CN104217217B - 一种基于两层分类的车辆标志物检测方法与系统 - Google Patents
一种基于两层分类的车辆标志物检测方法与系统 Download PDFInfo
- Publication number
- CN104217217B CN104217217B CN201410442530.1A CN201410442530A CN104217217B CN 104217217 B CN104217217 B CN 104217217B CN 201410442530 A CN201410442530 A CN 201410442530A CN 104217217 B CN104217217 B CN 104217217B
- Authority
- CN
- China
- Prior art keywords
- vehicle mark
- image
- image block
- gradient
- training
- 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 47
- 239000013598 vector Substances 0.000 claims abstract description 167
- 238000012549 training Methods 0.000 claims abstract description 132
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 239000011521 glass Substances 0.000 claims abstract description 13
- 239000012491 analyte Substances 0.000 claims abstract description 11
- 239000003550 marker Substances 0.000 claims description 33
- 238000007637 random forest analysis Methods 0.000 claims description 22
- 239000012141 concentrate Substances 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000012372 quality testing Methods 0.000 claims description 5
- 241001270131 Agaricus moelleri Species 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于两层分类的车辆标志物检测方法,首先获取训练数据集中车挡风玻璃图像中的车辆标志物及背景,然后分别训练车辆标志物图像块检测器和车辆标志物图像块分类器;对测试图像,首先获取图像中的图像块的梯度特征向量,并用训练好的车辆标志物检测器获取候选车辆标志物图像块,然后对获取的候选车辆标志物图像块计算HOG特征向量、LBP特征向量和颜色直方图特征向量,并拼接成图像块的特征向量,并用训练好的车辆标志物分类器进行分类,得到车辆标志物的类别。本发明方法车辆标志物检测过程简单易行,检测准确率高,且检测速度快。
Description
技术领域
本发明属于计算机视觉技术领域,更具体地,涉及一种基于两层分类的车辆标志物检测方法与系统。
背景技术
随着道路上机动车辆的数量越来越多,交通肇事或以机动车为作案工具的案件越来越多,传统的车牌识别、车辆颜色识别等车辆身份识别方法虽然能够对排查嫌疑车辆起到很大的作用,但是这些方法无法更进一步的缩小排查范围,而且由于改变车辆颜色、套牌车等现象的存在,使得传统的车辆身份识别方法可能会漏掉嫌疑车辆,给案件侦破造成困难。车辆标志物是指车辆的挡风玻璃上的车辆年检标、遮阳板以及在挡风玻璃后面的车辆挂饰、纸巾盒等物品。车辆标志物检测技术以数字图像处理、模式识别、计算机视觉等技术为基础,要求能将年检标、遮阳板、挂饰、纸巾盒等标志物从车辆挡风玻璃的图像中检测出来,通过这些车辆标志物的信息,可以快速准确地找出嫌疑车辆,并且不会受到车辆外观变化的影响。
车辆标志物检测技术与其他车辆身份识别方式相比有很大的优势。首先是其可区分性:不同车辆的标志物在数量、外观、位置上都会有很大的不同,因此可以通过标志物的数量、位置等信息识别车辆的身份;然后是其位置不变性:车辆的年检标、遮阳板、挂饰等物品的位置是基本固定的,一般不会因车辆维修、外观变化等因素而改变,因而通过车辆标志物得到的车辆信息具有较高的可靠性。最后是车辆标志物图像采集的便利性:图像中的车辆标志物都是在车辆的挡风玻璃上,位置固定,方便拍照采集。
发明内容
本发明的目的在于提供一种基于两层分类的车辆标志物检测方法,该方法车辆标志物检测过程简单易行,并且检测准确率高。
为实现上述目的,本发明提供了一种基于两层分类的车辆标志物检测方法,包括下述步骤:
(1)训练用于检测车挡风玻璃图像中的标志物的车辆标志物图像块检测器:
(1.1)对训练图像集中的每张车挡风玻璃图像,获取该车挡风玻璃图像的车辆标志物区域和背景区域;
具体地,对给定的训练图像集,用人工标注的方法将训练图像集中的每张车挡风玻璃图像上的车辆标志物用矩形框标记出来,矩形框区域即为车辆标志物区域,车挡风玻璃图像的其他区域为背景区域,其中所述车挡风玻璃图像上的标志物包括年检标、遮阳板、挂饰、纸巾盒;
(1.2)对训练图像集中的每张车挡风玻璃图像,获取该车挡风玻璃图像对应的梯度图;
具体地,对给定的训练图像集的每张车挡风玻璃图像,首先将其转换为灰度图像,然后获取该灰度图像对应的梯度图,梯度图的宽度和高度都与灰度图像相同,且梯度图中每个像素点的值为灰度图像在该点处的梯度的绝对值,为一个0-255之间的整数;
(1.3)根据步骤(1.1)中获取的车挡风玻璃图像中的车辆标志物区域和步骤(1.2)中获取的车挡风玻璃图像对应的梯度图,获取每张车挡风玻璃图像中的车辆标志物的梯度特征向量:
(1.3.1)对在训练图像集中的车挡风玻璃图像中获取的车辆标志物区域,获取在梯度图中与之坐标相同的梯度子图;
(1.3.2)对获取的梯度子图进行缩放,使其宽度和高度均为8个像素,得到缩放后的梯度子图;
(1.3.3)将得到的缩放后的梯度子图转换为梯度特征向量,即将梯度子图中每个坐标点的值对应到梯度特征向量的某一维度上,作为梯度特征向量在该维度上的值,得到一个64维的梯度特征向量;
