CN105678304B - 一种车标识别方法及装置 - Google Patents
一种车标识别方法及装置 Download PDFInfo
- Publication number
- CN105678304B CN105678304B CN201511024080.5A CN201511024080A CN105678304B CN 105678304 B CN105678304 B CN 105678304B CN 201511024080 A CN201511024080 A CN 201511024080A CN 105678304 B CN105678304 B CN 105678304B
- Authority
- CN
- China
- Prior art keywords
- logo
- vehicle
- surf
- determining
- area
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车标识别方法及装置,所述方法包括:确定目标车辆的监控图像中的车牌位置,并根据所述车牌位置确定所述监控图像对应的车标识别图像;在所述车标识别图像中检测第一预设数量的FAST角点,并提取所述FAST角点的SURF特征;对SURF特征点进行聚类,并根据所述车牌位置、所述SURF特征点中的对称SURF特征点以及聚类结果确定所述车标识别图像中的车标模糊区域;从所述车标模糊区域中搜索车标位置区域;对所述车标位置区域进行车标识别。应用本发明实施例可以减少车标识别的工作量,提高车标识别的准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种车标识别方法及装置。
背景技术
车标识别是智能交通系统的重要组成部分,可以为交通事件的处理提供有力证据,增强交管部门对于车辆的监管力度,在追查嫌疑车辆,识别套牌车辆等方面发挥很大的作用。
当前车标识别的方法很多,有基于模板匹配的,有基于普通分类器的,还有基于深度学习的方案。但总体上都容易受到光照、阴影、旋转、模糊甚至部分较小车标肉眼无法识别等情况的干扰,车标识别率较低。
发明内容
本发明提供一种车标识别方法及装置,以解决现有技术中车标识别准确率较低的问题。
根据本发明实施例的第一方面,提供一种车标识别方法,包括:
确定目标车辆的监控图像中的车牌位置,并根据所述车牌位置确定所述监控图像对应的车标识别图像;
在所述车标识别图像中检测第一预设数量的加速段试验特征FAST角点,并提取所述FAST角点的加速鲁棒特征SURF特征;
对SURF特征点进行聚类,并根据所述车牌位置、所述SURF特征点中的对称SURF特征点以及聚类结果确定所述车标识别图像中的车标模糊区域;
从所述车标模糊区域中搜索车标位置区域;
对所述车标位置区域进行车标识别。
根据本发明实施例的第二方面,提供一种车标识别装置,包括:
第一确定单元,用于确定目标车辆的监控图像中的车牌位置,并根据所述车牌位置确定所述监控图像对应的车标识别图像;
检测单元,用于在所述车标识别图像中检测第一预设数量的加速段试验特征FAST角点,并提取所述FAST角点的加速鲁棒特征SURF特征;
聚类单元,用于对SURF特征点进行聚类;
第二确定单元,用于根据所述车牌位置、所述SURF特征点中的对称SURF特征点以及聚类结果确定所述车标识别图像中的车标模糊区域;
搜索单元,用于从所述车标模糊区域中搜索车标位置区域;
识别单元,用于对所述车标位置区域进行车标识别。
应用本发明实施例,在确定目标车辆的监控图像中的车牌位置,并根据该车牌位置确定监控图像对应的车标识别图像之后,通过在车标识别图像中检测第一预设数量的FAST角点,并提取该FAST角点的SURF特征,进而,对SURF特征点进行聚类,并根据车牌位置、SURF特征点中的对称SURF特征点以及聚类结果确定车标识别图像中的车标模糊区域,从而从该车标模糊区域中搜索车标位置区域,并对车标位置区域进行车标识别,降低了车标识别的工作量,提高了车标识别的准确率。
附图说明
图1是本发明实施例提供的一种车标识别方法的流程示意图;
图2是本发明实施例提供的一种车标模糊区域的确定方法的示意图;
图3是本发明实施例提供的另一种车标识别方法的流程示意图;
图4是本发明实施例提供的一种车标识别装置的结构示意图;
图5是本发明实施例提供的另一种车标识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明实施例中技术方案作进一步详细的说明。
请参见图1,图1为本发明实施例提供的一种车标识别方法的流程示意图,如图1所示,该车标识别方法可以包括以下步骤:
步骤101、确定目标车辆的监控图像中的车牌位置,并根据该车牌位置确定该监控图像对应的车标识别图像。
