專利名稱：車標定位識別方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識別領(lǐng)域，尤其涉及車標定位識別方法及系統(tǒng)。
背景技術(shù)：
隨著社會經(jīng)濟的發(fā)展，車輛逐漸增多，從而使得對車輛進行信息化管理成為當前需要重視的問題。其中，車輛識別技術(shù)是對車輛進行信息化管理的一種重要手段。目前，車輛識別技術(shù)被廣泛應(yīng)用在交通流量監(jiān)測方面，例如高速公路卡口收費、闖紅燈違章監(jiān)控、小區(qū)車輛自動收費系統(tǒng)，都需要應(yīng)用到車輛識別技術(shù)。然而，現(xiàn)有的車輛識別技術(shù)一般只能對車牌、以及車輛的型號(如大型、中型、小型)進行識別，但無法識別出車輛的具體車型，也就是無法識別出車輛的車標，從而車輛監(jiān)測機構(gòu)也就無法了解目前人們對各品牌車輛的需求。

發(fā)明內(nèi)容
本發(fā)明提出了車標定位識別方法及系統(tǒng)，能夠識別出車輛的車標。為了達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的車標定位識別方法，包括采集各種車標的樣本圖片，得到車標模版庫；提取出所述車標模版庫中各種樣本圖片的gabor特征；采用adaboost算法,生成具有所述gabor特征的級聯(lián)分類器；該方法還包括采集車輛的原始圖像；對所述原始圖像進行形態(tài)學預處理，并在所述形態(tài)學預處理得到的圖像上定位出所有車標候選區(qū)域；采用所述級聯(lián)分類器遍歷每一個所述車標候選區(qū)域，若該車標候選區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果。優(yōu)選地，在所述采集車輛的原始圖像之后，該方法進一步包括對所述原始圖像進行下采樣；所述對所述原始圖像進行形態(tài)學預處理，包括對下采樣之后的原始圖像進行灰度化處理；所述形態(tài)學預處理得到的圖像為灰度圖像；所述在所述形態(tài)學預處理得到的圖像上定位出所有車標候選區(qū)域，包括對所述灰度圖像進行邊緣檢測，得到邊緣圖像；對所述邊緣圖像進行二值化處理，得到所有的所述車標候選區(qū)域。優(yōu)選地,所述邊緣檢測采用sobel算子；和/ 或，所述二值化處理采用otsu全局閾值法。
優(yōu)選地，在得到所有的所述車標候選區(qū)域后，該方法進一步包括根據(jù)所述車標候選區(qū)域的坐標，將所有的所述車標候選區(qū)域映射到所述原始圖像中，得到所述車標候選區(qū)域在所述原始圖像中的實際區(qū)域，并分割出所述實際區(qū)域；參與所述遍歷的所述車標候選區(qū)域為所述實際區(qū)域。優(yōu)選地，所述提取出所述車標模版庫中各種樣本圖片的gabor特征，包括采用預先約定的分塊方法對所述車標模版庫中各種車標的樣本圖片進行分塊處理；提取出每一塊的gabor特征；所述采用所述級聯(lián)分類器遍歷每一個所述車標候選區(qū)域，若該車標候選區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果，包括采用所述預先約定的分塊方法對所述車標候選區(qū)域進行分塊處理；提取所述車標候選區(qū)域所劃分得到的每一塊的gabor特征；計算所述車標候選區(qū)域與每一種車標的樣本圖片被劃分得到的對應(yīng)塊之間的歐式距離；采用所述級聯(lián)分類器對得到的所有所述歐式距離進行分類識別，若所述歐式距離位于預設(shè)精度內(nèi)，則將所述歐式距離對應(yīng)的所述車標作為識別結(jié)果。