基于静态图片的自动套牌车检测方法技术

本发明专利技术公开了一种基于静态图片的自动套牌车检测方法，包括以下步骤：（1）检测车辆品牌：提取静态图片中车辆前部图片，确定车头灯、散热器、品牌和保险杠区域；提取车辆图片的特征，并采用随机子空间分类器集成方法合并图片特征；根据车头灯、散热器、品牌和保险杠信息确定车辆品牌；（2）车型识别步骤：提取静态图片中整体车辆特征，确定车辆在静态图片中的位置，应用分类矢量量化（CVQ）模型判断车型；（3）车牌识别步骤：提取静态图片中车辆车牌，然后对车辆车牌上的字符进行分割，按照基于遗传算法的选择性集成方法进行字符识别；根据识别的结果判断是否为套牌车。三个方面获得的数据整合并同数据库中存在的注册时的信息进行比对以此来进行套牌车的检测。

【技术实现步骤摘要】
基于静态图片的自动套牌车检测方法
本专利技术属于智能视频监控领域，具体涉及一种基于静态图片的自动套牌车检测方法。
技术介绍
近年来，智能交通可以被视为非常热的研究。目前，基于静态图片的车型分类仍然存在两大难题，一是如何确定车辆在图像中的位置。不同于一般的视频图像检索，静态图像中背景无法良好地提取出来。在车型分类中，一种替代方法被提出，这种方法忽略了图像中的背景因素，直接通过分类器来判断输入区域是否包含车辆。第二大难题是对车辆图片进行分类，现有技术中无法根据车辆图片进行车辆分类。因此现有技术中缺乏一种检测套牌车的具体方法。本专利技术因此而来。
技术实现思路
本专利技术目的在于提供一种基于静态图片的自动套牌车检测方法，解决了现有技术中缺乏检测套牌车的具体方法，以及车辆无法分类、车牌无法识别等问题。为了解决现有技术中的这些问题，本专利技术提供的技术方案是：一种基于静态图片的自动套牌车检测方法，其特征在于所述方法包括以下步骤：(1)检测车辆品牌：提取静态图片中车辆前部图片，确定车头灯、散热器、车标和保险杠区域；提取车辆图片的特征，并采用随机子空间分类器集成方法合并图片特征；根据车头灯、散热器、车标和保险杠信息确定车辆品牌；(2)车型识别步骤：提取静态图片中整体车辆特征，确定车辆在静态图片中的位置，应用分类矢量量化(CVQ)模型判断车型；(3)车牌识别步骤：提取静态图片中车辆车牌，然后对车辆车牌上的字符进行分割，按照基于遗传算法的选择性集成方法进行字符识别；根据识别的结果判断是否为套牌车。优选的，所述方法步骤(1)中提取静态前部图片中车辆前部图片是先通过在二值图像中用长矩形集群方法，通过找到一个近似矩形区域来确定车牌的位置，然后按照预先设定的长度和宽度的阀值扩展车牌区域分割取得车头灯，散热器，车牌和保险杠区域。优选的，所述方法步骤(1)中提取车辆图片的特征是采用基于有向梯度多层直方图(PHOG)或基于曲波变换的方法获得的。优选的，所述方法步骤(1)中随机子空间分类器集成方法为：假设一个训练集X＝{X1,X2,…Xn}，每个训练样本Xi由一个p维向量来描述，Xi＝{xi1,xi2,…,xip}(I＝1,…,n)，从原始的p维特征向量中随机选择p*<p个特征，取得一个新的p*维特征向量，使得该原始训练样本集X被修改成X中每个训练样本通过一个p*特征向量来描述，其中每个特征分量是根据均匀分布随机选取的；然后在随机子空间Xr中构建R个分类器，并且通过最终多数表决规则来聚合这些分类器。优选的，所述方法步骤(2)中提取静态图片中整体车辆特征是通过提取Haar特征来获得的，并将图像像素灰度值转化为多维数据。优选的，所述方法步骤(2)中应用分类矢量量化模型判断车型是在分类前进行训练图片事先被分为小轿车，卡车，公交车，面包车4类，且每类的样本都将进行一次聚类处理；在训练样本聚类完成后，所得的4类车型的码本用于进行车型的分类，按照如下步骤进行分类处理：1)根据训练阶段生成的4类码本，输入图片将会尝试复原图像：其中x为测试图像，wi为码本中的参照，κk为高斯的宽度，rik为相似度，为复原图像；2)复原完成后，得到4张复原后的图片，每张都对应于一个车型；对于每一个图片获取误差率：3)引入一个阈值η，其中errj和erri分别为误差的最小值和次小值；如果一张输入图片的阈值η小于等于一个既定值，该输入图片会被系统拒识；反之，误差值最小的复原图片所属于的类别，就是这张输入图片车辆的车型。