本发明涉及一种车辆识别方法，具体涉及一种基于图像的车辆匹配识别方法，属于视频监控领域。
背景技术：
现在高速公路部门的收费机制仍然采用读取ic卡里面信息，然后根据读取的车辆入口地点的车牌信息，并结合车辆的类型，然后收取相应的过路费。但是，有一部分大货车驾驶员为了逃避高额的过路费，他们驾驶套牌车或者与其他车辆掉换ic卡，这给交通部门造成了很大的损失。然而当前仅依靠人工在后台比对车辆特征信息，在大量的视频中找出违法车辆，不仅是费时费力的工作,而且也很难找到。
基于特征点的匹配技术，是近些年图像匹配，拼接的研究热点。经典的算法有sift算法，虽然是相对成熟、稳定的算法，但是由于sift算法的运算量大，且达不到实时性及内存的要求，很难在工程上采用。如果采用surf算法提取车辆局部特征，但是由于各个卡口的摄像头清晰度不一样，光照条件也不一样，考虑到以上的种种情况，我们采用orb算法，它在特征点的提取速度上有了很大的提高，它的特征点描述子采用二值串表示，占用的内存相对较小，同时汉明距离作为相似性度量提高了匹配效率。但是我们不能忽视一个问题，如果仅用汉明距离作为相似性度量可能会出现误匹配点的情况。
针对误匹配情况，国内外的学者提出许多去除误匹配点的方法。例如有人提出一种渐进式抽样一致性（prosac）算法，该算法能有效减少计算的负担。有人提出一种基于匹配强度的特征点匹配，该算法用匹配支持值消除误匹配点，可以较好的去除一对多的误匹配情况。也有人提出一种基于偏最小二乘（pls）的尺度不变特征变换（sift）误匹配校正方法，该方法利用sift匹配后的特征点对的位置信息，通过pls进行重新描述，利用定义的影响函数将影响大的特征点对剔除，可以有效的去除误匹配。还有人提出基于随机抽样一致（ransac）算法，他是利用标志点的空间特征不变性实现标志点的自动匹配来去除误匹配点。
上述方法都是用于去除基于特征点的在匹配过程中出现的误匹配点，并且ransac只有一定的概率得到可信的模型，概率与迭代次数成正比，如果是两个不相关的物体进行匹配会有可能得到一些正确的匹配点，影响最终是识别率。
技术实现要素：
本发明要解决的技术问题是克服现有的的问题，提供一种基于图像的车辆匹配识别方法。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明提供了一种基于图像的车辆匹配识别方法，包括如下步骤：
a、进行预处理过程，增强图像对比度；
b、根据数字图像技术提出车辆的车前脸部分；
c、距离比值法进行相似性度量；
d、采用双向匹配进行粗略的去除误匹配点；
e、改进ransac算法进行精确去除误匹配点；
f、仿射变换再次进行车辆匹配识别。
作为本发明的一种优选技术方案，步骤a包括：通过摄像机设备获得实时的交通视频，对图像进行的灰度化和二值化处理。
作为本发明的一种优选技术方案，步骤b包括：分割出车辆的车前脸部分，采用汉明距离算法来进行车前脸的特征提取。
作为本发明的一种优选技术方案，步骤c包括：对处理后的图像查找一定面积的连通域区域识别出车灯位置，根据提取出车灯在图像中的位置定位到车前脸的位置。
作为本发明的一种优选技术方案，步骤d包括：采用汉明距离作为特征点匹配策略，首先用已经提取到的车辆特征信息与此时车辆的特征信息做一次匹配，双向匹配法。
作为本发明的一种优选技术方案，步骤e包括：采用ransac算法，通过估算最优的模型参数，寻找满足该模型参数的最多点数，选择在视频流中连续截取25张图像，反复采用上述算法，存在一次判定为正常，即视为正常车辆，否则为违法车辆。
作为本发明的一种优选技术方案，步骤f包括：采用最小二乘法估算一个最优的仿射变换矩阵，通过观察仿射矩阵的旋转角度以及尺度变换，作为二次判断策略；通过比较计算仿射变换矩阵的尺度比值与平均值是否落在[0.5,1.5]中且仿射角度在[-50,50]内；若均落在指定阈值内，则判定为正常车辆；否则，即为违法车辆。
