CN104463238A - 一种车牌识别方法和系统 - Google Patents

Abstract

本发明实施例提供一种车标识别方法和系统，其中，方法包括：获取当前帧车标图像；判断当前帧车标图像与上一帧车标图像内车辆是否为同一辆车；若不为，则对当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；若为，则判断上一帧车标图像是否有输出车标识别结果，若有输出，则结束操作，若没有输出，则判断上一帧车标区域是否被跟踪成功，若成功，则根据跟踪结果得到当前帧车标区域，若未成功，则对当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；将当前帧车标区域与标准车标模板进行SURF特征点匹配，若匹配的SURF特征点的数目大于阈值，则认为匹配成功，输出车标识别结果，若匹配不成功，则对当前帧车标区域进行跟踪。

Description

一种车牌识别方法和系统

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，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。因为车标识别仅仅是作为车牌识别的一种补充，因此，在对停车场等管理时，只需要车牌识别设备或程序一直处于工作状态，而无需将车标识别设备也一直处于工作状态，且车标识别设备在处于工作状态时也无需对每帧车标图像进行车标检测，若一直将车标识别设备也处于工作状态，或对获取的每帧车标图像均进行车标检测，都将造成极大的资源浪费。

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，以解决现有技术中车标识别设备一直处于工作状态，或对每帧获取的车标图像均进行车标检测，而造成的极大的资源浪费的问题。

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，包括：

获取当前帧车标图像；

获取当前帧车标图像；

判断所述当前帧车标图像内车辆与上一帧车标图像内车辆是否为同一辆车；若不为同一辆车，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；

若为同一辆车，则判断上一帧车标图像是否有输出车标识别结果，若有输出，则结束操作，若没有输出，则判断上一帧车标区域是否被跟踪成功，若成功，则根据跟踪结果得到当前帧车标区域，若没有成功，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；

将所述当前帧车标区域与标准车标模板进行SURF特征点匹配，若匹配的SURF特征点的数目大于预定阈值，则认为匹配成功，输出车标识别结果，若匹配不成功，则对所述当前帧车标区域进行跟踪。

其中，对所述当前帧车标区域进行金字塔LK跟踪，

其中，判断上一帧车标区域是否被金字塔LK跟踪成功包括：

对上一帧车标区域与当前帧车标区域进行LK跟踪，根据上一帧车标区域第一角点集合跟踪得到当前帧车标区域第二角点集合；

对当前帧车标区域与上一帧车标区域进行LK反跟踪，根据当前帧车标区域第二角点集合跟踪得到上一帧车标区域第三角点集合；

根据第一角点集合与第三角点集合总每一对匹配角点，分别选出预定区域进行NCC匹配，得到一个NCC匹配值，计算所有NCC匹配值的中值，得到第一中值；

计算第一角点集合和第三角点集合中每一对匹配角点间欧氏距离，并计算所有欧式距离的中值，得到第二中值；

若第二角点集合中大于第一中值且小于第二中值的角点数目大于预定阈值，则说明上一帧车标区域被金字塔LK跟踪成功。

其中，若第二角点集合中大于第一中值且小于第二中值的角点数目大于预定阈值，则更新跟踪对象信息；

其中，若第二角点集合中大于第一中值且小于第二中值的角点数目未大于预定阈值，则删除跟踪对象。

其中，所述将所述当前帧车标区域与标准车标模板进行SURF特征点匹配包括：

提取当前帧车标区域的SURF特征点；

根据提取的SURF特征点生成当前帧车标区域的特征点描述向量；

获取标准车标模板的SURF特征点数据，当标准车标模板的SURF特征点与所述特征点描述向量间欧式距离小于预定阈值时，认为所述标准车标模板特征点在当前帧车标区域内存在匹配点。

