(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211082559.4 (22)申请日 2022.09.06 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 徐峰祥　方腾源　曾超　 (74)专利代理 机构 湖北武汉 永嘉专利代理有限 公司 42102 专利代理师 胡琳萍 (51)Int.Cl. G06V 20/54(2022.01) G06V 20/40(2022.01) G06V 10/74(2022.01) G06V 10/46(2022.01) (54)发明名称 一种基于视频监控下车脸特征的车型识别 方法及系统 (57)摘要 本发明公开了一种基于视频监控下车脸特 征的车型识别方法及系统， 包括以下步骤： 建立 车型数据库； 所述车型数据库中包含了所有品牌 车辆所对应的车脸特征图片集； 利用灰度化、 背 景差分算法、 二值化等方法获取视频中待测车辆 的图像； 通过灰度拉伸、 多级加权中值滤波等图 像处理相关方法实现待测车辆图像的清晰化处 理； 基于SIFT算法、 Canny边缘检测算子及Snake 活动轮廓模型等方法完成车脸区域相关部分的 特征提取； 通过与车型数据库进行对比分析， 得 到待测车辆的型号。 该方法实现了基于视频监控 中车辆的车脸特征完成车型识别， 克服了现有技 术存在的受环境影响大、 检测成本高、 时效性差、 工作量大等问题。 权利要求书3页 说明书14页 附图8页 CN 115512310 A 2022.12.23 CN 115512310 A 1.一种基于 视频监控下 车脸特征的车型识别方法， 其特 征在于包括以下步骤： 步骤1， 各类车型数据库的建立： 建立一个包含所有品牌车辆车脸特征的图片数据库， 作为标准模板数据库； 步骤2， 视频采集， 并锁定 视频中运动的待测车辆， 获取视频中待测车辆图像； 步骤3， 待测车辆图像的清晰化处 理； 步骤4， 待测车辆车脸区域定位； 步骤5， 车脸特 征提取； 步骤6， 车型识别： 将提取的车脸特征图像利用HU矩计算公式提取出不变矩特征值， 然 后利用欧氏距离计算公式计算得出车脸特征图像与标准模板数据库中的每个模板数据的 相似度系数， 相似度系数最大的模板数据所对应的车 型即为待测车辆车 型。 2.根据权利要求1所述的基于视频监控下车脸特征的车型识别方法， 其特征在于步骤1 中， 标准模板数据库建立的具体方法为： 将车辆车脸部分划分为6个区域： 第1区域的主要特征是右大灯； 第2区域的主要特征是 车标和散热器格栅； 第3区域的主要特征是左大灯； 第4区域的主要特征是右小灯和右散热 器隔栅； 第5区域的主要特征是车牌和散热器隔栅； 第6区域的主要特征是左小灯和左散热 器隔栅； 车辆车脸部分6个区域进行 特征识别的时候按照设定顺序进行： 从区域2的车标开始识别， 然后在确定待测车辆品牌的条件下按照区域1、 区域3、 区域 4、 区域6、 区域5的顺序依次识别， 得到相似度； 设定区域1 ‑6的识别权重， 用每一块区域的相似度乘以该区域的权重得到该区域的加 权相似度， 将这6块区域的加权相似度相加， 加权相似度相加总和不低于 设定阈值就认为是 同一款车型。 3.根据权利要求1所述的基于视频监控下车脸特征的车型识别方法， 其特征在于步骤2 中， 利用灰度化、 背景差分算法、 二 值化方法获取视频中待测车辆图像。 4.根据权利要求1或3所述的基于视频监控下车脸特征的车型识别方法， 其特征在于步 骤2中， 视频中待测车辆的锁定包括 步骤为： 步骤2.1， 图像灰度化： 采用加权平均值法对视频图像序列进行 灰度化处 理； 步骤2.2， 图像去噪： 采用中值滤波器对灰度图像进行去噪； 步骤2.3， 背景图构建： 通过视频的前N帧进行区间统计来得到背景图Accx,y(N‑1)； N表 示总图像帧数； 步骤2.4， 背景图更新： 根据如下公式来 不断更新背景图： Accx,y(N)＝α Ac cx,y(N‑1)+(1‑α )fx,y(N‑1)， 式中:Accx,y(N)为经过更新后的背景图， fx,y(N‑1)为新的视频图像帧， α为背景图的更 新速率； 步骤2.5， 运动车辆检测： 通过计算视频中相邻几帧得到视频场景中的背景图， 然后通 过背景差分得到待测车辆图像。 