CN104463135A - 一种车标识别方法和系统 - Google Patents

Abstract

本发明实施例提供一种车标识别方法和系统，将每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，分别得到一个模型特征向量，其中，方法包括：获取车标区域；将所述车标区域通过LDA投影到所述最佳鉴别矢量空间，得到车标特征向量；计算所述车标特征向量与所有模型特征向量间欧式距离，选取预定个与所述车标特征向量欧式距离最近的模型特征向量；对所述车标区域使用所有选取的模型特征向量相对应的车标识别模型分别进行识别，得到车标识别结果。提高了对汽车车标的识别速度。

Description

一种车标识别方法和系统

技术领域

本发明涉及图像处理领域，特别是涉及一种车标识别方法和系统。

背景技术

目前，车牌识别设备已经被广泛地使用在停车场出入口对进出场的车辆进行管理，目前的车牌识别系统使用进场取卡，一车一卡的模式来进行车牌识别。然而，因为车牌识别设备的车牌识别率一般只有95％左右，无法保证将所有拍摄的车牌完全识别出来，因此，在停车场出入口处一般会配置有工作人员来协助进行车牌设备。但是，近年来，随着人力成本的提高，无人值守停车场开始被推广，车牌识别目前在大部分系统中仍然作为车辆识别的唯一标准，一旦车牌号码无法被识别，将会对用户使用以及停车场管理带来麻烦，车标识别作为车牌识别的一种补充，在车牌无法被识别的时候可以通过识别车标来完成寻车以及协助收费，车标识别越来越受到人们的重视。但是，由于现有的车标种类繁多，当需要对一个汽车车标进行识别时，需要对待识别的汽车车标使用所有类别的车标识别模型均进行识别后才可对待识别车标进行准确地识别，使得现有技术中对汽车车标的识别速度缓慢，使得对汽车车标的识别失去了其应有的时效性，使其无法在停车场出入口等来协助对进出场的车辆进行管理，失去了对汽车车标识别应有的意义。

发明内容

有鉴于此，本发明实施例提供一种车标识别方法和系统，以解决现有技术中对汽车车标的识别速度缓慢，使得对汽车车标的识别失去了其应有的时效性，使其无法在停车场出入口等来协助对进出场的车辆进行管理，失去了对汽车车标识别应有的意义的问题。

为实现上述目的，本发明实施例提供如下技术方案：

一种车标识别方法，将每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，分别得到一个模型特征向量，包括：

