[go: up one dir, main page]

CN111046875B - 一种车辆品牌的识别方法 - Google Patents

一种车辆品牌的识别方法 Download PDF

Info

Publication number
CN111046875B
CN111046875B CN201911294352.1A CN201911294352A CN111046875B CN 111046875 B CN111046875 B CN 111046875B CN 201911294352 A CN201911294352 A CN 201911294352A CN 111046875 B CN111046875 B CN 111046875B
Authority
CN
China
Prior art keywords
vehicle
boundary contour
light
detected
vehicle light
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201911294352.1A
Other languages
English (en)
Other versions
CN111046875A (zh
Inventor
丁祖春
封斌
莫文英
钟碧良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Maritime University
Original Assignee
Guangzhou Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Maritime University filed Critical Guangzhou Maritime University
Priority to CN201911294352.1A priority Critical patent/CN111046875B/zh
Publication of CN111046875A publication Critical patent/CN111046875A/zh
Application granted granted Critical
Publication of CN111046875B publication Critical patent/CN111046875B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种车辆品牌的识别方法，该方法先获取并从待识别车辆图片中提取车灯区域；对车灯区域进行预处理，获得待检测车灯边界轮廓；将待检测车灯边界轮廓等间隔划分为十六方向，并计算待检测车灯边界轮廓中各个方向的方向链码，获得十六方向链码；根据所有方向链码，计算待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，并根据相似度从品牌库中输出选定车灯边界轮廓；提取选定车灯边界轮廓对应的车辆品牌作为待识别车辆的车辆品牌。采用本发明技术方案能够在不依赖车辆商标图案的情况下实现车辆品牌的识别，从而提高车辆品牌识别结果的准确度。

