【技术实现步骤摘要】
本专利技术涉及数据处理的，尤其涉及一种基于多源数据融合的车辆身份自动识别方法及系统。
技术介绍
1、在智能交通系统和车辆管理领域，车辆身份的自动识别技术是实现高效交通管理和提高道路安全的关键技术之一。当前，车辆身份识别主要依靠车牌识别系统（anpr），通过捕捉车辆图像来识别车牌号码。现有的技术普遍集成了图像采集、车牌定位、字符识别等计算机视觉技术的实现。然而，由于仅依赖视觉数据，识别系统在光线不足、车牌污损或遮挡等复杂环境下的准确性和鲁棒性仍然有限。
2、现有技术中，除了车牌识别，一些车辆身份识别系统尝试通过车辆的外观特征如颜色、车型等信息，辅助车牌识别来提高系统的识别准确率。进一步地，结合车辆的运动数据和电子身份信息等多种数据源，可以构建更为复杂和准确的车辆身份识别模型。然而，这些方法通常面临集成不同数据源、信息不一致以及实时分析处理大规模数据的挑战。
3、现有技术的主要技术缺陷在于对车辆身份的识别过程中的数据融合不足和处理简化模型的能力有限。传统的车辆识别系统大多数是单一数据源，对于复杂或干扰环境下的识别准确性有限。在多数据源应用中，如何有效融合视觉数据、运动数据以及电子标识等多维度信息，构建一个能够实现鲁棒性识别的系统，是目前解决方案的一大挑战。此外，现有系统在处理实时性数据、更新模型以适应新的识别场景方面也缺乏相应的响应能力。因此，需要一种能够集成多源数据，利用深度学习等先进算法，提高车辆身份自动识别准确率的方法和系统。
技术实现思路
1、本专利技术
2、本专利技术第一方面提供了一种基于多源数据融合的车辆身份自动识别方法，所述基于多源数据融合的车辆身份自动识别方法包括：
3、采集车辆的视觉数据，得到第一数据，并获取车辆的运动数据，得到第二数据，以及采集车辆的电子身份标识信息，得到第三数据；其中，所述车辆的运动数据至少包括速度数据、行驶方向数据和车辆位置数据；
4、应用计算机视觉技术从第一数据中提取车辆外观特征，得到第一特征数据；其中，所述第一特征数据至少包括车牌号码、车辆颜色和车辆车型；
5、应用运动分析技术从第二数据中提取车辆行为特征，得到第二特征数据；其中，所述第二特征数据至少包括车辆加速度模式数据和车辆转向行为数据；
6、应用数据分析技术从第三数据中提取车辆的电子身份特征，得到第三特征数据；
7、基于预设的多源数据融合算法，对所述第一特征数据、所述第二特征数据、所述第三特征数据进行特征融合，得到车辆识别特征集合；
8、将所述车辆识别特征集合输入至基于深度学习的车辆身份识别模型中，对所述车辆识别特征集合进行分析，自动识别车辆身份，得到车辆身份信息；
9、其中，所述基于深度学习的车辆身份识别模型经过提前训练得到。
10、可选的，在本专利技术第一方面的第一种实现方式中，所述应用计算机视觉技术从第一数据中提取车辆外观特征，得到第一特征数据，包括：
11、对第一数据进行图像预处理，得到图像预处理后的第一数据；其中，所述图像预处理包括去噪、直方图均衡化、灰度转换和二值化；
12、通过预设的边缘检测算法识别图像预处理后的第一数据中的车牌区域，得到车牌区域，利用车牌区域的预定义尺寸和形状比例特征筛选候选区域，得到目标车牌区域图像；
13、对目标车牌区域图像进行透视变换纠正，平整化车牌视角，并将平面化后的目标车牌区域图像进行字符分割处理，得到分割后的每个字符图像；
14、将分割得到的每个字符图像输入至训练后的深度学习模型进行识别，得到完整的车牌号码数据；其中，所述深度学习模型经过提前训练得到；
15、采用预设的车型识别算法和预设的色彩分析算法，从第一数据中提取车辆型号和颜色特征；
16、将识别得到的车牌号码数据、车辆型号、颜色特征进行综合特征数据生成，得到构成第一特征数据。
17、可选的，在本专利技术第一方面的第二种实现方式中，所述深度学习模型的训练过程，包括：
18、采集字符图像训练数据，并将采集到的字符图像训练数据输入初步设计的深度学习模型中；其中，所述初步设计的深度学习模型包含图像预处理子模型、车牌定位子模型、字符分割子模型、特征提取子模型、字符识别子模型、校验逻辑子模型、组合排序子模型；
19、图像预处理子模型，用于对字符图像训练数据进行渐进式过滤、增强和归一化处理，提取车牌特征，并输出预处理图像；
20、车牌定位子模型，用于在预处理图像中识别车牌位置，隔离非车牌区域，并确定车牌边界，输出定位的车牌图像；