获取车标区域；

将所述车标区域通过LDA投影到所述最佳鉴别矢量空间，得到车标特征向量；

计算所述车标特征向量与所有模型特征向量间欧式距离，选取预定个与所述车标特征向量欧式距离最近的模型特征向量；

对所述车标区域使用所有选取的模型特征向量相对应的车标识别模型分别进行识别，得到车标识别结果。

其中，将每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间前还包括：训练车标识别模型，

所述训练车标识别模型包括：

获取车标图像样本，并确定需训练的车标识别模型的类别；

取所述车标图像样本中包含所述类别车标的车标区域为正样本，取所述车标图像样本中不包含所述类别车标的车标区域为负样本；

将所有正样本和负样本归一化到预定像素尺寸，并进行HOG特征提取；

将所有提取到的特征进行串接后输入支持向量机SVM进行训练，得到所述类别的车标识别模型。

其中，所述最佳鉴别矢量空间包括：

对每类车标识别模型通过LDA进行特征提取，分别得到一个特征矩阵；

取每个特征矩阵的最大特征值相对应的特征向量分别组成一个最佳鉴别矢量矩阵，得到最佳鉴别矢量空间。

其中，所述获取车标区域包括：

获取车标图像；

对所述车标图像使用车标混合模型进行搜索，得到车标区域。

其中，所述对所述车标图像使用车标混合模型进行搜索包括：

判断是否在所述车标图像中检测到车牌区域；

若检测到，则将所述车牌区域扩大预定的范围得到扩大区域，在所述扩大区域内使用车标混合模型进行搜索；

若未检测到，则对所述车标图像全图使用车标混合模型进行搜索。

其中，训练所述车标混合模型包括：

获取车标图像样本；

取所述车标图像样本中车标区域为正样本，取所述车标图像样本中非车标区域为负样本；

使用哈尔特征对所述正样本和负样本进行表征，形成哈尔特征；

利用迭代算法对所述哈尔特征进行训练，得到车标混合模型。

其中，在接收地感信号后获取车标图像。

其中，所述得到车标识别结果包括：

确定每类车标识别模型对车标区域进行识别后的车标识别结果置信度；

将置信度最高的车标识别结果作为车标识别结果。

一种车标识别系统，包括：车标获取模块、第一投影模块、选取模块和识别模块；其中，

所述车标获取模块，用于获取车标区域；

所述第一投影模块，用于将所述车标区域通过LDA投影到所述最佳鉴别矢量空间，得到车标特征向量；

所述选取模块，用于计算所述车标特征向量与所有模型特征向量间欧式距离，选取预定个与所述车标特征向量欧式距离最近的模型特征向量；

所述识别模块，用于对所述车标区域使用所有选取的模型特征向量相对应的车标识别模型分别进行识别，得到车标识别结果。

其中，所述车标识别系统还包括：第二投影模块，用于将每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，分别得到一个模型特征向量。

基于上述技术方案，本发明实施例提供的车标识别方法和系统，在进行车标识别前，先将每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，使每类车标识别模型分别得到一个模型特征向量；在进行车标识别时，通过获取车标区域，将获取的车标区域通过LDA投影到上述的最佳鉴别矢量空间，得到车标特征向量，然后计算该车标特征向量与所有模型特征向量间的欧式距离，因为模型特征向量与车标特征向量的欧式距离越近，则模型特征向量相对应的车标识别模型的类型越有可能为待测汽车车标的车标类型，因此，计算该车标特征向量与所有模型特征向量间的欧式距离后，选取预定个与该车标特征向量欧式距离最近的模型特征向量，对该车标区域仅使用所有选取的模型特征向量相对应的车标识别模型分别来进行识别，便可得到准确的车标识别结果，提高了汽车车标的识别速度，使汽车车标的识别具有时效性，保证了车标识别在停车场出入口等出来对进出场的车辆管理的协助作用。

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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供车标识别系统；

图2为本发明实施例提供的车标识别方法中得到模型特征向量的方法流程图；

图3为本发明实施例提供的车标识别方法中训练车标识别模型的方法流程图；

图4为本发明实施例提供的车标识别方法中得到最佳鉴别矢量空间的方法流程图；

图5为本发明实施例提供的车标识别方法中获取车标区域的方法流程图；

图6为本发明实施例提供的车标识别方法中对车标图像使用车标混合模型进行搜索的方法流程图；

图7为本发明实施例提供的车标识别方法中训练车标混合模型的方法流程图；

图8为本发明实施例提供的车标识别方法中获取车标图像的方法流程图；

图9为本发明实施例提供的车标识别方法中得到车标识别结果的方法流程图；

图10为本发明实施例提供的车标识别系统的系统框图；

图11为本发明实施例提供的车标识别系统的另一系统框图。

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。

图1为本发明实施例提供的车标识别方法的流程图，该车标识别方法提高了对汽车车标的识别速度，使汽车车标的识别具有时效性，保证了车标识别在停车场出入口等出来对进出场的车辆管理的协助作用；参照图1，该车标识别方法可以包括：

步骤S100：获取车标区域；

车标区域即车标图像中包括车标的区域，车标图像即在停车场出入口等处通过摄像机等图像采集设备采集到的包含车标的图像，一般来说，一幅车标图像的整图中只有一小部分为车标区域。

在获取车标区域之前，需要将用来识别车标区域的各类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，每一类车标识别模型在通过LDA投影后，分别可以得到一个模型特征向量，也就是说，每一个模型特征向量均有其相对应的车标识别模型。

其中，车标识别模型用来识别车标，当一类车标识别模型对车标区域进行识别时，将会得到该被识别车标区域的车标识别置信度，若该被识别车标区域与该车标识别模型的类别相同，则将会输出的输出置信度较高的车标识别结果，若该被识别车标区域与该车标识别模型的类别不相同，则将会输出置信度较低的车标识别结果。

可选的，可以使用30个类别的车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，得到30个模型特征向量。

可选的，当具有N类的车标识别模型时，车标识别模型可以通过LDA降维到的最佳鉴别空间的维数可以与N-1维。也就是说，将一个56 x 56大小的车标区域可以提取到1296维的特征，而通过了LDA降维的方法，把复杂的车标模型从1296维降到N-1维。例如，当具有30类的车标识别模型时，车标识别模型经过LDA降维后的维数只有29维。

