CN106384103A - 一种车脸识别方法及装置 - Google Patents
一种车脸识别方法及装置 Download PDFInfo
- Publication number
- CN106384103A CN106384103A CN201610879528.XA CN201610879528A CN106384103A CN 106384103 A CN106384103 A CN 106384103A CN 201610879528 A CN201610879528 A CN 201610879528A CN 106384103 A CN106384103 A CN 106384103A
- Authority
- CN
- China
- Prior art keywords
- image
- car face
- vehicle
- face image
- positioning
- 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.)
- Pending
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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Processing (AREA)
Abstract
本发明公开了一种车脸识别方法及装置,方法包括:获取车辆图像,对获取的车脸图像进行预处理,所述预处理包括将采集到的彩色图像转换成灰度图像,以及将所述灰度图像进行灰度拉伸、图像加噪及增强、图像边缘检测、图像二值化,对经过预处理后的车脸图像进行车脸图像定位,所述车脸图像定位包括:颜色识别、形状识别以及纹理识别,对所述进行车脸图像定位后的车脸图像进行车脸倾斜校正,然后再次进行车脸图像定位,根据所述再次进行车脸图像定位后的车脸定位坐标进行特征提取,并对所述提取出的特征进行二值化处理,对所述进行二值化后的车脸图像的特征部分采用SVM的一对多分类器进行识别。本发明主要提高了车脸识别系统的实时性和准确性,使识别系统更加智能有效精准。
Description
技术领域
本发明图片处理领域,特别涉及一种车脸识别方法及装置。
背景技术
随着人民生活水平的提高,每年汽车的使用量都在高速增长,促使车脸识别系统在交通管理系统中占据非常重要的作用,智能交通的不断发展使得对车脸识别系统有了更高的要求。车脸识别涉及图像处理,目前的车脸识别系统,由于车辆抖动造成车辆图像的歪斜、由于污迹和磨损造成车脸图像的模糊、由于光照不均造成车脸图像的模糊等都会或多或少影响到车脸定位的准确度,从而影响了车脸识别系统的准确率。
发明内容
针对现有技术的不足,本发明旨在解决上述现有技术中的一种车脸识别方法及装置,使在进行车脸识别过程中提高了车脸的定位和识别的准确度。
为实现上述目的,本发明采用如下技术方案:
一种车脸识别方法,其包括以下步骤:
获取车辆图像;
对获取的车脸图像进行预处理,所述预处理包括将采集到的彩色图像转换成灰度图像,以及将所述灰度图像进行灰度拉伸、图像加噪及增强、图像边缘检测、图像二值化;
对经过预处理后的车脸图像进行车脸图像定位,所述车脸图像定位包括:颜色识别、形状识别以及纹理识别;
对所述进行车脸图像定位后的车脸图像进行车脸倾斜校正,然后再次进行车脸图像定位;
根据所述再次进行车脸图像定位后的车脸定位坐标进行特征提取,并对所述提取出的特征进行二值化处理;
对所述进行二值化后的车脸图像的特征部分采用SVM的一对多分类器进行识别;
车脸图像特征部分识别后进行识别结果的输出
进一步地,所述将采集到的彩色图像转换成灰度图像包括:将采集到的彩色图像利用加权平均值阀对汽车图像进行灰度化处理。
进一步地,所述的灰度拉伸包括:分段性变换。
进一步地,所述的图像边缘检测包括:采用Prewitt算法来实现边缘检测。
进一步地,所述的图像二值化包括:采用全局阀值的方法实现图像二值化处理。
进一步地,所述的颜色识别包括:有色点对搜索,车脸特征区填充,车脸区复现以及车脸区域粗定位。
进一步地,所述车脸区域粗定位包括:横坐标粗定位、纵坐标粗定位。
根据本公开实施例的第二方面,提供了一种车脸识别装置,其特征在于,包括:
获取模块,用于获取车辆图像;
