CN104281851B - 车标信息的提取方法及装置 - Google Patents
车标信息的提取方法及装置 Download PDFInfo
- Publication number
- CN104281851B CN104281851B CN201410589478.2A CN201410589478A CN104281851B CN 104281851 B CN104281851 B CN 104281851B CN 201410589478 A CN201410589478 A CN 201410589478A CN 104281851 B CN104281851 B CN 104281851B
- Authority
- CN
- China
- Prior art keywords
- logo
- grader
- rectangle frame
- sample
- identified
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车标信息的提取方法及装置，包括：根据在待检测图像中识别出的待检测车辆的车牌区域，从所述待检测图像中截取包含所述待检测车辆的车标图案的待识别区域；调用预配置的树形级联车标分类器识别所述待识别区域中的车标图案和相应的车标类型。通过本发明的技术方案，可以准确识别车辆的车标图案，从而快速、准确地提取出车辆图案。
Description
技术领域
本发明涉及信息处理技术领域，尤其涉及车标信息的提取方法及装置。
背景技术
车标信息即车辆的品牌标识图案，通常位于车辆的前后侧和车毂位置。车标信息的提取，在电子警察、卡口等装置中有着广泛应用和重要价值。
然而，由于车标信息的目标小、相似性大、受尺寸和光照影响大、背景不统一，以及不同厂商的车标形状大小不一致等，使得相关技术中无法准确地实现对车标信息的识别和提取。
发明内容
有鉴于此，本发明提供一种新的技术方案，可以准确识别车辆的车标图案，从而快速、准确地提取出车辆图案。
为实现上述目的，本发明提供技术方案如下：
根据本发明的第一方面，提出了一种车标信息的提取方法，包括：
根据在待检测图像中识别出的待检测车辆的车牌区域，从所述待检测图像中按照预设规格截取包含所述待检测车辆的车标图案的待识别区域；
通过预配置的树形级联车标分类器对所述待识别区域进行车标矩形框识别，输出所述树形级联车标分类器认为包含全部或部分车标图案的第一车标矩形框组成的第一车标矩形框结果集，以及所述第一车标矩形框对应的车标类型和位置信息；
根据所述第一车标矩形框对应的车标类型和位置信息，对所述车标矩形框结果集中第一车标矩形框按照预设方法进行归并，得到第二车标矩形框组成的第二车标矩形框结果集，保存归并过程中的归并参数；
计算第二车标矩形框结果集中的每个第二车标矩形框中心点与所述待识别区域中心点的水平距离；
根据所述水平距离和所述归并参数，计算所述第二车标矩形框结果集中第二车标矩形框的权重；
对所述第二车标矩形框结果集中第二车标矩形框根据其权重进行排序，输出权重最大的第二车标矩形框作为目标车标矩形框，其中所述目标车标矩形框对应的车标类型为所述待检测图像中待检测车辆的车标类型，所述目标车标矩形框对应的位置即为所述待检测图像中待检测车辆的车标所在位置。
根据本发明的第二方面，提出了一种车标信息的提取装置，包括：
截取单元，用于根据在待检测图像中识别出的待检测车辆的车牌区域，从所述待检测图像中按照预设规格截取包含所述待检测车辆的车标图案的待识别区域；
识别单元，用于通过预配置的树形级联车标分类器对所述待识别区域进行车标矩形框识别，输出所述树形级联车标分类器认为包含全部或部分车标图案的第一车标矩形框组成的第一车标矩形框结果集，以及所述第一车标矩形框对应的车标类型和位置信息；
归并单元，用于根据所述第一车标矩形框对应的车标类型和位置信息，对所述车标矩形框结果集中第一车标矩形框按照预设方法进行归并，得到第二车标矩形框组成的第二车标矩形框结果集，保存归并过程中的归并参数；
距离计算单元，用于计算第二车标矩形框结果集中的每个第二车标矩形框中心点与所述待识别区域中心点的水平距离；
权重计算单元，用于根据所述水平距离和所述归并参数，计算所述第二车标矩形框结果集中第二车标矩形框的权重；
输出单元，用于对所述第二车标矩形框结果集中第二车标矩形框根据其权重进行排序，输出权重最大的第二车标矩形框作为目标车标矩形框，其中所述目标车标矩形框对应的车标类型为所述待检测图像中待检测车辆的车标类型，所述目标车标矩形框对应的位置即为所述待检测图像中待检测车辆的车标所在位置。
由以上技术方案可见，本发明基于多分类的树形级联车标分类器，通过车标矩形框归并方法和权重计算方法进行车标识别，能适应车标检测的复杂环境，提高车标检测的鲁棒性，解决车标类型作为单类样本产生的难收敛、级联分类器级数很长以及采用特征量极大的问题，从而降低车标分类器的复杂程度，有助于提升对车标信息的识别效率，提高车标检测的正检率，同时可以在车标检测的基础上，可以进一步识别出车标类型，有助于准确地提取车标图案。
附图说明
图1示出了根据本发明的一示例性实施例的车标信息的提取方法的流程图；
图2示出了根据本发明的一示例性实施例的截取待识别区域的示意图；
图3示出了根据本发明的一示例性实施例的训练全样本分类器的流程图；
图4A示出了根据本发明的一示例性实施例的正样本的示意图；
图4B示出了根据本发明的一示例性实施例的负样本的示意图；
图5示出了根据本发明的一示例性实施例的车标分类器的结构示意图；
图6示出了根据本发明的一示例性实施例的训练部分样本分类器的流程图；
图7示出了根据本发明的一示例性实施例的提取车标信息的流程图；
图8示出了根据本发明的一示例性实施例的检测区域的示意图；
图9示出了根据本发明的一示例性实施例的对检测区域进行车标识别的示意图；
图10示出了根据本发明的一示例性实施例的电子设备的结构示意图；
图11示出了根据本发明的一示例性实施例的车标信息的提取装置的框图。
具体实施方式
为对本发明进行进一步说明，提供下列实施例：
请参考图1，图1示出了根据本发明的一示例性实施例的车标信息的提取方法的流程图，该方法可以应用于视频监控设备或视频监控系统，包括下述步骤：
步骤102，根据在待检测图像中识别出的待检测车辆的车牌区域，从所述待检测图像中按照预设规格截取包含所述待检测车辆的车标图案的待识别区域；
在本实施例中，作为一示例性实施方式，由于车辆的车标图案往往位于车牌区域的上方一定位置，因而可以据此实现对待识别区域的自动截取，并确保该待识别区域中必然包含车标图案。举例而言，对于车牌底色为黄色的情况下，可以使得待识别区域为图2所示的矩形区域，即该矩形区域的下边框与车牌区域相接、侧边框的高度约为车牌宽度的2.5倍；对于车牌底色为蓝色的情况下，可以使得待识别区域对应的矩形区域的下边框与车牌区域相接、侧边框的高度约为车牌宽度的1.5倍。
作为另一示例性实施方式，也可以根据来自用户的控制指令，确定和截取待识别区域，从而尤其是对于车标图案或车牌的安装位置异常(比如由于车辆改装等原因导致)的情况下，确保截取的待识别区域能够满足用户的实际需求。
步骤104，通过预配置的树形级联车标分类器对所述待识别区域进行车标矩形框识别，输出所述树形级联车标分类器认为包含全部或部分车标图案的第一车标矩形框组成的第一车标矩形框结果集，以及所述第一车标矩形框对应的车标类型和位置信息；