其中，需要注意的，在获取车标区域之前，需要对每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，分别得到一个模型特征向量，但是，并不是每次获取车标区域之前均需要将每类车标识别模型通过LDA投影到最佳鉴别矢量空间分别得到一个模型特征向量，在同一个车标识别设备中，只需要进行一次将每类车标识别模型通过LDA投影到最佳鉴别矢量空间的操作即可，该车标识别设备在每次对车标进行识别时，均使用该最佳鉴别矢量空间和该最佳鉴别矢量空间中的所有模型特征向量来进行投影和计算操作，无需重复将每类车标识别模型通过LDA重复投影到最佳鉴别矢量空间，使分别得到一个模型特征向量。

可选的，在需要训练某个类别的车标识别模型时，可以通过获取车标图像样本，确定需训练的车标识别模型的类别后，取获取的车标图像样本中包含该类别车标的车标区域为正样本，取获取的车标图像样本中不包含该类别车标的车标区域为负样本，然后将所有正样本和负样本归一化到预定像素尺寸，然后进行特征提取，将所有提取到的特征进行串接后输入支持向量机SVM进行训练，车标识别模型。

其中，获取的车标图像样本的包含有所有类别的车标图像，例如，当车标的总类别数为30类，训练的车标识别模型为奥迪类别时，则取30类车标图像样本中，奥迪类别的车标区域为正样本，取其他29类的车标区域为负样本。

可选的，可以通过使用摄像头在各个时段和天气条件下拍摄并储存大量停车场出入口的视频中来获取车标图像样本。

可选的，可以通过人工截取的方式来获取车标图像样本作为正样本和负样本，也可以通过机器自动识别的方式来获取车标图像样本作为正样本和负样本。

可选的，可以通过对每类车标识别模型通过LDA进行特征提取，分别得到一个特征矩阵后，取每一个特征矩阵的最大特征值相对应的特征向量分别组成一个最佳鉴别矢量矩阵来得到最佳鉴别矢量空间。

可选的，因为图像采集设备直接采集的图像为车标图像，因此，在获取车标区域时，需要先获取车标图像，对所获取的车标图像使用车标混合模型进行搜索来得到车标区域。

其中，车标混合模型用来检测车标图像中的车标区域。

可选的，可以通过获取车标图像样本，取获取的车标图像样本中车标区域为正样本，取所述的车标图像样本中非车标区域为负样本，然后使用哈尔特征对取得的正样本和负样本进行表征，形成哈尔特征；最后利用迭代算法来对所述哈尔特征进行训练，得到车标混合模型。

可选的，在获取车标图像样本后，可以通过判断是否在该车标图像中检测到车牌区域来决定使用何种方法对获取的车标图像进行车区域的搜索。当在获取的车标图像中检测到车牌区域时，因为汽车的车牌与车标的位置接近，因此，可以通过将所述车牌区域扩大预定的范围得到扩大区域，在该扩大区域内使用车标混合模型进行搜索，得到车标区域；当在获取的车标图像中没有检测到车牌区域时，则可以通过对所述车标图像全图使用车标混合模型进行搜索，来得到车标区域。

其中，训练用来检测车标区域的车标混合模型所使用的车标图像样本包括所有类别的车标图像，例如，当车标的总类别数为30类时，则取所有30类车标图像样本中的车标区域为正样本，取所有30类车标图像中的非车标区域为负样本。

可选的，可以在车标识别设备接收到地感信号后获取车标图像。

步骤S110：将所述车标区域通过LDA投影到所述最佳鉴别矢量空间，得到车标特征向量；

将获取的车标区域通过LDA投影到最佳鉴别矢量空间后，将会得到一个车标特征向量。其中，车标区域通过LDA投影到的最佳鉴别矢量空间，与车标识别模型投影到的最佳鉴别矢量空间为同一个空间。

步骤S120：计算所述车标特征向量与所有模型特征向量间欧式距离，选取预定个与所述车标特征向量欧式距离最近的模型特征向量；

将各类车标识别模型通过LDA投影到后最佳鉴别矢量空间，在投影后的每一类车标识别模型在最佳鉴别矢量空间中将有着有最佳的可分离性，即投影后的每一类车标识别模型在最佳鉴别矢量空间中将有着最大的类间距离和最小的类内距离，将车标区域通过LDA投影到所述最佳鉴别矢量空间后得到的车标特征向量，其与最佳鉴别矢量空间中的哪一个模型特征向量的欧式距离越近，则说明该车标特征向量最可能与该个模型特征向量属于同一类，需要选出预定个与车标特征向量欧式距离最近的模型特征向量，即选出预定个被测车标最可能的类别。

