車輛辨識系統(tǒng)與方法
【技術領域】
[0001]本發(fā)明涉及車輛辨識的技術領域，特別是一種不經(jīng)由辨識經(jīng)蓄意涂消或變異的車牌，而能準確地識別出車輛的身分的車輛身分辨識系統(tǒng)與方法。
【背景技術】
[0002]隨著影像辨識技術的提升，車輛辨識系統(tǒng)已經(jīng)被廣泛地應用在智慧交通運輸領域，該智慧交通運輸領域包含國道自動化收費系統(tǒng)、偷竊車輛偵測與車禍偵測等。以下說明，是以該國道自動化收費系統(tǒng)為例說明。
[0003]國道系統(tǒng)中的自動收費站，藉由該車輛辨識系統(tǒng)監(jiān)控通過該自動收費站的車輛，以達成自動化收費與車輛監(jiān)控的目的。
[0004]傳統(tǒng)中，該車輛辨識系統(tǒng)是拍攝該車輛的車牌影像或是拍攝車牌的特征資訊，并且與資料庫中的車牌資料進行比對，以識別出該車輛。
[0005]然而，該車輛辨識系統(tǒng)雖節(jié)省了人力，卻也衍伸了其它的問題，例如不當?shù)脑撥囕v的駕駛，藉由涂改車牌、破壞車牌、變更車牌或遮蓋車牌等方式，企圖逃避該車輛辨識系統(tǒng)辨識等的問題。
[0006]有鑒于此，本發(fā)明提出一種車輛辨識系統(tǒng)與方法，以解決常見技術的缺失。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的一目的提供一種車輛辨識系統(tǒng)，在不透過辨識一車輛的一車牌的情形下，仍可有效率地與準確地辨識出該車輛的身份。
[0008]本發(fā)明的另一目的提供一種車輛辨識方法，藉由偵測一車輛的車體(或稱車型)而識別出該車輛。
[0009]為達上述目的及其他目的，本發(fā)明提供一種車輛辨識系統(tǒng)，供辨識多個車輛的車體，以確認該等車輛之身份，該車輛辨識系統(tǒng)包含一車輛資料庫、一模型資料庫、一影像拍攝單元與一處理單元。該車輛資料庫儲存該等車輛的多個車體影像。該模型資料庫連接該車輛資料庫。該模型資料庫自該車輛資料庫取得該等車體影像，并藉由一演算法演算該等車體影像與一基準影像，以分別地取得一第一特征點集及一第二特征點集，以及比對該第一特征點集與該第二特征點集，讓該基準影像校準每一該等車體影像，而建立具有一梯度基底的一斜面距離轉換(Chamfer distance transform)的多個車輛模型影像。該影像拍攝單元拍攝每一該車輛的一即時車體影像。該影像拍攝單元藉由該演算法演算該即時車體影像與該基準影像，以分別地取得一第三特征點集與該第二特征點集，以及比對該第二特征點集與該第三特征點集，讓該基準影像校準該即時車體影像。該處理單元連接該模型資料庫與該影像拍攝單元。該處理單元計算該即時車體影像中每一像素的梯度基底與每一該等車體模型影像中每一像素的梯度基底之間的乘積，以及自多個該乘積的數(shù)值中挑選最大者，以確定該即時車體影像對應該等車輛模型影像的其中之一。
[0010]為達上述目的及其他目的，本發(fā)明提供一種車輛辨識方法，供辨識多個車輛的車體，該車輛辨識方法包含步驟(a)，藉由一演算法演算每一該等車輛的一車體影像與一基準影像，以分別地取得一第一特征點集與一第二特征點集。步驟(b)，比對該第一特征點集與該第二特征點集，以校準每一該等車輛的該車體影像。步驟(C)，建立具有一梯度基底的斜面距離轉換(Chamfer distance transform)的該等車輛的多個車輛模型影像。步驟(d)，拍攝該車輛的一即時車體影像。步驟(e)，藉由該演算法演算該即時車體影像與該基準影像，以分別地取得一第三特征點集與該第二特征點集。步驟(f)，比對該第二特征點集與該第三特征點集，以校準該即時車體影像。步驟(g)，判斷該即時車體影像中每一像素的梯度基底與每一該等車輛模型影像的梯度基底的二者乘積的最大者，以確定該即時車體影像對應該等車輛模型影像的其中之一。
[0011]相較常見技術，本發(fā)明提供一車輛辨識系統(tǒng)與方法，主要藉由例如一加速強健特征點(Speeded up robust features)演算法演算一車輛的一車體影像的特征點集，并藉由該特征點集校準該車體影像，同時藉由梯度基底的斜面距離轉換(Chamfer distancetransform)建立一車輛模型影像。藉由本發(fā)明，可在不需要直接地辨識該車輛的車牌的情況下，仍可藉由判斷該一即時車體本身的校準后的梯度特征影像(例如車型紋理或是該車體獨有的標記、物件以及缺陷)，而識別出該車輛的身份。
[0012]校準的該車輛影像透過斜面距離轉換來建造該車輛模型影像，并且計算該車輛模型影像與即時車體影像之間的相似度，以產(chǎn)生一比對結果。另外，該車輛模型影像可以將多個車體影像中顯著的特征加以整合成一張影像，而能同時地達到整合模型資料庫及建構出完整車體及其獨特性的功效。
【附圖說明】
[0013]圖1為本發(fā)明實施例的車輛辨識系統(tǒng)的示意框圖。
[0014]圖2為本發(fā)明實施例的車輛辨識方法的步驟示意圖。
[0015]圖3為本發(fā)明實施例的方框濾波器模板。
[0016]圖4為本發(fā)明實施例的尺度空間示意圖。
[0017]圖5為本發(fā)明實施例的決定特征點主方向的示意圖。
[0018]圖6為本發(fā)明實施例的加速強健特征點演算法的特征點描述子的示意圖。
