本发明专利技术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。本发明专利技术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。
【技术实现步骤摘要】
本专利技术属于图像处理领域，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。
技术介绍
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〈l)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、Randomforest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。
技术实现思路
本专利技术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。 本专利技术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。 本专利技术相应提供一种面向交通卡口的多特征融合车标识别系统，用于对从交通卡 口拍摄车标所得图像进行识别，包括以下模块： 特征提取模块，用于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； 一级分类器训练模块，用于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； 特征融合模块，用于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； 二级分类器训练模块，用于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，设置实时处理模块，用于当有新输入的图像时，首先将新的图像作为一级测 试样本，利用一级分类器训练模块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，利用二级分类器训练模块所得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。 在对复杂的目标进行识别的过程中，目标的单一特征不具有很好的识别性，采用 多特征的方法可以更好的表达出目标的特性，增加目标分类的准确率。所以，为了提高分类 的准确率，本专利技术利用多特征来表达目标，并且提供了一种多特征融合的方法。本专利技术所提 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。【附图说明】 图1为本专利技术实施例的流程图。【具体实施方式】 下面结合具体实施例和附图对本专利技术的技术方案作进一步说明。 在图像分类系统中，仅采用单一的特征不能满足用户对多类图片分类的要求。在 图像自动分类中，图像的不同特征表示之间存在着互补的信息，自适应地融合不同类型的 特征能获得更高的分类正确率。所以，本专利技术提出了一种利用二级分类器实现多特征融合 的方法。 具体实施时，本专利技术技术方案可由本领域技术人员采用计算机软件技术实现自动 运行流程，例如利用MATLAB自动实现分类，实施例具体的实现流程如图1所示。 步骤1，特征提取，对输入的各幅图像分别进行特征提取，提取的特征包括HOG、 Curv-H、GIST。本专利技术主要是针对在交通卡口拍摄各类车标所得图像进行处理。 (l)、HOG 方向梯度直方图（HistogramofOrientedGradient,HOG)在计算机视觉和图 像处理中可以用来当前第1页1 2 3 本文档来自技高网...
【技术保护点】
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，其特征在于，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。
【技术特征摘要】
【专利技术属性】
技术研发人员：杨文，刘妍，吴红阳，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。