[发明专利]一种面向交通卡口的多特征融合车标识别方法及系统

说明书

本发明提供的是一种面向交通卡口的多特征融合车标识别系统及方法，包括对输入的各幅图像分别进行三种特征提取；基于一级训练样本的三种特征分别进行训练，得到三种一级分类器，预测得到一级测试样本属于一级分类器中每一类的概率，记为软概率；把串联之后的软概率作为特征，基于二级训练样本的特征进行训练，得到二级分类器，利用二级分类器预测完成相应车标识别。本发明所提供的多特征融合方法，在相同的条件下，可以得到更高的准确率。

技术领域

本发明属于图像处理领域，特别涉及一种面向交通卡口的多特征融合车标识别方法及系统。

背景技术

对车标进行识别，即判断其属于所用数据库中的哪一类，是一个典型的目标识别问题，一般的目标识别采取两种方法来完成，第一种是直接用预测图像和模板图像进行关键点匹配，来判断其属于哪一类；第二类就是选取一定特征，训练一个分类模型，利用训练好的模型来判别预测图像属于哪一类。

关键点匹配的算法，典型是SIFT匹配，先对待预测图像和模板图像均求取特征点，两者的特征点的关系符合某一条件则两个特征点匹配，一般情况下，符合的条件是，两者的距离最近，且小于次最小距离的k(k<1)倍，不同的特征点k的取值不一，有时还会加上放射变换的限制，进一步判断两者是否匹配，预测图像属于和模板图像特征点匹配的个数最多的种类，但效果并不理想。对于训练分类模型，先使用已经被标记了的训练样本，把这些训练样本利用分类器训练得到分类器，一般使用的分类器有，SVM(支持向量机)、Adaboost、Random forest等，然后利用已经训练好的分类器对测试样本进行预测，得到预测样本所属的类别，从而完成对车标的识别。在利用分类器对车标进行识别的时候，均使用的是一级分类器，但是，在对复杂的目标进行分类的时候，采用单一的特征不能取得很好的效果。

发明内容

本发明的目的在于提供一种多特征融合的方法，该方法能够更好地完成车标识别的任务，以更高的精度实现车标的识别。

本发明提供一种面向交通卡口的多特征融合车标识别方法，用于对从交通卡口拍摄车标所得图像进行识别，包括以下步骤：

步骤1，特征提取，包括对输入的各幅图像分别进行三种特征提取，三种特征包括HOG特征、Curv-H特征和GIST特征，所述HOG特征为方向梯度直方图特征，所述Curv-H特征为曲率直方图特征；

步骤2，训练一级分类器，包括从所有图像中按比例取一级训练样本，剩下的图像作为一级测试样本，基于一级训练样本的三种特征分别进行训练，得到三种一级分类器，利用所得三种一级分类器分别对各一级测试样本基于相应特征进行预测，得到一级测试样本属于一级分类器中每一类的概率，记为软概率；

步骤3，特征融合，包括把每个一级测试样本在三种一级分类器下得到的软概率进行串联，完成三种特征的融合；

步骤4，训练二级分类器，包括从一级测试样本中按比例取二级训练样本，剩余图像作为二级测试样本，把串联之后的软概率作为特征，基于二级训练样本的特征进行训练，得到二级分类器，利用二级分类器对二级测试样本基于相应特征进行预测，得到二级测试样本所属的类别，完成相应车标识别。

而且，当有新输入的图像时，首先将新的图像作为一级测试样本，利用步骤2所得三种一级分类器分别对该一级测试样本基于相应特征进行预测，得到该一级测试样本属于一级分类器中每一类的概率，记为软概率；然后将新的图像在三种一级分类器下得到的软概率进行串联，把串联之后的软概率作为特征，将新的图像作为二级测试样本，利用二级分类器对该二级测试样本基于相应特征进行预测，得到该二级测试样本所属的类别，完成新的图像相应车标识别。

而且，从所有图像中按比例取一级训练样本，和从一级测试样本中按比例取二级训练样本时，比例的取值相同。

而且，训练一级分类器和二级分类器，基于SVM实现，所述SVM为支持向量机。