[发明专利]目标车辆识别方法、装置及车辆实时监控系统

说明书

本发明提供了一种目标车辆识别方法，用于从含有多个待判定车辆的待测视频中识别出目标车辆，其特征在于根据目标车辆的车牌以及车标从待测视频的各个待判定车辆中判定出目标车辆，其中车标分析的方法包含如下步骤：步骤S1，对待测图像进行预处理；步骤S2，获得全部待判定车辆的位置；步骤S3，根据待判定车辆的位置获取各个待判定车辆的图像部分；步骤S4，将待判定车辆的图像部分输入车标获取网络模型，获得各个待判定车辆的车标。本发明还提供了实现该目标车辆识别方法的目标车辆识别装置以及含有该装置的车辆实时监控系统。

技术领域

本发明属于计算机视觉、人工智能技术领域，具体涉及一种目标车辆识别方法、装置以及含有该装置的车辆实时监控系统。

背景技术

目标车辆识别是交通管理领域中的一个重要研究课题。例如，当肇事车辆逃逸时，需要获取相关区域的大量监控视频，从视频的图像帧中所含有的大量车辆中找到该肇事车辆，从而进行追踪；在交通监管系统中，若检查到超速等行为，也需要根据视频中的超速车辆信息从车辆数据库中找到对应车辆。

现有技术中，目标车辆的识别主要利用图像分析技术分析得到车牌号，然后根据车牌号分析得出目标车辆。然而，若目标车辆为套牌车，则其车牌号与实际不符，无法仅依靠车牌号准确查找到目标车辆。

为了提高目标车辆识别的准确性，现有技术中还出现了一些利用特征提取器提取车辆其他特征，然后采用这些其他特征进行综合分析判定目标车辆的方法。例如，通过图像分析及机器学习的方法从待测图像或待测图片帧中获取各个车辆的颜色、车型等特征，然后综合这些特征进行相似度分析，从而从图像或图片帧的多个车辆中判定出目标车辆。然而，由于不同的特征的特点各自不同，需要使用不同的图像分析方法和机器学习模型(例如，颜色分析通常采用分析并计算车身上占比最多的颜色的形式，车型分析则通常采用提取车脸、车轮数量、车窗等进行综合判断的方式)，因此，一方面，这种多特征分析的方法在前期需要会耗费大量时间精力来建立和完善分析方法和模型；另一方面，在目标车辆识别时，需要运行多个不同的分析方法及模型，运算量较大，在需要从大量视频中查找目标车辆的场合下，识别效率就较为低下；同时，由于识别时运算量较大，而视频所含有的帧图像非常多，若抽样间隔太大则有可能遗漏关键图片帧导致漏查，若抽样间隔小则可能导致无法及时完成识别，使得目标车辆的实时识别难以实现。

发明内容

针对上述技术问题，发明人针对不同的车辆特征进行了研究，发现车标是车辆识别的关键特征，将其与车牌识别等结合起来，可以大大提高车辆识别的可靠；进一步，发明人还发现，通过经过特定训练的卷积神经网络模型可以在无需耗费大量计算量的情况下有效地获取车辆的车标特征，从而与车牌特征结合进行目标车辆识别。

基于上述发现，本发明提出了了一种可靠性高、计算量小的目标车辆识别方法和装置、系统，具体提出了如下技术方案：

本发明提供了一种目标车辆识别方法，用于从含有多个待判定车辆的待测视频中识别出目标车辆，其特征在于，按照预定方法从待测视频中依次获取图片帧作为待测图像进行车牌分析及车标分析，获取待判定车辆的车牌以及车标，根据目标车辆的车牌以及车标从待测视频的各个待判定车辆中判定出目标车辆，其中车标分析的方法包含如下步骤：步骤S1，对待测图像进行预处理得到预处理图像；步骤S2，将预处理图像输入车辆检测网络模型，获得全部待判定车辆的位置；步骤S3，根据待判定车辆的位置从预处理图像中获取各个待判定车辆的图像部分；步骤S4，将待判定车辆的图像部分输入车标获取网络模型，获得各个待判定车辆的车标，车标获取网络模型的获得过程包括如下步骤：步骤T1，搭建具有预定层数且含有与车标属性相对应的全连接层的卷积神经网络模型并进行初始化；步骤T2，构建含有多个车辆及其车标标记的训练图像作为训练集；步骤T3，将训练集输入初始化后的卷积神经网络模型进行训练，直至卷积神经网络模型中各层参数收敛，得到训练好的卷积神经网络模型作为车标获取网络模型。