CN104794432A - 快速级联式车标视觉检测与识别方法和系统 - Google Patents

Abstract

本发明提供了一种快速级联式车标视觉检测与识别方法和系统，包括：首先选择LBP特征+Adaboost算法训练n个2类分类器作为第一级车标分类器；其次选择HOG特征+SVM训练1个n类分类器作为第二级车标分类器；在检测与识别环节，将检测部分的分类器标签信息传递给识别环节，通过判断该标签与识别结果是否吻合来过滤错检目标，提高识别结果的可信度。同时，本发明能够调节一般检测与识别技术中低漏检率与低错检率需求的矛盾，通过在第一级分类器中设置一个偏低的阈值来降低漏检率，然后在第二级分类器中将错检的目标过滤，具有较好的可行性和鲁棒性。

Description

快速级联式车标视觉检测与识别方法和系统

技术领域

本发明所属技术领域为计算机视觉和机器学习，具体地涉及一种将车标定位与分类相结合的快速级联检测与识别方法和系统。

背景技术

基于视觉信息的目标检测与识别问题，一直是计算机视觉领域长期研究的热点，在安全监控、信息检索、工业制造等方面都具有广泛的应用。检测与识别的主要目标是从图像或视频中提取出人们所感兴趣的区域(例如人体、车辆等)，并识别出该区域对应于事先定义好的哪一种类型(例如男人、女人、轿车、货车等)。近年来，出现了一系列效果比较理想的目标检测和识别方法：如Dalal N,Triggs B.在Histograms of Oriented Gradients(HOG)for human detection中提出的利用梯度方向直方图的特征实现对人体的检测；Felzenszwalb P,Girshick R,McAllester D,Ramanan D.在Object detection with Discriminatively trainedPart-based Models(DPM)中对HOG模型做了改进和优化工作，实现以不同的长宽比对物体进行检测；支持向量机、神经网络等分类算法也已经被广泛应用于各种实际问题中。

通常情况下，目标的检测与识别被作为两个独立的部分去分别处理，即首先在整幅图像中完成对感兴趣区域的检测，然后将检测结果通过一个训练好的分类器进行识别。这样的检测-识别框架能够满足部分实际问题的应用，但也存在一些显著的问题：如检测性能的优劣将直接影响分类器的识别结果，检测环节与识别环节的错误和耗时将累加到最终的检测识别性能中。因此，如何将检测与识别相结合，让检测环节与识别环节共享更多有效信息，并在此基础上减少运算耗时，成为本发明的主要着眼点。

发明内容

针对现有技术中的缺陷，本发明的目的在于针对独立的检测-识别框架下错误和耗时累加的问题，提出将车标定位与分类相结合的快速级联检测与识别方法。该方法能够在保证检测识别精度的情况下减少运算耗时，具有较好的可行性和鲁棒性。

本发明能够在整辆车区域中(如图1所示区域)完成车标的检测和识别，特别的，如果能够获得车牌的位置信息，则可以根据车牌和车标相对位置的先验知识减少搜索区域(如图2所示的箭头指出的矩形框区域)，进一步提高检测识别的精度和速度。

根据本发明提供的一种快速级联式车标视觉检测与识别方法，包括如下步骤：

步骤A：若待检测和识别的车标的种类为n类，则训练n个二类分类器作为n个第一级车标分类器；对于每一种车标进行训练；

步骤B：将n类车标的样本图像归一化至同一尺寸，计算并获得样本图像的梯度方向直方图(HOG，Histogram of oriented gradient)特征集；将样本图像的梯度方向直方图特征集和标签(1，2，…，n)送入支持向量机(SVM，Support Vector Machine)中训练，得到1个n类分类器，作为1个第二级车标分类器；

步骤C：在n个第一级车标分类器和1个第二级车标分类器训练完成之后，置k＝1，用如下步骤对车标进行检测识别：

步骤C1：用第k个第一级车标分类器在整块搜索区域中滑窗扫描，滑窗结束后，若检测到目标，则进入步骤C2，否则进入步骤C3；

步骤C2：将步骤C1检测到的目标输入第二级车标分类器，得到目标的预测标签label，若label等于k，将该目标判定为有效车标，且车标的类型即为label对应的车标类型，结束；若label不等于k，将该目标判定为无效车标；当所有步骤C1检测到的目标均为无效车标时，进入步骤C3；

