本发明涉及智能交通信息技术领域，尤其是涉及一种基于多特征检测的卡口图像目标搜索方法。
背景技术：
车辆追踪是打击交通违法、肇事逃逸、涉车犯罪等行为的有效手段。因此，在一些交通卡口，都会安装摄像头采集并保存来往车辆图像，以便在需要的时候进行查看。
一般的卡口平台通过车牌识别、车型识别等软件，在车辆通过的时候采集该车辆的车牌号、车辆型号，保存该车辆所通过的路段位置和具体时间等信息以备后续搜索。但是，车牌和车型的识别会存在错误，常见的套牌、假牌、遮挡车牌等行为更是违法犯罪人员逃避车牌搜索的常用手段。此外，车型识别分类等手段目前来说还较为粗糙，并不能细致的划分车辆类型，需要人工进行筛选，费时费力。
技术实现要素：
为了弥补现有技术的不足，本发明提供了一种基于多特征检测的卡口图像目标搜索方法。
本发明采用的技术方案为：
一种基于多特征检测的卡口图像目标搜索方法，包括以下步骤：
步骤1：获取目标车辆图像，并手动选取目标车辆上较为明显的特征，截取该特征图像作为目标特征图像；
步骤2：通过sift特征匹配算法检测目标特征图像和卡口图像中的匹配特征点，并筛选匹配度较高的特征点；
步骤3：确定匹配特征点的相关特征点群，并根据相关特征点群确定卡口图像中的候选匹配图像区域；
步骤4：根据相关特征群中特征点的数量计算目标特征图像和候选匹配图像区域的相似度r1；
步骤5：用感知哈希算法计算目标特征图像和候选匹配图像区域的相似度r2；
步骤6：计算目标特征图像和候选匹配图像区域的灰度颜色直方图，并根据灰度颜色直方图计算目标特征图像和候选匹配图像区域的相似度r3；
步骤7：对相似度r1、r2、r3进行加权，计算目标特征图像和候选匹配图像区域最终的相似度r；
步骤8：按照上述步骤依次检索卡口图像，将相似度值大于p的候选匹配图像区域所在的卡口图像筛选出来并按照相似度值由大到小的顺序依次排列显示。
优选地，所述步骤1中对目标车辆特征选择时，手动选取目标车辆上的多个目标特征图像。其中，手动选取多个目标车辆特征能够更加有效的利用已知目标车辆信息，用较为鲜明的特征来增加搜索的准确度。
优选地，所述步骤2中，筛选匹配度较高的特征点的方法，包括以下步骤：
步骤a：通过sift特征匹配算法检测目标特征图像和卡口图像中的匹配特征点，统计得出匹配特征点的数量n1和所有匹配特征点之间的最小欧式距离lmin；
步骤b：根据待搜索目标特征图像和卡口图像的纹理特点、尺寸和清晰度，分别设置一个大于1的系数α1和一个小于1的系数α2，统计欧式距离小于α1×lmin的匹配特征点，如果匹配特征点的数量小于α2×n1，则认为两幅图像不匹配，然后继续筛选下一张卡口图像，否则进行步骤c；
步骤c：设置一个匹配特征点最大保留数量阈值n2，如果满足欧式距离条件的匹配特征点的数量大于α2×n1，继续判断其数量是否大于n2，如果匹配特征点的数量大于n2，则只选取欧式距离最小的前n2个特征点进行后续处理，否则保留匹配特征点数目不变。
适量的选取匹配度较高的特征点能够减少后续算法的计算量，同时对不满足特征点数量要求的卡口图片予以排除，增加图片检索速度。
优选地，所述步骤3中的相关特征点群是指由大于等于3个的相关特征点组成的集合，其确定方法如下：
步骤a：任意连接卡口图像和目标特征图像中3个相匹配的特征点，组成一个由特征点为顶点的三角形；
步骤b：计算卡口图像和目标特征图像中相匹配特征点的对应三角形顶角的角度之差，如果各对应顶角的角度之差都小于阈值t1，则认为这三个点为相关特征点，并把所有相关特征点称为相关特征点群。
寻找相关特征点群有利于排除因为和目标图像特征相似所导致的误判，并且保持了目标图像旋转不变性质，效果较好。
优选地，所述步骤3中，根据相关特征点群确定卡口图像中的候选匹配图像区域的方法，包括以下步骤：
步骤a：分别求出卡口图像和目标特征图像中所有相关特征点的最小外接旋转矩形并分别计算其周长，将卡口图像的最小外接旋转矩形的周长与目标特征图像的最小外接旋转矩形的周长的比值s作为卡口图像中候选匹配图像区域相对于目标特征图像的边长的缩放倍数；
步骤b：将目标特征图像贴合在卡口图像上，使彼此最小旋转矩形的中心相互重合，并且旋转矩形的四个边分别对应平行；
