CN103077407A - 车标定位识别方法及系统 - Google Patents
车标定位识别方法及系统 Download PDFInfo
- Publication number
- CN103077407A CN103077407A CN2013100209826A CN201310020982A CN103077407A CN 103077407 A CN103077407 A CN 103077407A CN 2013100209826 A CN2013100209826 A CN 2013100209826A CN 201310020982 A CN201310020982 A CN 201310020982A CN 103077407 A CN103077407 A CN 103077407A
- Authority
- CN
- China
- Prior art keywords
- car
- car mark
- candidate region
- original image
- carried out
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于模式识别领域，具体为车标定位识别方法及系统，能够识别出车辆的车标。车标定位识别方法包括：采集各种车标的样本图片，得到车标模版库；提取出所述车标模版库中各种样本图片的gabor特征；采用adaboost算法，生成具有所述gabor特征的级联分类器；该方法还包括：采集车辆的原始图像；对所述原始图像进行形态学预处理，并在所述形态学预处理得到的图像上定位出所有车标候选区域；采用所述级联分类器遍历每一个所述车标候选区域，若该车标候选区域中能检测出车标，则将该车标作为识别结果。
Description
技术领域
本发明涉及模式识别领域，尤其涉及车标定位识别方法及系统。
背景技术
随着社会经济的发展，车辆逐渐增多，从而使得对车辆进行信息化管理成为当前需要重视的问题。
其中，车辆识别技术是对车辆进行信息化管理的一种重要手段。目前，车辆识别技术被广泛应用在交通流量监测方面，例如高速公路卡口收费、闯红灯违章监控、小区车辆自动收费系统，都需要应用到车辆识别技术。
然而，现有的车辆识别技术一般只能对车牌、以及车辆的型号（如大型、中型、小型）进行识别，但无法识别出车辆的具体车型，也就是无法识别出车辆的车标，从而车辆监测机构也就无法了解目前人们对各品牌车辆的需求。
发明内容
本发明提出了车标定位识别方法及系统，能够识别出车辆的车标。
为了达到上述目的，本发明的技术方案是这样实现的：
车标定位识别方法，包括：采集各种车标的样本图片，得到车标模版库；提取出所述车标模版库中各种样本图片的gabor特征；采用adaboost算法，生成具有所述gabor特征的级联分类器；
该方法还包括：
采集车辆的原始图像；
对所述原始图像进行形态学预处理，并在所述形态学预处理得到的图像上定位出所有车标候选区域；
采用所述级联分类器遍历每一个所述车标候选区域，若该车标候选区域中能检测出车标，则将该车标作为识别结果。
优选地，在所述采集车辆的原始图像之后，该方法进一步包括：对所述原始图像进行下采样；
所述对所述原始图像进行形态学预处理，包括：对下采样之后的原始图像进行灰度化处理；
所述形态学预处理得到的图像为灰度图像；
所述在所述形态学预处理得到的图像上定位出所有车标候选区域，包括：对所述灰度图像进行边缘检测，得到边缘图像；对所述边缘图像进行二值化处理，得到所有的所述车标候选区域。
优选地，所述边缘检测采用sobel算子；
和/或，
所述二值化处理采用otsu全局阈值法。
优选地，在得到所有的所述车标候选区域后，该方法进一步包括：根据所述车标候选区域的坐标，将所有的所述车标候选区域映射到所述原始图像中，得到所述车标候选区域在所述原始图像中的实际区域，并分割出所述实际区域；
参与所述遍历的所述车标候选区域为所述实际区域。
优选地，所述提取出所述车标模版库中各种样本图片的gabor特征，包括：采用预先约定的分块方法对所述车标模版库中各种车标的样本图片进行分块处理；提取出每一块的gabor特征；
所述采用所述级联分类器遍历每一个所述车标候选区域，若该车标候选区域中能检测出车标，则将该车标作为识别结果，包括：
采用所述预先约定的分块方法对所述车标候选区域进行分块处理；
提取所述车标候选区域所划分得到的每一块的gabor特征；
计算所述车标候选区域与每一种车标的样本图片被划分得到的对应块之间的欧式距离；
采用所述级联分类器对得到的所有所述欧式距离进行分类识别，若所述欧式距离位于预设精度内，则将所述欧式距离对应的所述车标作为识别结果。
优选地，该方法进一步包括：
保存能够检测出车标的所述车标候选区域；
以所述车标模版库中的各种样本图片为训练集，生成支持向量机svm分类器；
采用所述svm分类器，对保存的所述车标候选区域进行匹配识别，并将与所述车标候选区域的相似度大于预设阈值的所述车标作为所述识别结果。
本发明还提供了车标定位识别系统，包括：车标模板库，用于存储各种车标的样本图片；级联分类器生成模块，用于提取出所述车标模版库中各种样本图片的gabor特征，并采用adaboost算法，生成具有所述gabor特征的级联分类器；
该系统还包括：
采集模块，用于采集车辆的原始图像；
车标定位模块，用于对所述原始图像进行形态学预处理，并在所述形态学预处理得到的图像上定位出所有车标候选区域；
