CN105447451A - 一种检索物体标志物的方法及设备 - Google Patents

Abstract

本发明提供了一种检索物体标志物的方法及设备，包括：获取目标物体的标志物的图像，并将所述标志物的图像转换到颜色模型Lab空间；按照预设的采样密集度在Lab空间中提取所述标志物的图像的特征点集合；分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度；根据计算结果判断所述检索图像中是否包含所述目标物体的标志物。通过Lab空间的颜色差异均匀性特征，获取了标志物的细节特征，而且克服了相关技术中由于车辆的标志物区域很小，在标志物区域内很难提取出有效的特征点的问题，使得提取的特征点更加合理，进而提高了车辆检索的准确性。

Description

一种检索物体标志物的方法及设备

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种检索物体标志物的方法及设备。

背景技术

随着社会经济的发展，道路中的车辆越来越多，伴随着出现越来越多的无牌车辆，为了确保道路安全，道路交通管理需要对无牌车辆进行检索。

为了实现车辆检索，相关技术中利用SIFT(Scale-invariantfeaturetransform，尺度不变特征变换)算法从车辆图像中提取特征点，并利用提取的特征点与库存的检索图像进行特征点匹配，实现车辆检索。

SIFT具体步骤如下：

(1)构建尺度空间，以模拟图像数据在实际应用场景中的多尺度特征；

(2)寻找尺度空间的极值点，通过将每个采样点与其相邻点比较，比较看其是否比它的图像域和尺度域的相邻点大或者小；

(3)去除低对比度的关键点和不稳定的边缘响应点，以增强匹配稳定性、提高抗噪声能力；

(4)将剩余的极值点均赋予方向参数，利用极值点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性；

(5)方向参数的归一化处理，在得到特征向量后，此时SIFT特征向量已经去除了尺度变化、旋转等几何变形因素的影响。再将特征向量进行归一化，则可以进一步去除光照变化的影响。

在实现本发明的过程中，发明人发现上述检测方法至少存在以下问题：

由于车辆行驶时受到光照影响以及获取车辆图像的设备对图像颜色的影响，车辆图像的颜色经常变化，相关技术中没有克服颜色对车辆检测的影响，而且由于车辆的标志物区域很小，按照相关技术，在标志物区域内很难提取出有效的特征点，因此使得车辆检索结果不准确。

发明内容

有鉴于此，本发明实施例的目的在于提供一种检索物体标志物的方法及设备，通过在Lab空间上获取的特征点来进行目标物体标志的图像检索，利用Lab空间的颜色差异均匀性特征来获取标志物的细节特征，而且克服了相关技术中由于车辆的标志物区域很小，在标志物区域内很难提取出有效的特征点的问题，使得提取的特征点更加合理，进而提高了车辆检索的准确性。