(1.4)训练随机森林分类器:
(1.4.1)对步骤(1.1)中获取的所有车辆标志物区域,计算梯度特征向量;
(1.4.2)在每张训练图像中的背景区域,随机抽取一定数量的尺度与车辆标志物相同的图像块,并计算每个图像块的梯度特征向量;
(1.4.3)以步骤(1.4.1)中获取的所有车辆标志物的梯度特征向量为正样本,以步骤(1.4.2)中获取的所有车辆背景图像块的梯度特征向量为负样本训练随机森林分类器,训练好的分类器即为车辆标志物检测器,该车辆标志物检测器可以检测出待识别图像块中的车辆标志物图像块。
(2)训练用于对车辆标志物进行分类的车辆标志物分类器:
(2.1)获取训练图像集的每张车挡风玻璃图像中车辆标志物区域图像块以及背景区域图像块,将其作为车辆标志物分类器的训练图像块集;
具体地,在训练图像集中通过人工标注的方法获取的所有年检标、遮阳板、挂饰及纸巾盒等车辆标志物区域图像块分别组成年检标图像块集、遮阳板图像块集、挂饰图像块集和纸巾盒图像块集,在训练图像集中每张训练图像中的背景区域中随机采集尺度为50×50的图像块,所有在背景区域采集的图像块作为车辆标志物分类器训练样本集中的背景图像块集,这样获取的年检标图像块集、遮阳板图像块集、挂饰图像块集、纸巾盒图像块集和背景图像块集就组成了车辆标志物分类器的训练图像块集;
(2.2)获取车辆标志物分类器训练图像块集中各个图像块的标志物特征向量;
(2.2.1)将训练图像块集中的每一个图像块进行尺度变换,使其宽度和高度均为50个像素;
(2.2.2)将尺度变换后的训练图像块均分为25个区域,每个区域的大小为10×10;
(2.2.3)对划分的第a个区域,计算其中每个像素点的方向梯度直方图(Histogramof oriented gradients,HOG)特征,记为hoga=[H1,H2,...,HM],其中M为预设的方向梯度直方图的区间个数,对划分的25个区域都计算其HOG特征向量,并将所有特征向量拼接起来,就得到训练图像块的HOG特征向量,即为hog=[hog1,hog2,...,hog25],hog特征向量是一个25×M维的向量;
(2.2.4)对划分的第a个区域,计算其中每个像素点的局部二值模式(LocalBinary Pattern,LBP)特征,对计算得到的所有LBP特征进行直方图统计,得到该区域的LBP特征向量,记为lbpa=[L1,L2,...,LP],其中P为预设的LBP特征向量的统计直方图的区间个数,对划分的25个区域都计算其LBP特征向量,并将所有的特征向量拼接起来,就得到训练图像块的LBP特征向量,即为lbp=[lbp1,lbp2,...,lbp25],lbp特征向量是一个25×P维的向量;
(2.2.5)对划分的第a个区域,分别对该区域内所有像素点的红、绿、蓝三个通道的灰度值做直方图统计,得到三个通道的统计直方图,分别记为ra=[R1,R2,...,RQ],ga=[G1,G2,...,GQ],ba=[B1,B2,...,BQ],其中Q为预设的红、绿、蓝三个通道的灰度值统计直方图的区间个数,将三个通道的统计直方图拼接起来,就可以得到该区域的颜色直方图特征,记为rgba=[ra,ga,ba],是一个3×Q的向量;对划分的25个区域都计算其颜色直方图特征,并将所有的特征向量拼接起来,就得到训练图像块的颜色直方图特征向量,即为rgb=[rgb1,rgb2,...,rgb25],是一个25×Q维的向量;
(2.2.6)将计算得到的训练图像块的HOG特征向量、LBP特征向量和颜色直方图特征向量拼接起来,就得到训练图像块的标志物特征向量,即为f=[hog,lbp,rgb];
(2.3)训练多类支持向量机分类器;
具体地,步骤(2.2)中获取的年检标特征集、遮阳板特征集、挂饰特征集、纸巾盒特征集和背景特征集作为多类支持向量机分类器的训练数据集训练多类支持向量机分类器,训练得到的多类支持向量机分类器作为对车辆标志物进行分类的车辆标志物分类器可以将不同的车辆标志物进行分类。
(3)获取待检测的车挡风玻璃图像中的的候选车辆标志物图像块:
(3.1)对待检测的车挡风玻璃图像,按照(1.2)步骤计算图像的梯度图;
(3.2)在待检测的车挡风玻璃图像上采集图像块,根据步骤(3.1)中得到的车挡风玻璃图像的梯度图获取图像块的梯度特征向量:
(3.2.1)对待检测的车挡风玻璃图像,按步长为1采集N种不同尺度图像块,图像块的尺度为其中N为预设的图像块尺度个数,i表示不同图像块尺度的索引值,Widi和Heii为预设的第i个缩放尺度Scalei的宽度和高度,为经验值;
(3.2.2)对采集的一个图像块,获取车挡风玻璃图像对应的梯度图上相同坐标区域的梯度子图;
(3.2.3)将获取的梯度子图进行尺度缩放,使其宽度和高度均为8个像素,并将其转换为梯度向量;
(3.2.4)对测试图像上采集的每一个图像块,都按照(3.2.2)到(3.2.3)步骤获取图像块的梯度特征向量;
(3.3)根据上述待检测的车挡风玻璃图像中采集的图像块的梯度特征向量;
具体地,利用步骤(1)中训练好的随机森林分类器对获取的图像块梯度特征向量进行分类,这样就将测试图像中的图像块分为车辆标志物和背景两种类别,其中被分为车辆标志物的图像块即为候选车辆标志物图像块。
(4)对待检测的车挡风玻璃图像中的候选车辆标志物图像块分类:
(4.1)获取待检测的车挡风玻璃图像中的候选车辆标志物图像块的标志物特征向量;
具体地,对获取的候选车辆标志物图像块,利用步骤(2.2)的方法计算标志物特征向量;
(4.2)获取候选图像块的分类结果:
具体地,利用步骤(2)中获取的多类支持向量机分类器对候选车辆标志物图像块的标志物特征向量进行分类,这样就将候选车辆标志物图像块分为年检标、遮阳板、挂饰、纸巾盒和背景5个类别,其中被分为年检标、遮阳板、挂饰和纸巾盒的图像块即为检测得到的车辆标志物图像块。
本发明公开了一种基于两层分类的车辆标志物检测方法,对于用户给定的一幅车挡风玻璃图像,本发明可以检测出车挡风玻璃图像中的车辆标志物,并对不同的车辆标志物进行分类。
对训练图像集中的车挡风玻璃图像,首先获取图像中的车辆标志物区域,然后获取车辆标志物图像块的梯度特征向量和HOG特征向量、LBP特征向量、颜色直方图特征向量,并用梯度特征向量训练线性支持向量机分类器作为车辆标志物图像块滤波器,用HOG特征向量、LBP特征向量和颜色直方图特征向量拼接成的图像块的标志物特征向量训练多类支持向量机分类器区分不同的车辆标志物。
