基于快速学习框架的车辆品牌型号识别方法技术

本发明专利技术公开了一种基于快速学习框架的车辆品牌型号识别方法，包括以下步骤：搭建spark平台，获取监控视频流；从获取的视频图像中检测车牌，根据车牌位置获取车脸图像，并进行车脸识别；按照车牌的宽度和高度，上下左右扩展，获得车脸图像；构建多尺度车脸图像，将其有重叠的分块，对每一小块提取局部二进制和梯度方向直方图特征，并组合成最终的车脸特征；训练多级级联分类器，第一级采用多分类器投票的方式，当多数分类器投给同一目标时，就接受该结果，否则进入下一级；第二级采用集成分类系统，通过特征映射，训练多个子分类器，融合各分类器结果，得到最终的分类结果。能在海量的数据中，准确、快速、稳定地识别车辆品牌和具体型号。

【技术实现步骤摘要】

本专利技术涉及图像模式识别和智能交通领域，具体地涉及一种基于快速学习框架的车辆品牌型号识别方法。
技术介绍
随着国民经济的持续发展，机动车已经成为人们日常生活中不可或缺的交通运输工具。但随之而来的交通问题也日益突出。世界各国都对交通系统的管理加大了投入，逐渐形成了道路交通管理研究领域。车型识别是智能交通系统中的主要任务和关键技术，它有着广泛的应用，如公路自动计费、停车场管理、稽查盗窃车辆、套牌车管理等。车型识别的难点在于识别系统的普遍适应性，一个好的车辆识别系统需要能够适应各种场景变化、天气变化以及车辆本身的磨损等。目前车辆识别主要集中在车型识别和车标识别两个方向。车型识别以区分车辆种类型号为主，如，小轿车、卡车、公共汽车等，其方法以基于感应线圈的识别最为广泛，但该方法安装不方便、维护成本高且识别率低。车标识别可以识别出车辆品牌，但不同的品牌车标变化较大，且车标很小，使得车标检测比较困难。随着交通信息流的快速增长，其数据量已经达到很高的规模。传统的计算系统面对这样的海量数据，已很难满足需求。中国专利文献CN 105574543公开了一种基于深度学习的车辆品牌型号识别方法，包括步骤1，训练数据建立SVM车牌判别模型；步骤2，基于深度学习法训练建立车型识别模型；步骤3，对视频中图像的背景进行建模获取运动目标，跟踪运动目标获取运动目标轨迹，得到包含车牌的图片；步骤4，将所述图片通过图像处理技术处理，获取包含车牌的若干个图块，用所述SVM车牌判别模型判别保留包含车牌的图块；步骤5，根据车牌的位置，分别向上、下、左、右四个方向扩展设定区域，得到车头的位置区域；步骤6，基于所述车型识别模型根据所述车头的位置区域对车型进行识别。该种方法虽然利用自主学习特征，但是使用一个分类器，分类效果较差。而且当面对海量数据时，处理速度慢，准确率比较低。
技术实现思路
针对上述技术问题，本专利技术目的是：提供一种基于快速学习框架的车辆品牌型号识别方法，能在海量的数据中，准确、快速、稳定地识别车辆品牌和具体型号。本专利技术的技术方案是：一种基于快速学习框架的车辆品牌型号识别方法，其特征在于，包括以下步骤：S01：搭建spark平台，获取监控视频流；S02：从获取的视频图像中检测车牌，根据车牌位置获取车脸图像，并进行车脸识别；S03：按照车牌的宽度和高度，上下左右扩展，获得车脸图像；S04：构建多尺度车脸图像，将其有重叠的分块，对每一小块提取局部二进制(LBP)和梯度方向直方图(HOG)特征，并组合成最终的车脸特征；S05：训练多级级联分类器，第一级采用多分类器投票的方式，当多数分类器投给同一目标时，就接受该结果，否则进入下一级；第二级采用集成分类系统，通过特征映射，训练多个子分类器，融合各分类器结果，得到最终的分类结果。优选的，所述步骤S01包括：S11：通过Spark Streaming接收视频流；S12：按照时间间隔将视频流分割成离散的RDD数据集，将此RDD数据集转换成多个子RDD数据集，每个子RDD数据集对应一张图片，对每张图片分别处理。优选的，所述步骤S03中，左右扩展1.5倍的车牌宽度，向下扩展一倍的车牌高度，向上扩展3.5倍的车牌高度。优选的，步骤S03之后还包括，计算车牌的倾斜角度，并以此角度旋转图像至车牌下边缘呈水平方向。优选的，步骤S03之后还包括，检测车脸特征点，按照最小距离和位置一致性原则匹配特征点，根据特征点位置调整车脸图像。优选的，所述调整车脸图像包括以下步骤：S31：计算匹配特征点与待匹配特征点所形成直线的斜率绝对值，若小于5度，则加入候选匹配点；S32：计算所有候选特征点的特征描述算子，快速鲁棒(surf)特征点使用四个haar小波特征，计算所有特征描述算子与待匹配特征点的特征描述算子之间的欧式距离，若最小距离小于阈值d，则该特征点与待匹配点成功匹配；S33：计算所有匹配点的中点横坐标xi,i＝1,2,…n,n为匹配数，设μ和σ分别为其均值和标准差，筛选出所有满足μ-3σ<xi<μ+3σ的点，并再次计算它们的平均中点c，根据c与车牌中心点的距离调整车脸的左右边界。优选的，所述步骤S04包括以下步骤：S41：将车脸归一化到固定大小，分成块，每块再分成多个单元，按照向右一个单元向下一个单元的方式滑动块，计算每一个块的特征；S42：使用二维高斯核G(x,y,σ)与车脸图像I(x,y)卷积运算，生成不同尺度空间的车脸图像L(x,y,σ)，尺度空间形式表示为：L(x,y,σ)＝G(x,y,σ)*I(x,y)其中，S43：LBP特征使用8邻域，半径为1的方式计算，统计每个单元的直方图，直方图bin数目为8，将每个块的所有单元LBP特征串联，形成每个块的特征。S44：计算每一个单元中像素的梯度幅值和方向，将360度方向分成多个方向块，幅值作为权重来统计每个单元的梯度方向直方图，将每个块的所有单元的特征串联，形成每个块的特征，并与步骤S43中的特征串联形成该块的最终车脸特征。与现有技术相比，本专利技术的优点是：1、本专利技术能在海量的数据中，准确、快速、稳定地识别车辆品牌和具体型号。识别准确度高、速度快、适用性广。构建多尺度车脸图像能够将特征简单高效的表达在不同尺度上，利于图像识别；利用spark中的弹性分布式数据集(RDD)对各分块以及两个特征采用分布式方式计算，这大大提高了计算效率。2、使用多级级联分类器得到结果，综合利用多种分类器各自的优势，可以使分类更鲁棒，可以得到更强大的分类效果。各分类器判别使用RDD实现分布式计算，大大提高了计算效率。附图说明下面结合附图及实施例对本专利技术作进一步描述：图1为本专利技术基于快速学习框架的车辆品牌型号识别方法的流程图。图2为本专利技术基于快速学习框架的车辆品牌型号识别方法的车型识别流程图；图3为本专利技术基于快速学习框架的车辆品牌型号识别方法的分类器判别流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本专利技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。实施例：一种基于快速学习框架的车辆品牌型号识别方法，包括以下步骤：(1)根据监控需求、算法效率和机器性能，选择搭建spark平台，获取监控视频流。Spark是一个并行数据处理框架，它可以让大数据与实时数据应用结合在一起，可以使用Spark Streaming来处理实时数据。(2)从获取的视频图像中检测车牌。(3)根据车牌位置获取车脸图像，并进行车脸识别，具体步骤为：(3-1)按照车牌的宽度和高度，上下左右扩展，获得车脸图像。(3-2)计算车牌的倾斜角度，并旋转车脸至水平。这样可以防止车脸图像因受监控设备安装角度以及驾驶方向等的影响出现倾斜，对后面的车型识别产生较大的影响。(3-3)检测车脸特征点，按照最小距离和位置一致性原则匹配特征点。根据特征点位置调整车脸图像。这样，车牌检测左右边界定位会出现偏差，导致检测出的车脸位置也会出现较大误差，利用特征点重新调整车脸的边界，可以使车脸对齐。(3-4)构建多尺度车脸图像，将其有重叠的分块，对每一小块提取局部二进制(LBP)和梯度方向直方本文档来自技高网...

