CN105740886B

CN105740886B - 一种基于机器学习的车标识别方法

Info

Publication number: CN105740886B
Application number: CN201610049774.2A
Authority: CN
Inventors: 杜克林; 吴斌; 赵旭; 曾杰; 陈慧宇
Original assignee: Hangzhou Entropy Technology Co Ltd
Current assignee: Hangzhou Entropy Technology Co., Ltd.
Priority date: 2016-01-25
Filing date: 2016-01-25
Publication date: 2019-03-12
Anticipated expiration: 2036-01-25
Also published as: CN105740886A

Abstract

一种基于机器学习的车标识别方法，包括以下步骤：1)车标定位：首先根据车牌定位方法找出车牌，在此基础上确定车标可能的区域，即包含车标的ROI区域作为车标定位图像；2)提取车标定位图像的SIFT特征集；3)采用聚类方法，从SIFT特征集生成特征的K个关键词及其权重；4)从SIFT特征集产生得到K个关键词及其权重对作为分类器的输入；5)利用训练好的多类SVM分类器进行分类。本发明提供一种降低时间代价、使用方便、准确率较高的基于机器学习的车标识别方法。

Description

一种基于机器学习的车标识别方法

技术领域

本发明涉及车辆识别领域，尤其是一种车标识别方法。

背景技术

基于视觉的车辆自动识别系统是智能交通的组成部分，而车辆自动识别包括车牌自动识别、车型自动识别和车标自动识别等基本问题。在车型的视频识别系统中，当前主要是以车辆的外形几何尺寸、结构为特征将车辆分为大型货车、客车、小型车等车型(type)。由于视点的不同，同一车辆可表现为不同的外形尺寸和结构，所以车辆的尺寸和结构对车型的识别不具有决定性意义，而且它们对具体车的型号(model)的区分度很小从而难以实现具体车型的识别。

车标是是车辆型号的标志图像，它不仅包含了车型信息，更包含了生产厂家的信息且难以更换，如识别大众系列还是通用系列。因此车标识别有助于确定车型和车的型号，即车辆的厂家和类别。车标识别从另外一个角度提高了车型的识别率。车标识别是对现有的基于车牌和车型识别的车辆识别技术的重要补充。通过车牌识别和车标识别相结合能有效打击假牌、套牌和盗牌等违法行为。

车标识别系统是通过视频捕获技术，将获得的图象中汽车的标志进行检测识别。车标的定位是至关重要的，它会直接影响到后续车标识别的速度和准确性。大多数车头有一个窗口、两个车灯和车牌，并它们的特征可以用来检测车脸。

车标是三维物体，在图像中车标是二维图像。依据拍摄角度，二维的车标在图像空间会发生很大的不同，这类似于人脸检测。车标定位是一个典型的目标检测和定位问题。

车标识别技术包括车标定位和车标图像识别两部分。车标定位是车标识别的首要环节，也是正确识别车标的关键所在，也是最困难的。车标自身的特点决定了它比车牌定位难度更大。可以利用一些视觉特征进行车标定位，如边缘特征、灰度特征、几何特征。由于车牌定位算法已经成熟并非常准确，利用车标与车牌的拓扑结构关系可缩小检测范围，从而大大减少候选区域，更加接近目标。这种依靠位置先验知识的定位方法，取得了很好的效果。基于先验知识的方法由于避免多尺度，全方位的搜索，可以用于实时车标定位系统。但车标检测受车牌定位的准确度影响较大，并且先验知识方法自身的局限性，车标的目标较小，其复杂的背景和周围的噪声较多，对环境中光线的非线性变化很敏感，造成车标的误定位较高。

