CN103559492A - 一种车标识别装置及方法 - Google Patents
一种车标识别装置及方法 Download PDFInfo
- Publication number
- CN103559492A CN103559492A CN201310560299.1A CN201310560299A CN103559492A CN 103559492 A CN103559492 A CN 103559492A CN 201310560299 A CN201310560299 A CN 201310560299A CN 103559492 A CN103559492 A CN 103559492A
- Authority
- CN
- China
- Prior art keywords
- car
- module
- mark
- identification
- car mark
- 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.)
- Pending
Links
Images
Abstract
本发明公开了一种车标识别装置及方法,该方案中识别装置包括视频采集模块、车标定位模块、车标识别模块和输出模块;而基于该识别装置实施的车标识方法,基于区域不变梯度特征的快速且鲁棒性较高。本发明提高了车标识别模块的速度和准确度,使其能够满足实时系统对计算时间和识别率的要求。
Description
技术领域
本发明涉及一种车辆识别技术,具体涉及车标识别技术。
背景技术
智能交通系统已经被证明是一种有效解决交通问题的方法。交通信息采集是智能交通系统的重要组成部分,在交通控制与管理、城市道路规划等方面发挥着重要作用。交通信息采集离不开对道路上车辆的检测。
随着汽车拥有量的快速增加,出现了一些套牌、倒牌现象,这对车辆检测和识别研究提出了更高的要求,在识别车牌号码的同时,通过车牌号码与车辆类型的一致性来鉴别是否是违章车辆。
车标作为车辆的一个显著特征,对车型识别起到了关键性的作用,车标识别系统是视频车辆检测的重要组成部分。目前,车标识别的方法主要有:基于模板匹配、基于像素分布、基于边缘直方图、基于边缘不变矩等方法。
利用边缘直方图、像素分布等识别方法因为车标没有进行归一化处理,所以针对一种车标要制作不同大小和角度的模板进行匹配识别,自适应性较差,同时随着车标数量的增加,需要更多的模板,识别准确率的衰减会很快,识别的速度显著降低,不能满足实时性的要求。
在典型的自动车标识别系统中,特征提取和识别一直是这一领域研究的热点,其中特征的提取和选择至关重要,它不仅直接影响后续分类器的设计和性能,而且关系到分类的可行性和分类识别系统的有效性。但在车标识别中,由于受到光照、噪声、形变、污损、形状相似以及遮挡等因素的影响,使得精准地进行车标识别变得十分困难,传统的特征提取和识别方法在上述情况下难以取得满意的效果。
尺度不变特征转换(Scale-invariant feature transform,简称SIFT特征)是一种计算机视觉的算法用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量,此算法由David Lowe在1999年所发表,2004年完善总结。SIFT特征是一种相似不变量,即对图像尺度变化和旋转是不变量。另外,由于构造SIFT特征时,在很多细节上进行了特殊处理,使得SIFT对图像的复杂变形和光照变化具有了较强的适应性。然而,传统的SIFT特征提取算法将图像分为4*4的子区域,并且把方向分为八个方向单元,这就导致了SIFT的特征向量有128维。另外,传统的SIFT特征提取的算法需要在每个子区域确定主方向,计算量较大,不适用于实时的系统。
发明内容
针对现有车标识别技术计算量大以及准确率不高的问题,本发明的目的在于提供一种车标识别方案,该方案能够满足实时系统对识别效率和识别准确率的要求。
为了达到上述目的,本发明采用如下的技术方案:
一种车标识别装置,包括视频采集模块和输出模块,其还包括车标定位模块和车标识别模块,所述车标定位模块与视频采集模块数据相接,根据视频采集模块采集的视频图像定位车标图像,所述车标识别模块与车标定位模块数据相接,对定位的车标图像进行分类识别;所述输出模块与车标识别模块数据相接,输出车标识别结果。
在识别装置的优选实例中,所述车标识别模块包括特征提取模块和分类识别模块,所述特征提取模块用于提取定位出的车标图像的区域不变梯度特征;所述分类识别模块与特征提取模块数据相接,利用学习分类器将特征提取模块提取出的区域不变梯度特征进行分类识别。
进一步的,所述学习分类器为基于支持向量机算法的学习分类器。
基于上述的车标识别装置,本发明还提供一种车标识别方法,该识别方法包括如下步骤:
(1)通过采集到的车头视频图像进行车标定位;
(2)提取定位出的车标图像的区域不变梯度特征;
