一种车辆匹配方法及系统技术方案

本申请公开了一种车辆匹配方法，包括：获取第一目标图像和第二目标图像；分别提取第一目标图像和第二目标图像的特征信息，相应地得到第一图像特征信息和第二图像特征信息；其中，第一图像特征信息和第二图像特征信息均包括相应目标图像的视觉词典、车辆边缘特征、灰度直方图特征和颜色特征；对第一图像特征信息和第二图像特征信息进行特征差异化处理，得到相应的特征向量；将特征向量输入预先创建的车辆匹配度预估模型，得到由车辆匹配度预估模型输出的用于表示第一待匹配车辆和第二待匹配车辆之间匹配程度的匹配结果。本申请公开的技术方案提升了车辆匹配准确度、匹配效率并降低了人工成本。另外，本申请还相应公开了一种车辆匹配系统。

Vehicle matching method and system

The invention discloses a vehicle matching method, including: obtaining the first second target image and target image; extract the feature information for the first target image and the target image second, corresponding to the first and second image feature information of image feature information; wherein, the first and second image feature information of image feature information including visual dictionary, vehicle edge feature, gray histogram and color feature of the target image on the corresponding characteristics of the difference of treatment; the first image feature information and the second image feature information, get the corresponding eigenvectors; matching feature vector input to create a vehicle of prediction model, obtained by the vehicle matching prediction for the output of the model represents the matching results of matching degree the matching between the first vehicle and the second vehicle matching. The technical proposal disclosed by the utility model improves the matching accuracy, the matching efficiency and the labor cost of the vehicle. In addition, the invention also discloses a vehicle matching system correspondingly.

