一种车辆型号识别方法及装置制造方法及图纸

本发明专利技术公开了一种车辆型号识别方法及装置，涉及机器视觉技术领域，旨在提供一种准确率高，稳定性强，可方便更新的基于图像与三维信息融合的车型识别方法。本发明专利技术提供的一种车辆型号识别方法，包括：利用类型及颜色识别模型确定车辆类型及颜色的步骤；利用车辆品牌识别模型确定车辆的品牌的步骤；根据已经确定的车辆类型、颜色及品牌选择车型分类器，利用选择的车型分类器确定车辆的型号的步骤。

【技术实现步骤摘要】

本专利技术涉及机器视觉
，尤其是根据图像及三维信息识别车辆型号的方法。
技术介绍
随着城市的建设与社会的发展，街道中车辆数量在不断增加，道路状况越来越复杂，交通管理面临着多方面的挑战——车辆拥堵、交通事故、道路障碍等。仅仅依靠制定相关法规和相关部门进行人工监控是远远不够的，因此需要一个切实有效的解决方案。构建智能交通系统则是一个行之有效的方法，同时也是现在城市交通发展的趋势。车辆的检测和识别是智能交通系统的技术核心，车辆识别在车辆管理、车辆违规逃逸、车辆巡查等诸多问题上都起着关键作用。目前比较成熟的基于视觉的车辆识别方法是车牌识别，但是车牌信息只是车辆信息很少的一部分，单纯依赖车牌的系统是不稳定的，例如无牌车、套牌车等情况就无法提供可靠的车辆信息了。因此有必要开展车型识别的研究工作，现在大多研究成果都只进行了粗略的车型分类，例如轿车、公交车和卡车等，没有对车辆具体品牌和型号进行划分。精细的车辆识别面临着许多困难，首先是外部环境对识别算法的影响，例如光照条件、天气状况、场景变化等因素。其次，车辆本身外观多变，比如形状、颜色、尺寸等，另外，拍摄点的距离不同、拍摄角度不同都会影响到最终车辆在图片中的呈现姿态和外观。最后，车辆品牌型号众多，而且会不断产生新的型号。这些都需要一种更加稳定，可及时更新的方法来解决。
技术实现思路
本专利技术所要解决的技术问题是：针对上述存在的问题，提供一种准确率高，稳定性强，可方便更新的基于图像与三维信息融合的车型识别方法。本专利技术提供的一种车辆型号识别方法，包括：利用类型及颜色识别模型确定车辆类型及颜色的步骤；利用车辆品牌识别模型确定车辆的品牌的步骤；根据已经确定的车辆类型、颜色及品牌选择车型分类器，利用选择的车型分类器确定车辆的型号的步骤。确定车辆类型及颜色的步骤进一步包括：步骤11：获取包含有目标车辆的深度信息的深度图像；步骤12：根据深度图像建立目标车辆的三维图像，得到各个像素点的三维坐标(x,y,z)，对三维坐标(x,y,z)进行归一化得到(Sx,Sy,Sz)；步骤13：将各个像素点的归一化坐标及该像素点的RGB值叠加形成六元素的一维特征向量(Sx,Sy,Sz,R,G,B)；步骤14：将全部像素点的六维特征向量输入类型及颜色识别模型，得到类型及颜色识别模型输出的目标车辆的类型及颜色。确定车辆的品牌的步骤进一步包括：步骤21：获取三维图像中的车头或车尾的图像；步骤22：将车头或车位图像中各像素点的归一化坐标(Sx,Sy,Sz)输入车辆品牌识别模型，得到车辆品牌识别模型输出的车辆品牌。确定车辆的型号的步骤进一步包括：步骤31：获取三维图像中的车辆的顶面、侧面和车头或车尾的图像；步骤32：提取顶面图像的HOG特征，将顶面图像HOG特征输入选定的车型分类器中的顶面维度的子分类器；提取侧面图像的HOG特征，将侧面图像的HOG特征输入选定的车型分类器中的侧面维度的子分类器；提取车头或车尾图像的HOG特征，将车头或车尾图像的HOG特征输入选定的车型分类器中的正面维度的子分类器；将选定的车型分类器中的三个子分类器输出结果进行加权求和作为该选定车型分类器的输出结果，根据选定车型分类器的输出结果判断目标车辆是否属于该选定车型分类器对应的车辆型号，如不是则更换一个车型分类器重复本步骤，直到某个车型分类器的输出结果显示目标车辆的型号是该车型分类器对应的车辆型号。