预处理模块,用于对获取的车脸图像进行预处理,所述预处理包括将采集到的彩色图像转换成灰度图像,以及将所述灰度图像进行灰度拉伸、图像加噪及增强、图像边缘检测、图像二值化;
定位模块,用于对经过预处理后的车脸图像进行车脸图像定位,所述车脸图像定位包括:颜色识别、形状识别以及纹理识别;
校正模块,用于对所述进行车脸图像定位后的车脸图像进行车脸倾斜校正,然后再次进行车脸图像定位;
特征提取处理模块,用于根据所述再次进行车脸图像定位后的车脸定位坐标进行特征提取,并对所述提取出的特征进行二值化处理;
识别模块,用于对所述进行二值化后的车脸图像的特征部分采用SVM的一对多分类器进行识别。
进一步地,述预处理模块,具体用于将采集到的彩色图像利用加权平均值阀对汽车图像进行灰度化处理。
根据公开实施例的第三方面,提供一种车脸识别装置,其特征在于,包括:
处理器以及用于存储处理器可执行的指令的存储器;
所述处理器被配置为:
获取车辆图像;
对获取的车脸图像进行预处理,所述预处理包括将采集到的彩色图像转换成灰度图像,以及将所述灰度图像进行灰度拉伸、图像加噪及增强、图像边缘检测、图像二值化;
对经过预处理后的车脸图像进行车脸图像定位,所述车脸图像定位包括:颜色识别、形状识别以及纹理识别;
对所述进行车脸图像定位后的车脸图像进行车脸倾斜校正,然后再次进行车脸图像定位;
根据所述再次进行车脸图像定位后的车脸定位坐标进行特征提取,并对所述提取出的特征进行二值化处理;
对所述进行二值化后的车脸图像的特征部分采用SVM的一对多分类器进行识别。
本发明的有益效果在于:相比现有技术,本发明主要提高了车脸识别系统的实时性和准确性,使识别系统更加智能有效精准。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1为本发明较佳实施例的一种车脸识别方法的流程图。
图2为本发明较佳实施例的一种车脸识别装置的结构示意图。
图3为本发明较佳实施例的一种车脸识别装置的结构框图。
具体实施方式
下面结合附图以及具体实施方式,对本发明做进一步描述:
如图1所示,本发明涉及一种车脸识别方法,其较佳实施方式包括以下步骤:
步骤101:通过相机拍摄获取车脸图像,并采集储存至文件夹中。
步骤102:读取存储在文件夹的车脸图像进行预处理,所述预处理包括将采集到的彩色图像转换成一幅灰度图像,即图像的灰度化,以及灰度拉伸、图像加噪及增强、图像边缘检测、图像二值化。采用加权平均值法对图像进行灰度化处理。
所述加权平均均值法为:
g=WRR+WGG+WBB (1)
式(1),WR、WR、WB分别为R、G、B的权值,当其权值取不同的值时能够形成不同灰度的灰度图像,由于人眼对绿色的敏感度最高,红色次之,蓝色最低。因此当WG>WR>WB时,所产生的灰度图像更符合人眼的视觉感受,通常WR=0.9,WG=1.77,WB=0.33时图像的灰度最合理,即
g=0.3R+0.59G+011B (2)
式(2)中R表示原图中每个像素点的红色分量的值,G表示原图像中每个像素点的绿色分量的值,B表示原图像中每个像素点的蓝色分量的值。g表示灰度变换后图像中每个像素点的颜色值。由于人眼对绿色敏感度最高,红色次之,蓝色最低,而权值法中的权值可以得到最适合的灰度图像。
进一步的对图像进行灰度拉伸处理,本发明采用灰度分段性变换进行拉伸。分段性变换:在图像处理过程中,需要突出图像中某个灰度范围内的图像细节,同时又允许适当损失另外灰度范围内的图像细节,可以采用线性灰度变换的另一种形式,即分段线性变换。经过这种变换以后,可以使得所关心的图像细节的灰度范围得以扩展,增强其对比度;同时又使得所不关心的图像细节所处的灰度范围得以压缩,降低其对比度。这种分段性变换,变换前后整幅图像总的灰度范围不变。
车脸图像经过灰度拉伸处理后进行图像加噪及增强处理,首先对车脸图像进行加噪处理,本次设计中加入了一定的高斯噪声,使系统在恶劣的天气环境或其它因素的影响下也能更好地准确识别出车脸信息,提高系统的识别率。对车脸图像加噪处理后,再用中值滤波的方法对图像进行了增强,从而改善图像质量,突出车脸的主要特征,以便更好地提取车脸图像特征。本发明采用3×3的矩形窗口(共9个像素)进行9点中值滤波,结果表明通过中值滤波可以很好的消除孤立噪声点的干扰,又能保持图像的边缘,提高图像的质量,为后续的车牌定位做好准备。