(3)采用学习分类器,对提取的车标的区域不变梯度特征进行分类识别;
(4)输出车标识别的结果。
在识别方法的优选实例中,所述步骤(2)通过如下步骤实现:
(21)将定位到的车标图像在水平方向四等分,垂直方向二等分,由此把图像分为八个区域;
(22)计算车标图像中的每个像素的梯度值和梯度方向,并把梯度方向归类到8个方向单元中;
(23)分别统计八个区域中归到八个方向单位的像素的数量,产生一个8*8维的区域不变梯度特征向量。
通过上述方案形成的车标识别方案,基于区域不变梯度特征的快速且鲁棒性较高,能够有效提高车标识别的速度和准确度,使其能够满足实时系统对计算时间和识别率的要求。
再者,本方案在识别车标时,采用提取区域不变梯度特征的方法,从而有效的改善传统的SIFT特征运算量大的问题,提升了系统的运算速度且准确率也较高。
附图说明
以下结合附图和具体实施方式来进一步说明本发明。
图1为车标识别装置的组成结构框图;
图2为图1所示车标识别装置中车标识别模块的结构框图;
图3为车标识别装置进行车标识别的流程图;
图4为提取车标截图的区域不变梯度特征的流程图;
图5为车标截图等分示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
参见图1,其给出了一种车标识别装置的组成结构。由图可知,该车标识别装置包括视频采集模块01、车标定位模块02、车标识别模块03和输出模块04,这四个模块之间依次数据相接,形成车标识别装置。
其中,视频采集模块01用于采集车头视频图像,该视频图像包括车辆车标图像。具体的,该视频采集模块01采用单目的摄像头来采集车头视频,如现有的监视摄像头,并不限于监视摄像头,还可采用其它种类的摄像头。
车标定位模块02获取视频采集模块01采集到的视频图像,对该视频图像上的车标进行定位。该车标定位模块02具体可以使用现有的车标定位的方法,例如:基于纹理一致性的车标定位方法、利用车标垂直边缘能量的定位方法、基于PCA与不变矩的车标定位方法、基于能量增强和形态滤波的车标定位方法等。
车标识别模块03获取车标定位模块02准确定位出的车标图像,对该车标图像进行分类识别。
参见图2,其所示为车标识别模块03的组成结构图。由图可知该车标识别模块03主要由特征提取模块05和分类识别模块06相互连接组成。
特征提取模块05用于提取准确定位出的车标图像的区域不变梯度特征。
分类识别模块06采用学习分类器,对特征提取模块05提取的车标的区域不变梯度特征进行分类识别。
具体的,特征提取模块05提取车标的区域不变梯度特征的具体步骤如下:
1)、通过将定位到的车标图像在水平方向四等分,垂直方向二等分,把图像分为八个区域;
2)、计算车标图像中的每个像素的梯度值和梯度方向,并把梯度方向归类到8个方向单元中,并且该8个方向分别为0°、45°、90°、135°、180°、225°、270°和315°;
3)、分别统计八个区域中归到八个方向单位的像素的数量,产生一个8*8维的区域不变梯度特征向量。
而与特征提取模块05配合的分类识别模块06,其使用学习分类器将特征提取模块05中提取出的64维的区域不变梯度特征向量分类识别。优选的,分类识别模块06使用的学习分类器可以采用但不限于基于支持向量机(Support Vector Machine,简称SVM)算法的学习分类器,这样分类识别模块06在使用基于SVM算法的学习分类器时,可以利用已知的有效算法发现目标函数的全局最小值,有效避免使用其它分类方法(如基于人工神经网络的学习分类器)一般只能获得局部最优解的问题。
输出模块04获取车标识别模块03分类识别的结果,并输出显示。对于车标识别模块03分类识别的结果除了可以传输到输出模块04,也可以作为中间过程用于车型分类与识别系统。
参见图3,其所示为利用上述车标识别装置进行车标识别的流程图。该装置进行车标识别时,步骤(1),对采集到的视频图像车标定位,得到需要识别的车标的截图。具体可通过基于纹理一致性的车标定位方法、利用车标垂直边缘能量的定位方法、基于PCA与不变矩的车标定位方法、基于能量增强和形态滤波的车标定位方法等成熟的车标定位方法来实现。
步骤(2),对需要识别的车标的截图进行分类识别:首先,提取步骤(1)中所得到的车标截图的区域不变梯度特征;接着,使用机器学习分类器对提取到的区域不变梯度特征进行分类识别。
参见图4,其所示为提取车标截图的区域不变梯度特征的流程图。具体过程如下:
(21)将车标截图在水平方向四等分,垂直方向二等分,由此把图像分为八个区域(如图5所示);
(22)计算车标截图中的每个像素的梯度值和梯度方向,并把梯度方向归类到8个方向单元中,该8个方向分别为0°、45°、90°、135°、180°、225°、270°和315°;
(23)分别统计八个区域中归到八个方向单位的像素的数量,产生一个8*8维的区域不变梯度特征向量。
