一种车标识别方法及装置的制造方法
【技术领域】
[0001] 本申请涉及视频监控技术领域，尤其涉及一种车标识别方法及装置。
【背景技术】
[0002] 车标是车辆的重要信息，是车辆的标志性图像，车标识别可对车辆监控和跟踪提 供强有力的信息支持。但是，由于车标较小、相似性大，且受光照、背景、形状等原因影响，难 以准确识别。
[0003] 目前的车标识别技术主要依赖于车标的精准定位，而车标定位多采用图像处理以 及模式识别技术，该车标定位方式对车标的周围纹理、角度旋转、倾斜等极度敏感，因此，在 复杂场景下很难做到准确定位，进而导致车标的识别率低。
【发明内容】
[0004] 有鉴于此，本申请提供一种车标识别方法及装置。
[0005] 具体地，本申请是通过如下技术方案实现的：
[0006] 本申请提供一种车标识别方法，该方法包括：
[0007] 采用车标检测算法训练车标分类器；
[0008] 获取待检测图像中的车牌位置信息；
[0009] 根据所述车牌位置信息确定车标初选区域；
[0010] 利用训练得到的车标分类器对所述车标初选区域进行车标检测，获得若干第一车 标候选区域；
[0011] 计算每一个第一车标候选区域的第一车标置信度；
[0012] 根据第一车标候选区域的位置计算对应的车标位置置信度；
[0013] 根据所述车标位置置信度从所述若干第一车标候选区域筛选出距离所述车标初 选区域的中轴线较近的第一车标候选区域作为第二车标候选区域；
[0014] 采用机器学习算法对所述第二车标候选区域进行识别，获取第二车标候选区域的 第二车标置信度；
[0015] 对多个第二车标候选区域进行区域融合生成多个融合候选区域；
[0016] 根据生成融合候选区域的第二车标候选区域的第一车标置信度、车标位置置信度 以及第二车标置信度计算对应融合候选区域的融合置信度；
[0017] 选择融合置信度最高的融合候选区域作为识别出的车标。
[0018] 本申请还提供一种车标识别装置，该装置包括：
[0019] 训练单元，用于采用车标检测算法训练车标分类器；
[0020] 获取单元，用于获取待检测图像中的车牌位置信息；
[0021] 确定单元，用于根据所述车牌位置信息确定车标初选区域；
[0022] 检测单元，用于利用训练得到的车标分类器对所述车标初选区域进行车标检测， 获得若干第一车标候选区域；
[0023] 第一计算单元，用于计算每一个第一车标候选区域的第一车标置信度；
[0024] 第二计算单元，用于根据第一车标候选区域的位置计算对应的车标位置置信度；
[0025] 筛选单元，用于根据所述车标位置置信度从所述若干第一车标候选区域筛选出距 离所述车标初选区域的中轴线较近的第一车标候选区域作为第二车标候选区域；
[0026] 识别单元，用于采用机器学习算法对所述第二车标候选区域进行识别，获取第二 车标候选区域的第二车标置信度；
[0027] 融合单元，用于对多个第二车标候选区域进行区域融合生成多个融合候选区域；
[0028] 第三计算单元，用于根据生成融合候选区域的第二车标候选区域的第一车标置信 度、车标位置置信度以及第二车标置信度计算对应融合候选区域的融合置信度；
[0029] 选择单元，用于选择融合置信度最高的融合候选区域作为识别出的车标。
[0030] 由以上描述可以看出，本申请不依赖于车标的精准定位，而是基于深度学习算法， 采用多种置信度加权融合的方式进行车标识别，提高在复杂场景下的车标识别率。
【附图说明】
[0031] 图1是本申请一示例性实施例示出的一种车标识别方法流程图；
[0032] 图2是本申请一示例性实施例示出的正样本和负样本示例；
[0033] 图3是本申请一示例性实施例示出的车标初选区域示意图；
[0034] 图4是本申请一示例性实施例示出的一种车标识别装置所在设备的基础硬件结 构示意图；
[0035] 图5是本申请一示例性实施例示出的一种车标识别装置的结构示意图。
【具体实施方式】
[0036] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及 附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例 中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附 权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0037] 在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。 在本申请和所附权利要求书中所使用的单数形式的"一种"、"所述"和"该"也旨在包括多 数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语"和/或"是指 并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0038] 应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这 些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离 本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第 一信息。取决于语境，如在此所使用的词语"如果"可以被解释成为"在……时"或"当…… 时"或"响应于确定"。