本发明实施例中,上述方法可以应用于智能交通系统中,例如,应用于智能交通系统中的后台服务器。为便于描述,以下以上述方法的执行主体为服务器为例进行描述。
本发明实施例中,目标车辆并不特指某一车辆,而是可以指代任一进行车标识别的车辆,本发明实施例后续不再复述。
本发明实施例中,服务器采集到目标车辆的监控图像之后,例如,通过公路相应位置安装的IPC(Internet Protocol Camera,网络摄像机)等图像采集装置采集目标车辆的监控图像,可以通过车牌识别技术识别目标车辆的车牌,以确定目标车辆的监控图像中的车牌位置,进而根据该车牌位置确定监控图像对应的车标识别图像,其中,该车标识别图像可以为目标车辆监控图像中车前脸区域对应的图像。
举例来说,服务器确定目标车辆的车牌位置之后,可以根据以车牌位置中心点(x0,y0),以及车牌的宽度(w)和高度(h),以车牌位置中心点位参照,左右方向切割的总宽度为5w,上下方向切割的总高度为10h,其中,左右方向可以以x0为中心,两边各有2.5w的宽度,上下方向以y0为中心,上方截取高度为7.5h,下方截取高度为2.5h。截取完成的图片统一缩放为400*200的大小,处理完成之后,即得到车标识别图像,该图像可以作为车标识别的标准输入图片。
值得说明的是,在本发明实施例中,可以以车牌中心点作为二维直角坐标系的原点,车牌所在平面中横向为x轴,纵向为y轴,其中水平向右为x轴正方向,竖直向上为y轴正方向,本发明实施例后续不再复述。
步骤102、在车标识别图像中检测第一预设数量的FAST角点,并提取该FAST角点的SURF特征。
本发明实施例中,服务器获取到车标识别图像之后,可以在该图片中检测预设数量(第一预设数量,可以根据具体情况设定,如64、128或256等,以下以128为例)的FAST(Features from Accelerated Segment Test,加速段试验特征)角点,具体的检测方式可以参见现有技术中相关实现,在此不再赘述。
服务器检测到128个FAST角点之后,可以提取各FAST角点的SURF(Speeded UpRobust Features,加速鲁棒特征)特征,以得到对应的SURF特征点,其具体提取方式可以参照现有技术中相关方式,在此不再赘述。
其中,服务器提取FAST角点的SURF特征之后,还可以检测该128个SURF特征点中的对称SURF点。
步骤103、对SURF特征点进行聚类,并根据车牌位置、SURF特征点中的对称SURF特征点以及聚类结果确定车标识别图像中的车标模糊区域。
本发明实施例中,考虑到绝大部分车标都位于车前脸中央,因而可以以不同高度上的对称SURF特征点的横坐标值的平均值作为车标区域中心的横坐标值。又考虑到车标区域的纹理通常会比较丰富,因而对SURF特征点进行聚类时,在车辆靠中心区域的聚类中心通常可能是车标区域附近,从而可以根据位于车辆靠中心区域的聚类中心的纵坐标值确定车标区域中心的纵坐标值。
作为一种可选地实施方式,上述步骤103中,根据车牌位置、SURF特征点中的对称SURF特征点以及聚类结果确定车标识别图像中的车标模糊区域,可以包括以下步骤:
11)、确定位于目标区域的目标聚类中心的纵坐标值;其中,该目标区域为车标识别图像内车牌位置上方,以车牌为中心,左右各第二预设数量像素的矩形区域;
12)、确定纵坐标值与目标聚类中心的纵坐标值最接近的目标对称SURF特征点的横坐标值的平均值;
13)、以该目标聚类中心的纵坐标值以及该目标对称SURF特征点的横坐标值的平均值对应的点位中心点,确定车标识别图像中的车标模糊区域。
在该实施方式中,考虑到车标通常位于车牌位置上方靠中心的区域,因此,可以设定车牌位置上方,以车牌为中心,左右各第二预设数量(可以根据具体情况设定,如40个)像素的矩形区域为目标区域。
相应地,服务器可以对上述128个SURF特征点进行聚类,例如,可以根据特征点的位置信息,以欧式距离作为度量进行聚类,将上述128个SURF特征点聚为第三预设数量(可以根据具体情况设定,如12)类,并将位于目标区域的聚类中心(以下称为目标聚类中心)的纵坐标值确定为车标模糊区域(即车标可能位于该区域)的中心的纵坐标值。
进一步地,对于每一个纵坐标值,服务器可以以纵坐标值与其最接近的对称SURF特征点(以下称为目标对称SURF特征点)的横坐标值的平均值确定为车标模糊区域的中心的横坐标值,进而,服务器可以根据该车标模糊区域的中心确定车标模糊区域。
举例来说,假设服务器将上述128个SURF特征点聚为12类,其中,有3类的聚类中心位于目标区域,其纵坐标值分别为y0,y1,y2。对于每一个纵坐标值,服务器可以找到y轴方向上与其最接近的对称SURF特征点,并确定其横坐标值的平均值,假设分别为x0,x1,x2。进而,服务器可以分别将以(x0,y0)、(x1,y1)、(x2,y2)为中心,左右各25个像素、上下各20个像素的区域确定为车标模糊区域。
