CN105975949A - 一种基于视觉信息的汽车识别方法 - Google Patents

一种基于视觉信息的汽车识别方法 Download PDF

Info

Publication number
CN105975949A
CN105975949A CN201610356054.0A CN201610356054A CN105975949A CN 105975949 A CN105975949 A CN 105975949A CN 201610356054 A CN201610356054 A CN 201610356054A CN 105975949 A CN105975949 A CN 105975949A
Authority
CN
China
Prior art keywords
automobile
picture
pcanet
brand
training storehouse
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.)
Withdrawn
Application number
CN201610356054.0A
Other languages
English (en)
Inventor
李宝军
董颖
赵德栋
孙玮雪
胡平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201610356054.0A priority Critical patent/CN105975949A/zh
Publication of CN105975949A publication Critical patent/CN105975949A/zh
Withdrawn legal-status Critical Current

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
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于计算机视觉技术领域，涉及一种基于视觉信息的汽车识别方法。其特征是创建汽车前脸和侧视图图片训练库；对训练库图片进行尺度归一化处理和灰度化处理，并采用PCANet特征提取方法对处理后的图片提取特征信息；用SVM分类器对特征信息进行分类训练，得到分类器模型；测试样本经过尺度归一化处理，灰度化处理及PCANet特征提取后，根据分类器模型实现汽车品牌或类型的识别。本发明将汽车品牌识别方法分成不成的模块去处理得到的不同数据，以分析汽车前脸ROI定位方法取代车标定位实现汽车品牌识别方法，免去了车标定位复杂的问题。不但能基于汽车前脸实现汽车品牌的识别，还能基于汽车侧视图实现汽车类型与小侧窗信息的识别。

