[发明专利]基于卷积神经网络的车标识别方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及基于图像的模式识别技术领域的一种基于卷积神经网络的车标识别方法。本发明针对交通系统中，由路口设置的高清拍照设备所得的车辆图片，进行汽车的车标定位，进而对汽车的车标进行识别，实现对车标的自动化定位并识别。

背景技术

随着社会经济水平的不断提高和车辆的普及，规模不断扩大的交通事业对更加智能化的技术和系统的需求更大，智能交通系统已经成为社会生活的热点问题。车辆识别系统作为智能交通系统的重要组成部分，在高速公路入口、停车场无人管理、违章车辆自动记录等领域都有这广泛的应用，它的实现具有很大的经济价值和现实意义。

车标识别是车辆识别的一个重要方面。车标识别技术是指以数字图像或视频信号流为对象，通过图像处理与自动识别方法，获得机动车辆品牌信息的一种实用技术。车标识别系统包括车标的定位和车标识别二项关键技术。由于车标本身具有的多样性以及不同环境条件下的差异性等特点，加上人为拍摄获得的图片信息中车标的位置不确定性，因此找到一种优秀的车标定位和识别方法一个多学科交叉且富有挑战性的技术问题。

现有的车标定位的方法，大多采用边缘检测和灰度直方图模板匹配的方法，由于车标小，这类方法容易受到背景环境的影响。已经有一部分车标识别的方法被提出，特别是目前使用较多的基于方向梯度直方图HOG特征和支持向量机SVM分类器的识别方法，大部分都是基于车牌和车标的相对位置确定车标位置，然后提取车标的方向梯度直方图HOG特征，利用支持向量机SVM训练成分类器进行车标识别。在车标识别中，方向梯度直方图HOG加支持向量机SVM算法由于采用了方向梯度直方图HOG特征，方向梯度直方图HOG描述子生成过程冗长，导致速度慢，实时性差，由于梯度的性质，该描述子对噪点相当敏感。现有的大部分车标识别算法，过程复杂，计算量太大，识别率不高，容易受到环境条件的影响，所以需要新的研究方法的提出。

近年来，随着大数据、深度学习研究的发展，卷积神经网络CNN已成为当前语音分析和图像识别领域的研究热点，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。

D.F.Llorca,R.Arroyo,M.A.Sotelo在其发表的论文“VehiclelogorecognitionintrafficimagesusingHOGfeaturesandSVM”(Proceedingsofthe16thInternationalIEEEAnnualConferenceonIntelligentTransportationSystems，2013)中提出了一套基于方向梯度直方图HOG和支持向量机SVM的车标识别的方法。该方法首先车牌定位，利用车标处于车牌正上方的先验知识，在车牌上方使用滑动窗口提前候选目标区域，然后提取候选区域的的方向梯度直方图HOG特征，最后利用支持向量机SVM训练的分类器进行车标分类。该方法存在的不足之处是，其一，由于该方法采用了方向梯度直方图HOG特征，方向梯度直方图HOG描述子生成过程冗长，导致速度慢，实时性差。其二，由于该方法梯度的性质，方向梯度直方图HOG描述子对噪点相当敏感，容易受到噪声的干扰。

佳都新太科技股份有限公司申请的专利“一种基于模式识别的车标自动定位与识别方法”(专利申请号：CN201410367377，公开号：CN104182728A)中提出了一种基于模式识别的车标自动定位与识别方法。该方法首先利用车牌检测技术，获取车牌的大小与位置，从而根据车牌与车标的相对位置，进行车标的初定位，其次利用基于哈尔Haar特征的强分类器Adaboost算法进行车标的二次定位，得到若干疑似车标的区域，再次利用基于方向梯度直方图HOG特征的支持向量机SVM算法对疑似车标区域进行筛选，选取具有最大置信度的区域作为车标定位结果，最后利用基于HOG特征的支持向量机SVM算法进行车标的识别。该方法存在的不足之处是，在定位流程中采用了基于哈尔Haar特征的强分类器Adaboost算法和基于方向梯度直方图HOG特征的支持向量机SVM算法，在车标识别流程中采用了基于方向梯度直方图HOG特征的支持向量机SVM算法，总共采用了三个分类器，大大增加了计算复杂度。而且HOG描述子生成过程耗时长，导致速度慢，实时性差。