第一方面，本发明实施例提供了一种检索物体标志物的方法，所述方法包括；

获取目标物体的标志物的图像，并将所述标志物的图像转换到Lab空间；

按照预设的采样密集度在Lab空间中提取所述标志物的图像的特征点集合；

分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度；

根据计算结果判断所述检索图像中是否包含所述目标物体的标志物。

结合第一方面，本发明实施例提供了上述第一方面的第一种可能的实现方式，所述按照预设的采样密集度从Lab空间中提取所述标志物的图像的特征点集合，包括：

在所述标志物的图像在Lab空间中的三个颜色通道上的子图像中提取相同位置的提取区域；

从所述三个颜色通道上的子图像中相同位置的提取区域中提取所述标志物的图像在所述提取区域内的特征属性；

根据所述标志物的图像在所述提取区域内的特征属性获取所述标志物的图像在所述提取区域内的特征点。

结合第一方面的第一种可能的实现方式，本发明实施例提供了上述第一方面的第二种可能的实现方式，其中，所述方法还包括：

在所述三个颜色通道上的子图像中以相同的预设步长移动所述提取区域；

从所述三个颜色通道上的子图像中的移动后的提取区域中提取所述标志物的图像在所述移动后的提取区域内的特征属性；

根据所述标志物的图像在所述移动后的提取区域内的特征属性获取所述标志物的图像在移动后的提取区域内的特征点集合；

其中，每个子图像中移动后的提取区域与移动前的提取区域存在重合区域。

结合第一方面的可能的实现方式，本发明实施例提供了上述第一方面的第三种可能的实现方式，所述获取目标物体的标志物的图像,并将所述标志物的图像转换到Lab空间，包括：

获取所述目标物体的标志物的归一化后的图像；

将所述标志物的归一化后的图像转换为不同尺寸的图像，并将所述标志物的不同尺寸的图像转换到Lab空间。

结合第一方面的可能的实现方式，本发明实施例提供了上述第一方面的第四种可能的实现方式，其中，所述分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度，包括：

分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的欧氏距离；

对所述欧氏距离进行高斯处理，以得到每组所述标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度；

计算所述每组标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和。

结合第一方面的可能的实现方式，本发明实施例提供了上述第一方面的第五种可能的实现方式，其中，所述根据计算结果判断所述检索图像中是否包含所述目标物体的标志物，包括：

判断所述每组标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和是否达到阈值；

如果判断结果为是，则所述检索图像中包含所述目标物体的标志物；

如果判断结果为否，则所述检索图像中不包含所述目标物体的标志物。

第二方面，本发明实施例提供了一种检索物体标志物的设备，包括；

转换模块，用于获取目标物体的标志物的图像，并将所述标志物的图像转换到颜色模型Lab空间；

提取模块，用于按照预设的采样密集度在Lab空间中提取所述标志物的图像的特征点集合；

计算模块，用于分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度；

判断模块，用于根据计算结果判断所述检索图像中是否包含所述目标物体的标志物。

结合第二方面的可能的实现方式，本发明实施例提供了上述第二方面的第一种可能的实现方式，其中，所述提取模块，包括：

区域提取单元，用于在所述标志物的图像在Lab空间中的三个颜色通道上的子图像中提取相同位置的提取区域；

属性提取单元，用于从所述三个颜色通道上的子图像中相同位置的提取区域中提取所述标志物的图像在所述提取区域内的特征属性。

获取单元，用于根据所述标志物的图像在所述提取区域内的特征属性获取所述标志物的图像在所述提取区域内的特征点。

结合第二方面的第一种可能的实现方式，本发明实施例提供了上述第二方面的第二种可能的实现方式，其中，还包括：

移动单元，用于在所述三个颜色通道上的子图像中以相同的预设步长移动所述提取区域；

所述属性提取单元，还用于从所述三个颜色通道上的子图像中的移动后的提取区域中提取所述标志物的图像在所述移动后的提取区域内的特征属性；

所述获取单元，还用于根据所述标志物的图像在所述移动后的提取区域内的特征属性获取所述标志物的图像在移动后的提取区域内的特征点集合；

其中，每个子图像中移动后的提取区域与移动前的提取区域存在重合区域。

结合第二方面的可能的实现方式，本发明实施例提供了上述第二方面的第三种可能的实现方式，其中，所述设备还包括：

获取模块，用于获取所述目标物体的标志物的归一化后的图像；

所述转换模块，还用于将所述标志物的归一化后的图像转换为不同尺寸的图像，并将所述标志物的不同尺寸的图像转换到Lab空间。

结合第二方面可能的实现方式，本发明实施例提供了上述第一方面的第四种可能的实现方式，其中，所述计算模块包括：

计算单元，用于分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的欧氏距离；

处理单元，用于对所述欧氏距离进行高斯处理，以得到每组所述标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度；

所述计算单元，还用于计算每组所述标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和。

结合第二方面可能的实现方式，本发明实施例提供了上述第二方面的第五种可能的实现方式，其中，

所述判断模块，用于判断所述每组标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和是否达到阈值；

并在判断结果为是时，判断所述检索图像中包含所述目标物体的标志物；

在判断结果为否，判断所述检索图像中不包含所述目标物体的标志物。

在本发明实施例中，获取目标物体的标志物的图像，并将所述标志物的图像转换到颜色模型Lab空间；按照预设的采样密集度在Lab空间中提取所述标志物的图像的特征点集合；分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度；根据计算结果判断所述检索图像中是否包含所述目标物体的标志物。通过Lab空间的颜色差异均匀性特征，获取了标志物的细节特征，而且克服了相关技术中由于车辆的标志物区域很小，在标志物区域内很难提取出有效的特征点的问题，使得提取的特征点更加合理，进而提高了车辆检索的准确性。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例提供的检索物体标志物的方法的流程图；

