CN114863692B - 一种基于局部特征对齐的车纹识别逃费稽查方法 - Google Patents

Abstract

本发明公开了一种基于局部特征对齐的车纹识别逃费稽查方法，包括以下步骤：S1、从数据库中获取收费站入口车辆图片；S2、对图片通过SURF算法进行特征点的提取；S3、选取图片中进行对齐匹配的局部特征点；S4、计算所选特征点的局部变换矩阵；S5、利用仿射变换得到每个子区域的方向构成旋转矩阵；S6、计算积分图；S7、通过倒角距离作为特征值进行匹配；S8、根据匹配结果找出车辆真实行驶路径计算逃费金额。本发明在高速公路入口收费站通过对车辆的车纹特征进行提取并建立特征数据库，结合门架车辆识别信息，分析出车辆实际行驶轨迹，有效打击车辆在高速公路中的逃费行为。

Description

一种基于局部特征对齐的车纹识别逃费稽查方法

技术领域

本发明属于高速公路电子收费技术领域，具体涉及一种基于局部特征对齐的车纹识别逃费稽查方法。

背景技术

随着高速公路路网不断扩大，一些不法车辆利用各种形式偷逃通行费，逃费形式多样且隐蔽性强，主要包括ETC逃费、CPC逃费、假冒免费逃费、同时申请多个OBU和ETC卡、屏蔽门夹信号实现最小费率等。这扰乱了高速公路收费工作正常秩序，造成了巨大经济损失。为维护高速公路正常收费秩序和公平缴费环境，进一步加强通行费征收管理，有效防范和遏制偷逃漏通行费行为，保证严格按照收费标准依法依规收费，迫在眉睫。

虽然，管理部门虽然积极采取一些控制手段，但在实践中依然缺少有效的解决方案，尤其是在主动发现偷逃通行费嫌疑车辆的这一环节没有高效的办法，通常通过人力查询的方式进行，效果极其低下。而且，也没有针对套牌、换牌或无牌车辆的逃费监测。因此，一种基于局部特征对齐的车纹识别逃费稽查方法亟待提出。

发明内容

为解决现有技术存在的缺陷，本发明提供一种基于局部特征对齐的车纹识别逃费稽查方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明提供一种基于局部特征对齐的车纹识别逃费稽查方法，包括以下步骤：

S1、从数据库中获取收费站入口车辆图片；

S2、对图片通过SURF算法进行特征点的提取；

S3、选取图片中进行对齐匹配的局部特征点；

S4、计算所选特征点的局部变换矩阵；

S5、利用仿射变换得到每个子区域的方向构成旋转矩阵；

S6、计算积分图；

S7、通过倒角距离作为特征值进行匹配；

S8、根据匹配结果找出车辆真实行驶路径计算逃费金额。

进一步地，步骤S1中收费站入口的流水数据为车辆进入高速公路入口时设备对车辆进行拍摄的数据。

进一步地，步骤S2中使用SURF算法对车辆正面照片进行特征点的提取。

进一步地，步骤S4与步骤S5中根据特征点进行距离变换增强鲁棒性。

进一步地，步骤S7中结合算法提取的特征点，利用倒角距离作为车纹特征。

进一步地，步骤S8中通过倒角距离阈值为对匹配计算结果进行判断的数值，当匹配计算结果小于于阈值时，认定为同一车辆。

本发明相较于现有技术，具有以下有益效果：本发明针对套牌、换牌或无牌车辆在高速中进行逃费行为的识别，在高速公路入口收费站通过对车辆的车纹特征进行提取并建立特征数据库，结合门架车辆识别信息，分析出车辆实际行驶轨迹，有效打击车辆在高速公路中的逃费行为。。

具体实施方式

以下对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1

本实施例提供一种基于局部特征对齐的车纹识别逃费稽查方法，其特征在于，包括以下步骤：

S1、从数据库中获取收费站入口车辆图片；收费站入口的流水数据为车辆进入高速公路入口时设备对车辆进行拍摄的数据；

S2、对车辆正面照片通过SURF算法进行特征点的提取；

S3、选取图片中进行对齐匹配的局部特征点；

S4、计算所选特征点的局部变换矩阵；

S5、利用仿射变换得到每个子区域的方向构成旋转矩阵；根据特征点进行距离变换增强鲁棒性；

S6、计算积分图；

S7、通过倒角距离作为特征值进行匹配；

S8、根据匹配结果找出车辆真实行驶路径计算逃费金额，通过倒角距离阈值为对匹配计算结果进行判断的数值，当匹配计算结果小于于阈值时，认定为同一车辆。

本发明以SURF(Speeded Up Robust Features)算法作为核心算法。SURF 算法为SIFT算法的改进算法。SIFT算法的优点是特征稳定，对旋转、尺度变换、亮度保持不变性，对视角变换、噪声也有一定程度的稳定性；缺点是实时性不高，并且对于边缘光滑目标的特征点提取能力较弱。SURF算法改进了特征的提取和描述方式，用一种更为高效的方式完成特征的提取和描述。

