本發(fā)明涉及車輛特征檢測，具體為基于ai的車輛特征檢測方法。

背景技術：

1、隨著人工智能ai技術的飛速發(fā)展，ai在工業(yè)自動化領域的應用越來越廣泛，尤其是在智能監(jiān)控和物流稱重系統(tǒng)中?；赼i的車輛特征檢測方法屬于計算機視覺和圖像識別的范疇，結合了深度學習技術和圖像處理算法，用于實時識別和分析車輛的多維特征。在這種應用中，使用網(wǎng)絡攝像機采集車輛的正面圖像和駕駛員的相關信息，并通過卷積神經(jīng)網(wǎng)絡cnn提取車輛的顏色、車牌、車標和車燈亮度等關鍵特征。這些特征數(shù)據(jù)可以用于車輛進出廠時的自動化管理，確保車輛身份的一致性和安全性。

2、現(xiàn)階段由于傳統(tǒng)方法的局限性，物流稱重系統(tǒng)在處理復雜環(huán)境時往往難以應對。例如，當車輛在強光、夜間或多變的天氣條件下進出工廠時，傳統(tǒng)圖像比對方法容易出現(xiàn)識別錯誤，導致車輛的特征無法與數(shù)據(jù)庫中的記錄準確匹配。這種情況可能引發(fā)一系列問題，如未經(jīng)授權的車輛誤判為合法車輛放行，或者合法車輛因誤判而被拒絕出廠，嚴重影響工廠的運營效率和安全性，這些不足使得傳統(tǒng)的車輛管理方法在面對大規(guī)模車輛進出時顯得力不從心，容易出現(xiàn)誤判和安全漏洞。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明提供了基于ai的車輛特征檢測方法，解決了背景技術中提到的問題。

2、為實現(xiàn)以上目的，本發(fā)明通過以下技術方案予以實現(xiàn)：基于ai的車輛特征檢測方法，包括以下步驟：

3、s1、使用網(wǎng)絡攝像頭拍攝入廠車輛和出廠車輛的正面圖像，并通過深度攝像頭采集入廠車輛和出廠車輛的駕駛窗圖片，并將對采集到的正面圖像和駕駛窗圖片通過網(wǎng)絡發(fā)送到中央處理中心進行預處理，獲取標準入廠圖片集和標準出廠圖片集，并將預處理后的標準入廠圖片集和標準出廠圖片集存儲到數(shù)據(jù)庫中；

4、s2、提取數(shù)據(jù)庫中存儲的標準入廠圖片集和標準出廠圖片集，應用卷積神經(jīng)網(wǎng)絡cnn對標準入廠圖片集和標準出廠圖片集進行特征提取，生成車輛入廠特征集和車輛出廠特征集；

5、s3、構建車輛特征相似度評分公式和車輛光學特征公式，再將所提取的車輛入廠特征集和車輛出廠特征集輸入到車輛特征相似度評分公式和車輛光學特征公式中，輸出車輛相似度評分vfss和車輛光學特征一致性指數(shù)vofci；

6、s4、依據(jù)所獲取的車輛相似度評分vfss和車輛光學特征一致性指數(shù)vofci，進行綜合計算輸出綜合相似度指標csef，再預設相似度閾值t與綜合相似度指標csef進行初步對比評估；

7、s5、基于初步對比評估結果，進一步構建動態(tài)閾值調(diào)整公式，將相似度閾值t輸入動態(tài)閾值調(diào)整公式中，輸出動態(tài)調(diào)整閾值tnew，再與實時獲取的綜合相似度指標csef進行二次對比評估。

8、優(yōu)選的，s1包括s11、s12和s13；

9、s11、在物流車輛門禁和稱重區(qū)域出入口的正面安裝網(wǎng)絡攝像頭，對入廠車輛和出廠車輛，網(wǎng)絡攝像頭自動觸發(fā)拍攝，獲取車輛的正面圖像，正面圖像包括車輛顏色信息、表面反射率、車標細節(jié)和車燈狀態(tài)內(nèi)容信息；