对经过图像加噪和图像增强处理后得到图片进行图片边缘检测,本文采用Prewitt算法来实现边缘检测,Prewitt算子是一种一阶微分算子的边缘检测,利用像素点上下、左右邻点的灰度差,在边缘处达到极值检测边缘,去掉部分伪边缘,对噪声具有平滑作用。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的,这两个方向模板一个检测水平边缘,一个检测垂直边缘,因而对噪声相对不敏感,有抑制噪声作用图像中的每个像素都用这两个核做卷积,取最大值作为输出,也产生一幅边缘幅度图像。Prewitt算子具有一定的抗噪能力,这种抗噪能力是通过像素平均来实现的,相当于低通滤波,虽然图像有一定的模糊,但其角点误差及检测精度比较高,另外Prewitt算子能够比较准确的检测出图像的边缘。所以本文采用Prewitt算子进行边缘检测。将检测后的图像进行二值化处理,本发明采用全局阀值的方法实现二值化。全局阈值法是指在二值化过程中只使用一个阈值T的方法,从整个灰度图像的像素分布出发寻找一个最佳的门限值,对灰度图像来说,基于像素值的阈值是仅考虑各像素本身灰度值而确定的,因而算法比较简单,但抗噪能力不强。典型的全局阈值有直方图法、最小误差法、Otsu算法。
①直方图法是根据该图像的灰度直方图的特点,找到最佳的阈值,来区分图像中的目标和背景。但前提是当图像中的目标区域与背景区域差异较大,这样可以较少误差,得到较好的二值化图像。因为直方图法仅仅考虑了直方图灰度信息而忽略了图像的空间信息,在复杂图像情况下,常常会致使阈值的选取失效。
②最小误差法的基本思想是找到一个门限阈值,使按这个阈值划分目标和背景的错误分割概率达到最小。
③Otsu算法又称最大类间方差法,是在判决分析最小二乘法原理的基础上推导得出的求最佳阈值的方法。Ostu算法实现简单,适用性强,得到广泛应用,但以灰度分布为特征,全局最大值不能保证是正确的阈值。
步骤103:将经过预处理过的车辆图片进行车脸定位,所述车脸定位包括三个过程:颜色识别、形状识别、纹理识别,这一过程既充分利用了车脸所具有的特征,又符合人识别汽车车脸的过程。具有较强的抗干扰性。
所述颜色识别包括有色点对搜索,车脸特征区填充,车脸区复现以及车脸区域粗定位。所述有色点对搜索算法如下:
假设车脸图像由M行N列点阵集组成,p(i,j)为点阵集中第i行j列彩色点值。而有色点对个数为n,各有色点对的坐标为:
((x[k],y1[k]),(x[k],y2[k])),k=1,2,...,n。 (3)
有色点对搜索包括:步骤a,步骤b,步骤c,步骤d,步骤e。其具体步骤如下:
步骤a:
从i=0,j=1开始搜索,有色点对个数n=0。
如果车脸图像中p(0,1)=1,则分别判断车脸图像p(0,0)和p(0,2)的颜色,以p(0,0)为例,由于车脸图像为彩色图像,因此p(0,0)包含红、绿、蓝三个分量值,分别为:
0≤p(0,0)[r]≤255 (4)
0≤p(0,0)[g]≤255 (5)
0≤p(0,0)[b]≤255 (6)
步骤b:
若p(i,j-1)为蓝色而p(i,j+1)为白色,则认为p(i,j)为疑似有色点对的起始值,记下坐标值x[n]=0,y1[n]=1,j=j+1,转步骤d,若不满足上述条件,则转步骤c。
步骤c:
继续判断p(i,j)是否为疑似有色点对的起始值,若是记下坐标值x[n]=i,y1[n]=j,j=j+1,转步骤d,继续搜索该疑似有色点对的终止值,若不是则j=j+1,当j=N-1时,i=i+1,j=1。当i=M-1,j=N-1时,认为本图片不含车脸特征区,转步骤e。重复步骤c。
步骤d:
j=j+1,判断p(i,j-1)是否为白色而p(i,j+1)是否为蓝色,如果是,则认为找到该疑似有色点对的终止值,并成功找到一个有色点对,记下坐标值x[n]=i,y2[n]=j,而该有色点对的坐标为((x[n],y1[n]),(x[n],y2[n])),且n=n+1,转步骤3,继续寻找下一个有色点对。如果不是,重复本步骤,并记下重复次数。当重复次数超过一个阈值T(T一般取为10,对应字符宽度),则认为该疑似点不是有色点对的起始点,取消终止点的搜索,返回步骤c。
步骤e:
退出有色点对搜索程序。进行车脸特征区填充,其具体做法如下:
将找到的所有有色点对:
((x[i],y1[i]),(x[i],y2[i])),i=1,...,n (7)