图2示出了本发明实施例提供的具体应用场景下的检索物体标志物的方法的流程图；

图3示出了本发明实施例提供的具体应用场景下以相同的预设步长移动提取区域的示例图；

图4示出了本发明实施例提供的检索物体标志物的设备的结构图。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

考虑到由于车辆行驶时受到光照影响以及获取车辆图像的设备对图像颜色的影响，车辆图像的颜色经常变化，相关技术中没有克服颜色对车辆检测的影响，而且由于车辆的标志物区域很小，按照相关技术，在标志物区域内很难提取出有效的特征点，因此使得车辆检索结果不准确。为了更好的理解本发明实施例的内容，首先对Lab空间进行解释说明。

颜色模型Lab是指基于人对颜色的感觉。Lab中的数值描述正常视力的人能够看到的所有颜色，其描述的是颜色的显示方式，而不是设备(如显示器、桌面打印机或数码相机)生成颜色所需的特定色料的数量，因此被视为与设备无关的颜色模型，使用Lab作为色标，以将颜色从一个色彩空间转换到另一个色彩空间。

Lab色彩模型是由明度(L)和有关色彩的A,B三个要素组成。L表示明度(Luminosity)，A表示从洋红色至绿色的范围，B表示从黄色至蓝色的范围。Lab色彩模型除了上述不依赖于设备的优点外，还具有它自身的优势：色域宽阔。它不仅包含了RGB，CMYK的所有色域，还能表现它们不能表现的色彩。人的肉眼能感知的色彩，都能通过Lab模型表现出来。另外，它弥补了RGB色彩模型色彩分布不均的不足，因为RGB模型在蓝色到绿色之间的过渡色彩过多，而在绿色到红色之间又缺少黄色和其他色彩。

下面通过实施例进行描述。

实施例1

本发明实施例提供了一种检索物体标志物的方法，通过Lab空间如CIE(CommissionInternationaledeL'Eclairage，国际照明委员会)Lab空间的颜色差异均匀性特征来获取标志物的细节特征，而且克服了相关技术中由于车辆的标志物区域很小，在标志物区域内很难提取出有效的特征点的问题，使得提取的征点更加合理，进而提高了车辆检索的准确性。

如图1所示，为本发明实施例提供的检索物体标志物的方法的流程图，具体包括如下步骤：

S101、获取目标物体的标志物的图像，并将所述标志物的图像转换到Lab空间。

在具体的实施例中，利用物体的标志物能够识别出目标物体，标志物的图像是从目标物体的图像中提取的，例如，从电子设备抓拍的车辆的图像中提取车辆的年检标的区域。

其中，将所述标志物的图像转换到Lab空间，具体为按照Lab空间的L、A、B三个颜色通道从所述标志物的图像中提取子图像，例如，L通道上的子图像。

优选地，为了提高检测结果的准确性，可以从标志物的图像的多个尺寸中分别提取特征点，再对应的从检索图像的多个尺寸中分别提取特征点，利用相同尺寸提取的每组标志的图像和检索图像的特征点集合进行图像检索。

具体的，由于电子设备抓拍的标志物的图像有大有小，有远有近，因此，为了检索方便，首先将标志物的图像归一化到固定尺寸，然后将所述标志物归一化后的图像转换为不同尺寸的图像，并将所述标志物的不同尺寸的图像转换到Lab空间，进而根据不同尺寸的标志物的图像与检索图像提取的特征点进行图像检索。其中，不同尺寸的标志物的图像，如：标志物的图像的归一化后的尺寸，所述标志物的图像的归一化后的尺寸的1/2尺寸、所述标志物的图像的归一化后的尺寸的3/4尺寸等。

