一種基於自定義特徵的車輛搜索方法與系統的製作方法

2023-07-13 00:22:26 6

一種基於自定義特徵的車輛搜索方法與系統的製作方法
【專利摘要】本發明涉及一種基於自定義特徵的車輛搜索方法與系統，所述方法包括：提取監控攝像頭拍攝的車輛圖像資料庫中每輛車的特徵並保存；根據自定義特徵，在監控攝像頭拍攝的車輛圖像資料庫中搜索滿足所述自定義特徵的車輛並返回搜索結果。所述系統包括：車輛圖像數據讀取裝置、車輛區域定位裝置、車輛特徵提取裝置、車輛特徵存儲裝置、車輛搜索裝置以及搜索結果展示裝置。本發明提供的方法與系統能提供多樣化的搜索方式，使得用戶能根據實際情況自定義搜索特徵進行車輛搜索，大大減少了辦案人員進行人工確認的圖像數量，有效地節省了人力物力，使得辦案效率大大提高，能產生非常好的社會和經濟效益。
【專利說明】一種基於自定義特徵的車輛搜索方法與系統
【技術領域】
[0001]本發明屬於基於內容的圖像搜索技木，特別涉及一種基於自定義特徵的車輛搜索方法與系統。
【背景技術】
[0002]目前隨著監控攝像頭的普及，全國各大中小城市基本都部署了監控攝像頭。每天都能拍攝到大量的車輛圖像，ー個城市每天產生的數據是海量的，這為交通部門和公安機關偵破各類交通肇事和刑事犯罪提供了非常豐富的數據。
[0003]交通部門和公安機關偵破案件時，一般只有嫌疑車輛的ー張拍攝圖像，甚至沒有圖像，只有ー些定性的特徵，例如只知道嫌疑車輛是一輛黑色越野車，它肇事或犯罪後可能會經過哪幾個卡ロ等。在只掌握比較少的信息的情況下，交通部門和公安機關需要從海量的車輛圖像庫中找出和嫌疑車輛比較相似的車輛。目前這個工作主要依靠人工進行，通過一些經驗豐富的人員用肉眼進行排查。這是非常困難的，效率也很低，導致需要花費大量的人力和物カ才有可能從海量車輛圖像庫中找到嫌疑車輛，這無疑會大大延長案件的偵破時間。目前也有藉助ー些智能化手段，最常見的就是目前比較成熟的車牌號碼識別，通過識別車牌號碼，再查詢車牌號碼對應的車輛(如中國專利申請「ー種基於天網工程中公共安全視頻圖像的車輛特徵識別裝置」，專利申請號:201110387284.0)。但是由於嫌疑車輛在肇事或犯罪之後往往採取套牌或直接把車牌摘掉的方式逃避罪責，這種情況下車牌號碼識別也就無法使用了。
[0004]正是由於目前能用的智能化手段很少，所以目前還是只能依靠人工排查，這就限制了海量車輛圖像庫在交通部門和公安機關偵破案件過程中的使用，導致這些數據的價值沒有很好的利用。

【發明內容】

[0005]本發明的目的是提供一種基於自定義特徵的車輛搜索方法與系統，以改變目前基本靠人工在海量車輛資料庫中進行嫌疑車輛搜索的現狀，將大部分的排查工作交給計算機自動進行，使得在大量減少人力和物力的前提下，大大提高案件偵破效率。
[0006]為了實現上述目的，本發明所採用的技術方案是:
[0007]一種基於自定義特徵的車輛搜索方法，包括以下兩個步驟:
[0008]第一步驟:提取監控攝像頭拍攝的車輛圖像資料庫中每輛車的特徵並保存；
[0009]第二步驟:根據自定義特徵，在監控攝像頭拍攝的車輛圖像資料庫中搜索滿足所述自定義特徵的車輛並返回捜索結果。
[0010]上述步驟I具體包括以下步驟:
[0011](I)獲取車輛圖像庫存放的地址；
[0012](2)從圖像庫中讀取一幅車輛圖像I ;
[0013](3)從讀取的車輛圖像I中定位出車輛所在區域，並切割出車輛所在圖像區域；[0014](4)基於切割出的車輛區域，提取車輛的多種特徵；
[0015](5)將提取的車輛特徵保存；
[0016](6)重複以上步驟(2) - (5)，直到所述圖像資料庫中所有車輛圖像都處理完。
[0017]步驟(I)中所述圖像資料庫的地址可以是本地計算機上的一個或多個可訪問的文件夾或圖像資料庫入口，也可以是遠程計算機上的一個或多個可訪問的文件夾或圖像資料庫的入口。
[0018]步驟(2)中所述的讀取的車輛圖像可以是灰度圖像或彩色圖像。
[0019]步驟(3)中，在圖像中定位車輛所在區域具體指確定圖像中包含車輛的數目以及每輛車在圖像中的位置和大小。
[0020]步驟(3)中，在圖像中定位車輛所在區域具體方法可以是如下的方法A:首先在圖像中檢測所有車的車牌位置和大小，然後根據每個車牌的位置和大小確定此車牌所屬車輛的大致區域，最後在此大致區域內精確定位出此車輛所在位置和大小。
[0021]上述定位車輛所在區域的方法A中，車牌檢測方法可以是基於梯度特徵的圖像處理方法，也可以是基於機器學習的模式分類方法，在此不做進ー步的描述。
[0022]上述定位車輛所在區域的方法A中，根據每個車牌的位置和大小確定車牌所屬車輛的大致區域的方法可以是根據車輛和車牌的大致比例關係確定，也可以是:首先統計車輛在圖像中的區域大小範圍，然後根據此範圍確定。
[0023]上述定位車輛所在區域的方法A中，在確定的車輛大致範圍中精確定位車輛所在位置和大小的方法可以是:首先在車輛大致區域中提取邊緣特徵，然後經過水平和垂直投影確定車輛的上下左右邊界。
[0024]上述定位車輛所在區域的方法A適用於掛有車牌的車輛，對沒有掛車牌的車輛不適用。
[0025]步驟(3)中，在圖像中定位車輛所在區域具體方法也可以是如下方法B:首先在整幅圖像中找出所有滿足一定対稱性條件的對稱軸，然後在每條對稱軸上下左右一定區域內尋找候選車輛區域，最後對所有候選車輛區域進行驗證確定真正的車輛區域。
[0026]上述定位車輛所在區域的方法B中，尋找滿足一定対稱性條件的對稱軸時可以是基於圖像的亮度特徵，也可以是基於圖像的邊緣特徵。
