基于稀疏取样灰度分布和梯度分布特征的车标识别方法技术

本发明专利技术公开了一种基于稀疏取样灰度分布和梯度分布特征的车标识别方法，包括：在车牌上方选取一个区域，作为车标识别的感兴趣区域；采用随机均匀稀疏采样方法对样本图像进行采样，并将所有的采样点随机配对，划分成邻近点对集和非邻近点对集，对两类不同的点对集采用不同的方法进行特征提取，建立特征库；设定一可缩放的窗口，在待测的感兴趣区域内进行扫描，对当前窗口位置上，窗口大小的图像进行特征提取，并与准备好的特征库进行对比，最终确定车标类型。与现有技术相比，本发明专利技术方法将定位和识别有机的结合在一起，降低了中间过程的误差，提高了识别率，对于噪声大、质量差、像素低的图片也有较高的识别率。

Vehicle logo recognition method of sparse sampling intensity distribution and gradient distribution based on feature

The invention discloses a vehicle logo recognition method, sparse sampling intensity distribution and gradient distribution based on features include: selecting a region in the upper plate, as the logo recognition region of interest using random sampling method; sparse sampling of the sample images, and all of the sampling points randomly, divided into adjacent points of set and non adjacent points on the set of methods for two kinds of different points of different sets used for feature extraction, establish feature library; set a zoom window, in the measured region of interest within the scan on the current window position, the window size of the image feature extraction and comparison and feature library prepared, and ultimately determine the logo type. Compared with the prior art, the method of the invention will locate and identify the organic combination together, reducing the error of the intermediate process, improves the recognition rate for large noise, poor quality, low pixel images also have a higher recognition rate.

