車(chē)標(biāo)識(shí)別方法及車(chē)標(biāo)識(shí)別裝置制造方法
【專利摘要】本發(fā)明實(shí)施例公開(kāi)一種車(chē)標(biāo)識(shí)別方法，包括：檢測(cè)到地感觸發(fā)信號(hào)之后，在車(chē)輛圖像中搜索車(chē)輛的車(chē)標(biāo)圖像；在搜索到車(chē)標(biāo)圖像后，提取車(chē)標(biāo)圖像的HOG特征；對(duì)車(chē)標(biāo)圖像的HOG特征進(jìn)行LSH編碼，獲得車(chē)標(biāo)圖像的HOG特征編碼；將車(chē)標(biāo)圖像的HOG特征編碼和預(yù)存的車(chē)標(biāo)模型的特征編碼進(jìn)行匹配，計(jì)算車(chē)標(biāo)圖像的HOG特征編碼和各個(gè)車(chē)標(biāo)模型的特征編碼之間的漢明距離；在預(yù)存的N個(gè)車(chē)標(biāo)模型中確定n個(gè)車(chē)標(biāo)模型；利用n個(gè)車(chē)標(biāo)模型分別識(shí)別車(chē)標(biāo)圖像，確定置信度最高的車(chē)標(biāo)模型，輸出置信度最高的車(chē)標(biāo)模型的名稱。本發(fā)明公開(kāi)的車(chē)標(biāo)識(shí)別方法在保證檢測(cè)速度的前提下，提高了檢測(cè)準(zhǔn)確度。本發(fā)明還公開(kāi)了相應(yīng)的車(chē)標(biāo)識(shí)別裝置。
【專利說(shuō)明】車(chē)標(biāo)識(shí)別方法及車(chē)標(biāo)識(shí)別裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于車(chē)標(biāo)識(shí)別【技術(shù)領(lǐng)域】，尤其涉及車(chē)標(biāo)識(shí)別方法及車(chē)標(biāo)識(shí)別裝置。

【背景技術(shù)】
[0002] 車(chē)牌識(shí)別已經(jīng)被廣泛應(yīng)用在停車(chē)場(chǎng)的出入口，對(duì)進(jìn)出場(chǎng)的車(chē)輛進(jìn)行管理。目前出 現(xiàn)了車(chē)標(biāo)識(shí)別技術(shù)，車(chē)標(biāo)識(shí)別是車(chē)輛識(shí)別技術(shù)新的研宄方向，可以作為車(chē)牌識(shí)別的一種補(bǔ) 充。
[0003] 但是市場(chǎng)上車(chē)輛的品牌很多，相應(yīng)的需要識(shí)別的車(chē)標(biāo)的數(shù)量也很大，如何快速準(zhǔn) 確的完成車(chē)標(biāo)識(shí)別，是本領(lǐng)域技術(shù)人員亟待解決的問(wèn)題。


【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明的目的在于提供一種車(chē)標(biāo)識(shí)別方法及車(chē)標(biāo)識(shí)別裝置，以便快速 準(zhǔn)確的完成車(chē)標(biāo)識(shí)別。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：
[0006] 本發(fā)明公開(kāi)過(guò)一種車(chē)標(biāo)識(shí)別方法，包括：
[0007] 檢測(cè)到地感觸發(fā)信號(hào)之后，在車(chē)輛圖像中搜索車(chē)輛的車(chē)標(biāo)圖像；
[0008] 在搜索到車(chē)標(biāo)圖像后，提取所述車(chē)標(biāo)圖像的梯度方向直方圖HOG特征；
[0009] 對(duì)所述車(chē)標(biāo)圖像的HOG特征進(jìn)行局部敏感哈希LSH編碼，獲得所述車(chē)標(biāo)圖像的HOG 特征編碼；
[0010] 將所述車(chē)標(biāo)圖像的HOG特征編碼和預(yù)存的車(chē)標(biāo)模型的特征編碼進(jìn)行匹配，計(jì)算所 述車(chē)標(biāo)圖像的HOG特征編碼和各個(gè)車(chē)標(biāo)模型的特征編碼之間的漢明距離；其中，對(duì)車(chē)標(biāo)模 型進(jìn)行LSH編碼獲得車(chē)標(biāo)模型的特征編碼；
[0011] 在預(yù)存的N個(gè)車(chē)標(biāo)模型中確定η個(gè)車(chē)標(biāo)模型，η為大于1的整數(shù)，所述η個(gè)車(chē)標(biāo)模 型的特征編碼與所述車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離，小于其他車(chē)標(biāo)模型的特征 編碼與所述車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離；其中，針對(duì)同一種車(chē)標(biāo)在不同光照 條件下分別配置有車(chē)標(biāo)模型；
[0012] 利用所述η個(gè)車(chē)標(biāo)模型分別識(shí)別所述車(chē)標(biāo)圖像，確定置信度最高的車(chē)標(biāo)模型，輸 出所述置信度最高的車(chē)標(biāo)模型的名稱。
[0013] 優(yōu)選的，上述方法中，所述在車(chē)輛圖像中搜索車(chē)輛的車(chē)標(biāo)圖像，包括：獲取車(chē)牌識(shí) 別結(jié)果；在車(chē)牌被識(shí)別的情況下，基于車(chē)輛圖像中的車(chē)牌區(qū)域確定待搜索區(qū)域，所述待搜索 區(qū)域包含所述車(chē)牌區(qū)域且大于所述車(chē)牌區(qū)域；利用預(yù)存的車(chē)標(biāo)混合模型在所述待搜索區(qū)域 進(jìn)行搜索，以獲得車(chē)標(biāo)圖像。
[0014] 優(yōu)選的，上述方法中，獲取車(chē)牌識(shí)別結(jié)果之后，在車(chē)牌未被識(shí)別的情況下，還包括： 利用所述車(chē)標(biāo)混合模型在所述車(chē)輛圖像進(jìn)行全圖搜索，以獲得車(chē)標(biāo)圖像。
[0015] 優(yōu)選的，上述方法還包括預(yù)先建立車(chē)標(biāo)混合模型的步驟，具體包括：
[0016] 獲取N個(gè)車(chē)標(biāo)圖像樣本集合和M個(gè)非車(chē)標(biāo)圖像樣本，其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè) 車(chē)標(biāo)圖像樣本集合，K為大于1的整數(shù)，每個(gè)車(chē)標(biāo)圖像樣本集合為在相同光照條件下獲取的 車(chē)標(biāo)圖像的集合，一個(gè)車(chē)標(biāo)的K個(gè)車(chē)標(biāo)圖像樣本集合為在不同光照條件下獲取的車(chē)標(biāo)圖像 樣本集合；
[0017] 將所述N個(gè)車(chē)標(biāo)圖像樣本集合作為車(chē)標(biāo)混合模型的正樣本，將所述M個(gè)非車(chē)標(biāo)圖 像樣本作為車(chē)標(biāo)混合模型的負(fù)樣本；
[0018] 提取所述車(chē)標(biāo)混合模型的正樣本的HOG特征，提取所述車(chē)標(biāo)混合模型的負(fù)樣本的 HOG特征；
[0019] 將所述正樣本的HOG特征和所述負(fù)樣本的HOG特征作為支持向量機(jī)SVM的輸入進(jìn) 行訓(xùn)練，獲得車(chē)標(biāo)混合模型。
[0020] 優(yōu)選的，上述方法還包括預(yù)先建立車(chē)標(biāo)模型的步驟，具體包括：
[0021] 獲取N個(gè)車(chē)標(biāo)圖像樣本集合，其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè)車(chē)標(biāo)圖像樣本集合，K為 大于1的整數(shù)，每個(gè)車(chē)標(biāo)圖像樣本集合為在相同光照條件下獲取的車(chē)標(biāo)圖像的集合，一個(gè) 車(chē)標(biāo)的K個(gè)車(chē)標(biāo)圖像樣本集合為在不同光照條件下獲取的車(chē)標(biāo)圖像樣本集合；
[0022] 將N個(gè)車(chē)標(biāo)圖像樣本集合中的一個(gè)作為車(chē)標(biāo)模型的正樣本，將其他N-I個(gè)車(chē)標(biāo)圖 像樣本集合作為車(chē)標(biāo)模型的負(fù)樣本；
