[发明专利]一种基于联合检测与辨识算法的车标识别方法

说明书

该发明公开了一种车标联合检测与识别的方法，属于车辆识别技术领域。该方法首先获得标准、清晰的车标图像，为模版图像，计算模版车标图像的特征，建立车标模板特征库；再截取获得车辆图像的车标图像，对截取图像进行灰度，二值化处理；再求出处理后的图像与所有模版模版图像的距离；然后计算相似度，将获得相似度与置信区间比较，处于置信区间内的就为对应的模板车标，从而实现发明目的。本发明具有对现有车标提取精度要求低；对25x25的超低分辨、多尺度、多光照条件下的车标图像检测具有鲁棒性；检测与识别一体，扩展性强的优点。

技术领域

本发明属于车辆识别技术领域，尤其涉及车标识别方法。

背景技术

车牌识别系统在智能交通系统越来越收到重视，应用场景如：(1)道路桥梁自动收费系统；(2)车辆控制与管理系统；(3)道路布控系统；(4)信息服务系统；(5)车辆的进一步确认等。

传统的汽车标志识别系统中，需要先检测并提取出感兴趣区域(ROI),再提取ROI特征并送入识别模块以辨识。车牌检测与识别系统一般可以看为两个级联的模块：1、检测模块2、识别模块。检测模块对输入图像提取感兴趣区域，系统将其特征送入识别模块，进行多类车标的辨识。由于智能交通系统中获取的车标图像，有多尺度、多形态且低分辨率的特点，导致现有方法无法进行很好的分割，识别结果也会差强人意。

目前检测方法主流的研究方向有：

1、以云南大学计算机科学学院的Yunqiong,Wang2007年提出的方法为代表的是利用车前脸具有对称性的边缘特征，通过形态学的图像处理方法检测出车标的具体位置。但是，在光照集中，车前脸排气扇背景结构复杂等情况下，该方法是无法准确提取位置信息。

2、以阿尔卡拉大学计算机工程系Llorca,D.F.2013年提出的滑窗方法为代表，其在车牌位置的上方形成N个多尺度、多位置的检测假设框提取感兴趣区域，再将区域提取方向梯度直方图(Histogram of Oriented Gradient,HOG)特征并送入识别模块。该系统在车牌识别(Licence Plate Recognition，LPR)的基础上，得到假设框的的尺度、位置等先验信息。由于车标的尺度和形态的多样性，使得ROI必须具有足够数量才能保证有准确的输出结果，并且当车辆检测不到车牌时，系统无法运作。

目前车标识别算法主流的研究方向有：

1、澳门科技大学的Kam-Tong,Sam 2012年提出基于几何不变矩特征的车标识别，先提取分割后车标图像的Radial Tchebichef矩特征，再计算其与车标模板特征的距离，最后选择最近邻作为车标类别输出。文献“Reliable classification of vehicle logos byan improved local-mean based classifier”基于修正不变矩特征，识别架构两者类似，在精确分割提取车标的情况下，能取得很好的识别结果，但是当不能精确的切割出车标图像，识别的准确率将极大下降。

2、阿尔卡拉大学计算机工程系，Llorca,D.F.2013年提出基于HOG特征与奥卢大学的Ojala.T.2002年提出的基于LBP的局部区域灰度直方图特征。两者结合支持向量机具有很好的识别效果。但是同样，识别结果对车标精确分割图像十分敏感，当无法精确分割提取车标图像，将无法准确识别汽车标志。

3、希腊雅典国家技术大学的Apostolos P.Psyllos 2012年提出的方法是：提取目标图片尺度不变特征(Scale-invariant feature transform，SIFT)特征，并对车标模板图像提取增强型SIFT(M-SIFT)特征。通过将查询图像SIFT特征与车标模板M-SIFT特征分别匹配，得到特征匹配最多的模板将作为结果输出。但是在低分辨率的车标图像中，无法提取足够数量的SIFT特征完成匹配。