本發(fā)明涉及車型識別技術(shù)，尤其是一種車型識別方法。
背景技術(shù)：
智能交通系統(tǒng)需要對車輛的檢測和車型識別。車輛自動辨識是利用車載設(shè)備與地面基站設(shè)備互識進(jìn)行，主要用于收費(fèi)系統(tǒng)中，如AE-PASS系統(tǒng)、ETC系統(tǒng)，GPS定位等。車輛自動分類是通過檢測車輛本身固有的參數(shù)，在一定車輛分類標(biāo)準(zhǔn)下運(yùn)用分類識別算法對車輛進(jìn)行分類。
汽車識別包括汽車牌照識別、汽車顏色識別、車型識別、車標(biāo)識別等，目前最成熟的是汽車牌照的識別，并已經(jīng)廣泛應(yīng)用于電子警察、電子收費(fèi)等應(yīng)用系統(tǒng)中。
車型(vehicle category)識別根據(jù)不同目的，身份識別方式需要識別出車輛屬于已知類中的哪一類，以一定標(biāo)準(zhǔn)判斷目標(biāo)車輛規(guī)格，如工程用車、大型車、中型車、載貨車、載客車、公共汽車、小汽車等，這類模式主要應(yīng)用在公路收費(fèi)、車流分析等需求中。身份鑒定方式通常利用圖像處理技術(shù)比較兩張車輛圖像是否屬于同一輛車，查找車輛圖片庫中與已知車輛相同者等。
車型識別技術(shù)的識別對象來源主要有兩種：物理測量和圖像處理。通過物理手段，如聲音捕捉、金屬傳感器、衡器等獲得車輛的各種物理參數(shù)如聲音、重量、寬度、高度等，利用這些特征進(jìn)行分類以達(dá)到車型識別目的。通過物理測量到的信息用簡單的算法即可區(qū)分車輛類型。這類技術(shù)可靠性強(qiáng)，應(yīng)用比較廣泛，但施工復(fù)雜。
基于視頻分析的車型識別已成為車型分類技術(shù)的主要發(fā)展方向。靜態(tài)圖片分析是通過對單一拍攝的含有車輛的圖片進(jìn)行處理，并與離線獲取的圖片庫進(jìn)行比對，實(shí)現(xiàn)車型識別。對于實(shí)時視頻，通過攝像頭采集車輛動態(tài)視頻，來分析現(xiàn)場環(huán)境、獲取光照立體信息、自學(xué)習(xí)背景提取運(yùn)動車輛，從而進(jìn)一步識別車輛類型?；谝曨l的車型識別系統(tǒng)是非接觸檢測方式，設(shè)備數(shù)量少，可提供綜合交通數(shù)據(jù)信息和視頻圖像，便于對現(xiàn)場的全面、直觀檢測?？梢蕴峁┝髁俊⑺俣?、占有率、車長度分類、車頭時距與車頭間距、排隊(duì)長度等豐富的交通數(shù)據(jù)監(jiān)控信息。
由于非結(jié)構(gòu)化的視頻處理的局限性，任何一種基于視頻處理的車型識別方法都不是在各種條件下保證有效，提升單一方法的準(zhǔn)確度是非常具有難度。
技術(shù)實(shí)現(xiàn)要素：
為了克服已有基于視頻分析的車型識別方式的準(zhǔn)確度較低的不足，本發(fā)明提供一種有效提升準(zhǔn)確度的基于車牌信息和車輛輪廓的多路視頻信息融合的車型識別方法。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
一種基于車牌信息和車輛輪廓的多路視頻信息融合的車型識別方法，所述車型識別方法包括如下步驟：
1)、采用安裝于不同方位的多個攝像頭獲取視頻圖像，得到車側(cè)圖像和車頭或車尾圖像；
2)、實(shí)施車輛圖像的檢測、跟蹤和分離；
3)、針對安裝于不同位置的攝像頭采集的圖像，分別采用相應(yīng)的方法產(chǎn)生的分類結(jié)果，過程如下：
3.1針對車頭或車尾圖像，車牌定位，利用車牌的顏色和寬高比信息，獲取車輛的類型信息；
3.2針對車頭或車尾圖像，利用幾何光學(xué)方法確定其寬度和高度真實(shí)尺寸，獲取車輛類型信息；
3.3針對車側(cè)圖像：
3.3.1利用運(yùn)動目標(biāo)檢測，獲取車輛輪廓信息，計(jì)算車輛輪廓內(nèi)的面積與車輛長高積之比、長高比、車高、車長特征，采用神經(jīng)網(wǎng)絡(luò)或SVM方法進(jìn)行車型分類；
3.3.2利用Hough變換對車輛進(jìn)行圓檢測，并標(biāo)出圓心，確定車輪個數(shù)和車輪之間的距離，最終確定出車輛類型信息；
4)、對比不同方法的檢測結(jié)果，采用簡單的投票信息融合機(jī)制：
4.1在不同分類器分類結(jié)果沒有沖突的情況下，通過一個決策樹逐步確定多類的分類；
4.2在不同分類器分類結(jié)果存在沖突的情況下，采用投票機(jī)制，確定相同分類結(jié)果最多的類為最終的車型；
