專利名稱：車標定位識別方法及系統的制作方法
技術領域：
本發明涉及模式識別領域，尤其涉及車標定位識別方法及系統。
背景技術：
隨著社會經濟的發展，車輛逐漸增多，從而使得對車輛進行信息化管理成為當前需要重視的問題。其中，車輛識別技術是對車輛進行信息化管理的一種重要手段。目前，車輛識別技術被廣泛應用在交通流量監測方面，例如高速公路卡口收費、闖紅燈違章監控、小區車輛自動收費系統，都需要應用到車輛識別技術。然而，現有的車輛識別技術一般只能對車牌、以及車輛的型號(如大型、中型、小型)進行識別，但無法識別出車輛的具體車型，也就是無法識別出車輛的車標，從而車輛監測機構也就無法了解目前人們對各品牌車輛的需求。
發明內容
本發明提出了車標定位識別方法及系統，能夠識別出車輛的車標。為了達到上述目的，本發明的技術方案是這樣實現的:車標定位識別方法，包括:采集各種車標的樣本圖片，得到車標模版庫；采用fast算法，提取出所述車標模版庫中每一種車標的樣本圖片的特征點集；以所述特征點集為訓練集，生成支持向量機svm分類器；該方法還包括:采集車輛的原始圖像；對所述原始圖像進行形態學預處理，并在所述形態學預處理得到的圖像上定位出所有車標候選區域；采用fast算法，提取出所述所有車標候選區域的待識別特征點集；采用所述svm分類器，對所述待識別特征點集進行匹配識別，并將與所述待識別特征點集相匹配的所述特征點集對應的車標作為識別結果。優選地，在所述采集車輛的原始圖像之后，該方法進一步包括:對所述原始圖像進行下采樣；所述對所述原始圖像進行形態學預處理，包括:對下采樣之后的原始圖像進行灰度化處理；所述形態學預處理得到的圖像為灰度圖像；所述在所述形態學預處理得到的圖像上定位出所有車標候選區域，包括:對所述灰度圖像進行邊緣檢測，得到所有的所述車標候選區域。優選地，所述邊緣檢測采用sobel算子，且所述車標候選區域為邊緣密度較鄰邊區域較大的區域。優選地，在得到所有的所述車標候選區域后，該方法進一步包括:根據所述車標候選區域的坐標，將所有的所述車標候選區域映射到所述原始圖像中，得到所述車標候選區域在所述原始圖像中的實際區域，并分割出所述實際區域；參與所述待識別特征點集的提取的所述車標候選區域為所述實際區域。優選地，在所述分割出所述實際區域之后，以及在進行對所述實際區域進行所述待識別特征點集的提取之前，該方法進一步包括:采用基于車牌矯正的方法對所述實際區域進行位置矯正；按照預先約定的標準格式，對經所述位置矯正之后的所述實際區域進行歸一化處理。優選地，所述采用fast算法，提取出所述所有車標候選區域的待識別特征點集，包括:采用fast算法，對所述車標候選區域中的角點進行粗提取；利用海森矩陣去除提取的所有所述角點中不穩定的邊緣點，得到所述待識別特征點集。優選地，所述與所述待識別特征點集相匹配的所述特征點集，包括:與所述待識別特征點集的相似度大于預設閾值的所述特征點集。本發明還提供了車標定位識別系統，包括:車標模板庫，用于存儲各種車標的樣本圖片；svm分類器生成模塊，用于采用fast算法，提取出所述車標模版庫中每一種車標的樣本圖片的特征點集；并以所述特征點集為訓練集，生成支持向量機svm分類器；該系統還包括:采集模塊，用于采集車輛的原始圖像；車標定位模塊，用于對所述原始圖像進行形態學預處理，并在所述形態學預處理得到的圖像上定位出所有車標候選區域；車標識別模塊，用于采用fast算法，提取出所述所有車標候選區域的待識別特征點集；采用所述svm分類器，對所述待識別特征點集進行匹配識別，并將與所述待識別特征點集相匹配的所述特征點集對應的車標作為識別結果。優選地，該系統進一步包括下采樣模塊，用于對所述原始圖像進行下采樣；所述車標定位模塊，包括:灰度化子模塊，用于對下采樣之后的原始圖像進行灰度化處理，得到灰度圖像；邊緣檢測子模塊，用于對所述灰度圖像進行邊緣檢測，得到所有的所述車標候選區域。優選地，該系統進一步包括:映射模塊，用于根據所述車標候選區域的坐標，將所有的所述車標候選區域映射到所述原始圖像中，得到所述車標候選區域在所述原始圖像中的實際區域；分割模塊，用于從所述原始圖像中分割出所述實際區域；所述車標識別模塊，用于采用fast算法，提取出所有所述實際區域的待識別特征點集；采用所述svm分類器，對所述待識別特征點集進行匹配識別，并將與所述待識別特征點集相匹配的所述特征點集對應的車標作為識別結果。