车标识别模块，用于采用所述级联分类器遍历每一个所述车标候选区域，若该车标候选区域中能检测出车标，则将该车标作为识别结果。
优选地，该系统进一步包括下采样模块，用于对所述原始图像进行下采样；
所述车标定位模块，包括：灰度化子模块，用于对下采样之后的原始图像进行灰度化处理，得到灰度图像；边缘检测子模块，用于对所述灰度图像进行边缘检测，得到边缘图像；二值化子模块，用于对所述边缘图像进行二值化处理，得到所有的所述车标候选区域。
优选地，该系统进一步包括：映射模块，用于根据所述车标候选区域的坐标，将所有的所述车标候选区域映射到所述原始图像中，得到所述车标候选区域在所述原始图像中的实际区域；分割模块，用于从所述原始图像中分割出所述实际区域；
所述车标识别模块，用于采用所述级联分类器遍历每一个所述实际区域，若该实际区域中能检测出车标，则将该车标作为识别结果。
优选地，该系统还包括：
存储模块，用于保存能够检测出车标的所述车标候选区域；
支持向量机生成模块，用于以所述车标模版库中的各种样本图片为训练集，生成支持向量机svm分类器；
二次识别模块，用于采用所述svm分类器，对保存的所述车标候选区域进行匹配识别，并将与所述车标候选区域的相似度大于预设阈值的所述车标作为所述识别结果。
与现有技术相比，本发明提供的车标定位识别方法及系统，首先采集各种车标的样本图片，得到车标模版库，进而提取出车标模版库中各种样本图片的gabor特征，并采用adaboost算法生成具有所述gabor特征的级联分类器；上述生成级联分类器的过程为实现车标识别而进行的准备操作；下面开始利用上述级联分类器对车辆进行车标的定位识别，具体地，采集车辆的原始图像，并对该原始图像进行形态学预处理，进而在形态学预处理得到的图像中定位出所有车标候选区域；再采用上述级联分类器遍历每一个车标候选区域，若该车标候选区域中能检测出车标，则将该车标作为识别结果，这就完成了车标的定位识别；综上，本发明提供的车标定位识别方法及系统，通过采用adaboost算法生成具有gabor特征的级联分类器，并使用该级联分类器识别出车辆的车标，从而使得在车辆监测机构能够实时获知行驶车辆的车标信息，进而了解人们对各品牌车辆的需求，实现了对行驶车辆的信息化管理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种车标定位识别方法的流程图；
图2为本发明实施例二提供的另一种车标定位识别方法的流程图；
图3为样本图片与车标候选区域中对应块的结构示意图；
图4为本发明实施例三提供的一种车标定位识别系统的模块图；
图5为本发明实施例四提供的另一种车标定位识别系统的模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本发明实施例一提供了一种车标定位识别方法，参见图1，该方法包括：
步骤S101:采集各种车标的样本图片，得到车标模版库；提取出所述车标模版库中各种样本图片的gabor特征；采用adaboost算法，生成具有所述gabor特征的级联分类器；
其中，上述步骤S101为车标定位识别的准备工作，需要预先根据车标的样本图片得到具有gabor特征的级联分类器，该级联分类器由若干个弱分类器构成，每个弱分类器对应一个gabor特征；
下面则采用上述生成的级联分类器对车辆进行车标识别，即
该方法还包括：
步骤S102：采集车辆的原始图像；
上述原始图像中包含有车标；
而且，上述采集过程具体是将拍摄装置安装于公路路口、收费站、停车场或者其他需要监测交通流量的位置，进而对行驶车辆进行图像采集，得到含有车标的原始图像；
步骤S103：对所述原始图像进行形态学预处理，并在所述形态学预处理得到的图像上位出所有车标候选区域；
步骤S104：采用所述级联分类器遍历每一个所述车标候选区域，若该车标候选区域中能检测出车标，则将该车标作为识别结果。
本发明实施例一提供的车标定位识别方法，首先采集各种车标的样本图片，得到车标模版库，进而提取出车标模版库中各种样本图片的gabor特征，并采用adaboost算法生成具有所述gabor特征的级联分类器；上述生成级联分类器的过程为实现车标识别而进行的准备操作；下面开始利用上述级联分类器对车辆进行车标的定位识别，具体地，采集车辆的原始图像，并对该原始图像进行形态学预处理，进而在形态学预处理得到的图像中定位出所有车标候选区域；再采用上述级联分类器遍历每一个车标候选区域，若该车标候选区域中能检测出车标，则将该车标作为识别结果，这就完成了车标的定位识别；
综上，本发明实施例一提供的车标定位识别方法，通过采用adaboost算法生成具有gabor特征的级联分类器，并使用该级联分类器识别出车辆的车标，从而使得在车辆监测机构能够实时获知行驶车辆的车标信息，进而了解人们对各品牌车辆的需求，实现了对行驶车辆的信息化管理。
为了进一步说明上述实施例一提供的车标定位识别方法所带来的较佳效果，下面给出该识别方法的一种优选实施方法，请参见实施例二。
实施例二
本发明实施例二提供了另一种车标定位识别方法，参见图2，该方法包括：
步骤201：采集各种车标的样本图片，得到车标模版库；
步骤202：采用预先约定的分块方法对车标模版库中各种车标的样本图片进行分块处理，并提取出每一块的gabor特征；并采用adaboost算法，生成具有所述gabor特征的级联分类器；
