一种基于图像的车标识别方法与流程

文档序号:14685523发布日期:2018-06-13 00:10
一种基于图像的车标识别方法与流程

本发明属于车标识别技术领域,尤其是涉及一种基于图像的车标识别方法。



背景技术:

随着社会经济的发展,机动车保有量急剧增加,涉车违法犯罪愈加猖獗并有逐年上升的趋势,例如:肇事逃逸,车辆假牌,车辆套牌,机动车超速等等现象层出不穷。车标是车辆难以更改的一个重要标志,将车标识别与车牌号码识别结合起来,可以大大提高车辆识别的可靠性,通过对比车牌与车标信息是否一致可以对现实中的套牌车等违法行为的进行有效的检测与监控。然而,现有车标识别方法中,大多都存在计算量繁杂,正确率低下,效率不够高等问题。



技术实现要素:

有鉴于此,本发明旨在提出一种基于图像的车标识别方法,以解决上述问题的不足之处。

为达到上述目的,本发明的技术方案是这样实现的:

一种基于图像的车标识别方法,包括以下步骤:

A.根据道路监控图像中车牌特征定位出车牌位置;

B.根据车牌位置找出车标候选区域;

C.利用车标的纹理信息在车标候选区域中搜索车标精确位置;

D.用神经网络分类器对车标图像进行分类判断,得到车标分类评分结果;

E.对分类评分结果分值进行阈值判断得到车标类型。

进一步的,步骤A中根据图像中车牌特征定位出车牌位置的方法如下:

A1.首先根据车牌区域中的纹理特征,提取道路监控图像中的边缘并二值化;

A2.然后对得到的二值图像进行数学形态学的运算,使得车牌区域形成一个闭合的连通区域;

A3.最后通过车牌的几何特征对得到的候选区域进行筛选,最终得到车牌区域。

进一步的,步骤C中,使用sobel算子对车标候选区域分别进行水平与垂直边缘检测,通过水平梯度、垂直梯度与联通区域信息定位出车标位置。

进一步的,步骤D中,对所述车标图像进行归一化后提取HOG特征,得到车标特征向量,使用神经网络分类器对候选区域提取的车标特征向量进行判别,得到车标分类评分结果。

进一步的,提取HOG特征的过程如下:

D1.输入归一化的车标图像后计算梯度;

D2.对每一个单元块的梯度进行方向投影;

D3.相邻单元块进行对比度归一化;

D4.将所有单元块的向量组成一维长向量。

进一步的,神经网络分类器的训练过程如下:

a.对车标分类图像进行特征向量提取;

b.根据神经网络训练神经网络分类器并保存模型。

相对于现有技术,本发明所述的基于图像的车标识别方法具有以下优势:

本发明所述的基于图像的车标识别方法利用道路监控图像,自动找到车牌位置,然后进行车牌识别;支持114种车标类型的识别,包括了路面绝大多数种类的车标类型;本方法具有较高的正确率和较低的误检率,并且由于使用了首先定位车牌位置,确认车标候选区域,减小了算法计算量,算法具有较高的运行效率。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:

图1为本发明实施例所述的基于图像的车标识别方法流程图;

图2为本发明实施例所述的提取HOG特征的流程图;

图3为本发明实施例所述的神经网络训练与识别的流程图。

具体实施方式

需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

如图1所示,一种基于图像的车标识别方法,包括以下步骤:

A.根据道路监控图像中车牌特征定位出车牌位置;

B.根据车牌位置找出车标候选区域,具体过程为,车牌坐标为(x,y,w,h),其中,x为区域左边坐标,y为区域上边坐标,w为区域宽度,h为区域高度。情况1,车牌类型为大型汽车车牌车标候选区域为:(x-w,y-2.5*w,3*w,2.5*w);情况2,车牌为小型汽车车牌车标候选区域为:(x-0.1w,y-1.5*w,1.2*w,1.5*w)。

C.利用车标的纹理信息在车标候选区域中搜索车标精确位置;

D.用神经网络分类器对车标图像进行分类判断,得到车标分类评分结果;

E.对分类评分结果分值进行阈值判断得到车标类型。

步骤A中根据图像中车牌特征定位出车牌位置的方法如下:

A1.首先根据车牌区域中的纹理特征,提取道路监控图像中的边缘并二值化,对道路监控图像进行边缘检测,由于车牌的字符纹理和车牌的边缘纹理特征比较密集并且是长方形形状,找到这样的特征区域即为车牌区域;

A2.然后对得到的二值图像进行数学形态学的运算,使得车牌区域形成一个闭合的连通区域;

A3.最后通过车牌的几何特征对得到的候选区域进行筛选,最终得到车牌区域。

步骤C中使用sobel算子对车标候选区域分别进行水平与垂直边缘检测,通过水平梯度、垂直梯度与联通区域信息定位出车标位置,具体过程如下:对车标候选区域内使用sobel算子进行纹理检测,分别进行水平和垂直投影,计算投影能量平均值,记录所有大于平均值的波峰,计算每个波峰能量值为E,波峰区间长度为L,每个波峰权重计算公式为:E/L+10*L,取权重最大波峰为车标水平范围和垂直范围。

步骤D中对所述车标图像进行归一化后提取HOG特征,取参bin为9、cell为4、step为10、block为9,得到车标特征向量,使用神经网络分类器对候选区域提取的车标特征向量进行判别,得到车标分类评分结果,具体过程如下:使用训练好的神经网络模型得到分类评分,查找分类分值中得分最高值MAX1,得分第二高分值MAX2,分类置信度按照如下计算,如果MAX1-MAX2小于0.13置信度取0,如果MAX1-MAX2大于0.13取(MAX1-MAX2-0.13)/(1-0.13)+MAX1*0.3,如果最置信度大于0.5,则认为识别的车标为得分为MAX1的车标类型。

如图2所示,提取HOG特征的过程如下:

D1.输入归一化的车标图像后计算梯度;

D2.对每一个单元块的梯度进行方向投影;

D3.相邻单元块进行对比度归一化;

D4.将所有单元块的向量组成一维长向量。

如图3所示,神经网络分类器的训练过程如下:

a.对车标分类图像进行特征向量提取;

b.根据神经网络训练神经网络分类器并保存模型。

神经网络分类器的识别过程如下:

Ⅰ.对输入的车标图像进行特征向量提取;

Ⅱ.利用神经网络分类器加载模型并对步骤Ⅰ得到的特征向量进行识别;

Ⅲ.输出车标分类评分结果;

Ⅳ.通过阈值判断得到车标类型。

以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1