对待检测的车挡风玻璃图像,首先在测试图像中采集图像块,并获取图像块的梯度特征向量,然后将图像块的梯度特征向量输入到车辆标志物图像块滤波器中获取候选的车辆标志物图像块,再计算候选车辆标志物图像块的HOG特征向量、LBP特征向量、颜色直方图特征向量,并拼接成候选车辆标志物图像块的标志物特征向量,最后将候选的车辆标志物图像块利用训练好的多类分类器进行分类,获取不同的车辆标志物。
按照本发明的另一方面,还提供了一种基于两层分类的车辆标志物检测系统,所述系统包括车辆标志物图像块检测器训练模块、车辆标志物分类器训练模块、候选车辆标志物图像块获取模块以及车辆标志物分类模块,其中:
所述系统包括车辆标志物图像块检测器训练模块、车辆标志物分类器训练模块、候选车辆标志物图像块获取模块以及车辆标志物分类模块,其中:
所述车辆标志物图像块检测器训练模块,用于训练检测车挡风玻璃图像中的标志物的车辆标志物图像块检测器,具体包括车辆标志物与背景区域获取子模块、车挡风玻璃图像梯度图计算子模块、车辆标志物与背景区域梯度特征向量计算子模块以及随机森林分类器训练子模块,其中:
所述车辆标志物与背景区域获取子模块,用于对训练图像集中的车挡风玻璃图像,获取车辆标志物在车挡风玻璃图像中的位置和大小信息,获取图像中的车辆标志物区域和背景区域;
所述车挡风玻璃图像梯度图计算子模块,用于计算车挡风玻璃图像对应的梯度图;
所述车辆标志物与背景区域梯度特征向量计算子模块,用于计算车辆标志物与背景区域的梯度特征向量;
所述随机森林分类器训练子模块,用于利用获取的车辆标志物与背景区域的梯度特征向量,训练随机森林分类器,训练得到的随机森林分类器作为检测车挡风玻璃图像中的标志物的车辆标志物图像块检测器;
所述车辆标志物分类器训练模块,用于训练对车辆标志物进行分类的车辆标志物分类器,具体包括车辆标志物与背景区域特征向量计算子模块以及车辆标志物分类器训练子模块,其中:
所述车辆标志物与背景区域特征向量计算子模块,用于计算训练图像集中获取的车辆标志物区域和背景区域的HOG特征向量、LBP特征向量和颜色直方图特征向量,并将上述三个特征向量拼接成图像块的标志物特征向量;
所述车辆标志物分类器训练子模块,用于利用车辆标志物区域和背景区域计算得到的HOG特征向量、LBP特征向量和颜色直方图特征向量拼接成的图像块的标志物特征向量训练多类支持向量机分类器;
所述候选车辆标志物图像块获取模块,用于利用训练好的车辆标志物图像块检测器获取候选车辆标志物图像块,具体包括车挡风玻璃图像梯度图计算子模块、图像块采集子模块、图像块梯度特征向量计算子模块以及候选车辆标志物图像块获取子模块,其中:
所述车挡风玻璃图像梯度图计算子模块,用于计算待检测的车挡风玻璃图像对应的梯度图;
所述图像块采集子模块,用于在待检测的车挡风玻璃图像上采集4种不同尺度的图像块;
所述图像块梯度特征向量计算子模块,用于计算待检测车挡风玻璃图像上采集的图像块的梯度特征向量;
所述候选车辆标志物图像块获取子模块,用于利用训练好的车辆标志物检测器获取候选的车辆标志物图像块;
所述车辆标志物分类模块,用于区分不同类别的车辆标志物,具体包括候选车辆标志物图像块的标志物特征向量计算子模块以及候选车辆标志物图像块分类器子模块,其中:
所述候选车辆标志物图像块的标志物特征向量计算子模块,用于计算获取的候选车辆标志物图像块的HOG特征向量、LBP特征向量和颜色直方图特征向量,并将上述三个特征向量拼接成图像块的标志物特征向量;
所述候选车辆标志物图像块分类子模块,用于利用车辆标志物分类器对候选车辆标志物图像块的标志物特征向量进行分类,得到候选车辆标志物图像块的分类结果。
通过本发明所构思的以上技术方案,与现有技术相比,本发明具有以下技术效果:
1.本发明方法对车辆标志物的检测,采用了使用两层分类器对图像块分类的方法:第一层分类器即为车辆标志物图像块检测器,用于将待检测的车挡风玻璃图像中采集的图像块中的背景图像块滤除掉,通过选取合适的阈值,可以准确的滤除掉大部分的背景图像块;第二层分类器为车辆标志物图像块分类器,用于将滤波后得到的候选车辆标志物图像块进行分类,得到最终的检测结果,即获取年检标、遮阳板、挂饰、纸巾盒等车辆标志物;这样通过两层分类的方法,可以准确的检测出车挡风玻璃上的车辆标志物;因此,本发明方法对车辆标志物的检测准确率高;
2.本发明方法训练车辆标志物图像块检测器中使用在训练图像中的背景区域获取的图像块为训练线性支持向量机分类器的负样本,在训练车辆标志物分类器中加入了从训练图像中采集的背景图像块作为背景类,这样就可以有效地降低图像噪声以及车挡风玻璃上的其他物品的影响;因此,本发明方法能够有效克服图像噪声以及无关物品的影响;
3.本发明方法对车辆标志物的检测,使用了两层分类器,其中第一层分类器中使用的图像块特征是非常简单的梯度特征,而且特征的维度很低,只有64维,因此特征计算速度和图像块分类速度都很快;第一层分类器能够检测出候选的车辆标志物图像块,并且滤除掉大部分的背景图像块,因此只有少数的候选车辆标志物图像块需要通过第二层分类器进行分类;因此,本发明方法对车辆标志物图像块的检测速度非常快。
附图说明
图1是本发明基于两层分类的车辆标志物检测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互结合。
如图1所示,本发明基于两层分类的车辆标志物检测方法包括以下步骤:
(1)训练用于检测车挡风玻璃图像中的标志物的车辆标志物图像块检测器:
(1.1)对训练图像集中的每张车挡风玻璃图像,获取该车挡风玻璃图像的车辆标志物区域和背景区域;
具体地,对给定的训练图像集,用人工标注的方法将训练图像集中的每张车挡风玻璃图像上的年检标、遮阳板、挂饰、纸巾盒等车辆标志物用矩形框标记出来,每一个标志物分别用一个矩形框标记,获取并保存所有矩形框的位置,矩形框区域即为车辆标志物区域,车挡风玻璃图像的其他区域为背景区域;
(1.2)对训练图像集中的每张车挡风玻璃图像,获取该车挡风玻璃图像对应的梯度图;
具体地,对给定的训练图像集的每张车挡风玻璃图像Itr,首先将其转换为灰度图像,记为Itrg,然后获取灰度图像Itrg的梯度图G,灰度图Itrg中某个坐标点(xg,yg)处的梯度值为
G(xg,yg)=|dxg+dyg|
dxg=(Itrg(xg+1,yg)-Itrg(xg-1,yg))/2
dyg=(Itrg(xg,yg+1)-Itrg(xg,yg-1))/2
其中Itrg(xg,yg)表示灰度图Itrg在坐标点(xg,yg)处的像素值,G(xg,yg)即为梯度图G在坐标点(xg,yg)处的值,对灰度图Itrg中每个点求梯度值,就可以得到训练图像集中车挡风玻璃图像的梯度图,梯度图中每个点的值均为0到255之间的整数。