其中，生成级联分类器的过程具体如下：首先对每个样本赋予相同的初始权重w，之后进行K轮训练，并且在每轮训练结束后根据当前分类结果调整训练样本的权重，减小正确分类样本的权重，同时增加错误分类样本的权重，从而使每个弱分类器主要围绕难以正确分类的样本进行学习；经过K轮训练得到由K个弱分类器（每个弱分类器对应一个特征）组成的弱分类器序列：h＝{(h1，a1)，(h2，a2)，(h3，a3)，...，(hk,ak)}，其中hi表示第i个弱分类器，ai为弱分类器的加权系数；最后对K个弱分类器进行组合，得到最终的强分类器H，虽然每个弱分类器hi的分类预测能力只比随机稍好，但通过对K个弱分类器进行组合，能够使强分类器H获得任意高的精度；
上述步骤201-202为车标定位识别的准备工作，主要功能在于生成级联分类器；
下面采用该级联分类器进行初步的车标定位识别，具体地：
步骤203：采集车辆的原始图像，并对所述原始图像进行下采样；再对下采样之后的原始图像进行灰度化处理，得到车辆的灰度图像；
其中，可以在一个预设时间段内采集多帧车辆的原始图像，并分别对每帧原始图像进行车标定位识别，这可提高车标识别的准确性；
步骤204：根据车牌与车标的拓扑关系，在所述灰度图像中粗定位出车标所在的区域；
其中，车牌与车标的拓扑关系指的是车标一般位于车牌上方，而现有技术中车牌的定位识别技术已较为成熟，也较容易定位出车牌的位置，这样，在定位出车牌的位置之后，再根据车牌与车标的拓扑关系粗略定位出车标所在的区域；
步骤205：对所述灰度图像进行边缘检测，得到边缘图像，并对该边缘图像进行二值化处理，进而在上述粗定位出的车标所在的区域中精定位出所有的车标候选区域；
优选地，边缘检测采用sobel算子，二值化处理采用otsu全局阈值法；
步骤206：根据所述车标候选区域的坐标，将所有的所述车标候选区域映射到所述原始图像中，得到所述车标候选区域在所述原始图像中的实际区域，并分割出所述实际区域；
由于在对车辆的原始图像进行灰度化以及二值化的处理过程中，不可避免地会丢失一部分像素点，这就会对识别过程造成一定的影响，因此为了提高识别的准确度，本实施例中在得到车标候选区域后，将该车标候选区域映射到车辆的原始图像中，得到车标候选区域在原始图像中的实际区域，并从原始图像中分割出该实际区域；
步骤207：采用基于车牌矫正的方法对所述实际区域进行位置矫正；
因为得到的实际区域通过都是倾斜的图像，位置不正，因此需要按照基于车牌矫正的方法将实际区域进行位置矫正处理，以提高识别的准确度；
步骤208：按照预先约定的标准格式，对经所述位置矫正之后的所述实际区域进行归一化处理；
分割出的实际区域的大小一般都不统一，不方便统一处理，因此需要按照预先约定的标准格式，将经位置矫正之后的实际区域转换为该标准格式，以供后续处理；
步骤209：采用所述预先约定的分块方法对所述车标候选区域进行分块处理，并提取所述车标候选区域所划分得到的每一块的gabor特征；
具体地，步骤209中的所述车标候选区域即为经过位置矫正以及归一化处理的所述实际区域；
步骤210：计算所述车标候选区域与每一种车标的样本图片被划分得到的对应块之间的欧式距离；
也就是说，车标候选区域与样本图片被划分为相同数量的块，且块的分布形式也相同，从而计算出相对应的两块之间的欧式距离；下面给出对应块的结构示意图，请参见图3，其中，301为样本图片的块，302为车标候选区域的块，通过连线相连的两块即为对应块；
步骤211：采用所述级联分类器对得到的所有所述欧式距离进行分类识别，若所述欧式距离位于预设精度内，则将所述欧式距离对应的所述车标作为识别结果；
优选地，预设精度可以为0~1；
至此，实现了对车标的初步定位识别；
然而，为了进一步提高车标识别的准确度，以实现对车标的快速定位识别，在采用级联分类器筛选车标候选区域时，不直接将检测到的车标确定为识别结果，而是保存下能够给检测到车标的车标候选区域，并进一步引入支持向量机svm分类器，以对该车标候选区域进行二次识别；具体地，
步骤212：保存大于第一预设阈值的欧式距离所对应的车标候选区域；
也就是说，在采用级联分类器遍历每一个车标候选区域时，保存能够检测出车标的车标候选区域；
步骤213：以所述车标模版库中的各种样本图片为训练集，生成支持向量机svm分类器；
步骤214：采用所述svm分类器，对保存的所述车标候选区域进行匹配识别，并将与所述车标候选区域的相似度大于预设阈值的所述车标作为识别结果；此处的识别结果即为车标识别的最终结果；
优选地，预设阈值可以为0.6；
这样，由于在采用adaboost算法生成的级联分类器进行车标识别时，总会不可避免地存在一些误检，则可以利用svm分类器的全局最优性对adaboost算法存在的误检进行去除；而一帧图像在经adaboost检测后，所剩区域（其中包括正确检测结果，也包括误检）数目非常小，svm分类器虽然耗时，但由于待处理的子区域很少，svm所增加的耗时可忽略不计；因此，利用adaboost和svm的技术融合，实现分类器的二次加强，一方面减少了adaboost算法本身固有的误检，另一方面由于只对adaboost检测结果进行svm，避免了用svm进行全图检测的庞大耗时，大大提高其分类能力和效率，进而提高了车标识别的速率和准确度；
本实施例提供的车标定位识别方法，通过提取车标图片中的gabor特征，并采用adaboost生成具有gabor特征的级联分类器，降低了adaboost算法的运算复杂度，提高了特征分类能力；