S102、按照预设的采样密集度在Lab空间中提取所述标志物的图像的特征点集合。

在具体实施例中，按照预设的采样密集度从所述Lab空间中提取所述标志物的图像的特征点包括以下几个步骤：

(1)在所述标志物的图像在Lab空间中的三个颜色通道上的子图像中提取相同位置的提取区域。

在获取到所述标志物的图像后，将所述标志物的图像转换到Lab空间，为了提高检测的准确性，特征点的提取需要准确，由于特征属性是用于描述特征点的，因此需要足够多的特征属性，本发明中为了获取更多的特征属性，根据所述每个子图像的像素的梯度将所述子图像划分为预设数量的像素矩阵，在每个像素矩阵中提取相同位置的提取区域。

具体的，可以按照梯度方向，将子图像离散到预设数量的像素矩阵中，如此，每个子图像对应着预设数量的像素矩阵，在每个子图像的每个像素矩阵中，提取相同位置的提取区域。

(2)从三个颜色通道上的子图像中相同位置的提取区域中提取所述标志物的图像在所述提取区域内的特征属性。

具体的，将所述每个提取区域划分为相同位置的预设数量的子区域，从所有相同位置的子区域中提取所述标志物的图像在所述提取区域内的特征属性，即每个子图像的像素矩阵的子区域内都提取对应的特征属性。

需要注意的是，标志物的图像离散到三个颜色通道上获得每个通道上的子图像，每个子图像离散到预设数量的像素矩阵中，则每个像素矩阵中的区域都对应着标志物的图像的区域。

(3)根据所述标志物的图像在所述提取区域内的特征属性获取所述标志物的图像在所述提取区域内的特征点。

其中，特征属性是用来描述提取区域内的每个子区域相对于所述提取区域内的特征点的，根据三个颜色通道上的子图像中相同位置的提取区域中的特征属性可以获取标志物的图像在提取区内的特征点。

进一步的，在三个颜色通道上的子图像以相同的预设步长移动所述提取区域，从所述三个颜色通道上的子图像中的移动后的提取区域中提取所述标志物的图像在所述移动后的提取区域内的特征属性，根据所述标志物的图像在所述移动后的提取区域内的特征属性获取所述标志物的图像在移动后的提取区域内的特征点集合。

具体的，在每个子图像的像素矩阵中以相同的预设步长移动所述提取区域，并将所述移动后的每个提取区域划分为相同位置的预设数量的子区域，从所有相同位置的子区域中提取所述标志物的图像在所述移动后的提取区域中提取所述标志物的图像在所述移动后的提取区域内的特征属性，进而根据移动后的提取区域内的特征属性获取标志物的图像在移动后的提取区域内的特征点集合。

需要注意的是，为了得到更多的特征点，本发明中，每个子图像中移动后的提取区域与移动前的提取区域存在重合区域，以相同的预设步长移动所述提取区域包括：以相同的预设步长平移或垂直移动所述提取区域。

S103、分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度。

其中，检测图像与所述标志物的图像相同尺寸(以提取出相同数量的特征点)且按照相同的预设的采样密集度从Lab空间中提取所述检索图像的特征点集合，进而计算标志物的图像与检索图像的特征点的相似度。

进一步的，提取标志物的图像的特征点集合和检索图像的特征点集合之后，为了提高检测效率，避免对无效区域的特征点进行提取，如无牌车辆的年检标的图像的左上角区域和检索图像的右下角区域的特征点的匹配(本发明标志物的图像不仅限于年检标的图像也可以为其他区域的图像，如左上角区域的图像)，并不是标志物的图像与检索图像的所有特征点之间去计算相似度，而是采用邻域约束性搜索的方法，分别将标志物的图像和检索图像在垂直方向划分成多个等分区域，计算相似度时，利用标志物的图像的等分区域的特征点和与所述标志物的图像的等分区域相同位置和垂直方向相邻的检索图像的等分区域内的特征点计算相似度。