優(yōu)選地，該方法進一步包括保存能夠檢測出車標的所述車標候選區(qū)域；以所述車標模版庫中的各種樣本圖片為訓練集，生成支持向量機svm分類器；采用所述svm分類器，對保存的所述車標候選區(qū)域進行匹配識別，并將與所述車標候選區(qū)域的相似度大于預設(shè)閾值的所述車標作為所述識別結(jié)果。本發(fā)明還提供了車標定位識別系統(tǒng)，包括車標模板庫，用于存儲各種車標的樣本圖片；級聯(lián)分類器生成模塊，用于提取出所述車標模版庫中各種樣本圖片的gabor特征，并采用adaboost算法,生成具有所述gabor特征的級聯(lián)分類器；該系統(tǒng)還包括采集模塊，用于采集車輛的原始圖像；車標定位模塊，用于對所述原始圖像進行形態(tài)學預處理，并在所述形態(tài)學預處理得到的圖像上定位出所有車標候選區(qū)域；車標識別模塊，用于采用所述級聯(lián)分類器遍歷每一個所述車標候選區(qū)域，若該車標候選區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果。優(yōu)選地，該系統(tǒng)進一步包括下采樣模塊，用于對所述原始圖像進行下采樣；所述車標定位模塊，包括灰度化子模塊，用于對下采樣之后的原始圖像進行灰度化處理，得到灰度圖像；邊緣檢測子模塊，用于對所述灰度圖像進行邊緣檢測，得到邊緣圖像；二值化子模塊，用于對所述邊緣圖像進行二值化處理，得到所有的所述車標候選區(qū)域。優(yōu)選地，該系統(tǒng)進一步包括映射模塊，用于根據(jù)所述車標候選區(qū)域的坐標，將所有的所述車標候選區(qū)域映射到所述原始圖像中，得到所述車標候選區(qū)域在所述原始圖像中的實際區(qū)域；分割模塊，用于從所述原始圖像中分割出所述實際區(qū)域；所述車標識別模塊，用于采用所述級聯(lián)分類器遍歷每一個所述實際區(qū)域，若該實際區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果。優(yōu)選地，該系統(tǒng)還包括
存儲模塊，用于保存能夠檢測出車標的所述車標候選區(qū)域；支持向量機生成模塊，用于以所述車標模版庫中的各種樣本圖片為訓練集，生成支持向量機svm分類器；二次識別模塊，用于采用所述svm分類器，對保存的所述車標候選區(qū)域進行匹配識別，并將與所述車標候選區(qū)域的相似度大于預設(shè)閾值的所述車標作為所述識別結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明提供的車標定位識別方法及系統(tǒng)，首先采集各種車標的樣本圖片，得到車標模版庫，進而提取出車標模版庫中各種樣本圖片的gabor特征，并采用adaboost算法生成具有所述gabor特征的級聯(lián)分類器；上述生成級聯(lián)分類器的過程為實現(xiàn)車標識別而進行的準備操作；下面開始利用上述級聯(lián)分類器對車輛進行車標的定位識別，具體地，采集車輛的原始圖像，并對該原始圖像進行形態(tài)學預處理，進而在形態(tài)學預處理得到的圖像中定位出所有車標候選區(qū)域；再采用上述級聯(lián)分類器遍歷每一個車標候選區(qū)域，若該車標候選區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果，這就完成了車標的定位識別；綜上，本發(fā)明提供的車標定位識別方法及系統(tǒng)，通過采用adaboost算法生成具有g(shù)abor特征的級聯(lián)分類器，并使用該級聯(lián)分類器識別出車輛的車標，從而使得在車輛監(jiān)測機構(gòu)能夠?qū)崟r獲知行駛車輛的車標信息，進而了解人們對各品牌車輛的需求，實現(xiàn)了對行駛車輛的信息化管理。


