[发明专利]一种基于机器学习的车标识别方法

摘要

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。

主权项

1.一种基于机器学习的车标识别方法，其特征在于：所述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；多类SVM分类器的训练过程如下：先访问存放训练集图像的文件夹，然后读取每个文件夹下的每幅训练集图像，训练集图像是通过车牌定位后切割出来的图像；然后提取每幅训练图像的SIFT特征，将SIFT特征存入一个文件，并将每幅图像的SIFT特征个数信息存入另一个文件；接下来对提取到的每幅图像的所有SIFT特征进行k‑means聚类；随后产生分类器输入向量，而输出是每个样本的类属，得到多类SVM分类器；所述多类SVM分类器的训练过程包括如下步骤：5.1)先准备好N个用于训练的若干类车标图像样本，然后对训练集的每幅车标图像提取SIFT特征；5.2)针对每个样本n，5.2.1)对所有提取的SIFT特征进行K‑means聚类，聚类成K个类中心，所述类中心为关键词，聚类过程为：5.2.1.1)选取K个类中心：对提取的所有G个SIFT特征，每隔G/K个取一个类中心；5.2.1.2)计算每个SIFT特征与每个类中心距离；5.2.1.3)将每个SIFT特征归入距离最近类中心；5.2.1.4)更新类中心；5.2.1.5)迭代直到达到指定的精度，获得K个类中心，即K个关键词SIFT特征；5.2.2)样本n的SIFT特征的生成：5.2.2.1)初始化K维计数器向量为0，每一维对应一个关键词的权重；5.2.2.2)然后将每幅图像样本的每个SIFT特征与K个类中心进行距离比较，在对应最小距离的那一维权重加1；5.2.2.3)得到K个关键词及其权重；5.3)用N个样本来训练多类SVM分类器：每个样本的输入是K个关键词及其权重，输出是样本的类别。