其中，所述获取当前帧车标图像包括：

判断是否接收到地感信号，

若是，则获取当前帧车标图像。

其中，所述车标分类器包括：

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，取所述车标区域中非车标区域为负样本；

使用HOG特征对所述正样本和负样本具有表征，得到HOG特征；

利用迭代算法对所述HOG特征进行训练，得到车标分类器。

其中，所述对所述车标图像使用车标分类器进行检测包括：

获取所述当前帧车标图像中当前帧车牌区域；

将所述当前帧车牌区域扩大预定的范围得到扩大区域，对所述扩大区域使用车牌分类器进行检测。

一种车标识别系统包括：获取模块、第一判断模块、第二判断模块、第三判断模块和执行模块；其中，

所述获取模块，用于获取当前帧车标图像；

所述第一判断模块，用于判断所述当前帧车标图像内车辆与上一帧车标图像内车辆是否为同一辆车；若不为同一辆车，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；

所述第二判断模块，用于当所述当前帧车标图像内车辆与上一帧车标图像内车辆为同一辆车时，判断上一帧车标图像是否有输出车标识别结果，若有输出，则结束操作；

所述第三判断模块，用于当上一帧车标图像没有输出车标识别结果时，判断上一帧车标区域是否被跟踪成功，若成功，则根据跟踪结果得到当前帧车标区域，若没有成功，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；所述执行模块，用于将所述检测到的当前帧车标区域与标准车标模板进行SURF特征点匹配，若匹配的SURF特征点的数目大于预定阈值，则认为匹配成功，输出车标识别结果，若匹配不成功，则对所述当前帧车标区域进行跟踪。

其中，所述车标识别系统还包括：第四判断模块，用于判断是否接收到地感信号，若是，则获取当前帧车标图像。

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，获取当前帧车标图像后，判断所述当前帧车标图像内车辆与上一帧车标图像内车辆是否为同一辆车；若不为同一辆车，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；若为同一辆车，则判断上一帧车标图像是否有输出车标识别结果，若有输出，则结束操作，若没有输出，则判断上一帧车标区域是否被跟踪成功，若被跟踪成功，则根据跟踪结果得到当前帧车标区域，若没有被跟踪成功，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；将所述当前帧车标区域与标准车标模板进行SURF特征点匹配，若匹配的SURF特征点的数目大于预定阈值，则认为匹配成功，输出车标识别结果，若匹配不成功，则对所述当前帧车标区域进行跟踪。只有当当前帧车标图像内车辆与上一帧车标图像内车辆为同一辆车时，或当当前帧车标图像与上一帧车标图像内不为同一辆车，上一帧车标图像无识别结果，上一帧车标图像未被跟踪成功时，才启动车标识别设备对当前帧车标图像进行检测，其中，无论以何种方式得到当前帧车标区域，在对当前帧车标区域进行SURF特征点匹配后，若匹配不成功，则均对当前帧车标区域进行跟踪，若匹配成功，则均输出车标识别结果；若当前帧车标图像内车辆与上一帧车标图像内车辆不为同一辆车，上一帧车标图像有输出车标识别结果，则无需启动车标识别设备再对当前帧车标图像进行车标识别，避免了车标识别设备一直处于工作状态而造成的极大的资源浪费；若当前帧车标图像与上一帧车标图像内不为同一辆车，上一帧车标图像无识别结果，上一帧车标图像被跟踪成功，则无需对当前车标图像进行车标检测，只需要根据跟踪结果来得到当前帧车标区域，避免了对获取的每帧车标图像均需要进行车标检测带来的资源浪费。

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的车标识别方法的流程图；

图2为本发明实施例提供的车标识别方法中判断上一帧车标区域是否被金字塔LK跟踪成功的方法流程图；

图3为本发明实施例提供的车标识别方法中对进行金字塔LK跟踪成功的上一帧车标图像处理的方法流程图；

图4为本发明实施例提供的车标识别方法中将车标区域与标准车标模板进行SURF特征点匹配的方法流程图；

图5为本发明实施例提供的车标识别方法中获取当前帧车标图像的方法流程图；

图6为本发明实施例提供的车标识别方法中训练车标分类器的方法流程图；

图7为本发明实施例提供的车标识别方法中对车标图像使用车标分类器进行检测的方法流程图；

图8为本发明实施例提供的车标识别系统的系统框图；

图9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，只有当当前帧车标图像内车辆与上一帧车标图像内车辆为同一辆车时，或当当前帧车标图像与上一帧车标图像内不为同一辆车，上一帧车标图像无识别结果，上一帧车标图像未被跟踪成功时，才启动车标识别设备对当前帧车标图像进行检测避免了车标识别设备一直处于工作状态，和对获取的每帧车标图像均需要进行车标检测带来的资源浪费；参照图1，该车标识别方法可以包括：

