车辆识别方法技术

本发明专利技术提供了一种车辆识别方法，包括：对当前帧的视频图像进行前景检测；提取在当前帧中的检测到的车辆图像的特征点；如果当前帧中的车辆图像的特征点与预先记录的一个车辆图像的特征点相匹配，则比较所述当前帧中的车辆图像与匹配到的车辆图像的颜色特征，如果一致，则确定匹配成功。通过本发明专利技术的方法，可比较摄像头中的车辆图像与预先记录的车辆图像是否一致，从而对可能存在违章逃逸的车辆进行查找确认。例如，当前摄像头拍摄到交通肇事逃逸的车辆，记录该逃逸车辆图像的一组特征点，通过其它摄像头监控到的图像，可辨别出是否为逃逸的车辆。

【技术实现步骤摘要】

本专利技术涉及车辆检测领域，特别是指一种。
技术介绍
随着社会经济的发展，车辆的增多，通过计算机信息化、智能化的管理车辆成为必然。由于机动车辆的保有量的急速攀升导致城市和道路交通面临的问题尤为突出。由主观或客观原因导致使得交通违法行为、交通事故频繁发生，在影响了正常交通秩序的同时，对国民经济、社会发展和人们的生命及财产安全造成了极大的威胁，城市交通管理面临的压力与日俱增，单纯依靠人力已经愈来愈难以满足日益艰巨的管理要求。当车辆违规逃离后，由于存在同样的车辆，如果没有其他的如车牌或关键标识的特征，存在不容易在其经过的位置成功识别的问题。
技术实现思路
本专利技术提出了一种，以解决上述现有技术不能对车辆进行成功识别的问题。为了达到上述目的，本专利技术的技术方案是这样实现的，包括:对当前帧的视频图像进行前景检测；提取在当前帧中的检测到的车辆图像的特征点；如果当前巾贞中的车辆图像的特征点与预先记录的一个车辆图像的特征点相匹配，则比较所述当前帧中的车辆图像与匹配到的车辆图像的颜色特征，如果一致，则确定匹配成功。通过本专利技术的方法，可比较摄像头中的车辆图像与预先记录的车辆图像是否一致，从而对可能存在违章逃逸的车辆进行查找确认。例如，当前摄像头拍摄到交通肇事逃逸的车辆，记录该逃逸车辆图像的一组特征点，通过其它摄像头监控到的图像，可辨别出是否为逃逸的车辆。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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是实施例的流程图；图2是实施例中采用SIFT算法和BBF算法进行匹配的流程图。具体实施例方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。参见图1，本专利技术的实施例包括以下步骤:Sll:对当前帧的视频图像进行前景检测；S12:提取在当前帧中的检测到的车辆图像的特征点；S13:如果当前巾贞中的车辆图像的特征点与预先记录的一个车辆图像的特征点相匹配，则比较所述当前帧中的车辆图像与匹配到的车辆图像的颜色特征，如果一致，则确定匹配成功。通过本专利技术的方法，可比较摄像头中的车辆图像与预先记录的车辆图像是否一致，从而对可能存在违章逃逸的车辆进行查找确认。例如，当前摄像头拍摄到交通肇事逃逸的车辆，记录该逃逸车辆图像的一组特征点，通过其它摄像头监控到的图像，可辨别出是否为逃逸的车辆。优选地，上述实施例中，可采用SIFT算法提取特征点，并通过BBF算法判断是否匹配。参见图2，包括以下步骤:S21:读取视频图像；用一个固定视场的监控摄像机，对公路中行驶的车辆获取视频图像。为了保证对车辆检测和跟踪的准确性，采样间隔应在0.05-0.2秒之间。`S22:对每帧图像去噪等预处理；S23:采用高斯混合模型对车辆进行检测；本方法采用混合高斯模型对背景进行建模。混合高斯建模由有限个高斯函数的加权和组成。对每一个像素点，定义K个高斯模型(K可以取3至6)。然后高斯混合模型初始化计算视频序列图像像素的均值μ ^和方差。0。检查每一个新的像素值是否与背景的高斯混合模型匹配，如果不匹配，该像素是前景图像，不对高斯混合模型参数进行更新。如果匹配则对相应的参数进行更新。