與現有技術相比，本發明提供的車標定位識別方法及系統，首先采集各種車標的樣本圖片，得到車標模版庫，進而采用fast算法，提取出車標模版庫中每一種車標的樣本圖片的特征點集，并以所述特征點集為訓練集，生成支持向量機svm分類器；上述過程為實現車標識別而進行的準備操作；下面開始利用上述svm分類器對車輛進行車標的定位識另|J，具體地，采集車輛的原始圖像，并對該原始圖像進行形態學預處理，進而在形態學預處理得到的圖像中定位出所有車標候選區域；再采用fast算法提取出所有車標候選區域的待識別特征點集，并采用上述svm分類器對待識別特征點集進行匹配識別，進而將與所述待識別特征點集相匹配的所述特征點集對應的車標作為識別結果；綜上，本發明提供的車標定位識別方法及系統，通過采用fast算法提取出樣本圖片的特征點集，并采用svm分類器對這些特征點集進行分類，進而采用該svm分類器識別出車輛的車標，從而使得在車輛監測機構能夠實時獲知行駛車輛的車標信息，進而了解人們對各品牌車輛的需求，實現了對行駛車輛的信息化管理。
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1為本發明實施例一提供的一種車標定位識別方法的流程圖；圖2為本發明實施例二提供的另一種車標定位識別方法的流程圖；圖3為本發明實施例三提供的一種車標定位識別系統的模塊圖；圖4為本發明實施例四提供的另一種車標定位識別系統的模塊圖。
具體實施例方式為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。實施例一本發明實施例一提供了一種車標定位識別方法，參見圖1，該方法包括:步驟S101:采集各種車標的樣本圖片，得到車標模版庫；采用fast算法，提取出所述車標模版庫中每一種車標的樣本圖片的特征點集；以所述特征點集為訓練集，生成支持向量機svm分類器；其中，上述步驟SlOl為車標定位識別的準備工作，需要預先采用fast算法提取出各種車標的樣本圖片的特征點集，并采用svm分類器對這些特征點集進行分類；下面則采用上述形成的svm分類器對車輛進行車標識別，即該方法還包括:步驟S102:采集車輛的原始圖像；上述原始圖像中包含有車標；而且，上述采集過程具體是將拍攝裝置安裝于公路路口、收費站、停車場或者其他需要監測交通流量的位置，進而對行駛車輛進行圖像采集，得到含有車標的原始圖像；步驟S103:對所述原始圖像進行形態學預處理，并在所述形態學預處理得到的圖像上位出所有車標候選區域；
步驟S104:采用fast算法，提取出所述所有車標候選區域的待識別特征點集；步驟S104:采用所述svm分類器，對所述待識別特征點集進行匹配識別，并將與所述待識別特征點集相匹配的所述特征點集對應的車標作為識別結果。本發明實施例一提供的車標定位識別方法，首先采集各種車標的樣本圖片，得到車標模版庫，進而采用fast算法，提取出車標模版庫中每一種車標的樣本圖片的特征點集，并以所述特征點集為訓練集，生成支持向量機svm分類器；上述過程為實現車標識別而進行的準備操作；下面開始利用上述svm分類器對車輛進行車標的定位識別，具體地，采集車輛的原始圖像，并對該原始圖像進行形態學預處理，進而在形態學預處理得到的圖像中定位出所有車標候選區域；再采用fast算法提取出所有車標候選區域的待識別特征點集，并采用上述svm分類器對待識別特征點集進行匹配識別，進而將與所述待識別特征點集相匹配的所述特征點集對應的車標作為識別結果；綜上，本發明實施例一提供的車標定位識別方法，通過采用fast算法提取出樣本圖片的特征點集，并采用svm分類器對這些特征點集進行分類，進而采用該svm分類器識別出車輛的車標，從而使得在車輛監測機構能夠實時獲知行駛車輛的車標信息，進而了解人們對各品牌車輛的需求，實現了對行駛車輛的信息化管理。為了進一步說明上述實施例一提供的車標定位識別方法所帶來的較佳效果，下面給出該識別方法的一種優選實施方法，請參見實施例二。