的起始点与终止点之间用pixel=0的黑色点连接起来。其效果就是将字符区用黑色直线填充起来。
通过对车脸图像的识别和填充,在汽车图像车牌区域已经形成了比较密集的黑色区,但是这些黑色区很不规则,也没有完全覆盖整个车脸区域,还不能直接用于车脸定位,本发明通过形态学对黑色区域进行处理,对有色点对搜索图像进行1次形态学闭运算,再进行10次腐蚀运算,进一步突出车脸图像位置。
接下来进行车脸特征区域粗定位,粗定位的工作就是在形态学处理完毕的图像中寻找黑色的封闭区。由于车牌一般安装在汽车车体下部,所以寻找过程在图像中由下向上进行。这个过程分成二步,即横坐标粗定位,纵坐标粗定位。
假设车脸图像由M行N列点阵集组成,p(i,j)为点阵集中第i行j列点值,需要进行横坐标(x1,x2)粗定位,纵坐标(y1,y2)粗定位,具体定位方式如下:
横坐标(x1,x2)粗定位包括三步:第一步,第二步,第三步。具体如下:
第一步:设j=0,计算第j列黑色点个数,是否超过阈值T1;是则x1=j,进行第二步;不是则j=j+1;若j=N-1,则未找到车脸特征区域,进行第三步,否则重复本步。
第二步:j=j+1,计算第j列黑色点个数,是否超过阈值T1;是则x2=j,若j=N-1,进行第三步,否则重复本步步;不是则第三步。
第三步:退出程序。
纵坐标(y1,y2)粗定位包括第一步骤,第二步骤,第三步骤。具体如下:
第一步骤:设i=M-1,计算第i行x1-x2间连续黑色点个数,是否超过阈值T2;是则y2=i,转第二步骤;不是则i=i-1;若i=0,则未找到车脸特征区域,转第三步骤,否则重复本步骤。
第二步骤:i=i-1,计算第i行x1-x2间连续黑色点个数,是否超过阈值T2;是则y1=i,若i=0,转第三步骤,否则重复本步骤:不是则转第三步骤。
第三步骤:退出程序。
其中T1,T2,T3可根据车牌大小预设,但T1>T3。最后,得到车脸特征区域四个顶点坐标(x1,y1),(x1,y2),(x2,y1)和(x2,y2)。
车脸区域粗定位完毕后,该车脸区域是否清晰,还需进一步分析,有时还可能找到多个车脸区域,这就需要进行排查。因此引入车脸区域精定位环节。精定位主要由两部分组成:形状识别和纹理识别。
车牌区形状识别相对比较简单,对车脸图像的特征区域的形状与匹配库进行比较,另外,考虑车脸图像可能由于摄取角度而发生形变,所以可以将其修正,当车脸图像形状识别环节通过后,即可进行纹理识别环节。
对初步确定的车脸特征区域进行纹理识别主要依据是车脸特征区内存在七个类字符区,从而在纹理上存在高频的灰度变化特征,为了提高识别速度,选用黑白二值图应该比256阶灰度图或彩色图进行字符纹理识别更合适。
步骤104:将定位后的车牌进行车脸倾斜校正,利用步骤3中的三个过程重新进行车脸高精准度定位。
步骤105:车脸定位结束后,按照车脸定位坐标进行车脸部分区域提取,将车脸局部区域从图像中提取出来,并对车脸图像进行二值化处理。
步骤106:对所述进行二值化后的车脸图像的特征部分采用SVM的一对多分类器进行识别。本分类器可以识别常见的1000多种车辆子型号,例如比亚迪F2,比亚迪F3,大众捷达,奥迪A6等。
步骤107:所述车脸图像特征部分识别后进行识别结果的输出。
本实施例提供的一种车脸识别方法,对车脸图像采集后进行预处理,而且预处理过的车脸图像进行两次车脸定位,防止了由于车脸图像定位的误差对最后识别结果造成的影响,是车脸识别系统的结果更加精准。
本发明实施例还提供了一种车脸识别装置,参见图2,所述装置包括:获取模块201、预处理模块202、定位模块203、校正模块204、特征提取处理模块205、识别模块205。
该获取模块201被配置为用于获取车辆图像;
该预处理模块202被配置为用于对获取的车脸图像进行预处理,所述预处理包括将采集到的彩色图像转换成灰度图像,以及将所述灰度图像进行灰度拉伸、图像加噪及增强、图像边缘检测、图像二值化;
该定位模块203被配置为用于对经过预处理后的车脸图像进行车脸图像定位,所述车脸图像定位包括:颜色识别、形状识别以及纹理识别;
该校正模块204被配置为用于对所述进行车脸图像定位后的车脸图像进行车脸倾斜校正,然后再次进行车脸图像定位;
该特征提取处理模块205被配置为用于根据所述再次进行车脸图像定位后的车脸定位坐标进行特征提取,并对所述提取出的特征进行二值化处理;
