[发明专利]车辆识别方法

权利要求书

1.一种车辆识别方法，其特征在于，包括：

对当前帧的视频图像进行前景检测；

提取在当前帧中的检测到的车辆图像的特征点；

如果当前帧中的车辆图像的特征点与预先记录的一个车辆图像的特征点相匹配，则比较所述当前帧中的车辆图像与匹配到的车辆图像的颜色特征，如果一致，则确定匹配成功。

2.根据权利要求1所述的车辆识别方法，其特征在于，所述提取特征点的过程包括：

在高斯差分尺度空间，根据不同的高斯核函数的σ值，建立车辆图像所对应的多张层叠的不同尺度的图像；

在当前层的尺度的图像内，如果一个像素点在本层及其两个相邻层的8邻域内，为最大值或最小值，则该点为该尺度下的一个特征点。

3.根据权利要求2所述的车辆识别方法，其特征在于，所述匹配的过程包括：

根据每个尺度下的每个特征点所在车辆图像的位置，确定该特征点及其周围邻域内的像素点的梯度，建立该特征点对应的描述子；

确定所述车辆图像的每个特征点对应的描述子与所述记录的一组特征点对应的描述子的欧氏距离d；

其中，所述欧式距离d=sqrt(∑(xi1-xi2)^2)；xi1为记录的一组特征点中的一个特征点的第i维向量、xi2为车辆图像中的一个特征点的第i维向量；

如果最小的欧式距离不大于第一阈值、且最小的欧氏距离与次小的欧式距离的比值不大于第二阈值，则确定用于运算出所述最小的欧式距离的两个描述子各自对应的特征点相匹配；

当相匹配的特征点的数量占记录的该组特征点总数量的比值超过第三阈值后，确定车辆图像的特征点与该组特征点匹配成功。

4.根据权利要求2所述的车辆识别方法，其特征在于，所述σ值介于0～20之间。

5.根据权利要求3所述的车辆识别方法，其特征在于，所述建立描述子的过程包括：

根据所述确定的该特征点及其周围邻域内的像素点的梯度，建立梯度直方图；

将所述梯度直方图中梯度的最大模对应的角度范围中的任意一个角度作为主方向；

用一个中心在该区域中央的高斯函数对所述周围邻域内的各个像素点的梯度的模加权；

将所述周围邻域内的各个像素划分为多个区块，根据每个区块内的像素点的加权后的模长、相对于所述主方向的角度差值，建立每个区块内的直方图，确定该区块内的向量；

以多维向量的格式记录全部区块的向量信息形成特征向量，作为该特征点的描述子。

6.根据权利要求5所述的车辆识别方法，其特征在于，还包括：建立所述梯度直方图的过程中，如果其中一个特征点的梯度的模大于第四阈值，则将该梯度的模值设置为第四阈值。

7.根据权利要求1所述的车辆识别方法，其特征在于，所述预先记录的特征点包括多组，每组特征点对应一个车辆图像；

还包括：采用kd-tree记录所述多组特征点；

采用BBF查询算法，在所述kd-tree中查询相匹配的一组特征点。

8.根据权利要求1所述的车辆识别方法，其特征在于，还包括：如果在多帧图像中存在的车辆图像的特征点均与记录的同一个车辆图像的特征点相匹配、且多帧图像中存在的车辆图像的颜色特征相一致，则确定多帧图像中存在的车辆图像为相同的车辆图像。