本發(fā)明涉及一種車(chē)輛識(shí)別方法，具體涉及一種基于圖像的車(chē)輛匹配識(shí)別方法，屬于視頻監(jiān)控領(lǐng)域。

背景技術(shù)：

現(xiàn)在高速公路部門(mén)的收費(fèi)機(jī)制仍然采用讀取ic卡里面信息，然后根據(jù)讀取的車(chē)輛入口地點(diǎn)的車(chē)牌信息，并結(jié)合車(chē)輛的類(lèi)型，然后收取相應(yīng)的過(guò)路費(fèi)。但是，有一部分大貨車(chē)駕駛員為了逃避高額的過(guò)路費(fèi)，他們駕駛套牌車(chē)或者與其他車(chē)輛掉換ic卡，這給交通部門(mén)造成了很大的損失。然而當(dāng)前僅依靠人工在后臺(tái)比對(duì)車(chē)輛特征信息，在大量的視頻中找出違法車(chē)輛，不僅是費(fèi)時(shí)費(fèi)力的工作,而且也很難找到。

基于特征點(diǎn)的匹配技術(shù)，是近些年圖像匹配，拼接的研究熱點(diǎn)。經(jīng)典的算法有sift算法，雖然是相對(duì)成熟、穩(wěn)定的算法，但是由于sift算法的運(yùn)算量大，且達(dá)不到實(shí)時(shí)性及內(nèi)存的要求，很難在工程上采用。如果采用surf算法提取車(chē)輛局部特征，但是由于各個(gè)卡口的攝像頭清晰度不一樣，光照條件也不一樣，考慮到以上的種種情況，我們采用orb算法，它在特征點(diǎn)的提取速度上有了很大的提高，它的特征點(diǎn)描述子采用二值串表示，占用的內(nèi)存相對(duì)較小，同時(shí)漢明距離作為相似性度量提高了匹配效率。但是我們不能忽視一個(gè)問(wèn)題，如果僅用漢明距離作為相似性度量可能會(huì)出現(xiàn)誤匹配點(diǎn)的情況。

針對(duì)誤匹配情況，國(guó)內(nèi)外的學(xué)者提出許多去除誤匹配點(diǎn)的方法。例如有人提出一種漸進(jìn)式抽樣一致性（prosac）算法，該算法能有效減少計(jì)算的負(fù)擔(dān)。有人提出一種基于匹配強(qiáng)度的特征點(diǎn)匹配，該算法用匹配支持值消除誤匹配點(diǎn)，可以較好的去除一對(duì)多的誤匹配情況。也有人提出一種基于偏最小二乘（pls）的尺度不變特征變換（sift）誤匹配校正方法，該方法利用sift匹配后的特征點(diǎn)對(duì)的位置信息，通過(guò)pls進(jìn)行重新描述，利用定義的影響函數(shù)將影響大的特征點(diǎn)對(duì)剔除，可以有效的去除誤匹配。還有人提出基于隨機(jī)抽樣一致（ransac）算法，他是利用標(biāo)志點(diǎn)的空間特征不變性實(shí)現(xiàn)標(biāo)志點(diǎn)的自動(dòng)匹配來(lái)去除誤匹配點(diǎn)。

上述方法都是用于去除基于特征點(diǎn)的在匹配過(guò)程中出現(xiàn)的誤匹配點(diǎn)，并且ransac只有一定的概率得到可信的模型，概率與迭代次數(shù)成正比，如果是兩個(gè)不相關(guān)的物體進(jìn)行匹配會(huì)有可能得到一些正確的匹配點(diǎn)，影響最終是識(shí)別率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是克服現(xiàn)有的的問(wèn)題，提供一種基于圖像的車(chē)輛匹配識(shí)別方法。

