一种雾霾天气下的车标检测方法技术

本发明专利技术公开了一种雾霾天气下的车标检测方法，包括：利用暗通道去雾算法处理包含车辆的待检测图像，并对图像进行细节增强处理；利用深度学习检测算法检测去雾后的图像中的待检测车辆；利用经过训练的卷积神经网络识别待检测车辆的类型；结合待检测车辆的类型，获取待检测车辆的前脸组件位置关系；在HSV模型中利用阈值分割检测待检测车辆的车牌位置；在车牌左右两侧利用训练好的级联分类器检测两侧车灯；结合两侧车灯的位置以及车辆前脸组件的位置关系定位车标。本发明专利技术有效提高了暗通道去雾算法的实时性，更好地了恢复图像的细节，并且在车标检测中参考了与车型对应的组件位置关系，提高了不同车型车标检测的成功率，对于新车型也有很好的接纳能力。

【技术实现步骤摘要】
一种雾霾天气下的车标检测方法
本专利技术属于道路车辆管理领域，特别涉及一种雾霾天气下的车标检测方法。
技术介绍
目前国内的汽车数量已超过2.6亿辆，并且仍在逐年增长，给道路交通管理带来了巨大的压力。车辆的车标包含有重要的车辆品牌信息，市面上超过有300中不同的车标类型，并且车标体积小，传统的图像识别技术很难准确检测识别各类型车标。此外，近些年恶劣雾霾天气不断涌现，道路交通环境的能见度明显降低，使得检测车标工作变得愈加困难。因此对雾霾天气下的车标检测技术进行研究具有重要的实用意义。关于图像去雾的算法主要以下三种：基于深度学习的去雾算法，这种算法需要大量的图片作为训练集去训练，这导致了同样一张图片需要有有雾和无雾两种状态，这样的数据集难以构造。此外训练好的模型在实际应用中能否有效使用依然存疑。基于图像增强算法，该算法不是基于大气散射原理等物理性模型，而是非物理性的。通过只针对图像自身，将图像去雾的问题转化为对对比度的提升，并不关心导致图像退化和复原的本质，虽然图像在增强过后通过视觉观察会有更高的对比度，但是处理后的图像存在信息丢失的问题，会出现失真现象。基于图像复原算法更加追求去雾的本质，这样有利于恢复细节使图像更清晰。如何凯明提出的暗通道去雾算法，虽然有很好的视觉效果但是在实际处理过程中消耗时间和空间较大，且暗部细节不够清晰。因此需要一种改进的图像复原算法实现去雾，检测时尽可能实现实时性并且保留更多的暗部细节。目前常见的目标检测技术主要有两类。第一类是传统的图像检测算法，使用特征算子提取图像特征，利用SVM等分类器对特征进行分类识别，以基于Adaboost分类器的检测算法为代表。第二类是基于深度学习的检测算法，其中有包括了结合区域建议和结合回归算法的两种类型。结合区域建议的检测算法以Faster-RCNN为代表，使用RPN网络生成区域建议框，卷积神经网络学习并分类区域特征。结合回归算法的检测方案则将图片网格化，对每个网格检测到的目标信息进行回归计算，得到目标位置。传统的图像检测算法的缺点在于对图像中细小物体检测能力较弱，基于深度学习的检测算法的缺点在于难以适用各种类型的车标检测。因此需要设计一种能够检测到车标部件的技术，并能适应各种类型的车辆。
技术实现思路
本专利技术的目的在于针对上述现有技术存在的问题，提供一种基于暗通道去雾和车型识别的车标检测方法，以解决难以在雾霾天气准确检测各类型车辆的车标问题。实现本专利技术目的的技术解决方案为：一种雾霾天气下的车标检测方法，所述方法包括以下步骤：步骤1，利用暗通道去雾算法处理包含车辆的待检测图像，并对图像进行细节增强处理；步骤2，利用深度学习检测算法检测去雾后的图像中的待检测车辆；步骤3，利用经过训练的卷积神经网络识别待检测车辆的类型；步骤4，构建车辆前脸组件位置关系数据库，该库中包括若干车辆类型和该类车辆的前脸组件位置关系，结合待检测车辆的类型，获取待检测车辆的前脸组件位置关系；步骤5，在HSV模型中利用阈值分割检测待检测车辆的车牌位置；步骤6，在车牌左右两侧利用训练好的级联分类器检测两侧车灯；步骤7，结合两侧车灯的位置以及步骤4获得的车辆前脸组件的位置关系定位车标。进一步地，步骤1中所述细节增强处理具体为：对去雾后的图像进行导向滤波和gamma校正处理。进一步地，步骤2中所述深度学习检测算法，具体采用Faster-RCNN检测算法。进一步地，步骤3中所述卷积神经网络的训练集的构建过程为：采集若干张包含不同类型车辆的图像，构建车辆类型数据集；针对车辆类型数据集中的每幅图像，提取其中的车辆目标，形成新的车辆类型数据集；针对车辆类型数据集中尺寸规格为矩形的图像，对图像的短边进行填充，将其尺寸规格变为正方形；对车辆类型数据集中的所有图像进行缩放，统一尺寸，形成训练集；该尺寸符合卷积神经网络的输入图像尺寸要求。进一步地，步骤4中所述前脸组件包括车灯、车标和车牌；所述前脸组件位置关系包括：车标位于车牌上方；车标位于车灯水平连线的上方或车标位于车灯水平连线上或车标位于车灯水平连线的下方。进一步地，步骤5所述在HSV模型中利用阈值分割检测待检测车辆的车牌位置，具体过程包括：步骤5-1，依据车牌在HSV空间中的阈值，对待检测图像进行阈值分割，提取出车牌目标；步骤5-2，对阈值分割后的图像进行闭运算处理；步骤5-3，构建车牌目标的最小外接矩形，由最小外接矩形的顶点坐标求取车牌中心位置坐标。进一步地，步骤6中所述级联分类器的训练集的构建过程为：采集若干张车灯图像，作为正样本；采集车辆其他位置的若干张图像，作为负样本。进一步地，步骤7所述结合两侧车灯的位置以及步骤4获得的车辆前脸组件的位置关系定位车标，具体包括：若步骤6检测到两个车灯，则以两车灯连线中点的纵坐标作为车标的纵坐标基准；若步骤6只检测到一个车灯，则以该车灯的纵坐标作为车标的纵坐标基准；步骤7-1，以车牌中心位置的横坐标作为车标的横坐标；步骤7-2，若车辆前脸组件的位置关系为车标位于车灯水平连线上，则所述纵坐标基准即为车标的纵坐标；若车辆前脸组件的位置关系为车标位于车灯水平连线的上方，则车标的纵坐标位于[纵坐标基准，纵坐标基准+2H]范围内，其中H表示车牌自身的高度；若车辆前脸组件的位置关系为车标位于车灯水平连线的下方，则车标的纵坐标位于[车牌中心位置的纵坐标+H/2，纵坐标基准]范围内。本专利技术与现有技术相比，其显著优点为：1)使用导向滤波和gamma校正技术，解决了暗通道去雾算法中实时性差和细节丢失的问题，提高了后续各目标检测的精度；2)采用车辆检测算法增强训练集，提高了车型识别的正确率；3)结合与车型相关的车辆前脸组件位置关系定位车标，提高了车标检测算法在各车型上的适用性。下面结合附图对本专利技术作进一步详细描述。附图说明图1为一个实施例中雾霾天气下的车标检测方法的流程图。图2为一个实施例中车辆去雾前后对比图，图(a)、(b)分别为去雾前和去雾后。图3为一个实施例中导向滤波技术的原理示意图。图4为一个实施例中gamma校正技术中不同γ值对应的输入输出曲线。图5为一个实施例中基于Faster-RCNN的车辆检测算法基本原理示意图。图6为一个实施例中用于车型识别的卷积神经网络基本结构示意图。图7为一个实施例中基于Adaboost的车灯检测算法流程图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。在一个实施例中，结合图1，提供了一种雾霾天气下的车标检测方法，所述方法包括以下步骤：步骤1，利用暗通道去雾本文档来自技高网...