Description

一种基于视觉信息的汽车识别方法
技术领域
本发明属于计算机视觉技术领域。本发明涉及一种基于视觉信息的汽车识别方法，具体涉及一种基于汽车前脸的汽车品牌识别方法和一种基于汽车侧视图的汽车类型及小侧窗信息的识别方法。
背景技术
智能交通系统是当前交通系统的发展趋势，而基于视觉(图像、视频)的汽车监控在智能交通系统中发挥重要作用，如“电子警察”通过车牌识别记录交通中的违规违法行为。然而，简单的车牌识别已不能满足交通信息管理智能化的要求，如无法对套牌车实现精确追踪。因此，需要更精确地对汽车类型、品牌甚至型号进行识别。
当前的汽车品牌识别大多根据车标的识别来完成，如国内发明专利《一种车标识别方法和系统》，其公开号为CN104463135A，公开日期为2015年3月25日。该专利从车标区域中提取特征信息，并对这些特征信息进行分类，达到分类与识别的目的。然而，由于光照，遮挡，图像清晰度及车标尺寸不统一等问题，车标的检测与定位容易出错，这时需考虑补偿措施。因此，利用车标进行品牌的分类与识别更加复杂。
此外，汽车前脸造型的家族式设计已成为汽车造型设计的发展方向，通过将包括前大灯、进气格栅、以及保险杠的造型区域作为汽车前脸，可以发现同一品牌不同型号的汽车前脸较高的相似度，而不同品牌间则存在较高的差异度。目前对汽车前脸的研究基本上是为了实现汽车型号的识别，但是由于汽车型号的类别庞大，建立根据汽车具体型号数量巨大的分类器是不合理的。因此需要分阶段实现，第一阶段进行品牌的识别，第二阶段进行型号的识别。而在汽车 品牌识别领域，并没有一个有效方法将汽车前脸作为提取特征的对象进行品牌识别。
基于图像的汽车类型识别通常根据汽车侧视图来实现，如Zezhi Chen等人提出利用侧视图的几何特征区分汽车类型的方法(Zezhi Chen,Nick Pears,Michael Freeman and Jim Austin.2009.Road Vehicle Classification using Support Vector Machines.IEEE International Conference on Intelligent Computing&Intelligent Systems.4:214-218)。然而，以上方法只对汽车整体类型进行分类，没有实现侧视图中细节信息的识别，如小侧窗信息。而这些细节信息对汽车模型的精确表达具有重要意义。
发明内容
本发明要解决的技术问题是提供了根据汽车前脸造型设计实现汽车品牌识别的方法和根据汽车侧视图实现汽车类型以及小侧窗信息识别的方法，即基于PCANet特征提取方法与SVM分类器的识别方法和基于PCANet特征提取方法与SVM分类器的识别方法。
为解决上述问题，本发明的技术方案为：
创建汽车前脸和侧视图图片训练库；对训练库图片进行尺度归一化处理和灰度化处理，并采用PCANet特征提取方法对处理后的图片提取特征信息；用SVM分类器对特征信息进行分类训练，得到分类器模型；测试样本经过尺度归一化处理，灰度化处理及PCANet特征提取后，根据分类器模型实现汽车品牌或类型的识别。具体说明如下：
(1)创建汽车图片训练库：
对于汽车品牌识别，本发明创建汽车前脸图片训练库，该训练库包含多种汽车品牌，根据品牌分类，并建立品牌标签。每个品牌中包含多种车型，且每个 品牌中图片数量规模达到200张以上。对于每张图片，图片内容为仅包含前大灯，进气格栅，保险杠的造型区域，称之为汽车前脸图片。所有汽车前脸图片要经过背景去除，车牌去除处理，并且每张图片要调整到统一高宽比。
对于汽车类型及小侧窗信息的识别，本发明创建汽车侧视图训练库，该训练库包含多种汽车类型，根据类型分类，并建立类型标签。每个类型中包含两种子类别，如有、无小侧窗。同样根据子类别分类，并建立子类别标签。每个类别中图片数量规模达到600张以上。每张图片要经过背景去除处理，且调整到统一高宽比。
(2)PCANet特征提取与表示，具体说明如下：
(a)对(1)中训练库图片进行尺度归一化处理，对于汽车前脸训练库，尺寸范围为40～60×100～150(高×宽)，对于汽车侧视图训练库，尺寸范围为42～60×98～140(高×宽)；然后对图片进行灰度化处理。
(b)对(a)得到的每张图片提取PCANet特征向量。该PCANet特征提取方法由三个基础的数据处理模块组成：主成分分析(PCA)、二进制哈希(Binary Hashing)和分块直方图 (Block-wise Histogram)。其中两次主成分分析构成PCANet特征提取的前两个阶段，是主要的特征提取部分；而二进制哈希和分块直方图则为PCANet的输出阶段，将两次主成分分析的输出结果映射为最终的输出特征向量。
进一步地，对于(b)中描述的PCANet特征提取方法，其最优参数范围如下：PCA处理中移动窗口的像素尺寸为3×3或5×5或7×7(高×宽)；滤波器数量为8；直方图处理阶段中移动窗口的像素尺寸范围为7～10×7～10(高×宽)，窗口重合率为0.5～0.7。
(3)训练分类器模型：将(2)得到的训练库图片的特征向量和标签信息输入给SVM分类器，由SVM分类器训练分类器模型。