[0019]符號說明:
[0020]2車輛
[0021]10車輛辨識系統(tǒng)
[0022]12車輛資料庫
[0023]14模型資料庫
[0024]16影像拍攝單元
[0025]18處理單元
[0026]VBIMG 車體影像
[0027]VMIMG 車輛模型影像
[0028]BI基準影像
[0029]FFPS 第一特征點集
[0030]SFPS 第二特征點集
[0031]TFPS 第三特征點集
[0032]RTVBIMG 即時車體影像
[0033]S21-S27 步驟
【具體實施方式】
[0034]為充分了解本發(fā)明的目的、特征及功效，茲藉由下述具體的實施例，并配合所附的圖式，對本發(fā)明做一詳細說明，說明如后:
[0035]請參考圖1，為本發(fā)明實施例的車輛辨識系統(tǒng)的示意框圖。于圖1中，該車輛辨識系統(tǒng)10辨識出多個車輛2的車體，以確認該等車輛的身份。在本實施例中，該車輛識別系統(tǒng)10以設置在國道系統(tǒng)中的自動收費站為例說明，于其它實施例中，亦可應用在偷竊車輛偵測、車禍偵測或停車場等應用領域。
[0036]該車輛辨識系統(tǒng)10包含一車輛資料庫12、一模型資料庫14、一影像拍攝單元16與一處理單元18。
[0037]該車輛資料庫12預先地儲存該等車輛2的多個車體影像VBMG (vehicle bodyimage)。實際上，該車輛資料庫12可透過例如監(jiān)理機構或是申辦ETC的門市拍攝該等車體影像VBMG。
[0038]該模型資料庫14連接該車輛資料庫12。該模型資料庫14自該車輛資料庫12取得該等車體影像VBMG，以及該模型資料庫14根據(jù)該等車體影像VBMG，建立對應該等車輛2的多個車輛模型影像VMIMG (vehicle model image)。
[0039]該等車輛模型影像VMMG可藉由至少一種以上的演算法演算該車體影像VBMG而取得對應的該等車輛模型影像VMIMG。
[0040]于本實施例中，該模型資料庫14藉由一演算法演算每一該等車輛2的該車體影像VBIMG，以取得一第一特征點集FFPS (First feature point set)，以及該演算法演算一基準影像 BI (Base image)，以取得一第二特征點集 SFPS (Second feature point set)。舉例而言，該演算法為一加速強健特征點(Speeded up robust feature，SURF)演算法、一尺度不變特征轉換(Scale-1nvariant feature transform, SIFT)演算法與一方向梯度直方圖(Histogram of oriented gradient,HOG)演算法的至少其中之一。值得注意的是，該演算法除上述所提及的類型外，還包含其它未列舉的演算法，只要其它演算法能夠達成上述比對的功效，皆符合本實施例中該演算法的定義。為便于說明，以下是以加速強健特征點演算法為例進行說明。
[0041 ] 該模型資料庫14比對該第一特征點集FFPS與該第二特征點集SFPS，讓該基準影像BI校準每一該等車輛2的該車體影像VBMG，而建立包含一梯度基底的斜面距離轉換(Chamfer distance transform)的該等車輛模型影像 VMIMG。
[0042]該影像拍攝單元16拍攝該車輛2的一即時車體影像RTVBMG (Real time VBIMG) ο該影像拍攝單元16藉由該加速強健特征點演算法演算該即時車體影像RTVBIMG，以取得一第三特征點集TFPS (Third feature point set)，以及該加速強健特征點演算法演算該基準影像BI，以取得該第二特征點集SFPS。
[0043]該影像拍攝單元16比對該第二特征點集SFPS與該第三特征點集TFPS，讓該基準影像BI校準該即時車體影像VBIMG。
[0044]該處理單元18連接該模型資料庫14與該影像拍攝單元16。
[0045]該處理單元18計算該即時車體影像RTVBMG中每一像素的梯度基底與每一該等車輛模型影像VMMG中每一像素的梯度基底之間的乘積，以及自多個該乘積的數(shù)值中挑選最大者，以確定該即時車體影像RTVBMG對應該等車輛模型影像VMMG的其中之一。換言之，藉由該乘積的最大值，可確認該即時車體影像RTVBMG即是當下該車輛模型影像VMIMG所對應的該車輛2。
[0046]請參考圖2，為本發(fā)明實施例的車輛辨識方法的步驟示意圖。于圖2中，該車輛辨識方法辨識多個車輛的車體，其步驟起始于步驟S21，藉由一演算法演算每一該等車輛的一車體影像與一基準影像，以分別地取得一第一特征點集與一第二特征點集，例如該演算法為一加速強健特征點演算法、一尺度不變特征轉換演算法與一方向梯度直方圖演算法的至少其中之一。
[0047]步驟S22，比對該第一特征點集與該第二特征點集，以校準每一該等車輛的該車體影像。
[0048]步驟S23，建立具有一梯度基底的斜面距離轉換的該等車輛的多個車輛模型影像。
[0049]上述步驟S21至步驟S23詳細說明如下。
[0050]由于每一輛車的水平位移、垂直位移以及旋轉角度皆不相同，并且非保證涵括全車體，因而必須對該車體影像進行校準。于本實施例中，采用該演算法來進行校準該車體影像。
[0051]于本實施例中，該演算法以該加速強健特