[0027]上述定位車輛所在區域的方法B中，在每條對稱軸上下左右一定區域內尋找候選車輛區域的方法可以是:首先統計車輛在圖像中的區域大小範圍，據此確定ー個車輛候選區域的初始左右邊界，然後根據圖像的邊緣特徵，通過垂直投影等方法對初始左右邊界進行調整，確定車輛候選區域的最終左右邊界。確定車輛候選區域的左右邊界之後，根據統計的車輛區域大小範圍，確定此車輛候選區域的初始上下邊界，然後在此範圍內，根據圖像的邊緣特徵，採用水平投影等方法對初始上下邊界進行調整，確定此車輛候選區域的最終上下邊界。按照上述同樣方法，在此對稱軸上下多個位置，可以確定多個車輛候選區域。
[0028]上述定位車輛所在區域的方法B中，對所有候選車輛區域進行驗證的方法可以是根據候選區域左右邊界之間距離和上下邊界之間距離之間的比值進行驗證，滿足一定條件的才可能是真正的車輛區域；也可以是通過機器學習的方法，學習得到車輛區域與非車輛區域的分類器，通過此分類器確定真正的車輛區域。
[0029]上述定位車輛所在區域的方法B適用於掛車牌和不掛車牌的車輛。[0030]步驟(3)中，在圖像中定位車輛所在區域具體方法也可以是融合上述方法A和方法B的方法C，在此不做進ー步的描述。
[0031]步驟(3)中，在圖像中定位車輛所在區域具體方法也可以是如下方法D:首先通過大量車輛樣本和非車輛樣本，米用機器學習的方法，如AdaBoot、SVM等,學習得到區分車輛與非車輛的分類器，然後用此分類器對圖像中的所有不同位置和大小的區域進行分類，分類為車輛的區域即為車輛所在區域。
[0032]上述定位車輛所在區域的方法D適用於掛車牌和不掛車牌的車輛。
[0033]步驟(3)中切割出車輛所在圖像區域是指將圖像中屬於車輛區域的圖像塊切割出來，作為後續進ー步處理的輸入數據。
[0034]步驟(4)中，提取車輛的多種特徵是指對切割出的車輛圖像區域，通過圖像識別技術，將所有能表徵車輛的特徵提取出來。
[0035]步驟(4)中，提取的多種特徵包括但不限於以下特徵:車輛圖像拍攝時間、拍攝地點、車牌顏色、車牌號碼、車身顔色、車型、車標類型、排氣扇外輪廓(格柵)形狀、車燈外輪廓形狀、擋風玻璃外輪廓形狀、年檢標誌、車內裝飾物等。
[0036]步驟(4)中，提取的多種特徵中的車輛圖像拍攝時間是指攝像頭拍攝車輛的時間，包括年、月、日、時、分和秒。車輛圖像拍攝時間的提取方法可以是通過光學字符識別(OCR)技術識別出列印到車輛圖像中的日期和時間得到，也可以通過分析圖像的文件命名方式得至IJ，也可以通過讀取資料庫中的拍攝時間欄位得到。
[0037]步驟(4)中，提取的多種特徵中的拍攝地點特徵是指車輛被拍攝時所在地的名稱。拍攝地點的提取方法可以是光學字符識別(OCR)技術識別出列印到車輛圖像中的名稱得至IJ，也可以通過讀取資料庫中的拍攝地點欄位得到。
[0038]步驟(4)中，提取的多種特徵中的車牌顏色特徵是指車輛所掛車牌的底色，可以是黒色、白色、藍色、黃色等。車牌顏色特徵的提取方法可以根據車牌號碼字符與底色之間的對應關係，分析車牌區域的顔色分布得到。
[0039]步驟(4)中，提取的多種特徵中的車牌號碼特徵是指車輛所掛車牌上面的字符。車牌號碼可以根據光學字符識別(OCR)技術提取。
[0040]步驟(4)中，提取的多種特徵中的車身顏色特徵是指車輛區域中除去擋風玻璃之後的其它區域的主要顔色類別及其深淺程度。車身顏色包括但不限於以下種類:黒色、銀灰色、白色、藍色、黃色、紅色、緑色、紫色、褐色等。車身顏色特徵的提取方法可以是通過統計車輛區域中除去擋風玻璃之後的其它區域在多種顏色空間中的顔色分布確定，也可以是通過機器學習的方法，學習能區分不同顔色的分類器，通過此分類器對車身顏色進行分類得至IJ。
[0041]步驟(4)中，提取的多種特徵中的車型特徵是用於表徵車輛的大小、外觀結構和基本功能的特徵，具體包括但不限於以下種類:小轎車、越野車、皮卡車、麵包車、中型客車、中型貨車、大型貨車、大型客車、大型卡車等。車型特徵的提取方法可以是:首先獲取大量不同車型的樣本，然後採用機器學習的方法學習得到能區分不同車型的分類器，最後利用此分類器對車輛進行分類確定其車型。
[0042]步驟(4)中，提取的多種特徵中的車標類型特徵是指車輛上面的車標所表示的車輛的生產廠商，例如大眾、福特、寶馬、奔馳等。車標類型包括市場上面所有在賣車輛的生產廠商以及後續出現的新的生產廠商。車標類型的識別方法可以是:首先收集各種車標類型的車輛圖像，從中切割出車標區域作為各車標類型的樣本，然後採用機器學習的方法學習能區分不同車標類型的分類器，最後通過學習得到的分類器對車標所在的大致範圍內的所有區域進行分類，確定是否含有某類車標。車標類型的識別方法也可以是:將搜集的各車標類型樣本作為模板，採用模板匹配的方法，找出車標所在大致範圍內是否含有某種類型的車標。
[0043]步驟(4)中，提取的多種特徵中的排氣扇外輪廓形狀特徵是指車輛排氣扇外圍邊界所呈現的形狀類型。提取這種特徵是基於以下考慮:不同車輛的排氣扇外輪廓呈現多樣化的形狀，因此利用此特徵可以非常有效地排除很多不相干的車輛。排氣扇外輪廓形狀類別包括但不限於以下種類:梯形、倒梯形、矩形、雙ロ型等。提取排氣扇外輪廓形狀特徵的方法可以是:首先確定排氣扇的大致區域，然後提取此區域的邊緣特徵，最後通過分析邊緣特徵分布，採用區域增長、直線檢測和擬合等方法確定排氣扇的外輪廓的邊界及邊界的交點，分析連接邊界的交點的直線所組成的多邊形的形狀即可確定排氣扇的外輪廓形狀類別。
