CN106503710A - 一种车标识别方法及装置 - Google Patents
一种车标识别方法及装置 Download PDFInfo
- Publication number
- CN106503710A CN106503710A CN201610945503.5A CN201610945503A CN106503710A CN 106503710 A CN106503710 A CN 106503710A CN 201610945503 A CN201610945503 A CN 201610945503A CN 106503710 A CN106503710 A CN 106503710A
- Authority
- CN
- China
- Prior art keywords
- logo
- image
- identified
- sample
- characteristic area
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种车标识别方法及装置,应用于电子设备,方法包括:在包含待识别车标的第一图像中识别所述第一图像的特征区域,其中,所述特征区域为所述待识别车标所在的区域;生成包含所述特征区域的预定大小的第二图像;将所述第二图像输入预先训练的深度神经网络模型中,得到所述待识别车标对应的类别信息。应用本发明实施例,利用预先训练的深度神经网络模型对车标直接进行识别,由于深度神经网络模型对图像的识别速度快、识别准确率高,因此在车标识别过程中能快速准确的识别出车标图像内的车标,提高了车标识别的速度和准确率。并且,在车标识别过程中,无需生成车标图像的HOG,进一步提高了车标识别的速度。
Description
技术领域
本发明涉及车辆识别技术领域,特别涉及一种车标识别方法及装置。
背景技术
车标是车辆的一个重要的、很难改变的属性。车辆车标的识别在现实生活中有很重要的意义,例如,针对涉及违法犯罪行为的车辆,车辆车标的识别在卡口及电子警察***中的应用,在一定程度上遏制了各种违法行为的发生;在视频监控领域,车标的识别在车辆道路安全防范上也起到了很大的推进作用。
现有的车标识别过程,通常采用基于AdaBoost框架训练后的分类模型进行识别。基于AdaBoost框架进行模型训练时,需要先对各样本进行归一化,然后,计算各样本的梯度直方图(Histogram of Oriented Gradient,HOG),并将各样本的梯度直方图输入支持向量机(Support Vector Machine,SVM)学习,得到分类模型。
采用基于AdaBoost框架训练后的分类模型进行车标识别时,需要提取待识别车标图像的HOG,然后把HOG输入分类模型中,得到识别结果。其中,分类模型中保存有车标类别与HOG之间的对应关系,将待识别车标图像的HOG输入分类模型中后,分类模型会在自身保存的对应关系中查找待识别车标图像的HOG对应的车标类别。
然而,HOG的生成过程耗时较长,这样就导致了车标识别时的识别速度很慢,所以实时性差。另外,由于梯度的性质,HOG对噪声相当敏感,对于噪声环境下的车标识别正确率低。再有,对于由于天气或光线干扰导致的模糊图像内的车标进行识别时,识别准确率也较低。可见,现有技术中的车标识别方法存在识别速度慢以及识别准确率低的问题。
发明内容
本发明实施例公开了一种车标识别方法及装置,用于提高车辆车标识别的速度和准确率。
为达到上述目的,本发明实施例公开了一种车标识别方法,包括:
在包含待识别车标的第一图像中识别所述第一图像的特征区域,其中,所述特征区域为所述待识别车标所在的区域;
生成包含所述特征区域的预定大小的第二图像;
将所述第二图像输入预先训练的深度神经网络模型中,得到所述待识别车标对应的类别信息。
较佳地,所述在包含待识别车标的第一图像中识别所述第一图像的特征区域包括:
对所述第一图像进行平滑处理,获得车牌位置信息;
根据所述车牌位置信息以及车牌和车标之间的位置关系,确定所述第一图像的特征区域。
较佳地,所述生成包含所述特征区域的预定大小的第二图像包括:
生成包含所述特征区域的第三图像;
对所述第三图像进行边缘检测、均衡化、阈值过滤、图像开闭运算、和缩放处理,确定处理后的图像为第二图像。
较佳地,所述深度神经网络模型为AlexNet网络结构模型,所述AlexNet网络结构模型的训练过程包括:
获取样本车辆图像,并确定包含各样本车辆图像内的车标的第一样本车标图像;