(1.3)对训练图像集中的车挡风玻璃图像的车辆标志物区域,获取其梯度特征向量:
(1.3.1)对步骤(1.1)中获取的车辆标志物区域,获取在梯度图G中与之坐标相同的梯度子图SG;
(1.3.2)对获取的梯度子图SG进行缩放,使其宽度和高度均为8个像素,得到缩放后的梯度子图RSG;
(1.3.3)将得到的缩放后的梯度子图RSG转换为梯度向量VG,梯度向量VG中第vn维的值为VG(vn)=RSG(xn,yn),其中RSG(xn,yn)表示梯度子图RSG在坐标点(xn,yn)处的值,vn=xn+8×yn,这样就可以得到一个64维的向量VG,向量VG即为训练图像集中车挡风玻璃图像的标志物的梯度特征向量;
(1.4)训练随机森林分类器:
(1.4.1)对步骤(1.1)中获取的所有车辆标志物区域,按照步骤(1.3.1)到(1.3.3)的过程计算各个车辆标志物区域的梯度特征向量;
(1.4.2)在步骤(1.1)中获取的每张训练图像中的背景区域,随机抽取一定数量的尺度与车辆标志物相同的图像块,并按照步骤(1.3.1)到(1.3.3)的过程计算每个图像块的梯度特征向量;
(1.4.3)以步骤(1.4.1)中获取的所有车辆标志物的梯度特征向量为正样本,以步骤(1.4.2)中获取的所有车辆背景图像块的梯度特征向量为负样本训练随机森林分类器,训练好的分类器即为车辆标志物检测器,该车辆标志物检测器可以检测出待识别图像块中的车辆标志物图像块;
(2)训练用于对车辆标志物进行分类的车辆标志物分类器:
(2.1)获取训练图像集的每张车挡风玻璃图像中车辆标志物区域图像块以及背景区域图像块,将其作为车辆标志物分类器的训练图像块集;
具体地,在训练图像集中通过人工标注的方法获取的所有年检标、遮阳板、挂饰及纸巾盒等车辆标志物区域图像块分别组成年检标图像块集、遮阳板图像块集、挂饰图像块集和纸巾盒图像块集,在训练图像集中每张训练图像中的背景区域中随机采集尺度为50×50的图像块,所有在背景区域采集的图像块作为车辆标志物分类器训练样本集中的背景图像块集,这样获取的年检标图像块集、遮阳板图像块集、挂饰图像块集、纸巾盒图像块集和背景图像块集就组成了车辆标志物分类器的训练图像块集;
(2.2)获取车辆标志物分类器训练图像块集中各个图像块的标志物特征向量;
(2.2.1)将训练图像块集中的每一个图像块进行尺度变换,使其宽度和高度均为50个像素;
(2.2.2)将尺度变换后的训练图像块均分为25个区域,每个区域的大小为10×10;
(2.2.3)对划分的第a个区域,计算其中每个像素点的方向梯度直方图(Histogramof Oriented Gradients,HOG)特征,记为hoga=[H1,H2,...,HM],其中M为预设的方向梯度直方图的区间个数,对划分的25个区域都计算其HOG特征向量,并将所有特征向量拼接起来,就得到训练图像块的HOG特征向量,即为hog=[hog1,hog2,...,hog25],hog特征向量是一个25×M维的向量;
(2.2.4)对划分的第a个区域,计算其中每个像素点的局部二值模式(LocalBinary Pattern,LBP)特征,对计算得到的所有LBP特征进行直方图统计,得到该区域的LBP特征向量,记为lbpa=[L1,L2,...,LP],其中P为预设的LBP特征向量的统计直方图的区间个数,对划分的25个区域都计算其LBP特征向量,并将所有的特征向量拼接起来,就得到训练图像块的LBP特征向量,即为lbp=[lbp1,lbp2,...,lbp25],lbp特征向量是一个25×P维的向量;
(2.2.5)对划分的第a个区域,分别对该区域内所有像素点的红、绿、蓝三个通道的灰度值做直方图统计,得到三个通道的统计直方图,分别记为ra=[R1,R2,...,RQ],ga=[G1,G2,...,GQ],ba=[B1,B2,...,BQ],其中Q为预设的红、绿、蓝三个通道的灰度值统计直方图的区间个数,将三个通道的统计直方图拼接起来,就可以得到该区域的颜色直方图特征,记为rgba=[ra,ga,ba],是一个3×Q的向量;对划分的25个区域都计算其颜色直方图特征,并将所有的特征向量拼接起来,就得到训练图像块的颜色直方图特征向量,即为rgb=[rgb1,rgb2,...,rgb25],是一个25×Q维的向量;
(2.2.6)将计算得到的训练图像块的HOG特征向量、LBP特征向量和颜色直方图特征向量拼接起来,就得到训练图像块的标志物特征向量,即为f=[hog,lbp,rgb];
(2.3)训练多类支持向量机分类器;
具体地,将步骤(2.2)中计算得到的训练图像块集中所有图像块的特征向量作为多类支持向量机分类器的训练数据集训练多类支持向量机分类器,训练得到的多类支持向量机分类器作为对车辆标志物进行分类的车辆标志物分类器可以将不同的车辆标志物进行分类。
(3)获取待检测的车挡风玻璃图像中的候选车辆标志物图像块:
(3.1)计算待检测的车挡风玻璃图像的梯度图;
具体地,对待检测的车挡风玻璃图像Ite,按照(1.2)步骤计算图像的梯度图;
(3.2)在待检测的车挡风玻璃图像上采集图像块,根据步骤(3.1)中得到的车挡风玻璃图像的梯度图获取图像块的梯度特征向量:
(3.2.1)对待检测的车挡风玻璃图像Ite,按步长为1采集N种不同尺度图像块,图像块的尺度为其中N为预设的图像块尺度个数,i表示不同图像块尺度的索引值,Widi和Heii为预设的第i个缩放尺度Scalei的宽度和高度,为经验值;
(3.2.2)对采集的一个图像块,获取车挡风玻璃图像Ite对应的梯度图上相同坐标区域的梯度子图SGte;
(3.2.3)将获取的梯度子图SGte进行尺度缩放,使其宽度和高度均为8个像素,并将其转换为梯度向量VGte,梯度向量VGte中第vm维的值为VGte(vm)=SGte(xm,ym),其中SGte(xm,ym)表示梯度子图SGte在坐标点(xm,ym)处的值,vm=xm+8×ym,这样就可以得到一个64维的向量VGte,向量VGte即为待检测的车挡风玻璃图像上获取的图像块的梯度特征向量;
(3.2.4)对测试图像Ite上采集的每一个图像块,都按照(3.2.2)到(3.2.3)步骤获取图像块的梯度特征向量;
(3.3)根据上述待检测的车挡风玻璃图像中采集的图像块的梯度特征向量,获取候选的车辆标志物图像块;
具体地,利用步骤(1)中训练好的随机森林分类器对获取的图像块梯度特征向量进行分类,这样就将测试图像中的图像块分为车辆标志物和背景两种类别,其中被分为车辆标志物的图像块即为候选车辆标志物图像块。