在本实施例中，树形级联车标分类器可以包括全样本分类器和部分样本分类器，其中，所述全样本分类器和所述部分样本分类器呈树状级联结构。全样本分类器对应于所有类型的车标图案的正样本区别于负样本的共有特征，而部分样本分类器则对应于相应类型的车标图案的正样本区别于负样本的特有特征，使得每个分类器对应的特征更单一，使得对分类器的训练过程更容易收敛，并且易于识别出车标图案的具体类型。
在本实施例中，在训练全样本分类器和部分样本分类器的过程中，选用的车标图案的正样本的实际类型可以由计算机通过如聚类算法确定，也可以主动标示出每个正样本的实际类型，以避免聚类算法可能存在的误差，有助于提升分类器的识别准确性。
在本实施例中，可以按照预设比例对所述待识别区域进行缩放处理；将预设大小的检测区域选取窗口在缩放后的待识别区域中按照预设步长移动，其中每次移动后，将所述检测区域选取窗口在缩放后的待识别区域中对应的画面提取为检测区域；因此，当识别出检测区域中包含全部或部分车标图案时，确定该检测区域为上述的第一车标矩形框。
在对检测区域进行识别时，可以按照所述全样本分类器和所述部分样本分类器的树状级联结构，依次由每个层级的分类器对所述检测区域进行识别，若非最底层的分类器的识别结果为所述检测区域中包含全部或部分车标图案，则由下一层级的分类器进行识别，若最底层的分类器的识别结果为所述检测区域中包含全部或部分车标图案，则将所述检测区域输出为所述第一车标矩形框；具体可以包括：
首先由所述全样本分类器对所述检测区域进行识别，若其中任一层级的全样本分类器识别出所述检测区域中包含全部或部分车标图案，则继续由下一层级的全样本分类器对所述检测区域进行识别，否则输出该检测区域为非车标区域，并结束对当前检测区域的识别，进行下一个检测区域获取和识别；
当所有层级的全样本分类器的识别结果均为所述检测区域中包含全部或部分车标图案后，继续由所述部分样本分类器对所述检测区域进行识别：当对应于任一车标图案的任一部分样本分类器识别出所述检测区域中包含全部或部分车标图案时，由对应于该任一车标图案的下一层级的部分样本分类器进行识别，否则按照预设顺序选取对应于下一个车标图案的部分样本分类器对所述检测区域进行识别；
其中，当对应于同一车标图案的所有部分样本分类器均识别出所述检测区域中包含全部或部分车标图案时，输出该检测区域为包含全部或者部分所述同一车标图案的第一车标矩形框，进行下一个检测区域获取和识别，否则输出该检测区域为非车标区域，并结束对当前检测区域的识别，进行下一个检测区域获取和识别。
步骤106，根据所述第一车标矩形框对应的车标类型和位置信息，对所述车标矩形框结果集中第一车标矩形框按照预设方法进行归并，得到第二车标矩形框组成的第二车标矩形框结果集，保存归并过程中的归并参数；
在本实施例中，可以按照下述方式进行归并处理：
当第一车标矩形框1和第一车标矩形框2满足条件1和条件2时，对两个第一车标矩形框进行归并，所述条件1为：
所述两个第一车标矩形框的车标类型相同；
所述条件2为：
其中，(XL0，YT0)、(XR0，YB0)为第一车标矩形框1的左上角和右下角坐标，(XL1，YT1)、(XR1，YB1)为第一车标矩形框2的左上角和右下角坐标，Delta为距离阈值，当所述车标类型为奥迪车标时，所述距离阈值为：Delta＝0.4×(min(XR0-XL0,XR1-XL1)+min(YB0-YT0,YB1-YT1))，当所述车标类型为非奥迪车标时，所述距离阈值为：Delta＝0.2×(min(XR0-XL0,XR1-XL1)+min(YB0-YT0,YB1-YT1))。
步骤108，计算第二车标矩形框结果集中的每个第二车标矩形框中心点与所述待识别区域中心点的水平距离；
步骤110，根据所述水平距离和所述归并参数，计算所述第二车标矩形框结果集中第二车标矩形框的权重；
在本实施例中，可以按照下述公式计算第二车标矩形框结果集中第二车标矩形框的权重：
其中，W为所述权重，N为归并成所述第二车标矩形框的第一车标矩形框的个数，a为预设常数，D为所述第二车标矩形框的中心点与所述待识别区域的中心点之间的水平距离，L为所述第二车标矩形框的水平宽度。
步骤112，对所述第二车标矩形框结果集中第二车标矩形框根据其权重进行排序，输出权重最大的第二车标矩形框作为目标车标矩形框，其中所述目标车标矩形框对应的车标类型为所述待检测图像中待检测车辆的车标类型，所述目标车标矩形框对应的位置即为所述待检测图像中待检测车辆的车标所在位置。
由上述实施例可知，本发明通过结合全样本分类器和部分样本分类器，可以实现对车标图案的准确识别和提取，并确定该车标图案的车标类型，从而有助于预设对象的后续功能实现和处理，比如该预设对象可以为后端的数据处理系统，比如结合该车标图案、车标类型以及其他车辆特征实现车辆识别和追踪等功能。
由于对车标图案和车标类型的识别，需要基于车标分类器来实现，因而需要事先训练得到合适的车标分类器，以确保识别过程的准确性。下面针对车标分类器的训练过程进行详细描述，有助于了解全样本分类器和部分样本分类器的区别和各自特性。
1)全样本分类器
如图3所示，根据本发明的一示例性实施例，对全样本分类器进行训练的过程包括下述步骤：
步骤302，读取所有类型的车标图案的正样本和负样本；
在本实施例中，事先获取每种需要识别的车标图案的样本，以确保据此训练得到的分类器可以对这些车标图案进行有效识别。车标图案的样本包括正样本和负样本，比如图4A(a)示出了“大众”的车标图案的正样本、图4B(a)示出了相应的负样本，而图4(b)示出了“奔驰”的车标图案的正样本、图4B(b)示出了相应的负样本。
具体地，正样本即包含相应的车标图案，而负样本即不包含相应的车标图案。其中负样本可以存在下述类型：(1)图4B(a)为对应于图4A(a)示出的“大众”的车标图案的负样本，其中不包含任何车标图案；(2)图4B(b)为对应于图4A(b)示出的“奔驰”的车标图案的负样本，其中不包含“奔驰”的车标图案，但可以包含“大众”的车标图案，从而便于交叉验证训练。
进一步地，还可以对所有正样本进行归一化处理为预设规格，比如在相同缩放比例下裁剪为20像素×20像素的正方形，但由于不同车标图案的形状、大小各异，可能导致部分车标的车标图案由于太大而需要被裁剪掉一部分、部分车标的车标图案由于太小而需要补充部分背景，但不会对分类器的训练效果造成影响。
在下述的步骤304至步骤310中，可以通过若干次循环，构建若干层级的全样本分类器；其中，为便于区分，可以将该过程中生成的分类器称为第一分类器：
(1)第一次训练
步骤304，当初始值为n＝1时，训练第1层级的第一分类器；
在本实施例中，可以采用如Adaboost算法进行训练，得到的第一分类器为相应的强分类器。
步骤306，确定构成第一分类器的弱分类器的个数N，并判断该个数N是否满足大于或等于预设数量N0，如果满足，则转入步骤312，否则转入步骤308；
在本实施例中，通过判断个数N的大小，并在后续步骤中采用多次循环的方式来限制个数N的大小，可以避免全样本分类器中包含的正样本区别于负样本的共有特征过于复杂，避免过拟合，有助于提升实际应用过程中的车标图案的识别效率。
步骤308，读取所有类型的车标图案的正样本和第1层级的第一分类器未识别出的负样本；
在本实施例中，假定第1层级的第一分类器已经识别出部分负样本，则采用第1层级的第一分类器对待识别区域进行识别的过程中，即可体现出相应的特征识别效果，无需通过第2层级以及后续层级的第一分类器进行识别，因而在对第2层级以及后续层级的第一分类器进行训练时，也就无需应用这部分已由第1层级的第一分类器识别出来的负样本。
因此，通过仅采用上一层级未识别出的负样本，有助于避免多个层级的第一分类器提取重复特征，能够提升全样本分类器的收敛速度。