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了如下的技術(shù)方案：

本發(fā)明提供了一種基于圖像的車(chē)輛匹配識(shí)別方法，包括如下步驟：

a、進(jìn)行預(yù)處理過(guò)程，增強(qiáng)圖像對(duì)比度；

b、根據(jù)數(shù)字圖像技術(shù)提出車(chē)輛的車(chē)前臉部分；

c、距離比值法進(jìn)行相似性度量；

d、采用雙向匹配進(jìn)行粗略的去除誤匹配點(diǎn)；

e、改進(jìn)ransac算法進(jìn)行精確去除誤匹配點(diǎn)；

f、仿射變換再次進(jìn)行車(chē)輛匹配識(shí)別。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，步驟a包括：通過(guò)攝像機(jī)設(shè)備獲得實(shí)時(shí)的交通視頻，對(duì)圖像進(jìn)行的灰度化和二值化處理。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，步驟b包括：分割出車(chē)輛的車(chē)前臉部分，采用漢明距離算法來(lái)進(jìn)行車(chē)前臉的特征提取。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，步驟c包括：對(duì)處理后的圖像查找一定面積的連通域區(qū)域識(shí)別出車(chē)燈位置，根據(jù)提取出車(chē)燈在圖像中的位置定位到車(chē)前臉的位置。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，步驟d包括：采用漢明距離作為特征點(diǎn)匹配策略，首先用已經(jīng)提取到的車(chē)輛特征信息與此時(shí)車(chē)輛的特征信息做一次匹配，雙向匹配法。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，步驟e包括：采用ransac算法，通過(guò)估算最優(yōu)的模型參數(shù)，尋找滿(mǎn)足該模型參數(shù)的最多點(diǎn)數(shù)，選擇在視頻流中連續(xù)截取25張圖像，反復(fù)采用上述算法，存在一次判定為正常，即視為正常車(chē)輛，否則為違法車(chē)輛。

作為本發(fā)明的一種優(yōu)選技術(shù)方案，步驟f包括：采用最小二乘法估算一個(gè)最優(yōu)的仿射變換矩陣，通過(guò)觀察仿射矩陣的旋轉(zhuǎn)角度以及尺度變換，作為二次判斷策略；通過(guò)比較計(jì)算仿射變換矩陣的尺度比值與平均值是否落在[0.5,1.5]中且仿射角度在[-50,50]內(nèi)；若均落在指定閾值內(nèi)，則判定為正常車(chē)輛；否則，即為違法車(chē)輛。

本發(fā)明是基于視頻的車(chē)輛匹配方法，采用的原理是：運(yùn)用當(dāng)今比較流行的匹配算法，但在匹配策略上進(jìn)行調(diào)整，我們使用漢明距離做一次粗匹配，然后采用雙向匹配法進(jìn)行初步提純，再使用ransac算法進(jìn)行精準(zhǔn)提純，濾除誤匹配，這樣可以保證內(nèi)點(diǎn)盡可能都是正確的匹配點(diǎn)對(duì)。同時(shí)針對(duì)ransac算法的不足之處，比如說(shuō)利用ransac算法可能會(huì)把“外點(diǎn)”當(dāng)做是“內(nèi)點(diǎn)”，所以我們提出了繼續(xù)在“內(nèi)點(diǎn)”集上，采用最小二乘法估算最佳的仿射變換矩陣。違法車(chē)輛判定策略是依據(jù)“內(nèi)點(diǎn)”比例和仿射變換矩陣的參數(shù)，極大地降低了誤判率。

本發(fā)明所達(dá)到的有益效果是：該方案是一種基于圖像的車(chē)輛匹配識(shí)別方法，可以很好的去除誤匹配點(diǎn)，很好的提高識(shí)別率，并且采用的方法簡(jiǎn)單。

附圖說(shuō)明

附圖用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，并且構(gòu)成說(shuō)明書(shū)的一部分，與本發(fā)明的實(shí)施例一起用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的限制。在附圖中：

圖1是本發(fā)明的實(shí)施模塊示意圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行說(shuō)明，應(yīng)當(dāng)理解，此處所描述的優(yōu)選實(shí)施例僅用于說(shuō)明和解釋本發(fā)明，并不用于限定本發(fā)明。

