CN103093201B - 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
- CN103093201B CN103093201B CN201310020981.1A CN201310020981A CN103093201B CN 103093201 B CN103093201 B CN 103093201B CN 201310020981 A CN201310020981 A CN 201310020981A CN 103093201 B CN103093201 B CN 103093201B
- Authority
- CN
- China
- Prior art keywords
- point set
- logo
- vehicle
- car
- feature point
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012706 support-vector machine Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims description 23
- 230000000877 morphologic effect Effects 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims 2
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 7
- 238000002360 preparation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (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；采用fast算法，提取出所述车标模版库中每一种车标的样本图片的特征点集；以所述特征点集为训练集，生成支持向量机svm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fast算法，提取出所述所有车标候选区域的待识别特征点集；采用所述svm分类器，对所述待识别特征点集进行匹配识别，并将与所述待识别特征点集相匹配的所述特征点集对应的车标作为识别结果。
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；采用fast算法，提取出所述车标模版库中每一种车标的样本图片的特征点集；以所述特征点集为训练集，生成支持向量机svm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fast算法，提取出所述所有车标候选区域的待识别特征点集；
采用所述svm分类器，对所述待识别特征点集进行匹配识别，并将与所述待识别特征点集相匹配的所述特征点集对应的车标作为识别结果。
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，且所述车标候选区域为边缘密度较邻边区域较大的区域。
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；
参与所述待识别特征点集的提取的所述车标候选区域为所述实际区域。
优选地，在所述分割出所述实际区域之后，以及在进行对所述实际区域进行所述待识别特征点集的提取之前，该方法进一步包括：
采用基于车牌矫正的方法对所述实际区域进行位置矫正；
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。
优选地，所述采用fast算法，提取出所述所有车标候选区域的待识别特征点集，包括：
采用fast算法，对所述车标候选区域中的角点进行粗提取；
利用海森矩阵去除提取的所有所述角点中不稳定的边缘点，得到所述待识别特征点集。
优选地，所述与所述待识别特征点集相匹配的所述特征点集，包括：与所述待识别特征点集的相似度大于预设阈值的所述特征点集。
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；svm分类器生成模块，用于采用fast算法，提取出所述车标模版库中每一种车标的样本图片的特征点集；并以所述特征点集为训练集，生成支持向量机svm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fast算法，提取出所述所有车标候选区域的待识别特征点集；采用所述svm分类器，对所述待识别特征点集进行匹配识别，并将与所述待识别特征点集相匹配的所述特征点集对应的车标作为识别结果。
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fast算法，提取出所有所述实际区域的待识别特征点集；采用所述svm分类器，对所述待识别特征点集进行匹配识别，并将与所述待识别特征点集相匹配的所述特征点集对应的车标作为识别结果。
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，进而采用fast算法，提取出车标模版库中每一种车标的样本图片的特征点集，并以所述特征点集为训练集，生成支持向量机svm分类器；上述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svm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fast算法提取出所有车标候选区域的待识别特征点集，并采用上述svm分类器对待识别特征点集进行匹配识别，进而将与所述待识别特征点集相匹配的所述特征点集对应的车标作为识别结果；综上，本发明提供的车标定位识别方法及系统，通过采用fast算法提取出样本图片的特征点集，并采用svm分类器对这些特征点集进行分类，进而采用该svm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4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；采用fast算法，提取出所述车标模版库中每一种车标的样本图片的特征点集；以所述特征点集为训练集，生成支持向量机svm分类器；
其中，上述步骤S101为车标定位识别的准备工作，需要预先采用fast算法提取出各种车标的样本图片的特征点集，并采用svm分类器对这些特征点集进行分类；
下面则采用上述形成的svm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fast算法，提取出所述所有车标候选区域的待识别特征点集；