4.3在不同分類器分類結(jié)果存在沖突的情況下，同一分類器的兩個不同特征分別得到的分類結(jié)果可以算作兩個不同分類器的結(jié)果，然后采用投票機(jī)制。
進(jìn)一步，所述步驟3.3.1)中，采用神經(jīng)網(wǎng)絡(luò)或SVM方法進(jìn)行車型分類的過程如下：對車側(cè)圖像，提取出車輛輪廓內(nèi)的面積與車輛長高積之比、長高比、車高、車長特征，作為神經(jīng)網(wǎng)絡(luò)或SVM方法的輸入，對現(xiàn)有樣本的分類作為輸出，來訓(xùn)練出相應(yīng)的分類器；在使用訓(xùn)練好的分類器時，對車輛圖像首先提取出相應(yīng)的特征作為分類器的輸入，分類器直接產(chǎn)生分類結(jié)果。
再進(jìn)一步，所述步驟3.3.2)中，車輛的長length、高h(yuǎn)eight，車輛一側(cè)的車輪數(shù)num_wheel,軸數(shù)num_shaft、軸距dist_shaft，判定如下：
如果num_shaft＝2,num_wheel＝2to 4,height<1.3m,dist_shaft<3.2m,則為小型車(包括小轎車、客貨車、摩托車)；
如果num_shaft＝2,num_wheel＝4,height>1.3m,dist_shaft>3.2m,則為中型車(包括面包車、輕型貨車)；
如果num_shaft＝2,num_wheel＝6,height>1.3m,dist_shaft>3.2m,則為中型車(包括中型客車、大型客車、中型貨車)；
如果num_shaft＝3,num_wheel＝6到10,height>1.3m,dist_shaft>3.2m,則為大型車(包括大型客車、大型貨車、大型拖掛車)
如果num_shaft>3,num_wheel>10,height>1.3m,dist_shaft>3.2m,則為重型車(包括重型貨車、拖車、集裝箱車)。
本發(fā)明的技術(shù)構(gòu)思為：采用多種不同方法的信息融合技術(shù)，是一種行之有效的提升識別率的方法。為提高本方法的有效性，需要兩個攝像頭協(xié)同工作：它們分別拍攝車頭(或車尾)和車側(cè)的圖像。
采用多路攝像頭，分別對車頭(或車尾)、車側(cè)的視頻進(jìn)行分析。采用前端攝像頭可以截取車頭車牌信息，由此判斷車輛類型。同時獲取車臉信息，和車輛的前端的幾何信息。側(cè)向的攝像頭主要采集車輛的側(cè)向輪廓。由前向和側(cè)向和輪廓，可以構(gòu)造出車輛的立體輪廓。再根據(jù)幾何輪廓，確定車型。同時，車牌的信息可以進(jìn)一步確認(rèn)車輛信息。通過車臉信息也是一種分類信息源。通過三種分類方式的分類結(jié)果，采用簡單的信息融合手段，就可以得到最終的分類結(jié)果。
本發(fā)明的有益效果主要表現(xiàn)在：有效提升準(zhǔn)確度。
附圖說明
圖1是基于車牌信息和車輛輪廓的多路視頻信息融合的車型識別方法的流程圖。
具體實(shí)施方式
下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。
參照圖1，一種基于車牌信息和車輛輪廓的多路視頻信息融合的車型識別方法，所述車型識別方法包括如下步驟：
1)、采用安裝于不同方位的多個攝像頭獲取視頻圖像，得到車側(cè)圖像和車頭或車尾圖像；
2)、實(shí)施車輛圖像的檢測、跟蹤和分離；
3)、針對安裝于不同位置的攝像頭采集的圖像，分別采用相應(yīng)的方法產(chǎn)生的分類結(jié)果，過程如下：
3.1針對車頭或車尾圖像，車牌定位，利用車牌的顏色和寬高比信息，獲取車輛的類型信息；
3.2針對車頭或車尾圖像，利用幾何光學(xué)方法確定其寬度和高度真實(shí)尺寸，獲取車輛類型信息；
3.3針對車側(cè)圖像：
3.3.1利用運(yùn)動目標(biāo)檢測，獲取車輛輪廓信息，計(jì)算車輛輪廓內(nèi)的面積與車輛長高積之比、長高比、車高、車長特征，采用神經(jīng)網(wǎng)絡(luò)或SVM方法進(jìn)行車型分類；
3.3.2利用Hough變換對車輛進(jìn)行圓檢測，并標(biāo)出圓心，確定車輪個數(shù)和車輪之間的距離，最終確定出車輛類型信息；
4)、對比不同方法的檢測結(jié)果，采用簡單的投票信息融合機(jī)制：
4.1在不同分類器分類結(jié)果沒有沖突的情況下，通過一個決策樹逐步確定多類的分類；
