[发明专利]一种车标识别装置及方法

说明书

技术领域

本发明涉及一种车辆识别技术，具体涉及车标识别技术。

背景技术

智能交通系统已经被证明是一种有效解决交通问题的方法。交通信息采集是智能交通系统的重要组成部分，在交通控制与管理、城市道路规划等方面发挥着重要作用。交通信息采集离不开对道路上车辆的检测。

随着汽车拥有量的快速增加，出现了一些套牌、倒牌现象，这对车辆检测和识别研究提出了更高的要求，在识别车牌号码的同时，通过车牌号码与车辆类型的一致性来鉴别是否是违章车辆。

车标作为车辆的一个显著特征，对车型识别起到了关键性的作用，车标识别系统是视频车辆检测的重要组成部分。目前，车标识别的方法主要有：基于模板匹配、基于像素分布、基于边缘直方图、基于边缘不变矩等方法。

利用边缘直方图、像素分布等识别方法因为车标没有进行归一化处理，所以针对一种车标要制作不同大小和角度的模板进行匹配识别，自适应性较差，同时随着车标数量的增加，需要更多的模板，识别准确率的衰减会很快，识别的速度显著降低，不能满足实时性的要求。

在典型的自动车标识别系统中，特征提取和识别一直是这一领域研究的热点，其中特征的提取和选择至关重要，它不仅直接影响后续分类器的设计和性能，而且关系到分类的可行性和分类识别系统的有效性。但在车标识别中，由于受到光照、噪声、形变、污损、形状相似以及遮挡等因素的影响，使得精准地进行车标识别变得十分困难，传统的特征提取和识别方法在上述情况下难以取得满意的效果。

尺度不变特征转换（Scale-invariant feature transform，简称SIFT特征)是一种计算机视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由David Lowe在1999年所发表，2004年完善总结。SIFT特征是一种相似不变量，即对图像尺度变化和旋转是不变量。另外，由于构造SIFT特征时，在很多细节上进行了特殊处理，使得SIFT对图像的复杂变形和光照变化具有了较强的适应性。然而,传统的SIFT特征提取算法将图像分为4*4的子区域，并且把方向分为八个方向单元，这就导致了SIFT的特征向量有128维。另外，传统的SIFT特征提取的算法需要在每个子区域确定主方向，计算量较大，不适用于实时的系统。

发明内容

针对现有车标识别技术计算量大以及准确率不高的问题，本发明的目的在于提供一种车标识别方案，该方案能够满足实时系统对识别效率和识别准确率的要求。

为了达到上述目的，本发明采用如下的技术方案：

一种车标识别装置，包括视频采集模块和输出模块，其还包括车标定位模块和车标识别模块，所述车标定位模块与视频采集模块数据相接，根据视频采集模块采集的视频图像定位车标图像，所述车标识别模块与车标定位模块数据相接，对定位的车标图像进行分类识别；所述输出模块与车标识别模块数据相接，输出车标识别结果。

在识别装置的优选实例中，所述车标识别模块包括特征提取模块和分类识别模块，所述特征提取模块用于提取定位出的车标图像的区域不变梯度特征；所述分类识别模块与特征提取模块数据相接，利用学习分类器将特征提取模块提取出的区域不变梯度特征进行分类识别。

进一步的，所述学习分类器为基于支持向量机算法的学习分类器。

基于上述的车标识别装置，本发明还提供一种车标识别方法，该识别方法包括如下步骤：

（1）通过采集到的车头视频图像进行车标定位；

（2）提取定位出的车标图像的区域不变梯度特征；

（3）采用学习分类器，对提取的车标的区域不变梯度特征进行分类识别；

（4）输出车标识别的结果。

在识别方法的优选实例中，所述步骤（2）通过如下步骤实现：

（21）将定位到的车标图像在水平方向四等分，垂直方向二等分，由此把图像分为八个区域；

（22）计算车标图像中的每个像素的梯度值和梯度方向，并把梯度方向归类到8个方向单元中；

（23）分别统计八个区域中归到八个方向单位的像素的数量，产生一个8*8维的区域不变梯度特征向量。

通过上述方案形成的车标识别方案，基于区域不变梯度特征的快速且鲁棒性较高，能够有效提高车标识别的速度和准确度，使其能够满足实时系统对计算时间和识别率的要求。

再者，本方案在识别车标时，采用提取区域不变梯度特征的方法，从而有效的改善传统的SIFT特征运算量大的问题，提升了系统的运算速度且准确率也较高。

附图说明