CN105574490B - 基于车前灯图像特征的车辆品牌识别方法和系统 - Google Patents
基于车前灯图像特征的车辆品牌识别方法和系统 Download PDFInfo
- Publication number
- CN105574490B CN105574490B CN201510916732.XA CN201510916732A CN105574490B CN 105574490 B CN105574490 B CN 105574490B CN 201510916732 A CN201510916732 A CN 201510916732A CN 105574490 B CN105574490 B CN 105574490B
- Authority
- CN
- China
- Prior art keywords
- headlight
- image
- region
- vehicle
- feature vector
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于车前灯图像特征的车辆品牌识别方法和系统,其方法包括步骤:获取图像采集装置所采集的车辆图像,对所述车辆图像中的车前灯进行定位,获得车前灯区域;提取所述车前灯区域的目标特征向量,根据所述目标特征向量以及预先构造的多分类器识别当前车前灯类别;根据预先建立的车前灯类别与车辆品牌的关联关系,识别与所述当前车前灯类别关联的车辆品牌。采用本发明的方案,可以克服车前脸区域尺寸较大导致的运算复杂度较高的问题,能够满足实时性应用需求;并可以克服由于车辆标志尺寸较小带来的识别准确率较低的问题,增加了大规模实战应用的可行性,同时去除了车前脸区域的冗余信息,提高了车辆品牌识别效率。
Description
技术领域
本发明涉及监控技术领域,特别是涉及一种基于车前灯图像特征的车辆品牌识别方法和系统。
背景技术
为了实现交通管理,如交通流调查、交通违法取证、或在高速及停车场的全自动收费等,对车辆进行分类识别的技术已越来越重要。特别是在智慧城市建设中,对于道路卡口中的车辆对象的研究已经逐渐成为学术界、工业界的热点。
对于车辆品牌的识别是对整个车辆结构化信息提取的一项重要内容,目前,主要有两大类方式来完成车辆品牌识别,第一类:对车辆的前脸区域进行识别;第二类:对车辆的标志进行提取并识别。这两类方式的目标都是完成车辆的品牌识别。
第一类方式中,首先检测出车辆前脸区域,然后提取车辆前脸区域的特征,最后采用分类器进行分类,完成车辆品牌的识别。该类方式存在的最主要问题有:前脸区域尺寸较大,如果采用比较复杂的特征输入到分类器中,会导致运算复杂度较大,识别效率低;如果采用比较简单的特征输入到分类器,会出现不同品牌的特征距离比较相近的问题,导致识别准确率降低,同时,车辆前脸区域中的冗余信息过多,也使得识别算法的效率较低。第二类方式中,仍然是采取与第一类方法类似的思路,但是,由于车辆标志尺寸较小,因而在采集的图像中,车辆标志对应的目标尺寸也较小,识别准确率低,在实际卡口应用中,识别率无法达到大规模适用的要求。
发明内容
本发明的目的在于提供一种基于车前灯图像特征的车辆品牌识别方法和系统,可以高效、准确的进行图像识别。
本发明的目的通过如下技术方案实现:
一种基于车前灯图像特征的车辆品牌识别方法,包括如下步骤:
获取图像采集装置所采集的车辆图像,对所述车辆图像中的车前灯进行定位,获得车前灯区域;
提取所述车前灯区域的目标特征向量,根据所述目标特征向量以及预先构造的多分类器识别当前车前灯类别;
根据预先建立的车前灯类别与车辆品牌的关联关系,识别与所述当前车前灯类别关联的车辆品牌。
一种基于车前灯图像特征的车辆品牌识别系统,包括:
定位模块,用于获取图像采集装置所采集的车辆图像,对所述车辆图像中的车前灯进行定位,获得车前灯区域;
类别识别模块,用于提取所述车前灯区域的目标特征向量,根据所述目标特征向量以及预先构造的多分类器识别当前车前灯类别;
品牌识别模块,用于根据预先建立的车前灯类别与车辆品牌的关联关系,识别与所述当前车前灯类别关联的车辆品牌。