4.2在不同分類器分類結(jié)果存在沖突的情況下，采用投票機(jī)制，確定相同分類結(jié)果最多的類為最終的車型；
4.3在不同分類器分類結(jié)果存在沖突的情況下，同一分類器的兩個不同特征分別得到的分類結(jié)果可以算作兩個不同分類器的結(jié)果，然后采用投票機(jī)制。
進(jìn)一步，所述步驟3.3.1)中，采用神經(jīng)網(wǎng)絡(luò)或SVM方法進(jìn)行車型分類的過程如下：對車側(cè)圖像，提取出車輛輪廓內(nèi)的面積與車輛長高積之比、長高比、車高、車長特征，作為神經(jīng)網(wǎng)絡(luò)或SVM方法的輸入，對現(xiàn)有樣本的分類作為輸出，來訓(xùn)練出相應(yīng)的分類器；在使用訓(xùn)練好的分類器時，對車輛圖像首先提取出相應(yīng)的特征作為作為分類器的輸入，分類器直接產(chǎn)生分類結(jié)果。
再進(jìn)一步，所述步驟3.3.2)中，車輛的長length、高h(yuǎn)eight，車輛一側(cè)的車輪數(shù)num_wheel,軸數(shù)num_shaft、軸距dist_shaft，判定如下：
如果num_shaft＝2,num_wheel＝2to 4,height<1.3m,dist_shaft<3.2m,則為小型車(包括小轎車、客貨車、摩托車)；
如果num_shaft＝2,num_wheel＝4,height>1.3m,dist_shaft>3.2m,則為中型車(包括面包車、輕型貨車)；
如果num_shaft＝2,num_wheel＝6,height>1.3m,dist_shaft>3.2m,則為中型車(包括中型客車、大型客車、中型貨車)；
如果num_shaft＝3,num_wheel＝6到10,height>1.3m,dist_shaft>3.2m,則為大型車(包括大型客車、大型貨車、大型拖掛車)
如果num_shaft>3,num_wheel>10,height>1.3m,dist_shaft>3.2m,則為重型車(包括重型貨車、拖車、集裝箱車)。
本發(fā)明中，從圖像中提取幾何參數(shù)是基于幾何光學(xué)的原理。在設(shè)備配置階段，在攝像頭的視野設(shè)置橫向和豎向的虛擬標(biāo)線，確定其對應(yīng)的像素?cái)?shù)ch,cv，以及它們對應(yīng)的實(shí)際長度Lh,Lv；在檢測階段，確定進(jìn)入視野中的車輛的橫向和豎向的跨度，統(tǒng)計(jì)其對應(yīng)的像素?cái)?shù)c'h,c'v，采用幾何光學(xué)，可以得到車輛的時間長度和高度分別是L'h＝c'h Lh/ch,L'v＝c'vLv/cv。
所述步驟3.2中，針對車頭圖像，利用幾何光學(xué)方法確定其寬度和高度真實(shí)尺寸，獲取車輛類型信息，過程如下：車頭圖像的寬width、高h(yuǎn)eight，如果height<1.3m,則為小型車；否則為中型車或以上。
所述步驟3.1中，針對車頭或車尾圖像，車牌定位，利用車牌的顏色和寬高比信息，獲取車輛的類型信息，過程如下：車牌定位后，判定如下：
如果車牌區(qū)域的寬高比接近440/140：
如果藍(lán)底白字白框線，屬于小型汽車；
如果黃底黑字黑框線；
如果最后一個字符是“學(xué)”，則是教練車，屬于小型汽車；否則是中型或以上汽車；
如果黑底白字白框，則是外籍汽車，如果其中有紅色的“領(lǐng)”、“使”，則更進(jìn)一步是使館或領(lǐng)事館的小型汽車；
如果白底黑字紅“警”字黑框，警用小型汽車；
如果白底黑字紅“WJ”字，上下紅框線，武警用小型汽車；
如果白底黑字白框，前兩個字符是紅色的，軍用小型汽車；
如果車牌區(qū)域的寬高比接近220/140：
如果黃底黑字黑框線，是摩托車；
如果天藍(lán)色底黑字，則是臨時牌照，不確定車型；
如果有“試”字標(biāo)志在前面，白底黑字紅“試”字，則是軍用試車牌照，不確定車型；
如果白底黑字紅“警”字黑框，警用摩托車；
如果車牌區(qū)域的寬高比接近300/165，是低速車。
如果車牌區(qū)域的寬高比接近440/220：
如果黃底黑字黑框線，則是中型(含)以上汽車；
如果白底黑字白框，前兩個字符是紅色的，是軍用中型(含)以上汽車。
本實(shí)施例中，考慮到非結(jié)構(gòu)化的視頻處理的局限性，任何一種基于視頻處理的車型識別方法都不是在各種條件下保證有效，提升單一方法的準(zhǔn)確度是非常具有難度，選擇采用多種不同方法的信息融合技術(shù)，有效的提升識別率。