【技术保护点】
1.一种雾霾天气下的车标检测方法，其特征在于，所述方法包括以下步骤：/n步骤1，利用暗通道去雾算法处理包含车辆的待检测图像，并对图像进行细节增强处理；/n步骤2，利用深度学习检测算法检测去雾后的图像中的待检测车辆；/n步骤3，利用经过训练的卷积神经网络识别待检测车辆的类型；/n步骤4，构建车辆前脸组件位置关系数据库，该库中包括若干车辆类型及每类车辆的前脸组件位置关系，结合待检测车辆的类型，获取待检测车辆的前脸组件位置关系；/n步骤5，在HSV模型中利用阈值分割检测待检测车辆的车牌位置；/n步骤6，在车牌左右两侧利用训练好的级联分类器检测两侧车灯；/n步骤7，结合两侧车灯的位置以及步骤4获得的车辆前脸组件的位置关系定位车标。/n

【技术特征摘要】
1.一种雾霾天气下的车标检测方法，其特征在于，所述方法包括以下步骤：
步骤1，利用暗通道去雾算法处理包含车辆的待检测图像，并对图像进行细节增强处理；
步骤2，利用深度学习检测算法检测去雾后的图像中的待检测车辆；
步骤3，利用经过训练的卷积神经网络识别待检测车辆的类型；
步骤4，构建车辆前脸组件位置关系数据库，该库中包括若干车辆类型及每类车辆的前脸组件位置关系，结合待检测车辆的类型，获取待检测车辆的前脸组件位置关系；
步骤5，在HSV模型中利用阈值分割检测待检测车辆的车牌位置；
步骤6，在车牌左右两侧利用训练好的级联分类器检测两侧车灯；
步骤7，结合两侧车灯的位置以及步骤4获得的车辆前脸组件的位置关系定位车标。


2.根据权利要求1所述的雾霾天气下的车标检测方法，其特征在于，步骤1中所述细节增强处理具体为：对去雾后的图像进行导向滤波和gamma校正处理。


3.根据权利要求1所述的雾霾天气下的车标检测方法，其特征在于，步骤2中所述深度学习检测算法，具体采用Faster-RCNN检测算法。


4.根据权利要求1所述的雾霾天气下的车标检测方法，其特征在于，步骤3中所述卷积神经网络的训练集的构建过程为：
采集若干张包含不同类型车辆的图像，构建车辆类型数据集；
针对车辆类型数据集中的每幅图像，提取其中的车辆目标，形成新的车辆类型数据集；
针对车辆类型数据集中尺寸规格为矩形的图像，对图像的短边进行填充，将其尺寸规格变为正方形；
对车辆类型数据集中的所有图像进行缩放，统一尺寸，形成训练集；该尺寸符合卷积神经网络的输入图像尺寸要求。


5.根据权利要求1所述的雾霾天气下的车标检测方法，其特征在于，步骤...

【专利技术属性】
技术研发人员：张恒，张伟斌，邹顺宇，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32