Description

一种车辆品牌的识别方法
技术领域
本发明涉及车辆识别领域，尤其涉及一种车辆品牌的识别方法。
背景技术
机动车保有量的增长使得车管控的需求增多。其中，车辆品牌识别是车管控的手段之一，因此能够有效地检测出车辆的品牌有助于构建“平安城市”、“智能交通”。
现有的车辆品牌的识别方法，主要通过检测车辆的商标图案(即logo)，来判断车辆品牌，但是现有的车辆品牌的识别方法十分容易受到环境的影响和商标图案的影响，当环境光线较暗或商标图案较小时，难以识别出车辆的品牌信息；除此之外，车辆的商标图案易于加工和改造，在现实生活中，常常有用户自行修改车辆的商标图案，导致车辆品牌的识别结果发生变化，进一步降低车辆品牌识别结果的准确度。
发明内容
本发明实施例提供了一种车辆品牌的识别方法，能够在不依赖车辆商标图案的情况下实现车辆品牌的识别，从而提高车辆品牌识别结果的准确度。
为了解决上述技术问题，本发明实施例提供了一种车辆品牌的识别方法，包括：
获取并从待识别车辆图片中提取车灯区域；
对所述车灯区域进行预处理，获得待检测车灯边界轮廓；
将所述待检测车灯边界轮廓等间隔划分为十六方向，并计算所述待检测车灯边界轮廓中各个所述方向的方向链码，获得十六方向链码；
根据所有所述方向链码，计算所述待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，并根据相似度从所述品牌库中输出选定车灯边界轮廓；
提取所述选定车灯边界轮廓对应的车辆品牌作为所述待识别车辆的车辆品牌。
作为优选方案，所述获取并从待识别车辆图片中提取车灯区域，具体为：
获取并判断待识别车辆图片中是否存在两处车灯区域；
若所述待识别车辆图片中存在两处车灯区域时，则判断所述两处车灯区域的面积之差是否大于阈值；
若所述两处车灯区域的面积之差大于阈值时，则提取面积较大的车灯区域；
若所述两处车灯区域的面积之差小于阈值时，则提取清晰度高的车灯区域；
若所述待识别车辆图片中仅有一处车灯区域，则直接提取所述车灯区域。
作为优选方案，所述对所述车灯区域进行预处理，获得待检测车灯边界轮廓，具体为：
对所述车灯区域进行背景去除、尺寸归一化、灰度变换、亮度均衡的预处理，获得预处理图片；
基于梯度运算算法，从所述预处理图片中提取车灯的边界；
对所述边界进行去噪和修补，获得封闭的待检测车灯边界轮廓。
作为优选方案，所述将所述待检测车灯边界轮廓等间隔划分为十六方向，具体为：
将所述待检测车灯边界轮廓的几何中心作为原点，等间距的将所述待检测车灯边界轮廓划分为十六方向。
作为优选方案，所述计算所述待检测车灯边界轮廓中各个所述方向的方向链码，获得十六方向链码，具体为：
提取各个所述方向与所述待检测车灯边界轮廓边界的交点，分别计算各个交点与所述待检测车灯边界轮廓几何中心的距离，获得十六方向链码。
作为优选方案，所述根据所有所述方向链码，计算所述待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，并根据相似度从所述品牌库中输出选定车灯边界轮廓，具体为：
逐一计算每一所述方向链码的编码距离；其中，所述编码距离为所述待检测车灯边界轮廓的方向链码与车灯边界轮廓中对应的方向链码的距离；
根据每一所述方向链码的编码距离及加权系数，通过第一预设的相似度的计算公式，计算每一所述方向链码的相似度；
将所有所述方向链码的相似度之和，作为所述待检测车灯边界轮廓与车灯区域的相似度；
将相似度最高的车灯边界轮廓作为选定车灯边界轮廓。
作为优选方案，所述第一预设的相似度的计算公式，具体为：
Figure GDA0004040287300000031
其中，LHi为第i方向链码的相似度，ωk为第i方向链码对应的加权系数，DSi为第i方向链码的编码距离，c为常数。
作为优选方案，所述根据所有所述方向链码，计算所述待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，并根据相似度从所述品牌库中输出选定车灯边界轮廓，具体为：
逐一计算每一所述方向链码的编码距离；其中，所述编码距离为所述待检测车灯边界轮廓的方向链码与车灯边界轮廓中对应的方向链码的距离；
根据每一所述方向链码的编码距离及加权系数，通过第二预设的相似度的计算公式，计算每一所述方向链码的相似度；
将所有所述方向链码的相似度之和，作为所述待检测车灯边界轮廓与车灯区域的相似度；
将相似度最低的车灯边界轮廓作为选定车灯边界轮廓。
作为优选方案，所第二预设的相似度的计算公式，具体为：
LHi＝ωkabc(DSi)
其中，LHi为第i方向链码的相似度，ωk为第i方向链码对应的加权系数，DSi为第i方向链码的编码距离，abc(DSi)为第i方向链码的编码距离的绝对值。
相应地，本发明还提供一种车辆品牌的识别装置，包括：
车灯区域提取模块，用于获取并从待识别车辆图片中提取车灯区域；
边界轮廓获取模块，用于对所述车灯区域进行预处理，获得待检测车灯边界轮廓；
第一计算模块，用于将所述待检测车灯边界轮廓等间隔划分为十六方向，并计算所述待检测车灯边界轮廓中各个所述方向的方向链码，获得十六方向链码；
第二计算模块，用于根据所有所述方向链码，计算所述待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，并根据相似度从所述品牌库中输出选定车灯边界轮廓；
