CN104992180A - 一种面向交通卡口的多特征融合车标识别方法及系统 - Google Patents
一种面向交通卡口的多特征融合车标识别方法及系统 Download PDFInfo
- Publication number
- CN104992180A CN104992180A CN201510364077.1A CN201510364077A CN104992180A CN 104992180 A CN104992180 A CN 104992180A CN 201510364077 A CN201510364077 A CN 201510364077A CN 104992180 A CN104992180 A CN 104992180A
- Authority
- CN
- China
- Prior art keywords
- level
- test sample
- sample book
- kinds
- feature
- 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.)
- Granted
Links
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的是一种面向交通卡口的多特征融合车标识别系统及方法,包括对输入的各幅图像分别进行三种特征提取;基于一级训练样本的三种特征分别进行训练,得到三种一级分类器,预测得到一级测试样本属于一级分类器中每一类的概率,记为软概率;把串联之后的软概率作为特征,基于二级训练样本的特征进行训练,得到二级分类器,利用二级分类器预测完成相应车标识别。本发明所提供的多特征融合方法,在相同的条件下,可以得到更高的准确率。
Description
技术领域
本发明属于图像处理领域,特别涉及一种面向交通卡口的多特征融合车标识别方法及系统。
背景技术
对车标进行识别,即判断其属于所用数据库中的哪一类,是一个典型的目标识别问题,一般的目标识别采取两种方法来完成,第一种是直接用预测图像和模板图像进行关键点匹配,来判断其属于哪一类;第二类就是选取一定特征,训练一个分类模型,利用训练好的模型来判别预测图像属于哪一类。
关键点匹配的算法,典型是SIFT匹配,先对待预测图像和模板图像均求取特征点,两者的特征点的关系符合某一条件则两个特征点匹配,一般情况下,符合的条件是,两者的距离最近,且小于次最小距离的k(k<1)倍,不同的特征点k的取值不一,有时还会加上放射变换的限制,进一步判断两者是否匹配,预测图像属于和模板图像特征点匹配的个数最多的种类,但效果并不理想。对于训练分类模型,先使用已经被标记了的训练样本,把这些训练样本利用分类器训练得到分类器,一般使用的分类器有,SVM(支持向量机)、Adaboost、Randomforest等,然后利用已经训练好的分类器对测试样本进行预测,得到预测样本所属的类别,从而完成对车标的识别。在利用分类器对车标进行识别的时候,均使用的是一级分类器,但是,在对复杂的目标进行分类的时候,采用单一的特征不能取得很好的效果。
发明内容
本发明的目的在于提供一种多特征融合的方法,该方法能够更好地完成车标识别的任务,以更高的精度实现车标的识别。
本发明提供一种面向交通卡口的多特征融合车标识别方法,用于对从交通卡口拍摄车标所得图像进行识别,包括以下步骤:
步骤1,特征提取,包括对输入的各幅图像分别进行三种特征提取,三种特征包括HOG特征、Curv-H特征和GIST特征,所述HOG特征为方向梯度直方图特征,所述Curv-H特征为曲率直方图特征;
步骤2,训练一级分类器,包括从所有图像中按比例取一级训练样本,剩下的图像作为一级测试样本,基于一级训练样本的三种特征分别进行训练,得到三种一级分类器,利用所得三种一级分类器分别对各一级测试样本基于相应特征进行预测,得到一级测试样本属于一级分类器中每一类的概率,记为软概率;
步骤3,特征融合,包括把每个一级测试样本在三种一级分类器下得到的软概率进行串联,完成三种特征的融合;
步骤4,训练二级分类器,包括从一级测试样本中按比例取二级训练样本,剩余图像作为二级测试样本,把串联之后的软概率作为特征,基于二级训练样本的特征进行训练,得到二级分类器,利用二级分类器对二级测试样本基于相应特征进行预测,得到二级测试样本所属的类别,完成相应车标识别。
而且,当有新输入的图像时,首先将新的图像作为一级测试样本,利用步骤2所得三种一级分类器分别对该一级测试样本基于相应特征进行预测,得到该一级测试样本属于一级分类器中每一类的概率,记为软概率;然后将新的图像在三种一级分类器下得到的软概率进行串联,把串联之后的软概率作为特征,将新的图像作为二级测试样本,利用二级分类器对该二级测试样本基于相应特征进行预测,得到该二级测试样本所属的类别,完成新的图像相应车标识别。
而且,从所有图像中按比例取一级训练样本,和从一级测试样本中按比例取二级训练样本时,比例的取值相同。
而且,训练一级分类器和二级分类器,基于SVM实现,所述SVM为支持向量机。
本发明相应提供一种面向交通卡口的多特征融合车标识别系统,用于对从交通卡口拍摄车标所得图像进行识别,包括以下模块:
特征提取模块,用于对输入的各幅图像分别进行三种特征提取,三种特征包括HOG特征、Curv-H特征和GIST特征,所述HOG特征为方向梯度直方图特征,所述Curv-H特征为曲率直方图特征;
一级分类器训练模块,用于从所有图像中按比例取一级训练样本,剩下的图像作为一级测试样本,基于一级训练样本的三种特征分别进行训练,得到三种一级分类器,利用所得三种一级分类器分别对各一级测试样本基于相应特征进行预测,得到一级测试样本属于一级分类器中每一类的概率,记为软概率;
特征融合模块,用于把每个一级测试样本在三种一级分类器下得到的软概率进行串联,完成三种特征的融合;
二级分类器训练模块,用于从一级测试样本中按比例取二级训练样本,剩余图像作为二级测试样本,把串联之后的软概率作为特征,基于二级训练样本的特征进行训练,得到二级分类器,利用二级分类器对二级测试样本基于相应特征进行预测,得到二级测试样本所属的类别,完成相应车标识别。
而且,设置实时处理模块,用于当有新输入的图像时,首先将新的图像作为一级测试样本,利用一级分类器训练模块所得三种一级分类器分别对该一级测试样本基于相应特征进行预测,得到该一级测试样本属于一级分类器中每一类的概率,记为软概率;然后将新的图像在三种一级分类器下得到的软概率进行串联,把串联之后的软概率作为特征,将新的图像作为二级测试样本,利用二级分类器训练模块所得二级分类器对该二级测试样本基于相应特征进行预测,得到该二级测试样本所属的类别,完成新的图像相应车标识别。
而且,从所有图像中按比例取一级训练样本,和从一级测试样本中按比例取二级训练样本时,比例的取值相同。
而且,训练一级分类器和二级分类器,基于SVM实现,所述SVM为支持向量机。
在对复杂的目标进行识别的过程中,目标的单一特征不具有很好的识别性,采用多特征的方法可以更好的表达出目标的特性,增加目标分类的准确率。所以,为了提高分类的准确率,本发明利用多特征来表达目标,并且提供了一种多特征融合的方法。本发明所提供的多特征融合方法,在相同的条件下,可以得到更高的准确率。
附图说明
图1为本发明实施例的流程图。
具体实施方式
下面结合具体实施例和附图对本发明的技术方案作进一步说明。
在图像分类系统中,仅采用单一的特征不能满足用户对多类图片分类的要求。在图像自动分类中,图像的不同特征表示之间存在着互补的信息,自适应地融合不同类型的特征能获得更高的分类正确率。所以,本发明提出了一种利用二级分类器实现多特征融合的方法。
具体实施时,本发明技术方案可由本领域技术人员采用计算机软件技术实现自动运行流程,例如利用MATLAB自动实现分类,实施例具体的实现流程如图1所示。
步骤1,特征提取,对输入的各幅图像分别进行特征提取,提取的特征包括HOG、Curv-H、GIST。本发明主要是针对在交通卡口拍摄各类车标所得图像进行处理。
(1)、HOG
方向梯度直方图(Histogram of Oriented Gradient,HOG)在计算机视觉和图像处理中可以用来进行目标识别,它的作者是法国研究人员者Navneet Dalal和Bill Triggs,发表在2005年的CVPR上,在这篇文章中,他们用这个算法实现了静态图像的行人检测,HOG通过计算和统计图像局部区域的方向直方图来构成特征,它有点类似边缘方向直方图,尺度不变特征转换描述子和形状上下文,但是与它们的不同点是,HOG特征是在细胞单元上进行计算的。
HOG的简单生成过程如下所示:
1)图像归一化;
2)计算梯度;
3)对每一个小单元(cell)的梯度直方图进行规定权重投影;
4)对每一个重叠的大单元(block)内的cell进行对比度归一化;
5)把所有块内的直方图向量组合成一个大的hog向量。
(2)、Curv-H特征
曲率直方图(Curvature Histograms,Curv-H)是最新提出来的一种特征描述子,使用率很高的SIFT特征和前面介绍的Hog是基于方向直方图的,它们简化图像到直线,具有对局部变形的不变性,但是这个不变性也阻碍了区别一些相似的目标,例如,猫的耳朵和狗的耳朵基于局部方向的描述符是差不多的,为了克服这些特征的缺点的,Curv-H将方向直方图延伸到曲线,介绍基于曲率直方图的描述子,它统计猫的耳朵的曲率直方图标量要大于狗的耳朵的曲率直方图标量,曲率直方图可以在一个更细微的层面区分局部形态。
(3)、GIST特征
GIST提取的是图像的全局特征,可以实现快速对场景识别和分类,GIST不涉及图像的局部信息,只考虑图像的全局特征,因此它代表着图像的空间结构信息,人的眼睛可以在很短的时间内生成一个全局的场景分类快照,例如,该场景是自然的,还是人工的,是高楼大厦还是森林大山等等。对于“大街上有些行人”这样场景如果本发明使用局部特征,那么需要确定图像中是否存在大街、行人等对象,然后判定这些对象是否符合该场景,这样通过局部特征来一个个判断,对于计算量来说无疑是巨大的,所以本发明需要使用一个宏观的特征,即全局特征来描述。基于以上原因GIST特征被提出,作为全局特征,一幅图像只能提取一个GIST特征,这个GIST特征向量主要包括5个维度的信息:
