征点演算法为例说明，该加速强健特征点演算法为尺度不变特征演算法(Scale-1nvariant feature transform, SIFT)的改良版本。该加速强健特征点演算法透过使用梯度资讯来对兴趣的点进行侦测及描述。在该加速强健特征点演算法广泛地应用为哈里斯角点侦测(Harris corner detector);但是，传统的该哈里斯角点存在部分缺失，即该哈里斯角点侦测并无法侦测尺度变换过后的影像。另夕卜，在特征点的描述的部分，该加速强健特征点演算法维持原有该尺度不变特征演算法计算梯度，以寻找应对点。如此的好处是，该影像可以抵抗旋转或是缩放等变异的因素，让该加速强健特征点演算法可以找到正确的对应点。
[0052]该加速强健特征点演算法在进行特征点比对过程，可进一步被细分为几个步骤:
[0053]I)透过特征点建构Hessia η矩阵
[0054]该Hessian矩阵是该加速强健特征点演算法中核心部分，而每张影像中的任意像素可以被计算出对应于该像素的Hessian矩阵。于另一实施例中，在建立该Hessian矩阵之前，藉由一高斯滤波演算法演算该第一特征点，让特征点不会受到尺度变换的影响。于另一实施例中，该高斯滤波演算法可由一个方框滤波器(例如Herbert Bay提出地9乘9的方框滤波器，如图3所示，为显示9乘9的方框滤波器模板)来取代。
[0055]2)尺度空间表示
[0056]该尺度空间的表示即是该影像解析度表示，最佳的情况是，在任何影像解析度中，该影像的特征点都期待能够被找到。一般而言，该尺度空间通常演绎成一个金字塔模型，如图4所示，为该尺度空间示意图，右图下方块为一识别单元(recognit1n unit)。利用本发明所采用的该加速强健特征点演算法，将使得该影像在进行尺度变换时，并不改变影像的尺寸，而是调整一高斯模糊的尺寸。藉由该方式，可让该加速强健特征点演算法的计算速度加快。
[0057]3)特征点定位
[0058]该加速强健特征点演算法在特征点定位采用与该尺度不变特征演算法类似的计算方式，即透过三维的方式，在各种尺度中使用哈里斯角点侦测去找出较强烈的特征点。
[0059]4)选择特征点主方向
[0060]为了使该加速强健特征点演算法能够不受影像旋转影响，必须定出每一个特征点的主方向。与该尺度不变特征演算法不同的是，该尺度不变特征演算法透过统计梯度直方图，以计算出特征点主方向，而该加速强健特征点演算法透过计算单一特征点周围的领域中的一哈尔小波特征(Harr wavelet)。在特征点周围取一个圆的范围，并且计算一扇形范围中所有的哈尔小破特征总和值，该扇形的角度范围为10度至170度。于本实施例中，该扇形的角度是以60度为例说明，一并参考图5。在图5中，藉由在该圆里不断旋转该扇形，以寻找包含特征点数量最大的扇形，以确认该特征点主方向。
[0061]5)建构该加速强健特征点演算法特征点描述
[0062]该加速强健特征点演算法在每一该第一特征点周围建构出一正方框，并在该正方框中计算该哈尔小波特征的一垂直方向之和、一垂直方向绝对值之和、一水平方向之和与一水平方向绝对值之和，一并可参考图6，是该加速强健特征点演算法的特征点描述子。
[0063]经由上述I)至5)遂进行影像的校准。
[0064]校准影像首先利用基准影像来做为影像校准的基准。藉由该加速强健特征点演算法计算出基准影像与该车体影像的特征点，并且进行二者之间的比对，最后得到一对应点对(point-pairs)。
[0065]于另一实施例中，若该车体影像对比度低时，将导致该加速强健特征点演算法在初始阶段中，找到许多不正确的对应点对。为了去除这些不正确的对应点对，于本实施例中，更进一步对每一个对应点对进行可靠度排序，可靠度。藉由删除该第一特征点集中的二点与对应的该第二特征点集中的二点之间空间差距大于或小于一预定距离的该对应点对，藉以取得距离适中并且可靠度高的对应点对。
[0066]在该加速强健特征点演算法找出来对应点对并且经过筛选之后，这些对应点对即可用来计算车体旋转角度，藉由计算该基准影像与该车体影像的二对应点间向量的角度差，并藉由一仿射变换(Affine transformat1n)以取得一旋转矩阵。接着，进一步计算该基准影像与该车体影像的二对应点间的比例差。再利用该角度差与该比例差调整该车体影像之后，再藉由该仿射变换取得一位移矩阵。
[0067]步骤S24，拍摄该车辆的一即时车体影像。
[0068]步骤S25，藉由该加速强健特征点演算法演算该即时车体影像与该基准影像，以分别地取得一第三特征点集与该第二特征点集。
[0069]步骤S26，比对该第二特征点集与该第三特征点集，以校准该即时车体影像，校准方式同前所述，于此不赘述。
[0070]步骤S27，判断该即时车体影像中每一像素的梯度基底与每一该等车辆模型影像的梯度基底的二者乘积的最大者，以确定该即时车体影像对应该等车辆模型影像的其中之
O
[0071]值得注意的是，于另外一实施例中，由于单张的Chamfer车辆模型的资讯可能不够完整。因此，可进一步藉由叠加大量的车辆模型作为最终模型。换言之，藉由该Chamfer车辆模型不断地叠加，以便留下高独特协同性的资讯，同时抑制低独特协同性的部分，最终该Cha mfer车辆模型拥有完整的车体资讯。