可续的，可以选取5个与所述车标特征向量欧式距离最近的模型特征向量。

对已知类别的车牌识别模型中训练样本S采用LDA降维，可以得到一个特征矩阵V和一个最佳投影空间W，把各类车牌识别模型S投影到最佳鉴别矢量空间W，将得到分别得到一个模型特征向量T，把获取的待识别车标区域也投影到W，得到获取的车标区域的车标特征向量y。在最佳鉴别矢量空间中，求待识别车标图像的特征向量y与各个模型特征向量T间的欧式距离，然后对所有的欧式距离进行排序，选取与所述车标特征向量欧式距离最佳的前n名，组成距离集合。

对于一个m x n的二维图像矩阵，通过首尾相连转换成一维向量D，那么一维向量D＝mxn，如果这样的二维图像一共有L类，用N_n表示每一类车标识别模型中训练样本的数量，其中n＝1,2,…,L；用N表示所有车标识别模型中训练样本的总数；所有的训练样本集合表示为X＝{x₁,x₂,...,x_L}，均值样本集为U＝{u₁ u₂ ... u_L}，第c类训练样本集合为那么，

可选的，所有样本的均值可以为：

$u=\frac{1}{N}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{X}_i;$

可选的，第c类样本的均值可以为：

$\begin{array}{cc}{u}_c=\frac{1}{N_c}\underset{x\∈X_c}{\mathrm{\Σ}}x& c\∈\left[\begin{array}{cc}1& L\end{array}\right]\end{array};$

可选的，样本间的离散度矩阵可以定义为：

$S_b=\underset{c=1}{\overset{L}{\mathrm{\Σ}}}P\left(c\right)(u_c-u){(u_c-u)}^T;$

其中，P(c)为c类样本的先验概率。

样本类内的离散度矩阵定义为：

$S_w=\underset{c=1}{\overset{L}{\mathrm{\Σ}}}\frac{P\left(c\right)}{N_c}\underset{x_k\∈X_c}{\mathrm{\Σ}}(u_c-x_k){(u_c-x_k)}^T;$

其中，(u_c-u)(u_c-u)^T为协方差矩阵，这个协方差矩阵是该类与样本总体之间的关系。

最佳映射矩阵定义为：

$J\left(W\right)=\frac{W^T{S}_{b}W}{W^T{S}_{w}W}.$

其中，W即为使模式样本的投影在类间最分散，类内最集中的最优解。

可选的，当S_w为非奇异时，最佳投影矩阵W的列向量可以为以下广义特征方程：的d个最大的特征值所对应的特征向量，且最优投影轴的个数d≤L-1。

可选的，在得知W后，任意待识别样本x在W上的投影可以为：y＝xW。这样就可以将该二维图像由D维空间投影到1维空间，即在直线W上变成一维样本y，分类效果最好。步骤S130：对所述车标区域使用所有选取的模型特征向量相对应的车标识别模型分别进行识别，得到车标识别结果。

在最佳鉴别矢量空间中，与车标特征向量欧式距离越近的模型特征向量，越有可能那个与被测车标属于同一类别，而每个模型特征向量分别对应着一个车标识别模型，模型特征向量的类别与车标识别模型的类别相同，因此，对获取的车标区域使用所有选取的模型特征向量相对应的车标识别模型分别进行识别。

对所述车标区域使用所有选取的模型特征向量相对应的车标识别模型分别进行识别，即选出的预定个被测向量最可能的类别后，使用该类别的车标识别模型来对车标区域进行检测，使不再需要使用全部的车标识别模型来识别待识车标区域，仅用少数的车标识别模型来识别待识车标区域，便可得到准确的车标识别结果，加快了车标识别速度，使对车标的识别具有应有的时效性。