1)自然度(Degree of Naturalness):场景如果包含高度的水平和垂直直线则表明该场景人工场景比较多,而纹理特征或者轮廓起伏比较明显的则自然场景比较多,所以边缘具有垂直与水平倾向的自然度低,反之则自然度高。
2)开放度(Degree of Openness):开放度是根据空间包络来判断的,有开放的,也有封闭的。
3)粗糙度(Degree of Roughness):粗糙度是根据组成图像成分颗粒的大小来判断的,粗糙度与场景的分形纬度有关。
4)膨胀度(Degree of Expansion):膨胀度是根据图像中对象对于平行线的收敛情况来判断的。
5)险峻度(Degree of Ruggedness):图像中的对象相对于水平线的偏移。
步骤2,一级分类器,选取所有图像的某一个比例作为训练样本(本领域技术人员可自行预设比例取值),记为一级训练样本,剩下的图像作为测试样本,记为一级测试样本。对一级训练样本图像的三个特征利用SVM进行训练,得到三种分类器,即三个一级分类器。利用三种分类器对各一级测试样本基于相应特征进行预测。对每一种分类器,每个一级测试样本均可以得到属于每一类种类的概率,即为软概率。对每个一级测试样本,分别可以得到HOG-软概率、Curv-H-软概率和GIST-软概率。
步骤3,特征融合,把每个一级测试样本在三种一级分类器得到的属于每一类种类的软概率进行串联,完成三种特征的融合。
步骤4,二级分类器,把一级测试样本融合之后的软概率作为特征,从一级测试样本中按比例取二级训练样本,剩余图像作为二级测试样本,具体实施时可以从一级测试样本选取和一级分类器中一样的比例作为新的训练样本,剩余图像作为新的测试样本。把融合之后的软概率作为特征,对二级训练样本特征利用SVM进行训练,得到新的分类器,即二级分类器,用新的分类器对二级测试样本进行预测,得到二级测试样本图像所属的类别,完成待预测车标的识别。
基于已经训练好的一级分类器和二级分类器,可以对任一待预测车标进行识别。只需当有新输入的图像时,首先将新的图像作为一级测试样本,利用步骤2所得三种一级分类器分别对该一级测试样本基于相应特征进行预测,得到该一级测试样本属于一级分类器中每一类的概率,记为软概率;然后将新的图像在三种一级分类器下得到的软概率进行串联,把串联之后的软概率作为特征,将新的图像作为二级测试样本,利用新的二级分类器对该二级测试样本基于相应特征进行预测,得到该二级测试样本所属的类别,完成新的图像相应车标识别。
上述介绍的三种特征,它们都可以用来作为图像分类,但是一般情况下仅仅使用单一特征并不能满足对于多类图像的分类要求,不同特征之间存在着对于图像表示互补的关系,自适应的融合多种特征可以获得更高的精确率,正是由于以上原因本发明建立一个基于多特征融合的两级分类模型框架,融合的过程如图1所示。
假设对一幅图像提取出Hog、Curv-H、GIST三个通道的特征分别为f1、f2、f3,通过第一级分类器后得到三个软概率向量分别为p1、p2、p3,因为软概率向量包含的是测试样本属于各个类别的概率分布,在本发明实施例中选用了八个类别,所以p1、p2、p3的长度均为8。在本发明实施例中每个测试样本的软概率长度为8,而融合方法是串联三个特征,所以融合之后的特征的长度为3×8即24。本发明再利用经过软概率融合后的特征进行训练,得到新的分类器,这样做可以保持数据的一致性。
具体实施时,还可以采用模块化方式提供相应系统。本发明实施例相应提供一种面向交通卡口的多特征融合车标识别系统,用于对从交通卡口拍摄车标所得图像进行识别,包括以下模块:
特征提取模块,用于对输入的各幅图像分别进行三种特征提取,三种特征包括HOG特征、Curv-H特征和GIST特征,所述HOG特征为方向梯度直方图特征,所述Curv-H特征为曲率直方图特征;
一级分类器训练模块,用于从所有图像中按比例取一级训练样本,剩下的图像作为一级测试样本,基于一级训练样本的三种特征分别进行训练,得到三种一级分类器,利用所得三种一级分类器分别对各一级测试样本基于相应特征进行预测,得到一级测试样本属于一级分类器中每一类的概率,记为软概率;
特征融合模块,用于把每个一级测试样本在三种一级分类器下得到的软概率进行串联,完成三种特征的融合;
二级分类器训练模块,用于从一级测试样本中按比例取二级训练样本,剩余图像作为二级测试样本,把串联之后的软概率作为特征,基于二级训练样本的特征进行训练,得到二级分类器,利用二级分类器对二级测试样本基于相应特征进行预测,得到二级测试样本所属的类别,完成相应车标识别。
同样,可以设置实时处理模块,用于当有新输入的图像时,首先将新的图像作为一级测试样本,利用一级分类器训练模块所得三种一级分类器分别对该一级测试样本基于相应特征进行预测,得到该一级测试样本属于一级分类器中每一类的概率,记为软概率;然后将新的图像在三种一级分类器下得到的软概率进行串联,把串联之后的软概率作为特征,将新的图像作为二级测试样本,利用二级分类器训练模块所得二级分类器对该二级测试样本基于相应特征进行预测,得到该二级测试样本所属的类别,完成新的图像相应车标识别。
为验证本发明技术效果起见,进行了实验如下:
在实验过程中选用的数据库的来源是交通卡口的监控图像,监控图像得到的是车辆正面的图像,所以数据库中的车标均为正面图像,在所有的车标中,本发明选取了其中常见的八种车辆,分别是本田、标致、比亚迪、大众、丰田、起亚、现代、雪铁龙,详细的车辆数量如表1所示。训练的分类器SVM是利用libsvm软件包实现的,SVM分类器中选用的核函数为RBF核,此外,利用其它的分类器也可以进行试验,如Libliner软件包中的L1正则化逻辑回归、L2正则化逻辑回归等。为了保证测试结果的公平性,本发明分别从八类样本中随机取5%,10%,15%,20%,30%,50%六种比例来为训练样本,其余的作为测试样本,每次实验进行五次,取均值作为最后的结果,融合之后的识别的结果和三种特征的单一特征识别的结果对比如表2所示。
表1各类车辆数量
车辆类型 | 本田 | 标致 | 比亚迪 | 大众 | 丰田 | 起亚 | 现代 | 雪铁龙 |
车辆数量 | 113 | 67 | 105 | 112 | 133 | 108 | 119 | 120 |
表2单一特征分类与多特征融合分类结果
训练比例 | 5% | 10% | 15% | 20% | 30% | 50% |
Hog | 77.29% | 81.96% | 85.71% | 91.63% | 93.03% | 95.23% |
Curv-H | 88.53% | 90.03% | 90.65% | 92.62% | 94.48% | 94.10% |
GIST | 85.54% | 89.78% | 91.32% | 95.03% | 95.13% | 97.27% |
Hog+Curv-H+GIST | 89.84% | 92.93% | 94.52% | 95.46% | 99.03% | 99.77% |
可见,本发明的技术方案显著提高了分类准确度,训练比例越高,准确率越高,但训练样本所占资源越多,具体实施时,本领域技术人员可根据具体需要预设比例取值。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种面向交通卡口的多特征融合车标识别方法,用于对从交通卡口拍摄车标所得图像进行识别,其特征在于,包括以下步骤:
步骤1,特征提取,包括对输入的各幅图像分别进行三种特征提取,三种特征包括HOG特征、Curv-H特征和GIST特征,所述HOG特征为方向梯度直方图特征,所述Curv-H特征为曲率直方图特征;
步骤2,训练一级分类器,包括从所有图像中按比例取一级训练样本,剩下的图像作为一级测试样本,基于一级训练样本的三种特征分别进行训练,得到三种一级分类器,利用所得三种一级分类器分别对各一级测试样本基于相应特征进行预测,得到一级测试样本属于一级分类器中每一类的概率,记为软概率;
步骤3,特征融合,包括把每个一级测试样本在三种一级分类器下得到的软概率进行串联,完成三种特征的融合;
步骤4,训练二级分类器,包括从一级测试样本中按比例取二级训练样本,剩余图像作为二级测试样本,把串联之后的软概率作为特征,基于二级训练样本的特征进行训练,得到二级分类器,利用二级分类器对二级测试样本基于相应特征进行预测,得到二级测试样本所属的类别,完成相应车标识别。
2.根据权利要求1所述面向交通卡口的多特征融合车标识别方法,其特征在于:当有新输入的图像时,首先将新的图像作为一级测试样本,利用步骤2所得三种一级分类器分别对该一级测试样本基于相应特征进行预测,得到该一级测试样本属于一级分类器中每一类的概率,记为软概率;然后将新的图像在三种一级分类器下得到的软概率进行串联,把串联之后的软概率作为特征,将新的图像作为二级测试样本,利用二级分类器对该二级测试样本基于相应特征进行预测,得到该二级测试样本所属的类别,完成新的图像相应车标识别。
3.根据权利要求1或2所述面向交通卡口的多特征融合车标识别方法,其特征在于:从所有图像中按比例取一级训练样本,和从一级测试样本中按比例取二级训练样本时,比例的取值相同。
4.根据权利要求1或2所述面向交通卡口的多特征融合车标识别方法,其特征在于:训练一级分类器和二级分类器,基于SVM实现,所述SVM为支持向量机。
5.一种面向交通卡口的多特征融合车标识别系统,用于对从交通卡口拍摄车标所得图像进行识别,其特征在于,包括以下模块:
特征提取模块,用于对输入的各幅图像分别进行三种特征提取,三种特征包括HOG特征、Curv-H特征和GIST特征,所述HOG特征为方向梯度直方图特征,所述Curv-H特征为曲率直方图特征;
一级分类器训练模块,用于从所有图像中按比例取一级训练样本,剩下的图像作为一级测试样本,基于一级训练样本的三种特征分别进行训练,得到三种一级分类器,利用所得三种一级分类器分别对各一级测试样本基于相应特征进行预测,得到一级测试样本属于一级分类器中每一类的概率,记为软概率;
特征融合模块,用于把每个一级测试样本在三种一级分类器下得到的软概率进行串联,完成三种特征的融合;
二级分类器训练模块,用于从一级测试样本中按比例取二级训练样本,剩余图像作为二级测试样本,把串联之后的软概率作为特征,基于二级训练样本的特征进行训练,得到二级分类器,利用二级分类器对二级测试样本基于相应特征进行预测,得到二级测试样本所属的类别,完成相应车标识别。
