[发明专利]一种基于车窗粗定位的车标识别方法

权利要求书

1.一种基于车窗粗定位的车标识别方法，其特征在于具体步骤如下：

步骤1：定义车标种类集合为C＝{C_i|i＝1,…,t}，其中t为车标的总数，并建立相应的车标数据集；

步骤2：构建用于车标分类的卷积神经网络并用步骤1中的车标数据集进行训练，得到卷积神经网络；

步骤3：对输入的车辆图像I进行车标定位，I的宽为width，高为height，具体为：

步骤3.1：识别车窗并根据车窗的位置对车标进行粗定位，具体为：

步骤3.1.1：根据公式(2)对I进行灰度化处理，得到灰度图I_G：

I_G(x,y)＝max(I(x,y,k)) (2)

其中，I_G(x,y)为图像I_G上第x行第y列的灰度值，I(x,y,k)为图像I上第x行第y列第k个通道的灰度值，k＝1,2,3；

步骤3.1.2：使用OTSU方法对I_G进行二值化，得到式I_B，并根据式(3)得到I_O：

其中，e₁,e₂为结构元，为膨胀运算，Θ为腐蚀运算；

步骤3.1.3：扫描整幅二值图像I_O，计算各白色区域的像素面积，过滤面积小于0.005*height*width的连通区域，得到连通区域的候选集l＝{l_i|i＝1,2,…,m}，m为过滤后连通区域的总数；

步骤3.1.4：利用最小外接矩形算法，通过公式(4)计算各个连通区域l_i(i＝1,2,...,m)占其最小外接矩形r_i(i＝1,2,...,m)的面积百分比a_i(i＝1,2,...,m)；

a_i＝l_i/r_i (4)

步骤3.1.5：通过比较筛选出占外接矩形面积百分比最大的轮廓a_max，使其满足公式(5)，完成车窗的识别；

a_max＝max{a₁,a₂,......,a_m} (5)

；

步骤3.1.6：记轮廓a_max所对应的矩形r_max为R_W(x_w,y_w,w_w,h_w)，其中，(x_w,y_w)为矩形R_W左上角坐标，w_w和h_w分别为矩形R_W的宽和高；

步骤3.1.7：根据式(6)得到车标粗定位区域D，完成车标的粗定位：

其中，(x_d,y_d)为D左上角坐标，w_d和h_d为矩形D的宽和高，ρ₁,ρ₂为比例系数；

步骤3.2：根据式(7)，(8)，(9)计算每一像素行是否有效，若FR_i为1，则表示第i行为有效行，否则，为无效行：

其中，D(i,j)为矩形D第i行第j列的灰度值，σ_i为第i行像素值的标准差，μ₁为比例系数，AVG_r(i)为第i行的像素均值；

步骤3.3：连接相邻的有效行，得到有效块集合rect_i(x_i,y_i,w_i,h_i)，i＝1,2,...n，n为有效块的总数，其中，(x_i,y_i)为rect_i左上角坐标，w_i和h_i为矩形rect_i的宽和高；

步骤3.4：从rect_i中剔除块的块，得到新的rect_i，根据(10)，(11)筛选出车标所在的区域R；

h_max＝max(h₁,h₂,...,h_n) (10)

R＝rect_max(x_max,y_max,w_max,h_max) (11)

其中，(x_max,y_max)为R左上角坐标，w_max和h_max为矩形R的宽和高，为阈值；

步骤3.5：根据式(12)，(13)，(14)计算每一列是否有效，若FC_i为1，则表示第i行为有效行，否则，为无效行：

其中，R(j,i)为矩形R第j行第i列的灰度值，σ'_i为第i列像素值的标准差，μ₂为比例系数，AVG_c(i)为第i列的像素均值；

步骤3.6：根据式(15)，(16)，(17)得到车标精确定位区域D'，完成车标的精确定位：

F_max＝max(i|FC_i＝1) (15)

F_min＝min(i|FC_i＝1) (16)

其中，(x',y')为D'左上角坐标，w'和h'为矩形D'的宽和高；

步骤4：利用训练好的卷积神经网络对车标精确定位区域D'进行识别，具体为：

步骤4.1：将D'对应的图像I'归一化至N*N像素大小，传入步骤2训练所得的卷积神经网络，得到输出向量U＝(u₁,u₂,...,u_t)，其中u_k为I'对应车标C_k的概率，k＝1,2,...,t；

步骤4.2：根据式(18)得到最大的概率u_q，则车标识别结果为C_q，C_q∈C，完成车标的识别：

u_q＝max(u₁,u₂,...,u_t) (18)。

2.根据权利要求1所述的一种基于车窗粗定位的车标识别方法，其特征在于步骤2中的构建用于车标分类的卷积神经网络并用步骤1中的车标数据集进行训练，具体过程为：

步骤2.1：构建含有8层的卷积神经网络，8层依次是卷积层Conv1，池化层Pool2，卷积层Conv3，池化层Pool4，卷积层Conv5，池化层Pool6，全连接层Fc7，分类层Softmax8，其中卷积层Conv1的输入大小为N*N，分类层Softmax8的输出向量大小为t+1；

步骤2.2：随机初始化卷积神经网络，使用步骤1构建的车标数据集对卷积神经网络进行训练，并根据公式(1)计算损失函数L，并根据链式法则逐步计算反向误差，更新各层的权重参数值，直到输出的损失函数L≤θ，完成训练：

其中，Yⁱ和分别为实际输出和真实标签第i个神经元的值，θ为设定的阈值。