车标自动识别方法及系统技术方案

本发明专利技术公开了一种车标自动识别方法及系统，包括离线训练子系统和在线识别子系统。采用dense-SIFT提取车标特征，能在低分辨率车标图片上提取丰富、稳定以及具有识别判别性的特征；对dense-SIFT特征聚类分析，建立视觉词库及KD树索引，以此加快计算速度；根据dense-SIFT和视觉词的相关性，将dense-SIFT映射成所有视觉词表示，增加特征描述性；在建立视觉词直方图时，提出“回字形空间金字塔”增加特征的空间位置信息，提升判别效果；采用支持向量机训练车标分类器，实现车标识别。本发明专利技术在低分辨率图像下仍具有高识别率，对遮挡、光照、天气、拍摄角度变化等具有高鲁棒性，计算时间短，极具实时性。

【技术实现步骤摘要】
车标自动识别方法及系统
本专利技术涉及的是车辆自动识别
，具体地，涉及的是一种车标自动识别方法及系统。
技术介绍
随着社会经济及道路交通的迅速发展，汽车得到大面积普及，机动车数量激增。这一方面使高速路、停车场等车辆激增而难以统计，增加道路交通管理的难度；另一方面违规、违章和盗抢案件显著增加，增加了治安管理的难度。传统的道路交通管理及治安管理，通常只能靠人眼观察车辆信息，效率和侦破率很低。因此，车辆的安全自动化管理成为了一个亟待解决的重要问题。车辆的自动识别，可以方便快捷的实现轻松缴费、违章记录、流量统计等大量工作，既能代替人实现繁重、繁琐的工作，又可以提高工作的速度和准确度。目前，基于视频图像的运动车辆识别技术仍然是相对薄弱的技术环节。车辆识别需要最大限度地利用车辆的信息对道路上的车辆进行确认。车标是车辆的一个非常重要信息，不仅是车辆的标志性图像，更重要的是包含了车型和生产厂家的信息，且难以更换。因此车标识别技术将在城市智能交通中发挥越来越重要的作用，以车标识别为核心技术的相关产品也会成为智能交通系统的重要前端设备。经对现有的技术文献检索发现，目前车标识别的方法主要有以下四种：模板匹配法，边缘直方图法，特征匹配法以及特征训练分类器法。然而，现有的这四种车标识别方法都有很大的局限性。模板匹配法只适用于摄像机正面拍摄的场景，当摄像机倾斜或拍摄的车标图像移位时，这种识别方法准确率低，不适合实际应用；边缘直方图法算法简单，但不同车标具有相似的边缘直方图，这种方法误识率较大；特征匹配法计算量大、易受光照、天气、遮挡、噪声等的影响，系统鲁棒性差，而且这种方法随着车标种类增多其准确率会降低；特征训练分类器法算法复杂、计算量大，计算时间长，难以实现实时识别，不适合实时系统的应用。由于复杂的城市交通环境(如光线及天气变化变化，遮挡等)，车标识别系统仍然面临很大的挑战。车标识别技术近几年才得以发展，目前算法仍然不成熟，总结来说主要存在以下几个难点：1)准确率低，相似车标误识率大，车标类别越多识别准确率越低；2)计算量大，计算时间长，不适合在实时系统应用；3)鲁棒性低，易受光照、天气、摄像机角度、遮挡等环境因素影响。4)低图像分辨率条件下，识别能力差。
技术实现思路
鉴于现有技术存在的上述不足，本专利技术提出了一种车标自动识别方法及系统，具有高识别率、强鲁棒性、高实时性的特点。本专利技术的车标识别系统对光照、天气、拍摄角度等变化具有更强的鲁棒性，在低分辨率条件下识别能力强，并且在线计算量小、处理时间少，适合于实时系统的应用。根据本专利技术的一方面，提供一种车标自动识别方法，所述方法包括两个部分：离线训练部分和在线识别子部分，其中：所述离线训练部分包括以下几个步骤：第一步：对训练车标样本图片I提取dense-SIFT特征d。具体步骤为：1.1)用密集采样网格确定特征提取点。网格上的交叉点即为特征提取点，其中采样密度为M个像素，即网格上一个特征提取点到下一个特征提取点的距离是M个像素。1.2)以每个特征提取点为中心，取N*N的窗口，计算SIFT特征描述子。第二步：从提取的所有dense-SIFT特征中，随机选取104个dense-SIFT组成特征集，利用K-MEANS聚类法，将dense-SIFT特征集分为K个聚类并计算出聚类质心。