需要注意的是，由于在计算相似度时，标志物的图像的等分区域是利用邻域约束性搜索得到的，每个等分区域并不能总是将标志物完整包含进来，为了避免相同位置的检索图像由于检测位置的偏移，致使标志物的图像的等分区域内的特征点与相同位置的检索图像的等分区域内的特征点空间上错位，进而造成相似度计算不准确的问题，因此，需要将检索图像的邻域约束性搜索的选择范围做适度的放宽。

放宽程度决定了标志物的图像和检索图像的检索范围的大小。如果将检索图像的等分区域选择范围放宽过大，则同一个标志物的图像的等分区域对应的检索图像的等分区域过多，进而导致检索图像的等分区域中的特征点中包含了很多无效的特征点，致使检索结果不准确，而且降低了检索的效率；如果将检索图像的等分区域选择范围放宽过小，则容易出现相同位置的检索图像由于检测位置的偏移，致使标志物的图像的等分区域内的特征点与相同位置的检索图像的等分区域内的特征点空间上错位，进而造成相似度计算不准确的问题，为了避免上述两种状况，经过多次验证后，本发明提供经验值为：在特征点的提取效率和准确率都比较理想的情况下，选择检索图像的等分区域中与标志物的等分区域相同位置的一个等分区域以及相邻的两个等分区域内的特征点分别与标志物的图像的等分区域内的特征点计算相似度。

与传统的基于SIFT算法对图像进行全局特征点提取，不具备空间约束相比，本发明应用邻域约束性搜索，为图像增加了空间不变性，有效地提高了特征点的提取和相似度计算的效率，增加了检测结果的准确性。

另外，由于等分区域垂直错位较大，使得检索图像与标志物的图像的等分区域不对应，这种情况下错位的等分区域内的特征点的欧氏距离值会很大，此时若按照相关技术中的累加最小欧式距离值进行匹配，会对最终的匹配结果造成很大影响，为了有效规避该情况，本发明中使用对欧氏距离进行高斯计算的方法，将累计最小距离方法转化成累加相似度，由于高斯函数的处理使得欧式距离中的较大值对应的相似度会非常小，因而减小了垂直错位对匹配结果的影响。

具体的，计算每组所述标志物的图像在Lab空间中的特征点集合与检索图像在Lab空间中的特征点集合的相似度，首先计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的欧氏距离；之后对所述欧氏距离进行高斯处理，以得到每组所述标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度。具体的计算公式如下：

$s(x,y)=\exp (-\frac{d{(x,y)}^2}{2{\mathrm{\σ}}^2}),$

其中，x、y分别表示相同位置的标志物的图像中的特征点与检索图像中的特征点，d(x,y)表示x和y之间的欧氏距离，σ表示高斯函数的标准差。

S104、根据计算结果判断所述检索图像中是否包含所述目标物体的标志物。

判断每组所述标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和是否达到预值；

如果判断结果为是，则所述检索图像中包含所述目标物体的标志物；

如果判断结果为否，则所述检索图像中不包含所述目标物体的标志物。

在本发明实施例中，获取目标物体的标志物的图像,并将所述标志物的图像转换到颜色模型Lab空间；按照预设的采样密集度在Lab空间中提取所述标志物的图像的特征点集合；分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度；根据计算结果判断所述检索图像中是否包含所述目标物体的标志物。通过Lab空间的颜色差异均匀性特征，获取了标志物的细节特征，而且克服了相关技术中由于车辆的标志物区域很小，在标志物区域内很难提取出有效的特征点的问题，使得提取的特征点更加合理，进而提高了车辆检索的准确性。

下面结合对无牌车辆进行检索的方法对本发明中检索物体标志物的方法进行详细的说明。

如图2所示，为本发明实施例提供的对无牌车辆进行检索的方法的流程图，具体包括如下步骤：

S201、获取无牌车辆的年检标区域的图像，并将所述图像转换到Lab空间。

具体的，由于车辆的年检标能够识别出特定的车辆，因此，本实施例中以年检标的区域为标志物的区域，根据邻域约束性搜索得到无牌车辆的年检标的区域的图像。

需要注意的是，本发明中的标志物区域不仅限于车辆的年检标区域，只要能够识别出特定车辆的区域都能达到本实施例的效果。

S202、在所述图像在Lab空间中的每个子图像中，按照每个像素的梯度将所述每个子图像划分为预设数量的像素矩阵。

具体的，计算出每个子图像的像素的梯度方向和模值，根据每个像素的梯度方向和模值，将所述像素划分到所述梯度方向对应的像素矩阵，并根据所述梯度方向对应的像素矩阵的权值对所述像素的梯度模值进行加权，进而得到预设数量的像素矩阵。