(4)汽车识别：输入测试图片样本，该图片样本格式与训练库图片格式相同，经过尺度归一化处理，灰度化处理，PCANet特征提取之后，将得到的测试样本特征向量输入到(3)中的分类器模型，进而得到识别结果。
本发明的有益效果：
该方法不但能基于汽车前脸实现汽车品牌的识别，还能基于汽车侧视图实现汽车类型与小侧窗信息的识别。用基于PCANet特征提取实现了根据汽车前脸ROI造型设计的汽车品牌识别系统。采用模块化设计，将汽车品牌识别方法分成不成的模块去处理得到的不同数据，以分析汽车前脸ROI定位方法取代车标定位实现汽车品牌识别方法，免去了车标定位复杂的问题。
附图说明
附 图 1为本发明的的汽车识别方法的识别流程图。
附 图 2为汽车侧视图小侧窗示意图。
图中：①代表的阴影部分表示小侧窗。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
基于汽车前脸的汽车品牌识别，其具体步骤如下：
(1)创建汽车前脸图片训练库I：获取若干个常见汽车品牌的汽车前脸图片样本，根据品牌分类，并建立品牌标签；每个品牌下包含多种车型，并且每个品牌中的图片规模要达到200张以上；每张图片经过背景去除处理，车牌去除处理，且调整到1:2.5的高宽比。
(2)PCANet特征提取与表示，具体过程如下：
(a)读取(1)中的训练图片，进行尺度归一化处理。在此尺度归一化为将图像尺寸缩放至合适尺寸范围，对于汽车前脸，轿车的合适像素尺寸范围为40～60×100～150(高×宽)。并对图片进行灰度化处理。
(b)提取PCANet特征，PCA卷积层数取2，提取过程如下：
(i)用高×宽为3×3或5×5或7×7像素尺寸的移动窗口对(a)得到的图片数据库I中每张图片遍历并组合成新图片，得到新图片数据库I′。
(ii)对(i)得到的图片数据库I′进行第一阶段PCA处理：计算特征值与特征向量，将特征值按降序排列，取前L特征值对应的特征向量，并输出L特征向量与I′的卷积结果，可称为特征图片库I1，此处L＝8。
(iii)对(ii)得到的特征图片I1进行第二阶段PCA处理：重复(i)(ii)过程，输出第二次特征图片I2。
(iv)对(ii)所述特征图片库I1中每张图片对应的(iii)过程的输出结果，采用二进制哈希和分块直方图映射为输出的特征向量。
(v)对(iv)所述的分块直方图操作时，采用的移动窗口像素大小为7～10×7～10(高×宽)，窗口重合率为0.5～0.7。
(3)训练分类器模型：将(2)得到的特征向量及(1)中标签信息交给SVM分类器进行训练，并得到分类器模型，在此，本发明采用中国台湾大学林智仁教授等人开发的LIBLINEAR软件包。
(4)输入汽车前脸测试样本，该图片样本格式与训练库图片格式相同，经过(2)得到测试样本特征向量后，将测试样本特征向量输入给(3)得到的分类器模型，输出汽车品牌识别结果。
基于汽车侧视图的汽车类型及小侧窗信息识别，其步骤如下：
(1)创建汽车侧视图训练库I：获取不同类型的汽车侧视图样本(如轿车， SUV)，按类型分类，并根据类型建立标签；获取对不同小侧窗信息的汽车侧视图样本(如无小侧窗，有小侧窗)，同样进行分类并建立标签。此处，本发明将汽车侧视图中除去车门区域的侧窗称为小侧窗，如图 2中序号①指向的阴影区域。训练库中每个类别的图片数量达到600张以上，每张侧视图经过背景处理，且尺寸调整到3:7的高宽比。
(2)PCANet特征提取与表示，具体过程如下：
(a)读取(1)中的训练图片，进行尺度归一化处理。在此尺度归一化为将图片尺寸缩放至合适尺寸范围，对于汽车侧视图，合适像素尺寸范围为42～60×98～140(高×宽)。并对图片进行灰度化处理。
(b)提取PCANet特征，PCA卷积层数取2，提取过程如下：
(i)用高×宽为3×3或5×5或7×7像素尺寸的移动窗口对(a)得到的图片数据库I中每张图片遍历并组合成新图片，得到新图片数据库I′。
(ii)对(i)得到的图片数据库I′进行第一阶段PCA处理：计算特征值与特征向量，将特征值按降序排列，取前L特征值对应的特征向量，并输出L特征向量与I′的卷积结果，可称为特征图片库I1，此处L＝8。
(iii)对(ii)得到的特征图片I1进行第二阶段PCA处理：重复(i)(ii)过程，输出第二次特征图片I2。
(iv)对(ii)所述特征图片库I1中每张图片对应的(iii)过程的输出结果，采用二进制哈希和分块直方图映射为输出的特征向量。
(v)对(iv)所述的分块直方图操作时，采用的移动窗口像素大小为7～10×7～10(高×宽)，窗口重合率为0.5～0.7。
(3)训练分类器模型：将(2)得到的特征向量及(1)中标签信息输入给SVM分类器进行训练，并得到分类器模型，在此，本发明采用中国台湾大学林智仁 教授等人开发的LIBLINEAR软件包。
(4)输入汽车侧视图测试样本，测试样本格式与训练库图片格式相同，经过(2)得到测试样本特征向量后，将测试样本特征向量输入给(3)得到的分类器模型，输出汽车类型及小侧窗信息识别结果。

