一種車標識別方法及裝置的制造方法
【技術領域】
[0001] 本申請涉及視頻監控技術領域，尤其涉及一種車標識別方法及裝置。
【背景技術】
[0002] 車標是車輛的重要信息，是車輛的標志性圖像，車標識別可對車輛監控和跟蹤提 供強有力的信息支持。但是，由于車標較小、相似性大，且受光照、背景、形狀等原因影響，難 以準確識別。
[0003] 目前的車標識別技術主要依賴于車標的精準定位，而車標定位多采用圖像處理以 及模式識別技術，該車標定位方式對車標的周圍紋理、角度旋轉、傾斜等極度敏感，因此，在 復雜場景下很難做到準確定位，進而導致車標的識別率低。
【發明內容】
[0004] 有鑒于此，本申請提供一種車標識別方法及裝置。
[0005] 具體地，本申請是通過如下技術方案實現的：
[0006] 本申請提供一種車標識別方法，該方法包括：
[0007] 采用車標檢測算法訓練車標分類器；
[0008] 獲取待檢測圖像中的車牌位置信息；
[0009] 根據所述車牌位置信息確定車標初選區域；
[0010] 利用訓練得到的車標分類器對所述車標初選區域進行車標檢測，獲得若干第一車 標候選區域；
[0011] 計算每一個第一車標候選區域的第一車標置信度；
[0012] 根據第一車標候選區域的位置計算對應的車標位置置信度；
[0013] 根據所述車標位置置信度從所述若干第一車標候選區域篩選出距離所述車標初 選區域的中軸線較近的第一車標候選區域作為第二車標候選區域；
[0014] 采用機器學習算法對所述第二車標候選區域進行識別，獲取第二車標候選區域的 第二車標置信度；
[0015] 對多個第二車標候選區域進行區域融合生成多個融合候選區域；
[0016] 根據生成融合候選區域的第二車標候選區域的第一車標置信度、車標位置置信度 以及第二車標置信度計算對應融合候選區域的融合置信度；
[0017] 選擇融合置信度最高的融合候選區域作為識別出的車標。
[0018] 本申請還提供一種車標識別裝置，該裝置包括：
[0019] 訓練單元，用于采用車標檢測算法訓練車標分類器；
[0020] 獲取單元，用于獲取待檢測圖像中的車牌位置信息；
[0021] 確定單元，用于根據所述車牌位置信息確定車標初選區域；
[0022] 檢測單元，用于利用訓練得到的車標分類器對所述車標初選區域進行車標檢測， 獲得若干第一車標候選區域；
[0023] 第一計算單元，用于計算每一個第一車標候選區域的第一車標置信度；
[0024] 第二計算單元，用于根據第一車標候選區域的位置計算對應的車標位置置信度；
[0025] 篩選單元，用于根據所述車標位置置信度從所述若干第一車標候選區域篩選出距 離所述車標初選區域的中軸線較近的第一車標候選區域作為第二車標候選區域；
[0026] 識別單元，用于采用機器學習算法對所述第二車標候選區域進行識別，獲取第二 車標候選區域的第二車標置信度；
[0027] 融合單元，用于對多個第二車標候選區域進行區域融合生成多個融合候選區域；
[0028] 第三計算單元，用于根據生成融合候選區域的第二車標候選區域的第一車標置信 度、車標位置置信度以及第二車標置信度計算對應融合候選區域的融合置信度；
[0029] 選擇單元，用于選擇融合置信度最高的融合候選區域作為識別出的車標。
[0030] 由以上描述可以看出，本申請不依賴于車標的精準定位，而是基于深度學習算法， 采用多種置信度加權融合的方式進行車標識別，提高在復雜場景下的車標識別率。
【附圖說明】
[0031] 圖1是本申請一示例性實施例示出的一種車標識別方法流程圖；
[0032] 圖2是本申請一示例性實施例示出的正樣本和負樣本示例；
[0033] 圖3是本申請一示例性實施例示出的車標初選區域示意圖；
[0034] 圖4是本申請一示例性實施例示出的一種車標識別裝置所在設備的基礎硬件結 構示意圖；
[0035] 圖5是本申請一示例性實施例示出的一種車標識別裝置的結構示意圖。
【具體實施方式】
[0036] 這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及 附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例 中所描述的實施方式并不代表與本申請相一致的所有實施方式。相反，它們僅是與如所附 權利要求書中所詳述的、本申請的一些方面相一致的裝置和方法的例子。
[0037] 在本申請使用的術語是僅僅出于描述特定實施例的目的，而非旨在限制本申請。 在本申請和所附權利要求書中所使用的單數形式的"一種"、"所述"和"該"也旨在包括多 數形式，除非上下文清楚地表示其他含義。還應當理解，本文中使用的術語"和/或"是指 并包含一個或多個相關聯的列出項目的任何或所有可能組合。