步骤310，将层级数n递增1，即使得n＝2，并返回步骤304，进入下一层级的第一分类器的训练；
步骤312，训练部分样本分类器，该过程将在下文结合图6进行详细描述。
(2)后续训练
当n＞1时，第n层级的第一分类器的训练过程与第1层级的训练过程相似，但不同点在于：后续训练过程中，每次用于训练的样本为所有类型的图标图案的正样本和上一层级的第一分类器未识别出的负样本；比如在第2层级的训练过程中，采用的训练样本为所有类型的图标图案的正样本和第1层级的第一分类器未识别出的负样本。
基于若干层级的第一分类器的训练过程，训练得到的第一分类器之间也呈相应的级联关系，使得实际的车标识别过程中，需要从最上层的第一分类器开始，依次对待识别区域进行识别操作。比如图5示出了一示例性实施例的车标分类器的结构示意图，其中从Stage_1(即第1层级)至Stage_S-1(即第S-1层级)均为全样本分类器，每个Stage仅包含一个强分类器，其中包含所有类型的车标的正样本与负样本之间的共有特征。可见，全样本分类器可能的结构包括：
直接由所有预设类型的车标图案的正样本和负样本训练得到的第一分类器，且该第一分类器中包含的子分类器的数量大于或等于预设数量阈值；
或者，由所有预设类型的车标图案的正样本和负样本训练得到的呈级联结构的多个第一分类器，其中处于顶层的第一分类器直接由所有预设类型的车标图案的正样本和负样本训练得到，处于其他层级的第一分类器由上一层级的第一分类器识别出的正样本和上一层级的第一分类器未识别出的负样本训练得到；其中，处于底层的第一分类器中包含的子分类器的数量大于或等于所述预设数量阈值、处于其他层级的第一分类器中包含的子分类器的数量小于所述预设数量阈值。
2)部分样本分类器
如图5所示，从Stage_S往后均为部分样本分类器，每个Stage包含m个强分类器，对应于m种类型的车标，且每个强分类器包含相应类型的车标的正样本与负样本之间的特征。
请参考图6，图6示出了根据本发明一示例性实施例的训练部分样本分类器的过程，可以包括下述步骤：
步骤602，读取每种类型的车标图案的正样本和该类型中全样本分类器未识别出的负样本；
步骤604，当初始值为m＝1时，分别训练得到每种类型的车标对应的第1层级的分类器；
在本实施例中，可以采用如Adaboost算法进行训练，得到的分类器为强分类器。
步骤606，确定训练得到的所有第1层级的分类器中包含的弱分类器的个数M，若个数M＜N(N为底层的全样本分类器中包含的弱分类器的个数)，则转入步骤610，否则转入步骤608；
在本实施例中，由于全类型分类器的训练速度和识别效率更高，因而当M≥N时，表明此时的部分样本分类器中包含的特征数量过多，可能导致训练得到的分类器层级过大，影响收敛速度和应用过程中的识别效率。
步骤608，训练第二分类器；
在本实施例中，第二分类器为全样本分类器，其训练过程与图3所示的对第一分类器的训练过程类似；其中，第1层级的第二分类器可以由所有类型的车标图案的正样本和第一分类器未识别出的负样本训练得到，而后续层级的第二分类器可以由所有类型的车标图案的正样本和上一层级的第二分类器未识别出的负样本训练得到。因此，图5所示的Stage_1至Stage_S-1的全样本分类器中，可能全部为第一分类器，也可能包括一部分的第一分类器和另一部分的第二分类器。相应地，全样本分类器还可以包括下述结构：
直接由处于底层的第一分类器识别出的正样本和处于底层的第一分类器未识别出的负样本训练得到的第二分类器，级联于所述第一分类器的下层；其中，所述第二分类器中包含的子分类器的数量大于或等于所述预设数量阈值，且大于直接由相应类型的车标图案的正样本和所述第二分类器未识别出的负样本训练得到的所有的部分样本分类器中包含的子分类器的第一总数量；
或者，多个第二分类器，级联于所述第一分类器的下层，其中处于最上层的第二分类器直接由处于底层的第一分类器识别出的正样本和处于底层的第一分类器未识别出的负样本训练得到，处于其他层级的第二分类器由上一层级的第二分类器识别出的正样本和上一层级的第二分类器未识别出的负样本训练得到；其中，各层级的第二分类器中包含的子分类器的数量大于或等于所述预设数量阈值，处于底层的第二分类器中包含的子分类器的数量大于直接由相应类型的车标图案的正样本和所述处于底层的第二分类器未识别出的负样本训练得到的所有的部分样本分类器中包含的子分类器的第二总数量，且其他层级的第二分类器中包含的子分类器的数量小于或等于所述第二总数量。
在本实施例中，可以将步骤604的训练过程视为“尝试性”操作，如果弱分类器的个数M过大(比如大于或等于N)，则表明尝试失败，需要返回对全样本分类器的训练，从而提高全样本分类器对应的特征数量、降低部分样本分类器对应的特征数量，有助于加快分类器的收敛速度、提升对车标图案和类别的识别效率。
其中，在每个层级的第二分类器训练完成后，可以重新通过步骤602至步骤606，尝试性地训练出部分样本分类器，若满足弱分类器的个数M小于N，则转入步骤610，否则转入步骤608并继续训练下一层级的第二分类器(丢弃尝试性训练出的部分样本分类器)。
步骤610，判断每个分类器对相应类型车标的负样本的误检率是否达标，若达标则停止继续训练，否则转入步骤612；
在本实施例中，每种类型的车标图案对应的误检率可能不同，可以根据实际需求进行设置。
步骤612，读取每种类型的车标图案的正样本和第m层级的分类器未识别出的负样本；
在本实施例中，第m层级的分类器即首次在步骤604中训练得到的满足步骤606中的“弱分类器的个数M＜N”的分类器，通过仅选取第m层级的分类器未识别出的负样本，类似于图3中的步骤308，有助于提升训练收敛效率。
步骤614，将层级数m递增1，比如当步骤612中的m＝1时，此时使得m＝2，并转入步骤616，执行第2层级的分类器的训练；
步骤616，训练第m层级的分类器，并返回步骤610；若训练出的分类器满足步骤610的判断条件，则结束训练，否则继续执行下一层级的分类器训练。
如图5所示，每个层级的部分样本分类器之间相互独立，分别对应于不同的车标图案，比如Stage_S中的部分样本分类器包括TS1、TS2……TSm等，对应于m种不同的车标图案；如果某种车标图案在Stage_S中对应的部分样本分类器的误检率达标，比如假定TS1的误检率已达标，则对应于该种车标图案的部分样本分类器的训练结束，不存在后续层级的分类器；如果某种车标图案在Stage_S中对应的部分样本分类器的误检率未达标，比如假定TS2的误检率未达标，则需要继续训练该种车标图案的下一层级的部分样本分类器，即训练Stage_S+1中对应的分类器TS2+1，乃至后续的TS2+2……TS2+x等。可见，在图5所示的结构中，从Stage_S开始的若干个层级中，每种车标对应的分类器分别作为Stage_S-1的全样本分类器的一条分支，且各个分支包含的部分样本分类器的数量之间相互独立。可见，部分样本分类器可以包括：
直接由相应类型的车标图案的正样本和所述全样本分类器未识别出的负样本训练得到的分类器，且该分类器的误检率小于或等于预设误检率阈值；
或者，由相应类型的车标图案的正样本和负样本训练得到的呈级联结构的多个分类器，其中处于顶层的分类器直接由相应类型的车标图案的正样本和所述全样本分类器未识别出的负样本训练得到，处于其他层级的分类器由上一层级的分类器识别出的正样本和上一层级的分类器未识别出的负样本训练得到；其中，处于底层的分类器的误检率小于或等于预设误检率阈值、处于其他层级的分类器的误检率大于所述预设误检率阈值。
基于上述车标分类器的具体结构，本发明提出了如图7所示的车标识别和提取的具体实施流程，包括下述步骤：
步骤702，训练树形的车标分类器；