Claims (2)

1.一种基于视觉信息的汽车识别方法，其特征在于，创建汽车前脸和侧视图图片训练库；对训练库图片进行尺度归一化处理和灰度化处理，并采用PCANet特征提取方法对处理后的图片提取特征信息；用SVM分类器对特征信息进行分类训练，得到分类器模型；测试样本经过尺度归一化处理，灰度化处理及PCANet特征提取后，根据分类器模型实现汽车品牌或类型的识别。
2.根据权利要求1所述的汽车识别方法，其特征在于以下步骤，
(1)创建汽车图片训练库
创建汽车前脸图片训练库，该训练库包含多种汽车品牌，根据品牌分类，并建立品牌标签；每个品牌中包含多种车型，且每个品牌中图片数量规模达到200张以上；对于每张图片，图片内容为仅包含前大灯，进气格栅，保险杠的造型区域，称之为汽车前脸图片；所有汽车前脸图片要经过背景去除，车牌去除处理，并且每张图片要调整到统一高宽比；
创建汽车侧视图训练库，该训练库包含多种汽车类型，根据类型分类，并建立类型标签；每个类型中包含两种子类别，如有、无小侧窗；同样根据子类别分类，并建立子类别标签；每个类别中图片数量规模达到600张以上；每张图片要经过背景去除处理，且调整到统一高宽比；
(2)PCANet特征提取与表示
(a)对步骤(1)中训练库图片进行尺度归一化处理，对于汽车前脸训练库，高×宽尺寸范围为40～60×100～150，对于汽车侧视图训练库，高×宽尺寸范围为42～60×98～140；然后对图片进行灰度化处理；
(b)对步骤(a)得到的每张图片提取PCANet特征向量；该PCANet特征提取方法由三个基础的数据处理模块组成：主成分分析PCA、二进制哈希BinaryHashing和分块直方图Block-wise Histogram；其中两次主成分分析构成PCANet特征提取的前两个阶段，是主要的特征提取部分；而二进制哈希和分块直方图则为PCANet的输出阶段，将两次主成分分析的输出结果映射为最终的输出特征向量；
对于步骤(b)中描述的PCANet特征提取方法，其最优参数范围如下：PCA处理中移动窗口的像素尺寸为3×3或5×5或7×7；滤波器数量为8；直方图处理阶段中移动窗口的像素尺寸范围为7～10×7～10，窗口重合率为0.5～0.7；
(3)训练分类器模型：将步骤(2)得到的训练库图片的特征向量和标签信息输入给SVM分类器，由SVM分类器训练分类器模型；
(4)汽车识别：输入测试图片样本，该图片样本格式与训练库图片格式相同，经过尺度归一化处理，灰度化处理，PCANet特征提取之后，将得到的测试样本特征向量输入到步骤(3)中的分类器模型，进而得到识别结果。
CN201610356054.0A 2016-05-26 2016-05-26 一种基于视觉信息的汽车识别方法 Withdrawn CN105975949A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610356054.0A CN105975949A (zh) 2016-05-26 2016-05-26 一种基于视觉信息的汽车识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610356054.0A CN105975949A (zh) 2016-05-26 2016-05-26 一种基于视觉信息的汽车识别方法

Publications (1)

Publication Number Publication Date
CN105975949A true CN105975949A (zh) 2016-09-28

Family

ID=56956482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610356054.0A Withdrawn CN105975949A (zh) 2016-05-26 2016-05-26 一种基于视觉信息的汽车识别方法

Country Status (1)