為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實施例一提供的一種車標定位識別方法的流程圖；圖2為本發(fā)明實施例二提供的另一種車標定位識別方法的流程圖；圖3為樣本圖片與車標候選區(qū)域中對應(yīng)塊的結(jié)構(gòu)示意圖；圖4為本發(fā)明實施例三提供的一種車標定位識別系統(tǒng)的模塊圖；圖5為本發(fā)明實施例四提供的另一種車標定位識別系統(tǒng)的模塊圖。
具體實施例方式為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。實施例一本發(fā)明實施例一提供了一種車標定位識別方法，參見圖1，該方法包括步驟SlOl:采集各種車標的樣本圖片，得到車標模版庫；提取出所述車標模版庫中各種樣本圖片的gabor特征；采用adaboost算法,生成具有所述gabor特征的級聯(lián)分類器；其中，上述步驟SlOl為車標定位識別的準備工作，需要預先根據(jù)車標的樣本圖片得到具有g(shù)abor特征的級聯(lián)分類器，該級聯(lián)分類器由若干個弱分類器構(gòu)成，每個弱分類器對應(yīng)一個gabor特征；下面則采用上述生成的級聯(lián)分類器對車輛進行車標識別，即該方法還包括步驟S102 :采集車輛的原始圖像；上述原始圖像中包含有車標；而且，上述采集過程具體是將拍攝裝置安裝于公路路口、收費站、停車場或者其他需要監(jiān)測交通流量的位置，進而對行駛車輛進行圖像采集，得到含有車標的原始圖像；步驟S103 :對所述原始圖像進行形態(tài)學預處理，并在所述形態(tài)學預處理得到的圖像上位出所有車標候選區(qū)域；步驟S104 :采用所述級聯(lián)分類器遍歷每一個所述車標候選區(qū)域，若該車標候選區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果。本發(fā)明實施例一提供的車標定位識別方法，首先采集各種車標的樣本圖片，得到車標模版庫，進而提取出車標模版庫中各種樣本圖片的gabor特征,并采用adaboost算法生成具有所述gabor特征的級聯(lián)分類器；上述生成級聯(lián)分類器的過程為實現(xiàn)車標識別而進行的準備操作；下面開始利用上述級聯(lián)分類器對車輛進行車標的定位識別，具體地，采集車輛的原始圖像，并對該原始圖像進行形態(tài)學預處理，進而在形態(tài)學預處理得到的圖像中定位出所有車標候選區(qū)域；再采用上述級聯(lián)分類器遍歷每一個車標候選區(qū)域，若該車標候選區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果，這就完成了車標的定位識別；綜上，本發(fā)明實施例一提供的車標定位識別方法，通過采用adaboost算法生成具有g(shù)abor特征的級聯(lián)分類器，并使用該級聯(lián)分類器識別出車輛的車標，從而使得在車輛監(jiān)測機構(gòu)能夠?qū)崟r獲知行駛車輛的車標信息，進而了解人們對各品牌車輛的需求，實現(xiàn)了對行駛車輛的信息化管理。為了進一步說明上述實施例一提供的車標定位識別方法所帶來的較佳效果，下面給出該識別方法的一種優(yōu)選實施方法，請參見實施例二。