可选的，可以通过确定每类车标识别模型对车标区域进行识别后得到的车标识别结果置信度，将置信度最高的车标识别结果作为车标识别结果来识别车标。

基于上述技术方案，本发明实施例提供的车标识别方法和系统，在进行车标识别前，先将每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，使每类车标识别模型分别得到一个模型特征向量；在进行车标识别时，通过获取车标区域，将获取的车标区域通过LDA投影到上述的最佳鉴别矢量空间，得到车标特征向量，然后计算该车标特征向量与所有模型特征向量间的欧式距离，因为模型特征向量与车标特征向量的欧式距离越近，则模型特征向量相对应的车标识别模型的类型越有可能为待测汽车车标的车标类型，因此，计算该车标特征向量与所有模型特征向量间的欧式距离后，选取预定个与该车标特征向量欧式距离最近的模型特征向量，对该车标区域仅使用所有选取的模型特征向量相对应的车标识别模型分别来进行识别，便可得到准确的车标识别结果，提高了汽车车标的识别速度，使汽车车标的识别具有时效性，保证了车标识别在停车场出入口等出来对进出场的车辆管理的协助作用。

可选的，图2示出了本发明实施例提供的车标识别方法中得到模型特征向量的方法流程图，参照图2，该得到模型特征向量的方法可以包括：

步骤S200：将每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间；

可选的，可以通过获取车标图像样本，确定需训练的车标识别模型的类别后，取获取的车标图像样本中包含该类别车标的车标区域为正样本，取获取的车标图像样本中不包含该类别车标的车标区域为负样本，然后将所有正样本和负样本归一化到预定像素尺寸，然后进行特征提取，将所有提取到的特征进行串接后输入支持向量机SVM进行训练，来得到所需类别的车标识别模型。

可选的，可以通过对每类车标识别模型通过LDA进行特征提取，分别得到一个特征矩阵后，取每一个特征矩阵的最大特征值相对应的特征向量分别组成一个最佳鉴别矢量矩阵来得到最佳鉴别矢量空间。

步骤S210：分别得到一个模型特征向量。

一类车标识别模型与通过LDA投影到最佳鉴别矢量空间后将会得到一个模型特征向量，车标识别模型与模型特征向量之间为一一对应的关系。

其中，需要注意的是，在获取车标区域之前，需要对每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，分别得到一个模型特征向量，但是，并不是每次获取车标区域之间均需要将每类车标识别模型通过LDA投影到最佳鉴别矢量空间分别得到一个模型特征向量，在同一个车标识别设备中，只需要进行一次将每类车标识别模型通过LDA投影到最佳鉴别矢量空间的操作即可。

可选的，图3示出了本发明实施例提供的车标识别方法中训练车标识别模型的方法流程图，参照图3，该训练车标识别模型的方法可以包括：

步骤S300：获取车标图像样本，并确定需训练的车标识别模型的类别；

其中，获取的车标图像样本的包含有所有类别的车标图像。

可选的，对于每一类车标识别模型，均可以采用1000个车标图像样本进行训练。

步骤S310：取所述车标图像样本中包含所述类别车标的车标区域为正样本，取所述车标图像样本中不包含所述类别车标的车标区域为负样本；

例如，当车标的总类别数为30类，确定训练的车标识别模型为奥迪类别时，则取30类车标图像样本中奥迪类别的车标区域为正样本，取其他29类的车标区域为负样本。

步骤S320：将所有正样本和负样本归一化到预定像素尺寸，并进行HOG特征提取；

HOG(Histogram of oriented gradients)，刻画图像的局部梯度幅值和方向特征。HOG允许块之间相互重叠，因此对光照变化和小量的偏移并不敏感，能有效地刻画出边缘特征。对于角度大的车标检测效果好，之后通过形成的HOG特征向量建立HOG模型，通过HOG模型进行多尺度检测，对图像中每个能通过HOG验证的区域，都用一个方框区域显示，提取通过HOG模型检测的方框区域。

HOG特征是灰度图的梯度统计信息，梯度主要存在于边缘的地方。

可选的，可以根据如下公式计算梯度，获得HOG特征，其中I(x,y)表示在图像I上的一个点。

图像的一阶梯度的大小为：

$R(x,y)=\sqrt{{(I(x+1,y)-I(x-1,y))}^2+{(I(x,y-1)-I(x,y+1))}^2},$

梯度方向为：

Ang(x,y)＝arccos(I(x+1,y)-I(x-1,y)/R)。

直方图方向为9个，将每个分块中所有像素的一维梯度直方图累加到其中，就形成了最终的HOG特征。

可选的，可以将所有正样本和负样本归一化到56x56像素的尺寸。

对于一个图像样本，使用的区域cell尺寸为8 x 8像素尺寸，每4个cell组成一个块block，因此，一个56x56像素尺寸大小的样本，可以从中提取到 $(\frac{56}{8}-1)(\frac{56}{8}-1)\×36=1296$ 维的特征。