步骤S104：采用所述svm分类器，对所述待识别特征点集进行匹配识别，并将与所述待识别特征点集相匹配的所述特征点集对应的车标作为识别结果。
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，进而采用fast算法，提取出车标模版库中每一种车标的样本图片的特征点集，并以所述特征点集为训练集，生成支持向量机svm分类器；上述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svm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fast算法提取出所有车标候选区域的待识别特征点集，并采用上述svm分类器对待识别特征点集进行匹配识别，进而将与所述待识别特征点集相匹配的所述特征点集对应的车标作为识别结果；
综上，本发明实施例一提供的车标定位识别方法，通过采用fast算法提取出样本图片的特征点集，并采用svm分类器对这些特征点集进行分类，进而采用该svm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fast算法，对所述车标候选区域中的角点进行粗提取；
步骤203：利用海森矩阵去除提取的所有所述角点中不稳定的边缘点，得到所述待识别特征点集；
步骤204：以所述特征点集为训练集，生成支持向量机svm分类器；
也就是说，生成了具有特征点集的支持向量机svm分类器；
上述步骤201-204完成了对车标的样本图片的特征点集提取并根据该特征点集生成svm分类器的过程，下面则利用该svm分类器进行车标识别；具体地，
步骤205：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206：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207：对所述灰度图像进行边缘检测，得到所有的车标候选区域；
优选地，边缘检测采用sobel算子，而且所述车标候选区域为边缘密度较邻边区域较大的区域；
步骤208：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209：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210：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211：采用fast算法，提取出所述所有车标候选区域的待识别特征点集；
具体地，步骤211中的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；
而且，提取该实际区域中的待识别特征点集的过程与上述步骤202、203的处理方法相同；
步骤212：采用所述svm分类器，对所述待识别特征点集进行匹配识别，并将与所述待识别特征点集的相似度大于预设阈值的所述特征点集对应的车标作为识别结果；
优选地，预设阈值可以为0.6；
本实施例提供的车标定位识别方法，采用fast算法提取出各种车标的样本图片的特征点集，并采用svm分类器对这些特征点集进行分类；进而利用分类形成的svm分类器对定位出的车标候选区域中提取出的待识别特征点集进行匹配，整个识别过程的运算量较小、抗噪能力较强，能够满足实时应用的要求；
而且，本实施例中，先根据车牌与车标的拓扑关系粗定位出车标所在的区域，进而根据边缘检测算法精定位出车标候选区域，使得车标的定位精度较高；
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，并从原始图像中分割出该实际区域，进而使用该实际区域参与车标的识别过程，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3，该系统包括：
车标模板库31，用于存储各种车标的样本图片；svm分类器生成模块32，用于采用fast算法，提取出所述车标模版库中每一种车标的样本图片的特征点集；并以所述特征点集为训练集，生成支持向量机svm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fast算法，提取出所述所有车标候选区域的待识别特征点集；采用所述svm分类器，对所述待识别特征点集进行匹配识别，并将与所述待识别特征点集相匹配的所述特征点集对应的车标作为识别结果。
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4，该系统包括：
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，车标识别模块47；具体地，
分类器模块41，包括：车标模板库411，第一提取子模块412，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；
第一提取子模块412，用于采用fast算法，对所述车标候选区域中的角点进行粗提取；并利用海森矩阵去除提取的所有所述角点中不稳定的边缘点，得到待识别特征点集；
分类器生成子模块413，用于以所述特征点集为训练集，生成支持向量机svm分类器；也就是说，采用支持向量机svm分类器对特征点集进行分类；
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；
车标识别模块47，包括：第二提取子模块471，识别子模块472；其中，
第二提取子模块471，用于采用fast算法，提取出所述所有车标候选区域的待识别特征点集；具体地，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；
识别子模块472，用于采用所述svm分类器，对所述待识别特征点集进行匹配识别，并将与所述待识别特征点集的相似度大于预设阈值的所述特征点集对应的车标作为识别结果。
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 (8)
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；采用fast算法，提取出所述车标模版库中每一种车标的样本图片的特征点集；以所述特征点集为训练集，生成支持向量机svm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fast算法，提取出所述所有车标候选区域的待识别特征点集；
采用所述svm分类器，对所述待识别特征点集进行匹配识别，并将与所述待识别特征点集相匹配的所述特征点集对应的车标作为识别结果；