需要注意的是,在本发明实施例中,当服务器根据车牌位置、SURF特征点中的对称SURF特征点以及聚类结果确定的车标模糊区域存在多个,且该多个车标模糊区域中存在相互重叠的情况时,可以将同时覆盖相互重叠的车标模糊区域的矩形区域确定为最终的车标模糊区域。
例如,参见图2,假设A和B均为车标模糊区域,则服务器可以将abcd4个点组成的矩形区域确定为最终的车标模糊区域。
步骤104、从车标模糊区域中搜索车标位置区域。
本发明实施例中,服务器确定车标模糊区域之后,可以对该车标模糊区域进行搜索,以搜索车标位置区域,即车标所在位置对应的区域。例如,服务器可以通过adboost(一种迭代算法)分类器、SVM(Support Vector Machine,支持向量机)分类器或CNN(Convolutional Neural Network,卷积神经网络)分类器从车标模糊区域中搜索车标位置区域,其具体实现在此不再赘述。
步骤105、对车标位置区域进行车标识别。
本发明实施例中,服务器搜索到车标位置区域之后,可以对该车标位置区域进行车标识别,以确定目标车辆的车标。
其中,服务器可以通过SVM分类器或CNN分类器对所述车标位置区域进行车标识别,以确定目标车辆的车标。
可见,在图1所描述的方法流程中,通过确定车标识别图像,在车标识别图像中检测第一预设数量的FAST角点,并提取该FAST角点的SURF特征,进而通过对该SURF特征点进行聚类,并根据车牌位置、SURF特征点中的对称SURF特征点以及聚类结果确定车标识别图像中的车标模糊区域,从而从车标模糊区域中搜索车标位置区域,对车标位置区域进行车标识别,通过先确定车标识别图像中的车标模糊区域,进而在车标模糊区域中搜索车标位置区域,并进行车标识别,排除了目标车辆的监控图像中的其它部分对车标识别的干扰,在降低车标识别的工作量的同时,可以提高车标识别的准确性。
请参见图3,图3为本发明实施例提供的另一种车标识别方法的流程示意图,如图3所示,该车标识别方法可以包括:
步骤301、确定目标车辆的监控图像中的车牌位置,并根据该车牌位置确定该监控图像对应的车标识别图像。
本发明实施例中,服务器采集到目标车辆的监控图像之后,例如,通过公路相应位置安装的IPC等图像采集装置采集目标车辆的监控图像,可以通过车牌识别技术识别目标车辆的车牌,以确定目标车辆的监控图像中的车牌位置,进而根据该车牌位置确定监控图像对应的车标识别图像,其中,该车标识别图像可以为目标车辆监控图像中车前脸区域对应的图像。
步骤302、在车标识别图像中检测第一预设数量的FAST角点,并提取该FAST角点的SURF特征。
本发明实施例中,服务器获取到车标识别图像之后,可以在该图片中检测预设数量(第一预设数量,可以根据具体情况设定,如64、128或256等,以下以128为例)的FAST角点,具体的检测方式可以参见现有技术中相关实现,在此不再赘述。
服务器检测到128个FAST角点之后,可以提取各FAST角点的SURF特征,以得到对应的SURF特征点,其具体提取方式可以参照现有技术中相关方式,在此不再赘述。
其中,服务器提取FAST角点的SURF特征之后,还可以检测该128个SURF特征点中的对称SURF点。
步骤303、对SURF特征点进行聚类,并根据车牌位置、SURF特征点中的对称SURF特征点以及聚类结果确定车标识别图像中的车标模糊区域。
本发明实施例中,考虑到绝大部分车标都位于车前脸中央,因而可以以不同高度上的对称SURF特征点的横坐标值的平均值作为车标区域中心的横坐标值。又考虑到车标区域的纹理通常会比较丰富,因而对SURF特征点进行聚类时,在车辆靠中心区域的聚类中心通常可能是车标区域附近,从而可以根据位于车辆靠中心区域的聚类中心的纵坐标值确定车标区域中心的纵坐标值,进而,服务器可以根据该横坐标值和纵坐标值确定车标模糊区域。
可选地,服务器对SURF特征点进行聚类时可以根据特征点的位置对SURF特征点进行聚类,如使用欧氏距离作为度量进行聚类;此外,当SURF特征点的个数为128个时,可以通过设置欧氏距离阈值,使其聚类为12~14类,其具体实现在此不再赘述。
步骤304、从车标模糊区域中搜索车标位置区域,并确定该车标位置区域的置信度。若该置信度低于预设第一置信度阈值,则转至步骤305;否则,转至步骤306。
本发明实施例中,服务器确定车标模糊区域之后,可以对该车标模糊区域进行搜索,以搜索车标位置区域,即车标所在位置对应的区域。例如,服务器可以通过adboost分类器、SVM分类器或CNN分类器从车标模糊区域中搜索车标位置区域,其具体实现在此不再赘述。