该步骤中的机器学习分类器具体采用预先训练好的支持向量机(SupportVector Machine,简称SVM)算法的学习分类器,其中,训练步骤为选取加标签的80类车标样本,提取上述步骤2)所述的特征作为输入,采用RBF核进行训练,得到训练参数。由此,采用基于SVM算法的学习分类器可以利用已知的有效算法发现目标函数的全局最小值。
步骤3,输出车标识别的结果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种车标识别装置,包括视频采集模块和输出模块,其特征在于,还包括车标定位模块和车标识别模块,所述车标定位模块与视频采集模块数据相接,根据视频采集模块采集的视频图像定位车标图像,所述车标识别模块与车标定位模块数据相接,对定位的车标图像进行分类识别;所述输出模块与车标识别模块数据相接,输出车标识别结果。
2.根据权利要求1所述的一种车标识别装置,其特征在于,所述车标识别模块包括特征提取模块和分类识别模块,所述特征提取模块用于提取定位出的车标图像的区域不变梯度特征;所述分类识别模块与特征提取模块数据相接,利用学习分类器将特征提取模块提取出的区域不变梯度特征进行分类识别。
3.根据权利要求2所述的一种车标识别装置,其特征在于,所述学习分类器为基于支持向量机算法的学习分类器。
4.一种车标识别方法,其特征在于,所述识别方法包括如下步骤:
(1)通过采集到的车头视频图像进行车标定位;
(2)提取定位出的车标图像的区域不变梯度特征;
(3)采用学习分类器,对提取的车标的区域不变梯度特征进行分类识别;
(4)输出车标识别的结果。
5.根据权利要求4所述的一种车标识别方法,其特征在于,所述步骤(2)通过如下步骤实现:
(21)将定位到的车标图像在水平方向四等分,垂直方向二等分,由此把图像分为八个区域;
(22)计算车标图像中的每个像素的梯度值和梯度方向,并把梯度方向归类到8个方向单元中;
(23)分别统计八个区域中归到八个方向单位的像素的数量,产生一个8*8维的区域不变梯度特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310560299.1A CN103559492A (zh) | 2013-11-12 | 2013-11-12 | 一种车标识别装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310560299.1A CN103559492A (zh) | 2013-11-12 | 2013-11-12 | 一种车标识别装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103559492A true CN103559492A (zh) | 2014-02-05 |
Family
ID=50013733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310560299.1A Pending CN103559492A (zh) | 2013-11-12 | 2013-11-12 | 一种车标识别装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103559492A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657732A (zh) * | 2015-03-06 | 2015-05-27 | 张起坤 | 一种集装箱箱号定位评测方法 |
CN105574490A (zh) * | 2015-12-10 | 2016-05-11 | 金鹏电子信息机器有限公司 | 基于车前灯图像特征的车辆品牌识别方法和系统 |
CN105740886A (zh) * | 2016-01-25 | 2016-07-06 | 宁波熵联信息技术有限公司 | 一种基于机器学习的车标识别方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930287A (zh) * | 2012-09-26 | 2013-02-13 | 上海理工大学 | 一种针对俯视行人的检测计数系统及方法 |
CN102930296A (zh) * | 2012-11-01 | 2013-02-13 | 长沙纳特微视网络科技有限公司 | 一种图像识别方法及装置 |
CN103077384A (zh) * | 2013-01-10 | 2013-05-01 | 北京万集科技股份有限公司 | 一种车标定位识别的方法与系统 |
-
2013
- 2013-11-12 CN CN201310560299.1A patent/CN103559492A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930287A (zh) * | 2012-09-26 | 2013-02-13 | 上海理工大学 | 一种针对俯视行人的检测计数系统及方法 |