识别模块，用于提取所述选定车灯边界轮廓对应的车辆品牌作为所述待识别车辆的车辆品牌。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的车辆品牌的识别方法，该方法先获取并从待识别车辆图片中提取车灯区域；对车灯区域进行预处理，获得待检测车灯边界轮廓；将待检测车灯边界轮廓等间隔划分为十六方向，并计算待检测车灯边界轮廓中各个方向的方向链码，获得十六方向链码；根据所有方向链码，计算待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，并根据相似度从品牌库中输出选定车灯边界轮廓；提取选定车灯边界轮廓对应的车辆品牌作为待识别车辆的车辆品牌。相比于现有技术的车辆品牌的识别方法，本发明技术方案不用时刻考虑环境、商标图案的大小以及人为因素对车辆品牌识别结果造成影响，而是会自动获取车辆的车灯边界轮廓并根据车灯边界轮廓的方向链码进行判断，从而使得车辆品牌的识别结果更加准确。
进一步地，本发明在车灯边界轮廓的检测过程中，根据车灯边界轮廓的十六方向链码，计算待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，能够进一步提高车辆品牌识别结果的准确度。
附图说明
图1是本发明提供的一种车辆品牌的识别方法的第一实施例的流程示意图；
图2是本发明提供的一种车辆品牌的识别装置的第二实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一实施例：
参见图1，是本发明提供的一种车辆品牌的识别方法的一种实施例的流程示意图。如图1，该方法包括步骤101至步骤105，各步骤具体如下：
步骤101：获取并从待识别车辆图片中提取第一车灯区域。
在本实施例中，步骤101具体为：获取并判断待识别车辆图片中是否存在两处车灯区域；若待识别车辆图片中存在两处车灯区域时，则判断两处车灯区域的面积之差是否大于阈值；若两处车灯区域的面积之差大于阈值时，则提取面积较大的车灯区域；若两处车灯区域的面积之差小于阈值时，则提取清晰度高的车灯区域；若待识别车辆图片中仅有一处车灯区域，则直接提取车灯区域。需说明的是，车灯区域指代车辆前部连续面积最大的灯所对应的区域，通常情况下指代示廓灯的区域，若某些汽车的几个灯封装在一个车灯外罩中，使得该车灯外罩所占面积最大，例如将近光灯、远光灯、雾灯、示廓灯封装在一个车灯外罩下，那么该车灯外罩对应的区域就为本文的车灯区域。
在本实施例中，本发明人发现车辆的品牌与车灯构造有关，本发明人还发现是车灯受到发动机盖、叶子板、前保险杠的交汇区域的影响，使得车灯区域难以改造，加上车灯不受光照环境的影响，即使在夜里仍具有可见的特点，因此，本申请技术方案通过检测车灯区域来实现车辆品牌的识别，能够有效提高车牌品牌识别结果的准确度。
步骤102：对车灯区域进行预处理，获得待检测车灯边界轮廓。
在本实施例中，步骤102，具体为：对车灯区域进行背景去除、尺寸归一化、灰度变换、亮度均衡的预处理，获得预处理图片；基于梯度运算算法，从预处理图片中提取车灯的边界；对边界进行去噪和修补，获得封闭的待检测车灯边界轮廓。
在本实施例中，对车灯区域进行背景去除、尺寸归一化、灰度变换、亮度均衡的预处理，获得预处理图片；具体为：首先，除去车灯区域中的车灯背景。车灯背景主要指发动机盖、叶子板区域、前保险杠区域、进气口区域，然而这些背景的颜色及纹理与车灯区域的颜色、纹理特征有明显区别，车灯区域的颜色通常是白色或棕橙色，因此通过背景色和纹理，就能去除车灯区域中的车灯背景。其次，将尺寸进行归一化，为了便于方向链码计算的结果具有标准性，对车灯前景区域按比例缩放到同等大小，确保相同车灯在分辨率上是等大的。第三，灰度变换，将归一化的第一车灯区域进行灰度变换，获得灰度图像。第四，将灰度图像进行亮度均衡。
在本实施例中，对车灯区域进行背景去除、尺寸归一化、灰度变换、亮度均衡的处理，使得获取待检测车灯边界轮廓的准确度更高，进一步提高车辆识别结果的准确度。
步骤103：将待检测车灯边界轮廓等间隔划分为十六方向，并计算待检测车灯边界轮廓中各个方向的方向链码，获得十六方向链码。
在本实施例中，步骤103具体为：将待检测车灯边界轮廓的几何中心作为原点，建立平面直角坐标系，并以平面直角坐标系的横轴的正半轴为起始线，以π/8的间距，逆时针的方向，将待检测车灯边界轮廓划分为十六方向，提取各个方向与待检测车灯边界轮廓边界的交点，分别计算各个交点与待检测车灯边界轮廓几何中心的距离，获得十六方向链码。譬如，提取第二个方向与待检测车灯边界轮廓边界的交点，计算该交点到待检测车灯边界轮廓几何中心的距离，获得第二方向链码。需说明的是，方向链码指交点到待检测车灯边界轮廓的几何中心的距离。
步骤104：根据所有方向链码，计算待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，并根据相似度从品牌库中输出选定车灯边界轮廓。