5.根据权利要求1所述的基于视频监控下车脸特征的车型识别方法， 其特征在于步骤4 中， 待测车辆车脸区域定位的具体方法为： 采用基于车牌识别的方法， 首先通过识别算法确 定车牌的位置和大小信息， 然后根据车脸与车牌大小的比例来确定车脸区域。 6.根据权利要求1所述的基于视频监控下车脸特征的车型识别方法， 其特征在于步骤5权　利　要　求　书 1/3 页 2 CN 115512310 A 2基于SIFT算法进行车标特征提取， 采用Canny边缘检测算子及Snake 活动轮廓模型完成车脸 区域车大灯的特 征提取。 7.根据权利要求1所述的基于视频监控下车脸特征的车型识别方法， 其特征在于步骤5 中， 车脸特 征提取包括车 标提取， 具体方法为： 步骤5.11， 构建车标图像的尺度空间： 定义尺度空间内核， 并选择高斯卷积核作 为线性 核， 采用高斯差分尺度空间输出尺度空间； 步骤5.12， 底层特征局部空间极值点检测： 以3 ×3关系网格为基准， 对相邻尺度空间的 所有像素点进 行比较， 除去当前像素点， 比较结束后， 若其满足灰度值在当前范围最大或最 小， 则对其记录； 步骤5.13， 定位极值 点： 通过三维二次函数的拟合 来完成图像增强； 步骤5.14， 消除边缘效应： 首先求解2 ×2的Hessian矩阵， 然后通过比较Hessian矩阵特 征值的大小筛 选边缘响应点， 最后进行阈值检测； 步骤5.15， 确定关键点的特征方向： 计算关键点梯度模值； 然后产生梯度直方图， 在0 ° 到360°的取值范围内将其以10 °为单位平均对应给36个特征向量， 关键点的主方向由该方 向上的较高特 征值所决定； 步骤5.16， 特征向量的生成： 将正在操作的特征点邻域所在的尺度空间中的每个窗口 等分成16个小窗口， 每个小窗口内包含8个方向信息， 然后用环数变化的圆形区域代替方形 区域， 增加一个距离中心点的权重系数ω， 当靠近中心 点时， 权重增大， 远离中心 点时， 权重 减少， 然后进行归一 化处理。 8.根据权利要求1所述的基于视频监控下车脸特征的车型识别方法， 其特征在于步骤5 中， 车脸特 征提取还 包括车大灯提取， 具体包括如下步骤: 步骤5.21， 对车大灯进行Canny边缘算子检测： 首先用高斯平滑算法对图像进行平滑算 法处理， 过滤掉图像中的噪声干扰； 然后计算出经高斯平滑处理后的图像信息梯度图， 最后 对计算处理的梯度图采用非极大值抑制技术产生细化边缘、 识别出伪边缘和间断边缘， 得 到大灯精确图像的边 缘轮廓； 步骤5.22， 采用哈夫变换算法处 理： 1)将图像的对角距离定为D， 把图像经过哈夫变换后的ρ ‑θ 空间参数量化为M*N个单元， 把与之相对应的各个单元建立相关累加器矩阵HT， 其中把参数θ平均分为M等份， 把ρ 平均分 为N等份， 180>θ ≥0， D>ρ > ‑D； 2)将各个单 元所建立的全部累加器矩阵初始值设置为0； 3)将Canny边缘检测算子检测到的非连续边缘点在ρ ‑θ 的空间参数， 按照相关量化步长 分别取为ρ和 θ 的值， 再根据已经获得的ρ和 θ 的值把相应的累加器单元加1， 即HT(i,j)＝HT (i,j)+1； 4)最后对累加器矩阵进行扫描， 当HT(i,j)的值为最大时， 所对应 的(ρ, θ )的值作为车 辆大灯轮廓图像的边 缘直线； 步骤5.23， 二维凸包算法获取到车 大灯的初始轮廓多边形， 具体实现步骤如下： 1)通过每条边 缘线段计算得到他们各自的中点； 2)从其中一条边缘线段的中点开始， 沿着这条边缘直线向其两端进行扫描， 获取到真 实边缘线段的两个顶点， 并标记；权　利　要　求　书 2/3 页 3 CN 115512310 A 3