CN105160330A - 一种车标识别方法及车标识别系统 - Google Patents

Abstract

本发明公开了一种车标识别方法及车标识别系统，所述方法包括：从图像中识别车牌位置，根据车牌与车标的位置关系，初步确定待识别车标图像，然后进行形态学图像处理，得到精确的待识别车标图像，并判断待识别车标图像所属类型，随后将待识别图像与标准库中对应类型的车标模板图像进行模板匹配和不变矩特征匹配，并加权计算出最终的匹配系统，根据最大的最终匹配系数与给定阈值的比较结果，输出车标识别结果。本发明根据车牌位置初步确定车标位置，在根据形态学变换精定位车标，利用模板匹配和特征匹配相结合实现车标识别，逐层定位和识别，算法简单，内存消耗少，处理速度快。

Description

一种车标识别方法及车标识别系统

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种车标识别方法及车标识别系统。

背景技术

近年来，伴随着道路交通的迅猛发展，车辆数量及交通流量增加，车辆督管困难越来越大，利用车辆实施犯罪的行为越来越多，智能交通系统被提到了不可忽视的位置。智能交通系统是为解决日益紧张的地面交通的诸多困难而出现的一个新的技术领域，是以信息技术为典型代表的高新技术在道路交通方面的集成应用，受到全球的高度重视，是包括发达国家和发展中国家在内的很多国家积极扶持的项目。

在相当长一段时间里对车辆识别的研究及应用都把重点放在车牌和车型自动识别上。但犯罪嫌疑人为了隐藏真相，转移视线，避免打击，采用种类繁多的方式来掩盖，一般有不悬挂车牌、套用假车牌、盗用真车牌、遮挡车牌，单靠车牌识别给抓获和破案加大了难度，给侦查工作带来了极大的阻力，事实证明只通过车牌和车型等信息未能完全达到准确判别车辆身份的目的。为了有效打击利用车辆的犯罪做法，相关办案人员需要借助其它车辆特征来进行侦查。若车辆识别能尽大限度依据车辆信息对目标车辆进行判别，则会极大提高车辆识别的准确性。除车牌和车型信息外，车辆还有车标这一重要的信息。车标包含了车辆的车型信息，另外它还包含了无法更改的生产厂家的信息。本发明就是在这样的应用背景下提出了基于智能相机的车标识别系统。

车标作为车辆的主要特征之一，具有难以更换和容易被犯罪嫌疑人忽略等特点，可以很好地为侦查人员提供线索，加大智能交通系统的辨识度。一方面，该方法可以应用到高速路口、加油站、停车场、小区大门口等视频监控系统中，记录出入车辆的车标信息，再结合车牌内容，建立出入车辆信息数据库，若有关于车辆的警情，民警可以根据车辆信息数据库内容迅速搜索嫌疑车辆，方便、快速地为警务提供线索；另一方面，将建立的出入车辆信息数据库和标准的车辆管理库中的车牌及车标等数据进行比照，可判断出车辆是否存在假牌、套牌的违规现象，可以帮助打击车辆套牌及对车牌进行修改的犯罪活动。

车标识别系统包括车标定位和车标图像识别两个部分，由于车标自身的大小差别很大，形态各异，给车标定位带来了一定的困难，但是可以利用一些视觉特征，如灰度、边缘、几何等特征来定位车标。基于先验知识的车标定位算法由于避免了全方位，多尺度的搜索，可以用于实时的车标定位系统，取得良好的效果，但由于先验知识算法自身的局限性，对光照变化和复杂场景十分敏感，难以精确定位车标。由于图像的边缘直方图可以反映目标图像的形状和边缘特征，同类车标具有类似的边缘直方图，而不同类车标的边缘直方图相差很大，用此方法能够用于车标识别，这种方法简单并且计算速度快，但有些车标的形状和边缘特征并不十分明显，容易造成识别误差，因而单独利用该特征难以达到较好的识别结果。

发明内容

本发明所要解决的技术问题是提供一种车标识别方法及车标识别系统，算法简单，对车标的识别精确。

本发明解决上述技术问题的技术方案如下：

基于本发明的一个方面，提供了一种车标识别方法，所述方法包括：

S1、利用基于CNN彩色图像边缘检测算法从获得的车头视频图像中识别车牌位置；

S2、基于车牌与车标的位置关系，选取车牌位置上方预定倍数于车牌高度、与车牌宽度相同的区域作为初步车标图像区域，并对所述初步车标图像区域进行数学形态学图像处理，得到精确定位的待识别车标图像；