[0023] 提取所述車(chē)標(biāo)模型的正樣本的HOG特征，提取所述車(chē)標(biāo)模型的負(fù)樣本的HOG特 征；
[0024] 將所述車(chē)標(biāo)模型的正樣本的HOG特征和所述車(chē)標(biāo)模型的負(fù)樣本的HOG特征作為 SVM的輸入進(jìn)行訓(xùn)練，獲得車(chē)標(biāo)模型。
[0025] 本發(fā)明還公開(kāi)一種車(chē)標(biāo)識(shí)別裝置，包括：
[0026] 車(chē)標(biāo)圖像搜索單元，用于在檢測(cè)到地感觸發(fā)信號(hào)之后，在車(chē)輛圖像中搜索車(chē)輛的 車(chē)標(biāo)圖像；
[0027] 特征提取單元，在搜索到車(chē)標(biāo)圖像后，提取所述車(chē)標(biāo)圖像的梯度方向直方圖HOG 特征；
[0028] 編碼單元，用于對(duì)所述車(chē)標(biāo)圖像的HOG特征進(jìn)行局部敏感哈希LSH編碼獲得所述 車(chē)標(biāo)圖像的HOG特征編碼；
[0029] 數(shù)據(jù)處理單元，用于對(duì)所述車(chē)標(biāo)圖像的HOG特征編碼和預(yù)存的車(chē)標(biāo)模型的特征編 碼進(jìn)行匹配，計(jì)算所述車(chē)標(biāo)圖像的HOG特征編碼和各個(gè)車(chē)標(biāo)模型的特征編碼之間的漢明距 尚；其中，對(duì)車(chē)標(biāo)模型進(jìn)行LSH編碼獲得車(chē)標(biāo)模型的特征編碼；
[0030] 粗檢測(cè)單元，用于在預(yù)存的N個(gè)車(chē)標(biāo)模型中確定η個(gè)車(chē)標(biāo)模型，η為大于1的整數(shù)， 所述η個(gè)車(chē)標(biāo)模型的特征編碼與所述車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離，小于其他 車(chē)標(biāo)模型的特征編碼與所述車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離；其中，針對(duì)同一種 車(chē)標(biāo)在不同光照條件下分別配置有車(chē)標(biāo)模型；
[0031] 精細(xì)檢測(cè)單元，用于利用所述η個(gè)車(chē)標(biāo)模型分別識(shí)別所述車(chē)標(biāo)圖像，確定置信度 最高的車(chē)標(biāo)模型，輸出所述置信度最高的車(chē)標(biāo)模型的名稱。
[0032] 優(yōu)選的，上述車(chē)標(biāo)識(shí)別裝置中，車(chē)標(biāo)圖像搜索單元包括：
[0033] 識(shí)別結(jié)果獲取模塊，用于獲取車(chē)牌識(shí)別結(jié)果；
[0034] 待搜索區(qū)域確定模塊，用于在車(chē)牌被識(shí)別的情況下，基于車(chē)輛圖像中的車(chē)牌區(qū)域 確定待搜索區(qū)域，所述待搜索區(qū)域包含所述車(chē)牌區(qū)域且大于所述車(chē)牌區(qū)域；
[0035] 第一搜索模塊，用于利用預(yù)存的車(chē)標(biāo)混合模型在所述待搜索區(qū)域進(jìn)行搜索，以獲 得車(chē)標(biāo)圖像。
[0036] 優(yōu)選的，上述車(chē)標(biāo)識(shí)別裝置中，車(chē)標(biāo)圖像搜索單元還包括：第二搜索模塊；在車(chē)牌 未被識(shí)別的情況下，第二搜索模塊利用所述車(chē)標(biāo)混合模型在所述車(chē)輛圖像進(jìn)行全圖搜索， 以獲得車(chē)標(biāo)圖像。
[0037] 優(yōu)選的，上述車(chē)標(biāo)識(shí)別裝置還包括車(chē)標(biāo)混合模型構(gòu)建單元，所述車(chē)標(biāo)混合模型構(gòu) 建單元用于：
[0038] 獲取N個(gè)車(chē)標(biāo)圖像樣本集合和M個(gè)非車(chē)標(biāo)圖像樣本，其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè) 車(chē)標(biāo)圖像樣本集合，K為大于1的整數(shù)，每個(gè)車(chē)標(biāo)圖像樣本集合為在相同光照條件下獲取的 車(chē)標(biāo)圖像的集合，一個(gè)車(chē)標(biāo)的K個(gè)車(chē)標(biāo)圖像樣本集合為在不同光照條件下獲取的車(chē)標(biāo)圖像 樣本集合；
[0039] 將所述N個(gè)車(chē)標(biāo)圖像樣本集合作為車(chē)標(biāo)混合模型的正樣本，將所述M個(gè)非車(chē)標(biāo)圖 像樣本作為車(chē)標(biāo)混合模型的負(fù)樣本；
[0040] 提取所述車(chē)標(biāo)混合模型的正樣本的HOG特征，提取所述車(chē)標(biāo)混合模型的負(fù)樣本的 HOG特征；
[0041] 將所述正樣本的HOG特征和所述負(fù)樣本的HOG特征作為支持向量機(jī)SVM的輸入進(jìn) 行訓(xùn)練，獲得車(chē)標(biāo)混合模型。
[0042] 優(yōu)選的，上述車(chē)標(biāo)識(shí)別裝置還包括車(chē)標(biāo)模型構(gòu)建單元，所述車(chē)標(biāo)模型構(gòu)建單元用 于：
[0043] 獲取N個(gè)車(chē)標(biāo)圖像樣本集合，其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè)車(chē)標(biāo)圖像樣本集合，K為 大于1的整數(shù)，每個(gè)車(chē)標(biāo)圖像樣本集合為在相同光照條件下獲取的車(chē)標(biāo)圖像的集合，一個(gè) 車(chē)標(biāo)的K個(gè)車(chē)標(biāo)圖像樣本集合為在不同光照條件下獲取的車(chē)標(biāo)圖像樣本集合；
[0044] 將N個(gè)車(chē)標(biāo)圖像樣本集合中的一個(gè)作為車(chē)標(biāo)模型的正樣本，將其他N-I個(gè)車(chē)標(biāo)圖 像樣本集合作為車(chē)標(biāo)模型的負(fù)樣本；
[0045] 提取所述車(chē)標(biāo)模型的正樣本的HOG特征，提取所述車(chē)標(biāo)模型的負(fù)樣本的HOG特 征；
[0046] 將所述車(chē)標(biāo)模型的正樣本的HOG特征和所述車(chē)標(biāo)模型的負(fù)樣本的HOG特征作為 SVM的輸入進(jìn)行訓(xùn)練，獲得車(chē)標(biāo)模型。由此可見(jiàn)，本發(fā)明的有益效果為：本發(fā)明公開(kāi)的車(chē)標(biāo) 識(shí)別方法，預(yù)先為同一種車(chē)標(biāo)配置不同光照條件下的多個(gè)車(chē)標(biāo)模型，因此，能夠提高車(chē)標(biāo)識(shí) 別的準(zhǔn)確度；另外，本發(fā)明公開(kāi)的車(chē)標(biāo)識(shí)別方法，首先基于LSH算法實(shí)現(xiàn)對(duì)車(chē)標(biāo)的粗檢測(cè)， 以確定與待識(shí)別車(chē)標(biāo)相似性最高的η個(gè)車(chē)標(biāo)模型，之后利用該η個(gè)車(chē)標(biāo)模型對(duì)待識(shí)別車(chē)標(biāo) 進(jìn)行精細(xì)檢測(cè)，以確定η個(gè)車(chē)標(biāo)模型中置信度最高的車(chē)標(biāo)模型，由于采用了粗檢測(cè)加精細(xì) 檢測(cè)的方式，即便增加了車(chē)標(biāo)模型的數(shù)量，也不會(huì)對(duì)檢測(cè)速度造成影響。綜上，本發(fā)明公開(kāi) 的車(chē)標(biāo)識(shí)別方法在保證檢測(cè)速度的前提下，提高了檢測(cè)準(zhǔn)確度。

【專利附圖】

【附圖說(shuō)明】
[0047] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本 發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù) 提供的附圖獲得其他的附圖。