(4)对待检测的车挡风玻璃图像中的候选车辆标志物图像块分类:
(4.1)获取待检测的车挡风玻璃图像中的候选车辆标志物图像块的标志物特征向量;
具体地,对获取的候选车辆标志物图像块,利用步骤(2.2)的方法计算标志物特征向量;
(4.2)获取候选图像块的分类结果;
具体地,利用步骤(2)中获取的多类支持向量机分类器对候选车辆标志物图像块的标志物特征向量进行分类,这样就将候选车辆标志物图像块分为年检标、遮阳板、挂饰、纸巾盒和背景5个类别,其中被分为年检标、遮阳板、挂饰和纸巾盒的图像块即为检测得到的车辆标志物图像块。
进一步地,本发明还提供了一种基于两层分类的车辆标志物检测系统,
所述系统包括车辆标志物图像块检测器训练模块、车辆标志物分类器训练模块、候选车辆标志物图像块获取模块以及车辆标志物分类模块,其中:
所述车辆标志物图像块检测器训练模块,用于训练检测车挡风玻璃图像中的标志物的车辆标志物图像块检测器,具体包括车辆标志物与背景区域获取子模块、车挡风玻璃图像梯度图计算子模块、车辆标志物与背景区域梯度特征向量计算子模块以及随机森林分类器训练子模块,其中:
所述车辆标志物与背景区域获取子模块,用于对训练图像集中的车挡风玻璃图像,获取车辆标志物在车挡风玻璃图像中的位置和大小信息,获取图像中的车辆标志物区域和背景区域;
所述车挡风玻璃图像梯度图计算子模块,用于计算车挡风玻璃图像对应的梯度图;
所述车辆标志物与背景区域梯度特征向量计算子模块,用于计算车辆标志物与背景区域的梯度特征向量;
所述随机森林分类器训练子模块,用于利用获取的车辆标志物与背景区域的梯度特征向量,训练随机森林分类器,训练得到的随机森林分类器作为检测车挡风玻璃图像中的标志物的车辆标志物图像块检测器;
所述车辆标志物分类器训练模块,用于训练对车辆标志物进行分类的车辆标志物分类器,具体包括车辆标志物与背景区域特征向量计算子模块以及车辆标志物分类器训练子模块,其中:
所述车辆标志物与背景区域特征向量计算子模块,用于计算训练图像集中获取的车辆标志物区域和背景区域的HOG特征向量、LBP特征向量和颜色直方图特征向量,并将上述三个特征向量拼接成图像块的标志物特征向量;
所述车辆标志物分类器训练子模块,用于利用车辆标志物区域和背景区域计算得到的HOG特征向量、LBP特征向量和颜色直方图特征向量拼接成的图像块的标志物特征向量训练多类支持向量机分类器;
所述候选车辆标志物图像块获取模块,用于利用训练好的车辆标志物图像块检测器获取候选车辆标志物图像块,具体包括车挡风玻璃图像梯度图计算子模块、图像块采集子模块、图像块梯度特征向量计算子模块以及候选车辆标志物图像块获取子模块,其中:
所述车挡风玻璃图像梯度图计算子模块,用于计算待检测的车挡风玻璃图像对应的梯度图;
所述图像块采集子模块,用于在待检测的车挡风玻璃图像上采集4种不同尺度的图像块;
所述图像块梯度特征向量计算子模块,用于计算待检测车挡风玻璃图像上采集的图像块的梯度特征向量;
所述候选车辆标志物图像块获取子模块,用于利用训练好的车辆标志物检测器获取候选的车辆标志物图像块;
所述车辆标志物分类模块,用于区分不同类别的车辆标志物,具体包括候选车辆标志物图像块的标志物特征向量计算子模块以及候选车辆标志物图像块分类器子模块,其中:
所述候选车辆标志物图像块的标志物特征向量计算子模块,用于计算获取的候选车辆标志物图像块的HOG特征向量、LBP特征向量和颜色直方图特征向量,并将上述三个特征向量拼接成图像块的标志物特征向量;
所述候选车辆标志物图像块分类子模块,用于利用车辆标志物分类器对候选车辆标志物图像块的标志物特征向量进行分类,得到候选车辆标志物图像块的分类结果。
Claims (10)
1.一种基于两层分类的车辆标志物检测方法,其特征在于,所述方法包括下述步骤:
(1)训练用于检测车挡风玻璃图像中的标志物的车辆标志物图像块检测器:
(1.1)对训练图像集中的每张车挡风玻璃图像,获取该车挡风玻璃图像的车辆标志物区域和背景区域;
(1.2)对训练图像集中的每张车挡风玻璃图像,获取该车挡风玻璃图像对应的梯度图;
(1.3)根据步骤(1.1)中获取的车挡风玻璃图像中的车辆标志物区域和步骤(1.2)中获取的车挡风玻璃图像对应的梯度图,获取每张车挡风玻璃图像中的车辆标志物的梯度特征向量;
(1.4)对步骤(1.2)中获取的车挡风玻璃图像的背景区域随机采集与车辆标志物区域尺度相同的图像块,计算背景区域图像块的梯度特征向量,根据背景区域图像块的梯度特征向量以及步骤(1.3)中获得的车辆标志物的梯度特征向量训练随机森林分类器,训练得到的随机森林分类器作为检测车挡风玻璃图像中的标志物的车辆标志物图像块检测器;
(2)训练用于对车辆标志物进行分类的车辆标志物分类器:
(2.1)获取训练图像集的每张车挡风玻璃图像中车辆标志物区域图像块以及背景区域图像块,将其作为车辆标志物分类器的训练图像块集;
(2.2)获取车辆标志物分类器训练图像块集中各个图像块的标志物特征向量,所述标志物特征向量由方向梯度直方图特征向量、局部二值模式特征向量以及颜色直方图特征向量组成;
(2.3)利用车辆标志物分类器训练图像块集中各个图像块的标志物特征向量,训练多类支持向量机分类器,训练得到的多类支持向量机分类器作为对车辆标志物进行分类的车辆标志物分类器;
(3)获取待检测的车挡风玻璃图像中的候选车辆标志物图像块:
(3.1)计算待检测的车挡风玻璃图像的梯度图;
(3.2)在待检测的车挡风玻璃图像上采集图像块,根据步骤(3.1)中得到的车挡风玻璃图像的梯度图获取图像块的梯度特征向量;
(3.3)根据上述待检测的车挡风玻璃图像中采集的图像块的梯度特征向量,以及步骤(1)中得到的车辆标志物图像块检测器,获取待检测的车挡风玻璃图像中的候选车辆标志物图像块;
(4)对待检测的车挡风玻璃图像中的候选车辆标志物图像块分类:
(4.1)获取待检测的车挡风玻璃图像中的候选车辆标志物图像块的标志物特征向量;
(4.2)利用步骤(2)中获取的车辆标志物分类器,对待检测的车挡风玻璃图像中的候选车辆标志物图像块的标志物特征向量进行分类,得到候选车辆标志物图像块的分类结果。
2.根据权利要求1所述的基于两层分类的车辆标志物检测方法,其特征在于,所述步骤(1.1)具体为:对给定的训练图像集,用人工标注的方法将训练图像集中的每张车挡风玻璃图像上的车辆标志物用矩形框标记出来,矩形框区域即为车辆标志物区域,车挡风玻璃图像的其他区域为背景区域,其中所述车挡风玻璃图像上的车辆标志物包括年检标、遮阳板、挂饰、纸巾盒。
