一种基于联合检测与辨识算法的车标识别方法
【技术领域】
[0001] 本发明属于车辆识别技术领域，尤其设及车标识别方法。
【背景技术】
[0002] 车牌识别系统在智能交通系统越来越收到重视，应用场景如：（1)道路桥梁自动 收费系统；(2)车辆控制与管理系统；（3)道路布控系统；(4)信息服务系统；（5)车辆的进 一步确认等。
[0003] 传统的汽车标志识别系统中，需要先检测并提取出感兴趣区域（R0I),再提取R0I 特征并送入识别模块W辨识。车牌检测与识别系统一般可W看为两个级联的模块：1、检测 模块2、识别模块。检测模块对输入图像提取感兴趣区域，系统将其特征送入识别模块，进行 多类车标的辨识。由于智能交通系统中获取的车标图像，有多尺度、多形态且低分辨率的特 点，导致现有方法无法进行很好的分割，识别结果也会差强人意。
[0004] 目前检测方法主流的研究方向有： 阳0化]1、W云南大学计算机科学学院的化nqiong,Wang2007年提出的方法为代表的是 利用车前脸具有对称性的边缘特征，通过形态学的图像处理方法检测出车标的具体位置。 但是，在光照集中，车前脸排气扇背景结构复杂等情况下，该方法是无法准确提取位置信 息。
[0006] 2、W阿尔卡拉大学计算机工程系Llorca，化F. 2013年提出的滑窗方法为代表，其 在车牌位置的上方形成N个多尺度、多位置的检测假设框提取感兴趣区域，再将区域提取 方向梯度直方图化istogramof化ientedGradient,HOG)特征并送入识别模块。该系统 在车牌识别化icencePlateReco即ition，LPR)的基础上，得到假设框的的尺度、位置等先 验信息。由于车标的尺度和形态的多样性，使得R0I必须具有足够数量才能保证有准确的 输出结果，并且当车辆检测不到车牌时，系统无法运作。
[0007] 目前车标识别算法主流的研究方向有： 阳008] 1、澳口科技大学的Kam-Tong,Sam2012年提出基于几何不变矩特征的车标识别， 先提取分割后车标图像的RadialTchebichef矩特征，再计算其与车标模板特征的距离，最 后选择最近邻作为车标类别输出。文献"Reli油leclassificationofvehiclelogosby animprovedlocal-meanbasedclassifier"基于修正不变矩特征，识别架构两者类似，在 精确分割提取车标的情况下，能取得很好的识别结果，但是当不能精确的切割出车标图像， 识别的准确率将极大下降。
[0009] 2、阿尔卡拉大学计算机工程系，Llorca，化F. 2013年提出基于HOG特征与奥卢大 学的Ojala.T. 2002年提出的基于LBP的局部区域灰度直方图特征。两者结合支持向量机 具有很好的识别效果。但是同样，识别结果对车标精确分割图像十分敏感，当无法精确分割 提取车标图像，将无法准确识别汽车标志。
[0010] 3、希腊雅典国家技术大学的ApostolosP.Psyllos2012年提出的方法是：提取 目标图片尺度不变特征（Scale-invariantfea1:uretransform,SIFT)特征，并对车标模板 图像提取增强型SIFT(M-SIFT)特征。通过将查询图像SIFT特征与车标模板M-SIFT特征 分别匹配，得到特征匹配最多的模板将作为结果输出。但是在低分辨率的车标图像中，无法 提取足够数量的SIFT特征完成匹配。
[0011] 智能交通系统的实际应用的车标图像有如下特征：1、车标形状各异且多尺度2、 图像分辨率极低，边缘特征不明显，难W精确分割3、车标周围背景多样复杂，光照条件不 一。运种情况下难W精确的分割车标图像，当分割失败的情况下，传统的先检测后识别的系 统无法识别车标种类。
[0012] 鉴于W上的情况，本发明提出一种新的车标检测与辨识方法，将车标检测与辨识 一体化。通过将输入包含车标的图像W点为单位去释义车标模版特征库，衡量释义结果，即 可得到车标的分类种类。首先，对输入包含车标的图像提取DenseSIFT特征，W像素点为单 位提取4尺度的128D梯度直方图特征，保证在低分辨率且多尺度的情况下也能够很好的描 述图像。再次，基于反SIFT流（SIFTflow)算法，用输入图像释义图形模板，保证在不用精 确的检测车标R0I的基础上也能得到可衡量的释义结果，并且释义模版能够很好的车标种 类的多样性。最后，对释义结果通过判决标准W输出识别的车标种类。
[0013] 由于车标图像具有上文所述的特点，所W传统车标检测识别系统的检测模块无法 准确地检测目标，进而极大的影响到识别模块识别的准确性。本发明将检测模块与辨识模 块一体化，能很好的解决检测模块在传统车标识别系统上的不足，对低分辨率、多光照、多 尺度情况下的车标图像辨识都具有鲁棒性。
