[发明专利]一种基于多特征融合与检测特征集成的违法车辆检索方法

说明书

本发明提出了一种基于多特征融合与检测特征集成的违法车辆检索方法。所述违法车辆检索方法包括：图像分割；使用卷积神经网络对图像进行车辆检测与整体特征提取；计算每辆车的灰度直方图特征；对图像中的车辆进行筛选；计算目标违法相似车辆的包络框中点；判断当前车辆是否为目标违法车辆。本发明通过深度学习实现对车辆的目标检测与特征提取，并且通过多特征融合进行车辆筛选，再结合车辆行驶轨迹对车辆进行检索，能够准确的检索出目标违法车辆，检索效率及准确率高。

技术领域

本发明涉及智能交通技术领域，具体为一种基于多特征融合与检测特征集成的违法车辆检索方法。

背景技术

近年来，随着城市化发展进程的不断推进，城市交通的需求量也逐年提升，车辆保有量不断增加，产生的交通违法事件也随之增多。交通违法事件一般会经由电子摄像头拍摄，将包含违法行为动态过程的多张图像记录下来，并且合成上传到交通管理平台，由交通管理平台进行违法事件的查处。而违法事件查处的首要步骤就是目标违法车辆的检索。

随着社会的发展与科学技术的进步，目标违法车辆的检索方式也经历了多种演变，从最初的人为匹配识别演变为现在的计算机自动匹配。目前，随着科学技术的发展，开始使用深度学习方法进行目标违法车辆的检索。

当前已有许多学者提出了不同的车辆违法检索方法，其中与本发明较为接近的技术方案为：发明专利(发明人：黄诗盛，申请号：201911010388.2，名称：一种违章车辆车型及车牌识别的方法。)阐述了一种通过车辆的车型以及车牌来进行目标违法车辆检索的车辆检索方法。该发明公开的检索方法使用深度学习方法检测出车辆的车型与车牌，再辅以视频中车辆运动轨迹进行车辆检索。这种做法虽然能够靠车牌和车型进行违法车辆的检索，但是对于违法图像拍摄角度和清晰度有较高的要求，而且受环境影响较大，鲁棒性较差。发明专利(发明人：孟德超，申请号：201911162286.2，名称：基于部件分割的识别模型训练、车辆重识别方法及装置。)阐述了一种将车辆整体分割，分别提取特征比较的违法车辆检索方法，该发明公开的检索方法需要将检测步骤和特征提取步骤分离，违法车辆检索的时间较长，效率低下。

综上所述，当前基于深度学习的违法车辆检索方法存在着如下不足：(1)对违法图像拍摄角度有严格的要求，鲁棒性较差；(2)效率低下，违法图像中车辆的数量与目标违法车辆检索时间成反比。

发明内容

针对现有违法车辆检索方法存在的上述问题，本发明的目的在于提出了一种基于多特征融合与检测特征集成的违法车辆检索方法。

本发明的一种基于多特征融合与检测特征集成的违法车辆检索方法，其特征在于包括如下步骤：

步骤1：读取四合一的车辆压线违法图像，并将其进行四等分为四张子图像，将等分得到的左上、右上、左下、右下的子图像分别记得I_i,i＝1,2,3,4，图像I₄中车辆唯一，且为目标违法车辆；

步骤2：采用深度卷积神经检测模型，检测出I_i中的所有车辆，并构成集合其中，表示图像I_i中的第j辆车的包络框，表示左上角的坐标，和分别表示的宽和高，F_i^j表示图像I_i中的第j辆车的整体特征向量，F_i^j＝{f_i^jk|k＝1,2,...,K}，f_i^jk表示F_i^j中的第k个特征，K表示车辆整体特征向量维度，m_i表示第i张子图像检测出车的数量,且m₄＝1；

步骤3：计算每辆车的灰度直方图特征，得到集合其中，表示图像I_i中的第j辆车的灰度直方图向量，表示中的第l个灰度特征，m_i表示第i张子图像检测出车的数量，且m₄＝1；