[0048] 圖1為本發(fā)明公開(kāi)的一種車(chē)標(biāo)識(shí)別方法的流程圖；
[0049] 圖2為本發(fā)明公開(kāi)的一種搜索車(chē)輛的車(chē)標(biāo)圖像的流程圖；
[0050] 圖3為本發(fā)明公開(kāi)的預(yù)先建立車(chē)標(biāo)混合模型的流程圖；
[0051] 圖4為本發(fā)明公開(kāi)的預(yù)先建立車(chē)標(biāo)模型的流程圖；
[0052] 圖5為本發(fā)明公開(kāi)的一種車(chē)標(biāo)識(shí)別裝置的結(jié)構(gòu)示意圖；
[0053] 圖6為圖5中車(chē)標(biāo)圖像搜索單元的一種結(jié)構(gòu)示意圖；
[0054] 圖7為圖5中車(chē)標(biāo)圖像搜索單元的另一種結(jié)構(gòu)示意圖。

【具體實(shí)施方式】
[0055] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0056] 本發(fā)明公開(kāi)一種車(chē)標(biāo)識(shí)別方法，能夠快速準(zhǔn)確的完成車(chē)標(biāo)識(shí)別。
[0057] 參見(jiàn)圖1，圖1為本發(fā)明公開(kāi)的一種車(chē)標(biāo)識(shí)別方法的流程圖。該方法包括：
[0058] 步驟Sll :檢測(cè)到地感觸發(fā)信號(hào)之后，在車(chē)輛圖像中搜索車(chē)輛的車(chē)標(biāo)圖像。
[0059] 地感被埋設(shè)在地下，當(dāng)有車(chē)輛經(jīng)過(guò)時(shí)，地感輸出地感觸發(fā)信號(hào)。當(dāng)車(chē)輛經(jīng)過(guò)地感 時(shí)，車(chē)輛與拍攝裝置（如相機(jī)或者攝像頭）之間的距離較近，拍攝裝置拍攝到的圖片中車(chē)輛 的車(chē)標(biāo)是比較清楚的。因此，在檢測(cè)到地感觸發(fā)信號(hào)之后，獲取拍攝裝置拍攝的車(chē)輛圖像， 之后在該車(chē)輛圖像中搜索車(chē)輛的車(chē)標(biāo)圖像。
[0060] 步驟S12 :在搜索到車(chē)標(biāo)圖像后，提取車(chē)標(biāo)圖像的HOG特征。
[0061] HOG (Histogram of oriented gradients，梯度方向直方圖）刻畫(huà)圖像的局部梯度 幅值和方向特征。HOG允許塊之間相互重疊，因此對(duì)光照變化和小量的偏移并不敏感，能有 效地刻畫(huà)出邊緣特征。對(duì)于角度大的車(chē)標(biāo)檢測(cè)效果好。
[0062] HOG特征是灰度圖的梯度統(tǒng)計(jì)信息，梯度主要存在于邊緣的地方?？梢愿鶕?jù)如下公 式計(jì)算梯度，獲得HOG特征，其中I (X，y)表示在圖像I上的一個(gè)點(diǎn)。
[0063] 圖像的一階梯度的大小為：
[0064] 穴(X，.V) = ^(/(.V + I, V) - /(.V - I, V))- + (/(.V, V - I) - J{x,y + 1))"
[0065] 梯度方向?yàn)椋?br> [0066] Ang (x, y) = arccos (I (x+1, y) -I (x~l, y) /R)
[0067] 直方圖方向?yàn)?個(gè)，將每個(gè)分塊中所有像素的一維梯度直方圖累加到其中，就形 成了最終的HOG特征。
[0068] 這里結(jié)合一個(gè)實(shí)例進(jìn)行說(shuō)明：
[0069] 將搜索到的車(chē)標(biāo)圖像歸一化為56像素*56像素的尺寸，設(shè)置cell (小局部區(qū)域） 的尺寸為8像素*8像素，4個(gè)cell組成一個(gè)block(塊），因此一個(gè)車(chē)標(biāo)圖像可以提取到 (56 Y 56 ) ><36 = 1296維的特征，這1296維特征使用1296個(gè)浮點(diǎn)數(shù)保存。同樣的，預(yù) V 〇 八 8 / 存的車(chē)標(biāo)模型也包括1296維的特征。
[0070] 步驟S13 :對(duì)車(chē)標(biāo)圖像的HOG特征進(jìn)行LSH編碼，獲得車(chē)標(biāo)圖像的HOG特征編碼。
[0071] LSH(Locality Sensitive Hashing，局部敏感哈希）是一種快速的分類(lèi)方法。該 方法通過(guò)使用哈希表的方法來(lái)取代點(diǎn)乘操作，并且通過(guò)Winner Take All Hashing把任意 的特征轉(zhuǎn)換成二進(jìn)制編碼。使用LSH編碼后，可以大大減少分類(lèi)所需要的時(shí)間。LSH編碼的 基本思想是將原始數(shù)據(jù)空間中的兩個(gè)相鄰數(shù)據(jù)點(diǎn)通過(guò)相同的映射或投影變換后，這兩個(gè)數(shù) 據(jù)點(diǎn)在新的數(shù)據(jù)空間中仍然相鄰的概率很大，即經(jīng)過(guò)變換后，落到同一個(gè)哈希表的桶的概 率很大。不相鄰的數(shù)據(jù)點(diǎn)被映射到同一個(gè)桶的概率的很小。對(duì)原始數(shù)據(jù)集合中所有數(shù)據(jù)都 進(jìn)行哈希映射后，得到一個(gè)哈希表，這些原始數(shù)據(jù)被分散到哈希表的桶內(nèi)，每個(gè)桶內(nèi)有一些 數(shù)據(jù)，屬于同一個(gè)桶內(nèi)的數(shù)據(jù)很大概率是相同的。我們只需要將查詢數(shù)據(jù)進(jìn)行哈希映射得 到桶號(hào)，然后取出該桶號(hào)對(duì)應(yīng)的桶內(nèi)的數(shù)據(jù)，再進(jìn)行線性匹配即可查詢?cè)摂?shù)據(jù)相鄰的數(shù)據(jù)。 因此將一個(gè)在超大集合內(nèi)查找相鄰元素的問(wèn)題轉(zhuǎn)化為在一個(gè)很小集合內(nèi)查找相鄰元素的 問(wèn)題，計(jì)算量下降明顯。
[0072] 步驟S14 :將車(chē)標(biāo)圖像的HOG特征編碼和預(yù)存的車(chē)標(biāo)模型的特征編碼進(jìn)行匹配，計(jì) 算車(chē)標(biāo)圖像的HOG特征編碼和各個(gè)車(chē)標(biāo)模型的特征編碼之間的漢明距離。其中，對(duì)車(chē)標(biāo)模 型進(jìn)行LSH編碼獲得車(chē)標(biāo)模型的特征編碼。
[0073] 本發(fā)明中，針對(duì)同一種車(chē)標(biāo)在不同光照條件下分別配置有車(chē)標(biāo)模型。例如：針對(duì)車(chē) 標(biāo)1，可以預(yù)先建立車(chē)標(biāo)1在白天正常光照下的車(chē)標(biāo)模型、在白天強(qiáng)光下的車(chē)標(biāo)模型以及在 夜間的車(chē)標(biāo)模型。
[0074] 這里需要說(shuō)明的是：同一種車(chē)標(biāo)在不同光照條件下呈現(xiàn)出的視覺(jué)效果不同，拍攝 裝置拍攝得到的同一種車(chē)標(biāo)的圖像也會(huì)存在較大差異，如果將不同光照條件下的車(chē)標(biāo)圖像 放在一起訓(xùn)練得到一個(gè)車(chē)標(biāo)模型，必然會(huì)影響后續(xù)車(chē)標(biāo)識(shí)別的準(zhǔn)確性，甚至?xí)霈F(xiàn)車(chē)標(biāo)無(wú) 法被識(shí)別的問(wèn)題。本發(fā)明中針對(duì)同一種車(chē)標(biāo)在不同光照強(qiáng)度下分別建立車(chē)標(biāo)模型，可以提 高車(chē)標(biāo)識(shí)別的準(zhǔn)確度。
[0075] 這里結(jié)合一個(gè)實(shí)例進(jìn)行說(shuō)明。
[0076] 步驟A :預(yù)先定義2400組隨機(jī)數(shù)，待識(shí)別車(chē)標(biāo)的HOG特征與車(chē)標(biāo)模型均使用相同 的隨機(jī)數(shù)，每組隨機(jī)數(shù)有16個(gè)，即從1296個(gè)浮點(diǎn)數(shù)中按規(guī)定的隨機(jī)數(shù)抽取16個(gè)。
