[发明专利]一种基于视频的收费车道车辆特征识别系统的实现方法

说明书

本发明提出了一种基于视频的收费车道车辆特征识别系统的实现方法，包含三个模块：车辆检测模块、车辆跟踪模块和车辆特征识别模块。本发明使用SSD目标检测器进行检测，使用特征图直方图对比和距离对比方法进行跟踪，将特征图通过卷积神经网络，进行车辆特征识别。本发明方法能有效地识别特征，并且可以实时运行，减少了计算资源的重复消耗，提升了系统的准确性。

技术领域

本发明属于图像处理以及计算机视觉检测技术领域，涉及目标检测算法和深度学习算法的在车辆检测中的应用，为一种基于视频的收费车道车辆特征识别系统的实现方法。

背景技术

我国高速公路的建设情况发展迅速，高速公路运输也成为陆地货物运输的主要方式之一。高速公路运输具有快速稳定等优点。但是，高速公路收费车道的逃费现象却日益严重。很多车辆明明是大客车，却安装小轿车的ETC收费装置，在经过收费车道时被按照小轿车的收费标准进行收费。随着深度学习和目标检测技术的日益成熟，收费车道车辆自动检测和特征识别已经成为智能交通系统的一个重要研究课题，在高速公路的收费车道管理中，可以有效减少人力消耗，可以高效地打击逃费现象。但是，收费车道的车辆检测与特征识别对系统的实时性和准确性均有较高的要求。如果实时性达不到要求，那么系统无法正常使用；如果准确性达不到要求，系统容易出现大量的错误判断，影响收费车道正常工作。因此，如何同时提高检测和识别系统的实时性和准确性显得尤为重要，也是目前研究的一大热门方向，对于收费车道的智能交通系统有重要的意义和价值。

目前，多数车辆特征识别系统采用混合高斯背景减除算法(GMBSD，gaussianmixture background subtraction division)对收费车道视频中的背景进行建模，从而实现车辆检测与跟踪，但是该方法在车辆拥堵时准确率很低，不具有普适性。目前很多基于深度学习的目标检测算法如Faster R-CNN，SSD等，有较好的检测准确性，但是这些目标检测器实时性均较低，无法有效地、经济地进行大规模部署，并且由于没有后续的车辆跟踪算法，系统很容易对同一车辆进行重复的车辆特征识别，即使单纯地增加后续的车辆跟踪算法和车辆特征识别算法，系统的实时性也会更低，依然难以大规模部署。

发明内容

本发明要解决的问题是：针对收费车道车辆特征识别的要求，现有识别系统采用的识别方法不能兼顾准确性、实时性和经济性，不能满足大规模部署以及对识别准确实时的要求。本发明的目的是改善现有的车辆特征识别系统的实时性，并且不损失其准确性；针对车辆特征识别任务，实现一种目标跟踪方法，减少车辆特征识别的重复；使用检测得到的特征图进行车辆特征识别，提升系统实时性。

本发明的技术方案为：一种基于视频的收费车道车辆特征识别方法，包括车辆检测、车辆跟踪和车辆特征识别三个步骤：

步骤S1、基于深度学习方法对收费车道的视频进行车辆检测，并将检测到车辆的特征图归一池化后保存，同时保存每辆车的位置和类别信息：

S1.1)训练卷积神经网络用于车辆检测，将检测到的车辆分为3类，分别为大客车、卡车与轿车；

S1.2)使用所述卷积神经网络对收费车道视频每一帧图片进行检测，检测对象包括每一辆车的位置和类别，位置指车辆的中心点坐标和宽度、高度，类别指3种类别之一；

S1.3)将检测到车辆的视频图像的特征图进行归一池化，得到子特征图，并将子特征图、车辆位置和车辆类别保存为检测信息，对每一辆车使用一个ID作为索引，保存的信息表示为：

content(id)＝{featuremap,loc,class} (1)

式中，featuremap表示特征图，是一个3x3x256维的向量；loc＝(x,y,w,h)表示位置信息，四项分别表示中心点横坐标、中心点纵坐标、车辆宽度和车辆高度，取值均为0到1之间；class＝(cls1,cls2,cls3)表示车辆类别，三项分别代表截至当前帧，目标被识别为轿车的总帧数、大客车的总帧数与卡车的总帧数；