根据上述本发明的方案,其是获取图像采集装置所采集的车辆图像,对所述车辆图像中的车前灯进行定位,获得车前灯区域,提取所述车前灯区域的目标特征向量,根据所述目标特征向量以及预先构造的多分类器识别当前车前灯类别,根据预先建立的车前灯类别与车辆品牌的关联关系,识别与所述当前车前灯类别关联的车辆品牌,由于是基于车前灯区域的目标特征向量进行识别,可以克服车前脸区域尺寸较大导致的运算复杂度较高的问题,能够满足实时性应用需求;并可以克服由于车辆标志尺寸较小带来的识别准确率较低的问题,增加了大规模实战应用的可行性,同时去除了车前脸区域的冗余信息,提高了车辆品牌识别效率。
附图说明
图1为本发明的基于车前灯图像特征的车辆品牌识别方法实施例的流程示意图;
图2为其中一个实施例中的对车辆图像中的车前灯进行定位的细化流程示意图;
图3为其中一个实施例中的提取所述车前灯区域的目标特征向量的细化流程示意图;
图4为单元格、图像块构成示意图;
图5为梯度方向量化示意图;
图6为本发明的基于车前灯图像特征的车辆品牌识别系统的一个实施例的结构示意图;
图7为图6中的定位模块在其中一个实施例中的细化结构示意图;
图8为图6中的类别识别模块在其中一个实施例中的细化结构示意图;
图9为本发明的基于车前灯图像特征的车辆品牌识别系统的另一个实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
在下述说明中,首先针对本发明的基于车前灯图像特征的车辆品牌识别方法的实施例进行说明,再对本发明的基于车前灯图像特征的车辆品牌识别系统的各实施例进行说明。
参见图1所示,为本发明的基于车前灯图像特征的车辆品牌识别方法实施例的流程示意图。如图1所示,本实施例中的基于车前灯图像特征的车辆品牌识别方法包括如下步骤:
步骤S101:获取图像采集装置所采集的车辆图像,对所述车辆图像中的车前灯进行定位,获得车前灯区域;
这里,所述图像采集装置一般指设置在道路卡口处的监控摄像头、监控摄像机,但也不限于此;
本实施例中所要定位的车前灯,包括了由灯罩、灯泡及内部配件构成的车前灯区域,车前灯区域(或者称为车前灯区域图像)包含了纹理、边缘、形状、颜色等重要的图像信息,这些信息表征了车前灯区域与其他区域在图像中的区别,可以被用来进行车前灯的检测;
本实施例中的车前灯定位一般是以白天行车环境为背景,白天行车环境下与夜间行车环境对比,采集装置采集的车辆图像中包含更多的特征信息,可供利用的图像特征更加丰富;
步骤S102:提取所述车前灯区域的目标特征向量,根据所述目标特征向量以及预先构造的多分类器识别当前车前灯类别;
这里,所述目标特征向量可以是HOG特征向量,也可以是其他类型的特征向量;
具体地,可以先提取车前灯区域的目标特征向量,然后将该目标特征向量输入到预先构造的多分类器中进行类别识别,得到当前车前灯类别;
步骤S103:根据预先建立的车前灯类别与车辆品牌的关联关系,识别与所述当前车前灯类别关联的车辆品牌;
其中,同一车前灯类别可以关联一种或多种车辆品牌,不同的车前灯类别也可以关联同一车辆品牌。
据此,根据上述实施例的方案,其是获取图像采集装置所采集的车辆图像,对所述车辆图像中的车前灯进行定位,获得车前灯区域,提取所述车前灯区域的目标特征向量,根据所述目标特征向量以及预先构造的多分类器识别当前车前灯类别,根据预先建立的车前灯类别与车辆品牌的关联关系,识别与所述当前车前灯类别关联的车辆品牌,由于是基于车前灯区域的目标特征向量进行识别,可以克服车前脸区域尺寸较大导致的运算复杂度较高的问题,能够满足实时性应用需求;并可以克服由于车辆标志尺寸较小带来的识别准确率较低的问题,增加了大规模实战应用的可行性,同时去除了车前脸区域的冗余信息,提高了识别效率。
在其中一个实施例中,如图2所示,所述对所述车辆图像中的车前灯进行定位,获得车前灯区域的过程可以包括:
步骤S201:对所述车辆图像进行灰度化处理得到所述车前灯区域的灰度图像;
步骤S202:将所述灰度图像的各像素点的灰度差值对第一设定方向做叠加投影运算,获得第一灰度差值数组;
这里,所述第一设定方向与如下的第二设定方向垂直,一般地,第一设定方向可以为水平方向;
这里,灰度差值的定义如公式(1):
ΔG(x,y)=max(|G(x+1,y-1)-G(x,y)|,|G(x+1,y)-G(x,y)|,|G(x+1,y+1)-G(x,y)|)(1)
其中,ΔG(x,y)表示灰度差值,G(x,y)表示坐标位置为(x,y)点的像素点的灰度值,max表示取最大值;
这里,第一灰度差值数组表示的是沿着水平方向各个像素点的像素差值的叠加投影;具体地,可以参见公式(2)
OV[i]表示第i行像素点的灰度差值数组,COL由第i行像素点的个数确定,若第i行像素点的个数为n,则COL=n-1;