本发明实施例中,服务器通过adboost分类器、SVM分类器或CNN分类器搜索车标位置区域时,会输出该车标位置区域的置信度,即该车标位置区域中存在车标的概率。服务器获取到车标位置区域的置信度之后,可以判断该置信度是否高于或等于预设的置信度阈值(预设第一置信度阈值,可以根据具体情况预先设定,如70%、80%等);若是,则执行步骤306;否则,执行步骤305~步骤306。
步骤305、对目标区域进行遍历搜索,以确定车标位置区域,并转至步骤306。
本发明实施例中,若服务器从车标模糊区域中搜索到的车标位置区域的置信度低于预设第一置信度阈值,即该车标附近检测的特征点很少,无法通过聚类中心寻找,则服务器可以对上述目标区域进行遍历寻找,寻找置信度高于预设第一置信度阈值的车标位置区域。
步骤306、对车标位置区域进行车标识别。
本发明实施例中,服务器在车标模糊区域中搜索到车标位置区域或通过遍历目标区域搜索到车标位置区域之后,可以对该车标位置区域进行车标识别,以确定目标车辆的车标。
作为一种可选的实施方式,上述步骤306中,对车标位置信息区域进行车标识别,可以包括以下步骤:
21)、通过SVM分类器或CNN分类器对车标位置区域进行车标识别;
22)、若识别结果的置信度高于或等于第二置信度阈值,则根据该识别结果确定目标车辆的车标;
23)、否则,通过预设的隐条件随机模型对车标识别图像进行识别,并根据识别结果确定目标车辆的车标。
在该实施方式中,服务器可以先通过SVM分类器或CNN分类器对车标位置区域进行车标识别,若识别结果的置信度高于或等于预设第二置信度阈值(可以根据具体情况设定,如70%、80%等),则服务器可以直接根据该识别结果确定目标车辆的车标。例如,当车标图像较为清晰时,通过SVM分类器或CNN分类器对车标位置区域的识别结果的置信度通常会高于预设第二置信度阈值。
若服务器通过SVM分类器或CNN分类器对车标位置区域进行车标识别的识别结果的置信度低于预设第二置信度,则服务器可以认为车标图像可能存在过于模糊等情况,需要通过其它特征对车标进一步判断。
在该实施方式中,考虑到任何一个车标厂商对应的车型类别是有限的,且这些车型和其它车标厂商对应的车型在形状、纹理等方面存在差异,因而可以通过概率统计的方式对车前脸特征建模,选择当前车前脸特征对应概率最大的车标。
相应地,服务器可以使用HCRF(Hidden Conditional Random Fields,隐条件随机场)对上述车标识别图像的所有特征点进行建模,通过隐条件随机场模型对上述车标识别图像进行识别,并根据识别结果确定目标车辆的车标。
具体的,HCRF在训练过程中,每一个样本对应的输入可以是一组维度相同的观测向量x={x0,x1…..xn},其中,x0,x1…..xn等包括每个特征点的64维SURF特征结合其在坐标系的纵横坐标在内的一共66维特征,该观测向量X对应一个车标的类别标签,假设为z(z∈Z,所有车标类别标签之一),服务器可以基于位置聚类之后的特征点和其中的对称SURF特征点建立隐条件随机场模型。其中,该隐条件随机场模型由输入向量、隐藏层变量(以下简称为隐变量)和类别标签组成,其条件概率公式如下:
其中,h为隐变量,θ为待估计的参数,V为所述第一预设数量的SURF特征点集合,xv为SURF特征点v对应的66维特征,θ(hv)为一组66维参数,θ(hv,z)代表隐变量hv和目标类别z之间的相关度,θ(hi,hj,z)代表邻域中的两个顶点对应的隐变量。
在该实施方式中,邻域代表一个势团中两个相互关联的节点,一个节点所有的邻域节点包括与该节点存在概率依存关系的所有节点。
在该实施方式中,考虑到车前脸的特殊性,邻域的设计策略如下:
1)、按照上述聚类之后的特征点划分为对应不同的势团,即所有的聚类内部特征点认为是强相关的,而不同类别之间的特征点原则上认为弱相关;
2)、在同一个聚类之内,使用不同特征点之间的欧式距离(假定该距离为d,单位为像素)作为是否邻域的判断标准,例如,d<=20;
3)、在不同聚类之间,所有的对称SURF特征点被认为相关度较高,全部设为邻域节点,不受欧式距离的限制,由于对称SURF是成对出现的,左半区或者右半区的点都只和对应半区的其他点形成邻域,不需要和两个半区的点都联系起来。例如,假设共存在20对对称SURF特征点,则该20对SURF对称特征点中20个SURF特征点位于左半区,20个SURF特征点位于右半区,则左半区的20个SURF特征点互为邻域节点,右边的20个SURF特征点也互为邻域节点。
训练过程中参数估计:按照下面的最大似然函数对上述θ参数进行估计,假设有k(k为正整数)个训练数据,分别为(x0,z0)、(x1,z1)……(xk-1,zk-1),可以结合条件随机场常见的置信度传播算法对下面参数估计进行优化计算,最终得到一组最优参数
其中,σ2代表参数θ的平均方差,可以通过交叉验证的方式选择一个相对最优值。