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；
参与所述待识别特征点集的提取的所述车标候选区域为所述实际区域；
在所述分割出所述实际区域之后，以及在进行对所述实际区域进行所述待识别特征点集的提取之前，该方法进一步包括：
采用基于车牌矫正的方法对所述实际区域进行位置矫正；
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。
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，且所述车标候选区域为边缘密度较邻边区域较大的区域。
4.如权利要求1所述的车标定位识别方法，其特征在于，所述采用fast算法，提取出所述所有车标候选区域的待识别特征点集，包括：
采用fast算法，对所述车标候选区域中的角点进行粗提取；
利用海森矩阵去除提取的所有所述角点中不稳定的边缘点，得到所述待识别特征点集。
5.如权利要求1-4任意一项所述的车标定位识别方法，其特征在于，所述与所述待识别特征点集相匹配的所述特征点集，包括：与所述待识别特征点集的相似度大于预设阈值的所述特征点集。
6.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；svm分类器生成模块，用于采用fast算法，提取出所述车标模版库中每一种车标的样本图片的特征点集；并以所述特征点集为训练集，生成支持向量机svm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fast算法，提取出所述所有车标候选区域的待识别特征点集；采用所述svm分类器，对所述待识别特征点集进行匹配识别，并将与所述待识别特征点集相匹配的所述特征点集对应的车标作为识别结果；
图像还原模块，包括：映射子模块，分割子模块；其中，
映射子模块，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；
分割子模块，用于从所述原始图像上分割出所述实际区域；
图像调整模块包括：位置矫正子模块，归一化子模块；其中，
位置矫正子模块，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，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。
7.如权利要求6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，得到所有的所述车标候选区域。
8.如权利要求7所述的车标定位识别系统，其特征在于，
所述车标识别模块，用于采用fast算法，提取出所有所述实际区域的待识别特征点集；采用所述svm分类器，对所述待识别特征点集进行匹配识别，并将与所述待识别特征点集相匹配的所述特征点集对应的车标作为识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310020981.1A CN103093201B (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 |
|---|---|---|---|
| CN201310020981.1A CN103093201B (zh) | 2013-01-21 | 2013-01-21 | 车标定位识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103093201A CN103093201A (zh) | 2013-05-08 |
| CN103093201B true CN103093201B (zh) | 2015-12-23 |
Family
ID=48205749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310020981.1A Expired - Fee Related CN103093201B (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) | CN103093201B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295662A (zh) * | 2016-08-17 | 2017-01-04 | 广州中国科学院软件应用技术研究所 | 一种车标识别方法和系统 |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530622B (zh) * | 2013-11-07 | 2017-03-29 | 青岛海信网络科技股份有限公司 | 一种车辆车标识别方法 |
| 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 |
| 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 |
| KR101645517B1 (ko) * | 2015-04-01 | 2016-08-05 | 주식회사 씨케이앤비 | 특징점 추출 장치 및 방법과 이를 이용한 콘텐츠의 온라인 유통 현황 분석을 위한 이미지 매칭 시스템 |
| CN105205444A (zh) * | 2015-08-14 | 2015-12-30 | 合肥工业大学 | 一种基于点对特征的车标识别方法 |
| 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 |
| CN106650550A (zh) * | 2015-10-28 | 2017-05-10 | 中通服公众信息产业股份有限公司 | 一种融合车标与车头图像特征的车辆型号识别方法及系统 |
| CN105447490B (zh) * | 2015-11-19 | 2019-04-30 | 浙江宇视科技有限公司 | 基于梯度回归树的车辆关键点检测方法及装置 |
| CN105678304B (zh) * | 2015-12-30 | 2020-04-10 | 浙江宇视科技有限公司 | 一种车标识别方法及装置 |
| CN108122244B (zh) * | 2016-11-30 | 2022-02-01 | 浙江宇视科技有限公司 | 一种视频图像的视频测速方法及装置 |
| CN107316003B (zh) * | 2017-06-06 | 2019-10-15 | 银江股份有限公司 | 一种基于线性回归及结构张量的车标检测方法及系统 |
