【出入口】【卡口】车型识别方法大盘点

本期，小编主要针对目前我国智能交通领域的实际情况，对车辆车型的识别方法和技术为大家做简要的分析。说到车型识别无外乎两大点：一方面在出入口、卡口、过桥过路等收费系统，需要对汽车车型进行识别，以便收取相应的费用；另一方面就是卡口场景，有时需要根据车型识别搜索目标车辆。

目前国内外一些主流的车型识别方法主要有：

一、地感线圈检测法

【原理】地感线圈检测法的原理就是通过在待测车道路面下埋设通以高频电流的地感线圈，当车辆从地感线圈上方通过时，车体结构的金属材料会与线圈产生切割磁感线的现象，进而在线圈内部产生涡流效应使得线圈电感量发生变化。其中，不同型号的车辆将得到不同的谐振频率变化感应曲线，以此为特征就可以区分不同类型的车辆。

【优点】准确率高，不受天气影响；

【缺点】在安装和维护地感线圈的过程中要破坏交通路面，修理和维护费用较高。同时需要中断交通，也影响交通道路的使用寿命；另一方面在使用地感线圈检测法时，车辆的行驶速度和车辆并行通过等其他因素也容易影响获得的感应曲线精确度。

二、红外线探测法

【原理】红外线探测法的原理就是通过在道路两旁设置红外线阵列发生器以及红外线接收装置来获取车辆数据。系统正常运行时，通过车辆的不同车体部位对于红外线具有不同的反射作用，最后接收装置会根据接收到的车体轮廓形状、车高、轴距等信息作为判断不同车型的特征依据，从而实现车型的自动识别。

【优点】原理简单；且由于系统采集到的数据量十分庞大，得到的车体信息比较完整，因此系统有较高的识别率；

【缺点】硬件装置成本较高，安装环境较为特殊，不便于在普通的交通道路环境下进行广泛地运用。

三、动态压电检测法

【原理】动态压电检测法是指当有车辆经过埋入了压电检测器的路面时，压电检测器会发生形变。系统会根据压电检测器的形变信息得到经过车辆的轴重、车重、车速等数据，再通过比对数据库达到自动识别车型的目的。

【优点】较之静态的检测法具有效率高的特点，对于治理道路交通安全问题中的超限超载现象有很好的效果；

【缺点】设备安装较为复杂和麻烦、使用寿命短，同时容易受到气候温度、车辆振动等因素的影响。

四、基于图像的车型识别法

【原理】基于图像的车型识别法的原理就是在待检车道上方或者收费站侧面的合理区域安装高精度的图像传感器，并通过一定的智能图像分析算法从图像传感器采集的图像中识别出车辆的型号。

其中，基于图像的车型识别法主要包括两个部分：车辆区域检测和车辆区域识别。

五、车辆区域检测

车辆区域检测用于获取车辆的候选区域。现有的车辆区域检测算法主要包括：基于车牌定位的车辆区域检测方法和基于车辆整体特征的车辆区域检测方法。

1、基于车牌定位的车辆区域检测方法

通过先检测图像中的车牌位置，再根据车牌位置确定车辆区域，该方法可以快速地提取车辆区域，但对于无车牌的车辆不能获取车辆区域。

2、基于车辆整体特征的车辆区域检测方法

大致可以分为静态车辆区域检测方法和动态车辆检测区域方法。

静态车辆区域检测方法：

采用分类器或者神经网络通过提取车辆样本进行训练，获取训练好的分类器或者网络模型，再通过训练好的分类器或者网络模型在图像中搜寻可能的车辆区域。静态车辆区域检测方法通常采用的分类器或者神经网络有SVM分类器、Adaboost分类器、BP神经网络等。现有的静态车辆区域检测方法由于分类器或者神经网络的计算量大，因此检测速度较慢;

动态车辆区域检测方法：

通过检测运动目标选择可能的区域，再对可能的区域进行筛选获取车辆的候选区域。动态车辆区域检测方法有背景帧差法、光流法等。现有的动态车辆区域检测方法只能检测单独运动的车辆，对于静止的车辆无法检测，且对于多个目标相交等复杂场景鲁棒性较差。

六、车辆区域识别

车辆区域识别用于对车辆的候选区域进行款式识别。目前，现有的车辆区域识别算法主要是利用模板匹配法、结合机器学习方法、特征提取与分类器结合的方法等。

1、模板匹配的方法

首选生成车标的模板特征库，然后提取车标图像的SIFT、Hu不变矩等特征进行模板匹配。这类方法计算速度快，但是识别率高低取决于模板信息库是否完善；而且当识别车款类型较多或者定位的车标不精确时识别率较低。

2、机器学习的方法

在提取图像的特征，如HOG特征、PCA特征等后，使用SVM分类器、Adaboost级联分类器、BP神经网络等机器学习方法来训练分类器从而实现车款识别。该方法识别率较高且能识别多类车标，但是对误识别的情况无法判断，而且识别率跟训练样本的数量、定位的车位精确度密切相关。

智芯原动自主研发了一种基于卷积神经网络的车型识别方法，该方法的思想是采用快速车辆区域检测算法提取视频场景图像中的感兴趣区域；采用卷积神经网络对大量标签的车型样本图像和非车型样本图像进行训练，获得训练好的车型识别模型；利用训练好的车型识别模型对感兴趣区域进行识别，输出车型识别结果。

其中，快速车辆区域检测算法结合了车牌定位和车辆整体特征，一方面通过车牌定位快速的定位图像中车辆的候选区域，另一方面先通过筛选提取可能的候选区域，再在可能的候选区域内搜寻车辆。经测试，快速车辆区域检测算法可以快速地检测出图像中车辆的候选区域，且鲁棒性较好。

卷积神经网络被认为是第一个真正成功的采用多层层次结构的具有鲁棒性的深度学习方法。在卷积神经网络中，局部感知区域被当作层次结构中的底层的输入数据，信息通过前向传播经过网络中的各个层，在每一层中都由过滤器构成，以便能够获得观测数据的一些显著特征。因为局部感知区域能够获得一些基础的特征，比如图像中的边界和角落等，因此卷积神经网络对位移、拉伸和旋转具有鲁棒性。卷积神经网络中层次之间的紧密联系和空间信息使得其特别适用于图像的处理和理解，并且能够自动的从图像中抽取出丰富的相关特性。图1给出了卷积神经网络识别车辆的过程图。

其中，基于卷积神经网络的出入口车型识别方法依据高速公路实施车型分类的行业标准（如表1所示），可以识别出下列9种组合车型：一类客车小型车、二类客车中型车、三类客车大型车、四类客车大型车、一类货车小型车、二类货车中型车、三类货车大型车、四类货车大型车、五类货车大型车。图2给出了智芯原动的基于卷积神经网络的出入口车型识别结果图。

其中，基于卷积神经网络的卡口车型识别方法依据公安部实施车型分类的国家标准（如表2所示），可以识别出下列16种组合车型：微型客车轿车、小型客车轿车、小型客车面包车、小型客车SUV、小型客车MPV、中型客车、中型客车面包车、中型客车校车、大型客车、大型客车校车、大型客车公交车、微型货车、轻型货车、轻型货车皮卡、中型货车、重型货车。图2给出了智芯原动的基于卷积神经网络的卡口车型识别结果图。

与其他公司的嵌入式算法不同，智芯原动将车型识别方法在芯片上实现了智能硬化。含有车型识别硬化算子的芯片可以实现直接在相机端进行实时处理，提高了运算速率，节约了运算时间和成本。