[0044]步驟(4)中，提取的多種特徵中的車燈外輪廓形狀特徵是指車輛前方或後方車燈外圍邊界所呈現的形狀類型。提取這種特徵也是因為不同車輛的車燈外輪廓呈現多樣化的形狀，可以利用此特徵有效地排除很多不相干的車輛。車燈外輪廓形狀類別包括但不限於以下種類:圓形、四邊形、三角形、橢圓形等。提取車燈外輪廓形狀特徵的方法與上述提取排氣扇外圍輪廓的方法類似，在此不作進ー步的描述。
[0045]步驟(4)中，提取的多種特徵中的擋風玻璃外輪廓形狀特徵是指車輛擋風玻璃外圍邊界所呈現的形狀類型。擋風玻璃形狀能很好的粗分車型，即小車和大車。小車擋風玻璃外輪廓呈梯形，而大車擋風玻璃外輪廓呈矩形。提取擋風玻璃外輪廓形狀特徵前，首先需要定位出擋風玻璃區域，方法可以是通過機器學習的方法，如AdaBoost、SVM等，學習區分擋風玻璃與非擋風玻璃的分類器。利用學習到的分類器在車輛區域內檢測出擋風玻璃。
[0046]步驟(4)中，提取的多種特徵中的年檢標誌特徵是指車輛的擋風玻璃左上角一定區域內是否貼有年檢標誌以及年檢標誌的個數及它們的排列方式等。年檢標誌的排列方式包括但不限於以下種類:水平排列、垂直排列、部分水平排列部分垂直排列、傾斜排列等。年檢標誌特徵的提取方法可以是:首先定位出擋風玻璃區域，然後在此區域內，通過分析梯度邊緣特徵確定年檢標誌候選區域，最後通過由機器學習方法得到的年檢標誌和非年檢標誌的分類器對年檢標誌候選區域進行驗證，確定真正的年檢標誌區域。統計這些區域的個數，分析這些區域在圖像中的位置關係即可得到年檢標誌特徵。
[0047]步驟(4)中，提取的多種特徵中的車內裝飾物特徵是指車輛擋風玻璃區域內是否掛有ー些裝飾用的物品，如紅色吊墜、中國結等。這類特徵是ー些車輛特有的特徵，能非常有效的排查車輛。車內飾物特徵提取方法可以是:採用關鍵點或顯著區域提取方法提取出擋風玻璃區域內除年檢標誌外的其它區域內的關鍵點或顯著區域，然後在這些關鍵點附近或顯著區域內提取具有比較好的分類能力的特徵，這些特徵可以是梯度方向直方圖，也可以是顏色直方圖等特徵。這些特徵可以非常好地表徵車輛擋風玻璃區域內的ー些與周圍差別顯著的區域，可以用於表徵車內飾物特徵。
[0048]步驟(4)中提取的這些特徵組成了 「特徵池」，為後續的車輛搜索提供了非常多祥化的捜索特徵，可以滿足用戶多樣化的搜索需求。[0049]步驟(5)中，可以將提取的車輛特徵保存在本地計算機上，也可以保存到遠程計算機上，保存方式可以是在文件夾內，也可以是在資料庫中，但是所有提取的車輛特徵必須和相應的車輛圖像建立對應關係。
[0050]重複上述步驟(2 )_ (5 )，即可對輸入車輛圖像資料庫中的所有車輛圖像提取特徵，為後續的車輛搜索做好準備。
[0051]上述步驟2具體包括以下步驟:
[0052](I)用戶根據實際需求，自定義車輛搜索特徵，據此建立捜索條件；
[0053](2)在已提取特徵的車輛圖像資料庫搜索滿足自定義特徵的車輛圖像；
[0054](3)將搜索結果返回給用戶。
[0055]步驟(I)中，用戶根據實際需求，在本發明提供的「特徵池」中任意選擇要捜索的特徵，通過謂詞對這些特徵進行靈活組合，建立捜索條件。用戶可以是輸入ー張包含待搜索車輛的圖像，結合此圖像自定義特徵；也可以在沒有待捜索車輛圖像的情況下，直接選擇某些特徵建立搜索條件。
[0056]步驟(2)中，在已提取特徵的車輛圖像資料庫搜索滿足自定義特徵的車輛圖像的具體方式是:根據建立的捜索條件，只比較搜索條件中包含的特徵類別，對其它特徵不予考慮。對屬性性質的特徵，如車身顏色、車型、車標類型等，可以直接比較這些特徵是否相同，確定資料庫中的車輛是否與待捜索車輛相似。也可採用模糊匹配的方法，因為有些特徵不同特徵值之間界限不是很明顯，如車型特徵，小轎車、越野車和皮卡車之間，對這類特徵，只要特徵值在一定範圍內就認為是匹配的。
[0057]對車內飾物這種不是屬性性質的特徵，可以通過兩輛車擋風玻璃除年檢標誌外的區域內的特徵點匹配方法，確定它們之間的相似性。如果相似性高於預設的閾值，則認為兩輛車存在相似的車內飾物特徵，否則不存在相似車內飾物特徵。特徵點匹配方法首先計算每個特徵點的描述符，如SIFT、HOG等，然後通過計算不同特徵點描述符之間的相似度確定兩輛車擋風玻璃除年檢標誌外的區域內正確匹配的點。正確匹配的點的個數越多，表示兩輛車擋風玻璃內越有可能掛有相似的飾物。
[0058]最後對圖像資料庫中的每輛車，計算其和捜索條件匹配的置信度。
[0059]步驟(3)中，將搜索結果返回給用戶的具體過程是:將步驟(2)中計算的置信度與預先設定好的閾值進行比較，如果大於或等於閾值車輛圖像，則返回，否則不返回。最後根據置信度由大到小排序，將置信度高的排在前面，置信度低的排在後面。
[0060]本發明還提供了一種基於自定義特徵的車輛搜索系統，所述系統包括:
[0061]①車輛圖像數據讀取裝置:包括
[0062]數據源接入模塊:與需要提取特徵的車輛圖像資料庫進行對接，支持接入本地計算機上的圖像資料庫和遠程圖像資料庫。
[0063]圖像數據讀取模塊:從接入的圖像資料庫中讀取圖像數據文件，對遠程資料庫文件，支持常用的數據傳輸方式，包括但不限於FTP、HTTPS等。最後對獲取的圖像數據文件進行解碼獲取圖像的像素值。支持常見的圖像編碼格式，包括但不限於以下格式:BMP、JPEG、JPEG2000、TIFF、PNG、PGM等。此模塊得到的圖像數據作為車輛圖像特徵提取裝置輸入。