S3、判断所述待识别车标图像所属类型；

S4a、按照待识别车标图像的类型，将所述待识别车标图像与标准模板库中相应类型的每一个车标模板图像依次进行模板匹配，得到对应的多个模板匹配系数；

S4b、提取待识别车标图像和标准模板库中的每一个车标模板图像的不变矩特征，并按照所述待识别车标图像的类型，将所述待识别车标图像与标准模板库中相应类型的每一个车标模板图像依次进行特征匹配，得到对应的多个特征匹配系数；

S5、将每一个所述模板匹配系数和每一个所述特征匹配系数对应进行加权计算得到多个最终匹配系数，选取数值最大的最终匹配系数，根据该数值最大的最终匹配系数与第一给定阈值的比较关系，输出车标识别结果。

基于本发明的另一个方面，提供了一种车标识别系统，所述系统包括：

车牌位置识别模块，用于利用基于CNN彩色图像边缘检测算法从获取的车头视频图像中识别出车牌位置；

车标图像定位模块，用于选取车牌位置上方预定倍数于车牌高度、与车牌宽度相同的区域作为初步车标图像区域，并对所述初步车标图像区域进行数学形态学图像处理，得到精确定位的待识别车标图像；

车标类型判断模块，用于判断所述待识别车标图像所属类型；

模板匹配模块，用于按照待识别车标图像的类型，将所述待识别车标图像与标准模板库中相应类型的每一个车标模板图像依次进行模板匹配，得到对应的多个模板匹配系数；

特征匹配模块，用于提取待识别车标图像和标准模板库中的每一个车标模板图像的不变矩特征，并按照所述待识别车标图像的类型，将所述待识别车标图像与标准模板库中相应类型的每一个车标模板图像依次进行特征匹配，得到对应的多个特征匹配系数；

最终匹配系数计算模块，用于将每一个所述模板匹配系数和每一个所述特征匹配系数对应进行加权计算获得多个最终匹配系数；

识别结果输出模块，用于选取数值最大的最终匹配系数，根据该数值最大的最终匹配系数与第一给定阈值的比较关系，输出车标识别结果。

本发明提供的一种车标识别方法及车标识别系统，利用现有成熟的车牌识别技术从视频图像中识别出车牌位置，并根据车牌与车标的位置关系初步确定车标位置，在根据形态学变换精定位车标，并利用模板匹配和特征匹配相结合实现车标识别，逐层定位和识别，算法简单，内存消耗少，处理速度快。

附图说明

图1为本发明实施例1的一种车标识别方法流程图；

图2为本发明实施例2的一种车标识别系统示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

实施例1、一种车标识别方法。以下结合图1对本实施例提供的车标识别方法进行详细说明。

参见图1，S1、利用基于CNN彩色图像边缘检测算法从获得的车头视频图像中识别车牌位置。

具体的，可以利用摄像装置拍摄多幅车辆的车头视频图像，比如，利用智能相机中的摄像头进行拍摄，并从拍摄的多个车头视频图像中选取一张比较清晰的车头视频图像，并利用现有的比较成熟的车牌识别方法从视频图像中识别出车牌位置，本实施例中采用基于CNN(Cellularneuralnetwork，细胞神经网络)彩色图像边缘检测算法(刘万军,姜庆玲,张闯.基于CNN彩色图像边缘检测的车牌定位方法.自动化学报.2009,35(12):1503-1512)从视频图像中识别出车牌位置。

S2、基于车牌与车标的位置关系，选取车牌位置上方预定倍数于车牌高度、与车牌宽度相同的区域作为初步车标图像区域，并对所述初步车标图像区域进行数学形态学图像处理，得到精确定位的待识别车标图像。

具体的，在现实情况中，车标位置通常位于车牌位置上方，不同车型的车牌与车标的距离不同，为了尽可能包括所有可能的情况，选取车牌上方尽可能大的区域作为车标的粗略区域范围，即选取车牌位置上方预定倍数于车牌高度的区域作为初步车标图像区域，此处的预定倍数的选取需要考虑尽量包括各种车型的车牌与车标的垂直距离。在本实施例中，选取车牌上方六倍于车牌高度、与车牌宽度相同的区域作为车标的粗略范围，得到初步车标图像区域。

在得到初步车标图像区域后，利用数学形态学的知识对初步车标图像进行处理，具体为对初步车标图像进行二值化、边缘化、腐蚀、连通、滤波、定位和倾斜校正处理，得到精确定位的待识别车标图像。通常情况下，数学形态学图像处理的过程如下：在图像中移动一个结构元素进行一种类似于卷积操作的方式进行，其结构元素可以具有任意的大小，也可以包含任意的0与1的组合。在图像的每个像素位置处，结构元素核与其下面的二值图像之间进行一种特定的逻辑关系运算，该运算的二进制结果作为返回值存在输出图像中对应于该像素的位置上。输出的效果取决于结构元素的内容、大小以及逻辑运算的性质。