實施例二本發(fā)明實施例二提供了另一種車標定位識別方法，參見圖2，該方法包括步驟201 :采集各種車標的樣本圖片，得到車標模版庫；步驟202 :采用預先約定的分塊方法對車標模版庫中各種車標的樣本圖片進行分塊處理，并提取出每一塊的gabor特征；并采用adaboost算法,生成具有所述gabor特征的級聯(lián)分類器；其中，生成級聯(lián)分類器的過程具體如下首先對每個樣本賦予相同的初始權(quán)重W，之后進行K輪訓練，并且在每輪訓練結(jié)束后根據(jù)當前分類結(jié)果調(diào)整訓練樣本的權(quán)重，減小正確分類樣本的權(quán)重，同時增加錯誤分類樣本的權(quán)重，從而使每個弱分類器主要圍繞難以正確分類的樣本進行學習；經(jīng)過K輪訓練得到由K個弱分類器(每個弱分類器對應(yīng)一個特征)組成的弱分類器序列h = Kh1, , Qa2, a2), (h3, a3), . . . , (hk, ak)},其中Iii表示第i個弱分類器，ai為弱分類器的加權(quán)系數(shù)；最后對K個弱分類器進行組合，得到最終的強分類器H，雖然每個弱分類器Iii的分類預測能力只比隨機稍好，但通過對K個弱分類器進行組合，能夠使強分類器H獲得任意高的精度；
上述步驟201-202為車標定位識別的準備工作，主要功能在于生成級聯(lián)分類器；下面采用該級聯(lián)分類器進行初步的車標定位識別，具體地步驟203 :采集車輛的原始圖像，并對所述原始圖像進行下采樣；再對下采樣之后的原始圖像進行灰度化處理，得到車輛的灰度圖像；其中，可以在一個預設(shè)時間段內(nèi)采集多幀車輛的原始圖像，并分別對每幀原始圖像進行車標定位識別，這可提高車標識別的準確性；步驟204:根據(jù)車牌與車標的拓撲關(guān)系，在所述灰度圖像中粗定位出車標所在的區(qū)域；其中，車牌與車標的拓撲關(guān)系指的是車標一般位于車牌上方，而現(xiàn)有技術(shù)中車牌的定位識別技術(shù)已較為成熟，也較容易定位出車牌的位置，這樣，在定位出車牌的位置之后，再根據(jù)車牌與車標的拓撲關(guān)系粗略定位出車標所在的區(qū)域；步驟205 :對所述灰度圖像進行邊緣檢測，得到邊緣圖像，并對該邊緣圖像進行二值化處理，進而在上述粗定位出的車標所在的區(qū)域中精定位出所有的車標候選區(qū)域；優(yōu)選地，邊緣檢測采用sobel算子，二值化處理采用otsu全局閾值法；步驟206 :根據(jù)所述車標候選區(qū)域的坐標，將所有的所述車標候選區(qū)域映射到所述原始圖像中，得到所述車標候選區(qū)域在所述原始圖像中的實際區(qū)域，并分割出所述實際區(qū)域；由于在對車輛的原始圖像進行灰度化以及二值化的處理過程中，不可避免地會丟失一部分像素點，這就會對識別過程造成一定的影響，因此為了提高識別的準確度，本實施例中在得到車標候選區(qū)域后，將該車標候選區(qū)域映射到車輛的原始圖像中，得到車標候選區(qū)域在原始圖像中的實際區(qū)域，并從原始圖像中分割出該實際區(qū)域；步驟207 :采用基于車牌矯正的方法對所述實際區(qū)域進行位置矯正；因為得到的實際區(qū)域通過都是傾斜的圖像，位置不正，因此需要按照基于車牌矯正的方法將實際區(qū)域進行位置矯正處理，以提高識別的準確度；步驟208 :按照預先約定的標準格式，對經(jīng)所述位置矯正之后的所述實際區(qū)域進行歸一化處理；分割出的實際區(qū)域的大小一般都不統(tǒng)一，不方便統(tǒng)一處理，因此需要按照預先約定的標準格式，將經(jīng)位置矯正之后的實際區(qū)域轉(zhuǎn)換為該標準格式，以供后續(xù)處理；步驟209 :采用所述預先約定的分塊方法對所述車標候選區(qū)域進行分塊處理，并提取所述車標候選區(qū)域所劃分得到的每一塊的gabor特征；具體地，步驟209中的所述車標候選區(qū)域即為經(jīng)過位置矯正以及歸一化處理的所述實際區(qū)域；步驟210 :計算所述車標候選區(qū)域與每一種車標的樣本圖片被劃分得到的對應(yīng)塊之間的歐式距離；也就是說，車標候選區(qū)域與樣本圖片被劃分為相同數(shù)量的塊，且塊的分布形式也相同，從而計算出相對應(yīng)的兩塊之間的歐式距離；下面給出對應(yīng)塊的結(jié)構(gòu)示意圖，請參見圖3，其中，301為樣本圖片的塊，302為車標候選區(qū)域的塊，通過連線相連的兩塊即為對應(yīng)塊；步驟211 :采用所述級聯(lián)分類器對得到的所有所述歐式距離進行分類識別，若所述歐式距離位于預設(shè)精度內(nèi)，則將所述歐式距離對應(yīng)的所述車標作為識別結(jié)果；