步骤S203:根据所述第一灰度差值数组获取位于第一设定方向的第一鼓形区域,根据所述第一鼓形区域选取若干候选车前灯区域;
其中,车前灯所在区域位于水平投影方向的某个鼓形区域(呈现出凸出形状的区域,可能有多个),根据采集装置的位置关系和拍摄角度,可以设定一个预定高度阈值H,然后根据公式(3)、(4)计算得到鼓形区域的平均值和方差:
如果出现灰度集中而且方差较小的水平带状区域,则可以认为该区域是候选车前灯区域,在实际系统中,可以采用公式(5)进行判断,
对应的鼓形区域的起始编号可以用以下方法进行判断:
在获取鼓形区域的起始编号之后,就可以得到若干个候选车前灯区域,一般在实际检测中取3个候选编号即可,分别记为k1、k2、k3;
步骤S204:将所述灰度图像的各像素点的灰度差值对第二设定方向做叠加投影运算,获得第二灰度差值数组,其中,所述第二设定方向与所述第一设定方向垂直;
步骤S205:根据所述第二灰度差值数组获取位于第二方向的第二鼓形区域;
利用车前灯分布的对称性,对候选区域进行二次筛选,此时可将所述灰度图像的各像素点的灰度差值对第二设定方向做叠加投影运算,并根据所述第二灰度差值数组获取位于第二方向的第二鼓形区域,步骤S204、步骤S205采用了和前述步骤S202、步骤S203相同的原理,在此不予赘述;
步骤S205:根据所述第一鼓形区域、所述第二鼓形区域,将在所述第一设定方向、所述第二设定方向均存在鼓形区域的候选车前灯区域确定为所述车前灯区域;
具体地,可以从上述候选编号k1、k2、k3中一一计算第二方向的叠加投影的均值和方差,当某个候选车前灯区在两个方向(所述第一设定方向、所述第二设定方向)上均存在鼓形区域时,则判定该候选车前灯区是车前灯所在区域,即所述车前灯区域。
在本实施例中,基于灰度差值定位车前灯区域,可以有效的提高定位的准确性。
在其中一个实施例中,是以目标特征向量为HOG(Histogram of OrientedGradient,方向梯度直方图)特征向量为例,说明提取所述车前灯区域的目标特征向量的过程。HOG特征向量作为所述目标特征向量,可以充分利用车前灯区域包含的丰富的形状信息。
如图3所示,本实施例中的提取所述车前灯区域的目标特征向量的过程包括:将车前灯区域进行区域划分,得到车前灯区域的各子图像SIσ,分别获取各子图像的HOG特征向量;
其中,对于当前子图像(任意一个子图像),获取当前子图像的HOG特征向量的过程包括如下步骤:
步骤S301:对所述当前子图像进行平滑处理,对平滑处理后的所述当前子图像实施以一维滤波模板,得到所述当前子图像的各像素点的梯度方向;
对所述当前子图像进行平滑处理,可以去除噪点,可以利用离散高斯平滑模板进行平滑
其中,对平滑处理后的所述当前子图像实施以一维滤波模板可以得到所述当前子图像的各像素点的梯度值和梯度方向;
步骤S302:根据预设的单元格划分方式以及图像块划分方式对所述当前子图像进行划分,划分后的各图像块分别包括若干个相邻接的单元格,划分后的各单元格分别分包括若干个相邻接的像素点;
参见图4所示,为单元格、图像块的构成示意图,图4中的每个小方格代表一个像素点,按照图4中的方式,2×2个像素点构成一个单元格,2×2个单元格构成一个图像块,但单元格划分方式和图像块划分方式不限于此;
步骤S303:根据所述梯度方向分别获取划分后的各单元格的方向梯度直方图;
例如,对于当前单元格,根据当前单元格内的各像素点的梯度方向求取直方图,得到当前单元格内的方向梯度直方图;
当前单元格内的方向梯度直方图为当前单元格内部像素点的梯度方向的加权平均,可用公式(7)进行计算。
其中,w(x,y)是为像素点(x,y)设置的权重,权重的取值可取为该像素点的梯度模或者亮度值;
其中,求取直方图是指对计算得到梯度方向进行量化,映射到N个方向上,如图5所示;在图5中选取的N=8,梯度的值进行量化之后的值就是图中的区域编号;
步骤S304:分别对各图像块中的各单元格的方向梯度直方图进行规范化运算,得到所述当前子图像的经过规范化后的各图像块中的各单元格的梯度直方图构成的向量,该向量为所述当前子图像的HOG特征向量;
其中,可以对方向梯度直方图进行2-范数规范化运算,具体地,将图像块内所有的直方图用向量的形式白哦是,记为T=(t1,t2,t3,...td),采用公式(7)计算向量T的2-范数;