在本实施例中，树形的车标分类器即如图5所示的多层级的分类器，包括处于上层(Stage_1至Stage_S-1)的全样本分类器和下层(Stage_S及后续层级)的部分样本分类器，具体的训练方式可以采用图3及图6所示的流程，此处不再赘述。
步骤704，获取待检测图像中的待检测车辆；
步骤706，在待检测车辆中截取待识别区域；
在本实施例中，可以根据车牌区域的位置，以及车标图案与车牌区域之间的相对位置关系，从而截取图2所示的位于车牌区域上方的待识别区域。
步骤708，对待识别区域进行缩放处理；
步骤710，通过滑动窗口选取检测区域；
在本实施例中，“滑动窗口”是预设大小的检测区域选取窗口，通过将该窗口在缩放后的待识别区域中按照预设步长移动(即“滑动”)，从而在每次移动后，将所述检测区域选取窗口在缩放后的待识别区域中对应的画面提取为检测区域。比如图8所示，假定检测区域从待识别区域的左上角开始，然后分别沿x方向(水平方向)和y方向(竖直方向)进行移动，且移动的步长可以根据实际需求设置，比如设置为2像素等；其中，移动步长应当小于检测区域的边长，使得尽可能覆盖所有选取检测区域的可能性，提升识别准确率。其中，检测区域选取窗口的大小可以存在多种规格，则某种规格下对车标的识别和提取效果不佳时，可以通过更换其它规格，实现针对不同车标形状的优化；比如针对“奥迪”车标，检测区域选取窗口的水平宽度可以大于其他车标对应的水平宽度。
在本实施例中，可以根据实际情况，设置滑动窗口的大小和对待识别区域进行缩放的预设比例，以使得提取出的检测区域适于车标分类器的识别操作，有助于提升车标识别和提取效率。
步骤712，对每个检测区域进行识别；
在本实施例中，基于图5所示的树形结构的车标分类器，可以按照各分类器之间的层级顺序，依次采用全样本分类器和部分样本分类器进行识别操作。具体地，可以采用图9所示的过程，对每个检测区域分别进行检测：
首先，采用Stage_1中的全样本分类器T1进行识别，若识别出该检测区域中包含全部或部分车标图案，则转入下一层级的分类器，否则直接输出为非车标并结束检测。其中，在Stage_1至Stage_S-1中，每个层级的全样本分类器采用与T1类似的方式进行处理。
然后，若Stage_1至Stage_S-1的检测结果均为相应的检测区域中包含全部或部分车标图案，则从Stage_S开始，转入由部分样本分类器的识别操作。部分样本分类器包括多个分支，每个分支对应于相应的车标类型，比如在图9中，由左侧第一列的TS1……TS1+…等(分别对应于Stage_S……Stage_...等层级)构成对应于车标A的一个分支，由左侧第二列的TS2……TS2+…等构成对应于车标B的一个分支，……，由最右侧一列的TSm……TSm+…等构成对应于车标X的一个分支，则基于部分样本分类器的识别过程，就是通过上述每个分支依次进行识别操作；其中，在通过某个分支的分类器进行识别操作时，若该分支内所有层级的分类器均判定当前检测区域包含全部或部分车标图案，则直接输出对应的车标类型，若该分支内的任一层级的分类器判定当前检测区域不包含车标图案，则转入后一分支进行识别，直至所有分支均判定为不包含车标图案时，判定当前检测区域不包含车标图案。
具体地，比如当TS1判定检测区域中包含全部或部分车标图案时，转入Stage_S+1层级中对应的TS1+1，否则转入TS2；若Stage_S+1层级中对应的TS1+1，判定检测区域中包含全部或部分车标图案时，转入Stage_S+2层级中对应的TS1+2，否则转入TS2；若TS2判定检测区域中包含全部或部分车标图案时，转入Stage_S+1层级中对应的TS2+1，否则转入TS3，以此类推。其中，比如当TS1对应的分支最终输出结果时，确定该检测区域中包含全部或部分车标图案，且该车标图案为车标A。
步骤714，归并类型相同且相近的检测区域；
在本实施例中，当多个检测区域均对应于相同的车标类型时，若这些检测区域之间的距离相近，则可以对这些检测区域进行归并，形成相应的归并区域。
比如检测区域1的左上角坐标为A(XL0，YT0)，右下角坐标为B(XR0，YB0)；检测区域2的左上角坐标为A’(XL1，YT1)，右下角坐标为B’(XR1，YB1)，则距离阈值可以为：
Delta＝0.2×(min(XR0-XL0,XR1-XL1)+min(YB0-YT0,YB1-YT1))；
或者，Delta＝0.4×(min(XR0-XL0,XR1-XL1)+min(YB0-YT0,YB1-YT1))；
其中，Delta为距离阈值。因此，当满足下述公式时，表明相应的检测区域之间的距离相近：
需要说明的是：对于由多个检测区域归并得到的归并区域，如果多个归并区域之间也满足类型相同且距离相近，同样应当进一步归并，从而形成更大的归并区域，其处理过程与检测区域的归并操作类似，此处不再赘述。
步骤716，计算每个归并区域的权重值；
在本实施例中，可以按照下述公式计算每个归并区域对应的权重值，并将权重值最大的归并区域作为提取的所述车标图案：
其中，W为所述权重值，N为构成所述归并区域的检测区域的个数，a为预设常数，D为所述归并区域的中心点与所述待识别区域的中心点之间的水平距离，L为所述归并区域的水平宽度。
步骤718，选取权重值最大的归并区域，并输出相应的车标图案和类型。
图10示出了根据本申请的一示例性实施例的电子设备的示意结构图。请参考图10，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成车标信息的提取装置。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
请参考图11，在软件实施方式中，该车标信息的提取装置可以包括截取单元、识别单元、归并单元、距离计算单元、权重计算单元和输出单元。其中：
截取单元，用于根据在待检测图像中识别出的待检测车辆的车牌区域，从所述待检测图像中按照预设规格截取包含所述待检测车辆的车标图案的待识别区域；
识别单元，用于通过预配置的树形级联车标分类器对所述待识别区域进行车标矩形框识别，输出所述树形级联车标分类器认为包含全部或部分车标图案的第一车标矩形框组成的第一车标矩形框结果集，以及所述第一车标矩形框对应的车标类型和位置信息；
归并单元，用于根据所述第一车标矩形框对应的车标类型和位置信息，对所述车标矩形框结果集中第一车标矩形框按照预设方法进行归并，得到第二车标矩形框组成的第二车标矩形框结果集，保存归并过程中的归并参数；
距离计算单元，用于计算第二车标矩形框结果集中的每个第二车标矩形框中心点与所述待识别区域中心点的水平距离；
权重计算单元，用于根据所述水平距离和所述归并参数，计算所述第二车标矩形框结果集中第二车标矩形框的权重；
输出单元，用于对所述第二车标矩形框结果集中第二车标矩形框根据其权重进行排序，输出权重最大的第二车标矩形框作为目标车标矩形框，其中所述目标车标矩形框对应的车标类型为所述待检测图像中待检测车辆的车标类型，所述目标车标矩形框对应的位置即为所述待检测图像中待检测车辆的车标所在位置。
可选的，所述全样本分类器包括：
直接由所有预设类型的车标图案的正样本和负样本训练得到的第一分类器，且该第一分类器中包含的子分类器的数量大于或等于预设数量阈值；
或者，由所有预设类型的车标图案的正样本和负样本训练得到的呈级联结构的多个第一分类器，其中处于顶层的第一分类器直接由所有预设类型的车标图案的正样本和负样本训练得到，处于其他层级的第一分类器由上一层级的第一分类器识别出的正样本和上一层级的第一分类器未识别出的负样本训练得到；其中，处于底层的第一分类器中包含的子分类器的数量大于或等于所述预设数量阈值、处于其他层级的第一分类器中包含的子分类器的数量小于所述预设数量阈值。