6.根据权利要求5所述面向交通卡口的多特征融合车标识别系统,其特征在于:设置实时处理模块,用于当有新输入的图像时,首先将新的图像作为一级测试样本,利用一级分类器训练模块所得三种一级分类器分别对该一级测试样本基于相应特征进行预测,得到该一级测试样本属于一级分类器中每一类的概率,记为软概率;然后将新的图像在三种一级分类器下得到的软概率进行串联,把串联之后的软概率作为特征,将新的图像作为二级测试样本,利用二级分类器训练模块所得二级分类器对该二级测试样本基于相应特征进行预测,得到该二级测试样本所属的类别,完成新的图像相应车标识别。
7.根据权利要求5或6所述面向交通卡口的多特征融合车标识别系统,其特征在于:从所有图像中按比例取一级训练样本,和从一级测试样本中按比例取二级训练样本时,比例的取值相同。
8.根据权利要求5或6所述面向交通卡口的多特征融合车标识别系统,其特征在于:训练一级分类器和二级分类器,基于SVM实现,所述SVM为支持向量机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510364077.1A CN104992180B (zh) | 2015-06-26 | 2015-06-26 | 一种面向交通卡口的多特征融合车标识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510364077.1A CN104992180B (zh) | 2015-06-26 | 2015-06-26 | 一种面向交通卡口的多特征融合车标识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104992180A true CN104992180A (zh) | 2015-10-21 |
CN104992180B CN104992180B (zh) | 2019-01-29 |
Family
ID=54303993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510364077.1A Expired - Fee Related CN104992180B (zh) | 2015-06-26 | 2015-06-26 | 一种面向交通卡口的多特征融合车标识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104992180B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469091A (zh) * | 2015-12-03 | 2016-04-06 | 深圳市捷顺科技实业股份有限公司 | 一种车辆识别方法及装置 |
CN106295620A (zh) * | 2016-08-28 | 2017-01-04 | 乐视控股(北京)有限公司 | 发型识别方法及发型识别装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403676A (zh) * | 2008-10-28 | 2009-04-08 | 华北电力大学 | 基于d-s证据理论的绝缘子憎水性等级融合判决方法 |
CN101894269A (zh) * | 2010-07-16 | 2010-11-24 | 西安电子科技大学 | 基于多分类器系统的合成孔径雷达自动目标识别方法 |
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN103366181A (zh) * | 2013-06-28 | 2013-10-23 | 安科智慧城市技术(中国)有限公司 | 多特征视觉码本融合的场景识别方法和装置 |
-
2015
- 2015-06-26 CN CN201510364077.1A patent/CN104992180B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403676A (zh) * | 2008-10-28 | 2009-04-08 | 华北电力大学 | 基于d-s证据理论的绝缘子憎水性等级融合判决方法 |
CN101894269A (zh) * | 2010-07-16 | 2010-11-24 | 西安电子科技大学 | 基于多分类器系统的合成孔径雷达自动目标识别方法 |
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN103366181A (zh) * | 2013-06-28 | 2013-10-23 | 安科智慧城市技术(中国)有限公司 | 多特征视觉码本融合的场景识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