步骤S100：获取当前帧车标图像；

车标图像是指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汽车车标的图像。

可选的，获取车标图像的图像采集设备可以为摄像机。

可选的，获取车标图像的摄像机可以为IP摄像机或是模拟摄像机。

可选的，可以通过视频流模型不间断地接收包含车标的视频图像信息，对视频图像信息中多个包含的车标的车标图像进行识别，通过多帧识别提高识别率。

可选的，可以在摄像机旁边安装一个补光灯，在晚上进行补光。

可选的，可以在接收了地感信号后再获取当前帧车标图像，进一步节省资源，即可以通过先判断是否接收到地感信号，若接收到地感信号，再获取当前帧车标图像。

步骤S101：判断所述当前帧车标图像内车辆与上一帧车标图像内车辆是否为同一辆车，若不为同一辆车，则进入步骤S106；

可选的，可以通过汽车的车牌来判断当前获取的车标图像内的车辆与上一获取车标图像内的车辆是否为同一辆车。

可选的，可以通过车牌识别设备识别车牌，来判断当前获取的车标图像内的车辆与上一获取车标图像内的车辆是否为同一辆车。

当获取的当前帧车标图像内车辆与上一帧车标图像内车辆不为同一辆车时时，则需要对当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域。

步骤S102：若为同一辆车，则判断上一帧车标图像是否有输出车标识别结果；

步骤S103：若有输出，则结束操作；

若获取的当前帧车标图像内车辆与上一帧车标图像内车辆为同一辆车，则说明上一帧车标图像内的车标与当前帧车标图像内的车标为同一待识别车标，若上一帧车标图像已经输出车标识别结果，则说明在获取的上一帧车标图像中已经将该待识别车标进行识别，则无需再对当前帧车标图像内车标进行识别，无需启动车标识别设备，无需车标识别设备一直处于工作状态，避免了极大的资源浪费的问题。

步骤S104：若没有输出，则判断上一帧车标区域是否被跟踪成功；

若上一帧车标图像没有进行车标识别结果输出，则说明上一帧车标图像的匹配没有成功，对没有匹配成功的车标图像内的车标区域将进行跟踪，因为，对车标区域进行跟踪不一定成功，因此，在判定上一帧车标图像没有进行车标识别结果输出后判断上一帧车标区域是否被跟踪成功。

步骤S105：若成功，则根据跟踪结果得到当前帧车标区域；

若上一帧车标区域被跟踪成功，则可以直接根据跟踪结果得到当前帧车标区域，无需在使用车标识别设备对获取的当前帧车标图像进行检测，避免了对获取的每一帧车标图像均进行车标检测而带来的资源浪费。

步骤S106：若没有成功，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；

在上一帧车标图像没有输出车标识别时间时，若上一帧车标图像内的上一帧车标区域没有被跟踪成功，则无法通过跟踪结果来得到当前帧车标区域，仍需要对当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域。

可选的，因为汽车的车牌位置与车标位置接近，因此，可以通过获取当前车标图像内的车牌区域后，将所述车牌区域扩大预定的范围得到扩大区域，对所述扩大区域使用车牌分类器进行检测。

车标分类器可以用来检测车标图像中车标区域，可选的，可以通过获取车标图像样本，取所述车标图像样本中车标区域为正样本，取所述车标区域中非车标区域为负样本，使用HOG特征对所述正样本和负样本具有表征，得到HOG特征，最后利用迭代算法对所述HOG特征进行训练，训练得到车标分类器。

