特种车辆识别方法及其识别系统的制作方法
【技术领域】
[0001]本发明属于车辆识别技术领域，尤其涉及一种特种车辆识别方法及其识别系统。
【背景技术】
[0002]随着智能交通发展的需要，对于车辆车型，尤其是危险品运输车辆车型的分类日益成为城市交通管理的迫切需求。有效识别特种车辆，不仅可以有效执行交通限行，还可以有效预防特种车辆的恐怖袭击。
[0003]传统的车辆检测方法只能区分大型车、中型车、小型车，但无法识别特种车辆(油罐车、拖车、吊车、水泥车等)。
【发明内容】
[0004]基于此，针对上述技术问题，提供一种特种车辆识别方法及其识别系统。
[0005]为解决上述技术问题，本发明采用如下技术方案:
[0006]一种特种车辆识别方法，包括:
[0007]在视频图像中定位车辆区域；
[0008]局部构件提取:利用颜色以及边缘特性，将所述车辆区域图像分割成多个子区域；对每个子区域进行有效线段检测；根据车辆各部件的不同特征，聚类合并有效线段，并结合相应子区域的纹理信息以及边缘梯度信息，形成每个子区域的特征关联向量；根据特征关联向量，提取每个子区域的局部构件；
[0009]3d模型信息获取:对每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；用3d模型特征向量和预训练的3d支持向量回归模型进行对比，估计出车辆的3d模型；用该3d模型对所述局部构件进行2d位置坐标估计，并将估计结果反作用于对每个局部构件的特征提取，经多重迭代拟合后，确定车辆的3d模型信息；
[0010]车种识别:根据3d模型的几何特征描述以及边缘特征描述，记录每种特征描述的影响因子；将每种特征描述的影响因子关联起来，形成一维向量，通过相应的分类器计算车种打分值，该打分值乘以对应的影响因子，得出的总值来判断车种。
[0011]所述3d支持向量回归模型的预训练包括:将特种车辆的3d模型作为训练库的样本；对3d模型的每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；将该3d模型特征向量进行支持向量回归，利用各种特种车辆的样本形成回归模型。
[0012]所述在视频图像中定位车辆区域步骤包括:
[0013]对所述视频图像进行高斯图像模糊，将高斯图像模糊后的图像与原图作差得到像素变化值，对变化值作归一化处理，找出有效边缘，形成粗分边缘图；
[0014]对所述粗分边缘图进行细分处理，合并以及延长断裂线段，提取规则圆形和线性线条，过滤无效边缘线，定位有效车型边缘轮廓；
[0015]通过滑动窗口提取所述有效车型边缘轮廓内的特征，统计这些窗口中的有效特征，通过adaboost算法组合成强分类器，由强分类器定位车辆区域。
[0016]所述有效特征包括sift特征以及Fisher特征。
[0017]本发明涉及一种特种车辆识别系统，包括:
[0018]车辆区域定位单元，用于在视频图像中定位车辆区域；
[0019]局部构件提取单元，用于利用颜色以及边缘特性，将所述车辆区域图像分割成多个子区域；对每个子区域进行有效线段检测；根据车辆各部件的不同特征，聚类合并有效线段，并结合相应子区域的纹理信息以及边缘梯度信息，形成每个子区域的特征关联向量；根据特征关联向量，提取每个子区域的局部构件；
[0020]3d模型信息获取单元，用于对每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；用3d模型特征向量和预训练的3d支持向量回归模型进行对比，估计出车辆的3d模型；用该3d模型对所述局部构件进行2d位置坐标估计，并将估计结果反作用于对每个局部构件的特征提取，经多重迭代拟合后，确定车辆的3d模型信息；
[0021]车种识别单元，用于根据3d模型的几何特征描述以及边缘特征描述，记录每种特征描述的影响因子；将每种特征描述的影响因子关联起来，形成一维向量，通过相应的分类器计算车种打分值，该打分值乘以对应的影响因子，得出的总值来判断车种。
