[发明专利]一种雾霾天气下的车标检测方法

说明书

本发明公开了一种雾霾天气下的车标检测方法，包括：利用暗通道去雾算法处理包含车辆的待检测图像，并对图像进行细节增强处理；利用深度学习检测算法检测去雾后的图像中的待检测车辆；利用经过训练的卷积神经网络识别待检测车辆的类型；结合待检测车辆的类型，获取待检测车辆的前脸组件位置关系；在HSV模型中利用阈值分割检测待检测车辆的车牌位置；在车牌左右两侧利用训练好的级联分类器检测两侧车灯；结合两侧车灯的位置以及车辆前脸组件的位置关系定位车标。本发明有效提高了暗通道去雾算法的实时性，更好地了恢复图像的细节，并且在车标检测中参考了与车型对应的组件位置关系，提高了不同车型车标检测的成功率，对于新车型也有很好的接纳能力。

技术领域

本发明属于道路车辆管理领域，特别涉及一种雾霾天气下的车标检测方法。

背景技术

目前国内的汽车数量已超过2.6亿辆，并且仍在逐年增长，给道路交通管理带来了巨大的压力。车辆的车标包含有重要的车辆品牌信息，市面上超过有300中不同的车标类型，并且车标体积小，传统的图像识别技术很难准确检测识别各类型车标。此外，近些年恶劣雾霾天气不断涌现，道路交通环境的能见度明显降低，使得检测车标工作变得愈加困难。因此对雾霾天气下的车标检测技术进行研究具有重要的实用意义。

关于图像去雾的算法主要以下三种：

基于深度学习的去雾算法，这种算法需要大量的图片作为训练集去训练，这导致了同样一张图片需要有有雾和无雾两种状态，这样的数据集难以构造。此外训练好的模型在实际应用中能否有效使用依然存疑。

基于图像增强算法，该算法不是基于大气散射原理等物理性模型，而是非物理性的。通过只针对图像自身，将图像去雾的问题转化为对对比度的提升，并不关心导致图像退化和复原的本质，虽然图像在增强过后通过视觉观察会有更高的对比度，但是处理后的图像存在信息丢失的问题，会出现失真现象。

基于图像复原算法更加追求去雾的本质，这样有利于恢复细节使图像更清晰。如何凯明提出的暗通道去雾算法，虽然有很好的视觉效果但是在实际处理过程中消耗时间和空间较大，且暗部细节不够清晰。

因此需要一种改进的图像复原算法实现去雾，检测时尽可能实现实时性并且保留更多的暗部细节。

目前常见的目标检测技术主要有两类。

第一类是传统的图像检测算法，使用特征算子提取图像特征，利用SVM等分类器对特征进行分类识别，以基于Adaboost分类器的检测算法为代表。

第二类是基于深度学习的检测算法，其中有包括了结合区域建议和结合回归算法的两种类型。结合区域建议的检测算法以Faster-RCNN为代表，使用RPN网络生成区域建议框，卷积神经网络学习并分类区域特征。结合回归算法的检测方案则将图片网格化，对每个网格检测到的目标信息进行回归计算，得到目标位置。

传统的图像检测算法的缺点在于对图像中细小物体检测能力较弱，基于深度学习的检测算法的缺点在于难以适用各种类型的车标检测。因此需要设计一种能够检测到车标部件的技术，并能适应各种类型的车辆。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提供一种基于暗通道去雾和车型识别的车标检测方法，以解决难以在雾霾天气准确检测各类型车辆的车标问题。

实现本发明目的的技术解决方案为：一种雾霾天气下的车标检测方法，所述方法包括以下步骤：

步骤1，利用暗通道去雾算法处理包含车辆的待检测图像，并对图像进行细节增强处理；

步骤2，利用深度学习检测算法检测去雾后的图像中的待检测车辆；

步骤3，利用经过训练的卷积神经网络识别待检测车辆的类型；