技术领域本发明的实施例涉及车型识别技术，具体而言，涉及到智能交通、安全检查等领域中，使用图像处理和模式识别技术进行车型识别的方法和系统。
背景技术：
当前，智能交通、安全检查已经有了相当普及的应用，相关概念已经被大众熟知。在这些领域中，车型识别扮演者重要的角色。实际上，车型识别问题本身定义并不明确。这是由其涉及的应用广泛，实施环境、手段、目的有很大差别所造成的。一般来说，以得到车辆唯一性信息的识别，如车牌号识别系统，定义为“车辆识别”。而此处的车型识别是指，通过非接触、被动观测手段，识别车辆的特定型号的手段和方法。实际应用中，由于需求不同，车型识别的目的也不尽相同。比如在智能交通中的车流量分析，只需要关心车辆数目和车的大概类型。在市场统计、公安稽查等方面，车辆品牌更为重要。而在安检领域，识别出车辆准确的出厂模型(model)更为关键。尽管车型识别问题已有一些研究，但目前还没有能达到出厂模型识别这个精确程度的方法。
技术实现要素：
鉴于现有技术中的一个或多个问题，提出了一种车辆检查方法和系统。在本发明的一个方面，提出了一种车辆识别方法，包括步骤：获得被检查车辆的外观信息，并且基于所述外观信息得到所述车辆的外部特征；获得所述车辆的透射图像，并且基于所述透射图像得到所述车辆的内部特征；至少基于所述外部特征和所述内部特征形成所述车辆的描述；以及利用所述描述从车型数据库中确定所述车辆的车型。优选地，基于所述透射图像得到所述车辆的内部特征的步骤包括：将所述透射图像分成多个子图像块，针对所述多个子图像块进行特征提取，对各个子图像块的特征进行重要性加权形成所述车辆的内部特征。优选地，所述车辆的头部的重要性大于车辆侧面的重要性，车辆侧面的重要性大于车尾的重要性。优选地，所述外观信息包括：利用红外传感器获得的轮廓信息、利用可见光传感器获得的车辆车脸信息以及底盘信息，所述外部特征包括基于所述轮廓信息的轮廓特征、基于所述车脸信息的车脸特征和基于所述底盘信息的底盘特征。优选地，利用所述红外特征、所述车脸特征和所述底盘特征依次对车辆进行识别。优选地，对所述多个子图像块进行基于词袋模型的特征提取，并且将提取的词袋模型特征进行局部重要性加权，串联或者直接求和形成透视特征。优选地，对底盘图像进行梯度化，形成梯度图像，并且将所述梯度图像的局部投影特征作为底盘特征。优选地，将梯度图像分成多个子图像块，分别计算所述子图像块的水平、垂直和/或斜向的投影，形成特征向量，作为底盘特征。在本发明的另一方面，提出了一种车辆识别系统，包括：传感器，探测被检查车辆的外观信息；射线扫描装置，对所述车辆进行射线扫描，获得所述车辆的透射图像；信息处理装置，基于所述外观信息得到所述车辆的外部特征，基于所述透射图像得到所述车辆的内部特征，至少基于所述外部特征和所述内部特征形成所述车辆的描述，并且利用所述描述从车型数据库中确定所述车辆的车型。优选地，所述信息处理装置将所述透射图像分成多个子图像块，针对所述多个子图像块进行特征提取，对各个子图像块的特征进行重要性加权形成所述车辆的内部特征。优选地，所述车辆的头部的重要性大于车辆侧面的重要性，车辆侧面的重要性大于车尾的重要性。优选地，所述外观信息包括：利用红外传感器获得的轮廓信息、利用可见光传感器获得的车辆车脸信息以及底盘信息，所述外部特征包括基于所述轮廓信息的轮廓特征、基于所述车脸信息的车脸特征和基于所述底盘信息的底盘特征。在本发明的再一方面，提出了一种车辆检查方法，包括步骤：获得被检查车辆的外观信息，并且基于所述外观信息得到所述车辆的外部特征；获得所述车辆的透射图像，并且基于所述透射图像得到所述车辆的内部特征；至少基于所述外部特征和所述内部特征形成所述车辆的描述；以及利用所述描述从车型数据库中确定所述车辆的车型；利用确定的车型从数据库中得到该车型的标准透射图像；通过将所述被检查车辆的透射图像与所述标准透射图像进行对比来确定该车辆是否有夹带物。优选地，所述的车辆检查方法还包括步骤：确定所述被检查车辆的透射图像与所述标准透射图像之间的变动区域；以及向用户呈现所述变动区域。