3.根据权利要求1或2所述的基于两层分类的车辆标志物检测方法,其特征在于,所述步骤(1.2)具体为:对给定的训练图像集的每张车挡风玻璃图像Itr,首先将其转换为灰度图像,记为Itrg,然后获取灰度图像Itrg的梯度图G,灰度图Itrg中某个坐标点(xg,yg)处的梯度值为
G(xg,yg)=|dxg+dyg|
dxg=(Itrg(xg+1,yg)-Itrg(xg-1,yg))/2
dyg=(Itrg(xg,yg+1)-Itrg(xg,yg-1))/2
其中Itrg(xg,yg)表示灰度图Itrg在坐标点(xg,yg)处的像素值,G(xg,yg)即为梯度图在坐标点(xg,yg)处的梯度值,对灰度图Itrg中每个点求梯度值,就可以得到训练图像集中车挡风玻璃图像的梯度图,梯度图中每个点的梯度值均为0到255之间的整数。
4.根据权利要求1或2所述的基于两层分类的车辆标志物检测方法,其特征在于,所述步骤(1.3)具体为:
(1.3.1)对步骤(1.1)中获取的车挡风玻璃图像中的车辆标志物区域,获取在梯度图G中与之坐标相同的梯度子图SG;
(1.3.2)对获取的梯度子图SG进行缩放,使其宽度和高度均为8个像素,得到缩放后的梯度子图RSG;
(1.3.3)将得到的缩放后的梯度子图RSG转换为梯度向量VG,梯度向量VG中第vn维的值为VG(vn)=RSG(xn,yn),其中RSG(xn,yn)表示梯度子图RSG在坐标点(xn,yn)处的值,vn=xn+8×yn,得到一个64维的向量VG,向量VG即为训练图像集中车挡风玻璃图像的标志物的梯度特征向量。
5.根据权利要求4所述的基于两层分类的车辆标志物检测方法,其特征在于,所述步骤(1.4)具体为:
(1.4.1)对步骤(1.1)中获取的所有车辆标志物区域,按照步骤(1.3.1)到(1.3.3)的过程计算梯度特征向量;
(1.4.2)在步骤(1.1)中获取的每张训练图像中的背景区域,随机抽取一定数量的尺度与车辆标志物相同的图像块,并按照步骤(1.3.1)到(1.3.3)的过程计算梯度特征向量;
(1.4.3)以步骤(1.4.1)中获取的所有车辆标志物的梯度特征向量为正样本,以步骤(1.4.2)中获取的所有车辆背景图像块的梯度特征向量为负样本训练随机森林分类器,训练好的分类器即为车辆标志物检测器,可以检测出待识别图像块中的车辆标志物图像块。
6.根据权利要求1或2所述的基于两层分类的车辆标志物检测方法,其特征在于,所述步骤(2.1)具体为:
在训练图像集中通过人工标注的方法获取的所有年检标、遮阳板、挂饰及纸巾盒等车辆标志物区域图像块分别组成年检标图像块集、遮阳板图像块集、挂饰图像块集和纸巾盒图像块集,在训练图像集中每张训练图像中的背景区域中随机采集尺度为50×50的图像块,所有在背景区域采集的图像块作为车辆标志物分类器训练样本集中的背景图像块集,获取的年检标图像块集、遮阳板图像块集、挂饰图像块集、纸巾盒图像块集和背景图像块集就组成了车辆标志物分类器的训练图像块集。
7.根据权利要求1或2所述的基于两层分类的车辆标志物检测方法,其特征在于,所述步骤(2.2)具体为:
(2.2.1)将车辆标志物分类器训练图像块集中的每一个图像块进行尺度变换,使其宽度和高度均为50个像素;
(2.2.2)将尺度变换后的训练图像块均分为25个区域,每个区域的大小为10×10;
(2.2.3)对划分的第a个区域,计算其中每个像素点的方向梯度直方图特征,记为hoga=[H1,H2,...,HM],其中M为预设的方向梯度直方图的区间个数,对划分的25个区域都计算其HOG特征向量,并将所有特征向量拼接起来,得到训练图像块的HOG特征向量,即为hog=[hog1,hog2,...,hog25],hog特征向量是一个25×M维的向量;
(2.2.4)对划分的第a个区域,计算其中每个像素点的局部二值模式特征,对计算得到的所有LBP特征进行直方图统计,得到该区域的LBP特征向量,记为lbpa=[L1,L2,...,LP],其中P为预设的LBP特征向量的统计直方图的区间个数,对划分的25个区域都计算其LBP特征向量,并将所有的特征向量拼接起来,得到训练图像块的LBP特征向量,即为lbp=[lbp1,lbp2,...,lbp25],lbp特征向量是一个25×P维的向量;
(2.2.5)对划分的第a个区域,分别对该区域内所有像素点的红、绿、蓝三个通道的灰度值做直方图统计,得到三个通道的统计直方图,分别记为ra=[R1,R2,...,RQ],ga=[G1,G2,...,GQ],ba=[B1,B2,...,BQ],其中Q为预设的红、绿、蓝三个通道的灰度值统计直方图的区间个数,将三个通道的统计直方图拼接起来,得到该区域的颜色直方图特征,记为rgba=[ra,ga,ba],是一个3×Q的向量;对划分的25个区域都计算其颜色直方图特征,并将所有的特征向量拼接起来,就得到训练图像块的颜色直方图特征向量,即为rgb=[rgb1,rgb2,...,rgb25],是一个25×Q维的向量;
(2.2.6)将计算得到的训练图像块的HOG特征向量、LBP特征向量和颜色直方图特征向量拼接起来,得到训练图像块的标志物特征向量,即为f=[hog,lbp,rgb]。
8.根据权利要求1或2所述的基于两层分类的车辆标志物检测方法,其特征在于,所述步骤(3.2)具体为:
(3.2.1)对待检测的车挡风玻璃图像Ite,按步长为1采集N种不同尺度图像块,图像块的尺度为其中N为预设的图像块尺度个数,i表示不同图像块尺度的索引值,Widi和Heii为预设的第i个缩放尺度Scalei的宽度和高度,Widi和Heii为经验值;
(3.2.2)对采集的一个图像块,获取车挡风玻璃图像Ite对应的梯度图上相同坐标区域的梯度子图SGte;
(3.2.3)将获取的梯度子图SGte进行尺度缩放,使其宽度和高度均为8个像素,并将其转换为梯度向量VGte,梯度向量VGte中第vm维的值为VGte(vm)=SGte(xm,ym),其中SGte(xm,ym)表示梯度子图SGte在坐标点(xm,ym)处的值,vm=xm+8×ym,这样就可以得到一个64维的向量VGte,向量VGte即为待检测的车挡风玻璃图像上获取的图像块的梯度特征向量;
(3.2.4)对测试图像Ite上采集的每一个图像块,都按照(3.2.2)到(3.2.3)步骤获取图像块的梯度特征向量。
9.根据权利要求1或2所述的基于两层分类的车辆标志物检测方法,其特征在于,所述步骤(3.3)具体为:
利用步骤(1)中训练好的随机森林分类器对获取的图像块梯度特征向量进行分类,这样就将测试图像中的图像块分为车辆标志物和背景两种类别,其中被分为车辆标志物的图像块即为候选车辆标志物图像块。
