全连接层F5选用ReLu函数为激活函数，得到特征向量空间；S23：将提取的特征向量及相应标签输入SVM训练算法中，得到一个用于红外图像车型识别的分类器模型。S3：利用红外线摄像机进行红外线摄像，获取红外视频图像信号。S4：对所述步骤S3所摄取的红外图像信号进行车型识别。车辆识别具体步骤如下：S41：对所采集的红外图像在不同尺度大小上进行滑动窗口采样，对采用图像进行预处理，得到120*96的图像块，并利用卷积神经网络进行特征提取；S42：将提取得到的特征向量送入所述步骤S23中得到的分类模型，对车辆类型进行分类识别。最后说明的是，以上优选实施例仅用以说明本专利技术的技术方案而非限制，尽管通过上述优选实施例已经对本专利技术进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本专利技术权利要求书所限定的范围。本文档来自技高网...

【技术保护点】
一种基于无人机机载平台的车型识别方法，其特征在于：包括以下步骤：S1：利用GPS定位技术获取无人机对地高度H，并判断当前高度是否可进行车型识别，若是则进行车辆车型识别，若否则对无人机空间位置进行调整；S2：离线采集用于车辆目标检测的红外图像正负样本，分别利用卷积神经网络(CNN)提取其特征，进行支持向量机(SVM)分类器训练，得到用于在线车辆检测的SVM分类器模型。S3：利用红外线摄像机进行红外线摄像，获取视频图像信号；S4：对所摄取红外图像序列在不同尺度的滑动窗口下进行采样，利用卷积神经网络(CNN)进行特征提取，将得到特征送入步骤二中得到的分类器模型中，对车辆类型进行分类，最后输出三种车型：小车、货车、客车。

【技术特征摘要】
1.一种基于无人机机载平台的车型识别方法，其特征在于：包括以下步骤：S1：利用GPS定位技术获取无人机对地高度H，并判断当前高度是否可进行车型识别，若是则进行车辆车型识别，若否则对无人机空间位置进行调整；S2：离线采集用于车辆目标检测的红外图像正负样本，分别利用卷积神经网络(CNN)提取其特征，进行支持向量机(SVM)分类器训练，得到用于在线车辆检测的SVM分类器模型。S3：利用红外线摄像机进行红外线摄像，获取视频图像信号；S4：对所摄取红外图像序列在不同尺度的滑动窗口下进行采样，利用卷积神经网络(CNN)进行特征提取，将得到特征送入步骤二中得到的分类器模型中，对车辆类型进行分类，最后输出三种车型：小车、货车、客车。2.根据权利要求1所述的一种基于无人机机载平台的车型识别方法，其特征在于：在S1中具体包括以下步骤：11：利用GPS定位技术获取无人机对地高度H；12：若当前高度满足式Hmin≤H≤Hmax，则进行车辆车型识别，否则调整无人机空间位置。3.根据权利要求1所述的一种基于无人机机载平台的车型识别方法，其特征在于：在S2中具体包括以下步骤：21：离线采集用于...

【专利技术属性】
技术研发人员：尹宏鹏，柴毅，李天柱，陈波，王唯，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50