此外，由于在对车辆的原始图像进行灰度化以及二值化的处理过程中，不可避免地会丢失一部分像素点，这就会对识别过程造成一定的影响，因此本实施例中，在得到车标候选区域后，将该车标候选区域映射到车辆的原始图像中，得到车标候选区域在原始图像中的实际区域，并分割出该实际区域，进而使用该实际区域参与级联分类器的识别过程，进一步提高了车标识别的准确度；
综上，本实施例提供的车标定位识别方法，可以快速有效地从各种复杂场景中识别行驶车辆的车标，进而使得在交通流量监测中监测系统能够实时了解行驶车辆的车标信息，实现了对行驶车辆的信息化管理。
实施例三
针对实施例一，本发明实施例三提供了一种车标定位识别系统，参见图4，该系统包括：
车标模板库31，用于存储各种车标的样本图片；级联分类器生成模块32，用于提取出所述车标模版库中各种样本图片的gabor特征，并采用adaboost算法，生成具有所述gabor特征的级联分类器；
该系统还包括：
采集模块33，用于采集车辆的原始图像；
车标定位模块34，用于对所述原始图像进行形态学预处理，并在所述形态学预处理得到的图像上定位出所有车标候选区域；
车标识别模块35，用于采用所述级联分类器遍历每一个所述车标候选区域，若该车标候选区域中能检测出车标，则将该车标作为识别结果。
实施例四
针对是实施例二，本发明实施例四提供了另一种车标定位识别系统，参见图5，该系统包括：
级联分类器模块41，采集模块42，图像预处理模块43，车标区域检测模块44，图像还原模块45，图像调整模块46，初次识别模块47，二次识别模块48；
具体地，
级联分类器模块41，包括：车标模板库411，第一分块提取子模块412，级联分类器生成子模块413；其中，
车标模板库411，用于保存预先采集的各种车标的样本图片；
第一分块提取子模块412，用于采用预先约定的分块方法对车标模版库中各种车标的样本图片进行分块处理，并提取出每一块的gabor特征；
级联分类器生成子模块413，用于采用adaboost算法，生成具有所述gabor特征的级联分类器；
采集模块42，用于采集车辆的原始图像；
图像预处理模块43，包括：下采样子模块431，灰度处理子模块432；其中，
下采样子模块431，用于对所述原始图像进行下采样；
灰度处理子模块432，用于对下采样之后的原始图像进行灰度化处理，得到车辆的灰度图像；
车标区域检测模块44，包括：车标粗定位子模块441，车标精定位子模块442；其中，
车标粗定位子模块441，用于根据车牌与车标的拓扑关系，在所述灰度图像中粗定位出车标所在的区域；
车标精定位子模块442，用于对所述灰度图像进行边缘检测，得到边缘图像，并对该边缘图像进行二值化处理，进而在上述粗定位出的车标所在的区域中精定位出所有的所述车标候选区域；
图像还原模块45，包括：映射子模块451，分割子模块452；其中，
映射子模块451，用于根据所述车标候选区域的坐标，将所有的所述车标候选区域映射到所述原始图像中，得到所述车标候选区域在所述原始图像中的实际区域；
分割子模块452，用于从所述原始图像上分割出所述实际区域；
图像调整模块46，包括：位置矫正子模块461，归一化子模块462；其中，
位置矫正子模块461，用于采用基于车牌矫正的方法对所述实际区域进行位置矫正；
归一化子模块462，用于按照预先约定的标准格式，对经所述位置矫正之后的所述实际区域进行归一化处理；
初次识别模块47，包括：第二分块提取子模块471，欧式距离计算子模块472，第一识别子模块473；其中，
第二分块提取子模块471，用于采用所述预先约定的分块方法对所述车标候选区域进行分块处理，并提取所述车标候选区域所划分得到的每一块的gabor特征；
欧式距离计算子模块472，用于计算所述车标候选区域与每一种车标的样本图片被划分得到的对应块之间的欧式距离；
第一识别子模块473，用于采用所述级联分类器对得到的所有所述欧式距离进行分类识别，若所述欧式距离大于第一预设阈值，则将所述欧式距离对应的所述车标作为识别结果；
二次识别模块48，包括：存储子模块481，支持向量机生成子模块482，第二识别子模块483；其中，
存储子模块481，用于保存大于第一预设阈值的欧式距离所对应的车标候选区域；
支持向量机生成子模块482，用于以所述车标模版库中的各种样本图片为训练集，生成支持向量机svm分类器；
第二识别子模块483，用于采用所述svm分类器，对保存的所述车标候选区域进行匹配识别，并将与所述车标候选区域的相似度大于预设阈值的所述车标作为识别结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.车标定位识别方法，其特征在于，包括：采集各种车标的样本图片，得到车标模版库；提取出所述车标模版库中各种样本图片的gabor特征；采用adaboost算法，生成具有所述gabor特征的级联分类器；
该方法还包括：
采集车辆的原始图像；
对所述原始图像进行形态学预处理，并在所述形态学预处理得到的图像上定位出所有车标候选区域；
采用所述级联分类器遍历每一个所述车标候选区域，若该车标候选区域中能检测出车标，则将该车标作为识别结果。
2.如权利要求1所述的车标定位识别方法，其特征在于，在所述采集车辆的原始图像之后，该方法进一步包括：对所述原始图像进行下采样；
所述对所述原始图像进行形态学预处理，包括：对下采样之后的原始图像进行灰度化处理；