21、字符分割子模型，用于针对定位的车牌图像运用预设的字符分割算法，将定位的车牌图像上的每个字符独立提取出来，并输出分割后的字符图像序列；
22、特征提取子模型，用于对分割后的字符图像序列进行深度特征分析，并输出特征描述向量；
23、字符识别子模型，用于识别表示的字母数字信息，将输出的特征描述向量匹配到对应的字符编码，并输出单个字符的识别结果；
24、校验逻辑子模型，用于根据车牌字符的组合规则和校验逻辑，分析单个字符的识别结果的可信度，得到经过校验确认的字符；
25、组合排序子模型，用于将经过校验确认的字符按照车牌排列规则进行组合，得到车牌号码输出结果；
26、基于初步设计的深度学习模型，对提取出的字符图像训练数据中的预设车牌特征标准值与车牌号码输出结果之间的偏差进行分析，并计算误差率；
27、应用预设的自动调节学习率算法，对初步设计的深度学习模型中的参数进行微调，以最小化各项误差率，直至完成对初步设计的深度学习模型中的训练，得到训练后的深度学习模型。
28、可选的，在本专利技术第一方面的第三种实现方式中，所述应用运动分析技术从第二数据中提取车辆行为特征，得到第二特征数据，包括：
29、对第二数据进行滤波处理，得到滤波处理后的第二数据，基于预设的数据同步算法对滤波处理后的第二数据进行时间对齐和融合，得到同步的第二数据；
30、采用预设的时间序列分析算法从同步的第二数据中提取车辆的加速度模式，分析识别车辆的启动驾驶模式、制动驾驶模式、均速行驶驾驶模式，得到加速度模式数据；
31、通过车辆角度变化分析计算车辆从连续或离散位置点采集的转向行为，得到转向行为数据；其中，所述转向行为至少包括车辆在预设路段的转向角度、转向频率和转向强度；
32、利用分析得到的加速度模式数据和转向行为数据，结合车辆的绝对速度数据和行驶轨迹数据，构建车辆的行为特征，基于车辆个体驾驶习惯、行为特点以及构建的车辆的行为特征，生成第二特征数据。
33、可选的，在本专利技术第一方面的第四种实现方式中，所述基于预设的多源数据融合算法，对所述第一特征数据、所述第二特征数据、所述第三特征数据进行特本文档来自技高网...
【技术保护点】
1.一种基于多源数据融合的车辆身份自动识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源数据融合的车辆身份自动识别方法，其特征在于，所述应用计算机视觉技术从第一数据中提取车辆外观特征，得到第一特征数据，包括：
3.根据权利要求2所述的基于多源数据融合的车辆身份自动识别方法，其特征在于，所述深度学习模型的训练过程，包括：
4.根据权利要求1所述的基于多源数据融合的车辆身份自动识别方法，其特征在于，所述应用运动分析技术从第二数据中提取车辆行为特征，得到第二特征数据，包括：
5.根据权利要求1所述的基于多源数据融合的车辆身份自动识别方法，其特征在于，所述基于预设的多源数据融合算法，对所述第一特征数据、所述第二特征数据、所述第三特征数据进行特征融合，得到车辆识别特征集合，包括：
6.一种基于多源数据融合的车辆身份自动识别系统，其特征在于，所述基于多源数据融合的车辆身份自动识别系统包括：
7.一种基于多源数据融合的车辆身份自动识别设备，其特征在于，所述基于多源数据融合的车辆身份自动识别设备包括：存储
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述的基于多源数据融合的车辆身份自动识别方法。
...【技术特征摘要】
1.一种基于多源数据融合的车辆身份自动识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源数据融合的车辆身份自动识别方法，其特征在于，所述应用计算机视觉技术从第一数据中提取车辆外观特征，得到第一特征数据，包括：
3.根据权利要求2所述的基于多源数据融合的车辆身份自动识别方法，其特征在于，所述深度学习模型的训练过程，包括：
4.根据权利要求1所述的基于多源数据融合的车辆身份自动识别方法，其特征在于，所述应用运动分析技术从第二数据中提取车辆行为特征，得到第二特征数据，包括：
5.根据权利要求1所述的基于多源数据融合的车辆身份自动识别方法，其特征...
【专利技术属性】
技术研发人员：王广武，冯祥格，黄河，
申请(专利权)人：深圳市马博士网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。