一种基于目标特征碰撞的车辆查询方法和系统与流程

本发明涉及车辆侦查领域，更具体的说，是涉及一种基于目标特征碰撞的车辆查询方法和系统。

背景技术：

随着智能交通行业的快速发展，对于车辆大数据的后台智能处理也成为目前智能交通行业的一个比较迫切的需求。本文提出的基于目标特征的车辆碰撞方法正是在这一领域提出的一个全新的解决思路，能够更高效、更智能的进行数据挖掘方法。

对于查找两段过车信息中出现的相同车辆可以依靠传统的车牌信息进行查询，但在无车牌或者车牌识别失效的情况下，需要应用其他方法进行弥补；查找指定车辆，传统的人工对比方法费时费力，通过传统数据集信息查找又存在遗漏可能性。

技术实现要素：

有鉴于此，有必要针对上述问题，提供一种基于目标特征碰撞的车辆查询方法和系统，能够快速、高效地找出两组车辆快照中的相同车辆或者搜索匹配给定的查询目标，实现了数据的自动挖掘和快速提取。

为了实现上述目的，本发明的技术方案如下：

一种基于目标特征碰撞的车辆查询方法，包括以下步骤：

S1、查询并获取车辆快照的数据集，同时获取车辆信息；

S2、根据车辆位置信息进行特征值提取并写入数据集；

S3、获取车辆碰撞任务类型，若需对选取两组搜索集进行两两碰撞则进入步骤S4，若需从搜索集中匹配某一搜索目标则进入步骤S5；

S4、对数据集进行两两碰撞，得出满足相似度要求的车辆快照匹配对，形成车辆快照匹配对序列；

S5、将数据集中所有车辆快照与搜索集目标快照进行特征匹配，并进行相似度排序；

S6、检索出满足条件的车辆快照并反馈信息。

作为优选的，所述步骤S1中，获取的车辆信息包括车辆位置、快照路径。

作为优选的，所述步骤S2中，根据车辆位置信息设置ROI进行特征值提取，并以二进制形式数据写入数据集，作为车辆快照信息的补充。

作为优选的，所述步骤S2具体包括：计算参与碰撞的车辆快照的特征值，并将特征值转换为特征向量，每一个车辆快照对应一个具有特定维数的特征向量。

作为优选的，所述步骤S4具体包括：

S401、将两组搜索集中车辆快照进行进行两两匹配，形成车辆快照匹配对，并计算车辆快照匹配对的特征向量的集合，以及与之对应的欧式距离的集合；

第一组车辆快照的特征向量集合为{V1₁,V1₂,V1₃...V1_m}，且对于任意特征向量V1_i＝{x_1i1,x_1i2,x_1i3,...,x_1iLen},i∈[1,m]；第二组车辆快照的特征向量集合为{V2₁,V2₂,V2₃...V2_n}，且对于任意特征向量V2_j＝{x_2j1,x_2j2,x_2j3,...,x_2jLen},j∈[1,n]；式中，Len为车辆快照的特征向量维度,第一组车辆快照的数目为m,第二组车辆快照的数目为n；

两组的车辆快照两两匹配的匹配对为{V1₁V2₁,,...,V1_iV2_j,...,V1_mV2_n}，i∈[1,m],j∈[1,n]，匹配对的欧式距离的集合为{Ed₁₁,...Ed_ij,...Ed_mn}，其中

S402、将欧氏距离的集合转换为[0,1]之间相似度值；

S403、设置相似度阈值，过滤排除相似度小于阈值的车辆快照匹配对；

S404、对过滤后的车辆快照匹配对进行降序排列，并输出排序结果。

作为优选的，所述步骤S401中，将其中一个搜索集中的每个车辆快照与另一个集合中的车辆快照进行匹配，得到车辆快照匹配对。

作为优选的，所述步骤S5具体包括：

S501、将车辆快照数据集与目标快照进行匹配，组成车辆快照匹配对，计算车辆快照匹配对的特征向量集合的欧式距离集合；

S502、将特征向量匹配对的特征向量集合的欧式距离集合转换为[0,1]之间相似度值；

S503、对车辆快照匹配对进行降序排列，并输出排序结果。

作为优选的，相似度值＝(1-特征向量匹配对的欧式距离/固定值)，固定值的取值大于匹配对欧式距离的集合中的最大值。

作为优选的，所述相似度阈值为0.65。

一种根据上述方法进行车辆查询的系统，包括车辆快照数据获取模块、特征提取模块、碰撞模块、结果分析模块；

所述辆快照数据获取模块用于获取车辆抓拍信息以及图像数据；

所述特征提取模块用于对车辆快照提取特征值；

所述碰撞模块用于对车辆快照进行碰撞，组成车辆匹配对序列，计算相似度并进行相似度排序；

所述结果分析模块用于对碰撞结果进行分析，检索出两组车辆快照中出现的相同车辆，或返回大于匹配阈值的所有车辆快照信息。

与现有技术相比，本发明的有益效果在于：本发明通过对车辆进行特征提取后再进行特征对比的方式，实现了车辆碰撞的基本功能，包括查找两组快照中相同的车辆、匹配指定车辆快照与搜索集的相似度等多种功能，达到了了数据的自动挖掘和快速提取目的。