[0022]所述3d支持向量回归模型的预训练包括:将特种车辆的3d模型作为训练库的样本；对3d模型的每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；将该3d模型特征向量进行支持向量回归，利用各种特种车辆的样本形成回归模型。
[0023]所述在视频图像中定位车辆区域包括:
[0024]对所述视频图像进行高斯图像模糊，将高斯图像模糊后的图像与原图作差得到像素变化值，对变化值作归一化处理，找出有效边缘，形成粗分边缘图；
[0025]对所述粗分边缘图进行细分处理，合并以及延长断裂线段，提取规则圆形和线性线条，过滤无效边缘线，定位有效车型边缘轮廓；
[0026]通过滑动窗口提取所述有效车型边缘轮廓内的特征，统计这些窗口中的有效特征，通过adaboost算法组合成强分类器，由强分类器定位车辆区域。
[0027]所述有效特征包括sift特征以及Fisher特征。
[0028]本发明能够有效的识别出特种车辆。
【附图说明】
[0029]下面结合附图和【具体实施方式】本发明进行详细说明:
[0030]图1为本发明的一种特种车辆的识别方法的流程图；
[0031]图2为本发明的一种特种车辆的识别系统的结构示意图；
[0032]图3为本发明的3d模型信息获取示意图。
【具体实施方式】
[0033]如图1所示，一种特种车辆的识别方法，包括:
[0034]S101、在视频图像中定位车辆区域。具体过程如下:
[0035]对视频图像进行高斯图像模糊，将高斯图像模糊后的图像与原图作差得到像素变化值，对变化值作归一化处理，通过与预设阈值比较找出有效边缘，形成粗分边缘图，其中，大于预设阈值的将被判别为有效边缘。
[0036]对粗分边缘图进行细分处理，合并以及延长断裂线段，提取规则圆形和线性线条，过滤无效边缘线，定位有效车型边缘轮廓；
[0037]通过滑动窗口提取有效车型边缘轮廓内的特征，统计这些窗口中的有效特征，如sift特征以及Fisher特征等特征，通过adaboost算法组合成强分类器，由强分类器定位车辆区域。
[0038]S102、局部构件提取:利用颜色以及边缘特性，将车辆区域图像分割(阈值分割或区域分割)成多个子区域，其目的是屏蔽非兴趣区域，突出车辆的各有效部件；对每个子区域进行有效线段检测；根据车辆各部件的不同特征(车灯、车珊、雾灯、车标、车窗各部件的不同特征)，聚类合并有效线段，并结合相应子区域的纹理信息以及边缘梯度信息(如LBP、hog等)，形成每个子区域的特征关联向量；根据特征关联向量，提取每个子区域的局部构件。
[0039]S103、3d模型信息获取:如图3所示，对每个局部构件进行特征提取(可采用角点检测或者梯度边缘检测)，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；用3d模型特征向量和预训练的3d支持向量回归模型进行对比，估计出车辆的3d模型；用该3d模型对局部构件进行2d位置坐标估计，并将估计结果反作用于对每个局部构件的特征提取，经多重迭代拟合后(达到设定阈值)，确定车辆的3d模型信息。
[0040]需要指出的是，不同局部构件均存在着许多相同的特征，即无代表性特征，其并不能有效的突出每个局部构件的唯一性，需要提取每个局部构件独有的特征，全局主成份分析的作用就在于此，才能有效避免特征冗余。
[0041]其中，3d支持向量回归模型的预训练包括:将特种车辆的3d模型作为训练库的样本；每个3d车辆模型都由车辆中的不同构件组成，对3d模型的每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；将该3d模型特征向量进行支持向量回归，利用各种特种车辆的样本(包括不同视角、尺度、旋转等)形成回归模型。
[0042]S104、车种识别:根据3d模型的几何特征描述以及边缘特征描述，记录每种特征描述的影响因子；将每种特征描述的影响因子关联起来(同属一个标记)，形成一维向量，通过相应的分类器(如SVN、b00sting分类器)计算车种打分值，每个打分值乘以对应的影响因子，得出的总值来判断车种，不同的车种对应不同的预设范围，将总值与预设范围进行匹配，即可判断为相应的车种。
[0043]需要指出的是，3d模型由局部构件组合而成，故自身存在几何