车标形态各异、大小差别很大且图像比较模糊、种类繁多、车标的位置不尽相同、车标所在的散热网纹理总类多、车标周围存在多种干扰物如保险杠和车灯；车标受到天气天色影响更大，晚间车牌有反光易于捕捉，但车标看不大清楚；车标位于车体上、且下号与车体颜色相同；散热网高度不等。这些决定了车牌与车标间的距离不好确定，同时复杂背景和环境光线的非线性变化使得车标定位更加复杂，很难找到统一的方法。车标定位的难点在于车标周围干扰的剔除，这样才能够精确分割出车标。车标周围常见的散热网，有横的、竖的、网状的，车标的形状大部分为椭圆形状和圆形，还有方形和其他特殊形状，并且还有一些不规则的字符形状。

车标识别的基本工作原理是：利用图像采集设备采集车辆正面图像，并将图像传送给计算机，由计算机对车标图像进行定位和识别。根据定位好的车牌位置，搜索上方一定区域内的范围，根据相应处理得到车标部分，经过二值化，归一化等过程后利用模式匹配的算法识别出车标。

常用的目标定位方法是模板匹配或特征匹配。但是针对车标定位，此类定位方法的时间代价很大，在有复杂背景的全图范围内单纯采用该方法进行车标定位相当困难。

发明内容

为了克服已有车标识别方式的时间代价很大、使用不方便、准确率较低的不足，本发明提供一种降低时间代价、使用方便、准确率较高的基于机器学习的车标识别方法。

本发明解决其技术问题所采用的技术方案是：

一种基于机器学习的车标识别方法，所述车标识别方法包括以下步骤：

1)车标定位：首先根据车牌定位方法找出车牌，在此基础上确定车标可能的区域，即包含车标的ROI区域作为车标定位图像；

2)提取车标定位图像的SIFT特征集；

3)采用聚类方法，从SIFT特征集生成特征的K个关键词及其权重；

4)从SIFT特征集产生得到K个关键词及其权重作为分类器的输入；

5)利用训练好的多类SVM分类器进行分类。

进一步，所述步骤5)中，多类SVM分类器的训练过程如下：先访问存放训练集图像的文件夹，然后读取每个文件夹下的每幅训练集图像，训练集图像是通过车牌定位后切割出来的图像；然后提取每幅训练图像的SIFT特征，将SIFT特征存入一个文件，并将每幅图像的SIFT特征个数等信息存入另一个文件。接下来对提取到的每幅图像的所有SIFT特征进行k-means聚类；随后产生分类器输入向量，而输出是每个样本的类属，得到多类SVM分类器。

再进一步，所述多类SVM分类器的训练过程包括如下步骤：

5.1)先准备好N个用于训练的若干类车标图像样本，然后对训练集的每幅车标图像提取SIFT特征；

5.2)针对每个样本n，

5.2.1)对所有提取的SIFT特征进行k-means聚类，聚类成K个类中心，所述类中心为关键词，聚类过程为：

5.2.1.1)选取K个类中心：对提取的所有G个SIFT特征，每隔G/K个取一个类中心；

5.2.1.2)计算每个SIFT特征与每个类中心距离；

5.2.1.3)将每个SIFT特征归入距离最近类中心；

5.2.1.4)更新类中心；

5.2.1.5)迭代直到达到指定的精度，获得K个类中心，即K个关键词SIFT特征。

5.2.2)样本n的SIFT特征的生成：

5.2.2.1)初始化K维计数器向量为0，每一维对应一个关键词的权重；

5.2.2.2)然后将每幅图像样本的每个SIFT特征与K个类中心进行距离比较，在对应最小距离的那一维权重加1

5.2.2.3)得到K个关键词对；

5.3)用N个样本来训练多类SVM分类器：每个样本的输入是K个关键词及其权重，输出是样本的类别。

所述步骤1)中，车标可能的区域为：该区域的宽度与车牌同宽，该区域与车牌在垂直方向上的距离，在半个车牌到2个车牌的高度H_plate范围内。以上为一种粗定位方式，当然，也可以采用其他定位方式。