Country Link
CN (1) CN105975949A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960216A (zh) * 2017-02-24 2017-07-18 北京农业智能装备技术研究中心 一种农机作业机具类型的识别方法和装置
CN110533034A (zh) * 2019-08-24 2019-12-03 大连理工大学 一种汽车前脸品牌分类方法
CN110738166A (zh) * 2019-10-14 2020-01-31 西南大学 基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质
CN108647679B (zh) * 2017-08-28 2021-04-27 浙江工业大学 一种基于车窗粗定位的车标识别方法
CN113239739A (zh) * 2021-04-19 2021-08-10 深圳市安思疆科技有限公司 一种佩戴物的识别方法及识别装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646199A (zh) * 2012-02-29 2012-08-22 湖北莲花山计算机视觉和信息科学研究院 复杂场景中的车型识别方法
CN103020582A (zh) * 2012-09-20 2013-04-03 苏州两江科技有限公司 计算机通过视频图像识别车辆类型的方法
CN104156692A (zh) * 2014-07-07 2014-11-19 叶茂 基于进气格栅定位的汽车车标样本训练及识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646199A (zh) * 2012-02-29 2012-08-22 湖北莲花山计算机视觉和信息科学研究院 复杂场景中的车型识别方法
CN103020582A (zh) * 2012-09-20 2013-04-03 苏州两江科技有限公司 计算机通过视频图像识别车辆类型的方法
CN104156692A (zh) * 2014-07-07 2014-11-19 叶茂 基于进气格栅定位的汽车车标样本训练及识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张顺利: "基于视觉的汽车品牌分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王瑜: "基于PCA和网格特征的车牌识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960216A (zh) * 2017-02-24 2017-07-18 北京农业智能装备技术研究中心 一种农机作业机具类型的识别方法和装置
CN108647679B (zh) * 2017-08-28 2021-04-27 浙江工业大学 一种基于车窗粗定位的车标识别方法
CN110533034A (zh) * 2019-08-24 2019-12-03 大连理工大学 一种汽车前脸品牌分类方法
CN110533034B (zh) * 2019-08-24 2023-03-17 大连理工大学 一种汽车前脸品牌分类方法
CN110738166A (zh) * 2019-10-14 2020-01-31 西南大学 基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质
CN110738166B (zh) * 2019-10-14 2023-04-18 西南大学 基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质
CN113239739A (zh) * 2021-04-19 2021-08-10 深圳市安思疆科技有限公司 一种佩戴物的识别方法及识别装置

Similar Documents

Publication Publication Date Title
CN108171136B (zh) 一种多任务卡口车辆以图搜图的系统及方法
CN105335702B (zh) 一种基于统计学习的卡口车型识别方法
CN105046196B (zh) 基于级联卷积神经网络的前车车辆信息结构化输出方法
Balali et al. Evaluation of multiclass traffic sign detection and classification methods for US roadway asset inventory management
Puranic et al. Vehicle number plate recognition system: a literature review and implementation using template matching
CN111582216A (zh) 一种无人驾驶车载交通信号灯识别系统及方法
CN105975949A (zh) 一种基于视觉信息的汽车识别方法
CN111126224A (zh) 车辆检测方法及分类识别模型训练方法
CN105335710A (zh) 一种基于多级分类器的精细车辆型号识别方法
CN105740886B (zh) 一种基于机器学习的车标识别方法
CN103903005A (zh) 车牌影像辨识系统及方法
Li et al. Robust vehicle detection in high-resolution aerial images with imbalanced data
CN105354533B (zh) 一种基于词袋模型的卡口无牌车辆车型识别方法
CN112613344B (zh) 车辆占道检测方法、装置、计算机设备和可读存储介质
CN104050447A (zh) 一种交通信号灯识别方法和装置
CN104050684B (zh) 一种基于在线训练的视频运动目标分类方法与系统
CN112200186B (zh) 基于改进yolo_v3模型的车标识别方法
CN104361359A (zh) 基于图像检测的车辆识别方法
Maldonado-Bascon et al. Traffic sign recognition system for inventory purposes
Do et al. Speed limit traffic sign detection and recognition based on support vector machines
Gholamalinejad et al. Irvd: A large-scale dataset for classification of iranian vehicles in urban streets
CN103679209A (zh) 基于稀疏理论的字符识别方法
CN103093206A (zh) 车标识别方法及装置
Emami et al. Real time vehicle make and model recognition based on hierarchical classification
Tilakaratna et al. Image analysis algorithms for vehicle color recognition

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20160928

WW01 Invention patent application withdrawn after publication