[0039]目前的车标识别技术主要采用图像处理以及模式识别技术，在车牌识别技术的 基础上，利用车牌与车标的相对位置关系，对车标进行初定位；再利用基于Haar特征的 Adaboost算法进行车标检测，得到若干疑似车标区域；然后利用基于H0G(Histogramof OrientedGradient,方向梯度直方图）特征的SVM(SupportVectorMachine,支持向量 机）算法对疑似车标区域进行筛选，选取置信度最大的区域作为车标定位区域；最后对确 定的车标定位区域进行车标识别。
[0040] 在上述车标识别过程中，通常需要根据车标长宽比的不同训练出多个车标分类 器，且由于长宽比不同，必然导致采用不同尺度、不同步长、不同滑动窗口进行检测，因此， 需要消耗大量的系统资源。其次，由于H0G算法的固有缺陷，很难处理遮挡、残缺等问题，且 该算法对图像噪点相当敏感。此外，选取置信度最大的区域作为车标定位区域的判别方式 过于简单暴力，容易造成误判。
[0041] 针对上述问题，本申请实施例提出一种车标识别方法，该方法不依赖于车标的精 准定位，而是基于深度学习算法，用多种置信度加权融合的方式进行车标识别。
[0042] 参见图1，为本申请车标识别方法的一个实施例流程图，该实施例对车标识别过程 进行描述。
[0043] 步骤101，采用车标检测算法训练车标分类器。
[0044] 本申请实施例在车标识别过程中使用车标分类器进行车标识别，因此，需预先训 练车标分类器。该车标分类器的训练（步骤101)只需在车标检测（步骤104)之前完成即 可。具体可米用Adaboost算法、H0G算法、DPM(DeformablePartsModel，变形件模型）算 法等检测算法进行车标分类器训练。
[0045] 在一种优选的实施方式中，采用Adaboost算法进行车标分类器的训练，具体为：
[0046] 获取车标图案的正样本和负样本，正样本为包含车标图案的样本，负样本为不包 含车标图案的样本。在本申请实施例中，所有正样本按照1:1的宽高比进行标定，如图2(a) 所示，对于不满足1:1宽高比的车标，可截取车标区域具有辨识度的部分作为正样本，例 如，奥迪车标可选取四环中的一环作为正样本，如图2(b)所示。
[0047] 此外，本实施例中的负样本分为两部分，一部分为仅包含车标初选区域（车标初 选区域为车牌正上方区域，在后续描述中会详细介绍）的负样本，以下简称为第一负样本， 如图2(c)所示，该第一负样本主要是考虑本申请实施例在后续车标识别过程中基于车标 初始区域进行车标识别，因此，选择车标初选区域作为负样本可有效排除车标初选区域内 的非车标区域，提高车标分类器的检测效率。另一部分负样本为包含整张车前脸的负样本， 如图2(d)所示，以下简称为第二负样本。尽管第一负样本具有很强的排除能力，但是由于 车标初选区域的范围比较小，且该区域内的纹理特征有限，当车标种类增加时，位于该车标 初选区域范围内的车标区域与非车标区域的差异性很小，单纯利用第一负样本生成的车标 分类器进行车标识别的效果不佳，本申请实施例增加了第二负样本，该第二负样本包含整 张车前脸，纹理特征丰富，可增大车标区域与非车标区域的差异，有利于车标识别，因此，通 过增加第二负样本可提升车标分类器的收敛性。当然，无论是第一负样本还是第二负样本 均需抠取掉车标图案。
[0048] 在获取到训练所需的正样本和负样本后，本申请实施例首先根据正样本和第一负 样本训练得到前N级强分类器，再根据正样本和第二负样本训练得到后M级强分类器，将前 N级强分类器与后M级强分类器级联生成车标分类器。如前所述，根据第一负样本训练得 到前N级强分类器可有效排除车标初选区域内的非车标区域；根据第二负样本训练得到后 M级强分类器可提升车标分类器的收敛性，在此不再赘述。
[0049] 步骤102,获取待检测图像中的车牌位置信息。
[0050] 可采用现有较成熟的车牌识别技术识别车牌，获取待检测图像中车牌的位置信 息，在此不再赘述。
[0051] 步骤103,根据所述车牌位置信息确定车标初选区域。
[0052] 通过大量的观察可发现，车标通常位于车牌正上方区域，但其所处高度存在差异， 例如，一些小型轿车车标通常位于车牌上方邻近区域，而一些大型车辆车标通常位于车牌 上方较高区域（如大卡车、中型货车等）。通过对大量车标位置的统计发现，车标高度通常 不超过两倍车牌宽度。因此，本申请实施例根据上述统计结果确定