所述类型及颜色识别模型为一分类卷积神经网络；其训练过程如下：步骤a1：建立样本库，获取样本库中各样本车辆的深度图像，所述深度图像包含深度信息；步骤a2：根据深度图像建立样本车辆的三维图像，得到各个像素点的三维坐标(x,y,z)，对三维坐标(x,y,z)进行归一化得到(Sx,Sy,Sz)；步骤a3：将各个像素点的归一化坐标及该像素点的RGB值叠加形成六元素的一维特征向量(Sx,Sy,Sz,R,G,B)；步骤a4：逐一使用样本车辆各像素点的六维特征向量及其类型、颜色训练卷积神经网络得到类型及颜色识别模型。所述车辆品牌识别模型为一分类卷积神经网络；其训练过程如下：步骤b1：建立样本库，获取样本库中各样本车辆的深度图像，所述深度图像包含深度信息；步骤b2：根据深度图像建立样本车辆的三维图像，得到各个像素点的三维坐标(x,y,z)，对三维坐标(x,y,z)进行归一化得到(Sx,Sy,Sz)；步骤b3：获取三维图像中的车头或车尾的图像；步骤b4：逐一使用样本车辆的车头或车尾图像的各像素点归一化坐标及其品牌训练卷积神经网络得到车辆品牌识别模型。每个车型分类器对应一个车辆型号，且每个车型分类器包含顶面维度子分类器、侧面维度子分类器及正面维度子分类器；每个子分类器为一个支持向量机模型；车型分类器的训练过程如下：步骤c1：建立车型分类器对应的车辆型号的样本库，获取样本库中各样本车辆的深度图像，所述深度图像包含深度信息；步骤c2：根据深度图像建立样本车辆的三维图像，得到各个像素点的三维坐标(x,y,z)，对三维坐标(x,y,z)进行归一化得到(Sx,Sy,Sz)；步骤c3：获取三维图像中的车辆的顶面、侧面和车头或车尾的图像；步骤c4：提取样本车辆顶面图像的HOG特征，用各个样本车辆顶面图像的HOG特征及其车辆型号训练一个支持向量机模型得到顶面维度子分类器；提取样本车辆侧面图像的HOG特征，用各个样本车辆侧面图像的HOG特征及其车辆型号训练一个支持向量机模型得到侧面维度子分类器；提取样本车辆车头或车尾图像的HOG特征，用各个样本车辆车头或车尾图像的HOG特征及其车辆型号训练一个支持向量机模型得到正面维度子分类器。本专利技术提供的一种车辆型号识别装置，包括：类型及颜色识别单元，用于利用类型及颜色识别模型确定车辆类型及颜色；品牌识别单元，用于利用车辆品牌识别模型确定车辆的品牌；车辆型号识别单元，用于根据已经确定的车辆类型、颜色及品牌选择车型分类器，利用选择的车型分类器确定车辆的型号的步骤。类型及颜色识别单元进一步包括：深度图像获取子单元，用于获取包含有目标车辆的深度信息的深度图像；三维图像转换子单元，用于根据深度图像建立目标车辆的三维图像，得到各个像素点的三维坐标(x,y,z)，对三维坐标(x,y,z)进行归一化得到(Sx,Sy,Sz)；特征向量获取子单元，用于将各个像素点的归一化坐标及该像素点的RGB值叠加形成六元素的一维特征向量(Sx,Sy,Sz,R,G,B)；类型及颜色识别模型调用子单元，用于将全部像素点的六维特征向量输入类型及颜色识别模型，得到类型及颜色识别模型输出的目标车辆的类型及颜色。车辆型号识别单元进一步包括：主视图获取子单元，用于获取三维图像中的车辆的顶面、侧面和车头或车尾的图像；车型分类器调用子单元，用于提取顶面图像的HOG特征，将顶面图像HOG特征输入选定的车型分类器中的顶面维度的子分类器；提取侧面图像的HOG特征，将侧面图像的HOG特征输入选定的车型分类器中的侧面维度的子分类器；提取车头或车尾图像的HOG特征，将车头或车尾图像的HOG特征输入选定的车型分类器中的正面维度的子分类器；将选定的车型分类器中的三个子分类器输出结果进行加权求和作为该选定车型分类器的输出结果，根据选定车型分类器的输出结果判断目标车辆是否属于该选定车型分类器对应的车辆本文档来自技高网...