步骤c：等比例s扩大目标特征图像边长，并将扩大后的图像区域在卡口图像中标出作为候选匹配图像区域。
确定候选匹配图像区域能够精确的确定目标图像区域在卡口图像中的位置，减小定位偏差，同时间接排除了卡口图像上其它区域干扰，有助于减少后续处理的计算量，提高准确度。
优选地，所述步骤4中，根据相关特征点的数量计算目标特征图像和候选匹配图像区域的相似度r1的计算公式如下：
其中，n2为匹配特征点最大保留数量，n为候选匹配图像区域的相关特征点群中相关特征点的数量。
优选地，所述步骤6中，根据灰度颜色直方图计算目标特征图像和候选匹配图像区域的相似度r3的具体步骤如下：
步骤a：分别将目标特征图像和候选匹配图像区域的灰度颜色直方图从0-255共256个灰度级划分为64个区域，每个区域为连续的4个灰度级；
步骤b：分别计算每个灰度级区域的像素数量之和，并将目标特征图像和候选匹配图像区域灰度颜色直方图中所划分的64个区域的像素数量之和按照灰度级由小到大的顺序排列，分别视为一个64维向量，计作m和h；
步骤c：按照向量的余弦公式计算两个向量m和h之间的夹角的余弦，余弦值代表目标特征图像和候选匹配图像区域的相似度r3：
其中，m为[m1,m2,...,mn]，h为[h1,h2,...,hn]。
优选地，所述步骤7中，目标特征图像和候选匹配图像最终的相似度r的计算公式如下：
r＝α×r1+β×r2+γ×r3
其中，α、β、γ的取值满足α+β+γ＝1，α、β、γ的取值可以根据实际情况的不同而作出调整。
利用sift特征点检测，感知哈希算法和灰度颜色直方图相似度计算等方法的特点，根据实际情况适当变换比例系数，综合计算卡口图像中候选匹配图像区域与目标图像的相似度，在一定程度上增强了图像搜索的判断精度。
本发明与现有技术相比，其有益效果为：
1、本发明通过手动选取目标车辆特征，sift特征匹配定位候选图像区域，综合sift相关特征点数量比对、感知哈希算法和灰度颜色直方图相似算法完成卡口图像目标搜索。本发明根据sift特征匹配的旋转不变性，提出相关特征点群和候选匹配图像区域确定方法，结合手动选取目标图像显著特征进行搜索的方法，减少了处理过程的计算量，可以较为快速准确的定位可能的目标车辆图像。通过sift相关特征点数量比对、感知哈希算法和灰度颜色直方图相似算法等多种方式综合考虑，计算候选图像区域和目标车辆特征图像的相似度，能够非常精确的识别出海量卡口图像中的目标车辆图像；
2、本发明利用多种图像相似度计算算法，根据实际情况综合考虑计算匹配图像相似度，能够更加精确的确定目标图像；同时，手动选取目标图像的特征图像区域进行搜索，能够高效地针对目标车辆进行搜索，提高搜素速度和准确率。
附图说明
图1：本发明基于多特征检测的卡口图像目标搜索方法的流程图；
图2：本发明中目标车辆图像；
图3：本发明中目标特征图像；
图4：本发明中目标特征图像与卡口图像高精度匹配特征点连线示意图；
图5：本发明中目标特征图像相关特征点及其最小外接旋转矩形示意图；
图6：本发明中卡口图像相关特征点及其最小外接旋转矩形示意图；
图7：本发明中候选匹配图像区域。
具体实施方式
本发明一种基于多特征检测的卡口图像目标搜索方法，该方法流程如图1所示，具体按照以下步骤实施：
步骤1：首先获取目标车辆图像，并手动选取目标车辆上较为明显的特征，截取该特征图像作为目标特征图像。在本实施例中，目标车辆图像如图2所示，在目标车辆上截取的目标特征图像如图3所示。
步骤2：通过sift特征匹配算法检测目标特征图像和卡口图像中的匹配特征点，并根据如下方法筛选匹配度较高的特征点：
步骤a：通过sift特征匹配算法检测目标特征图像和卡口图像中的匹配特征点，统计得出匹配特征点的数量n1和所有匹配特征点之间的最小欧式距离lmin；
步骤b：根据待搜索目标特征图像和卡口图像的纹理特点、尺寸和清晰度，分别设置一个大于1的系数α1和一个小于1的系数α2，统计欧式距离小于α1×lmin的匹配特征点，如果匹配特征点的数量小于α2×n1，则认为两幅图像不匹配，然后继续筛选下一张卡口图像，否则进行步骤c；
步骤c：设置一个匹配特征点最大保留数量阈值n2，如果满足欧式距离条件的匹配特征点的数量大于α2×n1，继续判断其数量是否大于n2，如果匹配特征点的数量大于n2，则只选取欧式距离最小的前n2个特征点进行后续处理，否则保留匹配特征点数目不变。