10.一种基于两层分类的车辆标志物检测系统,其特征在于,所述系统包括车辆标志物图像块检测器训练模块、车辆标志物分类器训练模块、候选车辆标志物图像块获取模块以及车辆标志物分类模块,其中:
所述车辆标志物图像块检测器训练模块,用于训练检测车挡风玻璃图像中的标志物的车辆标志物图像块检测器,具体包括车辆标志物与背景区域获取子模块、车挡风玻璃图像梯度图计算子模块、车辆标志物与背景区域梯度特征向量计算子模块以及随机森林分类器训练子模块,其中:
所述车辆标志物与背景区域获取子模块,用于对训练图像集中的车挡风玻璃图像,获取车辆标志物在车挡风玻璃图像中的位置和大小信息,获取图像中的车辆标志物区域和背景区域;
所述车挡风玻璃图像梯度图计算子模块,用于计算车挡风玻璃图像对应的梯度图;
所述车辆标志物与背景区域梯度特征向量计算子模块,用于计算车辆标志物与背景区域的梯度特征向量;
所述随机森林分类器训练子模块,用于利用获取的车辆标志物与背景区域的梯度特征向量,训练随机森林分类器,训练得到的随机森林分类器作为检测车挡风玻璃图像中的标志物的车辆标志物图像块检测器;
所述车辆标志物分类器训练模块,用于训练对车辆标志物进行分类的车辆标志物分类器,具体包括车辆标志物与背景区域特征向量计算子模块以及车辆标志物分类器训练子模块,其中:
所述车辆标志物与背景区域特征向量计算子模块,用于计算训练图像集中获取的车辆标志物区域和背景区域的HOG特征向量、LBP特征向量和颜色直方图特征向量,并将背景区域的HOG特征向量、LBP特征向量和颜色直方图特征向量拼接成图像块的标志物特征向量;
所述车辆标志物分类器训练子模块,用于利用车辆标志物区域和背景区域计算得到的HOG特征向量、LBP特征向量和颜色直方图特征向量拼接成的图像块的标志物特征向量训练多类支持向量机分类器;
所述候选车辆标志物图像块获取模块,用于利用训练好的车辆标志物图像块检测器获取候选车辆标志物图像块,具体包括车挡风玻璃图像梯度图计算子模块、图像块采集子模块、图像块梯度特征向量计算子模块以及候选车辆标志物图像块获取子模块,其中:
所述车挡风玻璃图像梯度图计算子模块,用于计算待检测的车挡风玻璃图像对应的梯度图;
所述图像块采集子模块,用于在待检测的车挡风玻璃图像上采集4种不同尺度的图像块;
所述图像块梯度特征向量计算子模块,用于计算待检测车挡风玻璃图像上采集的图像块的梯度特征向量;
所述候选车辆标志物图像块获取子模块,用于利用训练好的车辆标志物检测器获取候选的车辆标志物图像块;
所述车辆标志物分类模块,用于区分不同类别的车辆标志物,具体包括候选车辆标志物图像块的标志物特征向量计算子模块以及候选车辆标志物图像块分类器子模块,其中:
所述候选车辆标志物图像块的标志物特征向量计算子模块,用于计算获取的候选车辆标志物图像块的HOG特征向量、LBP特征向量和颜色直方图特征向量,并将上述三个特征向量拼接成图像块的标志物特征向量;
所述候选车辆标志物图像块分类子模块,用于利用车辆标志物分类器对候选车辆标志物图像块的标志物特征向量进行分类,得到候选车辆标志物图像块的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410442530.1A CN104217217B (zh) | 2014-09-02 | 2014-09-02 | 一种基于两层分类的车辆标志物检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410442530.1A CN104217217B (zh) | 2014-09-02 | 2014-09-02 | 一种基于两层分类的车辆标志物检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104217217A CN104217217A (zh) | 2014-12-17 |
CN104217217B true CN104217217B (zh) | 2017-06-30 |
Family
ID=52098680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410442530.1A Expired - Fee Related CN104217217B (zh) | 2014-09-02 | 2014-09-02 | 一种基于两层分类的车辆标志物检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104217217B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463232A (zh) * | 2014-12-30 | 2015-03-25 | 中山大学 | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 |
CN104658254B (zh) * | 2015-03-09 | 2017-03-22 | 上海依图网络科技有限公司 | 一种交通视频的摩托车检测方法 |
CN104680545B (zh) * | 2015-03-15 | 2017-06-13 | 西安电子科技大学 | 光学图像中存在显著目标的检测方法 |
CN105303162B (zh) * | 2015-09-21 | 2019-06-04 | 华北电力大学(保定) | 一种基于目标建议算法的航拍图像绝缘子识别方法 |
CN105976392B (zh) * | 2016-05-30 | 2018-12-14 | 北京智芯原动科技有限公司 | 基于最大输出概率的车辆轮胎检测方法及装置 |
CN106446792A (zh) * | 2016-08-31 | 2017-02-22 | 大连楼兰科技股份有限公司 | 一种道路交通辅助驾驶环境下的行人检测特征提取方法 |
CN108229243A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种智能车前方车辆的检测方法 |
CN108319952B (zh) * | 2017-01-16 | 2021-02-02 | 浙江宇视科技有限公司 | 一种车辆特征提取方法及装置 |
CN107016362B (zh) * | 2017-03-30 | 2020-01-03 | 华中科技大学 | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 |