【技术保护点】
一种基于快速学习框架的车辆品牌型号识别方法，其特征在于，包括以下步骤：S01：搭建spark平台，获取监控视频流；S02：从获取的视频图像中检测车牌，根据车牌位置获取车脸图像，并进行车脸识别；S03：按照车牌的宽度和高度，上下左右扩展，获得车脸图像；S04：构建多尺度车脸图像，将其有重叠的分块，对每一小块提取局部二进制(LBP)和梯度方向直方图(HOG)特征，并组合成最终的车脸特征；S05：训练多级级联分类器，第一级采用多分类器投票的方式，当多数分类器投给同一目标时，就接受该结果，否则进入下一级；第二级采用集成分类系统，通过特征映射，训练多个子分类器，融合各分类器结果，得到最终的分类结果。

【技术特征摘要】
1.一种基于快速学习框架的车辆品牌型号识别方法，其特征在于，包括以下步骤：S01：搭建spark平台，获取监控视频流；S02：从获取的视频图像中检测车牌，根据车牌位置获取车脸图像，并进行车脸识别；S03：按照车牌的宽度和高度，上下左右扩展，获得车脸图像；S04：构建多尺度车脸图像，将其有重叠的分块，对每一小块提取局部二进制(LBP)和梯度方向直方图(HOG)特征，并组合成最终的车脸特征；S05：训练多级级联分类器，第一级采用多分类器投票的方式，当多数分类器投给同一目标时，就接受该结果，否则进入下一级；第二级采用集成分类系统，通过特征映射，训练多个子分类器，融合各分类器结果，得到最终的分类结果。2.根据权利要求1所述的基于快速学习框架的车辆品牌型号识别方法，其特征在于，所述步骤S01包括：S11：通过Spark Streaming接收视频流；S12：按照时间间隔将视频流分割成离散的RDD数据集，将此RDD数据集转换成多个子RDD数据集，每个子RDD数据集对应一张图片，对每张图片分别处理。3.根据权利要求1所述的基于快速学习框架的车辆品牌型号识别方法，其特征在于，所述步骤S03中，左右扩展1.5倍的车牌宽度，向下扩展一倍的车牌高度，向上扩展3.5倍的车牌高度。4.根据权利要求1所述的基于快速学习框架的车辆品牌型号识别方法，其特征在于，步骤S03之后还包括，计算车牌的倾斜角度，并以此角度旋转图像至车牌下边缘呈水平方向。5.根据权利要求1或4所述的基于快速学习框架的车辆品牌型号识别方法，其特征在于，步骤S03之后还包括，检测车脸特征点，按照最小距离和位置一致性原则匹配特征点，根据特征点位置调整车脸图...

【专利技术属性】
技术研发人员：武克杰，吴建伟，鲁星星，
申请(专利权)人：江苏华通晟云科技有限公司，
类型：发明
国别省市：江苏;32