优选地，确定所述X射线图像与所述模板图像之间的变动区域的步骤包括：配准所述X射线图像与所述模板图像；计算配准的X射线图像与所述模板图像之间的差异。优选地，向用户呈现所述变动区域的步骤包括：将所述变动区域在所述透射图像上突出显示。利用上述实施例的方案，能够提高小型车辆安全检查过程自动化，提高安全检查的效率。附图说明为了更好地理解本发明，将根据以下附图对本发明进行详细描述：图1示出了根据本发明实施例的车辆检查系统的示意图：图2示出了根据本发明实施例的车型识别方法的流程图；图3是描述根据本发明实施例的车型识别过程的示意性框图；图4是描述根据本发明实施的车辆检查系统中采集外部数据和内部数据的过程的示意图；图5示出了根据本发明实施例的车辆检查系统基于获得的外部数据和内部数据进行车型识别的过程；图6是描述根据本发明实施例的车辆检查方法的流程图。具体实施方式下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、材料或方法。在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和/或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。如上所述，现有的识别技术难于精确识别车型，使得车型识别应用范围较窄。针对这个问题，本发明的实施例提出了将车辆的外观信息与内部的结构信息结合起来进行车型识别。例如，通过获取车辆的外观信息(包括从红外光幕得到的尺寸、轮廓信息，从CCD照相机获取的车脸照片、底盘照片)和内部结构信息(从透视图像获取)，来精确识别车型。在一些实施例中，重点针对安检领域中小客车车型识别应用，由于此类应用中车辆装载货物少，透视图像可发挥更大作用。此外，如果将检测对象限定在货车车头部分，本发明实施例的方案也进行准确的识别。图1示出了根据本发明实施例的车辆检查系统的示意图。如图1所示，根据本发明实施例的检查系统涉及X射线辐射成像的安全检查技术，特别是小型车夹带物自动检测技术中的车型识别技术以及利用该车型识别技术进行车辆检查。如图1所示的系统包括传感设备110、辐射成像系统150，存储设备120，图像处理单元140和显示设备130。在一些实施例中，传感设备110包括一个或者多个传感器，例如CCD摄像机、红外光幕等等，用来获得车辆的外观信息，例如车脸图像、车辆尺寸信息和底盘信息等。在其他的实施例中，传感设备还可以包括摄像机，用来捕获所述被检查车辆的车牌图像；和识别单元，用来从车牌图像识别所述被检查车辆的车牌号。在其他实施例中，ID获取单元110包括读取器，从所述被检查车辆所携带的射频标签读取所述被检查车辆的ID。辐射成像系统150对被检查车辆进行X射线扫描，得到被检查车辆的X射线图像。存储设备120存储所述X射线图像以及车型模板数据库。图像处理单元140从车型模板数据库中检索与该车辆相对应的车型模板，确定得到的射线透射图像与模板图像之间的变动区域。显示设备130向用户呈现所述变动区域。例如，当有小型车辆需要检入时，传感设备110获得车辆的外观信息，而通过辐射成像系统150得到车辆的透射图像，结合该外观信息和透射图像信息得到车辆的特征描述，进而从数据库中检索该车辆的车型。此外，也可以通过车辆识别单元对相应小型车辆进行识别，生成软件系统与该小型车辆的唯一标识ID，如车牌号。该车辆唯一标识ID在该软件系统中是对该小型车辆过关的唯一标识。该标识ID可以软件系统针对该小型车辆生成的数据，也可以通过识别该车辆的车牌号，目前软件系统通过车牌号来标识。例如，图像处理单元140负责针对模板库进行检索，利用从外观信息得到的特征结合从透射图像得到的内部结构特征检索到和待检小型车辆相对应的模板图像。确定得到的射线透射图像与模板图像之间的变动区域。显示设备130向用户呈现所述变动区域。例如，图像处理单元(检索子系统)针对车辆的透射图像进行特征提取，然后通过特征匹配的方法基于提取的特征从车型模板数据库中检索车型模板，然后确定得到的透射图像和车型模板之间的变动区域。