例如，在具体的应用场景中，通过将梯度方向在360度的范围内均匀划分8个区间，将梯度方向对应的像素矩阵的权值转化为0到7之间整数，通过利用所述整数对所述像素的梯度模值进行加权，形成8个关于像素的梯度加权的矩阵，由于本发明中共有L、A、B三个通道的子图像，则对每个通道上的子图像划分为像素矩阵时，则一共形成24个离散后的像素矩阵。

S203、在每个像素矩阵中提取相同位置的提取区域，将所述每个提取区域划分为相同位置的预设数量的子区域，从所有像素矩阵中相同位置的子区域中提取所述图像在所述提取区域内的特征点。

具体的，从每个提取区域中提取所述每个提取区域的子区域对应于所述每个提取区域内的特征点的特征属性，根据所有相同位置的提取区域中的特征属性提取所述标志物的图像在所述提取区域内的特征点。

例如，在每个像素矩阵中取20×20的像素为提取区域，并将所述提取区域划分16个子区域，每个子区域为5×5的像素，在每个子区域中提取一个采样点获得所述子区域对应的提取区域内的特征点的特征属性，将8个矩阵中同样位置像素的梯度加权值取出，那么总共就有8×16个特征属性被取出，由于本发明在Lab三个颜色通道都做特征属性提取，因此就得到所述图像在Lab空间的128×3＝384维的特征属性。根据这些特征属性从所述图像中提取所述提取区域内的特征点。

S204、以相同的预设步长移动所述提取区域，并从所有移动后的提取区域中提取所述标志物的图像在所述移动后的提取区域内的特征点。

具体的，为了密集的提取出特征点，本发明中每个子图像中移动后的提取区域与移动前的提取区域存在重合区域。

例如，如图3所示，提取区域向右平移5个像素，并将所述提取区域划分16个子区域，每个子区域为5×5的像素，其中，虚线所标为移动后的提取区域，其中移动后的提取区域与移动前的提取区域有重合的区域，根据S203的步骤提取所述图像在移动后的提取区域内的特征点。

根据S203-S204，通过平移或下移所述提取区域，获取所述图像的所有特征点。

S205、提取检索图像中的特征点。

根据邻域约束性搜索，从图像库中提取检索图像，其中检索图像与标志物的图像在空间上相同位置，且尺寸相同，按照与标志物的图像相同的采样密集度，从检索图像中提取特征点集合。

S206、计算所述图像在Lab空间中的特征点集合与检索图像在Lab空间中的特征点集合的相似度。

提取所述标志物的图像的特征点集合和检索图像的特征点集合之后，采用邻域约束性搜索的方法，将标志物的图像和检索图像划分成多个等分区域，对处于相同位置的标志物图和检索图像的等分区域或相邻等分区域之间的特征点计算相似度。

首先计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的欧氏距离；之后对所述欧氏距离进行高斯处理，以得到每组所述标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度，进而得到所述图像在Lab空间中的特征点集合与检索图像在Lab空间中的特征点集合的相似度之和。

S207、判断每组所述图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和是否达到预值；

如果判断结果为是，则所述检索图像中包含所述无牌汽车的年检标；

如果判断结果为否，则所述图像中不包含所述无牌汽车的年检标。

在本发明实施例中，获取目标物体的标志物的图像,并将所述标志物的图像转换到颜色模型Lab空间；按照预设的采样密集度在Lab空间中提取所述标志物的图像的特征点集合；分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度；根据计算结果判断所述检索图像中是否包含所述目标物体的标志物。通过Lab空间的颜色差异均匀性特征，获取了标志物的细节特征，而且克服了相关技术中由于车辆的标志物区域很小，在标志物区域内很难提取出有效的特征点的问题，使得提取的特征点更加合理，进而提高了车辆检索的准确性。