【技术实现步骤摘要】
一种车辆匹配方法及系统
本专利技术涉及车辆监管
，特别涉及一种车辆匹配方法及系统。
技术介绍
当前，随着国民经济的发展，社会上的汽车保有量不断地增加，在方便人们出行的同时，也带来了许多车辆监管难题。例如，为了发现可能存在的违法违规行为的车辆使用现象，道路监管部门以及相关执法部门经常需要对在高速道路上拍摄的两张图片中的车辆进行识别匹配，以确定这两张图片中的车辆是否为同一辆车。然而，当前道路监管部门和相关执法部门在对不同图片中的车辆进行匹配时，通常是采用人工识别匹配方式来判断不同图片中的车辆是否为同一辆车，这种人工识别匹配方式一方面会大幅增加人工成本，另一方面则存在效率很低，无法适应当前越来越繁重的车辆监管任务，再一方面则由于人工识别匹配时经常出现严重的主观误差，难以客观全面地掌握图片中的关键信息，从而容易导致匹配错误的事件发生。综上所述可以看出，如何提升车辆匹配准确度、匹配效率并降低人工成本是目前亟待解决的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种车辆匹配方法及系统，提升了车辆匹配准确度、匹配效率并降低了人工成本。其具体方案如下：一种车辆匹配方法，包括：获取第一目标图像和第二目标图像；其中，所述第一目标图像为对第一待匹配车辆进行图像采集后得到的图像，所述第二目标图像为对第二待匹配车辆进行图像采样后的图像；分别提取所述第一目标图像和所述第二目标图像的特征信息，相应地得到第一图像特征信息和第二图像特征信息；其中，所述第一图像特征信息和所述第二图像特征信息均包括相应目标图像的视觉词典、车辆边缘特征、灰度直方图特征和颜色特征；对所述第一图像特征信息和所述第二图像特征信息进行特征差异化处理，得到相应的特征向量；将所述特征向量输入预先创建的车辆匹配度预估模型，得到由所述车辆匹配度预估模型输出的用于表示所述第一待匹配车辆和所述第二待匹配车辆之间匹配程度的匹配结果；其中，所述车辆匹配度预估模型为基于机器学习算法得到的模型。优选的，提取所述第一目标图像和所述第二目标图像中的任一目标图像的视觉词典的过程，包括：利用预设的图像特征点提取算法，提取该目标图像的特征点，得到相应的车辆视觉词汇集合；将所述车辆视觉词汇集合中的每一个词汇分别映射至预先创建的视觉词典模型中相对应的聚类中心，得到与该目标图像对应的视觉词典。优选的，所述视觉词典模型的创建过程，包括：获取图像样本集；其中，所述图像样本集包括分别在不同的拍摄参数和不同的拍摄环境下，对不同类型的车辆进行图像采集后所得到的图像；拍摄参数包括拍摄视角和拍摄时间段；拍摄环境包括雾天环境、雨雪环境、晴天环境和沙尘环境；利用所述图像特征点提取算法，对所述图像样本集中的每一图像样本进行特征点提取处理，相应地得到每一图像样本所对应的车辆视觉词汇集合；利用K-means聚类算法，依次对每一图像样本所对应的车辆视觉词汇集合进行聚类处理，得到所述视觉词典模型。优选的，所述分别提取所述第一目标图像和所述第二目标图像的特征信息的过程之前，还包括：分别从所述第一目标图像和所述第二目标图像中，对与车辆挡风玻璃相对应的图像区域进行抠除处理。优选的，所述分别提取所述第一目标图像和所述第二目标图像的特征信息的过程之前，还包括：分别对所述第一目标图像和所述第二目标图像进行光照补偿预处理。优选的，所述车辆匹配度预估模型的创建过程，包括：获取训练集；其中，所述训练集包括正样本训练集和负样本训练集；所述正样本训练集包括N组正样本图像，所述负样本训练集包括M组负样本图像，N和M均为正整数；所述正样本训练集中的任一组正样本图像包括分别在不同的拍摄参数和不同的拍摄环境下，对同一辆车进行图像采集后所得到的样本图像；所述负样本训练集中的任一组负样本图像包括在相同的拍摄参数和拍摄环境下，对不同车辆进行图像采集后所得到的样本图像；分别确定所述训练集中每一组样本图像的特征向量，得到相应的特征向量集；利用所述机器学习算法，对所述特征向量集中的每个特征向量进行学习训练，得到所述车辆匹配度预估模型；其中，确定所述训练集中任一组样本图像的特征向量的过程，包括：分别提取该组样本图像中的每张样本图像的特征信息，得到相应的图像特征信息集合，然后分别对所述图像特征信息集合中的每两份图像特征信息进行特征差异化处理，得到与该组样本图像所对应的特征向量。本专利技术还相应公开了一种车辆匹配系统，包括：图像获取模块，用于获取第一目标图像和第二目标图像；其中，所述第一目标图像为对第一待匹配车辆进行图像采集后得到的图像，所述第二目标图像为对第二待匹配车辆进行图像采样后的图像；特征提取模块，用于分别提取所述第一目标图像和所述第二目标图像的特征信息，相应地得到第一图像特征信息和第二图像特征信息；其中，所述第一图像特征信息和所述第二图像特征信息均包括相应目标图像的视觉词典、车辆边缘特征、灰度直方图特征和颜色特征；特征处理模块，用于对所述第一图像特征信息和所述第二图像特征信息进行特征差异化处理，得到相应的特征向量；模型创建模块，用于预先基于机器学习算法创建车辆匹配度预估模型；车辆匹配模块，用于将所述特征向量输入所述车辆匹配度预估模型，得到由所述车辆匹配度预估模型输出的用于表示所述第一待匹配车辆和所述第二待匹配车辆之间匹配程度的匹配结果。优选的，所述车辆匹配系统，还包括：区域抠除模块，用于在所述特征提取模块提取所述第一目标图像和所述第二目标图像的特征信息之前，分别从所述第一目标图像和所述第二目标图像中，对与车辆挡风玻璃相对应的图像区域进行抠除处理。优选的，所述车辆匹配系统，还包括：光照补偿预处理模块，用于在所述特征提取模块提取所述第一目标图像和所述第二目标图像的特征信息之前，分别对所述第一目标图像和所述第二目标图像进行光照补偿预处理。优选的，所述模型创建模块包括：训练集获取单元，用于获取训练集；其中，所述训练集包括正样本训练集和负样本训练集；所述正样本训练集包括N组正样本图像，所述负样本训练集包括M组负样本图像，N和M均为正整数；所述正样本训练集中的任一组正样本图像包括分别在不同的拍摄参数和不同的拍摄环境下，对同一辆车进行图像采集后所得到的样本图像；所述负样本训练集中的任一组负样本图像包括在相同的拍摄参数和拍摄环境下，对不同车辆进行图像采集后所得到的样本图像；特征向量确定单元，用于分别确定所述训练集中每一组样本图像的特征向量，得到相应的特征向量集；训练单元，用于利用所述机器学习算法，对所述特征向量集中的每个特征向量进行学习训练，得到所述车辆匹配度预估模型；其中，所述特征向量确定单元确定所述训练集中任一组样本图像的特征向量的过程，包括：分别提取该组样本图像中的每张样本图像的特征信息，得到相应的图像特征信息集合，然后分别对所述图像特征信息集合中的每两份图像特征信息进行特征差异化处理，得到与该组样本图像所对应的特征向量。本专利技术中，车辆匹配方法，包括：获取第一目标图像和第二目标图像；分别提取第一目标图像和第二目标图像的特征信息，相应地得到第一图像特征信息和第二图像特征信息；其中，第一图像特征信息和第二图像特征信息均包括相应目标图像的视觉词典、车辆边缘特征、灰度直方图特征和颜色特征；对第一图像特征信息和第二图像特征信息进行特征差异化处理，得到相应的特征向量；将特本文档来自技高网...