(1)SURF算法通过黑塞矩阵来生成所有兴趣点，构建黑塞矩阵的目的是为了生成图像稳定的边缘点或突变点从而用于提取特征，黑塞矩阵如下：

黑塞矩阵用于描述的一个点周围像素梯度大小的变化率，其极值就是生成图像稳定的边缘点或突变点，其两个特征值，代表这其在两个相互垂直方向是的梯度的变化率，当两个特征值越大时，其图像中的像素点的像素值波动越大；我们用两个特征值相加，即黑塞矩阵的判别式来量化；黑塞矩阵的判别式如下：

当黑塞矩阵的判别式取得局部极大值时，判定当前点是比周围邻域内其他点更亮或更暗的点，由此来定位关键点的位置。

在SURF算法中，图像像素l(x，y)即为函数值f(x，y)；但是由于我们的特征点需要具备尺度无关性，所以在进行黑塞矩阵构造前，需要对其进行高斯滤波，选用二阶标准高斯函数作为滤波器；

L(x，t)＝G(t)·I(x，t)

通过特定核间的卷积计算二阶偏导数，这样便能计算出黑塞矩阵的三个矩阵元素L_xx,L_xy,L_yy(高斯二阶微分算子)从而计算出黑塞矩阵；

由于高斯核是服从正态分布的，从中心点往外，系数越来越低，为了提高运算速度，SURF算法使用了盒式滤波器来近似替代高斯滤波器，提高运算速度。

盒式滤波器(Boxfilter)对图像的滤波转化成计算图像上不同区域间像素和的加减运算问题，只需要简单几次查找积分图就可以完成。

(2)SURF算法借助积分图，将图像与高斯二阶微分模板的滤波转化为对积分图像的加减运算，从而在特征点的检测时大大缩短了搜索时间。

积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重新计算这个区域的像素和，从而加快了计算。

求取积分图时，对图像所有像素遍历一遍，得到积分图后，计算任何矩形区域内的像素灰度和只需进行三次加减运算。

(3)在本发明中，由于各高速公路入口收费站摄像机对准车道的角度不同，因此需要进行一些变换操作增加模型鲁棒性。在SURF的匹配点应用到训练过程中，选取一张图片I_std作为标准图片，为了避免对图像I_std和当前训练图像I之间的失配点进行采样，我们首先计算I_std和I中每两个特征点对之间的绝对差值，然后丢弃x坐标上比其他点差值大的点。根据可靠性值对点对进行排序，得到局部变换矩阵。

假设选择了点对(P_i,P_j)来处理对齐。利用P_i和P_j作为两个对角角点，提取变换区域R_ij，形成一个包围窗口。由这两个匹配点对所包围的区域将使用变换矩阵进行旋转。我们使用仿射变换得到图像I每个子区域的方向，构造旋转矩阵M如下所示：

仿射变换是指在几何中，一个向量空间进行一次线性变换并接上一个平移变换为另一个向量空间。用公式表示为；

p为变换前原始向量，q为变换后目标向量，A为线性变换矩阵，b为平移变换向量。公式可统一写成矩阵形式以方便计算：

在图像处理中，我们所谓的向量是二维坐标(x,y)，所以向量p、q可以如下表示：

因此我们又能将上述矩阵改写成：

对于一副图像，如果我们知道矩阵T，便可以对图像中任何一点进行仿射变换。

类似地，每个子区域中两点之间的距离用于计算比例和对齐中的x-y偏移量。利用仿射变换对匹配点对所包含的子区域的位置进行对齐。

x、y分别表示垂直方向和水平方向的位移值。

对齐方法是将采样后的子图像转换为倒角距离图。

(4)介于高速公路收费站入口摄像头针对同一车道拍摄的不同车辆存在拍摄延时，也就意味着同一辆车不一定都出现在图像的中心位置。对此，本发明引入倒角距离用于目标匹配，避免目标出现局部形变导致无法匹配的情况。