步骤S107：对所述当前帧车标区域与标准车标模板进行SURF特征点匹配；

可选的，可以通过提取车标区域的SURF特征点，并根据提取的SURF特征点生成车标区域的特征点描述向量，然后获取标准车标模板的SURF特征点数据，当标准车标模板的SURF特征点与所述特征点描述向量间欧式距离小于预定阈值时，认为所述标准车标模板特征点在车标区域内存在匹配点。

可选的，可以从数据库或者本地硬盘读取模板的特征点数据。

步骤S108：判断匹配的SURF特征点的数目是否大于预定阈值，

步骤S109：若大于，则匹配成功，输出车标识别结果；

步骤S110：若不大于，则匹配不成功，对所述当前帧车标区域进行跟踪。

若匹配不成功，则说明当前帧车标图像无识别结果输出，通过对当前帧车标区域进行跟踪，若获取的下一帧车标图像内车辆与当前帧车标图像内车辆为同一辆车，则可根据跟踪结果得到下一帧车标图像内下一帧车标区域，使不用对下一帧车标图像进行车标区域检测。

可选的，可以对检测到的车标区域使用金字塔LK跟踪。金字塔Lucas-Kanade(LK)算法从金字塔的最高层(细节最小)开始向金字塔的低层(丰富的细节)进行跟踪，允许小窗口捕获较大的运动，是一种有效的跟踪算法。

可选的，当通过对上一帧车标区域与当前帧车标区域进行LK跟踪，根据上一帧车标区域第一角点集合跟踪得到当前帧车标区域第二角点集合，对当前帧车标区域与上一帧车标区域进行LK反跟踪，根据当前帧车标区域第二角点集合跟踪得到上一帧车标区域第三角点集合，根据第一角点集合与第三角点集合中每一对匹配角点，分别选出预定区域进行NCC匹配，得到一个NCC匹配值，计算所有NCC匹配值的中值，得到第一中值，计算第一角点集合与第三角点集合中每一对匹配角点间欧氏距离，并计算所有欧式距离的中值，得到第二中值，若第二角点集合中大于第一中值且小于第二中值的角点数目大于预定阈值，则说明上一帧车标区域被金字塔LK跟踪，若第二角点集合中大于第一中值且小于第二中值的角点数目未大于预定阈值，则说明上一帧车标区域未被金字塔LK跟踪成功。

可选的，若第二角点集合中大于第一中值且小于第二中值的角点数目大于预定阈值，则更新跟踪对象信息；若第二角点集合中大于第一中值且小于第二中值的角点数目未大于预定阈值，则删除跟踪对象。

可选的，可以通过对车标区域进行归一化处理，固定大小，来制作标准车标模板。

可选的，标准车标模型制作完成后，可以通过分别提取所有模板的SURF特征点，并生成特征点描述子，把每个模板生成的特征点描述子保存在数据库或本地硬盘。

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，获取当前帧车标图像后，判断所述当前帧车标图像内车辆与上一帧车标图像内车辆是否为同一辆车；若不为同一辆车，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；若为同一辆车，则判断上一帧车标图像是否有输出车标识别结果，若有输出，则结束操作，若没有输出，则判断上一帧车标区域是否被跟踪成功，若被跟踪成功，则根据跟踪结果得到当前帧车标区域，若没有被跟踪成功，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；将所述当前帧车标区域与标准车标模板进行SURF特征点匹配，若匹配的SURF特征点的数目大于预定阈值，则认为匹配成功，输出车标识别结果，若匹配不成功，则对所述当前帧车标区域进行跟踪。只有当当前帧车标图像内车辆与上一帧车标图像内车辆为同一辆车时，或当当前帧车标图像与上一帧车标图像内不为同一辆车，上一帧车标图像无识别结果，上一帧车标图像未被跟踪成功时，才启动车标识别设备对当前帧车标图像进行检测，其中，无论以何种方式得到当前帧车标区域，在对当前帧车标区域进行SURF特征点匹配后，若匹配不成功，则均对当前帧车标区域进行跟踪，若匹配成功，则均输出车标识别结果；若当前帧车标图像内车辆与上一帧车标图像内车辆不为同一辆车，上一帧车标图像有输出车标识别结果，则无需启动车标识别设备再对当前帧车标图像进行车标识别，避免了车标识别设备一直处于工作状态而造成的极大的资源浪费；若当前帧车标图像与上一帧车标图像内不为同一辆车，上一帧车标图像无识别结果，上一帧车标图像被跟踪成功，则无需对当前车标图像进行车标检测，只需要根据跟踪结果来得到当前帧车标区域，避免了对获取的每帧车标图像均需要进行车标检测带来的资源浪费。