步骤S330：将所有提取到的特征进行串接后输入支持向量机SVM进行训练，得到所述类别的车标识别模型。

其中，支持向量机SVM(Support Vector Machine)为一种可训练的机器学习方法。

可选的，图4示出了本发明实施例提供的车标识别方法中得到最佳鉴别矢量空间的方法流程图，参照图4，该得到最佳鉴别矢量空间的方法可以包括：

步骤S400：对每类车标识别模型通过LDA进行特征提取，分别得到一个特征矩阵；

每一类车标识别模型通过LDA进行特征提取，均可以得到一个特征矩阵。

步骤S410：取每一特征矩阵的最大特征值相对应的特征向量分别组成一个最佳鉴别矢量矩阵，得到最佳鉴别矢量空间。

一个特征矩阵的最大特征值相对应的特征向量可以组成一个最佳鉴别矢量矩阵，所有的特征矩阵的最大特征值相对应的特征向量组成的最佳鉴别矢量矩阵集合，即为最佳鉴别矢量空间。

可选的，图5示出了本发明实施例提供的车标识别方法中获取车标区域的方法流程图，参照图5，该获取车标区域的方法可以包括：

步骤S500：获取车标图像；

步骤S510：对所述车标图像使用车标混合模型进行搜索，得到车标区域。

因为被图像采集设备直接采集到的图像为车标图像，因此，在获取车标区域时，需要先获取车标图像，在对所获取的车标图像使用车标混合模型进行搜索来得到车标区域。

可选的，可以通过获取车标图像样本，取获取的车标图像样本中车标区域为正样本，取所述的车标图像样本中非车标区域为负样本，然后使用哈尔特征对取得的正样本和负样本进行表征，形成哈尔特征；最后利用迭代算法来对所述哈尔特征进行训练，得到车标混合模型。

可选的，图6示出了本发明实施例提供的车标识别方法中对车标图像使用车标混合模型进行搜索的方法流程图，参照图6，该对车标图像使用车标混合模型进行搜索的方法可以包括：

步骤S600：判断是否在所述车标图像中检测到车牌区域；

步骤S610：若检测到，则将所述车牌区域扩大预定的范围得到扩大区域，在所述扩大区域内使用车标混合模型进行搜索；

因为汽车的车牌位置与车标位置接近，因此，当在获取的车标图像中检测到车牌区域时，可以通过将检测到的车牌区域扩大预定的范围得到扩大区域，在该扩大区域内使用车标混合模型进行车标区域的搜索，缩小车标混合模型需要搜的图像的范围。

可选的，可以通过检测到的车牌区域左右各扩大车牌宽度的10％，向上扩大车牌高度的8倍来得到扩大区域。

步骤S620：若未检测到，则对所述车标图像全图使用车标混合模型进行搜索。

若未在获取的车标图像中检测到车牌区域，则无法缩小车标混合模型搜索范围，需要对获取的车标图像全图使用车标混合模型进行车标区域的搜索。

可选的，图7示出了本发明实施例提供的车标识别方法中训练车标混合模型的方法流程图，参照图7，该训练车标混合模型的方法可以包括：

步骤700：获取车标图像样本；

其中，训练用来检测车标区域的车标混合模型所使用的车标图像样本包括所有类别的车标图像。

步骤S710：取所述车标图像样本中车标区域为正样本，取所述车标图像样本中非车标区域为负样本；

例如，当车标的总类别数为30类时，则取所有30类车标图像样本中的车标区域为正样本，取所有30类车标图像中的非车标区域为负样本。

步骤S720：使用哈尔特征对所述正样本和负样本进行表征，形成哈尔特征；

其中，哈尔Haar特征是一种矩形特征，该矩形特征对一些简单的图形结构，例如，边缘、线段比较敏感，但只能描述特定走向，比较粗略。但是对于一个检测器，里面包含几十万个不同的矩形特征，再通过使用Adaboost算法进行训练，就可以得到一个强分类器。

每个Haar的特征模板都是由两个或多个全等的矩形相邻组合而成，特征模板内有白色和黑色两种矩形，并将此模板定义为白色矩形像素和减去黑色矩形像素和。特征模板在子窗口内都可以以任意尺寸任意放置，每一种形态称为一个特征。