高斯模型参数(权值K、均值U1、方差 <)更新方程如公式(I) (2) (3) (4):μ0 = —X., crO = 7乞(t _Α))2 “) /V =0Jy t=0Wi (t) = (1-α ) Wi (t_l) + α (2)μ i(t) = (1-P ) μ i(t-l) + P X(t) (3)of (/) = (1- p) σ*(/ -1) + p( A (i)— /./,(/))'(Λ(/)(4)其中α为背景更新率,(O ^ α ^ I), P为背景参数更新率并且P = a /Wi (t),X(t)为t时刻的像素，N为图像中像素的总个数，μ Jt)表示t时刻第i个单高斯分布的均值，Wi⑴表示t时刻第i个单高斯分布的权重，并且i>,(t) = i。K个高斯模型。1=1S24:将检测到的图像作为单独的一幅图像保存。利用混合高斯模型的背景建模方法对视频图像进行车辆检测，生成一幅二值图像(O代表背景，1代表车辆像素点)，同时对二值图像进行数学形态学处理，使车辆运动区域更加完整。同时执行S25、S26两个步骤；S25:提取车辆的特征颜色；S26 =SIFT算法提取特征点。优选地，视频图像中的运动图像的特征点通过以下步骤确定:读取一帧视频图像，该图像为I (x，y)，与高斯函数G (x，y，σ )卷积，得到尺度空间的图像L (X, y, σ )；权利要求1.一种，其特征在于，包括: 对当前帧的视频图像进行前景检测； 提取在当前帧中的检测到的车辆图像的特征点； 如果当前帧中的车辆图像的特征点与预先记录的一个车辆图像的特征点相匹配，则t匕较所述当前帧中的车辆图像与匹配到的车辆图像的颜色特征，如果一致，则确定匹配成功。2.根据权利要求1所述的，其特征在于，所述提取特征点的过程包括: 在高斯差分尺度空间，根据不同的高斯核函数的σ值，建立车辆图像所对应的多张层叠的不同尺度的图像； 在当前层的尺度的图像内，如果一个像素点在本层及其两个相邻层的8邻域内，为最大值或最小值，则该点为该尺度下的一个特征点。3.根据权利要求2所述的，其特征在于，所述匹配的过程包括: 根据每个尺度下的每个特征点所在车辆图像的位置，确定该特征点及其周围邻域内的像素点的梯度，建立该特征点对应的描述子； 确定所述车辆图像的每个特征点对应的描述子与所述记录的一组特征点对应的描述子的欧氏距离d; 其中，所述欧式距离d=sqrt( Σ (xil-xi2) "2) ;xiI为记录的一组特征点中的一个特征点的第i维向量、xi2为车辆图像中的一个特征点的第i维向量； 如果最小的欧式距离不大于第一阈值、且最小的欧氏距离与次小的欧式距离的比值不大于第二阈值，则确定用于 运算出所述最小的欧式距离的两个描述子各自对应的特征点相匹配； 当相匹配的特征点的数量占记录的该组特征点总数量的比值超过第三阈值后，确定车辆图像的特征点与该组特征点匹配成功。4.根据权利要求2所述的，其特征在于，所述σ值介于O 20之间。5.根据权利要求3所述的，其特征在于，所述建立描述子的过程包括: 根据所述确定的该特征点及其周围邻域内的像素点的梯度，建立梯度直方图； 将所述梯度直方图中梯度的最大模对应的角度范围中的任意一个角度作为主方向； 用一个中心在该区域中央的高斯函数对所述周围邻域内的各个像素点的梯度的模加权； 将所述周围邻域内的各个像素划分为多个区块，根据每个区块内的像素点的加权后的模长、相对于所述主方向的角度差值，建立每个区块内的直方图，确定该区块内的向量； 以多维向量的格本文档来自技高网...

【技术保护点】
一种车辆识别方法，其特征在于，包括：对当前帧的视频图像进行前景检测；提取在当前帧中的检测到的车辆图像的特征点；如果当前帧中的车辆图像的特征点与预先记录的一个车辆图像的特征点相匹配，则比较所述当前帧中的车辆图像与匹配到的车辆图像的颜色特征，如果一致，则确定匹配成功。

【技术特征摘要】

【专利技术属性】
技术研发人员：王海峰，王晓萌，何小波，董博，杨宇，张凯歌，
申请(专利权)人：信帧电子技术北京有限公司，
类型：发明
国别省市：