设B_n×m为结构元素，I是灰度图像，则B_n×m对I的开运算定义为：

其中Θ和分别为腐蚀和膨胀算子。本发明用顶帽变换来实现车标的精确定位，其定义为：

I_TH＝I-IοB_n×m

顶帽变换可以保持大尺寸区域的灰度级特性相对不变，同时去除比结构元素B_n×m小的部分。因此可选取适当尺寸的结构元素，应用形态学的膨胀、腐蚀变换抑制车标背景，增强车标区域。

S3、判断所述待识别车标图像所属类型。

具体的，通过观察大量的车标样本发现，车标基本上可以分为方形车标和圆形车标两种类型，因此，本实施例对待识别车标图像的类型进行判断。具体的判断过程为：计算所述待识别车标图像的长宽比值，若该长宽比值大于第二给定阈值，则该待识别车标图像为方形车标图像；否则，该待识别车标图像为圆形车标图像，其中，其中，第二给定阈值与对标准模板库中车标模板图像分类使用的阈值相同，比如，本实施例中设定的第二给定阈值为4/3，当待识别车标图像的长宽比值大于4/3时，则该待识别车标图像为方形车标图像；否则，为圆形车标图像。

每类车标的标准模板库是通过对多个车标样本取平均值构造的，但由于各个车标样本的尺度大小和灰度分布各不相同，因此应先对这些车标样本进行尺度和灰度分布标准化，然后将该类车标所有样本取灰度平均并缩放到需要的尺度作为该类车标原始的标准模板库。本实施例根据实际需要，选取23种车标进行识别，分别是：五菱、宝马、东风、日产、福特、奥迪、江淮、雪弗兰、福田、奔驰、长城哈弗、马自达、奇瑞、铃木、解放、标志、海马、起亚、雷克萨斯、比亚迪、保时捷、长安、长安商用。

S4a、按照待识别车标图像的类型，将所述待识别车标图像与标准库中相应类型的每一个车标模板图像依次进行模板匹配，得到对应的多个模板匹配系数。

具体的，按照待识别车标图像的类型，将待识别车标图像与相应类型的车标模板库中的每一个车标模板图像进行模板匹配(车标模板库中的每一个车标模板图像的类型是预先分类好的)，得到一系列的模板匹配系数。模板匹配法是图像处理和模式识别中常用的统计识别方法，模板匹配法是在灰度图像上直接比较目标模板和候选图像之间的相似度，也就是用已有的模板和原图像中同样大小的一块区域去对比，通过比较各个类别的标准模板匹配的结果来对输入的候选图像区域的目标进行识别。本实施例的模板匹配是基于欧几里德距离的匹配，通过欧几里德距离函数的计算找出一个距离值，而该距离值反映了两者之间的差异性，距离值越大，两者之间的差异性也越大，距离值越小，两者之间的差异性也越小。

本实施例种具体的模板匹配过程为：对于标准模板库中与待识别车标图像的类型相同的车标模板图像i，将待识别车标图像缩放到与该车标模板图像i相同的尺寸；分别将所述车标模板图像i和缩放后的待识别车标图像转化为对应的二值图像，并计算两幅二值图像的差分图像的绝对值的和，具体为：

$D_{1,i}=\underset{m=1}{\overset{row}{\Σ}}\underset{n=1}{\overset{col}{\Σ}}|I_{m,n}-J_{m,n}\left(i\right)|$

其中，I_m,n为待识别车标图像对应的二值图像中第m行、n列像素值，J_m,n(i))为标准模板库中车标模板图像i对应的二值图像中第m行、n列像素值，m和n分别是指二值图像中像素所在的行数和列数，其中，m和n均为正整数；则获取的待识别车标图像与车标模板图像i的模板匹配系数为：

$C_{1,i}=(\underset{m=1}{\overset{row}{\Σ}}\underset{n=1}{\overset{col}{\Σ}}{I}_{m,n}-D_{1,i})/\underset{m=1}{\overset{row}{\Σ}}\underset{n=1}{\overset{col}{\Σ}}{I}_{m,n}.$

S4b、提取待识别车标图像和标准模板库中的每一个车标模板图像的不变矩特征，并按照所述待识别车标图像的类型，将所述待识别车标图像与标准库中相应类型的每一个车标模板图像依次进行特征匹配，得到对应的多个特征匹配系数。