如图4所示，为本发明实施例提供的一种检索物体标志物的设备，包括；

转换模块41，用于获取目标物体的标志物的图像,并将所述标志物的图像转换到Lab空间；

提取模块42，用于按照预设的采样密集度在Lab空间中提取所述标志物的图像的特征点集合；

计算模块43，用于分别计算每组所述标志物的图像在Lab空间中的特征点集合与检索图像在Lab空间中的特征点集合的相似度；

判断模块44，用于根据计算结果判断所述检索图像中是否包含所述目标物体的标志物。

其中，所述提取模块42，包括：

区域提取单元，用于在所述标志物的图像在Lab空间中的三个颜色通道上的子图像中提取相同位置的提取区域；

属性提取单元，用于从三个颜色通道上的子图像中相同位置的提取区域中提取所述标志物的图像在所述提取区域内的特征属性。

获取单元，用于根据所述标志物的图像的特征属性获取所述标志物的图像的特征点集合。

移动单元，用于在三个颜色通道上的子图像中以相同的预设步长移动所述提取区域；

所述属性提取单元，还用于从所述三个颜色通道上的子图像中的移动后的提取区域中提取所述标志物的图像在所述移动后的提取区域内的特征属性；

所述获取单元，还用于根据所述标志物的图像在所述移动后的提取区域内的特征属性获取所述标志物的图像在移动后的提取区域内的特征点集合；

其中，每个子图像中移动后的提取区域与移动前的提取区域存在重合区域。

其中，所述设备，还包括：

获取模块45，用于获取所述目标物体的所述标志物归一化后的图像；

所述转换模块41，还用于将所述标志物归一化后的图像转换为不同尺寸的图像，并将所述标志物的不同尺寸的图像转换到Lab空间。

其中，所述计算模块43包括：

计算单元，用于分别计算每组所述标志物的图像在Lab空间中的特征点集合中与检索图像在Lab空间中的特征点集合的欧氏距离；

处理单元，用于对所述欧氏距离进行高斯处理，以得到每组所述标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度；

所述计算单元，还用于计算所述每组标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和。

其中，所述判断模块44，用于判断所述标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和是否达到阈值；

并在判断结果为是时，判断所述检索图像中包含所述目标物体的标志物；

在判断结果为否，判断所述检索图像中不包含所述目标物体的标志物。

在本发明实施例中，获取目标物体的标志物的图像,并将所述标志物的图像转换到颜色模型Lab空间；按照预设的采样密集度在Lab空间中提取所述标志物的图像的特征点集合；分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度；根据计算结果判断所述检索图像中是否包含所述目标物体的标志物。通过Lab空间的颜色差异均匀性特征，获取了标志物的细节特征，而且克服了相关技术中由于车辆的标志物区域很小，在标志物区域内很难提取出有效的特征点的问题，使得提取的特征点更加合理，进而提高了车辆检索的准确性。

本发明实施例所提供的检索车辆标志物的设备包括的各种模块可以为设备上的特定硬件或者安装于设备上的软件或固件等。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的模块和单元的具体工作过程，均可以参考上述方法实施例中的对应过程。

在本申请所提供的几个实施例中，应该理解到，所揭露的检索车辆标志物的设备和方法，可以通过其它的方式实现。以上所描述的检索车辆标志物的设备的实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (12)

1.一种检索物体标志物的方法，其特征在于，所述方法包括；

获取目标物体的标志物的图像，并将所述标志物的图像转换到颜色模型Lab空间；

按照预设的采样密集度在Lab空间中提取所述标志物的图像的特征点集合；

分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度；

根据计算结果判断所述检索图像中是否包含所述目标物体的标志物。

2.如权利要求1所述的方法，所述按照预设的采样密集度从Lab空间中提取所述标志物的图像的特征点集合，包括：

在所述标志物的图像在Lab空间中的三个颜色通道上的子图像中提取相同位置的提取区域；

从所述三个颜色通道上的子图像中相同位置的提取区域中提取所述标志物的图像在所述提取区域内的特征属性；

根据所述标志物的图像在所述提取区域内的特征属性获取所述标志物的图像在所述提取区域内的特征点。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