步骤S730：利用迭代算法对所述哈尔特征进行训练，得到车标混合模型。

可选的，可以通过Adaboost算法所述哈尔特征进行训练，得到车标混合模型。

其中，Adaboost算法是一种自适应的boosting算法，其基本思想是当分类器对某些样本正确分类时，则减少这些样本的权值，对某些样本当错误分类时，则增加这些样本的权值，让学习算法在后续的学习中集中对比较难的训练样本进行学习，最终得到一个识别准确率理想的分类器。

可选的，每一层的训练可以采用最小允许检测率和最大允许误检率作为强分类器迭代停止依据，当每一层的强分类器的和都达到训练前的设定值时，该级训练即完成。下一层强分类器的训练负样本将从该层中被错误分类的负样本中产生。

可选的，图8示出了本发明实施例提供的车标识别方法中获取车标图像的方法流程图，参照图8，该获取车标图像的方法可以包括：

步骤S800：判断是否接收到地感信号；

步骤S810：若是，则获取车标图像。

可选的，可以使车标识别程序再接受到地感信号之前处于待机状态，当地感信号到地感信号后再启用，采集车标图像，如此，可以避免采集到过多的无用的、不包含车标的图像。

可选的，相应的，可以在对车标区域识别完成后再时车标识别实现接入待机状态。

可选的，图9示出了本发明实施例提供的车标识别方法中得到车标识别结果的方法流程图，参照图9，该得到车标识别结果的方法可以包括：

步骤S900：确定每类车标识别模型对车标区域进行识别后的车标识别结果置信度；

置信度，也称可靠度或置信水平，是指总体参数值落在样本统计值某一区内的概率，置信度越高，则结果越可靠。

步骤S910：将置信度最高的车标识别结果作为车标识别结果。

为便于理解本发明实施例提供的社交信息展示方法，下面假设所有训练车标识别模型的车标图像样本的大小为56 x 56，使用30类车标识别模型，每类车标识别模型采用1000个车标图像样本进行训练，每一类1000个样本的均值向量用u_c表示，选取5个与所述车标特征向量欧式距离最近的模型特征向量。

那么，提取大小为56 x 56的车标图像样本的HOG特征，每个车标图像样本的HOG特征将变成一个一维的向量就是D＝1296维；使用L＝30类车标识别模型，每种车标识别模型使用1000个车标图像样本进行训练，那么将每一类1000个样本的均值向量u_c放在一起就组成了一个训练样本集为30 x 1296矩阵U；求U的均值向量得到整个训练样本集的均值u，此时求协方差矩阵C＝U^TU，维数是1296 x 1296；求协方差矩阵的特征值V_d(1 x 1296)和特征向量V_v(1296 x 1296)，每个特征值对应的V_v的一列向量；把特征值按照从小到大排列，对应的特征向量做相应的调整，大于0的特征值是29个，因为d≤L-1，此时得到调整后的特征向量矩阵为W，为1296 x 29，这个就是我们要求的最佳投影矩阵的向量，这个向量是相连的两个类之间的最佳分界面向量。

获取车标区域后，把获取的待识别的车标区域投影到最佳鉴别矢量空间，得到待识别的车标区域的车标特征向量。对于每个未知类别的车标区域，同样把56 x 56图像变成1 x 1296的一维特征向量，然后投影到矩阵上，即y＝xW，y为一个1 x 29的一维向量，求y与T中30个一维向量的欧式距离，得到欧式距离集合。对欧式距离集合进行排序，取欧式距离集合前5名对应的类别的序号。

使用欧式距离集合前5名对应的类别的序号对应的车标识别模型对获取的车标区域进行识别，由于SVM识别会有一个置信度输出，置信度的结果可以作为车标识别准确性的判断，输出置信度最高的结果。

本发明实施例提供的车标识别方法，提高了对汽车车标的识别速度，使汽车车标的识别具有时效性，保证了车标识别在停车场出入口等出来对进出场的车辆管理的协助作用。

下面对本发明实施例提供的车标识别系统进行介绍，下文描述的车标识别系统与上文描述的车标识别方法可相互对应参照。

图10为本发明实施例提供的车标识别系统的系统框图，参照图10，所述车标识别系统可以包括：车标获取模块100、第一投影模块200、选取模块300和识别模块400；其中，