Hu矩是由Hu在1962年提出的(HuM.K.VisualPatternRecognitionbyMomentInvariants.IRETransactionsInformationTheory，1962(8):179-187)，图像f(x,y)的(p+q)阶矩定义为M_pq＝∫∫x^py^qf(x,y)dxdy(p,q＝0,)，矩在统计学中被用来反映随机变量的分布情况，推广到力学中，被用作刻画空间物体的质量分布。如果将图像的像素值看作是一个二维或者三维的概率密度分布函数，那么矩方法可用于图像分析领域，并且可用作图像特征提取。以此类推，物体的零阶矩M₀₀＝∫∫f(x,y)dxdy表示图像的“质量”，一阶矩(M₀₁,M₁₀)用于表示图像的质心(X_c,Y_c)，其中X_c＝M₁₀/M₀₀，Y_c＝M₀₁/M₀₀。如果将图像坐标原点移至x_c和y_c处，就得到了相对于图像的位移不变中心矩，如U_pq＝∫∫[(x-X_C)^P]^*[(y-Y_C)^q]f(x,y)dxdy。Hu在文中提出了7个几何不变矩，这些不变矩满足于图像伸缩、平移和旋转不变。

不变矩是一种通过提取具有伸缩、平移、旋转和比例不变性的图像特征进行图像识别的方法，是一个非常有效的工具。图像区域f(x,y)的(p+q)阶矩的定义为：

$m_{pq}=\underset{x}{\Σ}\underset{y}{\Σ}{x}^p{y}^{q}f(x,y),p,q=0,1,2...$

与其对应的中心矩的定义为：

$u_{pq}=\underset{x}{\Σ}\underset{y}{\Σ}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^{q}f(x,y),p,q=0,1,2,...$

其中，和是图像重心坐标，是目标图像灰度的质心，f(x,y)归一化(p+q)阶中心矩的定义为：

${\mathrm{\η}}_{pq}=\frac{u_{pq}}{u_{00}^{\mathrm{\γ}}},p,q=0,1,2,...$

其中

$\mathrm{\γ}=\frac{p+q}{2}+1,p,q=2,3,4,...$

下面的7个二维不变矩是由归一化的二阶和三阶中心矩得到的，这些不变矩对伸缩、平移、旋转以及镜面具有不变性：

φ₁＝η₂₀+η₀₂

${\mathrm{\φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+4{\mathrm{\η}}_{11}^2$

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

φ₅＝(η₃₀-3η₁₂)(η₃₀₊η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]

+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

φ₇＝(3η₂₁-η₀₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]

+(3η₁₂-η₃₀)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

这些不变矩不受伸缩、平移、旋转等改变的影响。

因此，本实施例中待识别车标图像与相应类型的车标模板库中的每一个车标模板图像进行特征匹配的具体过程为：将待识别车标图像分解为m*m的图像子块矩阵，并提取每一个图像子块的n个不变矩特征，得到m*m*n个不变矩特征，并提取待识别车标图像的n个不变矩特征，总共得到(m*m*n+n)个不变矩特征，其中，m为自然数，n为正整数,且1≤n≤7。按照同样的方法提取标准库中每一个车标模板图像的(m*m*n+n)个不变矩特征，并对提取的待识别车标图像的每一个不变矩特征和每一个车标模板图像的每一个不变矩特征对应进行编号。

然后根据每一个不变矩特征对应的图像子块/图像在待识别车标图像/车标模板图像中所占面积确定权重，计算待识别车标图像中每一个不变矩特征与对应类型的车标模板图像中每一个不变矩特征的差分和，具体为：

$D_{2,i}=\frac{1}{m*m}\×\underset{j=1}{\overset{m*m*n}{\Σ}}\left|f_{i,j}-g_j\right|+1\×\underset{j=m*m*n+1}{\overset{m*m*n+1}{\Σ}}\left|f_{i,j}-g_j\right|$

其中，f_i,j为标准库中第i个车标模板图像的不变矩特征，g_j为待识别车标图像的不变矩特征，其中，j为不变矩特征的编号，j为正整数，j的取值为1、2…(m*m*n+n)；因此获得的待识别车标图像与对应的类型的每一个车标模板图像之间的特征匹配系数为：

$C_{2,i}=(\underset{j=1}{\overset{m*m*n+n}{\Σ}}{g}_j-D_{2,i})/\underset{j=1}{\overset{m*m*n+n}{\Σ}}{g}_j.$

S5、将每一个所述模板匹配系数和每一个所述特征匹配系数对应进行加权计算得到多个最终匹配系数，选取数值最大的最终匹配系数，根据该数值最大的最终匹配系数与第一给定阈值的比较关系，输出车标识别结果。

具体的，通过上述步骤S4a和S4b计算出一系列模板匹配系数和一系列特征匹配系数后，利用一定的公式对每一个所述模板匹配系数和每一个所述特征匹配系数对应进行加权计算得到一系列最终匹配系数，其中，运用的公式为：