CN108960234A (zh) * | 2018-06-13 | 2018-12-07 | 山东师范大学 | 一种基于词袋模型的Logo识别方法及系统 |
CN109063760B (zh) * | 2018-07-22 | 2021-06-08 | 西安电子科技大学 | 基于随机森林多尺度卷积模型的极化sar分类方法 |
CN109214336B (zh) * | 2018-09-05 | 2021-04-20 | 高新兴科技集团股份有限公司 | 一种车窗标志物检测方法及装置 |
CN111553421B (zh) * | 2020-04-28 | 2022-03-08 | 电子科技大学 | 基于双层嵌套结构的sar装备任务失效成因推理方法 |
CN113723408B (zh) * | 2021-11-02 | 2022-02-25 | 上海仙工智能科技有限公司 | 一种车牌识别方法及其系统、可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971097A (zh) * | 2014-05-15 | 2014-08-06 | 武汉睿智视讯科技有限公司 | 一种基于多尺度笔画模型的车牌识别方法与系统 |
CN103996041A (zh) * | 2014-05-15 | 2014-08-20 | 武汉睿智视讯科技有限公司 | 一种基于匹配的车辆颜色识别方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060098877A1 (en) * | 2004-11-09 | 2006-05-11 | Nick Barnes | Detecting shapes in image data |
US20100246890A1 (en) * | 2009-03-26 | 2010-09-30 | Microsoft Corporation | Detection of objects in images |
-
2014
- 2014-09-02 CN CN201410442530.1A patent/CN104217217B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971097A (zh) * | 2014-05-15 | 2014-08-06 | 武汉睿智视讯科技有限公司 | 一种基于多尺度笔画模型的车牌识别方法与系统 |
CN103996041A (zh) * | 2014-05-15 | 2014-08-20 | 武汉睿智视讯科技有限公司 | 一种基于匹配的车辆颜色识别方法和系统 |
Non-Patent Citations (2)
Title |
---|
基于改进HOG特征值的车标检测与识别方法;鲁丰 等;《光通信研究》;26-29;20121031(第5期);89-97 * |
基于联合特征的车标自动识别方法;杜小毅 等;《第七届中国智能交通年会优秀论文集——智能交通技术》;20120926;26-29 * |
Also Published As
Publication number | Publication date |
---|---|
CN104217217A (zh) | 2014-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104217217B (zh) | 一种基于两层分类的车辆标志物检测方法与系统 | |
CN105261017B (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN109101924A (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN102314600B (zh) | 用于畅通路径检测的去除由基于车辆的相机捕获的图像中的阴影 | |
CN104392205B (zh) | 一种非正常车牌的识别方法和系统 | |
US9092696B2 (en) | Image sign classifier | |
CN103544484A (zh) | 一种基于surf的交通标志识别方法及系统 | |
CN104318225A (zh) | 车牌检测方法及装置 | |
CN107169953A (zh) | 基于hog特征的桥梁混凝土表面裂缝检测方法 | |
CN110226170A (zh) | 一种雨雪天气中的道路交通标志识别方法 | |
CN104050684B (zh) | 一种基于在线训练的视频运动目标分类方法与系统 | |
CN105373779A (zh) | 一种车辆安全带智能检测方法及智能检测系统 | |
CN105930803A (zh) | 一种基于Edge Boxes的前车检测方法及装置 | |
CN104182769B (zh) | 一种车牌检测方法及系统 | |
CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
CN104200228A (zh) | 一种安全带识别方法与系统 | |
CN107330365A (zh) | 基于最大稳定极值区域和svm的交通标志识别方法 | |
Kim et al. | Effective traffic lights recognition method for real time driving assistance systemin the daytime | |
CN101984453A (zh) | 一种人眼识别系统及方法 | |
CN108205649A (zh) | 驾驶员开车接打电话的状态识别方法及装置 | |
CN107704833A (zh) | 一种基于机器学习的前方车辆检测与跟踪方法 | |
CN108538052A (zh) | 基于车头灯轨迹跟踪和动态配对的夜间交通流量检测方法 | |
CN101369312B (zh) | 检测图像中交叉口的方法和设备 | |
CN105893960A (zh) | 基于相位对称性的道路交通标志检测方法 | |
Zhao et al. | Real-time lane departure and front collision warning system on an FPGA |
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: 20170630 |