[发明专利]一种基于机器学习的车标识别方法

说明书

一种基于机器学习的车标识别方法，包括以下步骤：1)车标定位：首先根据车牌定位方法找出车牌，在此基础上确定车标可能的区域，即包含车标的ROI区域作为车标定位图像；2)提取车标定位图像的SIFT特征集；3)采用聚类方法，从SIFT特征集生成特征的K个关键词及其权重；4)从SIFT特征集产生得到K个关键词及其权重对作为分类器的输入；5)利用训练好的多类SVM分类器进行分类。本发明提供一种降低时间代价、使用方便、准确率较高的基于机器学习的车标识别方法。

技术领域

本发明涉及车辆识别领域，尤其是一种车标识别方法。

背景技术

基于视觉的车辆自动识别系统是智能交通的组成部分，而车辆自动识别包括车牌自动识别、车型自动识别和车标自动识别等基本问题。在车型的视频识别系统中，当前主要是以车辆的外形几何尺寸、结构为特征将车辆分为大型货车、客车、小型车等车型(type)。由于视点的不同，同一车辆可表现为不同的外形尺寸和结构，所以车辆的尺寸和结构对车型的识别不具有决定性意义，而且它们对具体车的型号(model)的区分度很小从而难以实现具体车型的识别。

车标是是车辆型号的标志图像，它不仅包含了车型信息，更包含了生产厂家的信息且难以更换，如识别大众系列还是通用系列。因此车标识别有助于确定车型和车的型号，即车辆的厂家和类别。车标识别从另外一个角度提高了车型的识别率。车标识别是对现有的基于车牌和车型识别的车辆识别技术的重要补充。通过车牌识别和车标识别相结合能有效打击假牌、套牌和盗牌等违法行为。

车标识别系统是通过视频捕获技术，将获得的图象中汽车的标志进行检测识别。车标的定位是至关重要的，它会直接影响到后续车标识别的速度和准确性。大多数车头有一个窗口、两个车灯和车牌，并它们的特征可以用来检测车脸。

车标是三维物体，在图像中车标是二维图像。依据拍摄角度，二维的车标在图像空间会发生很大的不同，这类似于人脸检测。车标定位是一个典型的目标检测和定位问题。

车标识别技术包括车标定位和车标图像识别两部分。车标定位是车标识别的首要环节，也是正确识别车标的关键所在，也是最困难的。车标自身的特点决定了它比车牌定位难度更大。可以利用一些视觉特征进行车标定位，如边缘特征、灰度特征、几何特征。由于车牌定位算法已经成熟并非常准确，利用车标与车牌的拓扑结构关系可缩小检测范围，从而大大减少候选区域，更加接近目标。这种依靠位置先验知识的定位方法，取得了很好的效果。基于先验知识的方法由于避免多尺度，全方位的搜索，可以用于实时车标定位系统。但车标检测受车牌定位的准确度影响较大，并且先验知识方法自身的局限性，车标的目标较小，其复杂的背景和周围的噪声较多，对环境中光线的非线性变化很敏感，造成车标的误定位较高。

车标形态各异、大小差别很大且图像比较模糊、种类繁多、车标的位置不尽相同、车标所在的散热网纹理总类多、车标周围存在多种干扰物如保险杠和车灯；车标受到天气天色影响更大，晚间车牌有反光易于捕捉，但车标看不大清楚；车标位于车体上、且下号与车体颜色相同；散热网高度不等。这些决定了车牌与车标间的距离不好确定，同时复杂背景和环境光线的非线性变化使得车标定位更加复杂，很难找到统一的方法。车标定位的难点在于车标周围干扰的剔除，这样才能够精确分割出车标。车标周围常见的散热网，有横的、竖的、网状的，车标的形状大部分为椭圆形状和圆形，还有方形和其他特殊形状，并且还有一些不规则的字符形状。

车标识别的基本工作原理是：利用图像采集设备采集车辆正面图像，并将图像传送给计算机，由计算机对车标图像进行定位和识别。根据定位好的车牌位置，搜索上方一定区域内的范围，根据相应处理得到车标部分，经过二值化，归一化等过程后利用模式匹配的算法识别出车标。

常用的目标定位方法是模板匹配或特征匹配。但是针对车标定位，此类定位方法的时间代价很大，在有复杂背景的全图范围内单纯采用该方法进行车标定位相当困难。

发明内容