本发明的技术构思为：在训练阶段，先从车头的样本库中对每幅图像先定位车牌位置，利用车牌的位置做参考，按照一定的规则提取出包含车标的ROI区域作为车标的粗定位。对每个样本的ROI区域提取出SIFT特征。然后对每个样本的SIFT特征进行聚类，得到该样本的关键词。随后，把所有样本的关键词作为输入、车标类型作为输出，来训练一个SVM分类器。在分类阶段，对输入车辆图像粗定位出包含车标的ROI区域，先从ROI区域提取出SIFT特征、再对SIFT特征进行聚类，用产生的关键词作为分类器的输入，得到分类结果。

本发明的有益效果主要表现在：本发明由于没有依赖先验知识的图像预处理环节，使用非常方便，而且分类正确率较高。该方法非常适合应用于智能交通领域的多分类器信息融合技术中。

附图说明

图1是车标训练流程图。

图2是车标图像分类的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种基于机器学习的车标识别方法，所述车标识别方法包括以下步骤：

2)提取车标定位图像的SIFT特征集；

5)利用训练好的多类SVM分类器进行分类。

再进一步，所述多类SVM分类器的训练过程包括如下步骤：

5.2)针对每个样本n，

5.2.1.2)计算每个SIFT特征与每个类中心距离；

5.2.1.3)将每个SIFT特征归入距离最近类中心；

5.2.1.4)更新类中心；

5.2.2)样本n的SIFT特征的生成：

5.2.2.3)得到K个关键词及其权重；

本发明中，首先根据成熟的车牌定位方法找出车牌，在此基础上确定车标可能的区域，以后的所有操作都是针对这一区域进行，称为车头图像。传统方法对车头图像进行预处理，包括图像的平滑、锐化、边缘提取、形态学运算，接着进行连通域分析，得到了车标的多个候选区域，然后用一些规则，得到车标的精确位置。

根据对大量车标的特征观察，虽然车标的形状不一，但是车标所在的散热网的纹理(称为车标背景纹理)却可以分成四大类：水平纹理、垂直纹理、倾斜纹理和网状纹理。实现车标与背景的分离，可以把车标的背景作为干扰噪声滤除掉。因此，为了提高车标定位的精度和实时性，依据车标不同的背景纹理，选择不同滤波方式的由粗到精的车标定位算法。首先，根据车头车牌的纹理特征大致确定车牌位置，并结合车头本身的对称性等先验知识以及车标和车牌的位置关系进行车标的粗定位；其次，在粗定位的小范围内，进行车标背景的纹理识别，然后，通过边缘检测进行车标的背景抑制，对水平纹理进行垂直边缘检测，对垂直纹理进行水平边缘检测，最后应用数学形态学进行滤波，精确定位出车标。在车标识别中利用模板匹配进行精定位和粗识别。根据先验知识，车标一般位于车牌正上方的一定范围内，从而可以粗略地估算出车标在垂直方向上的范围。车标的宽度不会超过车牌的宽度。我们可以取车标粗定位区域的宽度与车牌同宽。根据实际验证，车标与车牌在垂直方向上的距离，一般在半个车牌到2个车牌的高度H_plate范围内。

车标识别由车标训练和车标分类两部分组成。针对车标SIFT特征实施聚类，然后再进行分类的车标识别方法。

该方法的流程是先访问存放训练集图像的文件夹，然后读取每个文件夹下的每幅训练集图像，训练集图像是通过车牌定位后切割出来的图像。然后提取每幅训练图像的SIFT特征，将SIFT特征存入一个文件，并将每幅图像的SIFT特征个数等信息存入另一个文件。接下来对提取到的每幅图像的所有SIFT特征进行k-means聚类。随后产生分类器输入向量，而输出是每个样本的类属。这样就训练多类SVM分类器，得到了分类器。

