3,gri化acing设定为1。当库的数量的为 N，则模板库特征矩阵的数量为NX4。
[0046] S6 :所述改进的SIFTFlow算法的释义模块初始参数设定为：d为经验阔值，设定 为2040 ;nlevels为由粗到细捜索层数，设定为7 ;wsize为捜素框的大小，设定为7X7 ; topwsize为初始捜索框大小，设定为30X30 ;iteration为捜索最优解的迭代次数，设定为 15 ;Topiteration为初始捜索迭代次数，设定为40。
[0047] S7 :所述通过W上设定初始参数与改进修改，得到函数SIFTFlowO。将待检测图 像特征矩阵与NX4个模板特征库Bw(N，i= 1，2,3,4)分别导入函数，通过多次多层的迭 化得到NX4个由原图像释义的4尺度模板图像的释义图Iw(N，i= 1，2, 3, 4)，同时分别 得到NX4 个能量分布E(W，Di)W(N，i= 1，2, 3, 4)。 W48] S8:将得到的释义图Iwi(N，i= 1，2, 3, 4)与NX4帖模板图做相似比对。分别得 至IJ:1、边缘覆盖度；2、释义重复率。 W例 S9:所述边缘覆盖率CoverRate的计算方法：对l2w(N，i= 1，2,3,4)与NX4 帖模板图同时用sobel算子分别得到边缘二值图像，并对图像做与或处理，像素值同 为1或0就累加，得到累计总数m，再除W像素点总数得到边缘覆盖率，计算公式为：
[0050] S10 :所述释义重复率DuplicationRate的计算方法：SIFTFlow允许多点对一点的 匹配，引入释义重复率对其进行惩罚，计算方法为通过输入图像指向向量矩阵VX，vy，统计 最后指向点的重复数，除W图像像素数，得到释义重复率DuplicationRate。
[0051] S11 :由S9与S10得到的重复率DuplicationRate与释义重复率 DuplicationRate，可计算得到最终判断的指标相似度距离：
[0052] S=E(W,Di) + 日蝴uplicationRate+P*CoverRate
[0053] a，P分别为经验常数
[0054] S12 :统计NX4个模板正确释义车标的相似度距离Sw(N，i= 1，2, 3, 4)的均值 E(S)ni(N，i= 1，2,3,4)，方差 0 (S)ni(N，i= 1，2,3,4)，选取S*为数值最小的Sni(N，i= 1，2, 3, 4)，当5"^在E(S0 ±3 0 范围内，则选择该车标作为输出，若不在范围内，则输出 无车标。 阳055] 实施例：
[0056] S1:输入一帖包含logo且有一定的背景的矩形图像，图像尺寸76X150,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，因为是作归一化处理，本质上 并不改变图像。
[0057]S2:对图像Ii提取76X150X128维的DenseSIFT特征矩阵F。
[0058]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 到释义与能量分布E(W，Di)，可得其能量均值为：1428. 41629001883。
[0059]S4 :所述改进的SIFTFlow算法为W下两个方面：
[0060] 1、改进SIFTFlow的目标函数：
[0061] 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。
W65] 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。 [0066] 2、改进的SIFTFlow算法对SIFTFlow算法进行捜索框优化： 阳067] 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。
[0068]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3，g;ri化acing设定为1。当库的数量的为 10,则模板库特征矩阵的数量为10X4。
[0069]S6 :所述改进的SIFTFlow算法的释义模块初始参数设定为：d为经验阔值，设定 为2040 ;nlevels为由粗到细捜索层数，设定为7 ;wsize为捜素框的大小，设定为7X7; topwsize为初始捜索框大小，设定为30X30;iteration为捜索最优解的迭代次数，设定为 15 ;Topiteration为初始捜索迭代次数，设定为40。
[0070] S7 :所述通过W上设定初始参数与改进修改，得到函数SIFTFlowO。将待检测图 像特征矩阵与10X4个模板特征库Bwi(N= 1，2. . .，10;i= 1，2, 3, 4)分别导入函数，通过多 次多层的迭代，得到NX4个由原图像释义的4尺度模板图像的释义图Iw(N= 1，2. . .，10 ; i=l，2,3,4)，同时分别得到10X4个能量分布E(w，DlU(N=l，2...，10;i=l，2,3,4) 和10X4大小的平均能量矩阵
[0071]S8:将得到的释义图如图2所示，与10X4帖模板图做相似比对。分别得到：1、 边缘覆盖率；2、释义重复率，如奔驰优选释义图的边缘覆盖率为：0. 6973;释义重复率为： 0.0082。
[0072] S9 :由S8得到的重复率DuplicationRate与释义重复率DuplicationRate，可计 算得到最终判断的指标相似度距离：
[0073] S=a相vg巧（w,Di)) +P*l/DuplicationRate+丫*CoverRate
[0074] a= 10,P= 1，丫 = 5分别为经验常数 阳075] 得到最终的判别数：S*= 6. 6015。 阳076] S10 :统计10X4个模板正确释义车标的相似度距离Swi(N，i= 1，2, 3, 4)的均值 E(S)w(N，i= 1，2,3,4)，方差 0 (S)Ni(N，i= 1，2,3,4)，选取S*为数值最小的SNi(N，i= 1，2, 3, 4)，可的S*= 6. 6015,当S*在[4. 5521，12. 4567]范围内，则选择该车标Audi作为 输出。
【主权项】
1. 一种车标联合检测与识别的方法，包括以下步骤： 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； 步骤2 :截取获得车辆图像中的车标图像I1，将彩色图像1:转化为灰度图像，再进行二 值化处理得到图像I2; 步骤3 :图像I2通过SIFTFlow算法对车标模板特征库一一释义，得到释义结果图13Nl， 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； 步骤4 :释义图I3ni与模板图之间运用相似度计算，得到相似度S; 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; 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 这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En和方差〇N，置信区间为（EN-3〇N，EN+3〇N); 步骤7 :将得到的最小相似距离L与置信区间进行比对，在置信区间的则判定为该车 标，否则输出无车标。2. 如权利要求1所述的一种车标联合检测与识别的方法，其特征在于所述模板特征库 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。3. 如权利要求1所述的一种车标联合检测与识别的方法，其特征在于所述步骤3中的 SIFTFlow算法是： 步骤3. 1 :提取图像12的DenseSIFTMXNX128特征矩阵； 步骤3. 2 :匹配图像I2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搜索框； 步骤3. 3 :求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13。
【专利摘要】该发明公开了一种车标联合检测与识别的方法，属于车辆识别技术领域。该方法首先获得标准、清晰的车标图像，为模版图像，计算模版车标图像的特征，建立车标模板特征库；再截取获得车辆图像的车标图像，对截取图像进行灰度，二值化处理；再求出处理后的图像与所有模版图像的距离；然后计算相似度，将获得相似度与置信区间比较，处于置信区间内的就为对应的模板车标，从而实现发明目的。本发明具有对现有车标提取精度要求低；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；检测与识别一体，扩展性强的优点。
【IPC分类】G06K9/62, G06K9/46
【公开号】CN105224945
【申请号】CN201510598496
【发明人】崔国龙, 顾钦, 郑华堃, 翟玉强, 杨建宇, 孔令讲, 吴勇军
【申请人】电子科技大学
【公开日】2016年1月6日
【申请日】2015年9月18日