所述形态学预处理得到的图像为灰度图像；
所述在所述形态学预处理得到的图像上定位出所有车标候选区域，包括：对所述灰度图像进行边缘检测，得到边缘图像；对所述边缘图像进行二值化处理，得到所有的所述车标候选区域。
3.如权利要求2所述的车标定位识别方法，其特征在于，
所述边缘检测采用sobel算子；
和/或，
所述二值化处理采用otsu全局阈值法。
4.如权利要求2所述的车标定位识别方法，其特征在于，在得到所有的所述车标候选区域后，该方法进一步包括：根据所述车标候选区域的坐标，将所有的所述车标候选区域映射到所述原始图像中，得到所述车标候选区域在所述原始图像中的实际区域，并分割出所述实际区域；
参与所述遍历的所述车标候选区域为所述实际区域。
5.如权利要求1所述的车标定位识别方法，其特征在于，所述提取出所述车标模版库中各种样本图片的gabor特征，包括：采用预先约定的分块方法对所述车标模版库中各种车标的样本图片进行分块处理；提取出每一块的gabor特征；
所述采用所述级联分类器遍历每一个所述车标候选区域，若该车标候选区域中能检测出车标，则将该车标作为识别结果，包括：
采用所述预先约定的分块方法对所述车标候选区域进行分块处理；
提取所述车标候选区域所划分得到的每一块的gabor特征；
计算所述车标候选区域与每一种车标的样本图片被划分得到的对应块之间的欧式距离；
采用所述级联分类器对得到的所有所述欧式距离进行分类识别，若所述欧式距离位于预设精度内，则将所述欧式距离对应的所述车标作为识别结果。
6.如权利要求1-5任意一项所述的车标定位识别方法，其特征在于，该方法进一步包括：
保存能够检测出车标的所述车标候选区域；
以所述车标模版库中的各种样本图片为训练集，生成支持向量机svm分类器；
采用所述svm分类器，对保存的所述车标候选区域进行匹配识别，并将与所述车标候选区域的相似度大于预设阈值的所述车标作为所述识别结果。
7.车标定位识别系统，其特征在于，包括：车标模板库，用于存储各种车标的样本图片；级联分类器生成模块，用于提取出所述车标模版库中各种样本图片的gabor特征，并采用adaboost算法，生成具有所述gabor特征的级联分类器；
该系统还包括：
采集模块，用于采集车辆的原始图像；
车标定位模块，用于对所述原始图像进行形态学预处理，并在所述形态学预处理得到的图像上定位出所有车标候选区域；
车标识别模块，用于采用所述级联分类器遍历每一个所述车标候选区域，若该车标候选区域中能检测出车标，则将该车标作为识别结果。
8.如权利要求7所述的车标定位识别系统，其特征在于，该系统进一步包括下采样模块，用于对所述原始图像进行下采样；
所述车标定位模块，包括：灰度化子模块，用于对下采样之后的原始图像进行灰度化处理，得到灰度图像；边缘检测子模块，用于对所述灰度图像进行边缘检测，得到边缘图像；二值化子模块，用于对所述边缘图像进行二值化处理，得到所有的所述车标候选区域。
9.如权利要求8所述的车标定位识别系统，其特征在于，该系统进一步包括：映射模块，用于根据所述车标候选区域的坐标，将所有的所述车标候选区域映射到所述原始图像中，得到所述车标候选区域在所述原始图像中的实际区域；分割模块，用于从所述原始图像中分割出所述实际区域；
所述车标识别模块，用于采用所述级联分类器遍历每一个所述实际区域，若该实际区域中能检测出车标，则将该车标作为识别结果。
10.如权利要求7-9任意一项所述的车标定位识别系统，其特征在于，该系统还包括：
存储模块，用于保存能够检测出车标的所述车标候选区域；
支持向量机生成模块，用于以所述车标模版库中的各种样本图片为训练集，生成支持向量机svm分类器；
二次识别模块，用于采用所述svm分类器，对保存的所述车标候选区域进行匹配识别，并将与所述车标候选区域的相似度大于预设阈值的所述车标作为所述识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310020982.6A CN103077407B (zh) | 2013-01-21 | 2013-01-21 | 车标定位识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310020982.6A CN103077407B (zh) | 2013-01-21 | 2013-01-21 | 车标定位识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103077407A true CN103077407A (zh) | 2013-05-01 |
| CN103077407B CN103077407B (zh) | 2017-05-17 |
Family
ID=48153931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310020982.6A Expired - Fee Related CN103077407B (zh) | 2013-01-21 | 2013-01-21 | 车标定位识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103077407B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156692A (zh) * | 2014-07-07 | 2014-11-19 | 叶茂 | 基于进气格栅定位的汽车车标样本训练及识别方法 |