其中,ε是一个很小的正数,引入此变量的原因是为了防止分母为0的情况出现,经过规范化处理之后的描述算子,能够较好的抑制光照不均和阴影带来的影响;
最终车前灯子图像的HOG描述算子为经过规范化之后的所有图像块中所有单元格的方向梯度直方图构成的向量。
在其中一个实施例中,所述多分类器的构造过程可以包括:选取径向基核函数为所述多分类器的核函数,使用网格搜索法确定所述径向基核函数的核函数参数和惩罚因子,每两类车前灯图像样本间设计一个SVM子分类器,若包括m类车前灯图像样本,则共需要m*(m-1)/2个SVM子分类器,m*(m-1)/2个SVM子分类器构成所述多分类器,SVM子分类器的判别方式为,若fij(x)>0,判定待测试样本图像属于第i类车前灯,并将第i类车前灯的得分增加1分;若fij(x)≤0,则判定待测试样本图像属于第j类车前灯,并将第j类车前灯的得分增加1分,对各所述SVM子分类器,分别采用所述判别方式进行判别,统计各类车前灯的得分,根据所述得分确定待测试样本图像所归属的车前灯类别,其中,fij(x)表示核函数。
在本实施例中,考虑到由于车前灯子图像的HOG特征向量为非线性特征,因此需要引入核函数。在本方法中,引入了RBF(径向基函数)核函数,因为该核函数的平均性能是较好的,具有较宽的收敛域。
根据上述本发明的基于车前灯图像特征的车辆品牌识别方法,本发明还提供一种基于车前灯图像特征的车辆品牌识别系统,以下就本发明的基于车前灯图像特征的车辆品牌识别系统的实施例进行详细说明。图6中示出了本发明的基于车前灯图像特征的车辆品牌识别系统的一个实施例的结构示意图。为了便于说明,在图6中只示出了与本发明相关的部分。
如图6所示,本实施例的基于车前灯图像特征的车辆品牌识别系统包括定位模块401、类别识别模块402、品牌识别模块403,其中:
定位模块401,用于获取图像采集装置所采集的车辆图像,对所述车辆图像中的车前灯进行定位,获得车前灯区域;
类别识别模块402,用于提取所述车前灯区域的目标特征向量,根据所述目标特征向量以及预先构造的多分类器识别当前车前灯类别;
品牌识别模块403,用于根据预先建立的车前灯类别与车辆品牌的关联关系,识别与所述当前车前灯类别关联的车辆品牌。
在其中一个实施例中,如图7所示,定位模块401可以包括:
获取单元501,用于获取图像采集装置所采集的车辆图像;
灰度化单元502,用于对所述车辆图像进行灰度化处理得到所述车前灯区域的灰度图像;
第一叠加单元503,用于将所述灰度图像的各像素点的灰度差值对第一设定方向做叠加投影运算,获得第一灰度差值数组;
选取单元504,用于根据所述第一灰度差值数组获取位于第一设定方向的第一鼓形区域,根据所述第一鼓形区域选取若干候选车前灯区域;
第二叠加单元505,用于将所述灰度图像的各像素点的灰度差值对第二设定方向做叠加投影运算,获得第二灰度差值数组,其中,所述第二设定方向与所述第一设定方向垂直;
获取单元506,用于根据所述第二灰度差值数组获取位于第二方向的第二鼓形区域;
处理单元507,用于根据所述第一鼓形区域、所述第二鼓形区域,将在所述第一设定方向、所述第二设定方向均存在鼓形区域的候选车前灯区域确定为所述车前灯区域。
在其中一个实施例中,所述目标特征向量可以为HOG特征向量。
在其中一个实施例中,如图8所示,类别识别模块402可以包括:
区域划分单元601,用于对所述车前灯区域进行区域划分,得到所述车前灯区域的各子图像;
向量获取单元602,用于分别获取各所述子图像的HOG特征向量;
类别识别单元603,用于根据各所述子图像的HOG特征向量以及预先构造的多分类器识别当前车前灯类别;
其中,向量获取单元602包括:
平滑滤波单元701,用于对当前子图像进行平滑处理,对平滑处理后的所述当前子图像实施以一维滤波模板,得到所述当前子图像的各像素点的梯度方向;
细划分单元702,用于根据预设的单元格划分方式以及图像块划分方式对所述当前子图像进行划分,划分后的各图像块分别包括若干个相邻接的单元格,划分后的各单元格分别包括若干个相邻接的像素点;
直方图获取单元703,用于根据所述梯度方向分别获取划分后的各单元格的方向梯度直方图;
规范化单元704,用于分别对各图像块中的各单元格的方向梯度直方图进行规范化运算,得到所述当前子图像的经过规范化后的各图像块中的各单元格的梯度直方图构成的向量,该向量为所述当前子图像的HOG特征向量。
在其中一个实施例中,如图9所示,所述的基于车前灯图像特征的车辆品牌识别系统还可以包括:
多分类器构造模块404,用于选取径向基核函数为所述多分类器的核函数,使用网格搜索法确定所述径向基核函数的核函数参数和惩罚因子,每两类车前灯图像样本间设计一个SVM子分类器,若包括m类车前灯图像样本,则共需要m*(m-1)/2个SVM子分类器,m*(m-1)/2个SVM子分类器构成所述多分类器,SVM子分类器的判别方式为,若fij(x)>0,判定待测试样本图像属于第i类车前灯,并将第i类车前灯的得分增加1分;若fij(x)≤0,则判定待测试样本图像属于第j类车前灯,并将第j类车前灯的得分增加1分,对各所述SVM子分类器,分别采用所述判别方式进行判别,统计各类车前灯的得分,根据所述得分确定待测试样本图像所归属的车前灯类别,其中,fij(x)表示核函数。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本发明的基于车前灯图像特征的车辆品牌识别系统与本发明的基于车前灯图像特征的车辆品牌识别方法一一对应,在上述基于车前灯图像特征的车辆品牌识别方法的实施例阐述的技术特征及其有益效果均适用于基于车前灯图像特征的车辆品牌识别系统的实施例中,特此声明。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于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。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于车前灯图像特征的车辆品牌识别方法,其特征在于,包括如下步骤:
获取图像采集装置所采集的车辆图像,对所述车辆图像中的车前灯进行定位,获得车前灯区域;
提取所述车前灯区域的目标特征向量,根据所述目标特征向量以及预先构造的多分类器识别当前车前灯类别;
根据预先建立的车前灯类别与车辆品牌的关联关系,识别与所述当前车前灯类别关联的车辆品牌;
其中,所述对所述车辆图像中的车前灯进行定位,获得车前灯区域的过程包括步骤:
对所述车辆图像进行灰度化处理得到所述车前灯区域的灰度图像;
将所述灰度图像的各像素点的灰度差值对第一设定方向做叠加投影运算,获得第一灰度差值数组;
根据所述第一灰度差值数组获取位于第一设定方向的第一鼓形区域,根据所述第一鼓形区域选取若干候选车前灯区域;
将所述灰度图像的各像素点的灰度差值对第二设定方向做叠加投影运算,获得第二灰度差值数组,其中,所述第二设定方向与所述第一设定方向垂直;
根据所述第二灰度差值数组获取位于第二方向的第二鼓形区域;
根据所述第一鼓形区域、所述第二鼓形区域,将在所述第一设定方向、所述第二设定方向均存在鼓形区域的候选车前灯区域确定为所述车前灯区域。
2.根据权利要求1所述的基于车前灯图像特征的车辆品牌识别方法,其特征在于,所述目标特征向量为HOG特征向量。
3.根据权利要求2所述的基于车前灯图像特征的车辆品牌识别方法,其特征在于,所述提取所述车前灯区域的目标特征向量的过程包括:
对所述车前灯区域进行区域划分,得到所述车前灯区域的各子图像,分别获取各所述子图像的HOG特征向量;
其中,对于当前子图像,获取所述当前子图像的HOG特征向量的过程包括步骤:
对所述当前子图像进行平滑处理,对平滑处理后的所述当前子图像实施以一维滤波模板,得到所述当前子图像的各像素点的梯度方向;
根据预设的单元格划分方式以及图像块划分方式对所述当前子图像进行划分,划分后的各图像块分别包括若干个相邻接的单元格,划分后的各单元格分别包括若干个相邻接的像素点;
根据所述梯度方向分别获取划分后的各单元格的方向梯度直方图;
分别对各图像块中的各单元格的方向梯度直方图进行规范化运算,得到所述当前子图像的经过规范化后的各图像块中的各单元格的梯度直方图构成的向量,该向量为所述当前子图像的HOG特征向量。
4.根据权利要求3所述的基于车前灯图像特征的车辆品牌识别方法,其特征在于,所述多分类器的构造过程包括步骤:
选取径向基核函数为所述多分类器的核函数,使用网格搜索法确定所述径向基核函数的核函数参数和惩罚因子;
每两类车前灯图像样本间设计一个SVM子分类器,若包括m类车前灯图像样本,则共需要m*(m-1)/2个SVM子分类器,m*(m-1)/2个SVM子分类器构成所述多分类器;
SVM子分类器的判别方式为,若fij(x)>0,判定待测试样本图像属于第i类车前灯,并将第i类车前灯的得分增加1分;若fij(x)≤0,则判定待测试样本图像属于第j类车前灯,并将第j类车前灯的得分增加1分,其中,fij(x)表示核函数;