優(yōu)選地，預設(shè)精度可以為(Tl ；至此，實現(xiàn)了對車標的初步定位識別；然而，為了進一步提高車標識別的準確度，以實現(xiàn)對車標的快速定位識別，在采用級聯(lián)分類器篩選車標候選區(qū)域時，不直接將檢測到的車標確定為識別結(jié)果，而是保存下能夠給檢測到車標的車標候選區(qū)域，并進一步引入支持向量機svm分類器，以對該車標候選區(qū)域進行二次識別；具體地，步驟212 :保存大于第一預設(shè)閾值的歐式距離所對應(yīng)的車標候選區(qū)域；也就是說，在采用級聯(lián)分類器遍歷每一個車標候選區(qū)域時，保存能夠檢測出車標的車標候選區(qū)域；步驟213 :以所述車標模版庫中的各種樣本圖片為訓練集，生成支持向量機svm分類器；步驟214 :采用所述svm分類器，對保存的所述車標候選區(qū)域進行匹配識別，并將與所述車標候選區(qū)域的相似度大于預設(shè)閾值的所述車標作為識別結(jié)果；此處的識別結(jié)果即為車標識別的最終結(jié)果；優(yōu)選地，預設(shè)閾值可以為O. 6 ；這樣，由于在采用adaboost算法生成的級聯(lián)分類器進行車標識別時，總會不可避免地存在一些誤檢，則可以利用svm分類器的全局最優(yōu)性對adaboost算法存在的誤檢進行去除；而一幀圖像在經(jīng)adaboost檢測后，所剩區(qū)域(其中包括正確檢測結(jié)果，也包括誤檢)數(shù)目非常小，svm分類器雖然耗時，但由于待處理的子區(qū)域很少，svm所增加的耗時可忽略不計；因此，利用adaboost和svm的技術(shù)融合，實現(xiàn)分類器的二次加強，一方面減少了adaboost算法本身固有的誤檢,另一方面由于只對adaboost檢測結(jié)果進行svm,避免了用svm進行全圖檢測的龐大耗時，大大提高其分類能力和效率，進而提高了車標識別的速率和準確度；本實施例提供的車標定位識別方法，通過提取車標圖片中的gabor特征，并采用adaboost生成具有g(shù)abor特征的級聯(lián)分類器，降低了 adaboost算法的運算復雜度,提高了特征分類能力；此外，由于在對車輛的原始圖像進行灰度化以及二值化的處理過程中，不可避免地會丟失一部分像素點，這就會對識別過程造成一定的影響，因此本實施例中，在得到車標候選區(qū)域后，將該車標候選區(qū)域映射到車輛的原始圖像中，得到車標候選區(qū)域在原始圖像中的實際區(qū)域，并分割出該實際區(qū)域，進而使用該實際區(qū)域參與級聯(lián)分類器的識別過程，進一步提高了車標識別的準確度；綜上，本實施例提供的車標定位識別方法，可以快速有效地從各種復雜場景中識別行駛車輛的車標，進而使得在交通流量監(jiān)測中監(jiān)測系統(tǒng)能夠?qū)崟r了解行駛車輛的車標信息，實現(xiàn)了對行駛車輛的信息化管理。