优选的，所述方法步骤(3)中车辆车牌提取后采用主成分分析(PrincipalComponentAnalysis)的方法判断车牌是否倾斜以及倾斜的程度；然后通过向水平方向的映射进行各个字符的分割。优选的，所述方法步骤(3)中主成分分析(PrincipalComponentAnalysis)的方法的具体步骤是：1)获取数据集，即二值化图像中各个白色像素点的坐标轴位置；2)计算此数据集的协方差矩阵：其中x和y分别为各个白色像素点横轴和纵轴方向的值，μ1是x的期望值，同样的，μ2是y的期望值。3)通过2)中的协方差矩阵计算得出第一主成分，并进行相应的倾斜判断与更正。本专利技术利用多层感知器作为判断图像是否包含车辆的依据，利用图像的haar-like特征进行判断。每组haar-like特征都对应于一个多层感知器，每个多层感知器都输出一个二值的结果，对应于是与否(是车辆或者不是车辆)。鉴于haar-like特征数量的庞大，专利技术中利用特征选择的思想，选取最能区分车辆与非车辆的特征组进行判断。这样做大量减少了，车辆区域确定的时间。在车型识别中，ClassifiedVectorQuantization被用来作为分类器。该分类器训练快捷，结构简单，并且有很强的可扩展性。它的可扩展性体现在，如果需要临时添加分类的组别，不需要完全重新训练整个分类器，只需要对部分分类器进行调整即可完成。另外，该专利技术中还增加了分类器拒绝。其具体体现是，对于分类器不确定的输入图像，分类器可以拒绝进行分类，转而人工处理。这样做虽然增加了人的负担，但是分类的可信度大幅度上升。除了使用单一的分类器进行分类外，随着很多机器学习方法被用来设计准确而稳健的分类系统，分类器集成学习技术备也受关注。分类器集成可整合多个组件分类器，如决策树或多层感知器(MLP)，对于用于同一任务使用相同的基本学习算法。分类器集成学习的必要条件之一是集成系统的多样性，即，单独的分类器在不同的实例上产生不同的的错误，一个通常的办法是通过数据重采样技术获得不同的训练数据集来训练分类器组件，如自举(bootstrapping)。对于车品牌识别部分,基于此原则的一种流行的分类器集成的方法是随机子空间集成(RSE)。RSE的简单原则是：为每个分类器从原数据集合构建一个特征子集。其主要思想是加强各组件分类器的多样性，同时保持较高的分类精度。采用随机特征子集，RSE在构建和集成分类器上体现了一定的优势，特别是对于可训练对象的数量少于特征维度的情况，RSE能够一定程度化解这种所谓小样本问题。从另一个角度来看，RSE可避免维数灾难的困境，这是因为每个子空间的维数相对原始特征空间的维数变小，但训练对象的数量不会改变。很多应用结果表明，RSE分类器集成经常优于在原始特征空间训练的单一分类器。对于车牌识别部分,GASEN，基于遗传算法的选择性集成方法被用来分类器集成的学习。另外有ClassifiedVectorQuantization被用来作为分类器。该分类器训练快捷，结构简单，并且有很强的可扩展性。它的可扩展性体现在，如果需要临时添加分类的组别，不需要完全重新训练整个分类器，只需要对部分分类器进行调整即可完成。GASEN同CVQ的结合使得识别准确度有了相当大的提升。相对于现有技术中的方案，本专利技术的优点是：本专利技术提出了一种基于静态图片的高可靠自动套牌车检测方法。此方法包含了三个部分：车品牌识别，车型识别以及车牌识别。经以上三个方面获得的数据整合并同数据库中存在的注册时的信息进行比对以此来进行套牌车的检测。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为本专利技术模块训练的流程图；图2为本专利技术车辆位置确定的流程图；图3为本专利技术候选窗口的取得方法过程图；图4为本专利技术本文档来自技高网...