在所述三个颜色通道上的子图像中以相同的预设步长移动所述提取区域；

从所述三个颜色通道上的子图像中的移动后的提取区域中提取所述标志物的图像在所述移动后的提取区域内的特征属性；

根据所述标志物的图像在所述移动后的提取区域内的特征属性获取所述标志物的图像在所述移动后的提取区域内的特征点集合；

其中，每个子图像中移动后的提取区域与移动前的提取区域存在重合区域。

4.根据权利要求1所述的方法，其特征在于，所述获取目标物体的标志物的图像,并将所述标志物的图像转换到Lab空间，包括：

获取所述目标物体的标志物的归一化后的图像；

将所述标志物的归一化后的图像转换为不同尺寸的图像，并将所述标志物的不同尺寸的图像转换到Lab空间。

5.根据权利要求1所述的方法，其特征在于，所述分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度，包括：

分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的欧氏距离；

对所述欧氏距离进行高斯处理，以得到每组所述标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度；

计算所述每组标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和。

6.根据权利要求1所述的方法，其特征在于，所述根据计算结果判断所述检索图像中是否包含所述目标物体的标志物，包括：

判断所述每组标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和是否达到阈值；

如果判断结果为是，则所述检索图像中包含所述目标物体的标志物；

如果判断结果为否，则所述检索图像中不包含所述目标物体的标志物。

7.一种检索物体标志物的设备，其特征在于，包括；

转换模块，用于获取目标物体的标志物的图像，并将所述标志物的图像转换到颜色模型Lab空间；

提取模块，用于按照预设的采样密集度在Lab空间中提取所述标志物的图像的特征点集合；

计算模块，用于分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的相似度；

判断模块，用于根据计算结果判断所述检索图像中是否包含所述目标物体的标志物。

8.如权利要求7所述的设备，其特征在于，所述提取模块，包括：

区域提取单元，用于在所述标志物的图像在Lab空间中的三个颜色通道上的子图像中提取相同位置的提取区域；

属性提取单元，用于从所述三个颜色通道上的子图像中相同位置的提取区域中提取所述标志物的图像在所述提取区域内的特征属性；

获取单元，用于根据所述标志物的图像在所述提取区域内的特征属性获取所述标志物的图像在所述提取区域内的特征点。

9.如权利要求8所述的设备，其特征在于，还包括：

移动单元，用于在所述三个颜色通道上的子图像中以相同的预设步长移动所述提取区域；

所述属性提取单元，还用于从所述三个颜色通道上的子图像中的移动后的提取区域中提取所述标志物的图像在所述移动后的提取区域内的特征属性；

所述获取单元，还用于根据所述标志物的图像在所述移动后的提取区域内的特征属性获取所述标志物的图像在所述移动后的提取区域内的特征点集合；

其中，每个子图像中移动后的提取区域与移动前的提取区域存在重合区域。

10.根据权利要求7所述的设备，其特征在于，还包括：

获取模块，用于获取所述目标物体的标志物的归一化后的图像；

所述转换模块，还用于将所述标志物的归一化后的图像转换为不同尺寸的图像，并将所述标志物的不同尺寸的图像转换到Lab空间。

11.根据权利要求7所述的设备，其特征在于，所述计算模块包括：

计算单元，用于分别计算每组所述标志物的图像在Lab空间中的特征点与检索图像在Lab空间中的特征点的欧氏距离；

处理单元，用于对所述欧氏距离进行高斯处理，以得到每组所述标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度；

所述计算单元，还用于计算所述每组标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和。

12.根据权利要求7所述的设备，其特征在于，

所述判断模块，用于判断所述每组标志物的图像在Lab空间中的特征点与所述检索图像的在Lab空间中的特征点的相似度之和是否达到阈值；

并在判断结果为是时，判断所述检索图像中包含所述目标物体的标志物；

在判断结果为否，判断所述检索图像中不包含所述目标物体的标志物。