可见,在图3所描述的方法流程中,当车标图像清晰时,直接通过SVM分类器或CNN分类器进行车标识别,当车标图像过于模糊时,通过隐条件随机场模型进行车标识别,将车标的判断不再仅仅局限于车标区域特征的提取,而是充分利用了整个车前脸特征和车标之间的概率依存关系,在车标区域受到各种干扰不够清晰的时候,依然可以较高准确率的判别具体车标信息,有效的提升了车标识别在各类环境和各种干扰情况下的准确率。
通过以上描述可以看出,在本发明实施例提供的技术方案中,在确定目标车辆的监控图像中的车牌位置,并根据该车牌位置确定监控图像对应的车标识别图像之后,通过在车标识别图像中检测第一预设数量的FAST角点,并提取该FAST角点的SURF特征,进而,对SURF特征点进行聚类,并根据车牌位置、SURF特征点中的对称SURF特征点以及聚类结果确定车标识别图像中的车标模糊区域,从而从该车标模糊区域中搜索车标位置区域,并对车标位置区域进行车标识别,降低了车标识别的工作量,提高了车标识别的准确率。
请参见图4,为本发明实施例提供的一种车标识别装置的结构示意图,其中,该车身颜色识别装置可以应用于上述方法实施例中的智能交通系统,例如,应用于智能交通系统的后台服务器中,如图4所示,该车标识别装置可以包括:
第一确定单元410,用于确定目标车辆的监控图像中的车牌位置,并根据所述车牌位置确定所述监控图像对应的车标识别图像;
检测单元420,用于在所述车标识别图像中检测第一预设数量的加速段试验特征FAST角点,并提取所述FAST角点的加速鲁棒特征SURF特征;
聚类单元430,用于对SURF特征点进行聚类;
第二确定单元440,用于根据所述车牌位置、所述SURF特征点中的对称SURF特征点以及聚类结果确定所述车标识别图像中的车标模糊区域;
搜索单元450,用于从所述车标模糊区域中搜索车标位置区域;
识别单元460,用于对所述车标位置区域进行车标识别。
请一并参见图5,为本发明实施例提供的另一种车标识别装置的结构示意图,该实施例在前述图4所示实施例的基础上,所述装置中第二确定单元440可以包括:第一确定子单元441、第二确定子单元442和第三确定子单元443;其中:
第一确定子单元441,用于确定位于目标区域的目标聚类中心的纵坐标值;其中,所述目标区域为所述车标识别图像内所述车牌位置上方,以车牌为中心,左右各第二预设数量像素的矩形区域;
第二确定子单元442,用于确定纵坐标值与所述目标聚类中心的纵坐标值最接近的目标对称SURF特征点的横坐标值的平均值;
第三确定子单元443,用于以所述目标聚类中心的纵坐标值,以及所述目标对称SURF特征点的横坐标值的平均值对应的点为中心点,确定所述车标识别图像中的车标模糊区域。
在可选实施例中,所述搜索单元450,还可以用于若从所述车标模糊区域中搜索到的车标位置区域的置信度低于预设第一置信度阈值,则对所述目标区域进行遍历搜索,以确定车标位置区域。
在可选实施例中,所述识别单元460,具体用于:
通过预设的支持向量机SVM分类器或卷积神经网络CNN分类器对所述车标位置区域进行车标识别;
若识别结果的置信度高于或等于预设第二置信度阈值,则根据所述识别结果确定所述目标车辆的车标;
否则,通过预设的隐条件随机场模型对所述车标识别图像进行识别,并根据识别结果确定所述目标车辆的车标。
在可选实施例中,所述隐条件随机场模型对应的条件概率公式包括:
其中,h为隐变量,θ为待估计的参数,V为所述第一预设数量的SURF特征点集合,xv为SURF特征点v对应的66维特征,θ(hv)为一组66维参数,θ(hv,z)代表隐变量hv和目标类别z之间的相关度,θ(hi,hj,z)代表邻域中的两个顶点对应的隐变量;
其中,SURF特征点的66维特征包括该SURF特征点的64维SURF特征,以及横纵坐标值;同一聚类内欧氏距离小于或等于预设阈值的节点互为邻域节点;不同聚类之间,对称SURF特征点中位于同一半区的特征点互为邻域节点。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
由上述实施例可见,在确定目标车辆的监控图像中的车牌位置,并根据该车牌位置确定监控图像对应的车标识别图像之后,通过在车标识别图像中检测第一预设数量的FAST角点,并提取该FAST角点的SURF特征,进而,对SURF特征点进行聚类,并根据车牌位置、SURF特征点中的对称SURF特征点以及聚类结果确定车标识别图像中的车标模糊区域,从而从该车标模糊区域中搜索车标位置区域,并对车标位置区域进行车标识别,降低了车标识别的工作量,提高了车标识别的准确率。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种车标识别方法,其特征在于,包括:
通过车牌识别技术确定目标车辆的监控图像中的车牌位置,并根据所述车牌位置确定所述监控图像对应的车标识别图像;