可选的，所述全样本分类器还包括：
直接由处于底层的第一分类器识别出的正样本和处于底层的第一分类器未识别出的负样本训练得到的第二分类器，级联于所述第一分类器的下层；其中，所述第二分类器中包含的子分类器的数量大于或等于所述预设数量阈值，且大于直接由相应类型的车标图案的正样本和所述第二分类器未识别出的负样本训练得到的所有的部分样本分类器中包含的子分类器的第一总数量；
或者，多个第二分类器，级联于所述第一分类器的下层，其中处于最上层的第二分类器直接由处于底层的第一分类器识别出的正样本和处于底层的第一分类器未识别出的负样本训练得到，处于其他层级的第二分类器由上一层级的第二分类器识别出的正样本和上一层级的第二分类器未识别出的负样本训练得到；其中，各层级的第二分类器中包含的子分类器的数量大于或等于所述预设数量阈值，处于底层的第二分类器中包含的子分类器的数量大于直接由相应类型的车标图案的正样本和所述处于底层的第二分类器未识别出的负样本训练得到的所有的部分样本分类器中包含的子分类器的第二总数量，且其他层级的第二分类器中包含的子分类器的数量小于或等于所述第二总数量。
可选的，所述部分样本分类器包括：
直接由相应类型的车标图案的正样本和所述全样本分类器未识别出的负样本训练得到的分类器，且该分类器的误检率小于或等于预设误检率阈值；
或者，由相应类型的车标图案的正样本和负样本训练得到的呈级联结构的多个分类器，其中处于顶层的分类器直接由相应类型的车标图案的正样本和所述全样本分类器未识别出的负样本训练得到，处于其他层级的分类器由上一层级的分类器识别出的正样本和上一层级的分类器未识别出的负样本训练得到；其中，处于底层的分类器的误检率小于或等于预设误检率阈值、处于其他层级的分类器的误检率大于所述预设误检率阈值。
可选的，所述识别单元具体用于：
按照预设比例对所述待识别区域进行缩放处理；
将预设大小的检测区域选取窗口在缩放后的待识别区域中按照预设步长移动，其中每次移动后，将所述检测区域选取窗口在缩放后的待识别区域中对应的画面提取为检测区域；
由所述全样本分类器对所述检测区域进行识别，若其中任一层级的全样本分类器识别出所述检测区域中包含全部或部分车标图案，则继续由下一层级的全样本分类器对所述检测区域进行识别，否则输出该检测区域为非车标区域，并结束对当前检测区域的识别，进行下一个检测区域获取和识别；
当所有层级的全样本分类器的识别结果均为所述检测区域中包含全部或部分车标图案后，继续由所述部分样本分类器对所述检测区域进行识别：当对应于任一车标图案的任一部分样本分类器识别出所述检测区域中包含全部或部分车标图案时，由对应于该任一车标图案的下一层级的部分样本分类器进行识别，否则按照预设顺序选取对应于下一个车标图案的部分样本分类器对所述检测区域进行识别；
其中，当对应于同一车标图案的所有部分样本分类器均识别出所述检测区域中包含全部或部分车标图案时，输出该检测区域为包含全部或者部分所述同一车标图案的第一车标矩形框，进行下一个检测区域获取和识别，否则输出该检测区域为非车标区域，并结束对当前检测区域的识别，进行下一个检测区域获取和识别。
可选的，所述归并单元具体用于：
当第一车标矩形框1和第一车标矩形框2满足条件1和条件2时，对两个第一车标矩形框进行归并，所述条件1为：
所述两个第一车标矩形框的车标类型相同；
所述条件2为：
其中，(XL0，YT0)、(XR0，YB0)为第一车标矩形框1的左上角和右下角坐标，(XL1，YT1)、(XR1，YB1)为第一车标矩形框2的左上角和右下角坐标，Delta为距离阈值，当所述车标类型为奥迪车标时，所述距离阈值为：Delta＝0.4×(min(XR0-XL0,XR1-XL1)+min(YB0-YT0,YB1-YT1))，当所述车标类型为非奥迪车标时，所述距离阈值为：Delta＝0.2×(min(XR0-XL0,XR1-XL1)+min(YB0-YT0,YB1-YT1))。
可选的，所述权重计算单元按照下述公式计算所述第二车标矩形框结果集中第二车标矩形框的权重：
其中，W为所述权重，N为归并成所述第二车标矩形框的第一车标矩形框的个数，a为预设常数，D为所述第二车标矩形框的中心点与所述待识别区域的中心点之间的水平距离，L为所述第二车标矩形框的水平宽度。
因此，本发明通过获取所有车标的正样本和负样本训练出的全样本分类器，使得车标分类器更容易收敛，从而降低车标分类器的复杂程度，有助于提升对车标信息的识别效率；同时，通过获取每种车标的正样本和负样本分别训练出的部分样本分类器，可以进一步识别出车标类型，有助于准确地提取车标图案。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (8)
1.一种车标信息的提取方法，其特征在于，包括：
根据在待检测图像中识别出的待检测车辆的车牌区域，从所述待检测图像中按照预设规格截取包含所述待检测车辆的车标图案的待识别区域；
通过预配置的树形级联车标分类器对所述待识别区域进行车标矩形框识别，输出所述树形级联车标分类器认为包含全部或部分车标图案的第一车标矩形框组成的第一车标矩形框结果集，以及所述第一车标矩形框对应的车标类型和位置信息；
根据所述第一车标矩形框对应的车标类型和位置信息，对所述车标矩形框结果集中第一车标矩形框按照预设方法进行归并，得到第二车标矩形框组成的第二车标矩形框结果集，保存归并过程中的归并参数；
计算第二车标矩形框结果集中的每个第二车标矩形框中心点与所述待识别区域中心点的水平距离；
根据所述水平距离和所述归并参数，计算所述第二车标矩形框结果集中第二车标矩形框的权重；
对所述第二车标矩形框结果集中第二车标矩形框根据其权重进行排序，输出权重最大的第二车标矩形框作为目标车标矩形框，其中所述目标车标矩形框对应的车标类型为所述待检测图像中待检测车辆的车标类型，所述目标车标矩形框对应的位置即为所述待检测图像中待检测车辆的车标所在位置；
其中，所述树形级联车标分类器包括全样本分类器和部分样本分类器，所述全样本分类器和所述部分样本分类器呈树状级联结构，所述全样本分类器包括：
由所有预设类型的车标图案的正样本和负样本训练得到的呈级联结构的多个第一分类器，其中处于顶层的第一分类器直接由所有预设类型的车标图案的正样本和负样本训练得到，处于其他层级的第一分类器由上一层级的第一分类器识别出的正样本和上一层级的第一分类器未识别出的负样本训练得到；其中，处于底层的第一分类器中包含的子分类器的数量大于或等于预设数量阈值、处于其他层级的第一分类器中包含的子分类器的数量小于所述预设数量阈值；
或者，
由所有预设类型的车标图案的正样本和负样本训练得到的呈级联结构的多个第一分类器，其中处于顶层的第一分类器直接由所有预设类型的车标图案的正样本和负样本训练得到，处于其他层级的第一分类器由上一层级的第一分类器识别出的正样本和上一层级的第一分类器未识别出的负样本训练得到；其中，处于底层的第一分类器中包含的子分类器的数量大于或等于预设数量阈值、处于其他层级的第一分类器中包含的子分类器的数量小于所述预设数量阈值；
以及，直接由处于底层的第一分类器识别出的正样本和处于底层的第一分类器未识别出的负样本训练得到的第二分类器，级联于所述第一分类器的下层；其中，所述第二分类器中包含的子分类器的数量大于或等于所述预设数量阈值，且大于直接由相应类型的车标图案的正样本和所述第二分类器未识别出的负样本训练得到的所有的部分样本分类器中包含的子分类器的第一总数量；
或者，