附图说明

图1为本发明的方法流程图；

图2为本发明方法中步骤S4的具体流程图；

图3为本发明方法中步骤S5的具体流程图；

图4是本发明的系统结构框图。

具体实施方式

下面结合附图和实施例对本发明所述的一种基于目标特征碰撞的车辆查询方法和系统作进一步说明。

以下是本发明所述的一种基于目标特征碰撞的车辆查询方法和系统的最佳实例，并不因此限定本发明的保护范围。

图1示出了一种基于目标特征碰撞的车辆查询方法，包括以下步骤：

S1、查询并获取车辆快照的数据集，同时获取车辆信息，供后续特征提取使用；

S2、根据车辆位置信息进行特征值提取并写入数据集；可用SIFT、SURF或者深度学习进行特征提取，本实施例中采取深度学习方法，准确率、效率较好；

S3、获取车辆碰撞任务类型，若需对选取两组搜索集进行两两碰撞则作为任务类型一进行处理，进入步骤S4，若需从搜索集中匹配某一搜索目标则作为任务类型二进行处理，进入步骤S5；

S4、对数据集进行两两碰撞，得出满足相似度要求的车辆快照匹配对，形成车辆快照匹配对序列；

S5、将数据集中所有车辆快照与搜索集目标快照进行特征匹配，并进行相似度排序；

S6、检索出满足条件的车辆快照并反馈信息，通过排序后可以达到以图搜车的目的；若是按所搜索集为同一车牌号，通过相似度可以自动判断假套牌车的目的(大部分匹配度高，少数匹配度极低但号牌相同即可判断为套牌车)。

作为优选的，所述步骤S1中，获取的车辆信息包括车辆位置、快照路径。

作为优选的，所述步骤S2中，根据车辆位置信息设置ROI(Region Of Interest，感兴趣区域)，进行特征值提取，并以二进制形式数据写入数据集，作为车辆快照信息的补充。

作为优选的，所述步骤S2具体包括：计算参与碰撞的车辆快照的特征值，并将特征值转换为特征向量，每一个车辆快照对应一个具有特定维数的特征向量。

作为优选的，所述步骤S4具体包括：

S401、将两组搜索集中车辆快照进行进行两两匹配，形成车辆快照匹配对，并计算车辆快照匹配对的特征向量的集合，以及与之对应的欧式距离的集合；

第一组车辆快照的特征向量集合为{V1₁,V1₂,V1₃...V1_m}，且对于任意特征向量V1_i＝{x_1i1,x_1i2,x_1i3,...,x_1iLen},i∈[1,m]；第二组车辆快照的特征向量集合为{V2₁,V2₂,V2₃...V2_n}，且对于任意特征向量V2_j＝{x_2j1,x_2j2,x_2j3,...,x_2jLen},j∈[1,n]；式中，Len为车辆快照的特征向量维度,第一组车辆快照的数目为m,第二组车辆快照的数目为n；

两组的车辆快照两两匹配的匹配对为{V1₁V2₁,,...,V1_iV2_j,...,V1_mV2_n}，i∈[1,m],j∈[1,n]，匹配对的欧式距离的集合为{Ed₁₁,...Ed_ij,...Ed_mn}，其中

S402、将欧氏距离的集合转换为[0,1]之间相似度值；

S403、设置相似度阈值，过滤排除相似度小于阈值的车辆快照匹配对；

S404、对过滤后的车辆快照匹配对进行降序排列，并输出排序结果。

作为优选的，所述步骤S401中，将其中一个搜索集中的每个车辆快照与另一个集合中的车辆快照进行匹配，得到车辆快照匹配对，一个集合中的每个车辆快照分别与另一个集合中的每个车辆快照进行匹配，共有M*N个车辆快照匹配对，其中M、N分别为两个车辆快照集合对应的车辆快照数。

作为优选的，所述相似度阈值为0.65，对相似度大于0.65的运动目标对进降序排列，并进行输出。

作为优选的，所述步骤S5具体包括：

S501、将车辆快照数据集与目标快照进行匹配，组成车辆快照匹配对，计算车辆快照匹配对的特征向量集合的欧式距离集合；

S502、将特征向量匹配对的特征向量集合的欧式距离集合转换为[0,1]之间相似度值；

S503、对车辆快照匹配对进行降序排列，并输出排序结果。

在上述步骤S5中，同样可以先对相似度设置阈值，并排除相似度值大于阈值的目标，进行初步的筛选。

在本实施例中，相似度值＝(1-特征向量匹配对的欧式距离/固定值)，固定值的取值大于匹配对欧式距离的集合中的最大值。一种根据上述方法进行车辆查询的系统，包括车辆快照数据获取模块、特征提取模块、碰撞模块、结果分析模块；

所述辆快照数据获取模块用于获取车辆抓拍信息以及图像数据；

所述特征提取模块用于对车辆快照提取特征值；

所述碰撞模块用于对车辆快照进行碰撞，若为任务类型一则计算相似度组成车辆匹配对序列，若为任务类型二则对快照序列进行相似度排序；

所述结果分析模块用于对碰撞结果进行分析，若为任务类型一则检索出两组车辆快照中出现的相同车辆，若为任务类型二则返回大于匹配阈值的所有车辆快照信息。

与现有技术相比，本发明的有益效果在于：本发明通过对车辆进行特征提取后再进行特征对比的方式，实现了车辆碰撞的基本功能，包括查找两组快照中相同的车辆、匹配指定车辆快照与搜索集的相似度等多种功能，达到了了数据的自动挖掘和快速提取目的。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。