[0064]②車輛區域定位裝置:在圖像中檢測出車輛的數目以及每輛車所在的位置和大小。首先在圖像中檢測出車牌的數目及每個車牌的位置和大小，如果檢測到車牌，則基於所檢測到的車牌位置和大小定位出車輛區域；為了能夠定位出沒有掛車牌的車輛，此模塊同時在圖像中檢測出滿足一定対稱性條件的對稱軸，然後基於所檢測到的對稱軸定位出車輛區域。最後將基於車牌定位出的車輛區域與基於對稱軸定位出的車輛區域進行處理，包括合併重合的車輛區域，刪除不滿足車輛區域長寬比要求的區域等。
[0065]③車輛特徵提取裝置:通過圖像識別技術，將所有能表徵車輛的特徵提取出來。提取的特徵包括但不限幹:車輛圖像拍攝時間、拍攝地點、車牌顏色、車牌號碼、車身顔色、車型、車標類型、排氣扇外輪廓形狀、車燈外輪廓形狀、擋風玻璃外輪廓形狀、年檢標誌、車內裝飾物等。所述車輛特徵提取裝置包括但不限於以下子模塊:
[0066](I)車輛圖像拍攝時間提取模塊:獲取拍攝圖像的時間，包括年、月、日、時、分、秒。獲取方法可以是通過OCR技術識別出圖像中機器列印上去的日期和時間信息，也可以分析圖像的文件命名方式得到，也可以通過讀取資料庫中的拍攝時間欄位得到。
[0067](2)拍攝地點提取模塊:獲取拍攝車輛圖像的拍攝地名稱。獲取方法可以是通過OCR技術識別出圖像中機器列印上去的拍攝地點信息，也可以是通過讀取資料庫中的拍攝地點欄位得到。
[0068](3)車牌特徵識別模塊:獲取車牌底色的類別和車牌號碼。車牌底色可以是黑色、白色、藍色、黃色等。車牌號碼的識別支持全國各個省市自治區的車牌，也支持港澳臺車牌。
[0069](4)車身顏色識別模塊:獲取車輛區域中除去擋風玻璃之後的其它區域的主要顏色類別及其深淺程度，包括但不限於以下種類:黒色、銀灰色、白色、藍色、黃色、紅色、緑色、紫色、褐色等。
[0070](5)車型識別模塊:獲取車輛的車型特徵，包括但不限於以下種類:小轎車、越野車、皮卡車、麵包車、中型客車、中型貨車、大型貨車、大型客車、大型卡車等。
[0071](6)車標類型識別模塊:定位車輛車標大致區域，並識別出車輛的車標類型，例如奇瑞、大眾、吉利、現代、長城、比亞迪等。車標類型包括市場上面所有在賣車輛的生產廠商以及後續出現的新的生產廠商。
[0072](7)排氣扇外輪廓形狀識別模塊:定位車輛排氣扇區域，並識別出車輛排氣扇外圍邊界所呈現的形狀類型。排氣扇外輪廓形狀類別包括但不限於以下種類:梯形、倒梯形、矩形，雙ロ型等。
[0073](8)車燈外輪廓形狀識別模塊:定位出車輛前方或後方車燈區域，並識別出車輛前方或後方車燈外圍邊界所呈現的形狀類型。車燈外輪廓形狀類別包括但不限於以下種類:圓形、四邊形、三角形、橢圓形等。
[0074](9)擋風玻璃外輪廓形狀識別模塊:定位出車輛擋風玻璃區域，並識別出擋風玻璃外圍邊界所呈現的形狀類型。擋風玻璃形狀能很好的粗分車型，即小車和大車。小車擋風玻璃外輪廓呈梯形，而大車擋風玻璃外輪廓呈矩形。
[0075](10)年檢標誌特徵提取模塊:檢測出擋風玻璃左上角一定區域內是否貼有年檢標誌以及年檢標誌的個數及它們的排列方式等。年檢標誌的排列方式包括但不限於以下種類:水平排列、垂直排列、部分水平排列部分垂直排列、傾斜排列等。
[0076](11)車窗區域內顯著區域提取模塊:車輛擋風玻璃區域內除了年檢標誌外，車主經常會掛有ー些裝飾用的物品，如紅色吊墜、中國結等。這類特徵往往是ー些車輛特有的特徵，能非常有效的排查車輛。通過提取出擋風玻璃區域內除年檢標誌外的其它區域的關鍵點或顯著區域，然後在這些關鍵點附近或顯著區域內提取具有比較好的分類能力的特徵。這些特徵就可以非常好地表徵車輛擋風玻璃區域內的一些與周圍差別顯著的區域，可以用於表徵車內飾物特徵。
[0077]以上模塊中，模塊(9)、(10)和(11)都基於擋風玻璃區域，因此都需要定位出擋風玻璃區域。定位擋風玻璃的功能可以放在模塊(9 )內實現，也可以放在模塊(10 )或(11)內實現。
[0078]④車輛特徵存儲裝置:將車輛特徵提取裝置提取到的車輛特徵按照一定的方式保存起來，以方便後續的車輛搜索。特徵可以存放在本地特徵資料庫中，也可以存放在遠程特徵資料庫中。為了提高後續車輛搜索效率，需要為特徵建立索引。索引方式可以是反轉文件結構形式，即對每個特徵建立索引，索引所有具備此特徵的車輛圖像。
[0079]⑤車輛捜索裝置:提供基於自定義特徵的車輛搜索功能。可以讓用戶自定義捜索特徵，建立自定義搜索條件，並在特徵資料庫中搜索具備此自定義特徵的車輛。所述車輛搜索裝置包括以下模塊:
[0080](I)特徵自定義模塊:供用戶根據實際需要自定義捜索特徵。此模塊提供整個系統支持的所有特徵，這些特徵可以以可視化的方式呈現給用戶，並提供ー個操作界面讓用戶選擇所需特徵，也可以以配置文件的形式，讓用戶編輯配置文件，以確定所需特徵。採用何種方式可由實際情況確定。
[0081]為了保證用戶輸入的自定義特徵的準確性，對車輛區域及其內部的ー些特徵提取需要依賴的區域，如擋風玻璃，車牌、車標等，本發明的車輛搜索系統中的特徵自定義模塊為用戶提供了ー個操作界面，讓用戶通過滑鼠的拖拉操作，將車輛區域及其內部的ー些所需區域的位置和大小手動標定出來。是否需要標定區域，以及需要標定哪些區域根據實際需要由用戶自己確定。
[0082]用戶所選擇的特徵可以通過各種方式組合，一般採用謂詞，包括「非」、「與」、「或」等進行靈活組合。這種方式使得本發明提供的車輛搜索系統可以滿足非常多祥化的搜索需求，很好地滿足用戶的各種需求。
