[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

摘要

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。

主权项

1.一种基于视频的收费车道车辆特征识别系统的实现方法，其特征是包括车辆检测、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；步骤S2、将当前帧的检测信息和前一帧的检测信息进行特征图相似度对比和位置对比，将对比结果相近的车辆标记为同一车辆，实现车辆跟踪功能：S2.1)将前一帧的车辆检测信息与当前帧的车辆检测信息一一进行对比，将特征图相似度和位置距离满足设定阈值的目标视为同一车辆目标，将具有相同目标的当前帧中车辆对应ID改为上一帧中车辆对应的ID，并使用当前帧的对应检测信息进行更新，直至同一车辆目标不再出现在视频帧中，实现目标跟踪，此时同一辆车在多帧图像中对应同一个ID，检测信息为最后检测到该辆车视频帧对应的检测信息，如果当前帧中的目标没有在前一帧中出现，则视为新出现在视频中的车辆，将当前帧对应车辆ID视为该车辆的ID，进行新一轮跟踪；S2.2)将属于同一车辆目标的当前类别和所有历史帧的类别进行加权平均，得出车辆的最终类别，类别平均的方法表示为：cls＝argmax(cls1,cls2,cls3)    (3)式中，argmax表示对最大值取索引值；步骤S3、当被跟踪到的车辆经过事先在视频中标记出的多边形感兴趣区域时，将车辆目标对应的归一化子特征图输入到两个深度学习子网络，分别进行车型识别和颜色识别，并将所有特征信息保存，实现收费车道车辆特征识别功能：S3.1)对当前帧所有车辆目标的位置信息进行判断，如果某一目标在感兴趣区域内，则提取该目标对应的子特征图，用于判断目标是否处于感兴趣区域的方式为：依次遍历感兴趣区域的多边形的顶点，如果感兴趣区域的所有顶点与车辆中心点构成的子三角形面积与多边形面积相等，则该点位于感兴趣区域内，否则位于感兴趣外，判别式表示为：式中，Area表示对三角形求面积，P表示目标的中心点，Ri表示多边形顺时针顺序的第i个点，n表示多边形的点的个数，如果有area＝area′,则目标位于该多边形内部；S3.2)将得到的子特征图通过两个卷积神经网络，分别得到颜色信息和车型分类信息，所述两个卷积神经网络使用收集的收费车道视频作为训练数据，用于识别车辆颜色和车型信息；S3.3)将颜色，车型信息对应车辆ID进行保存，在之后的所有帧中如果出现同样ID的目标时将不会重复保存，完成对收费车道车辆特征的识别。