由所有预设类型的车标图案的正样本和负样本训练得到的呈级联结构的多个第一分类器，其中处于顶层的第一分类器直接由所有预设类型的车标图案的正样本和负样本训练得到，处于其他层级的第一分类器由上一层级的第一分类器识别出的正样本和上一层级的第一分类器未识别出的负样本训练得到；其中，处于底层的第一分类器中包含的子分类器的数量大于或等于预设数量阈值、处于其他层级的第一分类器中包含的子分类器的数量小于所述预设数量阈值；
以及，多个第二分类器，级联于所述第一分类器的下层，其中处于最上层的第二分类器直接由处于底层的第一分类器识别出的正样本和处于底层的第一分类器未识别出的负样本训练得到，处于其他层级的第二分类器由上一层级的第二分类器识别出的正样本和上一层级的第二分类器未识别出的负样本训练得到；其中，各层级的第二分类器中包含的子分类器的数量大于或等于所述预设数量阈值，处于底层的第二分类器中包含的子分类器的数量大于直接由相应类型的车标图案的正样本和所述处于底层的第二分类器未识别出的负样本训练得到的所有的部分样本分类器中包含的子分类器的第二总数量，且其他层级的第二分类器中包含的子分类器的数量小于或等于所述第二总数量；
所述部分样本分类器包括：
直接由相应类型的车标图案的正样本和所述全样本分类器未识别出的负样本训练得到的分类器，且该分类器的误检率小于或等于预设误检率阈值；
或者，由相应类型的车标图案的正样本和负样本训练得到的呈级联结构的多个分类器，其中处于顶层的分类器直接由相应类型的车标图案的正样本和所述全样本分类器未识别出的负样本训练得到，处于其他层级的分类器由上一层级的分类器识别出的正样本和上一层级的分类器未识别出的负样本训练得到；其中，处于底层的分类器的误检率小于或等于预设误检率阈值、处于其他层级的分类器的误检率大于所述预设误检率阈值。
2.根据权利要求1所述的方法，其特征在于，通过预配置的树形级联车标分类器对所述待识别区域进行车标矩形框识别，具体包括：
按照预设比例对所述待识别区域进行缩放处理；
将预设大小的检测区域选取窗口在缩放后的待识别区域中按照预设步长移动，其中每次移动后，将所述检测区域选取窗口在缩放后的待识别区域中对应的画面提取为检测区域；
由所述全样本分类器对所述检测区域进行识别，若其中任一层级的全样本分类器识别出所述检测区域中包含全部或部分车标图案，则继续由下一层级的全样本分类器对所述检测区域进行识别，否则输出该检测区域为非车标区域，并结束对当前检测区域的识别，进行下一个检测区域获取和识别；
当所有层级的全样本分类器的识别结果均为所述检测区域中包含全部或部分车标图案后，继续由所述部分样本分类器对所述检测区域进行识别：当对应于任一车标图案的任一部分样本分类器识别出所述检测区域中包含全部或部分车标图案时，由对应于该任一车标图案的下一层级的部分样本分类器进行识别，否则按照预设顺序选取对应于下一个车标图案的部分样本分类器对所述检测区域进行识别；
其中，当对应于同一车标图案的所有部分样本分类器均识别出所述检测区域中包含全部或部分车标图案时，输出该检测区域为包含全部或者部分所述同一车标图案的第一车标矩形框，进行下一个检测区域获取和识别，否则输出该检测区域为非车标区域，并结束对当前检测区域的识别，进行下一个检测区域获取和识别。
3.根据权利要求1所述的方法，其特征在于，根据所述第一车标矩形框对应的车标类型和位置信息，对所述车标矩形框结果集中第一车标矩形框按照预设方法进行归并具体为：
当第一车标矩形框1和第一车标矩形框2满足条件1和条件2时，对两个第一车标矩形框进行归并，所述条件1为：
所述两个第一车标矩形框的车标类型相同；
所述条件2为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>X</mi>
<mi>L</mi>
<mn>0</mn>
<mo>-</mo>
<mi>X</mi>
<mi>L</mi>
<mn>1</mn>
<mo><</mo>
<mi>D</mi>
<mi>e</mi>
<mi>l</mi>
<mi>t</mi>
<mi>a</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>X</mi>
<mi>R</mi>
<mn>0</mn>
<mo>-</mo>
<mi>X</mi>
<mi>R</mi>
<mn>1</mn>
<mo><</mo>
<mi>D</mi>
<mi>e</mi>
<mi>l</mi>
<mi>t</mi>
<mi>a</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>Y</mi>
<mi>T</mi>
<mn>0</mn>
<mo>-</mo>
<mi>Y</mi>
<mi>T</mi>
<mn>1</mn>
<mo><</mo>
<mi>D</mi>
<mi>e</mi>
<mi>l</mi>
<mi>t</mi>
<mi>a</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>Y</mi>
<mi>B</mi>
<mn>0</mn>
<mo>-</mo>
<mi>Y</mi>
<mi>B</mi>
<mn>1</mn>
<mo><</mo>
<mi>D</mi>
<mi>e</mi>
<mi>l</mi>
<mi>t</mi>
<mi>a</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，(XL0，YT0)、(XR0，YB0)为第一车标矩形框1的左上角和右下角坐标，(XL1，YT1)、(XR1，YB1)为第一车标矩形框2的左上角和右下角坐标，Delta为距离阈值，当所述车标类型为奥迪车标时，所述距离阈值为：Delta＝0.4×(min(XR0-XL0,XR1-XL1)+min(YB0-YT0,YB1-YT1))，当所述车标类型为非奥迪车标时，所述距离阈值为：Delta＝0.2×(min(XR0-XL0,XR1-XL1)+min(YB0-YT0,YB1-YT1))。
4.根据权利要求1所述的方法，其特征在于，按照下述公式计算所述第二车标矩形框结果集中第二车标矩形框的权重：
<mrow>
<mi>W</mi>
<mo>=</mo>
<mi>N</mi>
<mo>+</mo>
<mi>a</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mi>D</mi>
<mi>L</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，W为所述权重，N为归并成所述第二车标矩形框的第一车标矩形框的个数，a为预设常数，D为所述第二车标矩形框的中心点与所述待识别区域的中心点之间的水平距离，L为所述第二车标矩形框的水平宽度。
5.一种车标信息的提取装置，其特征在于，包括：
截取单元，用于根据在待检测图像中识别出的待检测车辆的车牌区域，从所述待检测图像中按照预设规格截取包含所述待检测车辆的车标图案的待识别区域；
识别单元，用于通过预配置的树形级联车标分类器对所述待识别区域进行车标矩形框识别，输出所述树形级联车标分类器认为包含全部或部分车标图案的第一车标矩形框组成的第一车标矩形框结果集，以及所述第一车标矩形框对应的车标类型和位置信息；
归并单元，用于根据所述第一车标矩形框对应的车标类型和位置信息，对所述车标矩形框结果集中第一车标矩形框按照预设方法进行归并，得到第二车标矩形框组成的第二车标矩形框结果集，保存归并过程中的归并参数；
距离计算单元，用于计算第二车标矩形框结果集中的每个第二车标矩形框中心点与所述待识别区域中心点的水平距离；