JUN WU 等: "Two-Stage Sequence Classification of PolInSAR Imagery", 《ASIAN-PACIFIC CONFERENCE ON SYNTHETIC APERTURE RADAR 2010》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469091A (zh) * | 2015-12-03 | 2016-04-06 | 深圳市捷顺科技实业股份有限公司 | 一种车辆识别方法及装置 |
CN105469091B (zh) * | 2015-12-03 | 2019-04-09 | 深圳市捷顺科技实业股份有限公司 | 一种车辆识别方法及装置 |
CN106295620A (zh) * | 2016-08-28 | 2017-01-04 | 乐视控股(北京)有限公司 | 发型识别方法及发型识别装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104992180B (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101329734B (zh) | 基于k-l变换和ls-svm的车牌字符识别方法 | |
US8824742B2 (en) | Occupancy detection for managed lane enforcement based on localization and classification of windshield images | |
CN103366367B (zh) | 基于像素数聚类的模糊c-均值灰度图像分割方法 | |
CN108171136A (zh) | 一种多任务卡口车辆以图搜图的系统及方法 | |
CN104021375A (zh) | 一种基于机器学习的车型识别方法 | |
CN101894269A (zh) | 基于多分类器系统的合成孔径雷达自动目标识别方法 | |
Khandelwal et al. | Segmentation-grounded scene graph generation | |
CN104200228A (zh) | 一种安全带识别方法与系统 | |
CN109086825A (zh) | 一种基于模型自适应选择的多分类模型融合方法 | |
CN105224945B (zh) | 一种基于联合检测与辨识算法的车标识别方法 | |
CN109034086A (zh) | 车辆重识别方法、装置及系统 | |
CN106326916A (zh) | 基于多尺度特征估计和高阶bing特征的目标检测方法 | |
Manzoor et al. | Vehicle make and model recognition using random forest classification for intelligent transportation systems | |
CN112200186A (zh) | 基于改进yolo_v3模型的车标识别方法 | |
CN104794432A (zh) | 快速级联式车标视觉检测与识别方法和系统 | |
CN104318590A (zh) | 视频中的目标跟踪方法 | |
Huang et al. | Fine-grained vehicle recognition by deep Convolutional Neural Network | |
CN104992180A (zh) | 一种面向交通卡口的多特征融合车标识别方法及系统 | |
US20160070972A1 (en) | System and method for determining a pet breed from an image | |
CN105279517A (zh) | 基于半监督关系主题模型的弱标签社交图像识别方法 | |
Ali et al. | On-road vehicle detection using support vector machine and decision tree classifications | |
Artan et al. | Comparison of face detection and image classification for detecting front seat passengers in vehicles | |
CN102385704B (zh) | 一种生物特征识别中的反样本挑选方法及装置 | |
Espinosa Valcarcel et al. | Machine vision algorithms applied to dynamic traffic light control | |
Artan et al. | Occupancy detection in vehicles using fisher vector image representation |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190129 Termination date: 20190626 |