对各所述SVM子分类器,分别采用所述判别方式进行判别,统计各类车前灯的得分,根据所述得分确定待测试样本图像所归属的车前灯类别。
5.一种基于车前灯图像特征的车辆品牌识别系统,其特征在于,包括:
定位模块,用于获取图像采集装置所采集的车辆图像,对所述车辆图像中的车前灯进行定位,获得车前灯区域;
类别识别模块,用于提取所述车前灯区域的目标特征向量,根据所述目标特征向量以及预先构造的多分类器识别当前车前灯类别;
品牌识别模块,用于根据预先建立的车前灯类别与车辆品牌的关联关系,识别与所述当前车前灯类别关联的车辆品牌;
其中,所述定位模块包括:
获取单元,用于获取图像采集装置所采集的车辆图像;
灰度化单元,用于对所述车辆图像进行灰度化处理得到所述车前灯区域的灰度图像;
第一叠加单元,用于将所述灰度图像的各像素点的灰度差值对第一设定方向做叠加投影运算,获得第一灰度差值数组;
选取单元,用于根据所述第一灰度差值数组获取位于第一设定方向的第一鼓形区域,根据所述第一鼓形区域选取若干候选车前灯区域;
第二叠加单元,用于将所述灰度图像的各像素点的灰度差值对第二设定方向做叠加投影运算,获得第二灰度差值数组,其中,所述第二设定方向与所述第一设定方向垂直;
获取单元,用于根据所述第二灰度差值数组获取位于第二方向的第二鼓形区域;
处理单元,用于根据所述第一鼓形区域、所述第二鼓形区域,将在所述第一设定方向、所述第二设定方向均存在鼓形区域的候选车前灯区域确定为所述车前灯区域。
6.根据权利要求5所述的基于车前灯图像特征的车辆品牌识别系统,其特征在于,所述目标特征向量为HOG特征向量。
7.根据权利要求6所述的基于车前灯图像特征的车辆品牌识别系统,其特征在于,所述类别识别模块包括:
区域划分单元,用于对所述车前灯区域进行区域划分,得到所述车前灯区域的各子图像;
向量获取单元,用于分别获取各所述子图像的HOG特征向量;
类别识别单元,用于根据各所述子图像的HOG特征向量以及预先构造的多分类器识别当前车前灯类别;
其中,所述向量获取单元包括:
平滑滤波单元,用于对当前子图像进行平滑处理,对平滑处理后的所述当前子图像实施以一维滤波模板,得到所述当前子图像的各像素点的梯度方向;
细划分单元,用于根据预设的单元格划分方式以及图像块划分方式对所述当前子图像进行划分,划分后的各图像块分别包括若干个相邻接的单元格,划分后的各单元格分别包括若干个相邻接的像素点;
直方图获取单元,用于根据所述梯度方向分别获取划分后的各单元格的方向梯度直方图;
规范化单元,用于分别对各图像块中的各单元格的方向梯度直方图进行规范化运算,得到所述当前子图像的经过规范化后的各图像块中的各单元格的梯度直方图构成的向量,该向量为所述当前子图像的HOG特征向量。
8.根据权利要求7所述的基于车前灯图像特征的车辆品牌识别系统,其特征在于,还包括:
多分类器构造模块,用于选取径向基核函数为所述多分类器的核函数,使用网格搜索法确定所述径向基核函数的核函数参数和惩罚因子,每两类车前灯图像样本间设计一个SVM子分类器,若包括m类车前灯图像样本,则共需要m*(m-1)/2个SVM子分类器,m*(m-1)/2个SVM子分类器构成所述多分类器,SVM子分类器的判别方式为,若fij(x)>0,判定待测试样本图像属于第i类车前灯,并将第i类车前灯的得分增加1分;若fij(x)≤0,则判定待测试样本图像属于第j类车前灯,并将第j类车前灯的得分增加1分,对各所述SVM子分类器,分别采用所述判别方式进行判别,统计各类车前灯的得分,根据所述得分确定待测试样本图像所归属的车前灯类别,其中,fij(x)表示核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510916732.XA CN105574490B (zh) | 2015-12-10 | 2015-12-10 | 基于车前灯图像特征的车辆品牌识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510916732.XA CN105574490B (zh) | 2015-12-10 | 2015-12-10 | 基于车前灯图像特征的车辆品牌识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574490A CN105574490A (zh) | 2016-05-11 |