在所述车标识别图像中检测第一预设数量的加速段试验特征FAST角点,并提取所述FAST角点的加速鲁棒特征SURF特征,得到对应的SURF特征点;以及,检测所述SURF特征点中的对称SURF特征点;
对SURF特征点进行聚类,并根据所述车牌位置、所述SURF特征点中的对称SURF特征点以及聚类结果确定车标中心区域的横坐标值与纵坐标值,并且以所述横坐标值与纵坐标值对应的点为中心点,确定所述车标识别图像中的车标模糊区域;
从所述车标模糊区域中搜索车标位置区域;
对所述车标位置区域进行车标识别;
其中,所述对所述车标位置区域进行车标识别,包括:
通过预设的支持向量机SVM分类器或卷积神经网络CNN分类器对所述车标位置区域进行车标识别;
若识别结果的置信度高于或等于预设第二置信度阈值,则根据所述识别结果确定所述目标车辆的车标;
否则,通过预设的隐条件随机场模型对所述车标识别图像进行识别,并根据识别结果确定所述目标车辆的车标。
2.根据权利要求1所述的方法,其特征在于,所述根据所述车牌位置、所述SURF特征点中的对称SURF特征点以及聚类结果确定车标中心区域的横坐标值与纵坐标值,并且以所述横坐标值与纵坐标值对应的点为 中心点,确定所述车标识别图像中的车标模糊区域,包括:
确定位于目标区域的目标聚类中心的纵坐标值;其中,所述目标区域为所述车标识别图像内所述车牌位置上方,以车牌为中心,左右各第二预设数量像素的矩形区域;
确定纵坐标值与所述目标聚类中心的纵坐标值最接近的目标对称SURF特征点的横坐标值的平均值;
以所述目标聚类中心的纵坐标值,以及所述目标对称SURF特征点的横坐标值的平均值对应的点为中心点,确定所述车标识别图像中的车标模糊区域。
3.根据权利要求2所述的方法,其特征在于,所述从所述车标模糊区域中搜索车标位置区域之后,还包括:
若从所述车标模糊区域中搜索到的车标位置区域的置信度低于预设第一置信度阈值,则对所述目标区域进行遍历搜索,以确定车标位置区域。
4.根据权利要求1所述的方法,其特征在于,所述隐条件随机场模型对应的条件概率公式包括:
其中,特征函数Ψ(z,h,x;θ)被定义为:
其中,h为隐变量,θ为待估计的参数,V为所述第一预设数量的SURF特征点集合,xv为SURF特征点v对应的66维特征,θ(hv)为一组66维参数,θ(hv,z)代表隐变量hv和目标类别z之间的相关度,θ(hi,hj,z)代表邻域中的两个顶点对应的隐变量,i,j∈E表示隐变量hi和hj存在邻域关系;
其中,SURF特征点的66维特征包括该SURF特征点的64维SURF特征,以及横纵坐标值;同一聚类内欧氏距离小于或等于预设阈值的节点互为邻域节点;不同聚类之间,对称SURF特征点中位于同一半区的特征点互为邻域节点。
5.一种车标识别装置,其特征在于,包括:
第一确定单元,用于通过车牌识别技术确定目标车辆的监控图像中的车牌位置,并根据所述车牌位置确定所述监控图像对应的车标识别图像;
检测单元,用于在所述车标识别图像中检测第一预设数量的加速段试验特征FAST角点,并提取所述FAST角点的加速鲁棒特征SURF特征,得到对应的SURF特征点;以及,检测所述SURF特征点中的对称SURF特征点;
聚类单元,用于对SURF特征点进行聚类;
第二确定单元,用于根据所述车牌位置、所述SURF特征点中的对称SURF特征点以及聚类结果确定车标中心区域的横坐标值与纵坐标值,并且以所述横坐标值与纵坐标值对应的点为中心点,确定所述车标识别图像中的车标模糊区域;
搜索单元,用于从所述车标模糊区域中搜索车标位置区域;
识别单元,用于对所述车标位置区域进行车标识别;
其中,所述识别单元,具体用于:
通过预设的支持向量机SVM分类器或卷积神经网络CNN分类器对所述车标位置区域进行车标识别;
若识别结果的置信度高于或等于预设第二置信度阈值,则根据所述识别结果确定所述目标车辆的车标;
否则,通过预设的隐条件随机场模型对所述车标识别图像进行识别,并根据识别结果确定所述目标车辆的车标。
6.根据权利要求5所述的装置,其特征在于,所述第二确定单元包括:
第一确定子单元,用于确定位于目标区域的目标聚类中心的纵坐标值;其中,所述目标区域为所述车标识别图像内所述车牌位置上方,以车牌为中心,左右各第二预设数量像素的矩形区域;
第二确定子单元,用于确定纵坐标值与所述目标聚类中心的纵坐标值最接近的目标对称SURF特征点的横坐标值的平均值;
第三确定子单元,用于以所述目标聚类中心的纵坐标值,以及所述目标对称SURF特征点的横坐标值的平均值对应的点为中心点,确定所述车标识别图像中的车标模糊区域。
7.根据权利要求6所述的装置,其特征在于,
所述搜索单元,还用于若从所述车标模糊区域中搜索到的车标位置区域的置信度低于预设第一置信度阈值,则对所述目标区域进行遍历搜索,以确定车标位置区域。