[0077] 步驟B :對(duì)每組被抽取出的16個(gè)浮點(diǎn)數(shù)進(jìn)行排序，選取最大的浮點(diǎn)數(shù)，然后用4位 二進(jìn)制數(shù)表示該最大的浮點(diǎn)數(shù)在16個(gè)浮點(diǎn)數(shù)中的序號(hào)。例如一組隨機(jī)數(shù)為抽取前16個(gè)浮 點(diǎn)數(shù)，且第7個(gè)浮點(diǎn)數(shù)最大，那么就使用0111表示該組數(shù)據(jù)。每4組數(shù)據(jù)湊成一個(gè)16位的 數(shù)據(jù)，16位的原因是為了能通過(guò)查16位的表加快比較的速度。
[0078] 步驟C :經(jīng)過(guò)2400次比較湊成600個(gè)16位的數(shù)字。
[0079] 步驟D :通過(guò)訓(xùn)練得到的N個(gè)車(chē)標(biāo)模型都是1296維的，即1296個(gè)浮點(diǎn)數(shù)。重復(fù)上 述步驟A-C可以得到N組數(shù)據(jù)，每組是600個(gè)16位的數(shù)字，這些數(shù)據(jù)可以提前計(jì)算，保存在 表里，通過(guò)查表的方式獲取。
[0080] 步驟E :把從待識(shí)別車(chē)標(biāo)的HOG特征中獲取的600個(gè)16位的數(shù)字依次與從N個(gè)車(chē) 標(biāo)模型中獲取的600個(gè)16位的數(shù)字進(jìn)行異或操作，然后計(jì)算漢明距離，即統(tǒng)計(jì)結(jié)果中1的 個(gè)數(shù)。這樣可得到待識(shí)別車(chē)標(biāo)與某個(gè)車(chē)標(biāo)模型的相似程度，漢明距離越小表示相似性越高。
[0081] 步驟S15 :在預(yù)存的N個(gè)車(chē)標(biāo)模型中確定η個(gè)車(chē)標(biāo)模型。
[0082] 其中，η個(gè)車(chē)標(biāo)模型的特征編碼與車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離，小于 其他車(chē)標(biāo)模型的特征編碼與車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離。
[0083] 也就是說(shuō)，對(duì)N個(gè)車(chē)標(biāo)模型進(jìn)行排序，排序依據(jù)為車(chē)標(biāo)模型的特征編碼與車(chē)標(biāo)圖 像的HOG特征編碼之間的漢明距離，按照漢明距離從小到大的順序排序，在排序后的N個(gè)車(chē) 標(biāo)模型中取前η個(gè)車(chē)標(biāo)模型，這η個(gè)車(chē)標(biāo)模型與待識(shí)別車(chē)標(biāo)的相似性最高。
[0084] 實(shí)施中，η可以優(yōu)選設(shè)置為5。
[0085] 步驟S16 :利用η個(gè)車(chē)標(biāo)模型分別識(shí)別車(chē)標(biāo)圖像，確定置信度最高的車(chē)標(biāo)模型，輸 出置信度最高的車(chē)標(biāo)模型的名稱。
[0086] 經(jīng)過(guò)上述步驟Sll至S15實(shí)現(xiàn)了對(duì)車(chē)標(biāo)的粗檢測(cè)，獲得了相似性最高的η個(gè)車(chē)標(biāo) 模型，之后利用這η個(gè)車(chē)標(biāo)模型進(jìn)行精細(xì)檢測(cè)。在精細(xì)檢測(cè)階段，利用η個(gè)車(chē)標(biāo)模型分別識(shí) 別車(chē)標(biāo)圖像，獲得η個(gè)置信度，確定置信度最高的車(chē)標(biāo)模型，輸出該置信度最高的車(chē)標(biāo)模型 的名稱。
[0087] 本發(fā)明公開(kāi)的車(chē)標(biāo)識(shí)別方法，預(yù)先為同一種車(chē)標(biāo)配置不同光照條件下的多個(gè)車(chē)標(biāo) 模型，因此，能夠提高車(chē)標(biāo)識(shí)別的準(zhǔn)確度；另外，本發(fā)明公開(kāi)的車(chē)標(biāo)識(shí)別方法，首先基于LSH 算法實(shí)現(xiàn)對(duì)車(chē)標(biāo)的粗檢測(cè)，以確定與待識(shí)別車(chē)標(biāo)相似性最高的η個(gè)車(chē)標(biāo)模型，之后利用該 η個(gè)車(chē)標(biāo)模型對(duì)待識(shí)別車(chē)標(biāo)進(jìn)行精細(xì)檢測(cè)，以確定η個(gè)車(chē)標(biāo)模型中置信度最高的車(chē)標(biāo)模型， 由于采用了粗檢測(cè)加精細(xì)檢測(cè)的方式，即便增加了車(chē)標(biāo)模型的數(shù)量，也不會(huì)對(duì)檢測(cè)速度造 成影響。綜上，本發(fā)明公開(kāi)的車(chē)標(biāo)識(shí)別方法在保證檢測(cè)速度的前提下，提高了檢測(cè)準(zhǔn)確度。
[0088] 實(shí)施中，在車(chē)輛圖像中搜索車(chē)輛的車(chē)標(biāo)圖像，可以采用多種方式實(shí)現(xiàn)。例如：通過(guò) 檢測(cè)車(chē)標(biāo)區(qū)域的顯著特征來(lái)確定車(chē)標(biāo)圖像。具體的：一般在車(chē)牌上方都是比較干凈的區(qū)域， 搜索邊緣密度較大的區(qū)域就可以認(rèn)為包含了車(chē)標(biāo)。
[0089] 本發(fā)明公開(kāi)另一種在車(chē)輛圖像中搜索車(chē)輛的車(chē)標(biāo)圖像的方法，如圖2所示。該方 法包括：
[0090] 步驟S21 :獲取車(chē)牌識(shí)別結(jié)果。
[0091] 車(chē)標(biāo)識(shí)別是車(chē)牌識(shí)別的輔助技術(shù)。在需要進(jìn)行車(chē)標(biāo)識(shí)別的場(chǎng)景，通常也需要進(jìn)行 車(chē)牌識(shí)別。因此，在檢測(cè)到地感觸發(fā)信號(hào)之后，等待車(chē)牌識(shí)別的結(jié)果。
[0092] 步驟S22 :在車(chē)牌被識(shí)別的情況下，基于車(chē)輛圖像中的車(chē)牌區(qū)域確定待搜索區(qū)域。 其中，待搜索區(qū)域包含車(chē)牌區(qū)域且大于車(chē)牌區(qū)域。
[0093] 在車(chē)牌識(shí)別過(guò)程中，能夠確定車(chē)輛圖像中的車(chē)牌區(qū)域，由于車(chē)標(biāo)通常位于車(chē)牌的 上方，因此，在車(chē)牌被識(shí)別的情況下，可以根據(jù)車(chē)輛圖像中的車(chē)牌區(qū)域確定待搜索區(qū)域，該 待搜索區(qū)域包含了車(chē)牌區(qū)域，并且面積大于車(chē)牌區(qū)域。
[0094] 這里以一個(gè)實(shí)例進(jìn)行說(shuō)明：在車(chē)牌被識(shí)別的情況下，在車(chē)牌區(qū)域的基礎(chǔ)上，向車(chē)牌 區(qū)域的左側(cè)和右側(cè)分別擴(kuò)大車(chē)牌長(zhǎng)度的10%，向車(chē)牌區(qū)域的上側(cè)擴(kuò)大車(chē)牌寬度的8倍，該 區(qū)域作為車(chē)標(biāo)的待搜索區(qū)域。
[0095] 步驟S23 :利用預(yù)存的車(chē)標(biāo)混合模型在所述待搜索區(qū)域進(jìn)行搜索，以獲得車(chē)標(biāo)圖 像。該車(chē)標(biāo)混合模型用戶判斷圖像中是否包含車(chē)標(biāo)。
[0096] 基于圖2所示的方法搜索車(chē)標(biāo)的過(guò)程中，利用車(chē)輛圖像中的車(chē)牌區(qū)域確定待搜索 區(qū)域，而不需要針對(duì)車(chē)輛圖像進(jìn)行全圖搜索，可以加快搜索速度，另外，利用車(chē)標(biāo)混合模型 進(jìn)行檢測(cè)能夠提高檢測(cè)準(zhǔn)確度，降低誤識(shí)別率。
[0097] 實(shí)施中，在車(chē)牌未被識(shí)別的情況下，可以車(chē)標(biāo)混合模型在車(chē)輛圖像中進(jìn)行全圖搜 索，以便獲得車(chē)標(biāo)圖像。
