[发明专利]一种基于卷积神经网络的车标定位与识别方法

摘要

本发明公开了一种基于卷积神经网络的车标定位与识别方法。它本发明使用计算机视觉技术，通过车标粗定位方法、车标精定位方法与基于卷积神经网络的车标分类，实现了车标定位与识别。本发明解决了车标识别问题，同时拥有较好的准确率与效率，改善了以车牌辨车的传统工作模式，能更加准确的确定唯一的车辆，为车牌套牌的查处、违章逃逸等违法行为提供可靠证据，更好地实现智能化的交通管理。

主权项

1.一种基于卷积神经网络的车标定位与识别方法，其特征在于具体步骤如下：/n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；/n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；/n步骤3：利用交叉路口的监控摄像头采集RGB图像并对采集到的图像使用中值滤波处理，利用车辆检测跟踪算法提取得到车辆图像I；/n步骤4：利用车牌识别算法提取图像I中的车牌矩形区域R＝(x，y，w，h)，其中图像I的左上角为像素坐标原点，(x,y)为车牌矩形区域左上角的坐标，h与w分别为车牌矩形区域的高和宽，单位为像素，并根据公式(2)得到车标的粗定位区域D：/n /n其中，ρ₁,ρ₂为比例系数，(x_d,y_d)为矩形区域D左上角的坐标，h_d与w_d分别为矩形区域D的高和宽；/n步骤5：筛选出包含车标的进气栅区域，得到车标定位精区域D'；/n步骤6：将D'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，得到输出向量集合U＝(u₁,u₂,...,u_k,...,u_t)，u_k为D'对应车标C_k的概率，k＝1,2,...,t；/n步骤7：根据式(14)得到最大的概率u_q，则D'的车标识别结果为C_q，C_q∈C，完成车标的识别：/nu_q＝max(u₁,u₂,...,u_t) (14)/n其中u_q为概率最大的值，q为u_q的下标位置。/n