员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0030]本发明具体步骤包括:首先选择LBP特征+Adaboost算法训练η个2类分类器作为第一级车标分类器；其次选择HOG特征+SVM训练I个η类分类器作为第二级车标分类器；在检测与识别环节，将检测部分的分类器标签信息传递给识别环节，通过判断该标签与识别结果是否吻合来过滤错检目标，提高识别结果的可信度。同时，该方法能够调节一般检测与识别技术中低漏检率与低错检率需求的矛盾，通过在第一级分类器中设置一个偏低的阈值来降低漏检率，然后在第二级分类器中将错检的目标过滤，具有较好的可行性和鲁棒性。其中，所述偏低的阈值，是指:在现有的大部分目标检测与识别方法中，降低漏检率与降低错检率的需求是相互矛盾的，即低的漏检率要求降低检测阈值，而低的检测阈值又会导致错检率的增加，一般的阈值是在对二者做出折中后做出的选择。而此处“偏低的阈值”表示能够保证足够低漏检率的一个阈值，虽然这意味着多的错检，但是这部分错检的目标是可以在第二级分类器中被过滤掉的。
[0031]在一个优选的实施例中，本发明包括如下步骤:
[0032]步骤Α:训练3个二类分类器(奥迪、大众、五菱)作为3个第一级车标分类器；对于每一种车标，采用如下方法训练:
[0033]步骤Al:以500张正样本(车标图像)和1000张负样本(不包含车标的背景图像)作为输入，将所有样本归一化为同一尺寸(奥迪90*30，大众50*50，五菱70*35)，计算并获得样本的LBP特征集；
[0034]步骤Α2:以正负样本的LBP特征集为输入，将其拆分为若干不同的训练集，在不同训练集下训练弱分类器，确定阈值，获得弱分类器集；
[0035]步骤A3:以弱分类器集为输入，在训练检出率和误判率限制下，使用AdaBoost算法挑选最优的弱分类器构成强分类器；
[0036]步骤Α4:将20个强分类器组合成为一个一级车标分类器；
[0037]步骤B:将3类车标的样本图像(每类500张，共1500张)尺寸归一化为64*64，计算并获得样本图像的HOG特征集；将样本的HOG特征集和标签(1，2，…，η)送入SVM中进行训练，得到I个3类分类器，作为第二级车标分类器。
[0038]步骤C:将奥迪设置为第一种车标，对应标签为I ;大众设置为第二种车标，对应标签为2，五菱设置为第3种车标，对应标签为3 ;令k = I。
[0039]步骤Cl:用第k种一级车标分类器在整块搜索区域中滑窗扫描，滑窗结束后，若检测到目标，转步骤C2，否则转步骤C3 ;
[0040]步骤C2:将步骤Cl步骤检测到的目标输入第二级车标分类器，得到目标的预测标签label，若label等于k，将该目标判定为有效车标，且车标的类型即为预测标签对应的类型，结束；若label不等于k，将该目标判定为无效车标；当所有步骤Cl检测到的目标均为无效车标时，转步骤C3 ；
[0041]步骤C3:令k的值增加1，若k〈4，转步骤Cl，否则，结束，未检测到车标。
[0042]该实施例得到的检测和识别结果准确无误，并且在不同车辆朝向和光照条件下表现出很好的鲁棒性。我们建立了一个车辆数据库对本发明方法进行检测与识别测试，测试结果检测准确率达到95.67%，召回率达到94.46%,识别准确率达到96.31%，每张图片的处理耗时平均为300ms。
[0043]以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
【主权项】
1.一种快速级联式车标视觉检测与识别方法，其特征在于，包括如下步骤: 步骤A:若待检测和识别的车标的种类为η类，则训练η个二类分类器作为η个第一级车标分类器；对于每一种车标进行训练； 步骤B:将η类车标的样本图像归一化至同一尺寸，计算并获得样本图像的梯度方向直方图特征集；将样本图像的梯度方向直方图特征集和标签(1，2，…，η)送入支持向量机中训练，得到I个η类分类器，作为I个第二级车标分类器； 步骤C:在η个第一级车标分类器和I个第二级车标分类器训练完成之后，置k = 1，用如下步骤对车标进行检测识别: 步骤Cl:用第k个第一级车标分类器在整块搜索区域中滑窗扫描，滑窗结束后，若检测到目标，则进入步骤C2，否则进入步骤C3 ; 步骤C2:将步骤Cl检测到的目标输入第二级车标分类器，得到目标的预测标签label，若label等于k，将该目标判定为有效车标，且车标的类型即为label对应的车标类型，结束；若label不等于k，将该目标判定为无效车标；当所有步骤Cl检测到的目标均为无效车标时，进入步骤C3 ； 步骤C3:令k的值增加1，若k〈n+l，则返回步骤Cl ;否则，结束，认为未检测到车标。
2.根据权利要求1所述的快速级联式车标视觉检测与识别方法，其特征在于，对于每一种车标，采用如下步骤训练: 步骤Al:以正负样本集为输入，将样本归一化至同一尺寸，计算并获得样本的局部二值模式特征集； 步骤A2:以样本的局部二值模式特征集为输入，训练弱分类器，获得弱分类器集； 步骤A3:以弱分类器集为输入，在训练检出率和误判率限制下，使用AdaBoost算法挑选最优的弱分类器构成强分类器； 步骤A4:以强分类器集为输入，将强分类器集中的强分类器组合成为第一级车标分类器。
3.根据权利要求2所述的快速级联式车标视觉检测与识别方法，其特征在于，正负样本中的正样本为车标图像，负样本为不包含车标的背景图像。
4.根据权利要求2所述的快速级联式车标视觉检测与识别方法，其特征在于，训练所述弱分类器以确定阈值，其中，所述弱分类器的阈值用于判定样本属于目标或者背景，若样本得分高于阈值则判定为目标，若样本得分不高于阈值则判定为背景。
5.一种快速级联式车标视觉检测与识别系统，其特征在于，用于执行权利要求1至4中任一项所述的快速级联式车标视觉检测与识别方法。
【专利摘要】本发明提供了一种快速级联式车标视觉检测与识别方法和系统，包括：首先选择LBP特征+Adaboost算法训练n个2类分类器作为第一级车标分类器；其次选择HOG特征+SVM训练1个n类分类器作为第二级车标分类器；在检测与识别环节，将检测部分的分类器标签信息传递给识别环节，通过判断该标签与识别结果是否吻合来过滤错检目标，提高识别结果的可信度。同时，本发明能够调节一般检测与识别技术中低漏检率与低错检率需求的矛盾，通过在第一级分类器中设置一个偏低的阈值来降低漏检率，然后在第二级分类器中将错检的目标过滤，具有较好的可行性和鲁棒性。
【IPC分类】G06K9-00, G06K9-62
【公开号】CN104794432
【申请号】CN201510133649
【发明人】赵云安, 卢俊国, 赵旭
【申请人】上海交通大学
【公开日】2015年7月22日
【申请日】2015年3月25日