下面结合图2进一步说明根据本发明实施例的车型识别方法的流程图。图2示出了根据本发明实施例的车型识别方法的流程图。如图2所示，在步骤S21，通过传感设备110获得被检查车辆的外观信息，并且基于外观信息得到所述车辆的外部特征。例如从红外光幕得到车辆的尺寸信息、从CCD摄像机得到车辆的车脸图像和底盘图像等等，并且基于这些信息中的至少一部分抽取车辆的外部特征。在步骤S22，通过辐射成像系统150获得车辆的透射图像，并且基于所述透射图像得到所述车辆的内部特征。例如，通过辐射成像系统150采集车辆的透射图像，然后从透射图像中抽取车辆的内部特征。在步骤S23，至少基于所述外部特征和所述内部特征形成所述车辆的描述。例如或者将提取的特征形成特征矢量或者对提取的特征进行加权求和来形成特征值，作为该车辆的描述。在步骤S24，利用所述描述从车型数据库中确定所述车辆的车型。例如，在车型数据库中已经实现基于样本数据建立了车辆的模型，也就是利用相应的描述方式建立了大量车辆的模型。将被检查车辆的特征的描述与数据库中的车型描述进行比较，将最匹配的那个车型确定为被检查车辆的车型。图3示出了车型识别流程示意图。如图3所述，一方面根据样本数据建立车辆的模型，例如通过对样本数据进行预处理、特征提取过程后，通过训练分类器来建立每种车型的模型，存储在数据库中，待车型识别时使用。另一方面，在车型识别过程中对被检查车辆的数据进行预处理和特征识别后，基于得到的特征进行车型识别。可以看出，在训练过程中，完成数据获取、预处理、车型特征提取、训练识别模型并构建车型数据库。在识别过程中，数据获取、预处理和特征提取与训练过程相同，通过使用训练过程中得到的数据库与识别模型，得到车型识别结果。本发明的实施例涉及到的车型数据包括红外光幕数据、可见光图像和透视图像数据。图4给出了数据获取的示意图。优选的，在该示意图中，分别依次得到小客车的红外光幕数据、车头可见光图像、车底盘可见光图像、顶视透视图像。车型信息在这些图像中依次更为细节化。不失一般性，数据获取整个流程可以由红外光幕触发。比如光幕检测到物体通过，则开始数据采集。此时车脸、底盘、射线采集也分别开始。采集红外光幕数据目的是为了得到车侧面轮廓、车的长度、高度。从车辆的长、高数值判定车辆是否为小客车，如果是，则进行后续步骤；若不是，则不进行识别操作。本领域的技术人员可以理解，也可使用其他的方法例如地磁传感器或者激光传感器等来采集车辆的尺寸信息。车辆前主雾灯之间的区域，通常位于进气栅格面板区域被称作“车脸”。车脸具有较明确的外观特征，可以有效的区分制造商，对部分系列、年款也有一定的区分作用。数据采集设备具有一般性，可选用当前各品牌常见设备。各个设备的安装应满足如下条件：1)红外线垂直于车侧面投射，以至少能获取车辆侧面轮廓为准，侧面轮廓至少能包括车辆底盘；2)车头图像至少包括车脸，即车标与进气栅格部分，且成像角度与车牌平面夹角最大不超过45度；3)不失一般性，车底盘使用线性CCD照相机获取；4)透视射线源主束垂直于地面，获取车辆的顶视角透视图像，以便得到更全面的内部结构信息；5)使用雷达测速装置，实时获取车速，用于校正图像。另外，数据获取包括各个数据的同步。系统启动后，红外射线保持投射，当射线遇到遮挡物时触发采集流程，设此时绝对时间为t0，车脸采集设备在t0时进行一次拍照，底盘与射线以间以t0为基准开始采集数据。当红外射线遮挡物消失时，设绝对时间为t1，此时停止采集流程，底盘和透视采集设备停止采集。设一次采集原始数据分别为OIR(红外)、OVF(车脸)、OU(底盘)和OX(透视)，其中，除OVF外，其它数据均按帧采集，每帧都包括获取帧与t0的相对时间和车辆实时速度值。车底盘图像可以用作车型识别，但由于底盘污迹多、经常有加装护甲等变化，使得其效果较差。实际上，底盘提供的信息能有效的区分系列、年款，表示出了一定的内部结构，因此可作为一种模态手段提高识别精度。根据本发明的实施例，对各个模态图像都分别经过各自的预处理过程。