實(shí)施例1

如圖1所示，本發(fā)明提供一種基于圖像的車(chē)輛匹配識(shí)別方法，包括如下步驟：

a、進(jìn)行預(yù)處理過(guò)程，增強(qiáng)圖像對(duì)比度；

b、根據(jù)數(shù)字圖像技術(shù)提出車(chē)輛的車(chē)前臉部分；

c、距離比值法進(jìn)行相似性度量；

d、采用雙向匹配進(jìn)行粗略的去除誤匹配點(diǎn)；

e、改進(jìn)ransac算法進(jìn)行精確去除誤匹配點(diǎn)；

f、仿射變換再次進(jìn)行車(chē)輛匹配識(shí)別。

具體步驟如下：

第一步：分割出車(chē)輛的車(chē)前臉

假設(shè)在交通道路上我們通過(guò)攝像機(jī)設(shè)備獲得實(shí)時(shí)的交通視頻，然后經(jīng)過(guò)預(yù)處理過(guò)程獲得比較清晰的視頻圖像。因?yàn)檐?chē)輛的玻璃反光會(huì)影響識(shí)別結(jié)果，我們緊接著就要準(zhǔn)確獲得車(chē)輛的車(chē)前臉部分。我們首先對(duì)圖像進(jìn)行的灰度化和二值化處理，對(duì)處理后的圖像查找一定面積的連通域區(qū)域識(shí)別出車(chē)燈位置，根據(jù)提取出車(chē)燈在圖像中的位置可以定位到車(chē)前臉的位置。

第二步：提取車(chē)輛特征

通過(guò)上面的步驟，我們分割出車(chē)輛的車(chē)前臉部分，然后采用當(dāng)今比較流行的算法來(lái)進(jìn)行車(chē)前臉的特征提取。

第三步：車(chē)輛粗匹配過(guò)程

我們采用漢明距離作為特征點(diǎn)匹配策略。首先用已經(jīng)提取到的車(chē)輛特征信息與此時(shí)車(chē)輛的特征信息做一次匹配，由于不是同一場(chǎng)景拍攝的目標(biāo)，光照，環(huán)境等變化必然導(dǎo)致很多錯(cuò)誤匹配對(duì)。消除錯(cuò)誤匹配對(duì)的方法有很多種，距離比值法對(duì)于存在多數(shù)誤匹配的匹配集中不能發(fā)揮很好的效果，我們采用雙向匹配法。它的思想是：依據(jù)特征點(diǎn)匹配是一一對(duì)應(yīng)的關(guān)系，先用目標(biāo)圖像特征點(diǎn)集與待匹配圖像的特征點(diǎn)集做一次最近鄰匹配，同樣再用待匹配圖像的特征點(diǎn)集與目標(biāo)圖像的特征點(diǎn)集做一次最近鄰匹配，我們選擇兩次匹配數(shù)據(jù)的交集，這樣剔除了非交集點(diǎn)，那些非交集點(diǎn)就是誤匹配的點(diǎn)，但是在交集點(diǎn)中仍然存在誤匹配點(diǎn)。

第四步：一次判斷策略

針對(duì)上面交集中存在的誤匹配點(diǎn)，我們采用ransac算法。ransac算法是一種經(jīng)典的消除錯(cuò)誤匹配算法，匹配精度高，魯棒性強(qiáng)等優(yōu)點(diǎn)，它通過(guò)估算最優(yōu)的模型參數(shù)，尋找滿(mǎn)足該模型參數(shù)的最多點(diǎn)數(shù)。但由于ransac算法的缺陷，它只有一定概率獲得最佳的變換參數(shù)，為了減小錯(cuò)誤判定的概率，我們選擇在視頻流中連續(xù)截取25張圖像，反復(fù)采用上述算法，存在一次判定為正常，即視為正常車(chē)輛，否則為違法車(chē)輛。

第五步：二次判斷策略

由于可能存在圖像質(zhì)量、拍攝車(chē)輛畫(huà)面不全等原因，同一輛車(chē)正確匹配點(diǎn)個(gè)數(shù)很少，根據(jù)上述一次判斷策略，會(huì)判斷為違法車(chē)輛。針對(duì)這種情況我們通過(guò)觀察大量卡口視頻車(chē)輛發(fā)現(xiàn)，卡口的攝像頭，全部都是從車(chē)輛的左前方拍攝，且拍攝距離很接近，我們可以把車(chē)輛圖像看做是剛體的面內(nèi)小度旋轉(zhuǎn)與縮放。利用這個(gè)特征在“內(nèi)點(diǎn)”集上，采用最小二乘法估算一個(gè)最優(yōu)的仿射變換矩陣，通過(guò)觀察仿射矩陣的旋轉(zhuǎn)角度以及尺度變換，可以作為二次判斷策略。通過(guò)比較計(jì)算仿射變換矩陣的尺度比值與平均值是否落在[0.5,1.5]中且仿射角度在[-50,50]內(nèi)。若均落在指定閾值內(nèi)，則判定為正常車(chē)輛；否則，即為違法車(chē)輛。

最后應(yīng)說(shuō)明的是：以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，對(duì)于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。