8.根据权利要求5所述的装置,其特征在于,所述隐条件随机场模型对应的条件概率公式包括:
其中,特征函数Ψ(z,h,x;θ)被定义为:
其中,h为隐变量,θ为待估计的参数,V为所述第一预设数量的SURF特征点集合,xv为SURF特征点v对应的66维特征,θ(hv)为一组66维参数,θ(hv,z)代表隐变量hv和目标类别z之间的相关度,θ(hi,hj,z)代表邻域中的两个顶点对应的隐变量,i,j∈E表示隐变量hi和hj存在邻域关系;
其中,SURF特征点的66维特征包括该SURF特征点的64维SURF特征,以及横纵坐标值;同一聚类内欧氏距离小于或等于预设阈值的节点互为邻域节点;不同聚类之间,对称SURF特征点中位于同一半区的特征点互为邻域节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511024080.5A CN105678304B (zh) | 2015-12-30 | 2015-12-30 | 一种车标识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511024080.5A CN105678304B (zh) | 2015-12-30 | 2015-12-30 | 一种车标识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678304A CN105678304A (zh) | 2016-06-15 |
CN105678304B true CN105678304B (zh) | 2020-04-10 |
Family
ID=56298187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511024080.5A Active CN105678304B (zh) | 2015-12-30 | 2015-12-30 | 一种车标识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678304B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045642A (zh) * | 2017-05-05 | 2017-08-15 | 广东工业大学 | 一种车标图像识别方法及装置 |
CN107239754B (zh) * | 2017-05-23 | 2019-10-29 | 淮阴工学院 | 基于稀疏取样灰度分布和梯度分布特征的车标识别方法 |
CN108311411B (zh) * | 2018-02-07 | 2020-01-21 | 陕西科技大学 | 一种冬虫夏草智能化分拣系统及其使用方法 |
CN111131688B (zh) * | 2018-10-31 | 2021-04-23 | Tcl科技集团股份有限公司 | 一种图像处理方法、装置及移动终端 |
CN111191481B (zh) * | 2018-11-14 | 2023-08-25 | 杭州海康威视数字技术股份有限公司 | 车辆识别方法及系统 |
CN109800737B (zh) | 2019-02-02 | 2021-06-25 | 深圳市商汤科技有限公司 | 面部识别方法及装置、电子设备和存储介质 |
CN110569921A (zh) * | 2019-09-17 | 2019-12-13 | 中控智慧科技股份有限公司 | 一种车标识别方法、系统、装置及计算机可读介质 |
CN113077513B (zh) | 2021-06-03 | 2021-10-29 | 深圳市优必选科技股份有限公司 | 视觉定位方法、装置和计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093201A (zh) * | 2013-01-21 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 车标定位识别方法及系统 |
CN104794432A (zh) * | 2015-03-25 | 2015-07-22 | 上海交通大学 | 快速级联式车标视觉检测与识别方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI521448B (zh) * | 2014-03-18 | 2016-02-11 | Univ Yuan Ze | Vehicle identification system and method |
-
2015
