一种车型识别方法及系统的制作方法
【技术领域】
[0001] 本发明涉及视频图像处理中的车型识别技术领域。
【背景技术】
[0002] 车型识别是智能交通系统的重要组成部分，可以为交通事件的处理提供有力证 据，同时可以为车辆跟踪等功能提供更多帮助。现有技术中关于车型识别主要分为两个类 型，分别是基于模板的识别和基于分类器的识别。
[0003] 其中基于模板的识别适用于比较特定的场景之下，有申请号为201410014474.1的 中国专利就公开了ETC车道中车型识别方法及装置，即适用在不停车电子收费系统中，这种 场景下的车型识别只要求识别出来的车型能够对应保存在系统中的模版即可，被识别车辆 所处环境相对稳定与摄像头之间的距离也相对固定，但是该方法并不能处理复杂环境下的 车型识别。
[0004] 为此，又有申请号为201210049730.1的中国专利公开了一种复杂场景下的车型识 别方法，所采用的原理就是上文提到的基于分类器的识别方法，其主要涉及到选择特征并 结合特定机器学习判别方法进行分类，而关于特征的选取以及机器学习生成的分类器是决 定车型识别效率和准确度的关键所在，在该方案中对于特征的选取和生成分类器能够满足 对于如小型车和大型车之间的识别，也能够满足比如轿车和吉普车、出租车和面包车等等 之间的识别，但是具体到如生产厂商、年份等识别是不能达到的。
【发明内容】
[0005] 本发明的目的是提供一种车型识别方法及装置，能够识别车辆的准确类型诸如生 产厂商。
[0006] 为了解决上述技术问题，本发明采用如下技术方案:一种车型识别方法，包括机器 训练生成分类器过程和对待测图片的判别过程，在生成分类器的过程中，基于车牌确定训 练集图片中所需要的图像范围，将已经确定的图像范围划分区域，选定各区域内的特征信 息，分别将各自区域内选定的所有特征信息投入机器训练生成一一对应各区域的分类器， 通过已经生成的分类器对待测图片进行单区域判别，依据单区域判别结果再经过多区域置 信度融合得到车型识别结果。
[0007] 从原理上而言，车型识别的准确度取决于对图像特征信息的提取和利用，本发明 首先以车牌为参照确定了所需要的图像范围大小，因为车牌在制作过程中具有统一标准， 并且在确定范围的情况下对图像进行分区域训练和判别方法，不同区域各自训练独立的分 类器，基于单区域判别结果再经过多区域置信度融合得到车型识别结果，该方法充分考虑 了图像识别过程中的过拟合现象，降低了个别因素对于识别结果的干扰。
[0008] 本发明还公开了一种车型识别系统，包括分类器生成装置和对待测图片的判别装 置，所述的分类器生成装置基于车牌确定训练集图片中所需要的图像范围，将已经确定的 图像范围划分区域，选定各区域内的特征信息，分别将各自区域内选定的所有特征信息投 入机器训练生成一一对应各区域的分类器;所述的判别装置通过已经生成的分类器对待测 图片进行单区域判别，依据单区域判别结果再经过多区域置信度融合得到车型识别结果。
[0009] 采用上述技术方案后，本发明具有如下优点:本发明针对图像进行区域划分，针对 不同区域各自训练独立的分类器，基于单区域判别结果再进行多区域置信度融合方式取得 识别结果，有效增加了车型识别的精确度，能够进一步识别出诸如车辆生产厂商这样的细 节信息，特别适用于智能交通系统，可以为交通事件的处理提供有力证据。
【附图说明】
[0010] 下面结合附图对本发明的【具体实施方式】作进一步说明：
[0011] 图1为本发明车型识别方法一种实施例的流程图；
[0012] 图2为视频图像中车辆图像示例图；
[0013] 图3为本发明车型识别方法一种实施例的图像分区域划分示例图；
[0014] 图4为本发明车型识别方法一种实施例的特征信息提取示例图。
