[发明专利]快速级联式车标视觉检测与识别方法和系统

说明书

技术领域

本发明所属技术领域为计算机视觉和机器学习，具体地涉及一种将车标定位与分类相结合的快速级联检测与识别方法和系统。

背景技术

基于视觉信息的目标检测与识别问题，一直是计算机视觉领域长期研究的热点，在安全监控、信息检索、工业制造等方面都具有广泛的应用。检测与识别的主要目标是从图像或视频中提取出人们所感兴趣的区域(例如人体、车辆等)，并识别出该区域对应于事先定义好的哪一种类型(例如男人、女人、轿车、货车等)。近年来，出现了一系列效果比较理想的目标检测和识别方法：如Dalal N,Triggs B.在Histograms of Oriented Gradients(HOG)for human detection中提出的利用梯度方向直方图的特征实现对人体的检测；Felzenszwalb P,Girshick R,McAllester D,Ramanan D.在Object detection with Discriminatively trained Part-based Models(DPM)中对HOG模型做了改进和优化工作，实现以不同的长宽比对物体进行检测；支持向量机、神经网络等分类算法也已经被广泛应用于各种实际问题中。

通常情况下，目标的检测与识别被作为两个独立的部分去分别处理，即首先在整幅图像中完成对感兴趣区域的检测，然后将检测结果通过一个训练好的分类器进行识别。这样的检测-识别框架能够满足部分实际问题的应用，但也存在一些显著的问题：如检测性能的优劣将直接影响分类器的识别结果，检测环节与识别环节的错误和耗时将累加到最终的检测识别性能中。因此，如何将检测与识别相结合，让检测环节与识别环节共享更多有效信息，并在此基础上减少运算耗时，成为本发明的主要着眼点。

发明内容

针对现有技术中的缺陷，本发明的目的在于针对独立的检测-识别框架下错误和耗时累加的问题，提出将车标定位与分类相结合的快速级联检测与识别方法。该方法能够在保证检测识别精度的情况下减少运算耗时，具有较好的可行性和鲁棒性。

本发明能够在整辆车区域中(如图1所示区域)完成车标的检测和识别，特别的，如果能够获得车牌的位置信息，则可以根据车牌和车标相对位置的先验知识减少搜索区域(如图2所示的箭头指出的矩形框区域)，进一步提高检测识别的精度和速度。

根据本发明提供的一种快速级联式车标视觉检测与识别方法，包括如下步骤：

步骤A：若待检测和识别的车标的种类为n类，则训练n个二类分类器作为n个第一级车标分类器；对于每一种车标进行训练；

步骤B：将n类车标的样本图像归一化至同一尺寸，计算并获得样本图像的梯度方向直方图(HOG，Histogram of oriented gradient)特征集；将样本图像的梯度方向直方图特征集和标签(1，2，…，n)送入支持向量机(SVM，Support Vector Machine)中训练，得到1个n类分类器，作为1个第二级车标分类器；

步骤C：在n个第一级车标分类器和1个第二级车标分类器训练完成之后，置k＝1，用如下步骤对车标进行检测识别：

步骤C1：用第k个第一级车标分类器在整块搜索区域中滑窗扫描，滑窗结束后，若检测到目标，则进入步骤C2，否则进入步骤C3；

步骤C2：将步骤C1检测到的目标输入第二级车标分类器，得到目标的预测标签label，若label等于k，将该目标判定为有效车标，且车标的类型即为label对应的车标类型，结束；若label不等于k，将该目标判定为无效车标；当所有步骤C1检测到的目标均为无效车标时，进入步骤C3；

步骤C3：令k的值增加1，若k<n+1，则返回步骤C1；否则，结束，认为未检测到车标。

优选地，对于每一种车标，采用如下步骤训练：

步骤A1：以正负样本集为输入，将样本归一化至同一尺寸，计算并获得样本的局部二值模式(LBP，Local binary pattern)特征集；

步骤A2：以样本的局部二值模式特征集为输入，根据弱学习算法训练弱分类器，获得弱分类器集；

步骤A3：以弱分类器集为输入，在训练检出率和误判率限制下，使用AdaBoost算法挑选最优的弱分类器构成强分类器；

步骤A4：以强分类器集为输入，将强分类器集中的强分类器组合成为第一级车标分类器。

优选地，正负样本中的正样本为车标图像，负样本为不包含车标的背景图像。