本实施例中，所选目标特征图像与卡口图像的匹配特征点的数量为190个，统计得出所有匹配特征点之间的最小欧式距离为63.1427，选取系数α1为2，α2为0.1，统计得出欧式距离小于2×63.1427的匹配特征点的数量为64个，远大于0.1×190。同时，设定匹配特征点最大保留数量为10个，即从64个满足精度要求的匹配特征点中选择欧氏距离最小的前10个特征点进行后续处理。图4为目标特征图像与卡口图像的匹配度最高的前10个特征点的匹配图像。
步骤3：按照如下方法计算卡口图像中的相关特征点群：
步骤a：任意连接卡口图像和目标特征图像中3个相匹配的特征点，组成一个由特征点为顶点的三角形；
步骤b：计算卡口图像和目标特征图像中相匹配特征点的对应三角形顶角的角度之差，如果各对应顶角的角度之差都小于阈值t1，则认为这三个点为相关特征点，并把所有相关特征点称为相关特征点群。
本实施例中设置各对应顶角的角度之差的阈值为10度，可以找到满足要求的点有8个。
然后，按照如下方法确定候选匹配图像区域：
步骤a：分别求出卡口图像和目标特征图像中所有相关特征点的最小外接旋转矩形并分别计算其周长，将卡口图像的最小外接旋转矩形的周长与目标特征图像的最小外接旋转矩形的周长的比值s作为卡口图像中候选匹配图像区域相对于目标特征图像的边长的缩放倍数；
步骤b：将目标特征图像贴合在卡口图像上，使彼此最小旋转矩形的中心相互重合，并且旋转矩形的四个边分别对应平行；
步骤c：等比例s扩大目标特征图像边长，并将扩大后的图像区域在卡口图像中标出作为候选匹配图像区域。
本实施例中目标特征图像和卡口图像的8个相关特征点，最小旋转矩形和最小旋转矩形的中心分别在图5、图6中标出，计算得出旋转矩形的周长之比s为0.39,按照该上述方法截取候选匹配图像区域，如图7所示。
步骤4：根据相关特征点的数量计算目标特征图像和候选匹配图像区域的相似度r1：
其中，n2为匹配特征点最大保留数量，n为候选匹配图像区域的相关特征点群中相关特征点的数量。在本实施例中，匹配特征点的最大保留数量n2为10，相关特征点的数量n为8，可以计算得到目标特征图像和候选匹配图像区域的相似度r1为0.8。
步骤5：用感知哈希算法计算目标特征图像和候选匹配图像区域的相似度r2：本实施例将图像按照感知哈希算法的方法步骤缩小为8×8的尺寸并计算其指纹，通过对比可以知道目标特征图像和候选匹配图像区域的相同指纹数量为49，可以计算得其相似度为0.76。
步骤6：根据灰度颜色直方图计算目标特征图像和候选匹配图像区域的相似度r3的步骤如下所示：
步骤a：分别将目标特征图像和候选匹配图像区域的灰度颜色直方图从0-255共256个灰度级划分为64个区域，每个区域为连续的4个灰度级；
步骤b：分别计算每个灰度级区域的像素数量之和，并将目标特征图像和候选匹配图像区域灰度颜色直方图中所划分的64个区域的像素数量之和按照灰度级由小到大的顺序排列，分别视为一个64维向量，计作m和h；
步骤c：按照向量的余弦公式计算两个向量m和h之间的夹角的余弦，余弦值代表目标特征图像和候选匹配图像区域的相似度r3：
其中，m为[m1,m2,...,mn]，h为[h1,h2,...,hn]。
通过上述方法可以算得本实施例中目标特征图像和候选匹配图像区域的相似度r3等于0.32。
步骤7：由于哈希算法对图像的旋转没有鲁棒性，基于灰度颜色直方图的图像相似性判断受关照的影响较大，本实施例设置α、β、γ分别为0.7、0.2、0.1，根据公式r＝α×r1+β×r2+γ×r3可以计算得到其最终相似度r等于0.744。本发明中，当相似度大于0.45时图像就可以认定为相似，实际搜素多张图像可以得出；当相似度大于0.6时即可以判断所搜素卡口图像中包含目标图像。
步骤8：按照上述步骤依次检索卡口图像，将相似度值大于0.5的候选匹配图像区域所在的卡口图像筛选出来并按照相似度值由大到小的顺序依次排列显示。
以上所述仅为本发明的较佳实施实例，并不用以限制本发明，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。