步骤C3：令k的值增加1，若k<n+1，则返回步骤C1；否则，结束，认为未检测到车标。

优选地，对于每一种车标，采用如下步骤训练：

步骤A1：以正负样本集为输入，将样本归一化至同一尺寸，计算并获得样本的局部二值模式(LBP，Local binary pattern)特征集；

步骤A2：以样本的局部二值模式特征集为输入，根据弱学习算法训练弱分类器，获得弱分类器集；

步骤A3：以弱分类器集为输入，在训练检出率和误判率限制下，使用AdaBoost算法挑选最优的弱分类器构成强分类器；

步骤A4：以强分类器集为输入，将强分类器集中的强分类器组合成为第一级车标分类器。

优选地，正负样本中的正样本为车标图像，负样本为不包含车标的背景图像。

优选地，训练所述弱分类器以确定阈值，其中，所述弱分类器的阈值用于判定样本属于目标或者背景，若样本得分高于阈值则判定为目标，若样本得分不高于阈值则判定为背景。

根据本发明提供的一种快速级联式车标视觉检测与识别系统，其用于执行上述的快速级联式车标视觉检测与识别方法。

与现有技术相比，本发明具有如下的有益效果：

本发明采用n个二类分类器作为第一级车标分类器，1个n类分类器作为第二级车标分类器，第一级车标分类器(选择LBP特征)不仅回答了目标是不是车标的问题，同时给出了车标的标签信息；第二级车标分类器(选择HOG特征)对第一级车标分类器给出的结果做进一步筛选，只有当第一级车标分类器的输出标签与第二级车标分类器的输出标签相同时，才判定目标是该标签所对应的车标，这样既降低了错检，又增加了识别的可信度；该方法能够以毫秒级的平均耗时对整辆车区域的车标进行检测和识别。

在现有的大部分目标检测与识别方法中，检测环节与识别环节相互独立。在检测环节，降低漏检率与降低错检率的需求是相互矛盾的，即低的漏检率要求降低检测阈值，而低的检测阈值又会导致错检率的增加。在对二者做出折中的选择后，检测环节仅仅将检测结果传递给识别环节，而其他信息则被全部丢弃了。与现有的大部分目标检测与识别方法不同，本发明将检测环节n个模型的标签信息传递给识别环节，通过这一信息来过滤错检区域；同时，有了该信息，就可以在检测环节选择一个偏低的检测阈值，在识别环节将错检目标滤除，以保证低漏检率。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1表示在整辆车区域中对车标做检测与识别；

图2表示利用车牌位置信息减少搜索区域，提高检测精度和速度；

图3是本发明步骤A1-A4的流程图；

图4是本发明步骤C1-C3的流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

本发明具体步骤包括：首先选择LBP特征+Adaboost算法训练n个2类分类器作为第一级车标分类器；其次选择HOG特征+SVM训练1个n类分类器作为第二级车标分类器；在检测与识别环节，将检测部分的分类器标签信息传递给识别环节，通过判断该标签与识别结果是否吻合来过滤错检目标，提高识别结果的可信度。同时，该方法能够调节一般检测与识别技术中低漏检率与低错检率需求的矛盾，通过在第一级分类器中设置一个偏低的阈值来降低漏检率，然后在第二级分类器中将错检的目标过滤，具有较好的可行性和鲁棒性。其中，所述偏低的阈值，是指：在现有的大部分目标检测与识别方法中，降低漏检率与降低错检率的需求是相互矛盾的，即低的漏检率要求降低检测阈值，而低的检测阈值又会导致错检率的增加，一般的阈值是在对二者做出折中后做出的选择。而此处“偏低的阈值”表示能够保证足够低漏检率的一个阈值，虽然这意味着多的错检，但是这部分错检的目标是可以在第二级分类器中被过滤掉的。

在一个优选的实施例中，本发明包括如下步骤：

步骤A：训练3个二类分类器(奥迪、大众、五菱)作为3个第一级车标分类器；对于每一种车标，采用如下方法训练：

步骤A1：以500张正样本(车标图像)和1000张负样本(不包含车标的背景图像)作为输入，将所有样本归一化为同一尺寸(奥迪90*30，大众50*50，五菱70*35)，计算并获得样本的LBP特征集；