[0098] 另外，在本發(fā)明公開(kāi)的車(chē)標(biāo)識(shí)別方法中，還可以進(jìn)一步設(shè)置預(yù)先建立車(chē)標(biāo)混合模 型的步驟。下面結(jié)合圖3對(duì)預(yù)先建立車(chē)標(biāo)混合模型的過(guò)程進(jìn)行說(shuō)明，包括：
[0099] 步驟S31 :獲取N個(gè)車(chē)標(biāo)圖像樣本集合和M個(gè)非車(chē)標(biāo)圖像樣本。
[0100] 利用攝像機(jī)在各個(gè)時(shí)段和各種天氣條件下拍攝車(chē)輛的影像，人工截取車(chē)標(biāo)部分的 圖像作為正樣本，人工截取未包含車(chē)標(biāo)的圖像作為負(fù)樣本。
[0101] 其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè)車(chē)標(biāo)圖像樣本集合，K為大于1的整數(shù)。每個(gè)車(chē)標(biāo)圖 像樣本集合為在相同光照條件下獲取的車(chē)標(biāo)圖像的集合，一個(gè)車(chē)標(biāo)的K個(gè)車(chē)標(biāo)圖像樣本集 合為在不同光照條件下獲取的車(chē)標(biāo)圖像樣本集合。
[0102] 例如：針對(duì)車(chē)標(biāo)1，獲取3個(gè)車(chē)標(biāo)圖像樣本集合。其中，車(chē)標(biāo)1的第一個(gè)車(chē)標(biāo)圖像 樣本集合為：在白天正常光照下車(chē)標(biāo)1的圖像的集合；車(chē)標(biāo)1的第二個(gè)車(chē)標(biāo)圖像樣本集合 為：在白天強(qiáng)光下車(chē)標(biāo)1的圖像的集合；車(chē)標(biāo)1的第三個(gè)車(chē)標(biāo)圖像樣本集合為：在夜間車(chē)標(biāo) 1的圖像的集合。
[0103] 步驟S32 :將N個(gè)車(chē)標(biāo)圖像樣本集合作為車(chē)標(biāo)混合模型的正樣本，將M個(gè)非車(chē)標(biāo)圖 像樣本作為車(chē)標(biāo)混合模型的負(fù)樣本。
[0104] 步驟S33 :提取車(chē)標(biāo)混合模型的正樣本的HOG特征，提取車(chē)標(biāo)混合模型的負(fù)樣本的 HOG特征。
[0105] 步驟S34 :將正樣本的HOG特征和負(fù)樣本的HOG特征作為SVM的輸入進(jìn)行訓(xùn)練，獲 得車(chē)標(biāo)混合模型。
[0106] SVM(Support Vector Machine，支持向量機(jī)）是一種快速的模式識(shí)別方法。SVM 訓(xùn)練的樣本集可以表示為：(X1, Y1)，（x2, y2)，…，（xn，yn)。其中1^，#是訓(xùn)練樣本集。 yf {-1，1}，y F 1表示X f ω i，yi= -1表示X f ω 2，〇^和ω 2是兩種不同的分類(lèi)。
[0107] 對(duì)于線性分類(lèi)，決策函數(shù)為g(X) = ωΤχ+b，其中ω是分類(lèi)面的梯度，而b是偏置。 2 2 〇Tx+b = 1和coTx+b = -1的分類(lèi)間隔為= ，SVM為了最大化分類(lèi)間隔，需要求 \\ω\\ M1CO' OJ 解min·^^·。經(jīng)過(guò)推導(dǎo)，〇 =言X·乃X,·。g(x)表示為：g(x) = (2/x + /j =之6，其 oj'b / , ， ^ /=1 中^是訓(xùn)練得到的支持向量系數(shù)。
[0108] 本發(fā)明圖3所示的方法中，首先采集車(chē)標(biāo)圖像樣本和非車(chē)標(biāo)圖像樣本，之后提取 各個(gè)樣本的HOG特征，將提取出的HOG特征作為SVM的輸入進(jìn)行訓(xùn)練，得到車(chē)標(biāo)混合模型。 基于該車(chē)標(biāo)混合模型，僅需進(jìn)行一次檢測(cè)，能夠快速確定車(chē)輛圖像中的車(chē)標(biāo)區(qū)域，從而快速 獲取到車(chē)標(biāo)圖像。
[0109] 實(shí)施中，在本發(fā)明公開(kāi)的車(chē)標(biāo)識(shí)別方法中，還可以進(jìn)一步設(shè)置預(yù)先建立車(chē)標(biāo)模型 的步驟。下面結(jié)合圖4對(duì)預(yù)先建立車(chē)標(biāo)模型的過(guò)程進(jìn)行說(shuō)明，包括：
[0110] 步驟S41 :獲取N個(gè)車(chē)標(biāo)圖像樣本集合。
[0111] 其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè)車(chē)標(biāo)圖像樣本集合，K為大于1的整數(shù)，每個(gè)車(chē)標(biāo)圖 像樣本集合為在相同光照條件下獲取的車(chē)標(biāo)圖像的集合，一個(gè)車(chē)標(biāo)的K個(gè)車(chē)標(biāo)圖像樣本集 合為在不同光照條件下獲取的車(chē)標(biāo)圖像樣本集合。
[0112] 步驟S42 :將N個(gè)車(chē)標(biāo)圖像樣本集合中的一個(gè)作為車(chē)標(biāo)模型的正樣本，將其他N-I 個(gè)車(chē)標(biāo)圖像樣本集合作為車(chē)標(biāo)模型的負(fù)樣本。
[0113] 這里舉例進(jìn)行說(shuō)明，當(dāng)將車(chē)標(biāo)1的第一車(chē)標(biāo)圖像樣本集合作為車(chē)標(biāo)模型的正樣本 時(shí)，其他車(chē)標(biāo)的車(chē)標(biāo)圖像樣本集合以及車(chē)標(biāo)1的其他車(chē)標(biāo)圖像樣本集合都作為負(fù)樣本。
[0114] 步驟S43 :提取車(chē)標(biāo)模型的正樣本的HOG特征，提取車(chē)標(biāo)模型的負(fù)樣本的HOG特 征。
[0115] 步驟S44 :將車(chē)標(biāo)模型的正樣本的HOG特征和車(chē)標(biāo)模型的負(fù)樣本的HOG特征作為 SVM的輸入進(jìn)行訓(xùn)練，獲得車(chē)標(biāo)模型。
[0116] 通過(guò)多次執(zhí)行步驟S42至步驟S44,就可以建立全部車(chē)標(biāo)在不同光照條件下的車(chē) 標(biāo)模型。
[0117] 本發(fā)明圖4公開(kāi)的方法，在建立某一車(chē)標(biāo)在某一光照條件下的車(chē)標(biāo)模型時(shí)，將其 他車(chē)標(biāo)的車(chē)標(biāo)圖像樣本集合以及該車(chē)標(biāo)在其他光照條件下的車(chē)標(biāo)圖像樣本集合都作為負(fù) 樣本，因此，能夠獲得更加準(zhǔn)確的車(chē)標(biāo)模型。
[0118] 需要說(shuō)明的是，車(chē)標(biāo)模型訓(xùn)練是一個(gè)迭代過(guò)程。最開(kāi)始的時(shí)候可以把白天和晚上 的樣本一起訓(xùn)練，即每種車(chē)標(biāo)僅一類(lèi)。然后，在實(shí)際測(cè)試中查看每種車(chē)標(biāo)在不同光照情況下 的差異。有些車(chē)標(biāo)樣本白天與晚上差異較大，可以分開(kāi)訓(xùn)練，有些車(chē)標(biāo)白天與晚上分別不 大，僅使用一類(lèi)即可。分開(kāi)訓(xùn)練后，得到新的模型，然后替換舊的模型再測(cè)試，通過(guò)測(cè)試的結(jié) 果再進(jìn)行調(diào)整。經(jīng)過(guò)一段時(shí)間迭代訓(xùn)練后就能得到相對(duì)滿意的模型組合。
[0119] 本發(fā)明上述公開(kāi)了車(chē)標(biāo)識(shí)別方法，相應(yīng)的，本發(fā)明還公開(kāi)車(chē)標(biāo)識(shí)別裝置。
[0120] 參見(jiàn)圖5,圖5為本發(fā)明公開(kāi)的一種車(chē)標(biāo)識(shí)別裝置的結(jié)構(gòu)示意圖。該車(chē)標(biāo)識(shí)別裝 置包括車(chē)標(biāo)圖像搜索單元10、特征提取單元20、編碼單元30、數(shù)據(jù)處理單元40、粗檢測(cè)單元 50和精細(xì)檢測(cè)單元60。
[0121] 其中：