【技术保护点】
一种车辆匹配方法，其特征在于，包括：获取第一目标图像和第二目标图像；其中，所述第一目标图像为对第一待匹配车辆进行图像采集后得到的图像，所述第二目标图像为对第二待匹配车辆进行图像采样后的图像；分别提取所述第一目标图像和所述第二目标图像的特征信息，相应地得到第一图像特征信息和第二图像特征信息；其中，所述第一图像特征信息和所述第二图像特征信息均包括相应目标图像的视觉词典、车辆边缘特征、灰度直方图特征和颜色特征；对所述第一图像特征信息和所述第二图像特征信息进行特征差异化处理，得到相应的特征向量；将所述特征向量输入预先创建的车辆匹配度预估模型，得到由所述车辆匹配度预估模型输出的用于表示所述第一待匹配车辆和所述第二待匹配车辆之间匹配程度的匹配结果；其中，所述车辆匹配度预估模型为基于机器学习算法得到的模型。

【技术特征摘要】
1.一种车辆匹配方法，其特征在于，包括：获取第一目标图像和第二目标图像；其中，所述第一目标图像为对第一待匹配车辆进行图像采集后得到的图像，所述第二目标图像为对第二待匹配车辆进行图像采样后的图像；分别提取所述第一目标图像和所述第二目标图像的特征信息，相应地得到第一图像特征信息和第二图像特征信息；其中，所述第一图像特征信息和所述第二图像特征信息均包括相应目标图像的视觉词典、车辆边缘特征、灰度直方图特征和颜色特征；对所述第一图像特征信息和所述第二图像特征信息进行特征差异化处理，得到相应的特征向量；将所述特征向量输入预先创建的车辆匹配度预估模型，得到由所述车辆匹配度预估模型输出的用于表示所述第一待匹配车辆和所述第二待匹配车辆之间匹配程度的匹配结果；其中，所述车辆匹配度预估模型为基于机器学习算法得到的模型。2.根据权利要求1所述的车辆匹配方法，其特征在于，提取所述第一目标图像和所述第二目标图像中的任一目标图像的视觉词典的过程，包括：利用预设的图像特征点提取算法，提取该目标图像的特征点，得到相应的车辆视觉词汇集合；将所述车辆视觉词汇集合中的每一个词汇分别映射至预先创建的视觉词典模型中相对应的聚类中心，得到与该目标图像对应的视觉词典。3.根据权利要求2所述的车辆匹配方法，其特征在于，所述视觉词典模型的创建过程，包括：获取图像样本集；其中，所述图像样本集包括分别在不同的拍摄参数和不同的拍摄环境下，对不同类型的车辆进行图像采集后所得到的图像；拍摄参数包括拍摄视角和拍摄时间段；拍摄环境包括雾天环境、雨雪环境、晴天环境和沙尘环境；利用所述图像特征点提取算法，对所述图像样本集中的每一图像样本进行特征点提取处理，相应地得到每一图像样本所对应的车辆视觉词汇集合；利用K-means聚类算法，依次对每一图像样本所对应的车辆视觉词汇集合进行聚类处理，得到所述视觉词典模型。4.根据权利要求1所述的车辆匹配方法，其特征在于，所述分别提取所述第一目标图像和所述第二目标图像的特征信息的过程之前，还包括：分别从所述第一目标图像和所述第二目标图像中，对与车辆挡风玻璃相对应的图像区域进行抠除处理。5.根据权利要求1所述的车辆匹配方法，其特征在于，所述分别提取所述第一目标图像和所述第二目标图像的特征信息的过程之前，还包括：分别对所述第一目标图像和所述第二目标图像进行光照补偿预处理。6.根据权利要求1至5任一项所述的车辆匹配方法，其特征在于，所述车辆匹配度预估模型的创建过程，包括：获取训练集；其中，所述训练集包括正样本训练集和负样本训练集；所述正样本训练集包括N组正样本图像，所述负样本训练集包括M组负样本图像，N和M均为正整数；所述正样本训练集中的任一组正样本图像包括分别在不同的拍摄参数和不同的拍摄环境下，对同一辆车进行图像采集后所得到的样本图像；所述负样本训练集中的任一组负样本图像包括在相同的拍摄参数和拍摄环境下，对不同车辆进行图像采集后所得到的样本图像；分别确定所述训练集中每一组样本图像的特征向量，得到相应的特征向量集；...

【专利技术属性】
技术研发人员：谷瑞翔，高体红，毛河，龙学军，
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