可选的，图2示出了本发明实施例提供的车标识别方法中判断上一帧车标区域是否被金字塔LK跟踪成功的方法流程图，参照图2，该判断上一帧车标区域是否被金字塔LK跟踪的方法可以包括：

步骤S200：对上一帧车标区域与当前帧车标区域进行LK跟踪，根据上一帧车标区域第一角点集合跟踪得到当前帧车标区域第二角点集合；

步骤S210：对当前帧车标区域与上一帧车标区域进行LK反跟踪，根据当前帧车标区域第二角点集合跟踪得到上一帧车标区域第三角点集合；

步骤S220：根据第一角点集合与第三角点集合中每一对匹配角点，分别选出预定区域进行NCC匹配，得到一个NCC匹配值，计算所有NCC匹配值的中值，得到第一中值；

可选的，可以选出5x 5的区域进行NCC(Normalized Cross Correlation)匹配。

可选的，若图像f是大小为M_x×M_y的需要与模板进行匹配的输入图像，那么图像f上的某个像素点(x,y)的灰度值可以表示为f(x,y)，x∈{0,...,M_x-1}，y∈{0,...,M_y-1}。如果图像t是大小为N_x×N_y的模板图像，那么图像t上某个像素点(x,y)的灰度值可以表示为t(x,y)。要计算模板图像t上的任意一点(u,v)与输入图像f上相同大小的块之间的相关度，可以使用以下公式：

$\mathrm{NCC}=\frac{{\mathrm{\Σ}}_{x,y}(f(x,y)-{\stackrel{\‾}{f}}_{u,v})(t(x-u,y-v)-\stackrel{\‾}{t})}{\sqrt{{\mathrm{\Σ}}_{x,y}{(f(x,y)-{\stackrel{\‾}{f}}_{u,v})}^2{(t(x-u,y-v)-\stackrel{\‾}{t})}^2}},$

其中x-u表示在x方向移动了u个像素，y-v表示在y方向上移动了v个像素。

其中，是图像的平均值，可以表示为：

${\stackrel{\‾}{f}}_{u,v}=\frac{1}{N_x{N}_y}\underset{x=u}{\overset{u+N_x-1}{\mathrm{\Σ}}}\underset{y=v}{\overset{v+N_y-1}{\mathrm{\Σ}}}f(x,y).$

是模板图像的平均值，计算方式与一致。

步骤S230：计算第一角点集合与第三角点集合中每一对匹配角点间欧氏距离，并计算所有欧式距离的中值，得到第二中值；

可选的，两个点(x₁,y₁)与(x₂,y₂)的欧氏距离可以表示为：

$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2}.$

步骤S240：若第二角点集合中大于第一中值且小于第二中值的角点数目大于预定阈值，则说明上一帧车标区域被金字塔LK跟踪成功。

可选的，可以当第二角点集合中大于第一中值且小于第二中值的角数目大于所有特征点数的10％时，认为上一帧车标区域被金字塔LK跟踪成功。

可选的，图3示出了本发明实施例提供的车标识别方法中对进行金字塔LK跟踪的上一帧车标图像处理的方法流程图，参照图3，该对进行金字塔LK跟踪的上一帧车标图像处理的方法可以包括：