CN105574490B true CN105574490B (zh) | 2019-04-09 |
Family
ID=55884598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510916732.XA Active CN105574490B (zh) | 2015-12-10 | 2015-12-10 | 基于车前灯图像特征的车辆品牌识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574490B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056133A (zh) * | 2016-05-19 | 2016-10-26 | 无线生活(杭州)信息科技有限公司 | 一种图像识别方法及装置 |
CN110097758A (zh) * | 2018-01-31 | 2019-08-06 | 杭州海康威视数字技术股份有限公司 | 车辆信息输出、存储方法及装置 |
CN111243285A (zh) * | 2020-01-07 | 2020-06-05 | 南京甄视智能科技有限公司 | 黑暗环境下基于车灯图像识别的车辆套牌自动检测方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295021A (zh) * | 2012-02-24 | 2013-09-11 | 北京明日时尚信息技术有限公司 | 一种静态图片中车辆特征检测及识别的方法及系统 |
CN103559492A (zh) * | 2013-11-12 | 2014-02-05 | 公安部第三研究所 | 一种车标识别装置及方法 |
CN104463135A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车标识别方法和系统 |
CN104504384A (zh) * | 2015-01-15 | 2015-04-08 | 博康智能网络科技股份有限公司 | 车标识别方法及其识别系统 |
CN104680164A (zh) * | 2013-11-26 | 2015-06-03 | 上海宝康电子控制工程有限公司 | 基于边缘方向直方图特征实现车标特征提取的方法 |
-
2015
- 2015-12-10 CN CN201510916732.XA patent/CN105574490B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295021A (zh) * | 2012-02-24 | 2013-09-11 | 北京明日时尚信息技术有限公司 | 一种静态图片中车辆特征检测及识别的方法及系统 |
CN103559492A (zh) * | 2013-11-12 | 2014-02-05 | 公安部第三研究所 | 一种车标识别装置及方法 |
CN104680164A (zh) * | 2013-11-26 | 2015-06-03 | 上海宝康电子控制工程有限公司 | 基于边缘方向直方图特征实现车标特征提取的方法 |
CN104463135A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车标识别方法和系统 |
CN104504384A (zh) * | 2015-01-15 | 2015-04-08 | 博康智能网络科技股份有限公司 | 车标识别方法及其识别系统 |
Non-Patent Citations (6)
Title |
---|
An Efficient Selection of HOG Feature for SVM Classification of Vehicle;Seung-Hyun Lee等;《2015 IEEE International Symposium on Consumer Electronics (ISCE)》;20150626;第1-2页 |
LINEAR SVM CLASSIFICATION USING BOOSTING HOG FEATURES FOR VEHICLE DETECTION IN LOW-ALTITUDE AIRBORNE VIDEOS;Xianbin Cao等;《2011 18th IEEE International Conference on Image Processing》;20111231;第2469-2472页 |