| CN110956847B (zh) * | 2019-12-20 | 2021-11-30 | 奇瑞汽车股份有限公司 | 车位的识别方法、装置及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4817166A (en) * | 1986-05-05 | 1989-03-28 | Perceptics Corporation | Apparatus for reading a license plate |
| CN101872416A (zh) * | 2010-05-06 | 2010-10-27 | 复旦大学 | 对道路图像进行车牌识别的方法和系统 |
-
2013
- 2013-01-21 CN CN201310020981.1A patent/CN103093201B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4817166A (en) * | 1986-05-05 | 1989-03-28 | Perceptics Corporation | Apparatus for reading a license plate |
| CN101872416A (zh) * | 2010-05-06 | 2010-10-27 | 复旦大学 | 对道路图像进行车牌识别的方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于FAST改进的快速角点探测算法;燕鹏等;《红外与激光工程》;20091231;第38卷(第6期);1104-1108,1115 * |
| 基于PCA和SVM的车标识别方法研究;童雯;《中国优秀硕士学位论文全文数据库信息科技辑》;20120915(第09期);14-16,52-59,68-70 * |
| 基于灰度方差和边缘密度的车牌定位算法;张浩鹏等;《仪器仪表学报》;20110531;第32卷(第5期);1095-1102 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295662A (zh) * | 2016-08-17 | 2017-01-04 | 广州中国科学院软件应用技术研究所 | 一种车标识别方法和系统 |
| CN106295662B (zh) * | 2016-08-17 | 2019-09-17 | 广州中国科学院软件应用技术研究所 | 一种车标识别方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103093201A (zh) | 2013-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103093201B (zh) | 车标定位识别方法及系统 | |
| CN103077407B (zh) | 车标定位识别方法及系统 | |
| CN108549864B (zh) | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 | |
| WO2019196130A1 (zh) | 面向车载热成像行人检测的分类器训练方法和装置 | |
| CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
| CN103679147A (zh) | 手机型号的识别方法与装置 | |
| CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
| Prates et al. | Brazilian license plate detection using histogram of oriented gradients and sliding windows | |
| CN104299009A (zh) | 基于多特征融合的车牌字符识别方法 | |
| Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
| CN110675442B (zh) | 一种结合目标识别技术的局部立体匹配方法及系统 | |
| CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
| CN110826415A (zh) | 一种场景图像中车辆的重识别方法及设备 | |
| CN111027544A (zh) | 一种基于视觉显著性检测的mser车牌定位方法及系统 | |
| CN103488966A (zh) | 一种能够识别实名制车票信息的智能手机 | |
| Khinchi et al. | A review on automatic number plate recognition technology and methods | |
| CN103886609A (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 | |
| Huang | Research on license plate image segmentation and intelligent character recognition | |
| Hasan et al. | Comparative analysis of vehicle detection in urban traffic environment using Haar cascaded classifiers and blob statistics | |
| CN113469179A (zh) | 一种图像识别方法、装置、电子设备以及存储介质 | |
| Deb et al. | Automatic vehicle identification by plate recognition for intelligent transportation system applications | |
| Satish et al. | Edge assisted fast binarization scheme for improved vehicle license plate recognition | |
| CN113449663B (zh) | 基于多态拟合的协同智能安防方法及装置 | |
| Huang | A novel video text extraction approach based on Log-Gabor filters | |
| CN111178158B (zh) | 一种骑车人检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151223 Termination date: 20200121 |