步骤S300：判断第二角点集合中大于第一中值且小于第二中值的角点数目是否大于预定阈值；

步骤S310：若大于，则更新跟踪对象信息；

若第二角点集合中大于第一中值且小于第二中值的角点数目大于预定阈值，则认为上一帧车标图像被金字塔LK跟踪成功，更新跟踪对象信息，预测车标区域在下一帧车标图像中的位置。

步骤S320：若不大于，则删除跟踪对象。

若第二角点集合中大于第一中值且小于第二中值的角点数目不大于预定阈值，则认为上一帧车标图像没有被金字塔LK成功跟踪，删除跟踪对象，若下一帧车标图像中检测到的车标区域与标准车标模板间匹配的SURF特征点的数目仍不大于预定阈值，则再次进行跟踪。

可选的，图4示出了本发明实施例提供的车标识别方法中将车标区域与标准车标模板进行SURF特征点匹配的方法流程图，参照图4，该将所述车标区域与标准车标模板进行SURF特征点匹配的方法可以包括：

步骤S400：提取当前帧车标区域的SURF特征点；

可选的，可以在积分图像上进行SURF特征点的检测，积分图像用符号I_Σ(x)表示。积分图像上点处的值代表以图像原点(0,0)和点X为对角顶点组成的长方形中的像素总和，即

Hessian矩阵具有良好的计算时间和精度，在图像上的某点(x,y)，尺度σ下的Hessian矩阵H(x,σ)为： $H(x,\mathrm{\σ})=\left[\begin{array}{cc}{L}_{\mathrm{xx}}(x,\mathrm{\σ})& L_{\mathrm{xy}}(x,\mathrm{\σ})\\ L_{\mathrm{xy}}(x,\mathrm{\σ})& L_{\mathrm{yy}}(x,\mathrm{\σ})\end{array}\right],$ 其中L_xx(x,σ)是图像点I(x)与二阶高斯滤波的卷积，L_xy(x,σ)与L_yy(x,σ)类似。

对于处于某一个尺度图像下的某一点，其上下各对应上下尺度图像上的点，加上该点的邻域，因此可以构造一个3x 3x 3的立体邻域。为了确定图像的特征点，对于某一尺度图像下的点x＝(x,y,σ)，通过尺度空间图像的插值来得到Hessian矩阵行列式的局部最大值。特征点的位置为： $\hat{x}=-\frac{{\∂}^2{H}^{-1}}{{\∂x}^2}\frac{\∂H}{\∂x}.$

步骤S410：根据提取的SURF特征点生成当前帧车标区域的特征点描述向量；

例如，对以每一个特征点为圆心、半径为6S(S为特征点所在的尺度值)的邻域中的点分别计算x、y方向上的边长为4S的Haar小波变换。选定特征点主方向后，以特征点为中心，首先将坐标轴旋转到主方向.按主方向选取边长为20S的正方形区域，将该窗口区域划分为4x4共16个子区域，在每个子区域内.计算5Sx5S范围内的小波响应，相对于主方向的水平、垂直方向的Haar小波响应分别记为dx和dy，同时也赋给响应值以权值系数(σ＝3.3s)，以增强对几何变形和定位误差的鲁棒性。对每个子区域的响应以及响应的绝对值形成的Σd_x，Σd_y，Σ|d_x|和Σ|d_y|。这样，在每个子区域内得到一个四维的向量v＝(Σd_x,Σd_y,Σ|d_x|,Σ|d_y|)。因此，对每一特征点，则形成4x(4×4)＝64维的描述向量。

步骤S420：获取标准车标模板的SURF特征点数据，当标准车标模板的SURF特征点与所述特征点描述向量间欧式距离小于预定阈值时，认为所述标准车标模板特征点在当前帧车标区域内存在匹配点。

可选的，可以采用关键点特征匹配的方法来进行SURF特征点匹配，采用关键点特征匹配的方法来进行SURF特征点匹配，抗干扰能力强，对于一般的光线变化以及摄像机轻微抖动，都不影响匹配结果。

