[發明專利]一種面向交通卡口的多特征融合車標識別方法及系統

有效

• 申請號: 201510364077.1
• 申請日: 2015-06-26
• 公開（公告）號: CN104992180B
• 公開（公告）日: 2019-01-29
• 發明（設計）人: 楊文;劉妍;吳紅陽
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提供的是一種面向交通卡口的多特征融合車標識別系統及方法，包括對輸入的各幅圖像分別進行三種特征提取；基于一級訓練樣本的三種特征分別進行訓練，得到三種一級分類器，預測得到一級測試樣本屬于一級分類器中每一類的概率，記為軟概率；把串聯之后的軟概率作為特征，基于二級訓練樣本的特征進行訓練，得到二級分類器，利用二級分類器預測完成相應車標識別。本發明所提供的多特征融合方法，在相同的條件下，可以得到更高的準確率。

技術領域

本發明屬于圖像處理領域，特別涉及一種面向交通卡口的多特征融合車標識別方法及系統。

背景技術

對車標進行識別，即判斷其屬于所用數據庫中的哪一類，是一個典型的目標識別問題，一般的目標識別采取兩種方法來完成，第一種是直接用預測圖像和模板圖像進行關鍵點匹配，來判斷其屬于哪一類；第二類就是選取一定特征，訓練一個分類模型，利用訓練好的模型來判別預測圖像屬于哪一類。

關鍵點匹配的算法，典型是SIFT匹配，先對待預測圖像和模板圖像均求取特征點，兩者的特征點的關系符合某一條件則兩個特征點匹配，一般情況下，符合的條件是，兩者的距離最近，且小于次最小距離的k(k<1)倍，不同的特征點k的取值不一，有時還會加上放射變換的限制，進一步判斷兩者是否匹配，預測圖像屬于和模板圖像特征點匹配的個數最多的種類，但效果并不理想。對于訓練分類模型，先使用已經被標記了的訓練樣本，把這些訓練樣本利用分類器訓練得到分類器，一般使用的分類器有，SVM(支持向量機)、Adaboost、Random forest等，然后利用已經訓練好的分類器對測試樣本進行預測，得到預測樣本所屬的類別，從而完成對車標的識別。在利用分類器對車標進行識別的時候，均使用的是一級分類器，但是，在對復雜的目標進行分類的時候，采用單一的特征不能取得很好的效果。

發明內容

本發明的目的在于提供一種多特征融合的方法，該方法能夠更好地完成車標識別的任務，以更高的精度實現車標的識別。

本發明提供一種面向交通卡口的多特征融合車標識別方法，用于對從交通卡口拍攝車標所得圖像進行識別，包括以下步驟：

步驟1，特征提取，包括對輸入的各幅圖像分別進行三種特征提取，三種特征包括HOG特征、Curv-H特征和GIST特征，所述HOG特征為方向梯度直方圖特征，所述Curv-H特征為曲率直方圖特征；

步驟2，訓練一級分類器，包括從所有圖像中按比例取一級訓練樣本，剩下的圖像作為一級測試樣本，基于一級訓練樣本的三種特征分別進行訓練，得到三種一級分類器，利用所得三種一級分類器分別對各一級測試樣本基于相應特征進行預測，得到一級測試樣本屬于一級分類器中每一類的概率，記為軟概率；

步驟3，特征融合，包括把每個一級測試樣本在三種一級分類器下得到的軟概率進行串聯，完成三種特征的融合；

步驟4，訓練二級分類器，包括從一級測試樣本中按比例取二級訓練樣本，剩余圖像作為二級測試樣本，把串聯之后的軟概率作為特征，基于二級訓練樣本的特征進行訓練，得到二級分類器，利用二級分類器對二級測試樣本基于相應特征進行預測，得到二級測試樣本所屬的類別，完成相應車標識別。

而且，當有新輸入的圖像時，首先將新的圖像作為一級測試樣本，利用步驟2所得三種一級分類器分別對該一級測試樣本基于相應特征進行預測，得到該一級測試樣本屬于一級分類器中每一類的概率，記為軟概率；然后將新的圖像在三種一級分類器下得到的軟概率進行串聯，把串聯之后的軟概率作為特征，將新的圖像作為二級測試樣本，利用二級分類器對該二級測試樣本基于相應特征進行預測，得到該二級測試樣本所屬的類別，完成新的圖像相應車標識別。

而且，從所有圖像中按比例取一級訓練樣本，和從一級測試樣本中按比例取二級訓練樣本時，比例的取值相同。

而且，訓練一級分類器和二級分類器，基于SVM實現，所述SVM為支持向量機。