CN102930296A (zh) * | 2012-11-01 | 2013-02-13 | 长沙纳特微视网络科技有限公司 | 一种图像识别方法及装置 |
CN103077384A (zh) * | 2013-01-10 | 2013-05-01 | 北京万集科技股份有限公司 | 一种车标定位识别的方法与系统 |
Non-Patent Citations (1)
Title |
---|
孙娟红: "车标识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657732A (zh) * | 2015-03-06 | 2015-05-27 | 张起坤 | 一种集装箱箱号定位评测方法 |
CN105574490A (zh) * | 2015-12-10 | 2016-05-11 | 金鹏电子信息机器有限公司 | 基于车前灯图像特征的车辆品牌识别方法和系统 |
CN105574490B (zh) * | 2015-12-10 | 2019-04-09 | 金鹏电子信息机器有限公司 | 基于车前灯图像特征的车辆品牌识别方法和系统 |
CN105740886A (zh) * | 2016-01-25 | 2016-07-06 | 宁波熵联信息技术有限公司 | 一种基于机器学习的车标识别方法 |
CN105740886B (zh) * | 2016-01-25 | 2019-03-12 | 杭州熵领科技有限公司 | 一种基于机器学习的车标识别方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A practical system for road marking detection and recognition | |
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 | |
Wu et al. | Rapid localization and extraction of street light poles in mobile LiDAR point clouds: A supervoxel-based approach | |
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN101339601B (zh) | 一种基于sift算法的车牌汉字识别方法 | |
CN108596165B (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及系统 | |
CN106447697B (zh) | 一种基于动平台的特定动目标快速跟踪方法 | |
CN105335702B (zh) | 一种基于统计学习的卡口车型识别方法 | |
WO2021115455A1 (zh) | 交通信息识别和智能行驶方法、装置、设备及存储介质 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN102915433B (zh) | 基于字符组合的车牌定位和识别方法 | |
Wang et al. | Bottle detection in the wild using low-altitude unmanned aerial vehicles | |
EP2813973B1 (en) | Method and system for processing video image | |
CN103136528A (zh) | 一种基于双边缘检测的车牌识别方法 | |
CN112825192B (zh) | 基于机器学习的对象辨识系统及其方法 | |
CN104537360A (zh) | 车辆未让行违章检测方法及其检测系统 | |
CN103310231A (zh) | 车标定位与识别方法 | |
CN104036241A (zh) | 一种车牌识别方法 | |
CN107993488A (zh) | 一种基于鱼眼相机的车位识别方法、系统及介质 | |
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 | |
CN105740886A (zh) | 一种基于机器学习的车标识别方法 | |
CN103544489A (zh) | 一种车标定位装置及方法 | |
CN104182728A (zh) | 一种基于模式识别的车标自动定位与识别方法 | |
CN103559492A (zh) | 一种车标识别装置及方法 | |
CN107358236A (zh) | 一种基于摄像装置的车牌号码识别系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140205 |