實施例三針對實施例一，本發(fā)明實施例三提供了一種車標定位識別系統(tǒng)，參見圖4，該系統(tǒng)包括車標模板庫31，用于存儲各種車標的樣本圖片；級聯(lián)分類器生成模塊32，用于提取出所述車標模版庫中各種樣本圖片的gabor特征,并采用adaboost算法,生成具有所述gabor特征的級聯(lián)分類器；該系統(tǒng)還包括采集模塊33，用于采集車輛的原始圖像；車標定位模塊34，用于對所述原始圖像進行形態(tài)學預處理，并在所述形態(tài)學預處理得到的圖像上定位出所有車標候選區(qū)域；車標識別模塊35，用于采用所述級聯(lián)分類器遍歷每一個所述車標候選區(qū)域，若該車標候選區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果。實施例四針對是實施例二，本發(fā)明實施例四提供了另一種車標定位識別系統(tǒng)，參見圖5，該系統(tǒng)包括級聯(lián)分類器模塊41，采集模塊42，圖像預處理模塊43，車標區(qū)域檢測模塊44，圖像還原模塊45，圖像調(diào)整模塊46，初次識別模塊47，二次識別模塊48 ；具體地，級聯(lián)分類器模塊41，包括車標模板庫411，第一分塊提取子模塊412，級聯(lián)分類器生成子模塊413 ;其中，車標模板庫411，用于保存預先采集的各種車標的樣本圖片；第一分塊提取子模塊412，用于采用預先約定的分塊方法對車標模版庫中各種車標的樣本圖片進行分塊處理，并提取出每一塊的gabor特征；級聯(lián)分類器生成子模塊413,用于采用adaboost算法,生成具有所述gabor特征的級聯(lián)分類器；采集模塊42，用于采集車輛的原始圖像；圖像預處理模塊43，包括下采樣子模塊431，灰度處理子模塊432 ;其中，下采樣子模塊431，用于對所述原始圖像進行下采樣；灰度處理子模塊432，用于對下采樣之后的原始圖像進行灰度化處理，得到車輛的灰度圖像；車標區(qū)域檢測模塊44，包括車標粗定位子模塊441，車標精定位子模塊442 ;其中，車標粗定位子模塊441，用于根據(jù)車牌與車標的拓撲關(guān)系，在所述灰度圖像中粗定位出車標所在的區(qū)域；車標精定位子模塊442，用于對所述灰度圖像進行邊緣檢測，得到邊緣圖像，并對該邊緣圖像進行二值化處理，進而在上述粗定位出的車標所在的區(qū)域中精定位出所有的所述車標候選區(qū)域；圖像還原模塊45，包括映射子模塊451，分割子模塊452 ;其中，映射子模塊451，用于根據(jù)所述車標候選區(qū)域的坐標，將所有的所述車標候選區(qū)域映射到所述原始圖像中，得到所述車標候選區(qū)域在所述原始圖像中的實際區(qū)域；分割子模塊452，用于從所述原始圖像上分割出所述實際區(qū)域；圖像調(diào)整模塊46，包括位置矯正子模塊461，歸一化子模塊462 ;其中，位置矯正子模塊461，用于采用基于車牌矯正的方法對所述實際區(qū)域進行位置矯正；
歸一化子模塊462，用于按照預先約定的標準格式，對經(jīng)所述位置矯正之后的所述實際區(qū)域進行歸一化處理；初次識別模塊47，包括第二分塊提取子模塊471，歐式距離計算子模塊472，第一識別子模塊473;其中，第二分塊提取子模塊471，用于采用所述預先約定的分塊方法對所述車標候選區(qū)域進行分塊處理，并提取所述車標候選區(qū)域所劃分得到的每一塊的gabor特征；歐式距離計算子模塊472，用于計算所述車標候選區(qū)域與每一種車標的樣本圖片被劃分得到的對應(yīng)塊之間的歐式距離；第一識別子模塊473，用于采用所述級聯(lián)分類器對得到的所有所述歐式距離進行分類識別，若所述歐式距離大于第一預設(shè)閾值，則將所述歐式距離對應(yīng)的所述車標作為識別結(jié)果；二次識別模塊48，包括存儲子模塊481，支持向量機生成子模塊482，第二識別子模塊483 ;其中，存儲子模塊481，用于保存大于第一預設(shè)閾值的歐式距離所對應(yīng)的車標候選區(qū)域；支持向量機生成子模塊482，用于以所述車標模版庫中的各種樣本圖片為訓練集，生成支持向量機svm分類器；第二識別子模塊483，用于采用所述svm分類器，對保存的所述車標候選區(qū)域進行匹配識別，并將與所述車標候選區(qū)域的相似度大于預設(shè)閾值的所述車標作為識別結(jié)果。