预处理有两个目的：首先是使图像归一化，其次是对齐。对于所有图像来说，归一化是指每个模态各自每个像素代表的物理尺寸是统一的。优选的，所有的红外图像每个像素为2cm*2cm，所有车脸图像每个像素代表6mm*6mm，底盘图像每个像素标识1cm*1cm，透视图像每个像素标识5mm*5mm。对齐是指每个模态下，图像内容相对位移尽量小，比如对同一车型，达到图像内容尽量一致。一般来说，红外、底盘、透视数据都采用线扫描的形式，车速相关。因此需要通过实时车速校正图像，达到尺寸归一化目的。对于车脸图像，在固定照相机位置和触发条件后，得到的图像基本能满足尺寸归一化条件。需要注意的是，为了减小底盘图像受污迹的影响，底盘图像预处理中包括图像梯度化，即仅保留图像的边缘信息，而不保留其整体外观。例如，OIR、OU、OX根据相应时间戳和车辆实时速度值调整比例，使得各个模态内，每个像素有统一的物理尺寸。由于每一帧的速度和时间已知，则当前帧的物理位置可知，即可得到帧在图像中的位置。经过去噪处理，另外对底盘图像进行梯度化，分别得到红外图像IIR、底盘图像IU、透视图像IX。OVF图像经过几何校正(校正参数由照相机在数据获取步骤前，手工校正得到)，得到垂直方向视角的平行光投影图像O’VF。定位车脸并非本专利关注内容，相关方法包括使用车牌等辅助信息、求对称性等完成定位。在此实施例中，我们直接对O’VF灰度化，求梯度图，求垂直方向投影并找到对称轴，之后以一个100*200的移动窗口，以对称轴为中心上下滑动，求窗口中梯度绝对值之和。滑动过程会遇到两个极大值，靠上的极值极为所求位置，该位置下的移动窗口即为归一化车脸图像IVF。图5给出了预处理和特征提取的过程关系。经过预处理，各类数据内容之间虽然差异很大，但都在图像领域，因此既可以使用同种方法进行特征提取，也可以根据各模态特点设计各自的特征。具体来说，各个模态，特别是车脸图像，可借鉴多种基于外观(appearancebased)的人脸识别算法进行特征提取，如子空间、多尺度小波变换(如Gabor特征)、尺度不变特征转换(scaleinvariantfeaturetransform,SIFT)、词袋特征(bagofvisualword,BOW)等。但实际上，车型数据有它的特殊性。它的优势在于不同车型间差异较大且存在客观度量(模型图纸决定)，且采集到的图像以刚性形变为主；其缺点是每类样本少，在实际应用中，仅以一次采集作为一个类型的模板。可以根据模态特点分别提取特征。例如，红外图像的特征为车辆的长、宽与轮廓线，这些参数从图像上很容易可以抽取到。车脸主要特征在于车标和进气栅格。两部分的特征可以分别抽取，也可以作为整体抽取。精确的抽取方法应当是先检测车标位置，抽取其SIFT特征，然后去掉车标位置图像，在剩下的部分进行子空间降维提取特征。为提高运算速度，优选的，对车脸进行整体子空间分析也能获得较好效果，具体方法包括但不限于线性方法如主成分分析(PrincipalComponentAnalyze,PCA)、神经网络方法如自联想网络(AutoAssociativeNetwork,ANN)、概率模型如高斯隐变量模型(GaussianProcessLatentVariableModel,GPLVM)等。底盘图像经过预处理后形成梯度图像。梯度图像特征包括但不限于：1)使用上文中车脸特征提取中子空间的方法；2)经过二值化后以边缘的形式描述；3)使用局部投影特征。方法1对于梯度图像效果较差，而方法2点匹配速度慢，不适合实时应用，因此优选的，使用局部投影特征完成底盘图像特征提取。具体来说，将图像分为若干子图，比如将图像均匀的分成互不重叠的6个子图，分别计算子图的水平、垂直投影，并将这6*2个投影连接起来形成特征向量。透视图像能够反映车辆内部构造，是达到精确识别所必须的。需要注意的是，透视图像也能反映车辆外部特征如轮廓，但本专利重在获取其内部特征。透视图像同样可以使用车脸或底盘图像提取方法。但由于透视图像尺寸较大，因此优选的，专利采用局部加权的词袋模型进行特征提取。