在本实施例中，步骤104具体为：逐一计算每一方向链码的编码距离；其中，编码距离为待检测车灯边界轮廓的方向链码与车灯边界轮廓中对应的方向链码的距离；根据每一方向链码的编码距离及加权系数，通过第一预设的相似度的计算公式，计算每一方向链码的相似度；将所有方向链码的相似度之和，作为待检测车灯边界轮廓与车灯区域的相似度；将相似度最高的车灯边界轮廓作为选定车灯边界轮廓。
在本实施例中，第一预设相似度的计算公式如下：
Figure GDA0004040287300000071
其中，LHi为第i方向链码的相似度，ωk为第i方向链码对应的加权系数，DSi为第i方向链码的编码距离，c为常数，通常情况c＝1。
在本实施例中，步骤104具体为：逐一计算每一方向链码的编码距离；其中，编码距离为待检测车灯边界轮廓的方向链码与车灯边界轮廓中对应的方向链码的距离；根据每一方向链码的编码距离及加权系数，通过第二预设的相似度的计算公式，计算每一方向链码的相似度；将所有方向链码的相似度之和，作为待检测车灯边界轮廓与车灯区域的相似度；将相似度最低的车灯边界轮廓作为选定车灯边界轮廓。
在本实施例中，第二预设的相似度的计算公式如下：
LHi＝ωkabc(DSi)
其中，LHi为第i方向链码的相似度，ωk为第i方向链码对应的加权系数，DSi为第i方向链码的编码距离，abc(DSi)为第i方向链码的编码距离的绝对值。
在本实施例中，以第一方向链码的编码距离进行具体说明：获取待检测车灯边界轮廓的第一方向链码，从品牌库中任选一个车灯边界轮廓的第一方向链码，计算上述两个第一方向链码的差值，该差值作为第一方向链码的编码距离。
在本实施例中，加权系数的获取方式具体如下：若方向链码位于平面直角坐标系中的第一象限时，则方向链码的加权系数为0.24；若方向链码位于平面直角坐标系中的第二象限时，则方向链码的加权系数为0.35；若方向链码位于平面直角坐标系中的第三象限时，则方向链码的加权系数为0.23；若方向链码位于平面直角坐标系中的第四象限时，则方向链码的加权系数为0.18。需说明的是，上述的加权系数是根据实际拍摄的车辆图片中的拍摄倾角以及车辆前脸的进气口获得的，但是不局限于0.24、0.35、0.23、0.18。
在本实施例中，根据十六方向链码，来判断待检测车灯边界轮廓与品牌库中的车灯边界轮廓的相似度，能够进一步提高车辆品牌识别结果的准确度。
步骤105：提取选定车灯边界轮廓对应的车辆品牌作为待识别车辆的车辆品牌。
由上可见，本发明实施例提供的车辆品牌的识别方法，该方法先获取并从待识别车辆图片中提取车灯区域；对车灯区域进行预处理，获得待检测车灯边界轮廓；将待检测车灯边界轮廓等间隔划分为十六方向，并计算待检测车灯边界轮廓中各个方向的方向链码，获得十六方向链码；根据所有方向链码，计算待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，根据相似度从品牌库中输出选定车灯边界轮廓；提取选定车灯边界轮廓对应的车辆品牌作为待识别车辆的车辆品牌。相比于现有技术的车辆品牌的识别方法，本发明技术方案不用时刻考虑环境、商标图案的大小以及人为因素对车辆品牌识别结果造成影响，而是会自动获取车辆的车灯边界轮廓并根据车灯边界轮廓的方向链码进行判断，从而使得车辆品牌的识别结果更加准确。进一步地，本发明在车灯边界轮廓的检测过程中，根据车灯边界轮廓的十六方向链码，计算待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，能够进一步提高车辆品牌识别结果的准确度。
第二实施例
请参见图2，是本发明提供的一种车辆品牌的识别装置的第二实施例的结构示意图，该装置包括车灯区域提取模块201、边界轮廓获取模块202、第一计算模块203、第二计算模块204和识别模块205。
车灯区域提取模块201，用于获取并从待识别车辆图片中提取车灯区域；
边界轮廓获取模块202，用于对车灯区域进行预处理，获得待检测车灯边界轮廓；
第一计算模块203，用于将待检测车灯边界轮廓等间隔划分为十六方向，并计算待检测车灯边界轮廓中各个方向的方向链码，获得十六方向链码；
第二计算模块204，用于根据所有方向链码，计算待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，根据相似度从品牌库中输出选定车灯边界轮廓；
识别模块205，用于提取选定车灯边界轮廓对应的车辆品牌作为待识别车辆的车辆品牌。
需要说明的是，本发明实施例提供的一种车辆品牌的识别装置用于执行上述一种车辆品牌的识别方法的所有方法流程，两者的工作原理和有益效果一一对应，因而不再赘述。
由上可见，本发明技术方案不用时刻考虑环境、商标图案的大小以及人为因素对车辆品牌识别结果造成影响，而是会自动获取车辆的车灯边界轮廓并根据车灯边界轮廓的方向链码进行判断，从而使得车辆品牌的识别结果更加准确。不仅如此，本发明在车灯边界轮廓的检测过程中，根据车灯边界轮廓的十六方向链码，计算待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，进一步提高车辆品牌识别结果的准确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，.程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种车辆品牌的识别方法，其特征在于，包括：