[0122] 車(chē)標(biāo)圖像搜索單元10,用于在檢測(cè)到地感觸發(fā)信號(hào)之后，在車(chē)輛圖像中搜索車(chē)輛 的車(chē)標(biāo)圖像。
[0123] 特征提取單元20,用于在搜索到車(chē)標(biāo)圖像后，提取車(chē)標(biāo)圖像的HOG特征。
[0124] 編碼單元30,用于對(duì)車(chē)標(biāo)圖像的HOG特征進(jìn)行LSH編碼獲得車(chē)標(biāo)圖像的HOG特征 編碼。
[0125] 數(shù)據(jù)處理單元40,用于對(duì)車(chē)標(biāo)圖像的HOG特征編碼和預(yù)存的車(chē)標(biāo)模型的特征編碼 進(jìn)行匹配，計(jì)算車(chē)標(biāo)圖像的HOG特征編碼和各個(gè)車(chē)標(biāo)模型的特征編碼之間的漢明距離。其 中，對(duì)車(chē)標(biāo)模型進(jìn)行LSH編碼獲得車(chē)標(biāo)模型的特征編碼。
[0126] 粗檢測(cè)單元50,用于在預(yù)存的N個(gè)車(chē)標(biāo)模型中確定η個(gè)車(chē)標(biāo)模型，η為大于1的整 數(shù)。其中，η個(gè)車(chē)標(biāo)模型的特征編碼與車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離，小于其他 車(chē)標(biāo)模型的特征編碼與車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離。本發(fā)明中，針對(duì)同一種 車(chē)標(biāo)在不同光照條件下分別配置有車(chē)標(biāo)模型。
[0127] 精細(xì)檢測(cè)單元60,用于利用η個(gè)車(chē)標(biāo)模型分別識(shí)別車(chē)標(biāo)圖像，確定置信度最高的 車(chē)標(biāo)模型，輸出置信度最高的車(chē)標(biāo)模型的名稱。
[0128] 本發(fā)明公開(kāi)的車(chē)標(biāo)識(shí)別裝置，預(yù)先為同一種車(chē)標(biāo)配置不同光照條件下的多個(gè)車(chē)標(biāo) 模型，因此，能夠提高車(chē)標(biāo)識(shí)別的準(zhǔn)確度；另外，本發(fā)明公開(kāi)的車(chē)標(biāo)識(shí)別裝置，首先基于LSH 算法實(shí)現(xiàn)對(duì)車(chē)標(biāo)的粗檢測(cè)，以確定與待識(shí)別車(chē)標(biāo)相似性最高的η個(gè)車(chē)標(biāo)模型，之后利用該 η個(gè)車(chē)標(biāo)模型對(duì)待識(shí)別車(chē)標(biāo)進(jìn)行精細(xì)檢測(cè)，以確定η個(gè)車(chē)標(biāo)模型中置信度最高的車(chē)標(biāo)模型， 由于采用了粗檢測(cè)加精細(xì)檢測(cè)的方式，即便增加了車(chē)標(biāo)模型的數(shù)量，也不會(huì)對(duì)檢測(cè)速度造 成影響。綜上，本發(fā)明公開(kāi)的車(chē)標(biāo)識(shí)別裝置在保證檢測(cè)速度的前提下，提高了檢測(cè)準(zhǔn)確度。
[0129] 實(shí)施中，車(chē)標(biāo)圖像搜索單元10在車(chē)輛圖像中搜索車(chē)輛的車(chē)標(biāo)圖像，可以采用多種 方式實(shí)現(xiàn)。例如：通過(guò)檢測(cè)車(chē)標(biāo)區(qū)域的顯著特征來(lái)確定車(chē)標(biāo)圖像。具體的：一般在車(chē)牌上方 都是比較干凈的區(qū)域，搜索邊緣密度較大的區(qū)域就可以認(rèn)為包含了車(chē)標(biāo)。
[0130] 本發(fā)明公開(kāi)一種優(yōu)選實(shí)施方式，車(chē)標(biāo)圖像搜索單元10的結(jié)構(gòu)如圖6所示，包括識(shí) 別結(jié)果獲取模塊101、待搜索區(qū)域確定模塊102和第一搜索模塊103。
[0131] 其中：
[0132] 識(shí)別結(jié)果獲取模塊101，用于獲取車(chē)牌識(shí)別結(jié)果。
[0133] 待搜索區(qū)域確定模塊102,用于在車(chē)牌被識(shí)別的情況下，基于車(chē)輛圖像中的車(chē)牌區(qū) 域確定待搜索區(qū)域，待搜索區(qū)域包含車(chē)牌區(qū)域且大于車(chē)牌區(qū)域。
[0134] 第一搜索模塊103,用于利用預(yù)存的車(chē)標(biāo)混合模型在待搜索區(qū)域進(jìn)行搜索，以獲得 車(chē)標(biāo)圖像。該車(chē)標(biāo)混合模型用戶判斷圖像中是否包含車(chē)標(biāo)。
[0135] 車(chē)標(biāo)識(shí)別是車(chē)牌識(shí)別的輔助技術(shù)。在需要進(jìn)行車(chē)標(biāo)識(shí)別的場(chǎng)景，通常也需要進(jìn)行 車(chē)牌識(shí)別。因此，在檢測(cè)到地感觸發(fā)信號(hào)之后，等待車(chē)牌識(shí)別的結(jié)果。在車(chē)牌識(shí)別過(guò)程中， 能夠確定車(chē)輛圖像中的車(chē)牌區(qū)域，由于車(chē)標(biāo)通常位于車(chē)牌的上方，因此，在車(chē)牌被識(shí)別的情 況下，可以根據(jù)車(chē)輛圖像中的車(chē)牌區(qū)域確定待搜索區(qū)域，該待搜索區(qū)域包含了車(chē)牌區(qū)域，并 且面積大于車(chē)牌區(qū)域。這里以一個(gè)實(shí)例進(jìn)行說(shuō)明：在車(chē)牌被識(shí)別的情況下，在車(chē)牌區(qū)域的基 礎(chǔ)上，向車(chē)牌區(qū)域的左側(cè)和右側(cè)分別擴(kuò)大車(chē)牌長(zhǎng)度的10%，向車(chē)牌區(qū)域的上側(cè)擴(kuò)大車(chē)牌寬 度的8倍，該區(qū)域作為車(chē)標(biāo)的待搜索區(qū)域。
[0136] 本發(fā)明圖6所示的車(chē)標(biāo)圖像搜索單元，利用車(chē)輛圖像中的車(chē)牌區(qū)域確定待搜索區(qū) 域，而不需要針對(duì)車(chē)輛圖像進(jìn)行全圖搜索，可以加快搜索速度，另外，利用車(chē)標(biāo)混合模型進(jìn) 行檢測(cè)能夠提高檢測(cè)準(zhǔn)確度，降低誤識(shí)別率。
[0137] 實(shí)施中，可以在圖6所示的車(chē)標(biāo)圖像搜索單元的基礎(chǔ)上，進(jìn)一步設(shè)置第二搜索模 塊104,如圖7所示。第二搜索模塊104與識(shí)別結(jié)果獲取模塊101連接，在車(chē)牌未被識(shí)別的 情況下，第二搜索模塊104利用車(chē)標(biāo)混合模型在車(chē)輛圖像進(jìn)行全圖搜索，以獲得車(chē)標(biāo)圖像。
[0138] 另外，還可以在車(chē)標(biāo)識(shí)別裝置中設(shè)置車(chē)標(biāo)混合模型構(gòu)建單元，該車(chē)標(biāo)混合模型構(gòu) 建單元用于：
[0139] 獲取N個(gè)車(chē)標(biāo)圖像樣本集合和M個(gè)非車(chē)標(biāo)圖像樣本，其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè) 車(chē)標(biāo)圖像樣本集合，K為大于1的整數(shù)，每個(gè)車(chē)標(biāo)圖像樣本集合為在相同光照條件下獲取的 車(chē)標(biāo)圖像的集合，一個(gè)車(chē)標(biāo)的K個(gè)車(chē)標(biāo)圖像樣本集合為在不同光照條件下獲取的車(chē)標(biāo)圖像 樣本集合；將N個(gè)車(chē)標(biāo)圖像樣本集合作為車(chē)標(biāo)混合模型的正樣本，將M個(gè)非車(chē)標(biāo)圖像樣本作 為車(chē)標(biāo)混合模型的負(fù)樣本；提取車(chē)標(biāo)混合模型的正樣本的HOG特征，提取車(chē)標(biāo)混合模型的 負(fù)樣本的HOG特征；將正樣本的HOG特征和負(fù)樣本的HOG特征作為支持向量機(jī)SVM的輸入 進(jìn)行訓(xùn)練，獲得車(chē)標(biāo)混合模型。