C_i＝ω_1,iC_1,i+ω_2,iC_2,i；

其中，

$\left\{\begin{array}{ccc}{\mathrm{\&omega;}}_{1,i}=1,{\mathrm{\&omega;}}_{2,i}=0,& if& C_{1,i}\&GreaterEqual;0.5,C_{2,i}<0.5\\ {\mathrm{\&omega;}}_{1,i}=0,{\mathrm{\&omega;}}_{2,i}=1& if& C_{1,i}<0.5,C_{2,i}\&GreaterEqual;0.5\\ {\mathrm{\&omega;}}_{1,i}={\mathrm{\&omega;}}_{2,i}=0.5& if& C_{1,i}\&GreaterEqual;0.5,C_{2,i}\&GreaterEqual;0.5\\ {\mathrm{\&omega;}}_{1,i}={\mathrm{\&omega;}}_{2,i}=0& if& C_{1,i}<0.5,C_{2,i}<0.5\end{array}\right.;$

其中，ω_1,i为第i个车标模板图像与待识别图像的模板匹配系数的权重，ω_2,i为第i个车标模板图像与待识别图像的特征匹配系数的权重。

计算得到一系列最终匹配系数后，选取这一系列匹配系数中最大的最终匹配系数，并将选取的该最大的最终匹配系数与第一给定阈值进行比较，比如，本实施例中第一给定阈值的取值为0.8，当最大的最终匹配系数大于第一给定阈值时，则将标准库中对该最大的最终匹配系数对应的车标模板图像作为车标识别结果，否则，输出无车标识别结果。

实施例2、一种车标识别系统。以下结合图2对本实施例提供的车标识别系统进行详细说明。

参见图2，本实施例提供的系统包括车牌位置识别模块21、车标图像定位模块22、车标类型判断模块23、模板匹配模块24、特征匹配模块25、最终匹配系数计算模块26和识别结果输出模块27。

其中，车牌位置识别模块21，用于利用基于CNN彩色图像边缘检测算法从获取的车头视频图像中识别出车牌位置。

车标图像定位模块22，用于选取车牌位置上方预定倍数于车牌高度、与车牌宽度相同的区域作为初步车标图像区域，并对所述初步车标图像区域进行形态学图像处理，得到精确定位的待识别车标图像。

具体的，车标位置通常位于车牌位置上方，不同车型的车牌与车标的距离不同，为了尽可能包括所有可能的情况，车标定位模块22选取车牌上方尽可能大的区域作为车标的粗略区域范围。在本实施例中，选取车牌上方六倍于车牌高度、与车牌宽度相同的区域作为车标的粗略范围，得到初步车标图像区域。

在得到初步车标图像区域后，车标定位模块22利用数学形态学的知识对初步车标图像进行处理，具体为对初步车标图像进行二值化、边缘化、腐蚀、连通、滤波、定位和倾斜校正处理，得到精确定位的待识别车标图像。

车标类型判断模块23，用于判断所述待识别车标图像所属类型。

具体的，车标类型判断模块23计算所述待识别车标图像的长宽比值，若该长宽比值大于第二给定阈值，则该待识别车标图像为方形车标图像；否则，该待识别车标图像为圆形车标图像，其中，第二给定阈值与对标准模板库中车标模板图像分类使用的阈值相同。

模板匹配模块24，用于按照待识别车标图像的类型，将所述待识别车标图像与标准模板库中相应类型的每一个车标模板图像依次进行模板匹配，得到对应的多个模板匹配系数。

具体的，利用模板匹配模块24进行模板匹配的具体过程为：对于标准库中的车标模板图像i，将待识别车标图像缩放到与所述车标模板图像i相同的尺寸；分别将所述车标模板图像i和缩放后的待识别车标图像转化为对应的二值图像，并计算两幅二值图像的差分图像的绝对值的和，具体为：

$D_{1,i}=\underset{m=1}{\overset{row}{\&Sigma;}}\underset{n=1}{\overset{col}{\&Sigma;}}|I_{m,n}-J_{m,n}\left(i\right)|$

其中，I_m,n为待识别车标图像对应的二值图像中第m行、n列像素值，J_m,n(i))为标准模板库中车标模板图像i对应的二值图像中第m行、n列像素值，m和n分别是指二值图像中像素所在的行数和列数，其中，m和n均为正整数，则获取的待识别车标图像与车标模板图像i的模板匹配系数为：