本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述方法實施例的全部或部分步驟可以通過程序指令相關(guān)的硬件來完成，前述的程序可以存儲于一計算機可讀取存儲介質(zhì)中，該程序在執(zhí)行時，執(zhí)行包括上述方法實施例的步驟；而前述的存儲介質(zhì)包括R0M、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。最后應(yīng)說明的是以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。
權(quán)利要求
1.車標定位識別方法，其特征在于，包括:采集各種車標的樣本圖片，得到車標模版庫；提取出所述車標模版庫中各種樣本圖片的gabor特征；采用adaboost算法,生成具有所述gabor特征的級聯(lián)分類器； 該方法還包括: 采集車輛的原始圖像； 對所述原始圖像進行形態(tài)學預處理，并在所述形態(tài)學預處理得到的圖像上定位出所有車標候選區(qū)域； 采用所述級聯(lián)分類器遍歷每一個所述車標候選區(qū)域，若該車標候選區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果。
2.如權(quán)利要求1所述的車標定位識別方法，其特征在于，在所述采集車輛的原始圖像之后，該方法進一步包括:對所述原始圖像進行下采樣； 所述對所述原始圖像進行形態(tài)學預處理，包括:對下采樣之后的原始圖像進行灰度化處理； 所述形態(tài)學預處理得到的圖像為灰度圖像； 所述在所述形態(tài)學預處理得到的圖像上定位出所有車標候選區(qū)域，包括:對所述灰度圖像進行邊緣檢測，得到邊緣圖像；對所述邊緣圖像進行二值化處理，得到所有的所述車標候選區(qū)域。
3.如權(quán)利要求2所述的車標定位識別方法，其特征在于， 所述邊緣檢測采用sobel算子； 和/或， 所述二值化處理采用otsu全局閾值法。
4.如權(quán)利要求2所述的車標定位識別方法，其特征在于，在得到所有的所述車標候選區(qū)域后，該方法進一步包括:根據(jù)所述車標候選區(qū)域的坐標，將所有的所述車標候選區(qū)域映射到所述原始圖像中，得到所述車標候選區(qū)域在所述原始圖像中的實際區(qū)域，并分割出所述實際區(qū)域； 參與所述遍歷的所述車標候選區(qū)域為所述實際區(qū)域。
5.如權(quán)利要求1所述的車標定位識別方法，其特征在于，所述提取出所述車標模版庫中各種樣本圖片的gabor特征，包括:采用預先約定的分塊方法對所述車標模版庫中各種車標的樣本圖片進行分塊處理；提取出每一塊的gabor特征； 所述采用所述級聯(lián)分類器遍歷每一個所述車標候選區(qū)域，若該車標候選區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果，包括: 采用所述預先約定的分塊方法對所述車標候選區(qū)域進行分塊處理； 提取所述車標候選區(qū)域所劃分得到的每一塊的gabor特征； 計算所述車標候選區(qū)域與每一種車標的樣本圖片被劃分得到的對應(yīng)塊之間的歐式距離； 采用所述級聯(lián)分類器對得到的所有所述歐式距離進行分類識別，若所述歐式距離位于預設(shè)精度內(nèi)，則將所述歐式距離對應(yīng)的所述車標作為識別結(jié)果。