该识别模块205被配置为用于对所述进行二值化后的车脸图像的特征部分采用SVM的一对多分类器进行识别。
关于上述实施例中的装置,其中各个板块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处不做详细阐述说明。
图3为本发明实施例提供的又一车脸识别装置的结构框图,该装置可以被提供为一服务器。参照图3,该装置包括处理器301,以及用于存储处理器可执行的指令的存储器302,所述处理器301被配置为执行指令,以执行上述方法一种车脸识别方法。
获取车辆图像;
对获取的车脸图像进行预处理,所述预处理包括将采集到的彩色图像转换成灰度图像,以及将所述灰度图像进行灰度拉伸、图像加噪及增强、图像边缘检测、图像二值化;
对经过预处理后的车脸图像进行车脸图像定位,所述车脸图像定位包括:颜色识别、形状识别以及纹理识别;
对所述进行车脸图像定位后的车脸图像进行车脸倾斜校正,然后再次进行车脸图像定位;
根据所述再次进行车脸图像定位后的车脸定位坐标进行特征提取,并对所述提取出的特征进行二值化处理;
对所述进行二值化后的车脸图像的特征部分采用SVM的一对多分类器进行识别。
图3装置还包括一个电源303被配置为执行所述装置的电源管理,一个网络接口304被配置为将所述装置连接到网络上,一个输入输出接口305。所述装置可以操作基于存储在存储器302的操作系统。
本公开实施例提供的装置,对车脸图像采集后进行预处理,而且预处理过的车脸图像进行两次车脸定位,防止了由于车脸图像定位的误差对最后识别结果造成的影响,是车脸识别系统的结果更加精准。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.一种车脸识别方法,其特征在于,包括以下步骤:
获取车辆图像;
对获取的车脸图像进行预处理,所述预处理包括将采集到的彩色图像转换成灰度图像,以及将所述灰度图像进行灰度拉伸、图像加噪及增强、图像边缘检测、图像二值化;
对经过预处理后的车脸图像进行车脸图像定位,所述车脸图像定位包括:颜色识别、形状识别以及纹理识别;
对所述进行车脸图像定位后的车脸图像进行车脸倾斜校正,然后再次进行车脸图像定位;
根据所述再次进行车脸图像定位后的车脸定位坐标进行特征提取,并对所述提取出的特征进行二值化处理;
对所述进行二值化后的车脸图像的特征部分采用SVM的一对多分类器进行识别。
2.如权利要求1所述的一种车脸识别方法,其特征在于,所述将采集到的彩色图像转换成灰度图像包括:将采集到的彩色图像利用加权平均值阀对汽车图像进行灰度化处理。
3.如权利要求1所述的一种车脸识别方法,其特征在于,所述的灰度拉伸包括:分段性变换。
4.如权利要求1所述的一种车脸识别方法,其特征在于,所述的图像边缘检测包括:采用Prewitt算法来实现边缘检测。
5.如权利要求1所述的一种车脸识别方法,其特征在于,所述的图像二值化包括:采用全局阀值的方法实现图像二值化处理。
6.如权利要求1所述的一种车脸识别方法,其特征在于,所述的颜色识别包括:有色点对搜索,车脸特征区填充,车脸区复现以及车脸区域粗定位。
7.如权利要求6所述的一种车脸识别方法,其特征在于,所述车脸区域粗定位包括:横坐标粗定位、纵坐标粗定位。
8.一种车脸识别装置,其特征在于,包括:
获取模块,用于获取车辆图像;
预处理模块,用于对获取的车脸图像进行预处理,所述预处理包括将采集到的彩色图像转换成灰度图像,以及将所述灰度图像进行灰度拉伸、图像加噪及增强、图像边缘检测、图像二值化;
定位模块,用于对经过预处理后的车脸图像进行车脸图像定位,所述车脸图像定位包括:颜色识别、形状识别以及纹理识别;
校正模块,用于对所述进行车脸图像定位后的车脸图像进行车脸倾斜校正,然后再次进行车脸图像定位;
特征提取处理模块,用于根据所述再次进行车脸图像定位后的车脸定位坐标进行特征提取,并对所述提取出的特征进行二值化处理;
识别模块,用于对所述进行二值化后的车脸图像的特征部分采用SVM的一对多分类器进行识别。
9.如权利要求8所述的一种车脸识别装置,其特征在于,所述预处理模块,具体用于将采集到的彩色图像利用加权平均值阀对汽车图像进行灰度化处理。
10.一种车脸识别装置,其特征在于,包括:
处理器以及用于存储处理器可执行的指令的存储器;