[0083](2)車輛特徵搜索模塊:根據特徵自定義模塊提供的自定義特徵，在特徵資料庫中搜索滿足此特徵的所有車輛。採用的方法可以是精確匹配，也可採用模糊匹配的方法。對車內飾物這類特徵，可以通過特徵點匹配等算法進行相似性比對。最後對圖像資料庫中的每輛車，計算其和捜索條件匹配的置信度，將置信度與預設的閾值進行比較，如果大於閾值，則此車輛滿足自定義搜索條件，否則不滿足。滿足自定義搜索條件的車輛將被返回。
[0084]⑥搜索結果展示裝置:將從車輛搜索裝置返回的車輛圖像返回給用戶，並展示給用戶。為方便用戶快速找到嫌疑車輛，將返回的車輛按其置信度從大到小排序，將置信度大的車輛排在前面，置信度小的車輛排在後面。展示給用戶時，置信度大的車輛顯示在前面，置信度小的車輛顯示在後面。由於不能在ー個界面內展示所有返回的車輛，所以捜索結果展示裝置支持翻頁顯示，用戶可以按頁瀏覽搜索結果。同時也支持自定義查詢搜索結果，用戶可以要求查詢任意順序範圍內的捜索結果。捜索結果展示裝置還支持將搜索結果的自定義保存，將所有或部分捜索結果保存到指定位置。用戶查看捜索結果時，捜索結果展示裝置支持對搜索圖像的任意縮放顯示，用戶可以根據需要對圖像的整體或任意部分進行放大和縮小，方便用戶對搜索結果進行進ー步的精確確認。[0085]本發明相對於現有技術具有如下的優點及效果:
[0086]1、本發明提供的方法與系統能提供多祥化的捜索方式，使得用戶能根據實際情況自定義捜索特徵進行車輛搜索，滿足用戶的各種搜索需求:既可以在用戶已有嫌疑車輛少量圖像的情況下進行捜索，也可以在用戶沒有嫌疑車輛任何圖像的情況下，僅憑ー些屬性描述即可進行搜索。
[0087]2、本發明提供的方法與系統依靠智能化的圖像識別技術，能根據自定義特徵，非常高效地排除掉大部分和用戶輸入嫌疑車輛不相似的車輛，只留下ー小部分與輸入嫌疑車輛比較相似的車輛，大大減少了辦案人員進行人エ確認的圖像數量，有效地節省了人力物力，使得辦案效率大大提高，能產生非常好的社會和經濟效益。
【專利附圖】

【附圖說明】
[0088]圖1為本發明的方法流程圖。
[0089]圖2為本發明的系統結構示意圖。
【具體實施方式】
[0090]下面結合實施例及附圖對本發明作進ー步詳細的描述，但本發明的實施例不限於此。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
[0091]圖1為本發明提出的一種基於自定義特徵的車輛搜索方法流程示意圖。現結合圖1，對本發明提出的一種基於自定義特徵的車輛搜索方法進行說明。具體如下:
[0092]本發明提出的一種基於自定義特徵的車輛搜索方法包括:特徵提取模塊101和基於自定義特徵的車輛搜索模塊109。特徵提取模塊101和車輛搜索模塊109共享車輛特徵資料庫108，特徵提取模塊101把提取到的車輛特徵存入車輛特徵資料庫108，而車輛捜索模塊109在車輛特徵資料庫108中捜索符合自定義特徵的車輛。
[0093]特徵提取模塊101的特徵提取方法包括以下具體步驟:
[0094]步驟102:獲取車輛圖像資料庫地址。車輛圖像資料庫可以是特徵提取模塊101具有訪問權限的本地資料庫或遠程資料庫。
[0095]步驟103:判斷車輛圖像資料庫中是否還有待處理的車輛圖像，即沒有提取特徵的車輛圖像，如果是，則轉到步驟104，否則特徵提取結束。
[0096]步驟103的具體判斷方法可以為:首先建立一個已處理車輛圖像列表，記錄所有到目前為止已經提取過特徵的車輛圖像文件名或其它可以唯一標識車輛圖像的信息；然後對從圖像資料庫中獲取的每幅車輛圖像信息，在上述記錄列表中捜索，如果搜索不到同樣的車輛圖像，則表示此車輛圖像還沒有被提取特徵，否則跳過此圖像。
[0097]步驟103默認支持車輛圖像資料庫中不斷有新的車輛圖像加入的情況，即默認能獲取車輛圖像數據中不斷加入的新的車輛圖像信息，將它們和記錄已提取特徵的車輛圖像列表中的所有車輛信息進行比較，判斷它們是否已被提取特徵，以決定是否對它們提取特徵。
[0098]步驟104:讀取在步驟103判斷為待處理的ー張車輛圖像數據，包括圖像的長度和寬度、圖像像素深度和像素值等。步驟104支持所有常見的圖像編碼格式，包括但不限於:BMP、JPEG、JPEG2000、TIFF、PNG、PGM 等。
[0099]步驟105:在讀取的車輛圖像中定位出車輛所在區域，包括圖像中包含的車輛數目及每輛車所在位置和大小。每輛車的位置和大小用ー個矩形框表示，矩形框左上角的坐標表示車輛的位置，矩形框的長和寬表示車輛的大小。
[0100]定位車輛區域的方法可以採用先定位車牌進而定位車輛的方法，也可採用先定位對稱軸再定位車輛的方法，也可以採用基於機器學習的方法學習車輛檢測器的方法，在此不再對具體的算法做詳細說明。
[0101]步驟106:基於步驟105定位的車輛區域，提取車輛的特徵。提取的特徵包括但不限幹:車輛圖像拍攝時間、拍攝地點、車牌底色、車牌號碼、車身顔色、車型、車標類型、排氣扇外輪廓形狀、車燈外輪廓形狀、擋風玻璃外輪廓形狀、年檢標誌、車內裝飾物等。
[0102]車輛圖像拍攝時間為拍攝車輛圖像的時刻，包括年、月、日、時、分、秒。拍攝時間ー般會通過機器列印到車輛圖像上的某個位置，如頂部，因此可以根據OCR技術將它識別出來。如果車輛資料庫中有別的欄位或文件記錄拍攝時間，則也可直接讀取相應欄位或文件獲取。