距离变换就是将一幅表示目标的二值图像转化为一幅灰度图像，这幅灰度图像中某点的灰度值就是表示原始二值图像相应坐标点关于最近目标的距离，因而变换后的图像也就是所谓的距离图像。

倒角距离通常用于确定两个形状特征之间的相似性。倒角距离函数定义为图像中每个像素到边缘像素距离的均值，即：

在本发明中，将二值梯度图像作为变换的输入，计算像素与其邻近像素的差值作为特征。

为了识别未知车辆图像，本发明中采用了构建库图像的过程。在标准图像I_std的基础上，利用SURF算法提取图像匹配点对。通过预先训练的仿射变换矩阵对测试车辆图像进行局部特征对齐。最后，将对齐后的检测图像与各库图像进行匹配，完成车辆识别任务。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于局部特征对齐的车纹识别逃费稽查方法，其特征在于，包括以下步骤：

S1、从数据库中获取收费站入口车辆图片；

S2、对图片通过SURF算法进行特征点的提取；具体包括：SURF算法通过黑塞矩阵来生成所有兴趣点，通过构建黑塞矩阵生成图像稳定的边缘点或突变点从而用于提取特征，黑塞矩阵如下：

黑塞矩阵用于描述一个点周围像素梯度大小的变化率，其极值就是生成图像稳定的边缘点或突变点，其两个特征值，代表其在两个相互垂直方向梯度的变化率，当两个特征值越大时，其图像中的像素点的像素值波动越大；用两个特征值相加，即黑塞矩阵的判别式来量化；黑塞矩阵的判别式如下：

当黑塞矩阵的判别式取得局部极大值时，判定当前点是比周围邻域内其他点更亮或更暗的点，由此来定位特征点的位置；

S3、选取图片中进行对齐匹配的局部特征点；计算所选特征点的局部变换矩阵；具体包括：在SURF的匹配点应用到训练过程中，选取一张图片I_std作为标准图片，为了避免对图像I_std和当前训练图像I之间的失配点进行采样，首先计算I_std和I中每两个特征点对之间的绝对差值，然后丢弃x坐标上比其他点差值大的点；根据可靠性值对点对进行排序，得到局部变换矩阵；

S4、利用仿射变换得到每个子区域的方向构成旋转矩阵；具体包括：假设选择了点对(P_i,P_j)来处理对齐，利用P_i和P_j作为两个对角角点，提取变换区域R_ij，形成一个包围窗口，由这两个对角角点对所包围的区域将使用变换矩阵进行旋转；使用仿射变换得到图像I每个子区域的方向，构造旋转矩阵M如下所示：

仿射变换用公式表示为：

为待仿射变换前的原始向量，/>为进行仿射变换后目标向量，A为进行仿射变换时的线性变换矩阵，/>为进行仿射变换时的平移变换向量；公式统一写成矩阵形式：

在图像处理中，所谓的向量是二维坐标(x,y)，所以向量如下表示：

将上述矩阵改写成：

矩阵/>

S5、计算积分图；具体包括：通过预先训练的仿射变换矩阵对测试车辆图像进行局部特征对齐，将采样后的子图像转换为倒角距离图；倒角距离函数定义为图像中每个像素到边缘像素距离的均值，即：

其中，将二值梯度图像作为变换的输入，计算像素与其邻近像素的差值作为特征；

S6、通过倒角距离作为特征值进行匹配；具体包括：将对齐后的检测图像与各库图像进行匹配；结合算法提取的特征点，利用倒角距离作为车纹特征；

S7、根据匹配结果找出车辆真实行驶路径计算逃费金额；具体包括：倒角距离阈值为对匹配结果进行判断的数值，当匹配结果小于阈值时，认定为同一车辆。

2.根据权利要求1所述的基于局部特征对齐的车纹识别逃费稽查方法，其特征在于，步骤S1中收费站入口的流水数据为车辆进入高速公路入口时设备对车辆进行拍摄的数据。

3.根据权利要求1所述的基于局部特征对齐的车纹识别逃费稽查方法，其特征在于，步骤S2中使用SURF算法对车辆正面照片进行特征点的提取。

4.根据权利要求1所述的基于局部特征对齐的车纹识别逃费稽查方法，其特征在于，步骤S3与步骤S4中根据特征点进行距离变换增强鲁棒性。