【技术实现步骤摘要】
基于稀疏取样灰度分布和梯度分布特征的车标识别方法
本专利技术涉及一种基于稀疏取样灰度分布和梯度分布特征的车标识别方法，属于图像处理

技术介绍
智能交通系统(IntelligentTransportSystem简称ITS)，又叫做车辆道路系统，是一种广泛的、多功能的、及时的、高效率和精确的综合运输和治理的系统。车标作为车辆的品牌标志，人们对它的关注不亚于甚至超过车牌。现阶段车辆标志识别系统其过程主要分为定位和识别两个主要阶段，研究方法包括：定位部分，李侠等提出基于模板匹配和边缘检测的车标定位方法，刘玉松等提出基于梯度值投影的车标定位，郑德键等提出基于中轴线和先验知识的车标定位。识别部分，刘玉松等提出基于模板匹配的车标识别方法，郑德键等提出基于修正不变矩的车标识别方法，朱资淘提出基于SIFT算子的车标识别方法，陈舜杰、王建均提出基于特征值提取和支持向量机的车标识别。但是现在研究方法都是基于样本图像分辨率高、图像质量较好进行的，如果因为客观原因导致图像质量不理想，分辨率不高，就很难取得理想状态下的识别效果。事实也如此，交通摄像头在阴雨大雾等天气里，所形成的图像质量不高。因此，研究低分辨率低质量的车辆图像具有重要的现实意义。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术目的在于提出一种基于稀疏采样的灰度分布和梯度分布特征的车标识别方法，针对成像效果不理想的图像进行定位识别，提高识别率。技术方案：为实现上述专利技术目的，本专利技术提供一种基于稀疏取样灰度分布和梯度分布特征的车标识别方法，包括如下步骤：在车牌上方选取一个区域，作为车标识别的感兴趣区域；采用随机均匀稀疏采样方法对样本图像进行采样，并将所有的采样点随机配对，划分成邻近点对集和非邻近点对集，对两类不同的点对集采用不同的方法进行特征提取，建立特征库，其中对于邻近点对集中的每个采样点提取八个角度范围的梯度幅值作为梯度分布特征，对于非邻近点对集中的每个采样点对计算其明暗关系及明暗关系的信任度作为灰度分布特征；在确定感兴趣区域并准备好样本特征库后，设定一可缩放的窗口，在待测的感兴趣区域内进行扫描，对当前窗口位置上，窗口大小的图像进行特征提取，并与准备好的特征库进行对比，最终确定车标类型。作为优选，所述车标识别的感兴趣区域的位置为：xl＝xplxr＝xpryb＝yptyt＝ypt+a*height其中，xl,xr,yb,yt分别表示车标的左边界、右边界、下边界和上边界；xpl,xpr,ypt,height分别表示车牌的左边界、右边界、上边界以及车牌的高度；a为设定的车牌高度倍数。作为优选，对于采样点集中的随机配对的两个点p1点与p2点，分类方法为：对于随机选择的第一个点p1：若选择的第二个点p2满足：则p1点与p2点配成的点对分类到非邻近点对集，否则分类到邻近点对集；其中，P(p1)、P(p2)分别表示选择p1点和p2点的概率，(x1，y1)为第一个点p1的坐标，(x2，y2)为第二个点p2的坐标，n0表示采样点总数目，np为已配对采样点数，p(x,y)为已配对的采样点，σ为尺度参数。作为优选，所述对于邻近点对集中的每个采样点提取八个角度范围的梯度幅值中，八个角度范围为0°～45°、45°～90°、90°～135°、135°～180°、180°～225°、225°～270°、270°～315°、315°～360°八个角度范围；将一个样本图像上邻近点对集中的每个采样点的梯度幅值按照对应角度范围区间累加到一起，得到一个梯度幅值总和的集合作为该样本图像的随机梯度分布特征。作为优选，所述非邻近点对集中的采样点对的明暗关系表示为：其中，Ip1和Ip2是采样点p1和p2邻域内的灰度均值,t1是灰度均值临界值。作为优选，所述非邻近点对集中的采样点对的明暗关系的信任度表示为其中，Relc,i表示第c类车标的第i个采样点对的明暗关系信任度，S为第c类车标的样本总数，Rc,s,i表示第c类车标的第i个采样点对在第s个样本中的明暗关系。作为优选，从非邻近点对集中筛选出信任度大于设定阈值的点对集作为新的信任点对集。作为优选，从所述新的信任点对集中筛选出与其他车标类别明暗关系相关度最小的若干采样点对作为最小相关点对集，所述最小相关点对集作为区分与其他类别车标的特征点对集。作为优选，根据如下公式计算待测图像的特征与特征库的相似度，并选择最大相似度值对应的车标类别作为识别结果：其中，Mt,w,c表示在缩放尺度为t，第w步的窗口位置的图像与第c类车标的相似度值，S为第c类车标的样本总数，Rt,w,i表示在缩放尺度为t，第w步的窗口位置的图像的第i个点对的明暗对比关系，n4表示筛选后非邻近点对集中的点对数，Relc,s,i表示第c类车标的第i个采样点对的明暗关系信任度，Rc,s,i表示第c类车标中第s张样本的第i个点对的明暗对比关系；gt,w,j表示在缩放尺度为t，第w步的窗口位置的图像在第j个角度范围的梯度幅值总和，gc,s,j表示第c类车标第s张样本中第j个角度范围的梯度幅值总和。有益效果：本专利技术提出的一种基于稀疏采样的灰度分布和梯度分布特征的车标识别方法，对比传统的识别方法，主要针对那些成像效果不理想的图像进行定位识别，将采样点分为邻近采样点集和非邻近采样点集，对两种不同的点对提取不一样的特征，并采用多尺度检测方式在在目标图像中提取特征进而识别和定位车标，将定位和识别有机的结合在一起，降低了中间过程的误差，提高了识别率，对于噪声大，质量差，像素低的图片也有较高的识别率。附图说明图1为本专利技术实施例的方法流程图。图2为本专利技术实施例中的构建特征集的流程图。图3为本专利技术实施例中的标准车标样本示例图。图4为本专利技术实施例中的现实车标样本示例图。图5为本专利技术实施例中的采样点梯度方向角度分布示意图。图6为本专利技术实施例中的大众样本点对示意图。图7为本专利技术实施例中的多尺度检测示例图。图8为本专利技术实施例中的测试结果示例图，其中(a)-(f)分别为不同类别车标的测试结果图。具体实施方式下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。如图1所示，本专利技术实施例公开的一种基于稀疏采样的灰度分布和梯度分布特征的车标识别方法，首先是车标区域粗定位，在车牌上方选取一个区域，作为车标识别的感兴趣区域；然后采用随机均匀稀疏采样方法对样本图像进行采样，并将所有的采样点随机配对，划分成邻近点对集和非邻近点对集，对两类不同的点对集采用不同的方法进行特征提取，建立特征库，其中对于邻近点对集中的每个采样点提取八个角度范围的梯度幅值作为梯度分布特征，对于非邻近点对集中的每个采样点对计算其明暗关系及明暗关系的信任度作为灰度分布特征；最后设定一可缩放的窗口，在待测的感兴趣区域内进行扫描，对当前窗口位置上，窗口大小的图像进行特征提取，并与准备好的特征库进行对比，最终确定车标类型。具体实施步骤如下：(1)基于先验知识的感兴趣车标区域粗定位一幅包含车标的图像中，必定包含车辆整体以及一些不必要的干扰背景，所以需要对图片中车标感兴趣区域进行粗定位，也就是说在目标图像中截取车标的大致区域，为本文档来自技高网...