车标获取模块100，用于获取车标区域；

第一投影模块200，用于将所述车标区域通过LDA投影到所述最佳鉴别矢量空间，得到车标特征向量；

选取模块300，用于计算所述车标特征向量与所有模型特征向量间欧式距离，选取预定个与所述车标特征向量欧式距离最近的模型特征向量；

识别模块400，用于对所述车标区域使用所有选取的模型特征向量相对应的车标识别模型分别进行识别，得到车标识别结果。

可选的，图11示出了本发明实施例提供的车标识别系统的另一系统框图，该车标识别系统还可以包括：第二投影模块500，

第二投影模块500，用于将每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，分别得到一个模型特征向量。

本发明实施例提供的车标识别系统，提高了对汽车车标的识别速度，使汽车车标的识别具有时效性，保证了车标识别在停车场出入口等出来对进出场的车辆管理的协助作用。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种车标识别方法，其特征在于，将每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，分别得到一个模型特征向量，包括：

获取车标区域；

将所述车标区域通过LDA投影到所述最佳鉴别矢量空间，得到车标特征向量；

计算所述车标特征向量与所有模型特征向量间欧式距离，选取预定个与所述车标特征向量欧式距离最近的模型特征向量；

对所述车标区域使用所有选取的模型特征向量相对应的车标识别模型分别进行识别，得到车标识别结果。

2.根据权利要求1所述的车标识别方法，其特征在于，将每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间前还包括：训练车标识别模型，

所述训练车标识别模型包括：

获取车标图像样本，并确定需训练的车标识别模型的类别；

取所述车标图像样本中包含所述类别车标的车标区域为正样本，取所述车标图像样本中不包含所述类别车标的车标区域为负样本；

将所有正样本和负样本归一化到预定像素尺寸，并进行HOG特征提取；

将所有提取到的特征进行串接后输入支持向量机SVM进行训练，得到所述类别的车标识别模型。

3.根据权利要求1所述的车标识别方法，其特征在于，所述最佳鉴别矢量空间包括：

对每类车标识别模型通过LDA进行特征提取，分别得到一个特征矩阵；

取每个特征矩阵的最大特征值相对应的特征向量分别组成一个最佳鉴别矢量矩阵，得到最佳鉴别矢量空间。

4.根据权利要求1所述的车标识别方法，其特征在于，所述获取车标区域包括：

获取车标图像；

对所述车标图像使用车标混合模型进行搜索，得到车标区域。

5.根据权利要求4所述的车标识别方法，其特征在于，所述对所述车标图像使用车标混合模型进行搜索包括：

判断是否在所述车标图像中检测到车牌区域；

若检测到，则将所述车牌区域扩大预定的范围得到扩大区域，在所述扩大区域内使用车标混合模型进行搜索；

若未检测到，则对所述车标图像全图使用车标混合模型进行搜索。

6.根据权利要求4所述的车标识别方法，其特征在于，训练所述车标混合模型包括：

获取车标图像样本；

取所述车标图像样本中车标区域为正样本，取所述车标图像样本中非车标区域为负样本；

使用哈尔特征对所述正样本和负样本进行表征，形成哈尔特征；

利用迭代算法对所述哈尔特征进行训练，得到车标混合模型。

7.根据权利要求4所述的车标识别方法，其特征在于，在接收地感信号后获取车标图像。

8.根据权利要求1所述的车标识别方法，其特征在于，所述得到车标识别结果包括：

确定每类车标识别模型对车标区域进行识别后的车标识别结果置信度；

将置信度最高的车标识别结果作为车标识别结果。

9.一种车标识别系统，其特征在于，包括：车标获取模块、第一投影模块、选取模块和识别模块；其中，

所述车标获取模块，用于获取车标区域；

所述第一投影模块，用于将所述车标区域通过LDA投影到所述最佳鉴别矢量空间，得到车标特征向量；

所述选取模块，用于计算所述车标特征向量与所有模型特征向量间欧式距离，选取预定个与所述车标特征向量欧式距离最近的模型特征向量；

所述识别模块，用于对所述车标区域使用所有选取的模型特征向量相对应的车标识别模型分别进行识别，得到车标识别结果。

10.根据权利要求9所述的车标识别系统，其特征在于，还包括：第二投影模块，用于将每类车标识别模型通过线性判别分析LDA投影到最佳鉴别矢量空间，分别得到一个模型特征向量。