| CN104331691A (zh) * | 2014-11-28 | 2015-02-04 | 深圳市捷顺科技实业股份有限公司 | 一种车标分类器训练方法、车标识别方法及装置 |
| CN104463238A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法和系统 |
| CN104463135A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车标识别方法和系统 |
| CN104504398A (zh) * | 2014-12-31 | 2015-04-08 | 深圳市捷顺科技实业股份有限公司 | 车标识别方法及车标识别装置 |
| CN105160340A (zh) * | 2015-08-31 | 2015-12-16 | 桂林电子科技大学 | 一种车辆品牌识别系统及方法 |
| CN105448095A (zh) * | 2014-06-03 | 2016-03-30 | 杭州海康威视数字技术股份有限公司 | 一种黄标车检测方法和装置 |
| CN105469046A (zh) * | 2015-11-23 | 2016-04-06 | 电子科技大学 | 基于pca和surf特征级联的车辆车型识别方法 |
| CN105809181A (zh) * | 2014-12-31 | 2016-07-27 | 阿里巴巴集团控股有限公司 | 用于Logo检测的方法和设备 |
| CN105844286A (zh) * | 2016-03-11 | 2016-08-10 | 博康智能信息技术有限公司 | 新增车标的识别方法和装置 |
| CN105930803A (zh) * | 2016-04-22 | 2016-09-07 | 北京智芯原动科技有限公司 | 一种基于Edge Boxes的前车检测方法及装置 |
| CN107045642A (zh) * | 2017-05-05 | 2017-08-15 | 广东工业大学 | 一种车标图像识别方法及装置 |
| WO2017143973A1 (zh) * | 2016-02-25 | 2017-08-31 | 中兴通讯股份有限公司 | 文本识别模型建立方法和装置 |
| CN107133610A (zh) * | 2017-06-01 | 2017-09-05 | 电子科技大学 | 一种复杂路况下行车流量视觉检测与计数方法 |
| CN110598550A (zh) * | 2019-08-08 | 2019-12-20 | 横琴善泊投资管理有限公司 | 一种基于多层信息智能分析的车辆联网识别系统 |
| CN110633751A (zh) * | 2019-09-17 | 2019-12-31 | 上海眼控科技股份有限公司 | 车标分类模型的训练方法、车标识别方法、装置及设备 |
| CN112585531A (zh) * | 2018-08-31 | 2021-03-30 | 索尼公司 | 成像设备、成像系统、成像方法和成像程序 |
| US11889177B2 (en) | 2018-08-31 | 2024-01-30 | Sony Semiconductor Solutions Corporation | Electronic device and solid-state imaging device |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080002856A1 (en) * | 2006-06-14 | 2008-01-03 | Honeywell International Inc. | Tracking system with fused motion and object detection |
| CN101339601A (zh) * | 2008-08-15 | 2009-01-07 | 张擎宇 | 一种基于sift算法的车牌汉字识别方法 |
| CN101937508A (zh) * | 2010-09-30 | 2011-01-05 | 湖南大学 | 一种基于高清图像的车牌定位与识别方法 |
| CN102419820A (zh) * | 2011-08-18 | 2012-04-18 | 电子科技大学 | 一种快速检测视频与图像中汽车车标的方法 |
-
2013
- 2013-01-21 CN CN201310020982.6A patent/CN103077407B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080002856A1 (en) * | 2006-06-14 | 2008-01-03 | Honeywell International Inc. | Tracking system with fused motion and object detection |
| CN101339601A (zh) * | 2008-08-15 | 2009-01-07 | 张擎宇 | 一种基于sift算法的车牌汉字识别方法 |