获取并从待识别车辆图片中提取车灯区域；
对所述车灯区域进行预处理，获得待检测车灯边界轮廓；
将所述待检测车灯边界轮廓等间隔划分为十六方向；其中，将所述待检测车灯边界轮廓的几何中心作为原点，等间距地将所述待检测车灯边界轮廓划分为十六方向；并计算所述待检测车灯边界轮廓中各个所述方向的方向链码，获得十六方向链码；其中，提取各个所述方向与所述待检测车灯边界轮廓边界的交点，分别计算各个交点与所述待检测车灯边界轮廓几何中心的距离，获得十六方向链码；
根据所有所述方向链码，计算所述待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，并根据相似度从所述品牌库中输出选定车灯边界轮廓；其中，逐一计算每一所述方向链码的编码距离；包括：所述编码距离为所述待检测车灯边界轮廓的方向链码与车灯边界轮廓中对应的方向链码的距离；根据每一所述方向链码的编码距离及加权系数，通过第一预设的相似度的计算公式或者第二预设的相似度的计算公式，计算每一所述方向链码的相似度；将所有所述方向链码的相似度之和，作为所述待检测车灯边界轮廓与车灯区域的相似度；根据所述第一预设的相似度的计算公式，选择相似度最高的车灯边界轮廓作为选定车灯边界轮廓，或者根据所述第二预设的相似度的计算公式，选择相似度最低的车灯边界轮廓作为选定车灯边界轮廓；
提取所述选定车灯边界轮廓对应的车辆品牌作为所述待识别车辆的车辆品牌。
2.如权利要求1所述的车辆品牌的识别方法，其特征在于，所述获取并从待识别车辆图片中提取车灯区域，具体为：
获取并判断待识别车辆图片中是否存在两处车灯区域；
若所述待识别车辆图片中存在两处车灯区域时，则判断所述两处车灯区域的面积之差是否大于阈值；
若所述两处车灯区域的面积之差大于阈值时，则提取面积较大的车灯区域；
若所述两处车灯区域的面积之差小于阈值时，则提取清晰度高的车灯区域；
若所述待识别车辆图片中仅有一处车灯区域，则直接提取所述车灯区域。
3.如权利要求1所述的车辆品牌的识别方法，其特征在于，所述对所述车灯区域进行预处理，获得待检测车灯边界轮廓，具体为：
对所述车灯区域进行背景去除、尺寸归一化、灰度变换、亮度均衡的预处理，获得预处理图片；
基于梯度运算算法，从所述预处理图片中提取车灯的边界；
对所述边界进行去噪和修补，获得封闭的待检测车灯边界轮廓。
4.如权利要求1所述的车辆品牌的识别方法，其特征在于，所述第一预设的相似度的计算公式，具体为：
Figure FDA0004040287290000021
其中，LHi为第i方向链码的相似度，ωk为第i方向链码对应的加权系数，DSi为第i方向链码的编码距离，c为常数。
5.如权利要求1所述的车辆品牌的识别方法，其特征在于，所述第二预设的相似度的计算公式，具体为：
LHi＝ωkabc(DSi)
其中，LHi为第i方向链码的相似度，ωk为第i方向链码对应的加权系数，DSi为第i方向链码的编码距离，abc(DSi)为第i方向链码的编码距离的绝对值。
6.一种车辆品牌的识别装置，其特征在于，包括：
车灯区域提取模块，用于获取并从待识别车辆图片中提取车灯区域；
边界轮廓获取模块，用于对所述车灯区域进行预处理，获得待检测车灯边界轮廓；
第一计算模块，用于将所述待检测车灯边界轮廓等间隔划分为十六方向；其中，将所述待检测车灯边界轮廓的几何中心作为原点，等间距的将所述待检测车灯边界轮廓划分为十六方向；并计算所述待检测车灯边界轮廓中各个所述方向的方向链码，获得十六方向链码；其中，提取各个所述方向与所述待检测车灯边界轮廓边界的交点，分别计算各个交点与所述待检测车灯边界轮廓几何中心的距离，获得十六方向链码；
第二计算模块，用于根据所有所述方向链码，计算所述待检测车灯边界轮廓与品牌库中每一车灯边界轮廓的相似度，并根据相似度从所述品牌库中输出选定车灯边界轮廓；其中，逐一计算每一所述方向链码的编码距离；包括：所述编码距离为所述待检测车灯边界轮廓的方向链码与车灯边界轮廓中对应的方向链码的距离；根据每一所述方向链码的编码距离及加权系数，通过第一预设的相似度的计算公式或者第二预设的相似度的计算公式，计算每一所述方向链码的相似度；将所有所述方向链码的相似度之和，作为所述待检测车灯边界轮廓与车灯区域的相似度；根据所述第一预设的相似度的计算公式，选择相似度最高的车灯边界轮廓作为选定车灯边界轮廓，或者根据所述第二预设的相似度的计算公式，选择相似度最低的车灯边界轮廓作为选定车灯边界轮廓；
识别模块，用于提取所述选定车灯边界轮廓对应的车辆品牌作为所述待识别车辆的车辆品牌。
CN201911294352.1A 2019-12-16 2019-12-16 一种车辆品牌的识别方法 Expired - Fee Related CN111046875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911294352.1A CN111046875B (zh) 2019-12-16 2019-12-16 一种车辆品牌的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911294352.1A CN111046875B (zh) 2019-12-16 2019-12-16 一种车辆品牌的识别方法