基于HOG特征及支持向量机的车辆品牌识别方法;张小琴等;《东南大学学报(自然科学版)》;20131130;第43卷;第410-413页 |
基于图像的车标定位与识别;张绍华;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130215(第02期);论文正文第7-9、14-16页 |
智能交通系统中车标图像识别技术研究;魏平顺;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130715(第07期);论文正第4-8页、20-48页 |
汽车前灯视觉特征与造型设计研究;李文佳等;《机械设计》;20150531;第32卷(第5期);第122-125页 |
Also Published As
Publication number | Publication date |
---|---|
CN105574490A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188807B (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN106250870B (zh) | 一种联合局部和全局相似性度量学习的行人再识别方法 | |
CN104166841B (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN108171136B (zh) | 一种多任务卡口车辆以图搜图的系统及方法 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
Chen et al. | Vehicle detection, tracking and classification in urban traffic | |
US8509478B2 (en) | Detection of objects in digital images | |
CN105404886B (zh) | 特征模型生成方法和特征模型生成装置 | |
CN108564030A (zh) | 面向车载热成像行人检测的分类器训练方法和装置 | |
CN109816024A (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
US20210192227A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN105956632B (zh) | 一种检测目标的方法和装置 | |
CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
US20130243343A1 (en) | Method and device for people group detection | |
CN113822247B (zh) | 基于航拍影像的违章建筑识别方法及系统 | |
CN102945374B (zh) | 一种高分辨率遥感图像中民航飞机自动检测方法 | |
CN105373783A (zh) | 基于混合多尺度可变形部件模型的未系安全带检测方法 | |
Chen et al. | Multi-shape descriptor vehicle classification for urban traffic | |
CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
CN106570490A (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
CN104361359A (zh) | 基于图像检测的车辆识别方法 | |
CN105574490B (zh) | 基于车前灯图像特征的车辆品牌识别方法和系统 | |
CN106250824A (zh) | 车窗定位方法和系统 |
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 |