| CN101937508A (zh) * | 2010-09-30 | 2011-01-05 | 湖南大学 | 一种基于高清图像的车牌定位与识别方法 |
| CN102419820A (zh) * | 2011-08-18 | 2012-04-18 | 电子科技大学 | 一种快速检测视频与图像中汽车车标的方法 |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105448095A (zh) * | 2014-06-03 | 2016-03-30 | 杭州海康威视数字技术股份有限公司 | 一种黄标车检测方法和装置 |
| CN105448095B (zh) * | 2014-06-03 | 2017-11-17 | 杭州海康威视数字技术股份有限公司 | 一种黄标车检测方法和装置 |
| CN104156692A (zh) * | 2014-07-07 | 2014-11-19 | 叶茂 | 基于进气格栅定位的汽车车标样本训练及识别方法 |
| CN104331691A (zh) * | 2014-11-28 | 2015-02-04 | 深圳市捷顺科技实业股份有限公司 | 一种车标分类器训练方法、车标识别方法及装置 |
| CN104463238A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法和系统 |
| CN104463135A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车标识别方法和系统 |
| CN104463135B (zh) * | 2014-12-19 | 2018-08-17 | 深圳市捷顺科技实业股份有限公司 | 一种车标识别方法和系统 |
| CN104463238B (zh) * | 2014-12-19 | 2017-12-01 | 深圳市捷顺科技实业股份有限公司 | 一种车标识别方法和系统 |
| CN104504398A (zh) * | 2014-12-31 | 2015-04-08 | 深圳市捷顺科技实业股份有限公司 | 车标识别方法及车标识别装置 |
| CN105809181B (zh) * | 2014-12-31 | 2019-06-11 | 阿里巴巴集团控股有限公司 | 用于Logo检测的方法和设备 |
| CN105809181A (zh) * | 2014-12-31 | 2016-07-27 | 阿里巴巴集团控股有限公司 | 用于Logo检测的方法和设备 |
| CN104504398B (zh) * | 2014-12-31 | 2017-12-01 | 深圳市捷顺科技实业股份有限公司 | 车标识别方法及车标识别装置 |
| CN105160340A (zh) * | 2015-08-31 | 2015-12-16 | 桂林电子科技大学 | 一种车辆品牌识别系统及方法 |
| CN105469046A (zh) * | 2015-11-23 | 2016-04-06 | 电子科技大学 | 基于pca和surf特征级联的车辆车型识别方法 |
| CN105469046B (zh) * | 2015-11-23 | 2018-09-07 | 电子科技大学 | 基于pca和surf特征级联的车辆车型识别方法 |
| CN107122785A (zh) * | 2016-02-25 | 2017-09-01 | 中兴通讯股份有限公司 | 文本识别模型建立方法和装置 |
| WO2017143973A1 (zh) * | 2016-02-25 | 2017-08-31 | 中兴通讯股份有限公司 | 文本识别模型建立方法和装置 |
| CN105844286A (zh) * | 2016-03-11 | 2016-08-10 | 博康智能信息技术有限公司 | 新增车标的识别方法和装置 |
| CN105930803A (zh) * | 2016-04-22 | 2016-09-07 | 北京智芯原动科技有限公司 | 一种基于Edge Boxes的前车检测方法及装置 |
| CN107045642A (zh) * | 2017-05-05 | 2017-08-15 | 广东工业大学 | 一种车标图像识别方法及装置 |
| CN107133610A (zh) * | 2017-06-01 | 2017-09-05 | 电子科技大学 | 一种复杂路况下行车流量视觉检测与计数方法 |
| CN112585531A (zh) * | 2018-08-31 | 2021-03-30 | 索尼公司 | 成像设备、成像系统、成像方法和成像程序 |
| US11595608B2 (en) | 2018-08-31 | 2023-02-28 | Sony Corporation | Imaging apparatus, imaging system, imaging method, and imaging program including sequential recognition processing on units of readout |
| US11704904B2 (en) | 2018-08-31 | 2023-07-18 | Sony Corporation | Imaging apparatus, imaging system, imaging method, and imaging program |