[0103]拍攝地點為拍攝車輛圖像時車輛所在地的名稱。一般會通過機器列印到車輛圖像上的某個位置，因此可以根據OCR技術將它識別出來。如果車輛資料庫中有別的欄位或文件記錄拍攝地點信息，則也可直接讀取相應欄位或文件獲取。
[0104]車牌底色和車牌號碼可以通過車牌識別技術得到。中國大陸的車牌底色分為藍色、黃色、白色和黑色。
[0105]車身顏色可分為:黒色、白色、銀灰色、紅色、黃色、藍色、緑色、紫色、棕色、褐色等。顔色特徵還包括顔色的深淺，如淺藍、深藍。車身顏色特徵主要分析車輛引擎蓋的顔色分布得到。引擎蓋為擋風玻璃以下，排氣扇和車燈以上部分。分析顔色分布採用的顔色空間可為 HSV、Lab、RGB 等。
[0106]車型可粗分為:小型車、中型車和大型車，並進一歩細分為:微型車、小轎車、越野車、麵包車、中型客車、中型貨車、大型貨車、大型客車、大型卡車等。車型特徵可採用機器學習的方法，如SVM、邏輯回歸等進行分類器學習，然後用學習到的分類器對車輛進行分類得至IJ。
[0107]車標類型為車輛上面的生產廠商標誌，包括目前所有生產廠商的標誌，同時支持未來新出現的生產廠商的標誌。車標類型的識別方法可以是模板匹配，也可以採用機器學習方法學習車標檢測器的方法。
[0108]排氣扇外輪廓形狀可分為:梯形、倒梯形、矩形，雙ロ型等。提取方法可以是:首先定位出排氣扇大概位置，然後通過邊緣提取、區域生長、連通域分析等方法提取出排氣扇的外輪廓，最後判斷其形狀。
[0109]車燈外輪廓形狀可分為:圓形、四邊形、三角形、橢圓形等。採用的方法與排氣扇外輪廓形狀提取方法類似，在此不做進ー步的介紹。
[0110]擋風玻璃外輪廓形狀可分為:梯形、矩形等。梯形一般對於小型車和ー些中型車和大型卡車，矩形一般對於大型客車和大型貨車。因此擋風玻璃外輪廓形狀可用來和車型進行相互校驗，以提高準確性。擋風玻璃外輪廓提取方法可為:先通過機器學習方法檢測出擋風玻璃大致區域，然後通過邊緣提取、區域生長、直線檢測等方法確定其四條邊，最後通過判斷其四條邊之間的夾角確定其形狀。
[0111]年檢標誌特徵為車輛擋風玻璃左上方年檢標誌的個數及其空間排列方式。此特徵能非常好的區分不同車輛。提取方法可為:首先通過機器學習方法，如SVM、Adaboost等學習年檢標誌檢測器，然後在擋風玻璃左上方區域檢測年檢標誌，最後統計其數目及它們的位置關係確定。
[0112]車內裝飾物為一些車輛獨有的特徵，通過它們能非常好的找到特定車輛。車內裝飾物可通過擋風玻璃內除年檢標誌的區域內的關鍵點或顯著區域表徵。常用方法Harris-Affine, Hessian-Affine、SIFT 等。
[0113]步驟107:將步驟106提取的所有特徵存放在預先設計好的特徵資料庫108中。特徵資料庫108可以放在本地，也可以放在遠程伺服器上。特徵資料庫中特徵的存放方式可以是一條記錄存放一輛車的所有特徵，也可以是一條記錄存放具備ー種特徵的所有車輛。
[0114]車輛搜索模塊109的車輛搜索方法包括以下步驟:
[0115]步驟110:自定義車輛搜索特徵111。自定義方法包括:I)用戶輸入ー輛嫌疑車輛圖像，同時在步驟106中提取的所有特徵中選定ー些特徵，並定義好這些特徵的組合方式。特徵組合可通過謂詞邏輯實現，包括「與(AND)」、「或(0R)」、「非(NOT)」等。為了提高準確性，用戶可以在輸入圖像中手エ圈定車輛區域和車牌區域。如果用戶沒有手工圈定車輛區域和車牌區域，則通過自動定位得到。2)用戶沒有嫌疑車輛圖像，則只需要在步驟106中提取的所有特徵中選定ー些特徵，並定義好這些特徵的組合方式。通過謂詞邏輯實現特徵組
ロ o
[0116]自定義特徵111最後的表示方式為通過謂詞邏輯組合而成的一些特徵，如:「車標為大眾」AND 「車型為小轎車」AND 「車身顏色為紅色」AND (NOT 「存在年檢標誌」)。
[0117]步驟112:將車輛特徵資料庫108中所有車輛特徵與自定義特徵111進行比對，將所有不具備自定義特徵111的所有車輛排除棹。捜索方法可以是精確匹配方法，也可以是模糊匹配方法，具體細節不做贅述。比對結果為與自定義特徵111的匹配置信度，如果匹配置信度大於預設的閾值，則判定為相似車輛，否則作為不相似車輛排除棹。
[0118]步驟113:將搜索結果返回給用戶。返回結果按照匹配置信度由大到小排列，置信度大的排在前面，置信度小的排在後面。這樣用戶可以快速地在返回結果中找到真正的嫌疑車輛。
[0119]圖2為本發明提出的一種基於自定義特徵的車輛搜索系統結構示意圖。現結合圖2，對本發明提出的一種基於自定義特徵的車輛搜索系統進行說明。具體如下:
[0120]本發明提出的一種基於自定義特徵的車輛搜索系統包括:特徵提取子系統201和基於自定義特徵的車輛搜索子系統207。特徵提取子系統201和車輛搜索子系統207共享車輛特徵資料庫子系統206。特徵提取子系統201把提取到的車輛特徵存入車輛特徵資料庫子系統206，而車輛捜索子系統207在車輛特徵資料庫子系統206中捜索符合自定義特徵的車輛。
[0121]特徵提取子系統201具體包括:
[0122]車輛圖像數據讀取裝置202:連接本地或遠程資料庫，從本地或遠程資料庫中讀取沒有被提取特徵的車輛圖像數據，並將車輛圖像數據傳給車輛區域定位裝置。車輛圖像數據讀取裝置202能自動判斷讀取的車輛圖像是否已被提取過特徵，如果沒有被提取過特徵，則讀取此圖像數據，否則不讀取。
[0123]車輛圖像數據讀取裝置202能支持實時監聽車輛圖像資料庫的內容變化，每當發現有新的車輛圖像加入，則判斷它們是否已被提取特徵，以決定是否對它們提取特徵。如果沒有被提取，則自動為其提取特徵，否則不提取。
