CN104182728A - 一种基于模式识别的车标自动定位与识别方法 - Google Patents

Abstract

本发明提供了一种基于模式识别的车标自动定位与识别方法，及其在计算机视觉领域的应用。首先利用车牌检测与识别技术，获取车牌的大小与位置，从而根据车牌与车标的相对位置的先验知识，进行车标的初定位，其次利用基于Haar特征的Adaboost算法进行车标的二次定位，得到若干疑似车标的区域，再次利用基于HOG特征的SVM算法对疑似车标区域进行筛选，选取具有最大置信度的区域作为车标定位结果，最后利用基于HOG特征的SVM算法进行车标的识别。该方法通过三次车标定位，有效地提高了车标定位的精度和车标识别的准确性，并且易于对新的车标种类进行扩展。

Description

一种基于模式识别的车标自动定位与识别方法

技术领域

本发明属于计算机视觉领域，特别涉及一种基于模式识别的车标自动定位与识别方法。

技术背景

随着高清视频监控的普及，公安对车辆的管理变得越来越方便，抓拍到的过车数据，除了能看清车辆牌照外，还能看清车辆厂家标识、车辆类型、车身颜色、甚至驾驶员的面部特征，这对公安人员破案提供了极大的便利。然而，由于过车数据非常庞大，公安人员想要从海量数据中搜索目标车辆并非易事，需要耗费大量的人力物力。基于计算机视觉技术的车辆特征识别技术能够非常有效地解决这样的问题，而本发明所涉及的车标识别就属于车辆特征识别技术中的非常重要的技术。

传统的车标定位技术常采用梯度、纹理、边缘并结合形态学处理进行定位，然而由于车标往往位于排气散等位置附近，这些位置往往也具有丰富的纹理特征，因此传统的车标定位技术准确性较差；而传统的车标识别技术常采用模板匹配的方法，该方法的准确性依赖于模板的制作。

在此背景下，本发明提供了一种基于模式识别技术的车标自动定位与识别方法，该方法有效地解决了传统方法车标定位与识别准确性不高的问题。

发明内容

本发明的目的是为了解决传统车标定位与识别方法由于技术路线限制，导致定位与识别精度不高的问题，提出了一种基于模式识别技术的车标自动定位与识别技术，本发明的技术特征如下：

(1)、利用车牌检测与识别技术，得到车牌的大小与位置，利用车标通常位于车牌的正上方，且位于车牌中轴线上的先验知识，以车牌的尺寸作为基准，用行平均跳变数进行判断，选取一定大小的区域，作为车标初定位的区域，为了得到更准确的结果，可根据实际情况对上述参数进行调整。

(2)、按照车标的长宽比进行分类，利用基于Haar特征的Adaboost算法训练多个车标特征库(特征库个数等于按长宽比分类后的车标种类数)，然后对车标初定位区域进行车标检测，得到若干疑似车标的区域。

(3)、计算疑似车标区域的HOG特征，并利用线性SVM进行筛选，得到疑似区域的置信度，选取置信度最大的区域作为车标精确定位结果。

(4)、计算车标区域的HOG特征，并利用线性SVM进行识别。

附图说明

图1是本发明的基本流程图；

图2是本发明的初定位算法流程图；

图3是本发明的行平均跳变数算法流程图；

具体实施方式

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，所描述的实施例仅仅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做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。

基于模式识别的车标自动定位与识别方法具体实施方式如下：

1、采用车牌检测与识别技术输出车牌位置和大小，可表示为(x，y，w，h)，x-车牌左上角x坐标，y-车牌左上角y坐标，w-车牌宽度，h-车牌高度。由于车牌检测与识别技术作为车辆特征检测中最重要的技术，因此作为车辆特征检测系统中的成员之一，车标检测与识别技术可以将车牌检测与识别技术输出的车牌信息作为输入，不但可以有效地提高算法的准确性，而且可以大大减少算法的复杂度。

2、车标的初次定位。利用车标通常位于车牌的正上方，且位于车牌中轴线上的先验知识，可以根据车牌位置和大小初步确定车标所在的区域。本发明以2个车牌高度、1.5个车牌宽度为单位，0.5个车牌高度为步长向上平移，计算区域内的水平垂直跳变数，如果行平均跳变数过小，继续向上平移，直到满足要求为止，共平移次数为3次，如果3次都不满足要求，则将3个区域一起作为初定位结果。为了得到更准确的结果，可根据实际情况对上述参数进行调整。

3、行平均跳变数的计算方法。首先用sobel算子分别计算水平梯度和垂直梯度，以0.5的系数进行加权求和，然后用OTSU算法提取前景，最后按行水平扫描，统计前景像素点变化的次数，并除以区域高度，即为行平均跳变数。

4、车标的二次定位。为了便于特征库的训练，有效地减少特征库的数量，将车标按照长宽比进行分类，如大众、东风日产、本田、别克等按1∶1标定分类，起亚、福特、比亚迪、现代等5∶3标定分类，奥迪、雪弗兰等按2∶1标定分类。利用基于Haar特征的Adaboost算法训练多个车标特征库(特征库个数等于按长宽比分类后的车标种类数)，然后对车标初定位区域进行车标检测，得到若干疑似车标的区域。

5、车标的精确定位。由于车标二次定位会得到若干疑似车标区域，为了更加精确地定位，本发明采用Hog+SVM对若干疑似车标区域进行筛选，取置信度最高的区域作为最终的车标区域。同二次定位的思路一样，按车标长宽比训练不同的特征库，为了提高精度，训练样本从车标二次定位得到的若干疑似区域获取。

6、车标的识别。本发明采用Hog+SVM来对车标进行识别，由于车标检测中已经利用车标的长宽比分类，因此车标的识别只需在同一类别中进行即可，大大地减少了SVM识别的类别数。

本发明采用模式识别技术进行车标的定位与识别，通过车标的三次定位，有效地提高了定位的精度，并按长宽比分类决策，大大地提高了识别的准确率。

Claims (5)

1.一种基于模式识别的车标自动定位与识别方法，其特征在于利用车牌检测与识别技术，获取车牌的大小与位置，从而根据车牌与车标的相对位置，进行车标的初定位；其次利用基于Haar特征的Adaboost算法进行车标检测，得到若干疑似车标的区域；再次利用基于HOG特征的SVM算法对疑似车标区域进行筛选，选取置信度最大的区域作为车标定位结果；其特征在于利用基于HOG特征的SVM算法进行车标的识别。

2.根据权利要求1所述的方法，其特征在于利用车牌检测与识别技术，得到车牌的大小与位置，利用车标通常位于车牌的正上方，且位于车牌中轴线上的先验知识，以车牌的尺寸作为基准，用行平均跳变数进行判断，选取一定大小的区域，作为车标初定位的区域，为了得到更准确的结果，可根据实际情况对上述参数进行调整。

3.根据权利要求1所述的方法，其特征在于按照车标的长宽比进行分类，利用基于Haar特征的Adaboost算法训练多个车标特征库，特征库个数等于按长宽比分类后的车标种类数；然后对车标初定位区域进行车标检测，得到若干疑似车标的区域。

4.根据权利要求1所述的方法，其特征在于计算疑似车标区域的HOG特征，并利用线性SVM进行筛选，得到疑似区域的置信度，选取置信度最大的区域作为车标精确定位结果。

5.根据权利要求1所述的方法，其特征在于计算车标区域的HOG特征，并利用线性SVM进行识别。