步骤A2：以正负样本的LBP特征集为输入，将其拆分为若干不同的训练集，在不同训练集下训练弱分类器，确定阈值，获得弱分类器集；

步骤A3：以弱分类器集为输入，在训练检出率和误判率限制下，使用AdaBoost算法挑选最优的弱分类器构成强分类器；

步骤A4：将20个强分类器组合成为一个一级车标分类器；

步骤B：将3类车标的样本图像(每类500张，共1500张)尺寸归一化为64*64，计算并获得样本图像的HOG特征集；将样本的HOG特征集和标签(1，2，…，n)送入SVM中进行训练，得到1个3类分类器，作为第二级车标分类器。

步骤C：将奥迪设置为第一种车标，对应标签为1；大众设置为第二种车标，对应标签为2，五菱设置为第3种车标，对应标签为3；令k＝1。

步骤C1：用第k种一级车标分类器在整块搜索区域中滑窗扫描，滑窗结束后，若检测到目标，转步骤C2，否则转步骤C3；

步骤C2：将步骤C1步骤检测到的目标输入第二级车标分类器，得到目标的预测标签label，若label等于k，将该目标判定为有效车标，且车标的类型即为预测标签对应的类型，结束；若label不等于k，将该目标判定为无效车标；当所有步骤C1检测到的目标均为无效车标时，转步骤C3；

步骤C3：令k的值增加1，若k<4，转步骤C1，否则，结束，未检测到车标。

该实施例得到的检测和识别结果准确无误，并且在不同车辆朝向和光照条件下表现出很好的鲁棒性。我们建立了一个车辆数据库对本发明方法进行检测与识别测试，测试结果检测准确率达到95.67％，召回率达到94.46％，识别准确率达到96.31％，每张图片的处理耗时平均为300ms。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (5)

1.一种快速级联式车标视觉检测与识别方法，其特征在于，包括如下步骤：

步骤A：若待检测和识别的车标的种类为n类，则训练n个二类分类器作为n个第一级车标分类器；对于每一种车标进行训练；

步骤B：将n类车标的样本图像归一化至同一尺寸，计算并获得样本图像的梯度方向直方图特征集；将样本图像的梯度方向直方图特征集和标签(1，2，…，n)送入支持向量机中训练，得到1个n类分类器，作为1个第二级车标分类器；

步骤C：在n个第一级车标分类器和1个第二级车标分类器训练完成之后，置k＝1，用如下步骤对车标进行检测识别：

步骤C1：用第k个第一级车标分类器在整块搜索区域中滑窗扫描，滑窗结束后，若检测到目标，则进入步骤C2，否则进入步骤C3；

步骤C2：将步骤C1检测到的目标输入第二级车标分类器，得到目标的预测标签label，若label等于k，将该目标判定为有效车标，且车标的类型即为label对应的车标类型，结束；若label不等于k，将该目标判定为无效车标；当所有步骤C1检测到的目标均为无效车标时，进入步骤C3；

步骤C3：令k的值增加1，若k<n+1，则返回步骤C1；否则，结束，认为未检测到车标。

2.根据权利要求1所述的快速级联式车标视觉检测与识别方法，其特征在于，对于每一种车标，采用如下步骤训练：

步骤A1：以正负样本集为输入，将样本归一化至同一尺寸，计算并获得样本的局部二值模式特征集；

步骤A2：以样本的局部二值模式特征集为输入，训练弱分类器，获得弱分类器集；

步骤A3：以弱分类器集为输入，在训练检出率和误判率限制下，使用AdaBoost算法挑选最优的弱分类器构成强分类器；

步骤A4：以强分类器集为输入，将强分类器集中的强分类器组合成为第一级车标分类器。

3.根据权利要求2所述的快速级联式车标视觉检测与识别方法，其特征在于，正负样本中的正样本为车标图像，负样本为不包含车标的背景图像。

4.根据权利要求2所述的快速级联式车标视觉检测与识别方法，其特征在于，训练所述弱分类器以确定阈值，其中，所述弱分类器的阈值用于判定样本属于目标或者背景，若样本得分高于阈值则判定为目标，若样本得分不高于阈值则判定为背景。

5.一种快速级联式车标视觉检测与识别系统，其特征在于，用于执行权利要求1至4中任一项所述的快速级联式车标视觉检测与识别方法。