10、同時在物流車輛門禁和稱重區(qū)域出入口的側面位置處，同時依據(jù)所安裝的網(wǎng)絡攝像頭，對入廠車輛和出廠車輛的駕駛窗區(qū)域，捕捉駕駛窗圖片，駕駛窗圖片包括駕駛員面部、窗戶透明度和車內(nèi)乘客人數(shù)內(nèi)容信息；

11、s12、通過設置連接網(wǎng)絡將網(wǎng)絡攝像機與中央處理中心進行連接，將采集到的正面圖像和駕駛窗圖片傳輸?shù)街醒胩幚碇行倪M行預處理，獲取標準入廠圖片集和標準出廠圖片集，預處理的方式包括去噪處理、尺寸歸一化和圖像集打包；

12、s13、構建mongodb數(shù)據(jù)庫，并分別設置寫入端口和寫出端口，通過寫入端口將預處理后的標準入廠圖片集和標準出廠圖片集寫入到mongodb數(shù)據(jù)庫中，mongodb數(shù)據(jù)庫收到標準圖片數(shù)據(jù)集后，進行標準入廠圖片集和標準出廠圖片集的自動分類和索引管理，通過設置圖片存儲表和特征數(shù)據(jù)存儲表，將標準入廠圖片集和標準出廠圖片集存儲到圖片存儲表。

13、優(yōu)選的，s2包括s21、s22和s23；

14、s21、通過mongodb數(shù)據(jù)庫設置的寫出端口，實時提取圖片存儲表中的標準入廠圖片集和標準出廠圖片集，利用卷積神經(jīng)網(wǎng)絡cnn對提取的標準入廠圖片集和標準出廠圖片集進行特征提取，獲取車輛入廠特征集和車輛出廠特征集；

15、車輛入廠特征集包括入廠車輛外觀特征集和入廠車輛光學特征集；

16、入廠車輛外觀特征集包括入廠車輛顏色特征參數(shù)vcp1、入廠車輛車牌字符識別準確率lpra1和入廠車輛駕駛員面部特征匹配度dffmd1；

17、入廠車輛光學特征集包括入廠車輛車燈亮度指數(shù)hbi1和入廠車輛車標細節(jié)復雜度ldc1；

18、車輛出廠特征集包括出廠車輛外觀特征集和出廠車輛光學特征集；

19、出廠車輛外觀特征集包括出廠車輛顏色特征參數(shù)vcp2、出廠車輛車牌字符識別準確率lpra2和出廠車輛駕駛員面部特征匹配度dffmd2；

20、出廠車輛光學特征集包括出廠車輛車燈亮度指數(shù)hbi2和出廠車輛車標細節(jié)復雜度ldc2；

21、s22、通過卷積神經(jīng)網(wǎng)絡cnn的卷積操作，提取標準入廠圖片集和標準出廠圖片集中的邊緣、顏色和紋理特征，得到入廠車輛顏色特征參數(shù)vcp1和出廠車輛顏色特征參數(shù)vcp2；

22、通過卷積神經(jīng)網(wǎng)絡cnn的目標檢測操作，檢測標準入廠圖片集和標準出廠圖片集中車輛的車牌標識字符、車燈亮度和車標細節(jié)，得到入廠車輛車牌字符識別準確率lpra1、出廠車輛車牌字符識別準確率lpra2、入廠車輛車燈亮度指數(shù)hbi1、出廠車輛車燈亮度指數(shù)hbi2、入廠車輛車標細節(jié)復雜度ldc1和出廠車輛車標細節(jié)復雜度ldc2；

23、通過卷積神經(jīng)網(wǎng)絡cnn的深度卷積層提取標準入廠圖片集和標準出廠圖片集中，駕駛員的面部特征獲取入廠車輛駕駛員面部特征匹配度dffmd1和出廠車輛駕駛員面部特征匹配度dffmd2；

24、s23、通過分布式數(shù)據(jù)庫的寫入端口，將車輛入廠特征集和車輛出廠特征集寫入到mongodb數(shù)據(jù)庫中的特征數(shù)據(jù)存儲表中進行存儲，并對每次寫入的車輛入廠特征集和車輛出廠特征集，標記時間戳、車牌字符。

25、優(yōu)選的，s3包括s31和s32；

26、s31、通過構建車輛特征相似度評分公式，將入廠車輛外觀特征集和出廠車輛外觀特征集，輸入到車輛特征相似度評分公式中，輸出車輛相似度評分vfss；

27、車輛相似度評分vfss通過以下車輛特征相似度評分公式計算獲?。?/p>

28、

29、其中，表示顏色相似度，表示車牌字符識別相似度，表示車輛駕駛員面部特征匹配度，α、β和χ分別表示顏色相似度、車牌字符識別相似度和車輛駕駛員面部特征匹配度的預設權重值，其具體數(shù)值由用戶進行設定，vcpmax表示車輛顏色特征參數(shù)參考上限，lpramax表示車輛車牌字符識別準確率參考上限，dffmdmax表示車輛駕駛員面部特征匹配度參考上限。

30、優(yōu)選的，s32包括s321和s322；

31、s321、將入廠車輛車燈亮度指數(shù)hbi1和出廠車輛車燈亮度指數(shù)hbi2以及入廠車輛車標細節(jié)復雜度ldc1和出廠車輛車標細節(jié)復雜度ldc2分別進行差值計算，輸出車燈亮度差異度hbidiff和車標細節(jié)差異度ldcdiff；

32、車燈亮度差異度hbidiff和車標細節(jié)差異度ldcdiff通過以下算法公式計算獲??；

33、

34、優(yōu)選的，s322、通過構建車輛光學特征公式，將車燈亮度差異度hbidiff和車標細節(jié)差異度ldcdiff，輸入到車輛光學特征公式中，計算輸出車輛光學特征一致性指數(shù)vofci；

35、車輛光學特征一致性指數(shù)vofci通過以下車輛光學特征公式計算獲取；

36、

37、其中，e表示指數(shù)函數(shù)，δ表示車燈亮度的權重系數(shù)，ε表示車標細節(jié)復雜度的權重系數(shù)。

38、優(yōu)選的，s4包括s41和s42；

39、s41、通過將所獲取的車輛相似度評分vfss和車輛光學特征一致性指數(shù)vofci，進行計算輸出綜合相似度指標csef；

40、綜合相似度指標csef通過以下算法公式計算獲取；

41、

42、優(yōu)選的，s42、由用戶進行初步設定相似度閾值t，再與所獲取的綜合相似度指標csef進行初步對比評估，并根據(jù)評估結果生成響應機制，具體評估內(nèi)容如下；

43、當綜合相似度指標csef≥相似度閾值t時，表示相似度合格，此時則自動放行；

44、當綜合相似度指標csef＜相似度閾值t時，表示相似度不合格，此時禁止通行，此時則生成響應機制，進行動態(tài)調(diào)整相似度閾值t。

45、優(yōu)選的，s5包括s51和s52；

46、s51、在初步對比評估出相似度不合格時，觸發(fā)相似度閾值t動態(tài)調(diào)整機制，通過構建動態(tài)閾值調(diào)整公式，依據(jù)歷史綜合相似度指標csef，進行計算輸出動態(tài)調(diào)整閾值tnew；

47、動態(tài)調(diào)整閾值tnew通過以下動態(tài)閾值調(diào)整公式計算獲?。?/p>

48、

49、其中，ζ表示調(diào)整系數(shù)，由用戶根據(jù)實際情況進行設定，average(csef)表示歷史綜合相似度指標csef，max(csef)表示綜合相似度指標csef的上限值。

50、優(yōu)選的，s52、依據(jù)所獲取的動態(tài)調(diào)整閾值tnew與實時輸出的綜合相似度指標csef，進行二次對比評估，具體評估內(nèi)容如下；

51、當綜合相似度指標csef≥動態(tài)調(diào)整閾值tnew時，表示相似度合格，此時則自動放行；

52、當綜合相似度指標csef＜動態(tài)調(diào)整閾值tnew時，表示相似度不合格，此時禁止通行，生成預警信息，提示工作人員進行人工核實。

53、本發(fā)明提供了基于ai的車輛特征檢測方法，具備以下有益效果：

54、(1)本方法通過在工廠的出口和入口安裝網(wǎng)絡攝像機，對入廠和出廠車輛進行全面的圖像采集，并將這些圖像數(shù)據(jù)通過網(wǎng)絡傳輸?shù)街醒胩幚碇行倪M行預處理，可以顯著提高圖像數(shù)據(jù)的采集效率和準確性。網(wǎng)絡攝像頭能夠獲取車輛的正面圖像，包括車輛顏色、表面反射率、車標細節(jié)和車燈狀態(tài)等信息，而深度攝像頭則可以精準捕捉駕駛窗區(qū)域的圖片，記錄駕駛員面部、窗戶透明度和車內(nèi)乘客人數(shù)。預處理過程中，圖像數(shù)據(jù)經(jīng)過去噪處理、尺寸歸一化和圖像集打包等步驟，生成標準入廠圖片集和標準出廠圖片集，并存儲在mongodb數(shù)據(jù)庫中。通過這種自動化的數(shù)據(jù)采集和管理方式，系統(tǒng)減少了傳統(tǒng)人工操作中的時間延誤和人為錯誤，顯著提升了物流稱重系統(tǒng)的效率和可靠性。

55、(2)本方法利用mongodb數(shù)據(jù)庫中存儲標準入廠圖片集和標準出廠圖片集，系統(tǒng)通過卷積神經(jīng)網(wǎng)絡cnn對標準入廠圖片集和標準出廠圖片集進行深度特征提取，生成詳細的車輛入廠和出廠特征集。cnn在特征提取過程中，通過卷積操作提取圖像中的邊緣、顏色和紋理特征，從而精確獲取車輛的顏色特征參數(shù)vcp、車牌字符識別準確率lpr)、駕駛員面部特征匹配度dffmd、車燈亮度指數(shù)hbi和車標細節(jié)復雜度ldc等關鍵參數(shù)。相比傳統(tǒng)方法，cnn的應用大大提高了特征提取的精度和適應性，尤其是在光照變化、圖像噪聲和復雜背景的情況下，仍然能夠保持高水平的識別精度。這一特征提取過程為后續(xù)的相似度分析奠定了堅實的基礎，減少了誤判的發(fā)生，并增強了系統(tǒng)對異常情況的識別能力。

56、(3)本方法通過構建車輛特征相似度評分公式和車輛光學特征公式，系統(tǒng)可以對車輛的進廠和出廠特征集進行全面的相似度評估。具體來說，系統(tǒng)計算出車輛相似度評分vfss和車輛光學特征一致性指數(shù)vofci，并進一步通過綜合計算得到綜合相似度指標csef。然后，將綜合相似度指標與預設的相似度閾值t進行初步對比評估，判斷車輛是否符合出廠條件。當初步評估結果顯示相似度不合格時，系統(tǒng)會觸發(fā)動態(tài)閾值調(diào)整機制，根據(jù)歷史數(shù)據(jù)計算輸出動態(tài)調(diào)整閾值tnew，并進行二次對比評估。這種動態(tài)調(diào)整機制允許系統(tǒng)靈活應對不同環(huán)境條件和車輛特征變化，從而顯著提高了車輛識別的一致性和準確性。同時，系統(tǒng)自動放行符合條件的車輛，并在檢測到不合格車輛時生成預警信息，提醒工作人員進行人工核實，確保車輛管理過程的安全性和高效性。