[0072]本发明在上文中已以较佳实施例揭露，然熟习本项技术者应理解的是，该实施例仅用于描绘本发明，而不应解读为限制本发明的范围。应注意的是，举凡与该实施例等效的变化与置换，均应设为涵盖于本发明的范畴内。因此，本发明的保护范围当以权利要求书所界定者为准。
【主权项】
1.一种车辆辨识系统，供辨识多个车辆的车体，以确认该等车辆的身份，其特征在于，该车辆辨识系统包含: 一车辆资料库，其储存该等车辆的多个车体影像； 一模型资料库，其连接该车辆资料库，该模型资料库自该车辆资料库取得该等车体影像，并藉由一演算法演算该等车体影像与一基准影像，以分别地取得一第一特征点集及一第二特征点集，以及比对该第一特征点集与该第二特征点集，让该基准影像校准每一该等车体影像，而建立具有一梯度基底的一斜面距离转换的多个车辆模型影像； 一影像拍摄单元，拍摄每一该车辆的一即时车体影像，该影像拍摄单元藉由该演算法演算该即时车体影像与该基准影像，以分别地取得一第三特征点集与该第二特征点集，以及比对该第二特征点集与该第三特征点集，让该基准影像校准该即时车体影像；以及 一处理单元，其连接该模型资料库与该影像拍摄单元，该处理单元计算该即时车体影像中每一像素的梯度基底与每一该等车体模型影像中每一像素的梯度基底之间的乘积，以及自多个该乘积的数值中挑选最大者，以确定该即时车体影像对应该等车辆模型影像的其中之一。2.—种车辆辨识方法，供辨识多个车辆的车体，其特征在于，该车辆辨识方法包含步骤: 藉由一演算法演算每一该等车辆的一车体影像与一基准影像，以分别地取得一第一特征点集与一第二特征点集； 比对该第一特征点集与该第二特征点集，以校准每一该等车辆的该车体影像； 建立具有一梯度基底的斜面距离转换的该等车辆的多个车辆模型影像； 拍摄该车辆的一即时车体影像； 藉由该演算法演算该即时车体影像与该基准影像，以分别地取得一第三特征点集与该第二特征点集； 比对该第二特征点集与该第三特征点集，以校准该即时车体影像；以及 判断该即时车体影像中每一像素的梯度基底与每一该等车辆模型影像的梯度基底的二者乘积的最大者，以确定该即时车体影像对应该等车辆模型影像的其中之一。3.根据权利要求2所述的车辆辨识方法，其特征在于:其中该演算法根据该第一特征点集建立Hessian矩阵，其中在建立该Hessian矩阵之前，藉由一高斯滤波演算法演算该第一特征点集，以及该演算法调整高斯模糊的尺寸以改变该车体影像的解析度。4.根据权利要求3所述的车辆辨识方法，其特征在于:其中该演算法在三维空间中，侦测与描述该车体影像的该第一特征点集。5.根据权利要求3所述的车辆辨识方法，其特征在于:其中该演算法计算邻近于该第一特征点集的一哈尔小波特征，以及在该第一特征点集的周围取一个圆的范围，并且在该圆的范围之内，统计出在一扇形范围中包覆该哈尔小波特征总和值的最大值。6.根据权利要求5所述的车辆辨识方法，其特征在于:其中该演算法在每一该第一特征点集周围建构出一正方框，并在该正方框中计算该哈尔小波特征的一垂直方向之和、一垂直方向绝对值之和、一水平方向之和与一水平方向绝对值之和。7.根据权利要求2所述的车辆辨识方法，其特征在于:其中在比对该第一特征点集与该第二特征点集的步骤中，删除该第一特征点集中的二点与对应的该第二特征点集中的二点之间空间差距大于或小于一预定距离的一对应点对。8.根据权利要求7所述的车辆辨识方法，其特征在于:更包合计算该基准影像与该车体影像的二对应点间向量的角度差，并藉由一仿射变换以取得一旋转矩阵，而该旋转矩阵旋转该车体影像。9.根据权利要求8所述的车辆辨识方法，其特征在于:更包合计算该基准影像与该车体影像之二该对应点之间的比例差，以及在利用该角度差与该比例差调整该车体影像之后，藉由该仿射变换取得一位移矩阵。10.根据权利要求2所述的车辆辨识方法，其特征在于:其中该演算法为一加速强健特征点演算法、一尺度不变特征转换演算法与一方向梯度直方图演算法的至少其中之一。
【专利摘要】本发明公开一种车辆辨识系统与方法，该方法包含(a)藉由一演算法演算每一该等车辆的一车体影像与一基准影像，以分别地取得一第一特征点集与一第二特征点集。(b)比对该第一特征点集与该第二特征点集，以校准每一该等车辆的该车体影像。(c)建立具有一梯度基底的斜面距离转换的该等车辆的多个车辆模型影像。(d)拍摄该车辆的一即时车体影像。(e)藉由该演算法演算该即时车体影像与该基准影像，以分别地取得一第三特征点集与该第二特征点集。(f)比对该第二特征点集与该第三特征点集，以校准该即时车体影像。(g)判断该即时车体影像的每一像素与每一该等车辆模型影像的每一像素的梯度基底乘积的最大者，以确定该即时车体影像对应该等车辆模型影像的其中之一。
【IPC分类】G06K9/00
【公开号】CN104933398
【申请号】CN201510117877
【发明人】施皇嘉, 王晧宇
【申请人】元智大学
【公开日】2015年9月23日
【申请日】2015年3月18日
【公告号】US9208172, US20150269190