本发明属于智能交通技术领域，尤其是涉及一种基于视频和雷达的车辆识别方法。
背景技术：
在智能交通系统中的核心功能是对过往的车辆进行准确的检测和正确的车型识别，近年来随着计算机多媒体技术和图像处理技术的发展，基于视频的车辆自动分类是被技术在智能交通中占据的分量也越来越大，社会各界投入的研究力量也越来越多。现有的使得使用视频方法进行车标的定位识别的精确度不高，而且目前还没有一种检测设备能够对车标进行精确定位及有效识别。
技术实现要素：
有鉴于此，本发明旨在提出一种基于视频和雷达的车辆识别方法，以解决上述背景中提到的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于视频和雷达的车辆识别方法，具体包括如下步骤：
(1)将雷达波形文件和视频帧结合，获得雷达的波形信息以及车辆类型信息；
(2)根据车牌识别算法获得车牌信息，进行车辆定位和车牌定位识别，确定各待识别车辆的特征区域；
(3)对特征区域提取梯度直方图特征，送入神经网络分类器，确定车辆所属类型。
进一步的，所述步骤(1)中，具体包括将一组雷达信号的256个点的数据，按照-127至+128的坐标依次用线段连接起来，做成该组信号的图像，然后将六张图像顺序排列叠加在视频帧的右上方背景区域。
进一步的，所述步骤(2)中，在得到的图像上根据高斯模型建立背景，根据背景差和帧差进行车辆定位，生成车辆位置区域；在所述车辆位置区域内，根据车辆的纹理信息及颜色信息进行车牌定位识别，生成车牌位置区域。
进一步的，所述步骤3中包括将获取到的车牌轮廓矩形图像提取出来，并且归一化为72x72的图像大小，构建直方图的参数bin为9，block为16，cells为4，在该图像上提取梯度直方图特征，根据已知的梯度直方图特征，构建神经网络分类器，神经网络分类器加载预训练模型。
进一步的，所述步骤3还包括将训练结果根据位置信息进行加权计算，计算得到的分数最高者对应的车标类型为车牌识别结果。
相对于现有技术，本发明所述的一种基于视频和雷达的车辆识别方法具有以下优势：
本发明可以对车标进行精确定位和有效识别，识别率高，同时具有较强的场景适应性。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的一种基于视频和雷达的车辆识别方法示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，一种基于视频和雷达的车辆识别方法，具体包括如下步骤：
(1)将雷达波形文件和视频帧结合，获得雷达的波形信息以及车辆类型信息；
具体包括将一组雷达信号的256个点的数据，按照-127至+128的坐标依次用线段连接起来，做成该组信号的图像，然后将六张图像顺序排列叠加在视频帧的右上方背景区域。
(2)根据车牌识别算法获得车牌信息，进行车辆定位和车牌定位识别，确定各待识别车辆的特征区域；
在得到的图像上根据高斯模型建立背景，根据背景差和帧差进行车辆定位，生成车辆位置区域；在所述车辆位置区域内，根据车辆的纹理信息及颜色信息进行车牌定位识别，生成车牌位置区域。
(3)对特征区域提取梯度直方图特征，送入神经网络分类器，确定车辆所属类型。
将获取到的车牌轮廓矩形图像提取出来，并且归一化为72x72的图像大小，构建直方图的参数bin为9，block为16，cells为4，在该图像上提取梯度直方图特征，根据已知的梯度直方图特征，构建神经网络分类器，神经网络分类器加载预训练模型；将训练结果根据位置信息进行加权计算，计算得到的分数最高者对应的车标类型为车牌识别结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。