| US11741700B2 (en) | 2018-08-31 | 2023-08-29 | Sony Corporation | Imaging apparatus, imaging system, imaging method, and imaging program |
| US11763554B2 (en) | 2018-08-31 | 2023-09-19 | Sony Corporation | Imaging apparatus, imaging system, imaging method, and imaging program |
| US11889177B2 (en) | 2018-08-31 | 2024-01-30 | Sony Semiconductor Solutions Corporation | Electronic device and solid-state imaging device |
| CN110598550A (zh) * | 2019-08-08 | 2019-12-20 | 横琴善泊投资管理有限公司 | 一种基于多层信息智能分析的车辆联网识别系统 |
| CN110633751A (zh) * | 2019-09-17 | 2019-12-31 | 上海眼控科技股份有限公司 | 车标分类模型的训练方法、车标识别方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103077407B (zh) | 2017-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103077407A (zh) | 车标定位识别方法及系统 | |
| CN103093201B (zh) | 车标定位识别方法及系统 | |
| CN105930791B (zh) | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 | |
| CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
| US8509526B2 (en) | Detection of objects in digital images | |
| CN105335702B (zh) | 一种基于统计学习的卡口车型识别方法 | |
| Ohgushi et al. | Road obstacle detection method based on an autoencoder with semantic segmentation | |
| CN103310231A (zh) | 车标定位与识别方法 | |
| CN102364496A (zh) | 一种基于图像分析的汽车车牌自动识别方法及系统 | |
| CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
| CN103207998A (zh) | 一种基于支持向量机的车牌字符分割方法 | |
| CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
| CN103886089B (zh) | 基于学习的行车记录视频浓缩方法 | |
| CN103093229B (zh) | 车标定位方法及装置 | |
| CN111091023A (zh) | 一种车辆检测方法、装置及电子设备 | |
| CN105404868A (zh) | 一种基于交互平台的复杂背景中文本的快速检测方法 | |
| CN103065144A (zh) | 车标识别方法及装置 | |
| Chen et al. | Robust vehicle detection and viewpoint estimation with soft discriminative mixture model | |
| CN111435421A (zh) | 一种面向交通目标的车辆重识别方法和装置 | |
| CN113128476A (zh) | 一种基于计算机视觉目标检测的低功耗实时头盔检测方法 | |
| CN114998815A (zh) | 一种基于视频分析的交通车辆识别追踪方法及系统 | |
| Seraj et al. | The implications of weather and reflectivity variations on automatic traffic sign recognition performance | |
| CN103093206A (zh) | 车标识别方法及装置 | |
| CN105335758A (zh) | 一种基于视频费舍尔向量描述符的车型识别方法 | |
| CN112364687A (zh) | 一种基于改进的Faster R-CNN加油站静电标志识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170517 Termination date: 20200121 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |