CN105160292A - 一种车辆标识识别方法与*** - Google Patents
一种车辆标识识别方法与*** Download PDFInfo
- Publication number
- CN105160292A CN105160292A CN201510394434.9A CN201510394434A CN105160292A CN 105160292 A CN105160292 A CN 105160292A CN 201510394434 A CN201510394434 A CN 201510394434A CN 105160292 A CN105160292 A CN 105160292A
- Authority
- CN
- China
- Prior art keywords
- classification
- population variance
- current
- sample
- center
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆标识识别方法与***,从停车场出入口的监控视频中获取需要进行分类的目标车辆标识的图像的正样本以及负样本,所述车辆标识包括车牌图像或车标图像,提取所有样本的预设特征,通过K均值聚类算法将提取的所述预设特征分成K类,通过预设的训练方法将所述K类所述预设特征进行训练,得到K个模型分类器,利用所述K个模型分类器对车辆标识进行分类识别,K均值聚类后可以得到车牌或车标的最佳分类,对最佳分类的预设特征进行训练得到相应的模型分类器,共同对车辆标识进行分类识别,可以提高车牌或车标的识别率,更准确地识别车辆。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种车辆标识识别方法与***。
背景技术
车牌识别设备目前已经被广泛使用在停车场出入口,对进出场的车辆进行管理,然而车牌识别设备的识别率仍然难满足用户需求,所以停车场出入口一般会配置工作人员协助用户。随着人力成本的提高,无人值守停车场开始推广。
车牌识别一般包括车牌检测,车牌字符分割以及车牌字符识别这三部分,车标识别是车牌识别的一种补充,用来协助识别车辆。目前车牌检测,车牌字符识别以及车标检测和识别的主流技术都是通过基于某种特征,使用某种训练方式进行训练,得到模型,然后使用模型进行检测或识别。
但是车牌识别目前存在以下两个问题:第一,车牌识别一般在检测到车牌后会对车牌区域进行分割,通过分割提取到单个字符,然后对单个字符进行识别。字符分割存在一定的误差,如果分割出错,会对后面的识别造成影响。例如“8”如果切割靠右,缺少了左边的细节,就会很容易识别成“B”;第二,由于车标不是反光材料制作,所以遇到强光或者低照的情况,车标细节丢失严重,车标的识别率偏低。目前模型训练一般采取人工挑选样本,按照一定的规则分类,如以光线作为分类准则,但以光线作为分类准则,车牌的识别不准确,识别率低。
发明内容
有鉴于此,本发明的主要目的在于提供一种车辆标识识别方法与***,可以提高车牌或车标的准确识别率。
为实现上述目的,本发明提供了一种车辆标识识别方法,包括:
获取停车场出入口的监控视频;
从所述监控视频中获取需要进行分类的目标车辆标识的图像的正样本以及负样本,所述车辆标识包括车牌和车标;
提取所述正样本以及所述负样本的预设特征;
通过K均值聚类算法将提取的所述预设特征分成K类;
通过预设的训练方法将所述K类所述预设特征进行训练,得到K个模型分类器;
利用所述K个模型分类器对所述目标车辆标识进行分类识别。
优选地,所述通过K均值聚类算法将提取的所述预设特征分成K类包括:
步骤A:确定目标图像的类别上限Cmax;
步骤B:计算类别数为1时对应的总方差;
步骤C:若类别数小于Cmax,则将类别数增加1,计算当前类别数对应的总方差;
步骤D:若类别数为Ccurrent-1对应的总方差比类别数为Ccurrent对应的总方差小,则确定目标类别K=Ccurrent-1,否则返回步骤C,直至类别数为Cmax时,确定目标类别K=Cmax;
所述计算当前类别数对应的总方差包括:
当前类别数为Ccurrent时,运行n次K均值聚类;
根据n次K均值聚类得到n组分类中心,每组有Ccurrent个分类中心,所有样本中的每个样本以单组的Ccurrent个分类中心中与之最近的分类中心,为该组的与此样本对应的分类中心;
计算所有样本分别与n组中与之对应的分类中心的总方差,得到n个总方差,将所述n个总方差中值最小的总方差作为类别数为Ccurrent时对应的总方差。
优选地,提取所述正样本以及所述负样本的预设特征包括:
将提取的所述正样本和所述负样本归一化到预设的尺寸;
提取归一化后的所有样本的所述预设特征。
优选地,当所述目标车辆标识为车牌时,从所述监控视频中获取需要进行分类的目标车辆标识的图像的正样本后还包括:
将所述车牌图像移动至车牌字符标注框的正中位置。
优选地,将所述车牌图像移动至车牌字符标注框的正中位置后还包括:
将所述车牌图像在所述车牌字符标注框中分别向正上方、正下方、正左方以及正右方移动预设像素量,并将所述车牌图像进行预设角度的旋转。
优选地,所述预设特征为Haar特征或HOG特征。
优选地,所述预设的训练方法为SVM法或AdaBoost法。
本发明还提供了一种车辆标识识别***,包括:
视频获取模块,样本获取模块,特征提取模块,特征分类模块,特征训练模块和分类识别模块;
所述视频获取模块用于获取停车场出入口的监控视频;
所述样本获取模块用于从所述监控视频中获取需要进行分类的目标车辆标识的图像的正样本以及负样本,所述车辆标识包括车牌和车标;
所述特征提取模块用于提取所述正样本以及所述负样本的预设特征;
所述特征分类模块用于通过K均值聚类算法将提取的所述预设特征分成K类;
所述特征训练模块用于通过预设的训练方法将所述K类所述预设特征进行训练,得到K个模型分类器;
所述分类识别模块用于利用所述K个模型分类器对所述目标车辆标识进行分类识别。
优选地,所述特征分类模块包括:
类别上限确定子模块,用于确定目标图像的类别上限Cmax;
类别计数子模块,用于当类别数小于Cmax时,将类别数增加1;
总方差关联子模块,用于计算当前类别数对应的总方差;
目标类别确定子模块,用于当类别数为Ccurrent-1对应的总方差比类别数为Ccurrent对应的总方差小,则确定目标类别K=Ccurrent-1,否则当类别数小于Cmax时,将类别数增加1继续进行上述判断,直至类别数为Cmax时,确定目标类别K=Cmax;
所述总方差关联子模块包括:
聚类子模块,用于当前类别数为Ccurrent时,运行n次K均值聚类;
分类中心确定子模块,用于根据n次K均值聚类得到n组分类中心,每组有Ccurrent个分类中心,所有样本中的每个样本以单组的Ccurrent个分类中心中与之最近的分类中心,为该组的与此样本对应的分类中心;
总方差计算子模块,用于计算所有样本分别与n组中与之对应的分类中心的总方差,得到n个总方差,将所述n个总方差中值最小的总方差作为类别数为Ccurrent时对应的总方差。
优选地,所述特征提取模块包括:
归一化子模块,用于将提取的所述正样本和所述负样本归一化到预设的尺寸;
预设特征提取子模块,用于提取归一化后的所有样本的所述预设特征。
应用本发明提供的车辆标识识别方法与***,从停车场出入口的监控视频中获取需要进行分类的目标图像的正样本以及负样本,所述目标图像包括车牌图像或车标图像,提取所有样本的预设特征,通过K均值聚类算法将提取的所述预设特征分成K类,通过预设的训练方法将所述K类所述预设特征进行训练,得到K个模型分类器,利用所述K个模型分类器对车辆标识进行分类识别,K均值聚类后可以得到车牌或车标的最佳分类,对最佳分类的预设特征进行训练得到相应的模型分类器,共同对车牌进行分类识别,可以提高车牌或车标的识别率,更准确地识别车辆。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明车辆标识识别方法实施例一的流程图;
图2为本发明车辆标识识别***实施例五的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种车辆标识识别方法,图1示出了本发明车辆标识识别方法的实施例一的流程图,包括:
步骤S101:获取停车场出入口的监控视频;
步骤S102:从所述监控视频中获取需要进行分类的目标车辆标识的图像的正样本以及负样本,所述车辆标识包括车牌和车标;
步骤S103:提取所述正样本以及所述负样本的预设特征;
步骤S104:通过K均值聚类算法将提取的所述预设特征分成K类;
步骤S105:通过预设的训练方法将所述K类所述预设特征进行训练,得到K个模型分类器;
步骤S106:利用所述K个模型分类器对所述目标车辆标识进行分类识别。
本实施例中应用K均值聚类算法(Kmeansclustering),尝试找到数据的自然类别,通过用户设置类别的个数,K均值可以迅速找到好的类别中心,即聚类中心位于数据的自然类别中心。K均值聚类是一种迭代算法,实现过程如下:
(1)输入数据集合和类别数K(类别数为预设)。
(2)随机分配类别中心点位置。
(3)将每个点放入离它最近的类别中心点所在的集合。
(4)移动类别中心点到它所在集合的中心。
(5)转到第3步,直到收敛。
K均值聚类不能保证定位聚类中心的最佳方案,但是它能保证可以收敛到某个解决方案,问题可以通过多运行几次K均值聚类,每次初始化的聚类中心不一样,最后选择方差最小的那个结果;K均值无法指出应该使用多少个类别,在同一数据集中,选择不同的类别数量,得到的结果不一样。比如可以通过首先将类别数设置为1,然后提高类别数量。一般来说,总方差会很快下降,直到达到一个拐点。此时再加一个新的聚类中心不会显著减少总方差,在拐点处停止,保存此时的类别数,此类别数为一个较优的选择。
应用本实施例提供的车辆标识识别方法,从停车场出入口的监控视频中获取需要进行分类的目标车辆标识的图像的正样本以及负样本,所述车辆标识包括车牌和车标,提取所有样本的预设特征,通过K均值聚类算法将提取的所述预设特征分成K类,通过预设的训练方法将所述K类所述预设特征进行训练,得到K个模型分类器,利用所述K个模型分类器对车辆标识进行分类识别,K均值聚类后可以得到车牌或车标的最佳分类,对最佳分类的预设特征进行训练得到相应的模型分类器,共同对车辆标识进行分类识别,可以提高车牌或车标的识别率,更准确地识别车辆。
本发明的车辆标识识别方法的实施例二中,对应于实施例一,所述通过K均值聚类算法将提取的所述预设特征分成K类具体包括:
步骤A:确定目标图像的类别上限Cmax;
步骤B:计算类别数为1时对应的总方差;
步骤C:若类别数小于Cmax,则将类别数增加1,计算当前类别数对应的总方差;
步骤D:若类别数为Ccurrent-1对应的总方差比类别数为Ccurrent对应的总方差小,则确定目标类别K=Ccurrent-1,否则返回步骤C,直至类别数为Cmax时,确定目标类别K=Cmax;
所述计算当前类别数对应的总方差包括:
当前类别数为Ccurrent时,运行n次K均值聚类;
根据n次K均值聚类得到n组分类中心,每组有Ccurrent个分类中心,所有样本中的每个样本以单组的Ccurrent个分类中心中与之最近的分类中心,为该组的与此样本对应的分类中心;
计算所有样本分别与n组中与之对应的分类中心的总方差,得到n个总方差,将所述n个总方差中值最小的总方差作为类别数为Ccurrent时对应的总方差。
本实施例具体实施方式如下:
a、确定类别的最大范围Cmax,即每一类车标或者车牌字符最大允许的类别。由于受到硬件运算能力限制等,每种类别的分类不能无限增加,只能限制在一个范围内,例如某一种品牌的车标最多只能有3类或者5类。
b、从仅有1种分类开始,即K=1,当前分类类别数Ccurrent=1。运行K均值分类,需要运行n次分类,n由用户设置,例如1000次。K均值聚类不能保证能找到定位聚类中心的最佳方案,可多运行几次K均值,每次初始化的聚类中心不一样,可以找到一个较好的中心,最后选择总方差最小的那个结果。运行n次后,得到n个分类中心,计算所有样本与n个中心的总方差,可以得到n个总方差。选择总方差最小的中心,该中心为该类别的中心,这个总方差为仅有一个类别的总方差。
c、增加一个种类,即K=2,当前分类类别数Ccurrent=2。运行K均值分类,需要运行n次分类。运行n次后,得到n组分类中心,每组有两个中心。每个样本属于两个中心的其中一个。计算所有样本与n组分类中心的总方差,可以得到n个总方差。在n个总方差中挑选总方差最小的一组,该组的两个中心为类别为2的分类中心。比较类别为2的总方差与类别为1的总方差,如果类别为2的总方差比类别为1的总方差大,或者类别为2的总方差比类别为1的总方差下降不明显,说明仅需要一个分类已经满足当前样本的需要,分类操作结束,不再进行下面的操作。如果类别为2的总方差比类别为1的总方差小,并且下降明显,说明2分类比1分类效果好。
d、如果分类的类别小于等于Cmax,把当前分类类别数Ccurrent增加1,运行K均值分类,需要运行n次分类,得到n组分类中心,每组有Ccurrent个分类中心,计算所有样本与n组分类中心的总方差,可以得到n个总方差。挑选总方差最小的一组,该组的Ccurrent个中心为类别为Ccurrent的分类中心。选择总方差最小的那个结果。比较当前分类得到的总方差与上一次分类的总方差,如果当前分类得到的总方差比上一次分类的总方差下降明显,并且分类的类别小于Cmax,继续执行步骤d。如果当前分类得到的总方差比上一次分类的总方差上升或者本次总方差下降不明显,说明上Ccurrent-1次分类的效果最好。那么分类列别为Ccurrent-1种,即k=Ccurrent-1。如果分类的类别已经达到了Cmax,那么分类的类别k=Cmax。
e、确定了分类的类别后,把目标图像按运行的结果分别使用预设训练方法对样本提取的预设特征进行训练,得到k个模型分类器。
本实施例中预设特征可为Haar特征或HOG特征等,预设的训练方法可为SVM法或AdaBoost法等,优选使用HOG特征以及SVM法。
HOG(Histogramoforientedgradients)刻画图像的局部梯度幅值和方向特征。HOG允许块之间相互重叠,因此对光照变化和小量的偏移并不敏感,能有效地刻画出边缘特征。对于角度大的车标检测效果好。之后通过形成的HOG特征向量建立HOG模型,通过HOG模型进行多尺度检测,对图像中每个能通过HOG验证的区域,都用一个方框区域显示,提取通过HOG模型检测的方框区域。
HOG特征是灰度图的梯度统计信息,梯度主要存在于边缘的地方。可以根据如下公式计算梯度,获得HOG特征,其中I(x,y)表示在图像I上的一个点。
图像的一阶梯度的大小为:
梯度方向为:
Ang(x,y)=arccos(I(x+1,y)-I(x-1,y)/R)。
直方图方向为9个,将每个分块中所有像素的一维梯度直方图累加到其中,就形成了最终的HOG特征。
SVM支持向量机(SupportVectorMachine)是一种快速的模式识别方法。SVM训练的样本集可以表示为:(x1,y1),(x2,y2),…,(xn,yn)。
其中:xi∈Rd,Rd是训练样本集。yi∈{-1,1},yi=1表示xi∈ω1,yi=-1表示xi∈ω2,ω1和ω2是两种不同的分类。
对于线性分类,决策函数为g(x)=ωTx+b,其中ω是分类面的梯度,而b是偏置。ωTx+b=1和ωTx+b=-1的分类间隔为SVM为了最大化分类间隔,需要求解经过推导,g(x)表示为:其中αi是训练得到的支持向量系数。
本发明的车辆标识识别方法的实施例四,针对车标检测率低的问题,使用摄像头在各个时段和天气条件下拍摄并储存大量停车场出入口的视频。在这些视频中,截取出训练的各种车标图像作为正样本。截取各种非车标的图像作为负样本。把车标按品牌种类分入不同的文件夹中,例如丰田,奥迪,大众等。对于每个类别,使用上述的方法进行K均值聚类。本实施例中每种车标最多设置为5类。K均值聚类后会得到每种车标的最佳分类k类,然后训练出k种车标模型。例如奥迪有3种分类,那么就训练出奥迪_1,奥迪_2和奥迪_3这3种车标模型。宝马有4种分类,那么就训练出宝马_1,宝马_2,宝马_3和宝马_4这4种车标模型。最后使用训练得到的模型一起进行车标识别。识别的时候,由于使用的是支持向量机训练模型,每个模型进行检测的时候会得到一个置信度,然后选择置信度最高的结果作为车标识别的结果。对于每类车标的几种不同模型,只要其中一个结果的置信度较高,即为该种车标。
例如识别的结果无论是奥迪_1,奥迪_2还是奥迪_3,结果均为奥迪。
针对车牌字符分割容易切偏的问题,车牌字符样本收集的时候,一般会在一个车牌图像上,使用一个固定的宽高比的方框把需要进行训练的字符样本框中,确保字符在方框内,然后全部归一化到一个尺寸。针对字符识别容易由于切分不准导致出错的问题,本发明提出,在收集训练模型的样本的时候,标注正样本的时候,把车牌字符框在标注框的正中位置。然后分别把车牌字符在标注框向上移动1-3个像素,向下移动1-3个像素,向左移动1-3个像素以及向右移动1-3个像素,得到另外四个标注。移动的结果可能会导致字符的部分区域不在标注框内。然后再把字符图像进行旋转一定角度等,增加几个旋转样本。这样可以模拟出实际字符切分的时候切正和切偏,以及样本本身具有一定旋转角度的情况。用以上的方法就可以得到一系列的车牌字符样本。对于每个车牌字符,使用上述的方法进行K均值聚类。本实施例中每种车牌字符最多设置为5类。K均值聚类后会得到每种车牌字符的最佳分类k类,然后训练出k种车标模型。例如字符H有4种分类,那么就训练出H_1,H_2,H_3和H_4这4种字符模型。最后使用训练得到的模型一起进行车牌字符识别。识别的时候,由于使用的是支持向量机SVM训练模型,每个模型进行检测的时候会得到一个置信度,然后选择置信度最高的结果作为车标识别的结果。对于每类车牌字符的几种不同模型,只要其中一个结果的置信度较高,即为该种车牌字符。例如识别的结果无论是H_1,H_2,H_3还是H_4,结果均为字符H。
本实施例中对于每一类需要识别的对象,首先使用K均值聚类方法,按设定的K值让机器自动聚类样本成K类,然后使用聚类后的K类样本进行训练,得到K个模型;车牌字符模型训练增加上移,下移,左移,右移和旋转等样本,模拟字符分割切分不准确的情况,从而提高字符的识别率。
本发明还提供了一种车辆标识识别***,图2示出了本发明车辆标识识别***实施例五的结构示意图,包括:
视频获取模块101,样本获取模块102,特征提取模块103,特征分类模块104,特征训练模块105和分类识别模块106;
所述视频获取模块101用于获取停车场出入口的监控视频;
所述样本获取模块102用于从所述监控视频中获取需要进行分类的目标车辆标识的图像的正样本以及负样本,所述目标图像车辆标识包括车牌和车标;
所述特征提取模块103用于提取所述正样本以及所述负样本的预设特征;
所述特征分类模块104用于通过K均值聚类算法将提取的所述预设特征分成K类;
所述特征训练模块105用于通过预设的训练方法将所述K类所述预设特征进行训练,得到K个模型分类器;
所述分类识别模块106用于利用所述K个模型分类器对所述目标车辆标识进行分类识别。
应用本发明提供的车辆标识识别***,从停车场出入口的监控视频中获取需要进行分类的目标图像的正样本以及负样本,所述目标图像包括车牌图像或车标图像,提取所有样本的预设特征,通过K均值聚类算法将提取的所述预设特征分成K类,通过预设的训练方法将所述K类所述预设特征进行训练,得到K个模型分类器,利用所述K个模型分类器对车辆标识进行分类识别,K均值聚类后可以得到车牌或车标的最佳分类,对最佳分类的预设特征进行训练得到相应的模型分类器,共同对车牌进行分类识别,可以提高车牌或车标的识别率,更准确地识别车辆。
本发明车辆标识识别***的实施例六,对应于实施例五,所述特征分类模块104包括:
类别上限确定子模块,用于确定目标图像的类别上限Cmax;
类别计数子模块,用于当类别数小于Cmax时,将类别数增加1;
总方差关联子模块,用于计算当前类别数对应的总方差;
目标类别确定子模块,用于当类别数为Ccurrent-1对应的总方差比类别数为Ccurrent对应的总方差小,则确定目标类别K=Ccurrent-1,否则当类别数小于Cmax时,将类别数增加1继续进行上述判断,直至类别数为Cmax时,确定目标类别K=Cmax;
所述总方差关联子模块包括:
聚类子模块,用于当前类别数为Ccurrent时,运行n次K均值聚类;
分类中心确定子模块,用于根据n次K均值聚类得到n组分类中心,每组有Ccurrent个分类中心,所有样本中的每个样本以单组的Ccurrent个分类中心中与之最近的分类中心,为该组的与此样本对应的分类中心;
总方差计算子模块,用于计算所有样本分别与n组中与之对应的分类中心的总方差,得到n个总方差,将所述n个总方差中值最小的总方差作为类别数为Ccurrent时对应的总方差。
所述特征提取模块包括:
归一化子模块,用于将提取的所述正样本和所述负样本归一化到预设的尺寸;
预设特征提取子模块,用于提取归一化后的所有样本的所述预设特征。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于***类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的方法与***进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种车辆标识识别方法,其特征在于,包括:
获取停车场出入口的监控视频;
从所述监控视频中获取需要进行分类的目标车辆标识的图像的正样本以及负样本,所述车辆标识包括车牌和车标;
提取所述正样本以及所述负样本的预设特征;
通过K均值聚类算法将提取的所述预设特征分成K类;
通过预设的训练方法将所述K类所述预设特征进行训练,得到K个模型分类器;
利用所述K个模型分类器对所述目标车辆标识进行分类识别。
2.根据权利要求1所述的车辆标识识别方法,其特征在于,所述通过K均值聚类算法将提取的所述预设特征分成K类包括:
步骤A:确定目标图像的类别上限Cmax;
步骤B:计算类别数为1时对应的总方差;
步骤C:若类别数小于Cmax,则将类别数增加1,计算当前类别数对应的总方差;
步骤D:若类别数为Ccurrent-1对应的总方差比类别数为Ccurrent对应的总方差小,则确定目标类别K=Ccurrent-1,否则返回步骤C,直至类别数为Cmax时,确定目标类别K=Cmax;
所述计算当前类别数对应的总方差包括:
当前类别数为Ccurrent时,运行n次K均值聚类;
根据n次K均值聚类得到n组分类中心,每组有Ccurrent个分类中心,所有样本中的每个样本以单组的Ccurrent个分类中心中与之最近的分类中心,为该组的与此样本对应的分类中心;
计算所有样本分别与n组中与之对应的分类中心的总方差,得到n个总方差,将所述n个总方差中值最小的总方差作为类别数为Ccurrent时对应的总方差。
3.根据权利要求2所述的车辆标识识别方法,其特征在于,提取所述正样本以及所述负样本的预设特征包括:
将提取的所述正样本和所述负样本归一化到预设的尺寸;
提取归一化后的所有样本的所述预设特征。
4.根据权利要求2所述的车辆标识识别方法,其特征在于,当所述目标车辆标识为车牌时,从所述监控视频中获取需要进行分类的目标车辆标识的图像的正样本后还包括:
将所述车牌图像移动至车牌字符标注框的正中位置。
5.根据权利要求4所述的车辆标识识别方法,其特征在于,将所述车牌图像移动至车牌字符标注框的正中位置后还包括:
将所述车牌图像在所述车牌字符标注框中分别向正上方、正下方、正左方以及正右方移动预设像素量,并将所述车牌图像进行预设角度的旋转。
6.根据权利要求2所述的车辆标识识别方法,其特征在于,所述预设特征为Haar特征或HOG特征。
7.根据权利要求2所述的车辆标识识别方法,其特征在于,所述预设的训练方法为SVM法或AdaBoost法。
8.一种车辆标识识别***,其特征在于,包括:
视频获取模块,样本获取模块,特征提取模块,特征分类模块,特征训练模块和分类识别模块;
所述视频获取模块用于获取停车场出入口的监控视频;
所述样本获取模块用于从所述监控视频中获取需要进行分类的目标车辆标识的图像的正样本以及负样本,所述车辆标识包括车牌和车标;
所述特征提取模块用于提取所述正样本以及所述负样本的预设特征;
所述特征分类模块用于通过K均值聚类算法将提取的所述预设特征分成K类;
所述特征训练模块用于通过预设的训练方法将所述K类所述预设特征进行训练,得到K个模型分类器;
所述分类识别模块用于利用所述K个模型分类器对所述目标车辆标识进行分类识别。
9.根据权利要求8所述的车辆标识识别***,其特征在于,所述特征分类模块包括:
类别上限确定子模块,用于确定目标图像的类别上限Cmax;
类别计数子模块,用于当类别数小于Cmax时,将类别数增加1;
总方差关联子模块,用于计算当前类别数对应的总方差;
目标类别确定子模块,用于当类别数为Ccurrent-1对应的总方差比类别数为Ccurrent对应的总方差小,则确定目标类别K=Ccurrent-1,否则当类别数小于Cmax时,将类别数增加1继续进行上述判断,直至类别数为Cmax时,确定目标类别K=Cmax;
所述总方差关联子模块包括:
聚类子模块,用于当前类别数为Ccurrent时,运行n次K均值聚类;
分类中心确定子模块,用于根据n次K均值聚类得到n组分类中心,每组有Ccurrent个分类中心,所有样本中的每个样本以单组的Ccurrent个分类中心中与之最近的分类中心,为该组的与此样本对应的分类中心;
总方差计算子模块,用于计算所有样本分别与n组中与之对应的分类中心的总方差,得到n个总方差,将所述n个总方差中值最小的总方差作为类别数为Ccurrent时对应的总方差。
10.根据权利要求8所述的车辆标识识别***,其特征在于,所述特征提取模块包括:
归一化子模块,用于将提取的所述正样本和所述负样本归一化到预设的尺寸;
预设特征提取子模块,用于提取归一化后的所有样本的所述预设特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510394434.9A CN105160292A (zh) | 2015-07-07 | 2015-07-07 | 一种车辆标识识别方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510394434.9A CN105160292A (zh) | 2015-07-07 | 2015-07-07 | 一种车辆标识识别方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105160292A true CN105160292A (zh) | 2015-12-16 |
Family
ID=54801144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510394434.9A Pending CN105160292A (zh) | 2015-07-07 | 2015-07-07 | 一种车辆标识识别方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160292A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919889A (zh) * | 2015-12-25 | 2017-07-04 | 株式会社日立制作所 | 对视频图像中的人头进行检测的方法和装置 |
CN107038442A (zh) * | 2017-03-27 | 2017-08-11 | 新智认知数据服务有限公司 | 一种基于深度学习的车牌检测和整体识别方法 |
CN107045642A (zh) * | 2017-05-05 | 2017-08-15 | 广东工业大学 | 一种车标图像识别方法及装置 |
CN107085723A (zh) * | 2017-03-27 | 2017-08-22 | 新智认知数据服务有限公司 | 一种基于深度学习模型的车牌字符整体识别方法 |
CN109993134A (zh) * | 2019-04-04 | 2019-07-09 | 中山大学 | 一种基于hog和svm分类器的道路交叉口车辆检测方法 |
CN110491133A (zh) * | 2019-08-08 | 2019-11-22 | 横琴善泊投资管理有限公司 | 一种基于置信度的车辆信息校正***和方法 |
CN113723408A (zh) * | 2021-11-02 | 2021-11-30 | 上海仙工智能科技有限公司 | 一种车牌识别方法及其***、可读存储介质 |
-
2015
- 2015-07-07 CN CN201510394434.9A patent/CN105160292A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919889A (zh) * | 2015-12-25 | 2017-07-04 | 株式会社日立制作所 | 对视频图像中的人头进行检测的方法和装置 |
CN107038442A (zh) * | 2017-03-27 | 2017-08-11 | 新智认知数据服务有限公司 | 一种基于深度学习的车牌检测和整体识别方法 |
CN107085723A (zh) * | 2017-03-27 | 2017-08-22 | 新智认知数据服务有限公司 | 一种基于深度学习模型的车牌字符整体识别方法 |
CN107045642A (zh) * | 2017-05-05 | 2017-08-15 | 广东工业大学 | 一种车标图像识别方法及装置 |
CN109993134A (zh) * | 2019-04-04 | 2019-07-09 | 中山大学 | 一种基于hog和svm分类器的道路交叉口车辆检测方法 |
CN110491133A (zh) * | 2019-08-08 | 2019-11-22 | 横琴善泊投资管理有限公司 | 一种基于置信度的车辆信息校正***和方法 |
CN113723408A (zh) * | 2021-11-02 | 2021-11-30 | 上海仙工智能科技有限公司 | 一种车牌识别方法及其***、可读存储介质 |
CN113723408B (zh) * | 2021-11-02 | 2022-02-25 | 上海仙工智能科技有限公司 | 一种车牌识别方法及其***、可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160292A (zh) | 一种车辆标识识别方法与*** | |
CN104766042B (zh) | 交通标志板识别方法及装置 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN104268596B (zh) | 一种车牌识别器及其车牌检测方法与*** | |
CN104318225B (zh) | 车牌检测方法及装置 | |
CN111126224A (zh) | 车辆检测方法及分类识别模型训练方法 | |
CN102915433B (zh) | 基于字符组合的车牌定位和识别方法 | |
CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
US8908921B2 (en) | Object detection method and object detector using the method | |
CN103871077B (zh) | 一种道路车辆监控视频中的关键帧提取方法 | |
CN103456003A (zh) | 对象跟踪装置及方法以及错误特征点剔除装置及方法 | |
CN104217217A (zh) | 一种基于两层分类的车辆标志物检测方法与*** | |
CN101984453B (zh) | 一种人眼识别***及方法 | |
CN106709530A (zh) | 基于视频的车牌识别方法 | |
CN103971097A (zh) | 一种基于多尺度笔画模型的车牌识别方法与*** | |
CN104408475A (zh) | 一种车牌识别方法及车牌识别设备 | |
CN104182769B (zh) | 一种车牌检测方法及*** | |
CN105184301B (zh) | 一种利用四轴飞行器判别车辆方位的方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN105184291A (zh) | 一种多类型车牌检测方法及*** | |
CN107464245B (zh) | 一种图像结构边缘的定位方法及装置 | |
CN103390151A (zh) | 人脸检测方法及装置 | |
CN107590500A (zh) | 一种基于色彩投影分类的车牌颜色识别方法及装置 | |
CN103218610A (zh) | 狗脸检测器的形成方法和狗脸检测方法 | |
CN108108703A (zh) | 减速带缺失检测方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151216 |
|
RJ01 | Rejection of invention patent application after publication |