[發(fā)明專利]基于梯度方向劃分的特征量化的車標特征提取和識別方法

有效

• 申請?zhí)枺?/td>: 201811032667.4
• 申請日: 2018-09-05
• 公開（公告）號: CN109446882B
• 公開（公告）日: 2022-03-04
• 發(fā)明（設計）人: 余燁;徐京濤;路強;薛峰
• 申請（專利權）人: 合肥工業(yè)大學智能制造技術研究院
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/46;G06V10/762;G06V10/764
• 代理公司: 安徽合肥華信知識產(chǎn)權代理有限公司 34112
• 代理人: 余成俊

1.一種基于梯度方向劃分的特征量化的車標特征提取和識別方法，其特征在于：包括以下步驟：

(1)提取車標圖像的梯度大小和梯度方向信息；

將收集的車標樣本分為兩類，訓練樣本和測試樣本，對訓練樣本進行歸一化和灰度化處理，計算樣本圖像中每個像素的梯度大小Gv和梯度方向Go，將梯度大小和梯度方向信息存儲到梯度矩陣中；

(2)梯度方向劃分和梯度大小矩陣生成；

步驟(1)中計算所得的像素梯度方向范圍為0°～180°，將此梯度方向范圍均勻劃分為k個子范圍，每個子范圍對應一個矩陣，用于存儲梯度大小信息，稱為梯度大小矩陣，上述k個子范圍依次對應的矩陣為M₁、M₂、…M_k，矩陣的大小和車標圖像分辨率的大小相同，統(tǒng)計每個像素周圍鄰域像素的梯度大小和梯度方向，對于屬于相同梯度方向范圍的像素，將其梯度大小累加，累加獲得的結果分別存儲在M₁、M₂、…、M_k矩陣中像素所在的位置，最終得到k個不同方向的梯度大小矩陣；

(3)基于梯度大小矩陣進行特征提取；

分別基于k個梯度大小矩陣提取LTP特征，并將每個元素所對應的k個不同方向的LTP特征串聯(lián)，作為原始圖像像素所對應的LTP特征；

LTP特征的提取過程為：

選取一個中心值i_c，計算其周圍R半徑鄰域的元素值與其的差值，使相對中心值變化在t范圍內(nèi)的鄰域編碼為1，比i_c大于t的編碼為2，比i_c小于t的編碼為0，t為閾值，后把中心值所有鄰域得到的編碼按順序串聯(lián)在一起得到一個編碼序列P_ij，i為中心值；j＝1,2,3,…,k；

把k個梯度大小矩陣中每個元素對應的編碼序列P_i1、P_i2、P_i3、…、P_ik串聯(lián)在一起，得到原始車標圖像對應像素的LTP特征P_i；

(4)特征量化；

針對從訓練樣本中提取的所有LTP特征，先對其進行篩選，舍棄出現(xiàn)頻率過小的特征，然后再用K-means進行聚類，得到N個聚類中心，作為特征碼本；

(5)車標的識別；

在車標識別的過程中，用步驟(3)中的方法分別對車標訓練集和測試集進行特征提取，用于SVM進行訓練和分類。

2.根據(jù)權利要求1所述的基于梯度方向劃分的特征量化的車標特征提取和識別方法，其特征在于：步驟(1)中，梯度大小和梯度方向在梯度矩陣中的存儲方式描述為：

首先定義一個具有兩種元素的結構體，分別指代步驟(1)中的梯度大小和梯度方向，每個像素對應一個結構體，對于每個計算好梯度大小和方向的結構體，把它們存儲在二維數(shù)組中。

3.根據(jù)權利要求1所述的基于梯度方向劃分的特征量化的車標特征提取和識別方法，其特征在于：步驟(4)中，特征量化的過程為：

對基于訓練樣本提取的所有特征進行篩選，如果其出現(xiàn)頻率大于m，m為設定的閾值，則進行保留，如果其出現(xiàn)頻率小于等于m，則忽略，對篩選后的特征用K-means進行聚類，迭代若干次，得到N個聚類中心，這N個聚類中心即為所有特征量化得出的特征碼本。

4.根據(jù)權利要求1所述的基于梯度方向劃分的特征量化的車標特征提取和識別方法，其特征在于：步驟(5)中，車標的識別過程為：

針對測試樣本，把每個車標圖像劃分為若干個塊，在每個塊中，對像素進行特征提取，把提取到的特征和特征碼本中的聚類特征逐一進行比對，計算與碼本中歐氏距離最小的聚類特征，通過投票的方法累加形成N維的特征直方圖，將一幅車標圖像每個塊對應的特征直方圖依次拼接，最后得到整個車標圖像的特征向量，對其進行訓練和分類。