[0124]車輛圖像數據讀取裝置202能支持各種常用資料庫類型，包括但不限於=Oracle,DB2, SQL Server、MySQL 等。
[0125]車輛圖像數據讀取裝置202能支持各種常用圖像編碼格式，包括但不限於:BMP、JPEG、JPEG2000、TIFF、PNG、PGM 等。
[0126]車輛區域定位裝置203:從車輛圖像數據讀取裝置202讀取的車輛圖像中定位出所有車輛所在位置和大小。每輛車的位置和大小用ー個矩形框表示，矩形框左上角的坐標表示車輛的位置，矩形框的長和寬表示車輛的大小。
[0127]車輛特徵提取裝置204:基於車輛區域定位裝置203定位的車輛區域，提取車輛的特徵。提取的特徵包括但不限於:車輛圖像拍攝時間、拍攝地點、車牌底色、車牌號碼、車身顔色、車型、車標類型、排氣扇外輪廓形狀、車燈外輪廓形狀、擋風玻璃外輪廓形狀、年檢標誌、車內裝飾物等。
[0128]車輛圖像拍攝時間為拍攝車輛圖像的時刻，包括年、月、日、時、分、秒。拍攝地點為拍攝車輛圖像時車輛所在地的名稱。拍攝時間和拍攝地點一般會通過機器列印到車輛圖像上的某個位置，如頂部，因此可以根據OCR技術將它識別出來。如果車輛資料庫中有別的欄位或文件記錄拍攝時間和拍攝地點，則也可直接讀取相應欄位或文件獲取。
[0129]車身顏色可分為:黒色、白色、銀灰色、紅色、黃色、藍色、緑色、紫色、棕色、褐色等。顔色特徵還包括顔色的深淺，如淺藍、深藍。車身顏色特徵主要分析車輛引擎蓋的顔色分布得到。
[0130]車型可粗分為:小型車、中型車和大型車，並進一歩細分為:微型車、小轎車、越野車、麵包車、中型客車、中型貨車、大型貨車、大型客車、大型卡車等。
[0131]車標類型為車輛上面的生產廠商標誌，包括目前所有生產廠商的標誌，同時支持未來新出現的生產廠商的標誌。
[0132]排氣扇外輪廓形狀可分為:梯形、倒梯形、矩形，雙ロ型等。
[0133]車燈外輪廓形狀可分為:圓形、四邊形、三角形、橢圓形等。
[0134]擋風玻璃外輪廓形狀可分為:梯形、矩形等。小車擋風玻璃外輪廓呈梯形，而大車擋風玻璃外輪廓呈矩形。因此擋風玻璃外輪廓形狀可用來和車型進行相互校驗，以提高準確性。
[0135]車內裝飾物可通過擋風玻璃內除年檢標誌的區域的關鍵點或顯著區域表徵。
[0136]車輛特徵提取裝置204提取的上述特徵構成了本發明的一種基於自定義特徵的車輛搜索系統的「特徵池」，為車輛捜索子系統207提供了非常豐富有效的搜索特徵。
[0137]車輛特徵存儲裝置205:將車輛特徵提取裝置204提取的所有特徵存放在預先設計好的車輛特徵資料庫子系統206中。特徵資料庫子系統206可以部署在本地，也可以部署在遠程伺服器上。為了提高後續車輛搜索效率，需要為特徵資料庫子系統206中特徵建立索引進行存放。索引方式可以是反轉文件結構形式，即對每個特徵建立索引，索引所有具備此特徵的車輛圖像。[0138]車輛搜索子系統207具體包括:
[0139]車輛搜索裝置208:允許用戶根據實際需要自定義搜索特徵，並在車輛特徵資料庫子系統206中捜索符合自定義捜索特徵的所有車輛圖像。車輛搜索裝置208提供整個系統支持的所有特徵，這些特徵可以以可視化的方式呈現給用戶，並提供ー個操作界面讓用戶選擇所需特徵，也可以以配置文件的形式，讓用戶編輯配置文件，以確定所需特徵。採用何種方式可由實際情況確定。支持以下自定義方法:I)用戶輸入ー輛嫌疑車輛圖像，同時在車輛特徵提取裝置204提取的所有特徵中選定ー些特徵，並定義好這些特徵的組合方式。特徵組合可通過謂詞邏輯實現，包括「與(AND)」、「或(0R)」、「非(NOT)」等。為了提高準確性，用戶可以在輸入圖像中手エ圈定車輛區域和車牌區域。如果用戶沒有手工圈定車輛區域和車牌區域，則通過自動定位得到。2)用戶沒有嫌疑車輛圖像，則只需要在車輛特徵提取裝置204提取的所有特徵中選定ー些特徵，並定義好這些特徵的組合方式。通過謂詞邏輯實現特徵組合。最終的自定義捜索特徵的表示方式為通過謂詞邏輯組合而成的ー些特徵,如:「車標為海格」AND 「車型為大型客車」AND 「車身顏色為綠色」。這種方式使得本發明提供的車輛搜索系統可以滿足非常多祥化的搜索需求，很好地滿足用戶的各種需求。
[0140]車輛搜索裝置208將車輛特徵資料庫子系統206中所有車輛特徵與自定義特徵進行比對，將不具備自定義特徵的所有車輛排除棹。捜索方法可以是精確匹配方法，也可以是模糊匹配方法。比對結果為與自定義特徵的匹配置信度，如果匹配置信度大於預設的閾值，則判定為相似車輛，否則作為不相似車輛排除棹。
[0141]車輛搜索裝置208在進行車輛搜索時，支持車輛特徵提取裝置204同時在提取車輛特徵，且將提取到的車輛特徵存入車輛特徵資料庫子系統206中。這樣就不用等所有特徵都提取完再進行捜索，可以邊提取、邊搜索，能在特徵沒有提取完時就得到部分搜索結果，有利於提聞搜索效率，從而提聞辦案效率。
[0142]捜索結果展示裝置209:將搜索結果返回並展示給用戶。返回結果按照匹配置信度由大到小排列，置信度大的排在前面，置信度小的排在後面。這樣用戶可以快速地在返回結果中找到真正的嫌疑車輛。可以有多種展示方式，支持翻頁顯示，用戶可以按頁瀏覽搜索結果。同時也支持自定義查詢搜索結果，用戶可以要求查詢任意順序範圍內的捜索結果。捜索結果展示裝置還支持將搜索結果的自定義保存，將所有或部分捜索結果保存到指定位置。用戶查看捜索結果時，捜索結果展示裝置支持對搜索圖像的任意縮放顯示，用戶可以根據需要對圖像的整體或任意部分進行放大和縮小，方便用戶對搜索結果進行進ー步的精確確認。