所述处理器被配置为:
获取车辆图像;
对获取的车脸图像进行预处理,所述预处理包括将采集到的彩色图像转换成灰度图像,以及将所述灰度图像进行灰度拉伸、图像加噪及增强、图像边缘检测、图像二值化;
对经过预处理后的车脸图像进行车脸图像定位,所述车脸图像定位包括:颜色识别、形状识别以及纹理识别;
对所述进行车脸图像定位后的车脸图像进行车脸倾斜校正,然后再次进行车脸图像定位;
根据所述再次进行车脸图像定位后的车脸定位坐标进行特征提取,并对所述提取出的特征进行二值化处理;
对所述进行二值化后的车脸图像的特征部分采用SVM的一对多分类器进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610879528.XA CN106384103A (zh) | 2016-09-30 | 2016-09-30 | 一种车脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610879528.XA CN106384103A (zh) | 2016-09-30 | 2016-09-30 | 一种车脸识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106384103A true CN106384103A (zh) | 2017-02-08 |
Family
ID=57936201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610879528.XA Pending CN106384103A (zh) | 2016-09-30 | 2016-09-30 | 一种车脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106384103A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229583A (zh) * | 2018-02-02 | 2018-06-29 | 北京邮电大学 | 一种基于主方向差分特征的快速模板匹配的方法及装置 |
CN110889867A (zh) * | 2018-09-10 | 2020-03-17 | 浙江宇视科技有限公司 | 一种车脸受损程度检测方法及装置 |
CN111581409A (zh) * | 2020-05-13 | 2020-08-25 | 中国民用航空飞行学院 | 一种损伤图像特征数据库构建方法、构建系统及发动机 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411710A (zh) * | 2011-12-09 | 2012-04-11 | 东南大学 | 一种基于车脸特征的车辆类型识别方法 |
CN105205489A (zh) * | 2015-08-27 | 2015-12-30 | 华南理工大学 | 基于颜色纹理分析器与机器学习的车牌检测方法 |
US20160210532A1 (en) * | 2015-01-21 | 2016-07-21 | Xerox Corporation | Method and system to perform text-to-image queries with wildcards |
-
2016
- 2016-09-30 CN CN201610879528.XA patent/CN106384103A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411710A (zh) * | 2011-12-09 | 2012-04-11 | 东南大学 | 一种基于车脸特征的车辆类型识别方法 |
US20160210532A1 (en) * | 2015-01-21 | 2016-07-21 | Xerox Corporation | Method and system to perform text-to-image queries with wildcards |
CN105205489A (zh) * | 2015-08-27 | 2015-12-30 | 华南理工大学 | 基于颜色纹理分析器与机器学习的车牌检测方法 |
