[发明专利]一种基于虚拟号牌的无牌车辆识别方法

说明书

技术领域

本发明涉及计算机视觉领域，尤其涉及一种基于虚拟号牌的无牌车辆识别方法，是交通应用领域中的一项重要应用。

背景技术

伴随我国交通事业的快速发展与民用车辆的大规模增加，通过图像对行驶车辆进行分类管理显得尤为重要，特别时对于无牌车的识别与管理工作。目前还没有一种成熟的无牌车识别解决方案，由于该方案需要准确获取车辆的位置大小、车辆品牌、年检标、挂件等信息，以此唯一确定同一车辆。只有这样才能有效的进行无牌车检索与管理，但是以往的方法往往由于特征描述不全面，导致该项工作展开的并不是很好。

发明内容

为了有效的查找检索出目标车辆，通过图像处理构建虚拟号牌库，由此提高无牌车的识别和管理。本发明的目的是通过以下技术方案实现的。

一种基于虚拟号牌的无牌车辆识别方法，其特征在于，所述方法包括：步骤1为虚拟号牌构建步骤,包括基于视频或图像进行车辆检测，获得车辆特写图,对车辆图像进行特征提取,生成虚拟号牌，构建虚拟号牌库；步骤2为虚拟号牌库识别步骤,包括基于视频或图像进行目标车辆检测，获得目标车辆特写图，对目标车辆图像进行特征提取,生成虚拟号牌,与所述虚拟号牌库比对结果。

优选地，所述步骤1包括：

步骤1-1、基于视频或图像进行车辆检测，提取车辆图像；

步骤1-2、对车辆图像进行特征提取，所述特征提取是基于深度学习所描述的图像特征，所述图像特征包括描述全车图像的若干维全局特征，和/或描述车辆局部区域的若干维局部特征；

步骤1-3、将所得的全局特征和/或局部特征量化，并存储，生成虚拟号牌，构建虚拟号牌库。

优选地，所述步骤2包括：

步骤2-1、基于视频或图像进行目标车辆检测，提取目标车辆图像；

步骤2-2、对目标车辆图像进行特征提取，所述特征提取是基于深度学习所描述的图像特征，所述图像特征包括描述全车图像的若干维全局特征，和/或描述车辆局部区域的若干维局部特征；

步骤2-3、将所得的目标车辆的全局特征和/或局部特征量化，并存储，生成目标车辆的虚拟号牌；

步骤2-4、将目标车辆的虚拟号牌与虚拟号牌库中的虚拟号牌逐一比对，得到识别结果。

优选地，步骤1-2或者步骤2-2中，所述深度学习包括采用快速区域深度卷积神经网络目标检测算法。

优选地，步骤1-2或者步骤2-2中，不采用所述深度学习的方法，而是采用级联特征目标检测方法。

优选地，所述快速区域深度卷积神经网络目标检测算法包括在得到车辆的特写图之后，利用深度卷积方法，将所述特写图作为深度卷积神经网络的输入，通过前馈神经网络计算得到车辆图像的若干维全局特征，同时按照几何位置关系确定局部区域，以此为基础获取相应的若干维局部特征。

优选地，所述步骤1-3包括将获得的全局特征以及局部特征形成完整的特征向量并无损的存储于特征库中，以此构建车辆的虚拟号牌库，或者根据大量样本数据的训练，将特征按照训练阈值形成哈希码，根据相应的哈希表征算法形成二维码，以此构建车辆的虚拟号牌库。

优选地，所述步骤2-4包括采用分布式并行计算的方式，采用倒数比距离与余弦距离将目标车辆的虚拟号牌和数据库中的虚拟号牌进行距离相似度匹配，从而进行车辆比对分析。

优选地，所述步骤2-4包括当相似度高于一定阈值时，判定识别成功，并输出所匹配的虚拟号牌结果。

本发明的优点在于：在基于图像识别的基础上，充分利用车辆的全局与局部特征，包括但不仅限于基于深度学习或级联目标描述的图像特征。进而生成虚拟号牌与比对，综合考虑了整体与局部信息，以此为基础，对于每一辆车来说，可以生成唯一的车辆虚拟号牌，从而不用车牌识别也能有效的查找检索出目标车辆，对于高速公路逃费稽查、无牌车闯红灯、肇事车辆快速查找等多种交通应用有着积极意义。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明实施例的一种基于虚拟号牌的无牌车辆识别方法流程图；

图2示出了根据本发明实施例的多层卷积神经网络模型的结构图；

图3示出了根据本发明实施例的改进的多层卷积神经网络模型的结构图。

图4示出了根据本发明实施例的DPM+深度目标检测用于车辆识别的方法流程图。