[0140] 本發(fā)明上述公開(kāi)的車(chē)標(biāo)混合模型構(gòu)建單元，首先采集車(chē)標(biāo)圖像樣本和非車(chē)標(biāo)圖像 樣本，之后提取各個(gè)樣本的HOG特征，將提取出的HOG特征作為SVM的輸入進(jìn)行訓(xùn)練，得到 車(chē)標(biāo)混合模型?；谠撥?chē)標(biāo)混合模型，僅需進(jìn)行一次檢測(cè)，能夠快速確定車(chē)輛圖像中的車(chē)標(biāo) 區(qū)域，從而快速獲取到車(chē)標(biāo)圖像。
[0141] 另外，還可以在車(chē)標(biāo)識(shí)別裝置中設(shè)置車(chē)標(biāo)模型構(gòu)建單元，該車(chē)標(biāo)模型構(gòu)建單元用 于：
[0142] 獲取N個(gè)車(chē)標(biāo)圖像樣本集合，其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè)車(chē)標(biāo)圖像樣本集合，K為 大于1的整數(shù)，每個(gè)車(chē)標(biāo)圖像樣本集合為在相同光照條件下獲取的車(chē)標(biāo)圖像的集合，一個(gè) 車(chē)標(biāo)的K個(gè)車(chē)標(biāo)圖像樣本集合為在不同光照條件下獲取的車(chē)標(biāo)圖像樣本集合；將N個(gè)車(chē)標(biāo) 圖像樣本集合中的一個(gè)作為車(chē)標(biāo)模型的正樣本，將其他N-I個(gè)車(chē)標(biāo)圖像樣本集合作為車(chē)標(biāo) 模型的負(fù)樣本；提取車(chē)標(biāo)模型的正樣本的HOG特征，提取車(chē)標(biāo)模型的負(fù)樣本的HOG特征；將 車(chē)標(biāo)模型的正樣本的HOG特征和車(chē)標(biāo)模型的負(fù)樣本的HOG特征作為SVM的輸入進(jìn)行訓(xùn)練， 獲得車(chē)標(biāo)模型。
[0143] 本發(fā)明上述公開(kāi)的車(chē)標(biāo)模型構(gòu)建單元，在建立某一車(chē)標(biāo)在某一光照條件下的車(chē)標(biāo) 模型時(shí)，將其他車(chē)標(biāo)的車(chē)標(biāo)圖像樣本集合以及該車(chē)標(biāo)在其他光照條件下的車(chē)標(biāo)圖像樣本集 合都作為負(fù)樣本，因此，能夠獲得更加準(zhǔn)確的車(chē)標(biāo)模型。
[0144] 最后，還需要說(shuō)明的是，在本文中，諸如第一和第二等之類(lèi)的關(guān)系術(shù)語(yǔ)僅僅用來(lái)將 一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開(kāi)來(lái)，而不一定要求或者暗示這些實(shí)體或操作 之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)"包括"、"包含"或者其任何其他變體 意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備不僅包括 那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或 者設(shè)備所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句"包括一個(gè)……"限定的要素，并 不排除在包括所述要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同要素。
[0145] 本說(shuō)明書(shū)中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他 實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見(jiàn)即可。對(duì)于實(shí)施例公開(kāi)的裝置 而言，由于其與實(shí)施例公開(kāi)的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō) 明即可。
[0146] 對(duì)所公開(kāi)的實(shí)施例的上述說(shuō)明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。 對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的 一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明 將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一 致的最寬的范圍。
【權(quán)利要求】
1. 一種車(chē)標(biāo)識(shí)別方法，其特征在于，包括： 檢測(cè)到地感觸發(fā)信號(hào)之后，在車(chē)輛圖像中捜索車(chē)輛的車(chē)標(biāo)圖像； 在捜索到車(chē)標(biāo)圖像后，提取所述車(chē)標(biāo)圖像的梯度方向直方圖HOG特征； 對(duì)所述車(chē)標(biāo)圖像的HOG特征進(jìn)行局部敏感哈希LSH編碼，獲得所述車(chē)標(biāo)圖像的HOG特 征編碼； 將所述車(chē)標(biāo)圖像的HOG特征編碼和預(yù)存的車(chē)標(biāo)模型的特征編碼進(jìn)行匹配，計(jì)算所述車(chē) 標(biāo)圖像的HOG特征編碼和各個(gè)車(chē)標(biāo)模型的特征編碼之間的漢明距離；其中，對(duì)車(chē)標(biāo)模型進(jìn) 行L甜編碼獲得車(chē)標(biāo)模型的特征編碼； 在預(yù)存的N個(gè)車(chē)標(biāo)模型中確定n個(gè)車(chē)標(biāo)模型，n為大于1的整數(shù)，所述n個(gè)車(chē)標(biāo)模型的 特征編碼與所述車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離，小于其他車(chē)標(biāo)模型的特征編碼 與所述車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離；其中，針對(duì)同一種車(chē)標(biāo)在不同光照條件 下分別配置有車(chē)標(biāo)模型； 利用所述n個(gè)車(chē)標(biāo)模型分別識(shí)別所述車(chē)標(biāo)圖像，確定置信度最高的車(chē)標(biāo)模型，輸出所 述置信度最高的車(chē)標(biāo)模型的名稱。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述在車(chē)輛圖像中捜索車(chē)輛的車(chē)標(biāo)圖像， 包括： 獲取車(chē)牌識(shí)別結(jié)果； 在車(chē)牌被識(shí)別的情況下，基于車(chē)輛圖像中的車(chē)牌區(qū)域確定待捜索區(qū)域，所述待捜索區(qū) 域包含所述車(chē)牌區(qū)域且大于所述車(chē)牌區(qū)域； 利用預(yù)存的車(chē)標(biāo)混合模型在所述待捜索區(qū)域進(jìn)行捜索，W獲得車(chē)標(biāo)圖像。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，獲取車(chē)牌識(shí)別結(jié)果之后，在車(chē)牌未被識(shí) 別的情況下，還包括；利用所述車(chē)標(biāo)混合模型在所述車(chē)輛圖像進(jìn)行全圖捜索，W獲得車(chē)標(biāo)圖 像。