【技术保护点】
一种车辆型号识别方法，其特征在于，包括：利用类型及颜色识别模型确定车辆类型及颜色的步骤；利用车辆品牌识别模型确定车辆的品牌的步骤；根据已经确定的车辆类型、颜色及品牌选择车型分类器，利用选择的车型分类器确定车辆的型号的步骤。

【技术特征摘要】
1.一种车辆型号识别方法，其特征在于，包括：利用类型及颜色识别模型确定车辆类型及颜色的步骤；利用车辆品牌识别模型确定车辆的品牌的步骤；根据已经确定的车辆类型、颜色及品牌选择车型分类器，利用选择的车型分类器确定车辆的型号的步骤。2.根据权利要求1所述的一种车辆型号识别方法，其特征在于，确定车辆类型及颜色的步骤进一步包括：步骤11：获取包含有目标车辆的深度信息的深度图像；步骤12：根据深度图像建立目标车辆的三维图像，得到各个像素点的三维坐标(x,y,z)，对三维坐标(x,y,z)进行归一化得到(Sx,Sy,Sz)；步骤13：将各个像素点的归一化坐标及该像素点的RGB值叠加形成六元素的一维特征向量(Sx,Sy,Sz,R,G,B)；步骤14：将全部像素点的一维特征向量输入类型及颜色识别模型，得到类型及颜色识别模型输出的目标车辆的类型及颜色。3.根据权利要求2所述的一种车辆型号识别方法，其特征在于，确定车辆的品牌的步骤进一步包括：步骤21：获取三维图像中的车头或车尾的图像；步骤22：将车头或车位图像中各像素点的归一化坐标(Sx,Sy,Sz)输入车辆品牌识别模型，得到车辆品牌识别模型输出的车辆品牌。4.根据权利要求2所述的一种车辆型号识别方法，其特征在于，确定车辆的型号的步骤进一步包括：步骤31：获取三维图像中的车辆的顶面、侧面和车头或车尾的图像；步骤32：提取顶面图像的HOG特征，将顶面图像HOG特征输入选定的车型分类器中的顶面维度的子分类器；提取侧面图像的HOG特征，将侧面图像的HOG特征输入选定的车型分类器中的侧面维度的子分类器；提取车头或车尾图像的HOG特征，将车头或车尾图像的HOG特征输入选定的车型分类器中的正面维度的子分类器；将选定的车型分类器中的三个子分类器输出结果进行加权求和作为该选定车型分类器的输出结果，根据选定车型分类器的输出结果判断目标车辆是否属于该选定车型分类器对应的车辆型号，如不是则更换一个车型分类器重复本步骤，直到某个车型分类器的输出结果显示目标车辆的型号是该车型分类器对应的车辆型号。5.根据权利要求1所述的一种车辆型号识别方法，其特征在于，所述类型及颜色识别模型为一分类卷积神经网络；其训练过程如下：步骤a1：建立样本库，获取样本库中各样本车辆的深度图像，所述深度图像包含深度信息；步骤a2：根据深度图像建立样本车辆的三维图像，得到各个像素点的三维坐标(x,y,z)，对三维坐标(x,y,z)进行归一化得到(Sx,Sy,Sz)；步骤a3：将各个像素点的归一化坐标及该像素点的RGB值叠加形成六元素的一维特征向量(Sx,Sy,Sz,R,G,B)；步骤a4：逐一使用样本车辆各像素点的一维特征向量及其类型、颜色训练卷积神经网络得到类型及颜色识别模型。6.根据权利要求1所述的一种车辆型号识别方法，其特征在于，所述车辆品牌识别模型为一分类卷积神经网络；其训练过程如下：步骤b1：建立样本库，获取样本库中各样本车辆的深度图像，所述深度图像包含深度信息；步骤b2：根据深度图像建立样本车辆的三维图像，得到各个像素点的三维坐标(x,y,z)，对三维坐标(x,y,z)进行归一化得到(Sx,Sy,Sz)；步骤b3：获取三维图像中的车...

【专利技术属性】
技术研发人员：周剑，李轩，韩铭燕，陈志超，
申请(专利权)人：成都通甲优博科技有限责任公司，
类型：发明
国别省市：四川;51