實施例二本發明實施例二提供了另一種車標定位識別方法，參見圖2，該方法包括:步驟201:采集各種車標的樣本圖片，得到車標模版庫；步驟202:采用fast算法，對所述車標候選區域中的角點進行粗提取；步驟203:利用海森矩陣去除提取的所有所述角點中不穩定的邊緣點，得到所述待識別特征點集；步驟204:以所述特征點集為訓練集，生成支持向量機svm分類器；也就是說，生成了具有特征點集的支持向量機svm分類器；上述步驟201-204完成了對車標的樣本圖片的特征點集提取并根據該特征點集生成svm分類器的過程，下面則利用該svm分類器進行車標識別；具體地，步驟205:采集車輛的原始圖像，并對所述原始圖像進行下采樣；再對下采樣之后的原始圖像進行灰度化處理，得到車輛的灰度圖像；其中，可以在一個預設時間段內采集多幀車輛的原始圖像，并分別對每幀原始圖像進行車標定位識別，這可提高車標識別的準確性；步驟206:根據車牌與車標的拓撲關系，在所述灰度圖像中粗定位出車標所在的區域；其中，車牌與車標的拓撲關系指的是車標一般位于車牌上方，而現有技術中車牌的定位識別技術已較為成熟，也較容易定位出車牌的位置，這樣，在定位出車牌的位置之后，再根據車牌與車標的拓撲關系粗略定位出車標所在的區域；步驟207:對所述灰度圖像進行邊緣檢測，得到所有的車標候選區域；優選地，邊緣檢測采用sobel算子，而且所述車標候選區域為邊緣密度較鄰邊區域較大的區域；
步驟208:根據所述車標候選區域的坐標，將所有的所述車標候選區域映射到所述原始圖像中，得到所述車標候選區域在所述原始圖像中的實際區域，并分割出所述實際區域；由于在對車輛的原始圖像進行灰度化的處理過程中，不可避免地會丟失一部分像素點，這就會對識別過程造成一定的影響，因此為了提高識別的準確度，本實施例中在得到車標候選區域后，將該車標候選區域映射到車輛的原始圖像中，得到車標候選區域在原始圖像中的實際區域，并從原始圖像中分割出該實際區域；步驟209:采用基于車牌矯正的方法對所述實際區域進行位置矯正；因為得到的實際區域通過都是傾斜的圖像，位置不正，因此需要按照基于車牌矯正的方法將實際區域進行位置矯正處理，以提高識別的準確度；步驟210:按照預先約定的標準格式，對經所述位置矯正之后的所述實際區域進行歸一化處理；分割出的實際區域的大小一般都不統一，不方便統一處理，因此需要按照預先約定的標準格式，將經位置矯正之后的實際區域轉換為該標準格式，以供后續處理；步驟211:采用fast算法，提取出所述所有車標候選區域的待識別特征點集；具體地，步驟211中的車標候選區域即為經過位置矯正以及歸一化處理的所述實際區域；而且，提取該實際區域中的待識別特征點集的過程與上述步驟202、203的處理方法相同；步驟212:采用所述svm分類器，對所述待識別特征點集進行匹配識別，并將與所述待識別特征點集的相似度大于預設閾值的所述特征點集對應的車標作為識別結果；優選地，預設閾值可以為0.6 ；本實施例提供的車標定位識別方法，采用fast算法提取出各種車標的樣本圖片的特征點集，并采用sm分類器對這些特征點集進行分類；進而利用分類形成的sm分類器對定位出的車標候選區域中提取出的待識別特征點集進行匹配，整個識別過程的運算量較小、抗噪能力較強，能夠滿足實時應用的要求；而且，本實施例中，先根據車牌與車標的拓撲關系粗定位出車標所在的區域，進而根據邊緣檢測算法精定位出車標候選區域，使得車標的定位精度較高；此外，由于在對車輛的原始圖像進行灰度化以及二值化的處理過程中，不可避免地會丟失一部分像素點，這就會對識別過程造成一定的影響，因此本實施例中，在得到車標候選區域后，將該車標候選區域映射到車輛的原始圖像中，得到車標候選區域在原始圖像中的實際區域，并從原始圖像中分割出該實際區域，進而使用該實際區域參與車標的識別過程，進一步提高了車標識別的準確度；綜上，本實施例提供的車標定位識別方法，可以快速有效地從各種復雜場景中識別行駛車輛的車標，進而使得在交通流量監測中監測系統能夠實時了解行駛車輛的車標信息，實現了對行駛車輛的信息化管理。實施例三針對實施例一，本發明實施例三提供了一種車標定位識別系統，參見圖3，該系統包括:
車標模板庫31，用于存儲各種車標的樣本圖片；svm分類器生成模塊32，用于采用fast算法，提取出所述車標模版庫中每一種車標的樣本圖片的特征點集；并以所述特征點集為訓練集，生成支持向量機svm分類器；該系統還包括:采集模塊33，用于采集車輛的原始圖像；車標定位模塊34，用于對所述原始圖像進行形態學預處理，并在所述形態學預處理得到的圖像上定位出所有車標候選區域；車標識別模塊35，用于采用fast算法，提取出所述所有車標候選區域的待識別特征點集；采用所述svm分類器，對所述待識別特征點集進行匹配識別，并將與所述待識別特征點集相匹配的所述特征點集對應的車標作為識別結果。實施例四針對是實施例二，本發明實施例四提供了另一種車標定位識別系統，參見圖4，該系統包括:分類器模塊41，采集模塊42，圖像預處理模塊43，車標區域檢測模塊44，圖像還原模塊45，圖像調整模塊46，車標識別模塊47 ;具體地，分類器模塊41，包括:車標模板庫411，第一提取子模塊412，分類器生成子模塊413 ;其中，車標模板庫411，用于保存預先采集的各種車標的樣本圖片；第一提取子模塊412，用于采用fast算法，對所述車標候選區域中的角點進行粗提取；并利用海森矩陣去除提取的所有所述角點中不穩定的邊緣點，得到待識別特征點集;分類器生成子模塊413，用于以所述特征點集為訓練集，生成支持向量機svm分類器；也就是說，采用支持向量機svm分類器對特征點集進行分類；采集模塊42，用于采集車輛的原始圖像；圖像預處理模塊43，包括:下采樣子模塊431，灰度處理子模塊432 ;其中，下采樣子模塊431，用于對所述原始圖像進行下采樣；灰度處理子模塊432，用于對下采樣之后的原始圖像進行灰度化處理，得到車輛的灰度圖像；車標區域檢測模塊44，包括:車標粗定位子模塊441，車標精定位子模塊442 ;其中，車標粗定位子模塊441，用于根據車牌與車標的拓撲關系，在所述灰度圖像中粗定位出車標所在的區域；車標精定位子模塊442，用于對所述灰度圖像進行邊緣檢測，得到所有的所述車標候選區域；圖像還原模塊45，包括:映射子模塊451，分割子模塊452 ;其中，映射子模塊451，用于根據所述車標候選區域的坐標，將所有的所述車標候選區域映射到所述原始圖像中，得到所述車標候選區域在所述原始圖像中的實際區域；分割子模塊452，用于從所述原始圖像上分割出所述實際區域；圖像調整模塊46，包括:位置矯正子模塊461，歸一化子模塊462 ;其中，
位置矯正子模塊461，用于采用基于車牌矯正的方法對所述實際區域進行位置矯正；歸一化子模塊462，用于按照預先約定的標準格式，對經所述位置矯正之后的所述實際區域進行歸一化處理；車標識別模塊47，包括:第二提取子模塊471，識別子模塊472 ;其中，第二提取子模塊471，用于采用fast算法，提取出所述所有車標候選區域的待識別特征點集；具體地，車標候選區域即為經過位置矯正以及歸一化處理的所述實際區域；識別子模塊472，用于采用所述svm分類器，對所述待識別特征點集進行匹配識另O，并將與所述待識別特征點集的相似度大于預設閾值的所述特征點集對應的車標作為識別結果。本領域普通技術人員可以理解:實現上述方法實施例的全部或部分步驟可以通過程序指令相關的硬件來完成，前述的程序可以存儲于一計算機可讀取存儲介質中，該程序在執行時，執行包括上述方法實施例的步驟；而前述的存儲介質包括:R0M、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質。最后應說明的是:以上實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解:其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。
權利要求
1.標定位識別方法，其特征在于，包括:采集各種車標的樣本圖片，得到車標模版庫；采用fast算法，提取出所述車標模版庫中每一種車標的樣本圖片的特征點集；以所述特征點集為訓練集，生成支持向量機svm分類器； 該方法還包括: 采集車輛的原始圖像； 對所述原始圖像進行形態學預處理，并在所述形態學預處理得到的圖像上定位出所有車標候選區域； 采用fast算法，提取出所述所有車標候選區域的待識別特征點集； 采用所述svm分類器，對所述待識別特征點集進行匹配識別，并將與所述待識別特征點集相匹配的所述特征點集對應的車標作為識別結果。