- 2015-12-30 CN CN201511024080.5A patent/CN105678304B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093201A (zh) * | 2013-01-21 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 车标定位识别方法及系统 |
CN104794432A (zh) * | 2015-03-25 | 2015-07-22 | 上海交通大学 | 快速级联式车标视觉检测与识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105678304A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678304B (zh) | 一种车标识别方法及装置 | |
CN110598609B (zh) | 一种基于显著性引导的弱监督目标检测方法 | |
CN105046197B (zh) | 基于聚类的多模板行人检测方法 | |
CN113156421A (zh) | 基于毫米波雷达和摄像头信息融合的障碍物检测方法 | |
Jabid et al. | Rotation invariant power line insulator detection using local directional pattern and support vector machine | |
CN109919002A (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
CN103106409A (zh) | 一种针对头肩检测的混合特征提取方法 | |
CN105740751A (zh) | 一种目标检测与识别的方法和系统 | |
JP2012123626A (ja) | 対象物検出装置及びプログラム | |
JP2009163682A (ja) | 画像識別装置及びプログラム | |
CN103413149A (zh) | 复杂背景中实现静态目标检测和识别的方法 | |
JP3589293B2 (ja) | 道路の白線検出方法 | |
CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
Dai et al. | A vehicle detection method via symmetry in multi-scale windows | |
Yang et al. | Vehicle detection from low quality aerial LIDAR data | |
CN109753981B (zh) | 一种图像识别的方法及装置 | |
CN107563282A (zh) | 用于无人驾驶的识别方法、电子设备、存储介质以及系统 | |
CN105069410A (zh) | 基于非结构化的道路识别方法及装置 | |
JP5829155B2 (ja) | 歩行者検出装置及びプログラム | |
CN111178158B (zh) | 一种骑车人检测方法及系统 | |
CN114511803A (zh) | 一种面向视觉跟踪任务的目标遮挡检测方法 | |
CN103514434B (zh) | 一种图像识别方法及装置 | |
JP2021182243A (ja) | 画像判定装置、方法、及びプログラム | |
Rojas Quiñones et al. | Automatic detection of facial feature points via HOGs and geometric prior models | |
JP2020035338A (ja) | 物体検出方法及び物体検出装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200601 Address after: 250001 whole floor, building 3, Aosheng building, 1166 Xinluo street, Jinan area, Jinan pilot Free Trade Zone, Shandong Province Patentee after: Jinan boguan Intelligent Technology Co., Ltd Address before: Hangzhou City, Zhejiang province 310051 Binjiang District West Street Jiangling Road No. 88 building 10 South Block 1-11 Patentee before: ZHEJIANG UNIVIEW TECHNOLOGIES Co.,Ltd. |