其特征在于，将透视图像均匀的分成若干局部，每个局部都形成各自的BOW特征。这些BOW特征经过局部的重要性加权，串联或直接求和形成透视特征。此处局部重要性是人为设置或经过自动学习获取的，反映局部特征重要程度的值。比如车后备箱由于杂物的影响，有效性比车头透视局部重要性低。一般而言，重要性车头>车侧>车身>车尾。在对精度要求较低，或车型较为固定，或运算能力受限条件下，可以使用同一种方法提取各模态特征。如使用PCA或BOW方法，可提取所有模态特征。另外，可以把所有模态图像拼接成一张图像，进行整体的特征提取。1)红外图像IIR特征提取IIR为二值化图像，首先对其进行联通区域分析，得到顶部空气联通区。这个区域的每一列最下方的值极为车辆在该列的轮廓值，由此求得车辆轮廓C。C为固定长度的二维矢量。例如设置图像每像素2cm，所有图像均保留5m长，则C为250维矢量。C的最大值极为高度H，C的非零跨度则为车辆长度W。对高度和长度进行判断，确定此数据是否进入后续计算。比如过高或过长的车被认为是货车，过低或过短的物体被认为是干扰，都不进行计算。2)车脸图像IVF特征提取本实施例使用主成分分析(PCA)方法提取IVF特征。该方法的作用在于有效降低数据维数，提高运算速度，防止过拟合。该算法的实现方式较简单，在此不作赘述。提取的特征F为一维矢量，在本实施例中，50维即可得到较好效果。3)底盘图像IU特征提取将IU均匀的分成2*3块。不失一般性，设IU大小为200*600，则每块大小为100*200。每个子图分别求水平、垂直方向的累加投影，投影维数分别为100、200维。将6块子图的投影链接起来，得到1800维矢量。对此1800维矢量进行PCA分析，形成100维的底盘特征U。4)透视图像IX特征提取将透视图像IX分成类似IU的若干子块，如2*3块，对每一块求BOW特征。BOW为公知算法，有多种开源代码如opencv、vlfeat对其进行了实现，此处不再赘述。BOW维数取决于训练得到的字典，为了达到较高精度，我们设置其维数为1000维。之后，人工设置各块BOW的重要因子，如车头的两块设为3.0，中间两块设置为2.0，车尾两块设置为1.0，则最终的BOW为各块BOW特征乘以相应因子，并进行叠加，生成最终的1000维透视特征向量X。在训练分类器的过程中，可以使用各种分类器，如线性分类器LinearDiscriminantAnalyze(LDA)、线性支持向量机LinearSupportVectorMachine(LSVM)、非线性的K近邻K-NearestNeighbors(KNN)、支持向量机SupportVectorMachine(SVM)、决策树DecisionTree(DT)、Boosting等方法都可以通过某种形式进行实现。在其他实施例中，将每个模态看做是独立的，则可以使用信息融合(InformationFusion)方法进行识别，比如特征级融合与决策级融合策略。优选的，在一些实施例中采取模态级联形式实现融合识别。即，红外特征、车脸特征、底盘特征、透视特征依次识别，每次都缩小识别范围，最终达到精确识别。这种形式下，前三种模态都可以在一定范围中共享样本，从而提高识别率。类似于特征提取，识别分类器可以根据每个模态的特点分别构建。在我们的实验中，使用KNN和基于样本点的SVM(ExemplarSVM,ESVM)得到了较好效果，且它们的另一个优势在于易于实现增量学习，模型使用过程中在线训练代价低，因此作为优选方案。此外，为实现快速检索，可使用K-dimensionalTree(KdTree)、哈希编码或类似方法。在训练过程中，对每个车型的标识、各模态特征、相关分类器构建数据库，形成对应关系，方便在识别过程中使用。本实施例采用最近邻方法实现识别，训练采用K-dTree快速检索算法。对多种模态分别建立K-dTree，保存模型。在识别时，通过与训练过程同样的数据获取、预处理、特征提取后，通过在数据库中检索或相应分类器分类，得到最终的车型识别结果。例如已有训练数据库，包含大量车型数据，其数据库集合可表示为{C,F,U,X