本发明是基于视频的车辆匹配方法，采用的原理是：运用当今比较流行的匹配算法，但在匹配策略上进行调整，我们使用汉明距离做一次粗匹配，然后采用双向匹配法进行初步提纯，再使用ransac算法进行精准提纯，滤除误匹配，这样可以保证内点尽可能都是正确的匹配点对。同时针对ransac算法的不足之处，比如说利用ransac算法可能会把“外点”当做是“内点”，所以我们提出了继续在“内点”集上，采用最小二乘法估算最佳的仿射变换矩阵。违法车辆判定策略是依据“内点”比例和仿射变换矩阵的参数，极大地降低了误判率。
本发明所达到的有益效果是：该方案是一种基于图像的车辆匹配识别方法，可以很好的去除误匹配点，很好的提高识别率，并且采用的方法简单。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的实施模块示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明提供一种基于图像的车辆匹配识别方法，包括如下步骤：
a、进行预处理过程，增强图像对比度；
b、根据数字图像技术提出车辆的车前脸部分；
c、距离比值法进行相似性度量；
d、采用双向匹配进行粗略的去除误匹配点；
e、改进ransac算法进行精确去除误匹配点；
f、仿射变换再次进行车辆匹配识别。
具体步骤如下：
第一步：分割出车辆的车前脸
假设在交通道路上我们通过摄像机设备获得实时的交通视频，然后经过预处理过程获得比较清晰的视频图像。因为车辆的玻璃反光会影响识别结果，我们紧接着就要准确获得车辆的车前脸部分。我们首先对图像进行的灰度化和二值化处理，对处理后的图像查找一定面积的连通域区域识别出车灯位置，根据提取出车灯在图像中的位置可以定位到车前脸的位置。
第二步：提取车辆特征
通过上面的步骤，我们分割出车辆的车前脸部分，然后采用当今比较流行的算法来进行车前脸的特征提取。
第三步：车辆粗匹配过程
我们采用汉明距离作为特征点匹配策略。首先用已经提取到的车辆特征信息与此时车辆的特征信息做一次匹配，由于不是同一场景拍摄的目标，光照，环境等变化必然导致很多错误匹配对。消除错误匹配对的方法有很多种，距离比值法对于存在多数误匹配的匹配集中不能发挥很好的效果，我们采用双向匹配法。它的思想是：依据特征点匹配是一一对应的关系，先用目标图像特征点集与待匹配图像的特征点集做一次最近邻匹配，同样再用待匹配图像的特征点集与目标图像的特征点集做一次最近邻匹配，我们选择两次匹配数据的交集，这样剔除了非交集点，那些非交集点就是误匹配的点，但是在交集点中仍然存在误匹配点。
第四步：一次判断策略
针对上面交集中存在的误匹配点，我们采用ransac算法。ransac算法是一种经典的消除错误匹配算法，匹配精度高，鲁棒性强等优点，它通过估算最优的模型参数，寻找满足该模型参数的最多点数。但由于ransac算法的缺陷，它只有一定概率获得最佳的变换参数，为了减小错误判定的概率，我们选择在视频流中连续截取25张图像，反复采用上述算法，存在一次判定为正常，即视为正常车辆，否则为违法车辆。
第五步：二次判断策略
由于可能存在图像质量、拍摄车辆画面不全等原因，同一辆车正确匹配点个数很少，根据上述一次判断策略，会判断为违法车辆。针对这种情况我们通过观察大量卡口视频车辆发现，卡口的摄像头，全部都是从车辆的左前方拍摄，且拍摄距离很接近，我们可以把车辆图像看做是刚体的面内小度旋转与缩放。利用这个特征在“内点”集上，采用最小二乘法估算一个最优的仿射变换矩阵，通过观察仿射矩阵的旋转角度以及尺度变换，可以作为二次判断策略。通过比较计算仿射变换矩阵的尺度比值与平均值是否落在[0.5,1.5]中且仿射角度在[-50,50]内。若均落在指定阈值内，则判定为正常车辆；否则，即为违法车辆。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。