$C_{1,i}=(\underset{m=1}{\overset{row}{\&Sigma;}}\underset{n=1}{\overset{col}{\&Sigma;}}{I}_{m,n}-D_{1,i})/\underset{m=1}{\overset{row}{\&Sigma;}}\underset{n=1}{\overset{col}{\&Sigma;}}{I}_{m,n}.$

特征匹配模块25，用于提取待识别车标图像和标准库中的每一个车标模板的不变矩特征，并按照所述待识别车标图像的类型，将所述待识别车标图像与标准库中相应类型的每一个车标模板图像依次进行特征匹配，得到对应的多个特征匹配系数。

具体的，利用特征匹配模块25进行待识别车标图像与标准库中相应类型的每一个车标模板图像进行特征匹配的具体过程为：将待识别车标图像分解为m*m的图像子块矩阵，并提取每一个图像子块的n个不变矩特征，得到m*m*n个不变矩特征，并提取待识别车标图像的n个不变矩特征，总共得到(m*m*n+n)个不变矩特征，其中，m为自然数，n为正整数，且1≤n≤7。按照同样的方法提取标准库中每一个车标模板图像的(m*m*n+n)个不变矩特征，并对提取的待识别车标图像和每一个车标模板图像的不变矩特征对应进行编号。

根据每一个不变矩特征对应的图像子块/图像在待识别车标图像/车标模板图像中所占面积确定权重，计算待识别车标图像中每一个不变矩特征与对应类型的车标模板图像中每一个不变矩特征的差分和，具体为：

$D_{2,i}=\frac{1}{m*m}\&times;\underset{j=1}{\overset{m*m*n}{\&Sigma;}}\left|f_{i,j}-g_j\right|+1\&times;\underset{j=m*m*n+1}{\overset{m*m*n+1}{\&Sigma;}}\left|f_{i,j}-g_j\right|$

其中，f_i,j为标准库中第i个车标模板图像的不变矩特征，g_j为待识别车标图像的不变矩特征，其中，j为不变矩特征的编号，j为正整数，j的取值为1、2…(m*m*n+n)。

获得的待识别车标图像与对应的类型的每一个车标模板图像之间的特征匹配系数为：

$C_{2,i}=(\underset{j=1}{\overset{m*m*n+n}{\&Sigma;}}{g}_j-D_{2,i})/\underset{j=1}{\overset{m*m*n+n}{\&Sigma;}}{g}_j.$

最终匹配系数计算模块26，用于将每一个所述模板匹配系数和每一个所述特征匹配系数对应进行加权计算获得多个最终匹配系数。

具体的，最终匹配系数计算模块26通过一定的公式对每一个所述模板匹配系数和每一个所述特征匹配系数对应进行加权计算得到多个最终匹配系数：

C_i＝ω_1,iC_1,i+ω_2,iC_2,i；

其中，

$\left\{\begin{array}{ccc}{\mathrm{\&omega;}}_{1,i}=1,{\mathrm{\&omega;}}_{2,i}=0,& if& C_{1,i}\&GreaterEqual;0.5,C_{2,i}<0.5\\ {\mathrm{\&omega;}}_{1,i}=0,{\mathrm{\&omega;}}_{2,i}=1& if& C_{1,i}<0.5,C_{2,i}\&GreaterEqual;0.5\\ {\mathrm{\&omega;}}_{1,i}={\mathrm{\&omega;}}_{2,i}=0.5& if& C_{1,i}\&GreaterEqual;0.5,C_{2,i}\&GreaterEqual;0.5\\ {\mathrm{\&omega;}}_{1,i}={\mathrm{\&omega;}}_{2,i}=0& if& C_{1,i}<0.5,C_{2,i}<0.5\end{array}\right.;$

其中，ω_1,i为第i个车标模板图像与待识别图像的模板匹配系数的权重，ω_2,i为第i个车标模板图像与待识别图像的特征匹配系数的权重。

识别结果输出模块27，用于选取数值最大的最终匹配系数，根据该数值最大的最终匹配系数与第一给定阈值的比较关系，输出车标识别结果。

具体的，识别结果输出模块27从一系列的最终匹配系数中选取最大的最终匹配系数，并将该最大的最终匹配系数与第一给定阈值进行比较，当最大的最终匹配系数大于第一给定阈值时，则将标准库中对该最大的最终匹配系数对应的车标模板图像作为车标识别结果，否则，输出无车标识别结果。