每个聚类质心作为一个视觉词，最终形成一个具有K个视觉词的词汇库。第三步：建立KD树，快速索引第二步建立的词汇库中的视觉词。第四步：根据已建立的词汇库，将车标图片I＝{di,di∈I}的所有dense-SIFT特征映射成视觉词，具体方法为：根据距离越近越相似的原则，计算dense-SIFT特征di与视觉词μj之间的相关度建立dense-SIFT特征di与K个视觉词μj之间的映射，映射关系为f(di)＝[K(di,μ1),…,K(di,μk)]T；其中di表示第i个特征，μj表示第j个视觉词，μk表示第k个视觉词，k为视觉词的个数，σ2为高斯函数的宽度参数，控制了函数的径向作用范围，T为矩阵转置符。第五步：采用“回字形空间金字塔”，建立空间视觉词直方图来表示图像。分析一张W*H(宽*高)的车标图片，具体方法是：5.1)以(W/2,H/2)为中心，提取一个宽为W，高为H的矩形区域，即将整幅图像作为感兴趣区域I1，计算该感兴趣区域的视觉词直方图h(I1)。h(I1)为K维。5.2)以(W/2,H/2)为中心，选择一个宽为2W/3，高为2H/3的矩形区域作为感兴趣区域I2，计算该感兴趣区域的视觉词直方图h(I2)。h(I2)为K维。5.3)以(W/2,H/2)为中心，选择一个宽为W/3，高为H/3的矩形区域作为一个感兴趣区域I3，计算该感兴趣区域的视觉词直方图h(I3)。h(I3)为K维。5.4)将三个感兴趣区域I1、I2、I3的视觉词直方图顺次拼接并归一化，形成车标直方图建立最终的视觉词直方图H(I)，即H(I)＝[h(I1),h(I2),h(I3)]/‖H(I)‖1，‖H(I)‖1代表H(I)的绝对值和，H(I)的维数为3×K维。计算视觉词直方图的方法为：其中|Ij|代表该感兴趣区域中dense-SIFT的个数，f(di)如离线训练子系统的第四步所示，表示dense-SIFT特征与视觉词之间的映射关系f(di)＝[K(di,μ1),…,K(di,μk)]T。第六步：利用车标的空间视觉词直方图，训练支持向量机SVM分类器。当训练第i类车标时，将该类的车标图像标记为+1，其余的车标图片标记为-1，本实施例采用径向基(RBF)核为SVM的核函数，为每类车标训练SVM模型。径向基(RBF)核函数公式为：K(Hi，Hj)＝exp(-γ||Hi-Hj||2)其中Hi、Hj表示训练样本的空间直方图；γ为RBF的核参数；另外训练SVM模型时还需输入惩罚因子C。所述在线识别部分包括以下几个步骤：第一步：提取待检测车标图片的dense-SIFT特征。具体方法是：1.1)在车标图像上设定密集采样网格，网格上的交叉点作为特征提取点，以每个特征提取点为中心。其中采样密度为M个像素，即网格上一个特征提取点到下一个特征提取点的距离是M个像素。1.2)以每个特征提取点为中心，取N×N的窗口，计算SIFT特征描述子。M的取值要满足既能够得到丰富的特征提取点，又不能导致过大的计算量；N*N窗口大小的选取要保证能较好的描述出提取点处的特征。M,N与离线系统中的参数保持一致。第二步：根据离线训练部分已建立的词汇库，将待检测车标图片I＝{di,di∈I}的所有dense-SIFT特征映射成视觉词，具体方法为：计算dense-SIFT特征di与K个视觉词的相关度将dense-SIFT映射成K个视觉词表示，f(di)＝[K(di,μ1),…,K(di,μk)]T。第三步：利用回字形空间金字塔，建立空间直方图来表示图像，具体方法是：5.1)以(W/2,H/2)为中心，提取一个宽为W，高为H的矩形区域，即将整幅图像作为感兴趣区域I1，计算该感兴趣区域的视觉词直方图h(I1)。h(I1)为K维。5.2)以(W/2,H/2)为中心，选择一个宽为2W/3，高为2H/3的矩形区域作为感兴趣区域I2，计算该感兴趣区域的视觉词直方图h(I2)。h(I2)为K维。5.本文档来自技高网...