6.如權(quán)利要求1-5任意一項所述的車標定位識別方法，其特征在于，該方法進一步包括:保存能夠檢測出車標的所述車標候選區(qū)域； 以所述車標模版庫中的各種樣本圖片為訓練集，生成支持向量機svm分類器； 采用所述svm分類器，對保存的所述車標候選區(qū)域進行匹配識別，并將與所述車標候選區(qū)域的相似度大于預設(shè)閾值的所述車標作為所述識別結(jié)果。
7.車標定位識別系統(tǒng)，其特征在于，包括:車標模板庫，用于存儲各種車標的樣本圖片；級聯(lián)分類器生成模塊，用于提取出所述車標模版庫中各種樣本圖片的gabor特征，并采用adaboost算法,生成具有所述gabor特征的級聯(lián)分類器； 該系統(tǒng)還包括: 采集模塊，用于采集車輛的原始圖像； 車標定位模塊，用于對所述原始圖像進行形態(tài)學預處理，并在所述形態(tài)學預處理得到的圖像上定位出所有車標候選區(qū)域； 車標識別模塊，用于采用所述級聯(lián)分類器遍歷每一個所述車標候選區(qū)域，若該車標候選區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果。
8.如權(quán)利要求7所述的車標定位識別系統(tǒng)，其特征在于，該系統(tǒng)進一步包括下采樣模塊，用于對所述原始圖像進行下采樣； 所述車標定位模塊，包括:灰度化子模塊，用于對下采樣之后的原始圖像進行灰度化處理，得到灰度圖像；邊緣檢測子模塊，用于對所述灰度圖像進行邊緣檢測，得到邊緣圖像；二值化子模塊，用于對所述邊緣圖像進行二值化處理，得到所有的所述車標候選區(qū)域。
9.如權(quán)利要求8所述的車標定位識別系統(tǒng)，其特征在于，該系統(tǒng)進一步包括:映射模塊，用于根據(jù)所述車標候 選區(qū)域的坐標，將所有的所述車標候選區(qū)域映射到所述原始圖像中，得到所述車標候選區(qū)域在所述原始圖像中的實際區(qū)域；分割模塊，用于從所述原始圖像中分割出所述實際區(qū)域； 所述車標識別模塊，用于采用所述級聯(lián)分類器遍歷每一個所述實際區(qū)域，若該實際區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果。
10.如權(quán)利要求7-9任意一項所述的車標定位識別系統(tǒng)，其特征在于，該系統(tǒng)還包括: 存儲模塊，用于保存能夠檢測出車標的所述車標候選區(qū)域； 支持向量機生成模塊，用于以所述車標模版庫中的各種樣本圖片為訓練集，生成支持向量機svm分類器； 二次識別模塊，用于采用所述svm分類器，對保存的所述車標候選區(qū)域進行匹配識別，并將與所述車標候選區(qū)域的相似度大于預設(shè)閾值的所述車標作為所述識別結(jié)果。
全文摘要
本發(fā)明屬于模式識別領(lǐng)域，具體為車標定位識別方法及系統(tǒng)，能夠識別出車輛的車標。車標定位識別方法包括采集各種車標的樣本圖片，得到車標模版庫；提取出所述車標模版庫中各種樣本圖片的gabor特征；采用adaboost算法，生成具有所述gabor特征的級聯(lián)分類器；該方法還包括采集車輛的原始圖像；對所述原始圖像進行形態(tài)學預處理，并在所述形態(tài)學預處理得到的圖像上定位出所有車標候選區(qū)域；采用所述級聯(lián)分類器遍歷每一個所述車標候選區(qū)域，若該車標候選區(qū)域中能檢測出車標，則將該車標作為識別結(jié)果。
文檔編號G06K9/62GK103077407SQ20131002098
公開日2013年5月1日 申請日期2013年1月21日 優(yōu)先權(quán)日2013年1月21日
發(fā)明者王海峰, 王曉萌, 何小波, 董博, 楊宇, 張凱歌 申請人:信幀電子技術(shù)(北京)有限公司