Non-Patent Citations (2)
Title |
---|
周彬彬: ""复杂环境下车牌识别系统中关键技术的研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李艳: ""车牌识别关键技术"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229583A (zh) * | 2018-02-02 | 2018-06-29 | 北京邮电大学 | 一种基于主方向差分特征的快速模板匹配的方法及装置 |
CN108229583B (zh) * | 2018-02-02 | 2022-04-29 | 北京邮电大学 | 一种基于主方向差分特征的快速模板匹配的方法及装置 |
CN110889867A (zh) * | 2018-09-10 | 2020-03-17 | 浙江宇视科技有限公司 | 一种车脸受损程度检测方法及装置 |
CN110889867B (zh) * | 2018-09-10 | 2022-11-04 | 浙江宇视科技有限公司 | 一种车脸受损程度检测方法及装置 |
CN111581409A (zh) * | 2020-05-13 | 2020-08-25 | 中国民用航空飞行学院 | 一种损伤图像特征数据库构建方法、构建系统及发动机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102043950B (zh) | 基于canny算子和边缘点统计的车辆轮廓识别方法 | |
Guo et al. | License plate localization and character segmentation with feedback self-learning and hybrid binarization techniques | |
CN102693423B (zh) | 一种在强光条件下车牌精确定位的方法 | |
CN107273896A (zh) | 一种基于图像识别的车牌检测识别方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
CN109635656A (zh) | 基于神经网络的车辆属性识别方法、装置、设备及介质 | |
CN107066933A (zh) | 一种道路标牌识别方法及系统 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN102324099B (zh) | 一种面向仿人机器人的台阶边缘检测方法 | |
CN103268481A (zh) | 一种复杂背景图像中的文本提取方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN104156731A (zh) | 基于人工神经网络的车牌识别系统与方法 | |
CN104680130A (zh) | 一种身份证汉字识别方法 | |
CN103198319B (zh) | 用于矿山井筒环境下的模糊图像角点提取方法 | |
CN105447503A (zh) | 基于稀疏表示lbp和hog融合的行人检测方法 | |
CN102842037A (zh) | 一种基于多特征融合的车辆阴影消除方法 | |
CN109086724A (zh) | 一种加速的人脸检测方法及存储介质 | |
CN104766344B (zh) | 基于运动边缘提取器的车辆检测方法 | |
CN104915642B (zh) | 前方车辆测距方法及装置 | |
CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
CN113537211B (zh) | 一种基于非对称iou的深度学习车牌框定位方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN109460722A (zh) | 一种车牌智能识别方法 | |
CN106407951A (zh) | 一种基于单目视觉的夜间前方车辆检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170208 |