本发明提供的一种车标识别方法及车标识别系统，利用现有的成熟的车牌识别技术从视频图像中识别车牌位置，根据车牌与车标的位置关系，初步确定待识别车标图像，然后进行形态学图像处理，得到精确的待识别车标图像，并对待识别车标图像所属车标类型进行判断，随后将待识别车标图像与标准库中对应类型的车标模板图像进行模板匹配和不变矩特征匹配，并加权计算出最终的匹配系统，根据最大的最终匹配系数与给定阈值的比较结果，输出车标识别结果。本发明利用现有成熟的车牌位置识别技术从视频图像中识别出车牌位置，并根据车牌与车标的位置关系初步确定车标位置，再根据数学形态学变换精确定位车标，利用模板匹配和不变矩特征匹配相结合实现车标识别，逐层定位和识别，算法简单，内存消耗少，处理速度快。

在本说明书的描述中，参考术语“实施例一”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体方法、装置或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、方法、装置或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车标识别方法，其特征在于，所述方法包括：

S1、利用基于CNN彩色图像边缘检测算法从获得的车头视频图像中识别车牌位置；

S2、基于车牌与车标的位置关系，选取车牌位置上方预定倍数于车牌高度、与车牌宽度相同的区域作为初步车标图像区域，并对所述初步车标图像区域进行数学形态学图像处理，得到精确定位的待识别车标图像；

S3、判断所述待识别车标图像所属类型；

S4a、按照待识别车标图像的类型，将所述待识别车标图像与标准模板库中相应类型的每一个车标模板图像依次进行模板匹配，得到对应的多个模板匹配系数；

S4b、提取待识别车标图像和标准模板库中的每一个车标模板图像的不变矩特征，并按照所述待识别车标图像的类型，将所述待识别车标图像与标准模板库中相应类型的每一个车标模板图像依次进行特征匹配，得到对应的多个特征匹配系数；

S5、将每一个所述模板匹配系数和每一个所述特征匹配系数对应进行加权计算得到多个最终匹配系数，选取数值最大的最终匹配系数，根据该数值最大的最终匹配系数与第一给定阈值的比较关系，输出车标识别结果。

2.如权利要求1所述的车标识别方法，其特征在于，所述步骤S2中对所述初步车标图像区域进行数学形态学图像处理具体包括：

对初步车标图像区域进行二值化、边缘化、腐蚀、连通、滤波、定位和倾斜校正处理。

3.如权利要求1所述的车标识别方法，其特征在于，所述步骤S3具体包括：

计算所述待识别车标图像的长宽比值，若该长宽比值大于第二给定阈值，则该待识别车标图像为方形车标图像；否则，该待识别车标图像为圆形车标图像，其中，所述第二给定阈值与对标准模板库中车标模板图像分类使用的阈值相同。

4.如权利要求1所述的车标识别方法，其特征在于，所述步骤S4a具体包括：

对于标准模板库中的车标模板图像i，将待识别车标图像缩放到与所述车标模板图像i相同的尺寸；

分别将所述车标模板图像i和缩放后的待识别车标图像转化为对应的二值图像，并计算两幅二值图像的差分图像的绝对值的和，具体为：

$D_{1,i}=\underset{m=1}{\overset{row}{\&Sigma;}}\underset{n=1}{\overset{col}{\&Sigma;}}|I_{m,n}-J_{m,n}\left(i\right)|$

其中，I_m,n为待识别车标图像对应的二值图像中第m行、n列像素值，J_m,n(i)为标准模板库中车标模板图像i对应的二值图像中第m行、n列像素值，m和n分别是指二值图像中像素所在的行数和列数，其中，m和n均为正整数；则获取的待识别车标图像与车标模板图像i的模板匹配系数为：

$C_{1,i}=(\underset{m=1}{\overset{row}{\&Sigma;}}\underset{n=1}{\overset{col}{\&Sigma;}}{I}_{m,n}-D_{1,i})/\underset{m=1}{\overset{row}{\&Sigma;}}\underset{n=1}{\overset{col}{\&Sigma;}}{I}_{m,n}.$

5.如权利要求1所述的车标识别方法，其特征在于，所述步骤S4b中将所述待识别车标图像与标准模板库中相应类型的每一个车标模板图像依次进行模板匹配，得到对应的多个模板匹配系数具体包括：

将待识别车标图像分解为m*m的图像子块矩阵，并提取每一个图像子块的n个不变矩特征，得到m*m*n个不变矩特征，并提取待识别车标图像的n个不变矩特征，总共得到(m*m*n+n)个不变矩特征，其中，m为自然数，n为正整数，且1≤n≤7；

按照同样的方法提取标准模板库中每一个车标模板图像的(m*m*n+n)个不变矩特征，并对提取的待识别车标图像和每一个车标模板图像的不变矩特征对应进行编号；

根据每一个不变矩特征对应的提取特征面积占提取总面积之比确定权重，计算待识别车标图像中每一个不变矩特征与对应类型的车标模板图像中每一个不变矩特征的差分和，具体为：

$D_{2,i}=\frac{1}{m*m}\&times;\underset{j=1}{\overset{m*m*n}{\&Sigma;}}\left|f_{i,j}-g_j\right|+1\&times;\underset{j=m*m*n+1}{\overset{m*m*n+1}{\&Sigma;}}\left|f_{i,j}-g_j\right|$