【技术保护点】
基于稀疏取样灰度分布和梯度分布特征的车标识别方法，其特征在于，包括如下步骤：在车牌上方选取一个区域，作为车标识别的感兴趣区域；采用随机均匀稀疏采样方法对样本图像进行采样，并将所有的采样点随机配对，划分成邻近点对集和非邻近点对集，对两类不同的点对集采用不同的方法进行特征提取，建立特征库，其中对于邻近点对集中的每个采样点提取八个角度范围的梯度幅值作为梯度分布特征，对于非邻近点对集中的每个采样点对计算其明暗关系及明暗关系的信任度作为灰度分布特征；在确定感兴趣区域并准备好样本特征库后，设定一可缩放的窗口，在待测的感兴趣区域内进行扫描，对当前窗口位置上，窗口大小的图像进行特征提取，并与准备好的特征库进行对比，最终确定车标类型。

【技术特征摘要】
1.基于稀疏取样灰度分布和梯度分布特征的车标识别方法，其特征在于，包括如下步骤：在车牌上方选取一个区域，作为车标识别的感兴趣区域；采用随机均匀稀疏采样方法对样本图像进行采样，并将所有的采样点随机配对，划分成邻近点对集和非邻近点对集，对两类不同的点对集采用不同的方法进行特征提取，建立特征库，其中对于邻近点对集中的每个采样点提取八个角度范围的梯度幅值作为梯度分布特征，对于非邻近点对集中的每个采样点对计算其明暗关系及明暗关系的信任度作为灰度分布特征；在确定感兴趣区域并准备好样本特征库后，设定一可缩放的窗口，在待测的感兴趣区域内进行扫描，对当前窗口位置上，窗口大小的图像进行特征提取，并与准备好的特征库进行对比，最终确定车标类型。2.根据权利要求1所述的基于稀疏取样灰度分布和梯度分布特征的车标识别方法，其特征在于，所述车标识别的感兴趣区域的位置为：xl＝xplxr＝xpryb＝yptyt＝ypt+a*height其中，xl,xr,yb,yt分别表示车标的左边界、右边界、下边界和上边界；xpl,xpr,ypt,height分别表示车牌的左边界、右边界、上边界以及车牌的高度；a为设定的车牌高度倍数。3.根据权利要求1所述的基于稀疏取样灰度分布和梯度分布特征的车标识别方法，其特征在于，对于采样点集中的随机配对的两个点p1点与p2点，分类方法为：对于随机选择的第一个点p1：若选择的第二个点p2满足：则p1点与p2点配成的点对分类到非邻近点对集，否则分类到邻近点对集；其中，P(p1)、P(p2)分别表示选择p1点和p2点的概率，(x1，y1)为第一个点p1的坐标，(x2，y2)为第二个点p2的坐标，n0表示采样点总数目，np为已配对采样点数，p(x,y)为已配对的采样点，σ为尺度参数。4.根据权利要求1所述的基于稀疏取样灰度分布和梯度分布特征的车标识别方法，其特征在于，所述对于邻近点对集中的每个采样点提取八个角度范围的梯度幅值中，八个角度范围为0°～45°、45°～90°、90°～135°、135°～180°、180°～225°、225°～270°、270°～315°、315°～360°八个角度范围；将一个样本图像上邻近点对集中的所有采样点的梯度幅值按照对应角度范围区间累加到一起，得到一个梯度幅值总和的集合作为该样本图像的随机梯度分布特征。5.根据权利要求1所述的基于稀疏取样灰度分布和梯度分布特征的车...

【专利技术属性】
技术研发人员：高尚兵，周斌斌，周君，王亮亮，张正伟，严云洋，王洪阳，朱松杰，张海艳，李木子，郝大景，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：江苏,32