权重计算单元，用于根据所述水平距离和所述归并参数，计算所述第二车标矩形框结果集中第二车标矩形框的权重；
输出单元，用于对所述第二车标矩形框结果集中第二车标矩形框根据其权重进行排序，输出权重最大的第二车标矩形框作为目标车标矩形框，其中所述目标车标矩形框对应的车标类型为所述待检测图像中待检测车辆的车标类型，所述目标车标矩形框对应的位置即为所述待检测图像中待检测车辆的车标所在位置；
其中，所述树形级联车标分类器包括全样本分类器和部分样本分类器，所述全样本分类器和所述部分样本分类器呈树状级联结构，所述全样本分类器包括：
由所有预设类型的车标图案的正样本和负样本训练得到的呈级联结构的多个第一分类器，其中处于顶层的第一分类器直接由所有预设类型的车标图案的正样本和负样本训练得到，处于其他层级的第一分类器由上一层级的第一分类器识别出的正样本和上一层级的第一分类器未识别出的负样本训练得到；其中，处于底层的第一分类器中包含的子分类器的数量大于或等于预设数量阈值、处于其他层级的第一分类器中包含的子分类器的数量小于所述预设数量阈值；
或者，
由所有预设类型的车标图案的正样本和负样本训练得到的呈级联结构的多个第一分类器，其中处于顶层的第一分类器直接由所有预设类型的车标图案的正样本和负样本训练得到，处于其他层级的第一分类器由上一层级的第一分类器识别出的正样本和上一层级的第一分类器未识别出的负样本训练得到；其中，处于底层的第一分类器中包含的子分类器的数量大于或等于预设数量阈值、处于其他层级的第一分类器中包含的子分类器的数量小于所述预设数量阈值；
以及，直接由处于底层的第一分类器识别出的正样本和处于底层的第一分类器未识别出的负样本训练得到的第二分类器，级联于所述第一分类器的下层；其中，所述第二分类器中包含的子分类器的数量大于或等于所述预设数量阈值，且大于直接由相应类型的车标图案的正样本和所述第二分类器未识别出的负样本训练得到的所有的部分样本分类器中包含的子分类器的第一总数量；
或者，
由所有预设类型的车标图案的正样本和负样本训练得到的呈级联结构的多个第一分类器，其中处于顶层的第一分类器直接由所有预设类型的车标图案的正样本和负样本训练得到，处于其他层级的第一分类器由上一层级的第一分类器识别出的正样本和上一层级的第一分类器未识别出的负样本训练得到；其中，处于底层的第一分类器中包含的子分类器的数量大于或等于预设数量阈值、处于其他层级的第一分类器中包含的子分类器的数量小于所述预设数量阈值；
以及，多个第二分类器，级联于所述第一分类器的下层，其中处于最上层的第二分类器直接由处于底层的第一分类器识别出的正样本和处于底层的第一分类器未识别出的负样本训练得到，处于其他层级的第二分类器由上一层级的第二分类器识别出的正样本和上一层级的第二分类器未识别出的负样本训练得到；其中，各层级的第二分类器中包含的子分类器的数量大于或等于所述预设数量阈值，处于底层的第二分类器中包含的子分类器的数量大于直接由相应类型的车标图案的正样本和所述处于底层的第二分类器未识别出的负样本训练得到的所有的部分样本分类器中包含的子分类器的第二总数量，且其他层级的第二分类器中包含的子分类器的数量小于或等于所述第二总数量；
所述部分样本分类器包括：
直接由相应类型的车标图案的正样本和所述全样本分类器未识别出的负样本训练得到的分类器，且该分类器的误检率小于或等于预设误检率阈值；
或者，由相应类型的车标图案的正样本和负样本训练得到的呈级联结构的多个分类器，其中处于顶层的分类器直接由相应类型的车标图案的正样本和所述全样本分类器未识别出的负样本训练得到，处于其他层级的分类器由上一层级的分类器识别出的正样本和上一层级的分类器未识别出的负样本训练得到；其中，处于底层的分类器的误检率小于或等于预设误检率阈值、处于其他层级的分类器的误检率大于所述预设误检率阈值。
6.根据权利要求5所述的装置，其特征在于，所述识别单元具体用于：
按照预设比例对所述待识别区域进行缩放处理；
将预设大小的检测区域选取窗口在缩放后的待识别区域中按照预设步长移动，其中每次移动后，将所述检测区域选取窗口在缩放后的待识别区域中对应的画面提取为所述检测区域；
由所述全样本分类器对所述检测区域进行识别，若其中任一层级的全样本分类器识别出所述检测区域中包含全部或部分车标图案，则继续由下一层级的全样本分类器对所述检测区域进行识别，否则输出该检测区域为非车标区域，并结束对当前检测区域的识别，进行下一个检测区域获取和识别；
当所有层级的全样本分类器的识别结果均为所述检测区域中包含全部或部分车标图案后，继续由所述部分样本分类器对所述检测区域进行识别：当对应于任一车标图案的任一部分样本分类器识别出所述检测区域中包含全部或部分车标图案时，由对应于该任一车标图案的下一层级的部分样本分类器进行识别，否则按照预设顺序选取对应于下一个车标图案的部分样本分类器对所述检测区域进行识别；
其中，当对应于同一车标图案的所有部分样本分类器均识别出所述检测区域中包含全部或部分车标图案时，输出该检测区域为包含全部或者部分所述同一车标图案的第一车标矩形框，进行下一个检测区域获取和识别，否则输出该检测区域为非车标区域，并结束对当前检测区域的识别，进行下一个检测区域获取和识别。
7.根据权利要求5所述的装置，其特征在于，所述归并单元具体用于：
当第一车标矩形框1和第一车标矩形框2满足条件1和条件2时，对两个第一车标矩形框进行归并，所述条件1为：
所述两个第一车标矩形框的车标类型相同；
所述条件2为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>X</mi>
<mi>L</mi>
<mn>0</mn>
<mo>-</mo>
<mi>X</mi>
<mi>L</mi>
<mn>1</mn>
<mo><</mo>
<mi>D</mi>
<mi>e</mi>
<mi>l</mi>
<mi>t</mi>
<mi>a</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>X</mi>
<mi>R</mi>
<mn>0</mn>
<mo>-</mo>
<mi>X</mi>
<mi>R</mi>
<mn>1</mn>
<mo><</mo>
<mi>D</mi>
<mi>e</mi>
<mi>l</mi>
<mi>t</mi>
<mi>a</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>Y</mi>
<mi>T</mi>
<mn>0</mn>
<mo>-</mo>
<mi>Y</mi>
<mi>T</mi>
<mn>1</mn>
<mo><</mo>
<mi>D</mi>
<mi>e</mi>
<mi>l</mi>
<mi>t</mi>
<mi>a</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>Y</mi>
<mi>B</mi>
<mn>0</mn>
<mo>-</mo>
<mi>Y</mi>
<mi>B</mi>
<mn>1</mn>
<mo><</mo>
<mi>D</mi>
<mi>e</mi>
<mi>l</mi>
<mi>t</mi>
<mi>a</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，(XL0，YT0)、(XR0，YB0)为第一车标矩形框1的左上角和右下角坐标，(XL1，YT1)、(XR1，YB1)为第一车标矩形框2的左上角和右下角坐标，Delta为距离阈值，当所述车标类型为奥迪车标时，所述距离阈值为：Delta＝0.4×(min(XR0-XL0,XR1-XL1)+min(YB0-YT0,YB1-YT1))，当所述车标类型为非奥迪车标时，所述距离阈值为：Delta＝0.2×(min(XR0-XL0,XR1-XL1)+min(YB0-YT0,YB1-YT1))。