车标训练部分的流程如下：

1)先准备好N个用于训练的若干类车标图像样本，然后对训练集的每幅车标图像提取SIFT特征。

2)针对每个样本n：

2.1)对所有提取的SIFT特征进行k-means聚类，聚类成K个类中心(关键词)。聚类过程为：

2.1.1)选取K个类中心：对提取的所有G个SIFT特征，每隔G/K个取一个类中心。

2.1.2)计算每个SIFT特征与每个类中心距离；

2.1.3)将每个SIFT特征归入距离最近类中心；

2.1.4)更新类中心；

2.1.5)迭代直到达到指定的精度。获得K个类中心，即K个关键词SIFT特征。

2.2)样本n的SIFT特征的生成：

2.2.1)初始化K维计数器向量为0，每一维对应一个关键词的权重。

2.2.2)然后将每幅图像样本的每个SIFT特征与K个类中心(关键词)进行距离比较，在对应最小距离的那一维权重加1。

2.2.3)得到K个关键词及其权重。

3)用N个样本来训练多类SVM分类器：每个样本的输入是K个关键词及其权重，输出是样本的类别。

当训练好的分类器用于车标图像的识别时，先进行车牌定位，然后获得车标粗定位的ROI区域，然后提取SIFT特征，生成特征的算法与训练集一样，最后利用多类SVM分类。车标定位算法与生成训练集的车标定位算法一样，都是先通过车牌定位，然后在车牌上方去一个车牌长度的正方形。车标图像分类的流程如图2，过程如下：

1)车牌定位。

2)提取车标粗定位区域。

3)提取粗定位区域的SIFT特征集。

4)采用聚类方法，从SIFT特征集生成特征的K个关键词。

5)从SIFT特征集产生得到K个关键词及其权重作为分类器的输入。

6)利用训练好的多类SVM分类器进行分类。

实例：对小型汽车的电子警察拍摄到的图片中，选取奥迪(Audi)、本田(Honda)、大众(Volkswagen)、丰田(Toyota)、五菱(SGMW)五种品牌汽车的车脸图片各40张。通过设置的利用车牌位置粗定位时截取的RoI区域图片，得到的样本图像边长为140像素。这些图片都包含车标。

测试用电子警察所拍摄的汽车图片134幅，其中包括28幅夜间所拍摄。采用k均值(k-means)聚类算法，采用聚类类数为N＝500。

LibSVM只提供的SVM代码，并将其扩展为多类分类。选用的SVM参数为RBF核，C＝10，ε＝10^-5。经过测试，总体的识别率是113/134＝84.32％。

该方法的结果是在粗定位的基础上直接对ROI区域提取出SIFT特征所得，而省却了对图像精定位的环节。从而，该方法简单、通用。非常适合在多种方法信息融合时采用。

Claims

1.一种基于机器学习的车标识别方法，其特征在于：所述车标识别方法包括以下步骤：

2)提取车标定位图像的SIFT特征集；

5)利用训练好的多类SVM分类器进行分类；多类SVM分类器的训练过程如下：先访问存放训练集图像的文件夹，然后读取每个文件夹下的每幅训练集图像，训练集图像是通过车牌定位后切割出来的图像；然后提取每幅训练图像的SIFT特征，将SIFT特征存入一个文件，并将每幅图像的SIFT特征个数信息存入另一个文件；接下来对提取到的每幅图像的所有SIFT特征进行k-means聚类；随后产生分类器输入向量，而输出是每个样本的类属，得到多类SVM分类器；

所述多类SVM分类器的训练过程包括如下步骤：

5.2)针对每个样本n，

5.2.1.2)计算每个SIFT特征与每个类中心距离；

5.2.1.3)将每个SIFT特征归入距离最近类中心；

5.2.1.4)更新类中心；

5.2.1.5)迭代直到达到指定的精度，获得K个类中心，即K个关键词SIFT特征；

5.2.2)样本n的SIFT特征的生成：

5.2.2.2)然后将每幅图像样本的每个SIFT特征与K个类中心进行距离比较，在对应最小距离的那一维权重加1；

5.2.2.3)得到K个关键词及其权重；

2.如权利要求1所述的一种基于机器学习的车标识别方法，其特征在于：所述步骤1)中，车标可能的区域为：该区域的宽度与车牌同宽，该区域与车牌在垂直方向上的距离，在半个车牌到2个车牌的高度H_plate范围内。