2.按權利要求1所述的車標定位識別方法，其特征在于，在所述采集車輛的原始圖像之后，該方法進一步包括:對所述原始圖像進行下采樣； 所述對所述原始圖像進行形態學預處理，包括:對下采樣之后的原始圖像進行灰度化處理； 所述形態學預處理得到的圖像為灰度圖像； 所述在所述形態學預處理得到的圖像上定位出所有車標候選區域，包括:對所述灰度圖像進行邊緣檢測，得到所有的所述車標候選區域。
3.按權利要求2所述的車標定位識別方法，其特征在于，所述邊緣檢測采用sobel算子，且所述車標候選區域為 邊緣密度較鄰邊區域較大的區域。
4.按權利要求1所述的車標定位識別方法，其特征在于，在得到所有的所述車標候選區域后，該方法進一步包括:根據所述車標候選區域的坐標，將所有的所述車標候選區域映射到所述原始圖像中，得到所述車標候選區域在所述原始圖像中的實際區域，并分割出所述實際區域； 參與所述待識別特征點集的提取的所述車標候選區域為所述實際區域。
5.按權利要求4所述的車標定位識別方法，其特征在于，在所述分割出所述實際區域之后，以及在進行對所述實際區域進行所述待識別特征點集的提取之前，該方法進一步包括: 采用基于車牌矯正的方法對所述實際區域進行位置矯正； 按照預先約定的標準格式，對經所述位置矯正之后的所述實際區域進行歸一化處理。
6.按權利要求1所述的車標定位識別方法，其特征在于，所述采用fast算法，提取出所述所有車標候選區域的待識別特征點集，包括: 采用fast算法，對所述車標候選區域中的角點進行粗提取； 利用海森矩陣去除提取的所有所述角點中不穩定的邊緣點，得到所述待識別特征點集。
7.按權利要求1-6任意一項所述的車標定位識別方法，其特征在于，所述與所述待識別特征點集相匹配的所述特征點集，包括:與所述待識別特征點集的相似度大于預設閾值的所述特征點集。
8.標定位識別系統，其特征在于，包括:車標模板庫，用于存儲各種車標的樣本圖片；svm分類器生成模塊，用于采用fast算法，提取出所述車標模版庫中每一種車標的樣本圖片的特征點集；并以所述特征點集為訓練集，生成支持向量機svm分類器； 該系統還包括: 采集模塊，用于采集車輛的原始圖像； 車標定位模塊，用于對所述原始圖像進行形態學預處理，并在所述形態學預處理得到的圖像上定位出所有車標候選區域； 車標識別模塊，用于采用fast算法，提取出所述所有車標候選區域的待識別特征點集；采用所述svm分類器，對所述待識別特征點集進行匹配識別，并將與所述待識別特征點集相匹配的所述特征點集對應的車標作為識別結果。
9.按權利要求8所述的車標定位識別系統，其特征在于，該系統進一步包括下采樣模塊，用于對所述原始圖像進行下采樣； 所述車標定位模塊，包括:灰度化子模塊，用于對下采樣之后的原始圖像進行灰度化處理，得到灰度圖像；邊緣檢測子模塊，用于對所述灰度圖像進行邊緣檢測，得到所有的所述車標候選區域。
10.按權利要求9所述的車標定位識別系統，其特征在于，該系統進一步包括:映射模塊，用于根據所述車標候選區域的坐標，將所有的所述車標候選區域映射到所述原始圖像中，得到所述車標候選區域在所述原始圖像中的實際區域；分割模塊，用于從所述原始圖像中分割出所述實際區域； 所述車標識別模塊，用于采用fast算法，提取出所有所述實際區域的待識別特征點集；采用所述svm分類器，對所述待識別特征點集進行匹配識別，并將與所述待識別特征點集相匹配的所述特征點集 對應的車標作為識別結果。
全文摘要
本發明屬于模式識別領域，具體為車標定位識別方法及系統，能夠識別出車輛的車標。車標定位識別方法包括采集各種車標的樣本圖片，得到車標模版庫；采用fast算法，提取出所述車標模版庫中每一種車標的樣本圖片的特征點集；以所述特征點集為訓練集，生成支持向量機svm分類器；該方法還包括采集車輛的原始圖像；對所述原始圖像進行形態學預處理，并在所述形態學預處理得到的圖像上定位出所有車標候選區域；采用fast算法，提取出所述所有車標候選區域的待識別特征點集；采用所述svm分類器，對所述待識別特征點集進行匹配識別，并將與所述待識別特征點集相匹配的所述特征點集對應的車標作為識別結果。
文檔編號G06K9/00GK103093201SQ20131002098
公開日2013年5月8日 申請日期2013年1月21日 優先權日2013年1月21日
發明者王海峰, 王曉萌, 何小波, 董博, 楊宇, 張凱歌 申請人:信幀電子技術(北京)有限公司