其中，f_i,j为标准模板库中第i个车标模板图像的不变矩特征，g_j为待识别车标图像的不变矩特征，其中，j为不变矩特征的编号，j为正整数，j的取值为1、2…(m*m*n+n)；

获得的待识别车标图像与对应的类型的每一个车标模板图像之间的特征匹配系数为：

$C_{2,i}=(\underset{j=1}{\overset{m*m*n+n}{\&Sigma;}}{g}_j-D_{2,i})/\underset{j=1}{\overset{m*m*n+n}{\&Sigma;}}{g}_j.$

6.如权利要求4或5所述的车标识别方法，其特征在于，通过下述公式对每一个所述模板匹配系数和每一个所述特征匹配系数对应进行加权计算得到多个最终匹配系数：

C_i＝ω_1,iC_1,i+ω_2,iC_2,i；

其中，

$\left\{\begin{array}{ccc}{\mathrm{\&omega;}}_{1,i}=1,{\mathrm{\&omega;}}_{2,i}=0,& if& C_{1,i}\&GreaterEqual;0.5,C_{2,i}<0.5\\ {\mathrm{\&omega;}}_{1,i}=0,{\mathrm{\&omega;}}_{2,i}=1& if& C_{1,i}<0.5,C_{2,i}\&GreaterEqual;0.5\\ {\mathrm{\&omega;}}_{1,i}={\mathrm{\&omega;}}_{2,i}=0.5& if& C_{1,i}\&GreaterEqual;0.5,C_{2,i}\&GreaterEqual;0.5\\ {\mathrm{\&omega;}}_{1,i}={\mathrm{\&omega;}}_{2,i}=0& if& C_{1,i}<0.5,C_{2,i}<0.5\end{array}\right.;$

其中，ω_1,i为第i个车标模板图像与待识别图像的模板匹配系数的权重，ω_2,i为第i个车标模板图像与待识别图像的特征匹配系数的权重。

7.如权利要求6所述的车标识别方法，其特征在于，所述步骤S6中根据该数值最大的最终匹配系数与第一给定阈值的比较关系，输出车标识别结果具体包括：

当最大的最终匹配系数大于第一给定阈值时，则将标准模板库中对该最大的最终匹配系数对应的车标模板图像作为车标识别结果，否则，输出无车标识别结果。

8.一种车标识别系统，其特征在于，所述系统包括：

车牌位置识别模块，用于利用基于CNN彩色图像边缘检测算法从获取的车头视频图像中识别出车牌位置；

车标图像定位模块，用于选取车牌位置上方预定倍数于车牌高度、与车牌宽度相同的区域作为初步车标图像区域，并对所述初步车标图像区域进行数学形态学图像处理，得到精确定位的待识别车标图像；

车标类型判断模块车标类型判断模块，用于判断所述待识别车标图像所属类型；

模板匹配模块，用于按照待识别车标图像的类型，将所述待识别车标图像与标准模板库中相应类型的每一个车标模板图像依次进行模板匹配，得到对应的多个模板匹配系数；

特征匹配模块，用于提取待识别车标图像和标准模板库中的每一个车标模板图像的不变矩特征，并按照所述待识别车标图像的类型，将所述待识别车标图像与标准模板库中相应类型的每一个车标模板图像依次进行特征匹配，得到对应的多个特征匹配系数；

最终匹配系数计算模块，用于将每一个所述模板匹配系数和每一个所述特征匹配系数对应进行加权计算获得多个最终匹配系数；

识别结果输出模块，用于选取数值最大的最终匹配系数，根据该数值最大的最终匹配系数与第一给定阈值的比较关系，输出车标识别结果。

9.如权利要求8所述的车标识别系统，其特征在于，所述车标类型判断模块具体用于：

计算所述待识别车标图像的长宽比值，若该长宽比值大于第二给定阈值，则该待识别车标图像为方形车标图像；否则，该待识别车标图像为圆形车标图像，其中，所述第二给定阈值与对标准模板库中车标模板图像分类使用的阈值相同。

10.如权利要求8所述的车标识别系统，其特征在于，所述识别结果输出模块具体用于：

选取数值最大的最终匹配系数，将该最大的最终匹配系数与第一给定阈值进行比较，当该最大的最终匹配系数大于第一给定阈值时，则将标准模板库中对该最大的最终匹配系数对应的车标模板图像作为车标识别结果，否则，输出无车标识别结果。