8.根据权利要求5所述的装置，其特征在于，所述权重计算单元按照下述公式计算所述第二车标矩形框结果集中第二车标矩形框的权重：
<mrow>
<mi>W</mi>
<mo>=</mo>
<mi>N</mi>
<mo>+</mo>
<mi>a</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mi>D</mi>
<mi>L</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，W为所述权重，N为归并成所述第二车标矩形框的第一车标矩形框的个数，a为预设常数，D为所述第二车标矩形框的中心点与所述待识别区域的中心点之间的水平距离，L为所述第二车标矩形框的水平宽度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410589478.2A CN104281851B (zh) | 2014-10-28 | 2014-10-28 | 车标信息的提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410589478.2A CN104281851B (zh) | 2014-10-28 | 2014-10-28 | 车标信息的提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104281851A CN104281851A (zh) | 2015-01-14 |
| CN104281851B true CN104281851B (zh) | 2017-11-03 |
Family
ID=52256711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410589478.2A Active CN104281851B (zh) | 2014-10-28 | 2014-10-28 | 车标信息的提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104281851B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105205486B (zh) * | 2015-09-15 | 2018-12-07 | 浙江宇视科技有限公司 | 一种车标识别方法及装置 |
| CN108496185B (zh) * | 2016-01-18 | 2022-09-16 | 北京市商汤科技开发有限公司 | 用于对象检测的系统和方法 |
| WO2017142510A1 (en) * | 2016-02-16 | 2017-08-24 | Entit Software Llc | Classification |
| CN108108729B (zh) * | 2016-11-25 | 2021-08-20 | 杭州海康威视数字技术股份有限公司 | 一种车牌类型的识别方法及装置 |
| CN108932453B (zh) * | 2017-05-23 | 2021-04-09 | 杭州海康威视数字技术股份有限公司 | 一种车辆备胎检测方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4240330B2 (ja) * | 2006-10-24 | 2009-03-18 | ソニー株式会社 | データベース作成方法、データベース作成プログラム、データベース作成装置及び映像コンテンツ記録装置 |
| CN103065140A (zh) * | 2012-12-30 | 2013-04-24 | 信帧电子技术（北京）有限公司 | 车标的定位方法及装置 |
-
2014
- 2014-10-28 CN CN201410589478.2A patent/CN104281851B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104281851A (zh) | 2015-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104281851B (zh) | 车标信息的提取方法及装置 | |
| CN109460709B (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
| CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
| US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN105184778B (zh) | 一种检测方法及装置 | |
| CN108734105A (zh) | 车道线检测方法、装置、存储介质和电子设备 | |
| CN102842045B (zh) | 一种基于组合特征的行人检测方法 | |
| CN110502982B (zh) | 一种检测高速公路中障碍物的方法、装置及计算机设备 | |
| CN111563494A (zh) | 基于目标检测的行为识别方法、装置和计算机设备 | |
| CN105654097B (zh) | 图像中四边形标记物的检测方法 | |
| Farag et al. | Road lane-lines detection in real-time for advanced driving assistance systems | |
| CN108182383B (zh) | 一种车窗检测的方法及设备 | |
| CN106372666B (zh) | 一种目标识别方法及装置 | |
| CN108090429A (zh) | 一种分级前脸卡口车型识别方法 | |
| CN106203398A (zh) | 一种检测车道边界的方法、装置和设备 | |
| CN105608441B (zh) | 一种车型识别方法及系统 | |
| CN108710913A (zh) | 一种基于深度学习的开关柜图像开关状态自动识别方法 | |
| CN105139425A (zh) | 一种人数统计方法及装置 | |
| CN106934795A (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
| CN108681693A (zh) | 基于可信区域的车牌识别方法 | |
| CN110096975A (zh) | 一种车位状态识别方法、设备及系统 | |
| CN106778633B (zh) | 一种基于区域分割的行人识别方法 | |
| CN107424150A (zh) | 一种基于卷积神经网络的道路破损检测方法及装置 | |
| CN107689158A (zh) | 一种基于图像处理的智能交通控制方法 | |
| CN107220664A (zh) | 一种基于结构化随机森林的油瓶装箱清点方法 |
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 |