[发明专利]一种基于车窗粗定位的车标识别方法

说明书

本发明属于计算机视觉技术和图像处理技术领域，具体涉及一种基于车窗粗定位的车标识别方法。本发明采用计算机视觉技术，通过定位车窗对车标进行粗定位、车标精定位与基于卷积神经网络的车标分类，解决了车标识别问题，同时拥有更好的准确率与效率，改善了以车牌辨车的传统工作模式，为打击汽车套牌、一车多牌、假牌照等违法犯罪行为提供了可靠帮助，进一步提高了智能交通的可靠性，节省了大量的人力成本。

技术领域

本发明属于计算机视觉技术和图像处理技术领域，具体涉及一种基于车窗粗定位的车标识别方法。

背景技术

随着科学技术和社会经济的高速发展，人民生活水平不断提高，车辆数量也在飞速增长，城市道路交通问题显得越来越突出，各种道路交通问题接踵而至，以人眼识别为主的传统道路监控方式便无法满足要求，现代化智能交通控制系统已成为未来全球道路交通的发展趋势和现代化城市的先进标志。近年来，遮挡车牌、汽车套牌等妨碍交通秩序的违法行为层出不穷，仅依靠车牌识别已不能适应当前的交通现状了，因此，车标识别技术变得更为重要，它可以弥补车牌识别的不足，从而进一步提高智能交通系统的可靠性。

视频中运动车辆的车标识别与检测是近年来智能交通管理系统中比较关注的研究方向之一。目前，国内已有一些车标识别的方法，其中与本发明较为相近的技术方案包括：专利(陆辉；蒋恋华；张仁辉。车标定位与识别方法。CN103310231A[P]。2013。)使用车牌来对车牌进行粗定位，犯罪车辆通常没有车牌或车牌被遮挡，此时无法正确识别车牌，在这种情况下，该方法无法正确识别车标；发明专利(杜克林；吴斌；赵旭等。一种基于机器学习的车标识别方法。

CN105740886A[P]。2016。)中使用SIFT算子将提取到的车标特征放入SVM分类器进行训练与分类，该方法虽然在识别率上有所提高，但是使用多个二值子分类器对多种车标进行分类，不仅会使决策时的速度过慢，而且可能导致分类器泛化误差无界，此外，使用这种卷积神经网络+SVM的非端到端式的检测效率很低；文献(宁莹莹,李文举,王新年。基于主成分分析和BP神经网络的车标识别[J]。辽宁师范大学学报(自然科学版),2010,33(2):179-184)通过主成分分析(PCA)提取特征并通过BP神经网络对车标进行训练与识别，该算法比较依赖车标定位算法，如果没有定位到较完整的车标图片会对识别结果产生较大影响，此外，该方法对噪声的干扰也较为敏感。

综上所述，在对车标进行识别时，当前方法存在如下不足：(1)在无车牌时无法对车标进行粗定位；(2)有时无法提取到正确的车标区域；(3)识别采用SVM分类速度较慢；(4)噪声会对识别结果产生较大的影响。本发明针对这些问题提出了一种基于卷积神经网络的车标识别方法。

发明内容

为解决上述问题，本发明提供了一种基于车窗粗定位的车标识别方法。

所述的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；

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：