[0038] 應當理解，盡管在本申請可能采用術語第一、第二、第三等來描述各種信息，但這 些信息不應限于這些術語。這些術語僅用來將同一類型的信息彼此區分開。例如，在不脫離 本申請范圍的情況下，第一信息也可以被稱為第二信息，類似地，第二信息也可以被稱為第 一信息。取決于語境，如在此所使用的詞語"如果"可以被解釋成為"在……時"或"當…… 時"或"響應于確定"。
[0039]目前的車標識別技術主要采用圖像處理以及模式識別技術，在車牌識別技術的 基礎上，利用車牌與車標的相對位置關系，對車標進行初定位；再利用基于Haar特征的 Adaboost算法進行車標檢測，得到若干疑似車標區域；然后利用基于H0G(Histogramof OrientedGradient,方向梯度直方圖）特征的SVM(SupportVectorMachine,支持向量 機）算法對疑似車標區域進行篩選，選取置信度最大的區域作為車標定位區域；最后對確 定的車標定位區域進行車標識別。
[0040] 在上述車標識別過程中，通常需要根據車標長寬比的不同訓練出多個車標分類 器，且由于長寬比不同，必然導致采用不同尺度、不同步長、不同滑動窗口進行檢測，因此， 需要消耗大量的系統資源。其次，由于H0G算法的固有缺陷，很難處理遮擋、殘缺等問題，且 該算法對圖像噪點相當敏感。此外，選取置信度最大的區域作為車標定位區域的判別方式 過于簡單暴力，容易造成誤判。
[0041] 針對上述問題，本申請實施例提出一種車標識別方法，該方法不依賴于車標的精 準定位，而是基于深度學習算法，用多種置信度加權融合的方式進行車標識別。
[0042] 參見圖1，為本申請車標識別方法的一個實施例流程圖，該實施例對車標識別過程 進行描述。
[0043] 步驟101，采用車標檢測算法訓練車標分類器。
[0044] 本申請實施例在車標識別過程中使用車標分類器進行車標識別，因此，需預先訓 練車標分類器。該車標分類器的訓練（步驟101)只需在車標檢測（步驟104)之前完成即 可。具體可米用Adaboost算法、H0G算法、DPM(DeformablePartsModel，變形件模型）算 法等檢測算法進行車標分類器訓練。
[0045] 在一種優選的實施方式中，采用Adaboost算法進行車標分類器的訓練，具體為：
[0046] 獲取車標圖案的正樣本和負樣本，正樣本為包含車標圖案的樣本，負樣本為不包 含車標圖案的樣本。在本申請實施例中，所有正樣本按照1:1的寬高比進行標定，如圖2(a) 所示，對于不滿足1:1寬高比的車標，可截取車標區域具有辨識度的部分作為正樣本，例 如，奧迪車標可選取四環中的一環作為正樣本，如圖2(b)所示。
[0047] 此外，本實施例中的負樣本分為兩部分，一部分為僅包含車標初選區域（車標初 選區域為車牌正上方區域，在后續描述中會詳細介紹）的負樣本，以下簡稱為第一負樣本， 如圖2(c)所示，該第一負樣本主要是考慮本申請實施例在后續車標識別過程中基于車標 初始區域進行車標識別，因此，選擇車標初選區域作為負樣本可有效排除車標初選區域內 的非車標區域，提高車標分類器的檢測效率。另一部分負樣本為包含整張車前臉的負樣本， 如圖2(d)所示，以下簡稱為第二負樣本。盡管第一負樣本具有很強的排除能力，但是由于 車標初選區域的范圍比較小，且該區域內的紋理特征有限，當車標種類增加時，位于該車標 初選區域范圍內的車標區域與非車標區域的差異性很小，單純利用第一負樣本生成的車標 分類器進行車標識別的效果不佳，本申請實施例增加了第二負樣本，該第二負樣本包含整 張車前臉，紋理特征豐富，可增大車標區域與非車標區域的差異，有利于車標識別，因此，通 過增加第二負樣本可提升車標分類器的收斂性。當然，無論是第一負樣本還是第二負樣本 均需摳取掉車標圖案。
[0048] 在獲取到訓練所需的正樣本和負樣本后，本申請實施例首先根據正樣本和第一負 樣本訓練得到前N級強分類器，再根據正樣本和第二負樣本訓練得到后M級強分類器，將前 N級強分類器與后M級強分類器級聯生成車標分類器。如前所述，根據第一負樣本訓練得 到前N級強分類器可有效排除車標初選區域內的非車標區域；根據第二負樣本訓練得到后 M級強分類器可提升車標分類器的收斂性，在此不再贅述。
[0049] 步驟102,獲取待檢測圖像中的車牌位置信息。
[0050] 可采用現有較成熟的車牌識別技術識別車牌，獲取待檢測圖像中車牌的位置信 息，在此不再贅述。
[0051] 步驟103,根據所述車牌位置信息確定車標初選區域。
[0052] 通過大量的觀察可發現，車標通常位于車牌正上方區域，但其所處高度存在差異， 例如，一些小型轎車車標通常位于車牌上方鄰近區域，而一些大型車輛車標通常位于車牌 上方較高區域（如大卡車、中型貨車等）。通過對大量車標位置的統計發現，車標高度通常 不超過兩倍車牌寬度。因此，本申請實施例根據上述統計結果確定