可选的，在对SURF特征点进行匹配后，还可以采用RANSAC和最小二乘法去除伪匹配对。

可选的，可以在遍历全部标准车标模板后仍然没有能达到阈值的匹配的车标时，返回错误信息。

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当前帧车标图像的方法流程图，参照图5，该获取当前帧车标图像的方法可以包括：

步骤S500：判断是否接收到地感信号；

步骤S510：若是，则获取当前帧车标图像。

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使车标识别设备进入待机状态。

可选的，图6示出了本发明实施例提供的车标识别方法中训练车标分类器的方法流程图，参照图6，该训练车标分类器的方法可以包括：

步骤S600：获取车标图像样本；

可选的，使用摄像机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，得到车牌训练样本。

步骤S610：取所述车标图像样本中车标区域为正样本，取所述车标区域中非车标区域为负样本；

可选的，可以通过人工的方式截取车牌训练样本中包含车牌的部分为正样本，通过人工的方式截取车牌图像样本中的不包含车牌的部分为负样本。

步骤S620：使用HOG特征对所述正样本和负样本具有表征，得到HOG特征；

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。

步骤S630：利用迭代算法对所述HOG特征进行训练，得到车标分类器。

可选的，使用的迭代算法可以为Adaboost算法，最后可得到的基于Haar特征的Adaboost车标分类器。

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7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分类器进行检测的方法流程图，参照图7，该对车标图像使用车标分类器进行检测的方法可以包括：

步骤S700：获取所述当前帧车标图像中当前帧车牌区域；

步骤S710：将所述当前帧车牌区域扩大预定的范围得到扩大区域，对所述扩大区域使用车牌分类器进行检测。

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，缩小车牌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20％，向上扩大车牌高度的20％来得到扩大区域。

本发明实施例提供的车标识别方法，避免了车标识别设备一直处于工作状态，和对获取的每帧车标图像均需要进行车标检测带来的资源浪费。

下面对本发明实施例提供的社交信息展示装置进行介绍，下文描述的社交信息展示装置与上文描述的社交信息展示方法可相互对应参照。

图8为本发明实施例提供的车标识别系统的系统框图，参照图8，该车标识别系统可以包括：获取模块100、第一判断模块200、第二判断模块300、第三判断模型400和执行模块500；其中，

获取模块100，用于获取当前帧车标图像；

第一判断模块200，用于判断所述当前帧车标图像内车辆与上一帧车标图像内车辆是否为同一辆车；若不为同一辆车，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；

第二判断模块300，用于当所述当前帧车标图像内车辆与上一帧车标图像内车辆为同一辆车时，判断上一帧车标图像是否有输出车标识别结果，若有输出，则结束操作；

第三判断模块400，用于当上一帧车标图像没有输出车标识别结果时，判断上一帧车标区域是否被跟踪成功，若成功，则根据跟踪结果得到当前帧车标区域，若没有成功，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；

执行模块500，用于将所述检测到的当前帧车标区域与标准车标模板进行SURF特征点匹配，若匹配的SURF特征点的数目大于预定阈值，则认为匹配成功，输出车标识别结果，若匹配不成功，则对所述当前帧车标区域进行跟踪。

可选的，图9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，参照图9，该车标识别系统还可以包括：第四判断模块600，

第四判断模块600，用于判断是否接收到地感信号，若是，则获取当前帧车标图像。

本发明实施例提供的车标识别系统，避免了车标识别设备一直处于工作状态，和对获取的每帧车标图像均需要进行车标检测带来的资源浪费。

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，包括：

获取当前帧车标图像；

判断所述当前帧车标图像内车辆与上一帧车标图像内车辆是否为同一辆车；若不为同一辆车，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；

若为同一辆车，则判断上一帧车标图像是否有输出车标识别结果，若有输出，则结束操作，若没有输出，则判断上一帧车标区域是否被跟踪成功，若成功，则根据跟踪结果得到当前帧车标区域，若没有成功，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；