【技术保护点】
一种车标自动识别方法，包括离线训练部分和在线识别部分，其特征在于：所述离线训练部分包括以下步骤：（1）：提取训练车标样本图片的dense?SIFT特征，得到dense?SIFT特征集；（2）：用K?MEANS方法对dense?SIFT特征集聚类分析，建立视觉词汇库；（3）：建立KD树，快速索引步骤（2）建立的词汇库中的视觉词；（4）：根据已建立的词汇库，计算dense?SIFT特征集与视觉词的相关性，将dense?SIFT映射成所有视觉词表示；（5）：采用回字形空间金字塔，建立空间视觉词直方图来表示图像；（6）：利用空间视觉词直方图训练支持向量机SVM分类器；所述在线识别部分包括以下步骤：（7）：提取待检测车标图片的dense?SIFT特征；（8）：根据离线训练部分已建立的词汇库，计算dense?SIFT与视觉词的相关性，将dense?SIFT映射成视觉词表示；（9）：采用回字形空间金字塔，建立空间视觉直方图来表示图像；（10）：将待检测图片的空间视觉直方图输入支持向量机SVM分类器，输出识别结果。

【技术特征摘要】
1.一种车标自动识别方法，包括离线训练部分和在线识别部分，其特征在于：所述离线训练部分包括以下步骤：(1)：提取训练车标样本图片的dense-SIFT特征，得到dense-SIFT特征集；(2)：用K-MEANS方法对dense-SIFT特征集聚类分析，建立视觉词汇库；(3)：建立KD树，快速索引步骤(2)建立的词汇库中的视觉词；(4)：根据已建立的词汇库，计算dense-SIFT特征集与视觉词的相关性，将所有的dense-SIFT映射成视觉词表示；(5)：采用回字形空间金字塔，建立空间视觉词直方图来表示图像；(6)：利用空间视觉词直方图训练支持向量机SVM分类器；所述在线识别部分包括以下步骤：(7)：提取待检测车标图片的dense-SIFT特征；(8)：根据离线训练部分已建立的词汇库，计算dense-SIFT与视觉词的相关性，将dense-SIFT映射成视觉词表示；(9)：采用回字形空间金字塔，建立空间视觉直方图来表示图像；(10)：将待检测图片的空间视觉直方图输入支持向量机SVM分类器，输出识别结果；步骤(5)、(9)中在车标图片上选择三个不同大小的矩形区域作为感兴趣区域，建立回字形空间金字塔，增加dense-SIFT特征的空间位置信息；分析一张车标图片，具体步骤包括：1)以(W/2,H/2)为中心，提取一个宽为W，高为H的矩形区域，即将整幅图像作为感兴趣区域I1，计算该感兴趣区域的视觉词直方图h(I1)，h(I1)为K维；2)以(W/2,H/2)为中心，选择一个宽为2W/3，高为2H/3的矩形区域作为感兴趣区域I2，计算该感兴趣区域的视觉词直方图h(I2)，h(I2)为K维；3)以(W/2,H/2)为中心，选择一个宽为W/3，高为H/3的矩形区域作为一个感兴趣区域I3，计算该感兴趣区域的视觉词直方图h(I3)，h(I3)为K维；4)将三个感兴趣区域I1、I2、I3的视觉词直方图顺次拼接，并归一化形成车标直方图建立最终的视觉词直方图H(I)，即H(I)＝[h(I1)，h(I2)，h(I3)]/||H(I)||1，||H(I)||1代表H(I)的绝对值和，H(I)的维数为3×K维；计算视觉词直方图的方法为：其中|Ij|代表该感兴趣区域Ij中dense-SIFT的个数，f(di)为dense-SIFT特征与视觉词的映射关系，di表示第i个特征。2.根据权利要求1所述的车标自动识别方法，其特征在于，步骤(1)、(7)中提取dense-SIFT的方法为：1)用密集采样网格确定特征提取点，网格上的交叉点即为特征提取点，其中采样密度为M个像素，即网格上一个特征提取点到下一个特征提取点的距离是M个像素；2)以每个特征提取点为中心，取N*N的窗口，计算SIFT特征描述子。3.根据权利要求1所述的车标自动识别方法，其特征是，步骤(2)具体为：从提取的所有dense-SIFT特征中，随机选取104个dense-SIFT组成特征集，利用K-MEANS聚类法，将dense-SIFT特征集分为K个聚类并计算出聚类质心，每个聚类质心作为一个视觉词，最终形成一个具有K个视觉词的词汇库。4.根据权利要求1所述的车标自动识别方法，其特征是，步骤(4)、(8)具体为：根据距离越近越相似的原则，计算dense-SIFT特征di与视觉词μj之间的相关度建立dense-SIF...

【专利技术属性】
技术研发人员：郑世宝，杨华，于淑媛，王玉，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：