4. 根據(jù)權(quán)利要求1、2或3所述的方法，其特征在于，還包括預(yù)先建立車(chē)標(biāo)混合模型的步 驟，具體包括： 獲取N個(gè)車(chē)標(biāo)圖像樣本集合和M個(gè)非車(chē)標(biāo)圖像樣本，其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè)車(chē)標(biāo) 圖像樣本集合，K為大于1的整數(shù)，每個(gè)車(chē)標(biāo)圖像樣本集合為在相同光照條件下獲取的車(chē)標(biāo) 圖像的集合，一個(gè)車(chē)標(biāo)的K個(gè)車(chē)標(biāo)圖像樣本集合為在不同光照條件下獲取的車(chē)標(biāo)圖像樣本 集合； 將所述N個(gè)車(chē)標(biāo)圖像樣本集合作為車(chē)標(biāo)混合模型的正樣本，將所述M個(gè)非車(chē)標(biāo)圖像樣 本作為車(chē)標(biāo)混合模型的負(fù)樣本； 提取所述車(chē)標(biāo)混合模型的正樣本的HOG特征，提取所述車(chē)標(biāo)混合模型的負(fù)樣本的HOG 特征； 將所述正樣本的HOG特征和所述負(fù)樣本的HOG特征作為支持向量機(jī)SVM的輸入進(jìn)行訓(xùn) 練，獲得車(chē)標(biāo)混合模型。
5. 根據(jù)權(quán)利要求1、2或3所述的方法，其特征在于，還包括預(yù)先建立車(chē)標(biāo)模型的步驟， 具體包括： 獲取N個(gè)車(chē)標(biāo)圖像樣本集合，其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè)車(chē)標(biāo)圖像樣本集合，K為大于 1的整數(shù)，每個(gè)車(chē)標(biāo)圖像樣本集合為在相同光照條件下獲取的車(chē)標(biāo)圖像的集合，一個(gè)車(chē)標(biāo)的 K個(gè)車(chē)標(biāo)圖像樣本集合為在不同光照條件下獲取的車(chē)標(biāo)圖像樣本集合； 將N個(gè)車(chē)標(biāo)圖像樣本集合中的一個(gè)作為車(chē)標(biāo)模型的正樣本，將其他N-1個(gè)車(chē)標(biāo)圖像樣 本集合作為車(chē)標(biāo)模型的負(fù)樣本； 提取所述車(chē)標(biāo)模型的正樣本的HOG特征，提取所述車(chē)標(biāo)模型的負(fù)樣本的HOG特征； 將所述車(chē)標(biāo)模型的正樣本的HOG特征和所述車(chē)標(biāo)模型的負(fù)樣本的HOG特征作為SVM的 輸入進(jìn)行訓(xùn)練，獲得車(chē)標(biāo)模型。
6. -種車(chē)標(biāo)識(shí)別裝置，其特征在于，包括： 車(chē)標(biāo)圖像捜索單元，用于在檢測(cè)到地感觸發(fā)信號(hào)之后，在車(chē)輛圖像中捜索車(chē)輛的車(chē)標(biāo) 圖像； 特征提取單元，在捜索到車(chē)標(biāo)圖像后，提取所述車(chē)標(biāo)圖像的梯度方向直方圖HOG特征； 編碼單元，用于對(duì)所述車(chē)標(biāo)圖像的HOG特征進(jìn)行局部敏感哈希L甜編碼獲得所述車(chē)標(biāo) 圖像的HOG特征編碼； 數(shù)據(jù)處理單元，用于對(duì)所述車(chē)標(biāo)圖像的HOG特征編碼和預(yù)存的車(chē)標(biāo)模型的特征編碼進(jìn) 行匹配，計(jì)算所述車(chē)標(biāo)圖像的HOG特征編碼和各個(gè)車(chē)標(biāo)模型的特征編碼之間的漢明距離； 其中，對(duì)車(chē)標(biāo)模型進(jìn)行L甜編碼獲得車(chē)標(biāo)模型的特征編碼； 粗檢測(cè)單元，用于在預(yù)存的N個(gè)車(chē)標(biāo)模型中確定n個(gè)車(chē)標(biāo)模型，n為大于1的整數(shù)，所 述n個(gè)車(chē)標(biāo)模型的特征編碼與所述車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離，小于其他車(chē) 標(biāo)模型的特征編碼與所述車(chē)標(biāo)圖像的HOG特征編碼之間的漢明距離；其中，針對(duì)同一種車(chē) 標(biāo)在不同光照條件下分別配置有車(chē)標(biāo)模型； 精細(xì)檢測(cè)單元，用于利用所述n個(gè)車(chē)標(biāo)模型分別識(shí)別所述車(chē)標(biāo)圖像，確定置信度最高 的車(chē)標(biāo)模型，輸出所述置信度最高的車(chē)標(biāo)模型的名稱。
7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，車(chē)標(biāo)圖像捜索單元包括： 識(shí)別結(jié)果獲取模塊，用于獲取車(chē)牌識(shí)別結(jié)果； 待捜索區(qū)域確定模塊，用于在車(chē)牌被識(shí)別的情況下，基于車(chē)輛圖像中的車(chē)牌區(qū)域確定 待捜索區(qū)域，所述待捜索區(qū)域包含所述車(chē)牌區(qū)域且大于所述車(chē)牌區(qū)域； 第一捜索模塊，用于利用預(yù)存的車(chē)標(biāo)混合模型在所述待捜索區(qū)域進(jìn)行捜索，W獲得車(chē) 標(biāo)圖像。
8. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述車(chē)標(biāo)圖像捜索單元還包括；第二捜索 模塊； 在車(chē)牌未被識(shí)別的情況下，第二捜索模塊利用所述車(chē)標(biāo)混合模型在所述車(chē)輛圖像進(jìn)行 全圖捜索，W獲得車(chē)標(biāo)圖像。
9. 根據(jù)權(quán)利要求6、7或8所述的裝置，其特征在于，還包括車(chē)標(biāo)混合模型構(gòu)建單元，所 述車(chē)標(biāo)混合模型構(gòu)建單元用于： 獲取N個(gè)車(chē)標(biāo)圖像樣本集合和M個(gè)非車(chē)標(biāo)圖像樣本，其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè)車(chē)標(biāo) 圖像樣本集合，K為大于1的整數(shù)，每個(gè)車(chē)標(biāo)圖像樣本集合為在相同光照條件下獲取的車(chē)標(biāo) 圖像的集合，一個(gè)車(chē)標(biāo)的K個(gè)車(chē)標(biāo)圖像樣本集合為在不同光照條件下獲取的車(chē)標(biāo)圖像樣本 集合； 將所述N個(gè)車(chē)標(biāo)圖像樣本集合作為車(chē)標(biāo)混合模型的正樣本，將所述M個(gè)非車(chē)標(biāo)圖像樣 本作為車(chē)標(biāo)混合模型的負(fù)樣本； 提取所述車(chē)標(biāo)混合模型的正樣本的HOG特征，提取所述車(chē)標(biāo)混合模型的負(fù)樣本的HOG 特征； 將所述正樣本的HOG特征和所述負(fù)樣本的HOG特征作為支持向量機(jī)SVM的輸入進(jìn)行訓(xùn) 練，獲得車(chē)標(biāo)混合模型。
10.根據(jù)權(quán)利要求6、7或8所述的裝置，其特征在于，還包括車(chē)標(biāo)模型構(gòu)建單元，所述車(chē) 標(biāo)模型構(gòu)建單元用于： 獲取N個(gè)車(chē)標(biāo)圖像樣本集合，其中，針對(duì)每個(gè)車(chē)標(biāo)獲取K個(gè)車(chē)標(biāo)圖像樣本集合，K為大于 1的整數(shù)，每個(gè)車(chē)標(biāo)圖像樣本集合為在相同光照條件下獲取的車(chē)標(biāo)圖像的集合，一個(gè)車(chē)標(biāo)的 K個(gè)車(chē)標(biāo)圖像樣本集合為在不同光照條件下獲取的車(chē)標(biāo)圖像樣本集合； 將N個(gè)車(chē)標(biāo)圖像樣本集合中的一個(gè)作為車(chē)標(biāo)模型的正樣本，將其他N-1個(gè)車(chē)標(biāo)圖像樣 本集合作為車(chē)標(biāo)模型的負(fù)樣本； 提取所述車(chē)標(biāo)模型的正樣本的HOG特征，提取所述車(chē)標(biāo)模型的負(fù)樣本的HOG特征； 將所述車(chē)標(biāo)模型的正樣本的HOG特征和所述車(chē)標(biāo)模型的負(fù)樣本的HOG特征作為SVM的 輸入進(jìn)行訓(xùn)練，獲得車(chē)標(biāo)模型。
【文檔編號(hào)】G06K9/62GK104463233SQ201410853513
【公開(kāi)日】2015年3月25日 申請(qǐng)日期:2014年12月30日 優(yōu)先權(quán)日:2014年12月30日
【發(fā)明者】唐健, 關(guān)國(guó)雄, 李銳 申請(qǐng)人:深圳市捷順科技實(shí)業(yè)股份有限公司