快速級聯式車標視覺檢測與識別方法和系統技術方案

本發明專利技術提供了一種快速級聯式車標視覺檢測與識別方法和系統，包括：首先選擇LBP特征+Adaboost算法訓練n個2類分類器作為第一級車標分類器；其次選擇HOG特征+SVM訓練1個n類分類器作為第二級車標分類器；在檢測與識別環節，將檢測部分的分類器標簽信息傳遞給識別環節，通過判斷該標簽與識別結果是否吻合來過濾錯檢目標，提高識別結果的可信度。同時，本發明專利技術能夠調節一般檢測與識別技術中低漏檢率與低錯檢率需求的矛盾，通過在第一級分類器中設置一個偏低的閾值來降低漏檢率，然后在第二級分類器中將錯檢的目標過濾，具有較好的可行性和魯棒性。

【技術實現步驟摘要】

本專利技術所屬
為計算機視覺和機器學習，具體地涉及一種將車標定位與分類相結合的快速級聯檢測與識別方法和系統。
技術介紹
基于視覺信息的目標檢測與識別問題，一直是計算機視覺領域長期研宄的熱點，在安全監控、信息檢索、工業制造等方面都具有廣泛的應用。檢測與識別的主要目標是從圖像或視頻中提取出人們所感興趣的區域(例如人體、車輛等)，并識別出該區域對應于事先定義好的哪一種類型(例如男人、女人、轎車、貨車等)。近年來，出現了一系列效果比較理想的目標檢測和識別方法:如Dalal N, Triggs B.在Histograms of OrientedGradients (HOG) for human detect1n中提出的利用梯度方向直方圖的特征實現對人體的檢測；Felzenszwalb P, Girshick R, McAllester D, Ramanan D.在 Object detect1n withDiscriminatively trained Part-based Models (DPM)中對HOG模型做了改進和優化工作，實現以不同的長寬比對物體進行檢測；支持向量機、神經網絡等分類算法也已經被廣泛應用于各種實際問題中。通常情況下，目標的檢測與識別被作為兩個獨立的部分去分別處理，即首先在整幅圖像中完成對感興趣區域的檢測，然后將檢測結果通過一個訓練好的分類器進行識別。這樣的檢測-識別框架能夠滿足部分實際問題的應用，但也存在一些顯著的問題:如檢測性能的優劣將直接影響分類器的識別結果，檢測環節與識別環節的錯誤和耗時將累加到最終的檢測識別性能中。因此，如何將檢測與識別相結合，讓檢測環節與識別環節共享更多有效信息，并在此基礎上減少運算耗時，成為本專利技術的主要著眼點。
技術實現思路
針對現有技術中的缺陷，本專利技術的目的在于針對獨立的檢測-識別框架下錯誤和耗時累加的問題，提出將車標定位與分類相結合的快速級聯檢測與識別方法。該方法能夠在保證檢測識別精度的情況下減少運算耗時，具有較好的可行性和魯棒性。本專利技術能夠在整輛車區域中(如圖1所示區域)完成車標的檢測和識別，特別的，如果能夠獲得車牌的位置信息，則可以根據車牌和車標相對位置的先驗知識減少搜索區域(如圖2所示的箭頭指出的矩形框區域)，進一步提高檢測識別的精度和速度。根據本專利技術提供的一種快速級聯式車標視覺檢測與識別方法，包括如下步驟:步驟A:若待檢測和識別的車標的種類為η類，則訓練η個二類分類器作為η個第一級車標分類器；對于每一種車標進行訓練；步驟B:將η類車標的樣本圖像歸一化至同一尺寸，計算并獲得樣本圖像的梯度方向直方圖(HOG，Histogram of oriented gradient)特征集；將樣本圖像的梯度方向直方圖特征集和標簽(1，2，…，η)送入支持向量機(SVM, Support Vector Machine)中訓練，得到I個η類分類器，作為I個第二級車標分類器；步驟C:在η個第一級車標分類器和I個第二級車標分類器訓練完成之后，置k =1，用如下步驟對車標進行檢測識別:步驟Cl:用第k個第一級車標分類器在整塊搜索區域中滑窗掃描，滑窗結束后，若檢測到目標，則進入步驟C2，否則進入步驟C3 ;步驟C2:將步驟Cl檢測到的目標輸入第二級車標分類器，得到目標的預測標簽label，若label等于k，將該目標判定為有效車標，且車標的類型即為label對應的車標類型，結束；若label不等于k，將該目標判定為無效車標；當所有步驟Cl檢測到的目標均為無效車標時，進入步驟C3 ；步驟C3:令k的值增加1，若k〈n+l，則返回步驟Cl ;否則，結束，認為未檢測到車標。優選地，對于每一種車標，采用如下步驟訓練:步驟Al:以正負樣本集為輸入，將樣本歸一化至同一尺寸，計算并獲得樣本的局部二值模式(LBP，Local binary pattern)特征集；步驟A2:以樣本的局部二值模式特征集為輸入，根據弱學習算法訓練弱分類器，獲得弱分類器集；步驟A3:以弱分類器集為輸入，在訓練檢出率和誤判率限制下，使用AdaBoost算法挑選最優的弱分類器構成強分類器；步驟A4:以強分類器集為輸入，將強分類器集中的強分類器組合成為第一級車標分類器。優選地，正負樣本中的正樣本為車標圖像，負樣本為不包含車標的背景圖像。優選地，訓練所述弱分類器以確定閾值，其中，所述弱分類器的閾值用于判定樣本屬于目標或者背景，若樣本得分高于閾值則判定為目標，若樣本得分不高于閾值則判定為背景。根據本專利技術提供的一種快速級聯式車標視覺檢測與識別系統，其用于執行上述的快速級聯式車標視覺檢測與識別方法。與現有技術相比，本專利技術具有如下的有益效果:本專利技術采用η個二類分類器作為第一級車標分類器，I個η類分類器作為第二級車標分類器，第一級車標分類器(選擇LBP特征)不僅回答了目標是不是車標的問題，同時給出了車標的標簽信息；第二級車標分類器(選擇HOG特征)對第一級車標分類器給出的結果做進一步篩選，只有當第一級車標分類器的輸出標簽與第二級車標分類器的輸出標簽相同時，才判定目標是該標簽所對應的車標，這樣既降低了錯檢，又增加了識別的可信度；該方法能夠以毫秒級的平均耗時對整輛車區域的車標進行檢測和識別。在現有的大部分目標檢測與識別方法中，檢測環節與識別環節相互獨立。在檢測環節，降低漏檢率與降低錯檢率的需求是相互矛盾的，即低的漏檢率要求降低檢測閾值，而低的檢測閾值又會導致錯檢率的增加。在對二者做出折中的選擇后，檢測環節僅僅將檢測結果傳遞給識別環節，而其他信息則被全部丟棄了。與現有的大部分目標檢測與識別方法不同，本專利技術將檢測環節η個模型的標簽信息傳遞給識別環節，通過這一信息來過濾錯檢區域；同時，有了該信息，就可以在檢測環節選擇一個偏低的檢測閾值，在識別環節將錯檢目標濾除，以保證低漏檢率?！靖綀D說明】通過閱讀參照以下附圖對非限制性實施例所作的詳細描述，本專利技術的其它特征、目的和優點將會變得更明顯:圖1表示在整輛車區域中對車標做檢測與識別；圖2表示利用車牌位置信息減少搜索區域，提高檢測精度和速度；圖3是本專利技術步驟A1-A4的流程圖；圖4是本專利技術步驟C1-C3的流程圖?！揪唧w實施方式】下面結合具體實施例對本專利技術進行詳細說明。以下實施例將有助于本領域的技術人員進一步理解本專利技術，但不以任何形式限制本專利技術。應當指出的是，對本領域的普通技術人當前第1頁1 2 本文檔來自技高網...