[0143]本說明書中未作詳細描述的內容屬於本領域專業技術人員公知的現有技木。
【權利要求】
1.一種基於自定義特徵的車輛搜索方法，其特徵在於，該方法包括: 第一步驟:提取監控攝像頭拍攝的車輛圖像資料庫中每輛車的特徵並保存； 第二步驟:根據自定義特徵，在監控攝像頭拍攝的車輛圖像資料庫中搜索滿足所述自定義特徵的車輛並返回捜索結果。
2.如權利要求1所述的基於自定義特徵的車輛搜索方法，其特徵在幹， 所述第一步驟包括: 第一步:獲取車輛圖像庫存放地址； 第二步:從所述圖像庫中讀取車輛圖像； 第三步:從所述讀取的車輛圖像中定位出車輛所在區域，並切割出車輛所在圖像區域； 第四步:基於所述切割出的車輛區域，提取車輛的多種特徵； 第五步:將所述提取的車輛特徵保存； 所述第二步驟包括: 第一歩:根據用戶需求自定義車輛搜索特徵，並建立捜索條件； 第二步:在所述已提取特徵的車輛圖像資料庫搜索滿足所述自定義特徵的車輛圖像； 第三步:將搜索結果返回給·用戶。
3.如權利要求2所述的基於自定義特徵的車輛搜索方法，其特徵在幹，所述第一步驟第一步中圖像資料庫存放地址是本地計算機上的一個或多個可訪問的文件夾或圖像資料庫入口 ； 或，遠程計算機上的一個或多個可訪問的文件夾或圖像資料庫的入口。
4.如權利要求2所述的基於自定義特徵的車輛搜索方法，其特徵在於，所述第一步驟第二步中讀取車輛圖像是灰度圖像或彩色圖像。
5.如權利要求1所述的基於自定義特徵的車輛搜索方法，其特徵在於，所述第一步驟第三步中從車輛圖像中定位出車輛所在區域的方法包括以下方法中的一種: A、根據車牌的位置和大小確定車牌所屬車輛的區域； B、通過確定對稱軸並驗證的方式定位車輛所在區域； C、根據車牌的位置和大小確定車牌所屬車輛的區域以及通過確定對稱軸並驗證的方式定位車輛所在區域； D、通過機器學習的方法區分車輛區域與非車輛區域。
6.如權利要求2所述的基於自定義特徵的車輛搜索方法，其特徵在幹，所述第一步驟第四步中提取車輛的多種特徵包括但不限於以下特徵中的ー種或多種:車輛圖像拍攝時間、拍攝地點、車牌顏色、車牌號碼、車身顔色、車型、車標類型、排氣扇外輪廓形狀、車燈外輪廓形狀、擋風玻璃外輪廓形狀、年檢標誌以及車內裝飾物。
7.如權利要求2所述的基於自定義特徵的車輛搜索方法，其特徵在於，所述第一步驟第五步中將所述提取的車輛特徵保存的方法是:將提取的車輛特徵保存在本地或遠程計算機上的文件夾或資料庫中，並將車輛特徵與車輛圖像建立對應關係。
8.如權利要求1或6所述的基於自定義特徵的車輛搜索方法，其特徵在於，所述第二步驟第二步中在已提取特徵的車輛圖像資料庫搜索滿足自定義特徵的車輛圖像包括:對車內裝飾物採用特徵點匹配的方法計算所述已提取特徵的車輛圖像和捜索條件匹配的置信度。
9.如權利要求2所述的基於自定義特徵的車輛搜索方法，其特徵在於，所述第二步驟第三步的方法包括: 將所述捜索已提取特徵的車輛圖像數據計算的置信度與預先設定好的閾值進行比較，並根據置信度由大到小排列。
10.一種基於自定義特徵的車輛搜索系統，其特徵在於，所述系統包括: 車輛圖像數據讀取裝置、車輛區域定位裝置、車輛特徵提取裝置、車輛特徵存儲裝置、車輛搜索裝置以及搜索結果展示裝置； 其中，所述車輛圖像數據讀取裝置包括: 數據源接入模塊，用幹與需要提取特徵的車輛圖像資料庫進行對接； 圖像數據讀取模塊，用於從接入的圖像資料庫中讀取圖像數據文件，對獲取的圖像數據文件進行解碼獲取圖像的像素值； 所述車輛區域定位裝置，用於在圖像中檢測出車輛的數目以及每輛車所在的位置和大小； 所述車輛特徵提取裝置包括以下模塊中的ー種或多種: 車輛圖像拍攝時間提取模塊，用於獲取拍攝圖像的時間； 拍攝地點提取模塊，用於獲取拍攝車輛圖像的地點名稱； 車牌特徵識別模塊，用於獲·取車牌底色的類別和車牌號碼； 車身顏色識別模塊，用於獲取車輛區域中除去擋風玻璃之後的其它區域的主要顏色類別及其深淺程度； 車型識別模塊，用於獲取車輛的車型特徵； 車標類型識別模塊，用於定位車輛車標區域並識別車輛的車標類型； 排氣扇外輪廓形狀識別模塊，用於定位車輛排氣扇區域並識別車輛排氣扇外圍邊界所呈現的形狀類型； 車燈外輪廓形狀識別模塊，用於定位出車輛前方或後方車燈區域並識別車輛前方或後方車燈外圍邊界所呈現的形狀類型； 擋風玻璃外輪廓形狀識別模塊，用於定位出車輛擋風玻璃區域並識別擋風玻璃外圍邊界所呈現的形狀類型； 年檢標誌特徵提取模塊，用於檢測擋風玻璃左上角一定區域內是否貼有年檢標誌以及年檢標誌的個數及它們的排列方式； 車窗區域內顯著區域提取模塊，用於檢測車內飾物特徵； 所述車輛特徵存儲裝置，用於將車輛特徵提取裝置提取到的車輛特徵按照一定的方式保存起來； 所述車輛捜索裝置，用於提供基於自定義特徵的車輛搜索功能，包括: 特徵自定義模塊，用於供用戶根據實際需要自定義捜索特徵； 車輛特徵搜索模塊，用於根據特徵自定義模塊提供的自定義特徵，在特徵資料庫中搜索滿足此特徵的所有車輛； 所述搜索結果展示裝置，用於將從車輛搜索裝置返回的車輛圖像返回給用戶，並展示給用戶。
【文檔編號】G06F17/30GK103530366SQ201310476490
【公開日】2014年1月22日 申請日期:2013年10月12日 優先權日:2013年10月12日
【發明者】王先基, 陳友斌 申請人:湖北微模式科技發展有限公司