Publications (2)

Publication Number Publication Date
CN111046875A CN111046875A (zh) 2020-04-21
CN111046875B true CN111046875B (zh) 2023-04-07

Family

ID=70236967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911294352.1A Expired - Fee Related CN111046875B (zh) 2019-12-16 2019-12-16 一种车辆品牌的识别方法

Country Status (1)

Country Link
CN (1) CN111046875B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116168230B (zh) * 2022-12-13 2025-09-19 广州航海学院 一种基于自适应链码识别船舶类型的方法
CN116363690B (zh) * 2023-05-31 2023-08-15 泗水县鑫泓商贸有限公司 用于工厂数字化的数字图纸角度测量方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426899A (zh) * 2014-09-19 2016-03-23 腾讯科技（北京）有限公司 车辆识别方法、装置和客户端
CN107563265A (zh) * 2016-06-30 2018-01-09 杭州海康威视数字技术股份有限公司 一种远光灯检测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426899A (zh) * 2014-09-19 2016-03-23 腾讯科技（北京）有限公司 车辆识别方法、装置和客户端
CN107563265A (zh) * 2016-06-30 2018-01-09 杭州海康威视数字技术股份有限公司 一种远光灯检测方法及装置

Also Published As

Publication number Publication date
CN111046875A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
US7724962B2 (en) Context adaptive approach in vehicle detection under various visibility conditions
Mammeri et al. A real-time lane marking localization, tracking and communication system
Wali et al. Comparative survey on traffic sign detection and recognition: a review
CN104899554A (zh) 一种基于单目视觉的车辆测距方法
CN104866823A (zh) 一种基于单目视觉的车辆检测与跟踪方法
JPWO2008020544A1 (ja) 車両検知装置，車両検知方法並びに車両検知プログラム
CN106803066B (zh) 一种基于Hough变换的车辆偏航角确定方法
JP7264428B2 (ja) 道路標識認識装置及びそのプログラム
CN107891808A (zh) 行车提醒方法、装置及车辆
CN107563301A (zh) 基于图像处理技术的红灯信号检测方法
CN111191482B (zh) 一种刹车灯识别方法、装置及电子设备
CN109948552A (zh) 一种复杂交通环境中的车道线检测的方法
KR101239718B1 (ko) 차량 주변 물체 검출 시스템 및 방법
Deng et al. Detection and recognition of traffic planar objects using colorized laser scan and perspective distortion rectification
CN110427979A (zh) 基于K-Means聚类算法的道路水坑识别方法
CN106407951A (zh) 一种基于单目视觉的夜间前方车辆检测方法
CN111046875B (zh) 一种车辆品牌的识别方法
Shang et al. A novel method for vehicle headlights detection using salient region segmentation and PHOG feature
CN118366130A (zh) 行人眩光防护与智能阴影区域生成方法及系统
CN104778454B (zh) 一种基于亮度递减验证的夜间车辆尾灯提取方法
CN117671644A (zh) 标识牌检测方法、装置以及车辆
CN119693908B (zh) 一种自动驾驶汽车避障控制方法、系统、汽车及存储介质
CN115797907A (zh) 图像处理方法、装置、车辆以及存储介质
Cheng et al. A vehicle detection approach based on multi-features fusion in the fisheye images
CN115984828B (zh) 基于几何特征描述子的远光灯开启检测方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230407

CF01 Termination of patent right due to non-payment of annual fee