【发明内容】
[0014] 有鉴于此，本发明的目的在于提供一种具有新的车标检测与识别算法：针对智能 交通系统中低分辨率、总类繁多、多尺度的图像。对包含车标图像运用SIFTFlow反释义模 版特征，根据释义的结果衡量，能检测与辨识一体地识别目标。
[0015] 为实现上述目的，本发明提供如下的技术方案：
[0016] 一种车标联合检测与识别的方法，包括W下步骤：
[0017] 步骤1 :获得清晰的车标模板图像，并计算模板图像的图像特征，获得车标模板特 征库；
[001引步骤2 :截取获得车辆图像中的车标图像Ii，将彩色图像Ii转化为灰度图像，再进 行二值化处理得到图像12;
[0019] 步骤3 :图像12通过SIFTFlow算法对车标模板特征库一一释义，得到释义结果图 Ijwi，和匹配能量分布E(W)，其中N为指定的模板车标，i= 1，2, 3, 4是得到的释义结果图的 4个尺度；
[0020] 步骤4潛义图Iwi与模板图之间运用相似度计算，得到相似度S;
[0021] 步骤5 :将平均能量分布E(w)与相似度S加权累加得到截取的车标图像分别与模 板图像之间的相似距离L;
[0022] 步骤6 :获得判断车标的置信区间：获取同一监控处多张相同车标的监控车标图 像，将运些监控车标图像与其对应的模版图像求取相似距离，获得模版车标与监控车标相 似距离的均值瓦和方差〇^，置信区间为巧^-3〇^，6^+3〇^;
[002引步骤7 :将得到的最小相似距离L与置信区间进行比化在置信区间的则判定为该 车标，否则输出无车标。
[0024] 进一步的，所述模板特征库由从多个标准车标图形提取的多个尺度的DenseSIFT 特征矩阵组成。
[0025] 进一步的，所述步骤3中的SIFTFlow算法是：
[0026] 步骤3. 1 :提取图像12的DenseSIFTMXNX128特征矩阵；
[0027] 步骤3. 2 :匹配图像l2的特征矩阵与模板特征库，求解目标能量函数的最优解；目 标函数由两部分构成：边缘特征项构成、邻域项；满足多尺度精确匹配，目标函数增加尺度 变量D，并在依据全图确定最优解的捜索框； 阳02引步骤3. 3冰解目标函数得到最优能量函数和最优解向量矩阵VX，vy;由12、VX和vy获得释义图I3。
[0029] 本发明一种基于联合检测与辨识算法的车标识别方法的优点是：1、无需精确分割 车标图像，对现有车标提取精度要求低；2、对25x25的超低分辨、多尺度、多光照条件下的 车标图像检测具有鲁棒性；3、检测与识别一体，扩展性强。
【附图说明】
[0030] 图1为本发明一种基于联合检测与辨识算法的车标识别方法流程图；
[0031] 图2为本发明处理过程图像示意图。
【具体实施方式】：
[0032] 下面结合附图和具体实施例对本发明进行进一步的说明 阳03引 S1:输入一帖包含logo且有一定的背景的矩形图像I。，图像尺寸nXm，将图像转 为双精度，并将像素值除W255重新调节数值在[0, 1]之内，得到图像Ii。
[0034] S2:对图像I1提取nXmX128维的DenseSIFT特征矩阵F。
[0035] S3:基于特征矩阵F，用改进的SIFTFlow算法对车标的模版进行一一释义匹配，得 到释义图l2M(N，i= 1，2,3,4)与能量分布E(w，Di)
[0036] S4 :所述改进的SIFTFI0W算法为W下两个方面：
[0037] 1、改进SIFTFlow的目标函数：
[0038] 公式由两部分组成，第一部分是数据项，利用获取的DenseSIFT特征向量比较两 个像素之间的边缘差距。第二部分是范围项，自身指向向量与邻域指向向量距离越远能量 越大，利用邻域的匹配指向来限制周围的像素的匹配指向。目的是能够在复杂的背景环境 下，检测与识别一体得释义目标库的车标。
[00创其中，p是输入图像的像素点，q为p点的邻域像素点。Si(p)是对输入的查询图像 像素点P取出的DenseSIFT特征，w(p)是像素点指向匹配图像中的点的向量，u(p)，v(p)分 别为w(p)的水平向量和竖直向量。Di是指不同的尺度。n为经验常数，d为经验口限值。
[0043] 2、改进的SIFTFlow算法对SIFTFlow算法进行捜索框优化： W44]SIFT原始图像的释义向量指向矩阵Vx，Vy的捜索范围是查询图像的大小一致。
[0045] S5:所述车标模板特征库，是指对每帖模版特征图像提取4个尺度的DenseSIFT特 征。DenseSIFT的参数设置为Cellsize设定为