【技術保護點】
一種快速級聯式車標視覺檢測與識別方法，其特征在于，包括如下步驟：步驟A：若待檢測和識別的車標的種類為n類，則訓練n個二類分類器作為n個第一級車標分類器；對于每一種車標進行訓練；步驟B：將n類車標的樣本圖像歸一化至同一尺寸，計算并獲得樣本圖像的梯度方向直方圖特征集；將樣本圖像的梯度方向直方圖特征集和標簽(1，2，…，n)送入支持向量機中訓練，得到1個n類分類器，作為1個第二級車標分類器；步驟C：在n個第一級車標分類器和1個第二級車標分類器訓練完成之后，置k＝1，用如下步驟對車標進行檢測識別：步驟C1：用第k個第一級車標分類器在整塊搜索區域中滑窗掃描，滑窗結束后，若檢測到目標，則進入步驟C2，否則進入步驟C3；步驟C2：將步驟C1檢測到的目標輸入第二級車標分類器，得到目標的預測標簽label，若label等于k，將該目標判定為有效車標，且車標的類型即為label對應的車標類型，結束；若label不等于k，將該目標判定為無效車標；當所有步驟C1檢測到的目標均為無效車標時，進入步驟C3；步驟C3：令k的值增加1，若k<n+1，則返回步驟C1；否則，結束，認為未檢測到車標。

【技術特征摘要】

【專利技術屬性】
技術研發人員：趙云安，盧俊國，趙旭，
申請(專利權)人：上海交通大學，
類型：發明
國別省市：上海;31