将所述当前帧车标区域与标准车标模板进行SURF特征点匹配，若匹配的SURF特征点的数目大于预定阈值，则认为匹配成功，输出车标识别结果，若匹配不成功，则对所述当前帧车标区域进行跟踪。

2.根据权利要求1所述的车标识别方法，其特征在于，对所述当前帧车标区域进行金字塔LK跟踪。

3.根据权利要求2所述的车标识别方法，其特征在于，判断上一帧车标区域是否被金字塔LK跟踪成功包括：

对上一帧车标区域与当前帧车标区域进行LK跟踪，根据上一帧车标区域第一角点集合跟踪得到当前帧车标区域第二角点集合；

对当前帧车标区域与上一帧车标区域进行LK反跟踪，根据当前帧车标区域第二角点集合跟踪得到上一帧车标区域第三角点集合；

根据第一角点集合与第三角点集合中每一对匹配角点，分别选出预定区域进行NCC匹配，得到一个NCC匹配值，计算所有NCC匹配值的中值，得到第一中值；

计算第一角点集合与第三角点集合中每一对匹配角点间欧氏距离，并计算所有欧式距离的中值，得到第二中值；

若第二角点集合中大于第一中值且小于第二中值的角点数目大于预定阈值，则说明上一帧车标区域被金字塔LK跟踪成功。

4.根据权利要求3所述的车标识别方法，其特征在于，还包括：

若第二角点集合中大于第一中值且小于第二中值的角点数目大于预定阈值，则更新跟踪对象信息；

若第二角点集合中大于第一中值且小于第二中值的角点数目未大于预定阈值，则删除跟踪对象。

5.根据权利要求1所述的车标识别方法，其特征在于，所述将所述当前帧车标区域与标准车标模板进行SURF特征点匹配包括：

提取当前帧车标区域的SURF特征点；

根据提取的SURF特征点生成当前帧车标区域的特征点描述向量；

获取标准车标模板的SURF特征点数据，当标准车标模板的SURF特征点与所述特征点描述向量间欧式距离小于预定阈值时，认为所述标准车标模板特征点在当前帧车标区域内存在匹配点。

6.根据权利要求1所述的车标识别方法，其特征在于，所述获取当前帧车标图像包括：

判断是否接收到地感信号，

若是，则获取当前帧车标图像。

7.根据权利要求1所述的方法，其特征在于，所述车标分类器包括：

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，取所述车标区域中非车标区域为负样本；

使用HOG特征对所述正样本和负样本具有表征，得到HOG特征；

利用迭代算法对所述HOG特征进行训练，得到车标分类器。

8.根据权利要求1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分类器进行检测包括：

获取所述当前帧车标图像中当前帧车牌区域；

将所述当前帧车牌区域扩大预定的范围得到扩大区域，对所述扩大区域使用车牌分类器进行检测。

9.一种车标识别系统，其特征在于，包括：获取模块、第一判断模块、第二判断模块、第三判断模块和执行模块；其中，

所述获取模块，用于获取当前帧车标图像；

所述第一判断模块，用于判断所述当前帧车标图像内车辆与上一帧车标图像内车辆是否为同一辆车；若不为同一辆车，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；；

所述第二判断模块，用于当所述当前帧车标图像内车辆与上一帧车标图像内车辆为同一辆车时，判断上一帧车标图像是否有输出车标识别结果，若有输出，则结束操作；

所述第三判断模块，用于当上一帧车标图像没有输出车标识别结果时，判断上一帧车标区域是否被跟踪成功，若成功，则根据跟踪结果得到当前帧车标区域，若没有成功，则对所述当前帧车标图像使用车标分类器进行检测，得到当前帧车标区域；

所述执行模块，用于将所述当前帧车标区域与标准车标模板进行SURF特征点匹配，若匹配的SURF特征点的数目大于预定阈值，则认为匹配成功，输出车标识别结果，若匹配不成功，则对所述当前帧车标区域进行跟踪。

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：第四判断模块，用于判断是否接收到地感信号，若是，则获取当前帧车标图像。