【具体实施方式】
[0015] 在本发明中，涉及了图像识别技术中的诸多术语，包括角点、hog特征、sift点特 征、随机森林及各种算法，这些术语在本领域技术内都具备唯一定义，在本文中直接引述上 述的术语。
[0016] 参见图1，为本发明的一种优选实施方式的流程图，主要分为了两个主要过程，即 机器训练生成分类器过程和对待测图片的判别过程，其中生成分类器过程涉及对训练集图 片的处理，而具体的判别过程则涉及对待测图片的处理。无论是对于训练集图片的处理亦 或对于待测图片的处理都涉及了对于图像范围大小的确定，因为不同的图片中实物的缩放 比例是不同的，需要对其进行统一处理，由于车辆的车牌是有统一制作标准的，所以可以用 来作为确定图像范围的参照。关于车牌的位置定位属于常规技术，在本文中不再赘述。
[0017] 参见图2,在本实施例中，基于车牌位置信息对车辆前脸图像进行范围的确定，当 然车辆的车尾也是可以采用同样方式进行范围确定的，根据实际情况，图像总宽度为车牌 宽度5倍，图像总高度为为车牌高度10倍，其中考虑车牌在车辆前脸中的具体位置偏下，所 以图像的宽度应该以车牌的中点为中心，而图像的高度则应该以车牌的中点为参考点上方 截取高度为7.5倍车牌高度，下方截取高度为2.5车牌高度，完成范围确定之后的图像即如 图2所示例。然后，再对范围确定的图像进行统一缩放以便于后期处理，在实施例中优选缩 放为400*200像素的大小。从图1中可以看到，对于训练集图片的范围大小确定方法和对于 待测图片的范围大小确定方法是一致的，这也是后续进行车型判别的前提条件。
[0018] 在确定好图像范围大小之后，再进行分区域划分，如图3所示，在本实施例中，将已 经确定好范围大小的图像优选分为了 12个区域，其中车牌所在的区域是被排除在外的，因 为这部分区域对于具体车型而言并无增加判别准确性的信息，反而车牌上的角点会造成不 必要的干扰，所以这部分区域被单独隔离出来。又参见图3,车牌两侧的附近区域也同样被 排除，理由同上。
[0019]这里需要强调，对于训练集图片和待测图片而言，划分区域可以是相同的，但是考 虑到边界划分带来的邻近边界区域信息突变会影响后续的判别结果，本实施例优选方式是 训练集图片相关的图像区域划分不同于待测图片的区域划分方式。如图3所示，训练集图片 划分的图像区域间存在部分重叠，而待测图片划分的图像区域间不存在部分重叠。比如a和 b两条实线加上两条外边缘构成了待测图片划分的区域1的分割区域，A和B两条虚线加上两 条外边缘构成了训练集图片划分的区域1的分割区域;实线a、b和d加上最上面的外边缘构 成了待测图片划分的区域2的分割区域，虚线B、C和D加上最上面的边缘线构成了训练集图 片划分的区域2的分割区域，可以看到训练集图片划分的区域1和区域2之间存在重叠部分， 并且均大于并且完全包含了待测图片分割所对应区域，作为优选，多出部分宽度方向20-25 像素(如Aa之间的像素差），高度方向为15-20像素(如Bb之间的像素差）。
[0020] 在完成上述的图像范围大小确定和区域划分之后，针对已经划分的各区域进行特 征信息的选定提取，应该首先明确，无论是进行区域划分步骤还是区域的具体划分方法都 是为了后续更加准确有效的识别出车型，就图3而言，12个区域的划分方式是根据对于识别 车型而言的有效信息集中度来的，如此就可以将各区域进行区分，分为特征稀疏区域、特征 密集区域和普通区域，各区域位置的大小都由上述的有效信息集中度而定，当然12个区域 的划分办法仅仅是相对优选的方式，理论上而言，区域划分越细则越有利于后续的车型识 另IJ，但是过于细致的划分同样也会影响车型识别的效率，如图3所示，其中区域1、