【技术保护点】
一种基于静态图片的自动套牌车检测方法，其特征在于所述方法包括以下步骤：（1）检测车辆品牌：提取静态图片中车辆前部图片，确定车头灯、散热器、品牌和保险杠区域；提取车辆图片的特征，并采用随机子空间分类器集成方法合并图片特征；根据车头灯、散热器、品牌和保险杠信息确定车辆品牌；（2）车型识别步骤：提取静态图片中整体车辆特征，确定车辆在静态图片中的位置，应用分类矢量量化（CVQ）模型判断车型；（3）车牌识别步骤：提取静态图片中车辆车牌，然后对车辆车牌上的字符进行分割，按照基于遗传算法的选择性集成方法进行字符识别；根据识别的结果判断是否为套牌车。

【技术特征摘要】
1.一种基于静态图片的自动套牌车检测方法，其特征在于所述方法包括以下步骤：(1)检测车辆品牌：提取静态图片中车辆前部图片，确定车头灯、散热器、车标和保险杠区域；提取车辆图片的特征，并采用随机子空间分类器集成方法合并图片特征；根据车头灯、散热器、车标和保险杠信息确定车辆品牌；(2)车型识别步骤：提取静态图片中整体车辆特征，确定车辆在静态图片中的位置，应用分类矢量量化(CVQ)模型判断车型；(3)车牌识别步骤：提取静态图片中车辆车牌，然后对车辆车牌上的字符进行分割，按照基于遗传算法的选择性集成方法进行字符识别；根据识别的结果判断是否为套牌车。2.根据权利要求1所述的自动套牌车检测方法，其特征在于所述方法步骤(1)中提取静态图片中车辆前部图片是先通过在二值图像中用长矩形集群方法，通过找到一个近似矩形区域来确定车牌的位置，然后按照预先设定的长度和宽度的阀值扩展车牌区域分割取得车头灯，散热器，车牌和保险杠区域。3.根据权利要求1所述的自动套牌车检测方法，其特征在于所述方法步骤(1)中提取车辆前部图片的特征是采用基于有向梯度多层直方图(PHOG)或基于曲波变换的方法获得的。4.根据权利要求1所述的自动套牌车检测方法，其特征在于所述方法步骤(1)中随机子空间分类器集成方法为：假设一个原始训练样本集X＝{X1,X2,…Xn}，每个训练样本Xi由一个p维向量来描述，Xi＝{xi1,xi2,…,xip}(I＝1,…,n)，从原始的p维特征向量中随机选择p*<p个特征，取得一个新的p*维特征向量，使得该原始训练样本集X被修改成X中每个训练样本通过一个p*特征向量来描述，其中每个特征分量是根据均匀分布随机选取的；然后在随机子空间Xr中构建R个分类器，并且通过最终多数表决规则来聚合这些分类器。5.根据权利要求1所述的自动套牌车检测方法，其特征在于所述方法步骤(2)中提取静态图片中整体车辆特征是通过提取Haar特征来获得的，并将图像像素灰度值转化为多维数据。6.根据权利要求1所述的自动套牌车检测方法，其特征在于所述方法步骤(2)中应用分类矢量量化模型判断车型是在分类前进行训练图片事先被分为小轿车，卡车，...

【专利技术属性】
技术研发人员：张百灵，周逸凡，管文杰，
申请(专利权)人：西交利物浦大学，
类型：发明
国别省市：江苏;32