将所述第一样本车标图像处理成所述预定大小的第二样本车标图像;
将所述第二样本车标图像,以及与各第二样本车标图像对应的车标类别信息作为训练样本,训练得到所述AlexNet网络结构模型。
较佳地,所述方法还包括:
获得所述待识别车标对应的类别信息的置信度;
所述得到所述待识别车标对应的类别信息包括:
根据所述待识别车标对应的各类别信息的置信度,按照置信度从大到小的顺序,得到预定数量的所述待识别车标对应的类别信息。
为达到上述目的,本发明实施例还公开了一种车标识别装置,包括:
识别模块,用于在包含待识别车标的第一图像中识别所述第一图像的特征区域,其中,所述特征区域为所述待识别车标所在的区域;
生成模块,用于生成包含所述特征区域的预定大小的第二图像;
第一处理模块,用于将所述第二图像输入预先训练的深度神经网络模型中,得到所述待识别车标对应的类别信息。
较佳地,所述识别模块具体用于:
对所述第一图像进行平滑处理,获得车牌位置信息;
根据所述车牌位置信息以及车牌和车标之间的位置关系,确定所述第一图像的特征区域。
较佳地,所述生成模块具体用于:
生成包含所述特征区域的第三图像;
所述第三图像进行边缘检测、均衡化、阈值过滤、图像开闭运算、和缩放处理,确定处理后的图像为第二图像。
较佳地,所述深度神经网络模型为AlexNet网络结构模型,所述装置还包括:
确定模块,用于获取样本车辆图像,并确定包含各样本车辆图像内的车标的第一样本车标图像;
第二处理模块,用于将所述第一样本车标图像处理成所述预定大小的第二样本车标图像;
训练模块,用于将所述第二样本车标图像,以及与各第二样本车标图像对应的车标类别信息作为训练样本,训练得到所述AlexNet网络结构模型。
较佳地,所述装置还包括:
获得模块,用于获得所述待识别车标对应的类别信息的置信度;
所述第一处理模块,具体用于根据所述待识别车标对应的各类别信息的置信度,按照置信度从大到小的顺序,得到预定数量的所述待识别车标对应的类别信息。
由上述技术方案可知,本发明实施例公开了一种车标识别方法及装置,方法包括:在包含待识别车标的第一图像中识别所述第一图像的特征区域,其中,所述特征区域为所述待识别车标所在的区域;生成包含所述特征区域的预定大小的第二图像;将所述第二图像输入预先训练的深度神经网络模型中,得到所述待识别车标对应的类别信息。
相比于现有技术,应用本发明实施例,利用预先训练的深度神经网络模型对车标直接进行识别,由于深度神经网络模型对图像的识别速度快、识别准确率高,因此在车标识别过程中能快速准确的识别出车标图像内的车标,提高了车标识别的速度和准确率。并且,在车标识别过程中,无需生成车标图像的HOG,进一步提高了车标识别的速度。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种车标识别方法的流程示意图;
图2为本发明实施例所提供的一种车标识别方法中识别待识别车标所在区域的流程示意图;
图3为本发明实施例所提供的一种车标识别方法中Canny边缘检测的工作原理示意图;
图4为本发明实施例所提供的一种车标识别方法中生成包含特征区域的预定大小的第二图像的流程示意图;
图5为本发明实施例所提供的一种车标识别装置的结构示意图。
具体实施方式
为了提高车辆车标识别的速度和准确率,本发明实施例提供了一种车标识别方法及装置。
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作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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了提高车辆车标识别的速度和准确率,本发明实施例提供了一种车标识别方法过程,如图1所示,该过程可以包括以下步骤:
S110,在包含待识别车标的第一图像中识别所述第一图像的特征区域,其中,所述特征区域为所述待识别车标所在的区域;
本发明实施例所提供的车标识别方法可以应用于电子设备。具体地,该电子设备可以为台式计算机、便携式计算机、智能移动终端等。
在本发明实施例中,电子设备可以根据包含待识别车标的第一图像,识别该待识别车标的类别信息。其中,电子设备可以首先获取包含待识别车标的第一图像,进而根据该第一图像,识别待识别车标的类别信息。
需要说明的是,在本发明实施例中,电子设备获取包含待识别车标的第一图像的过程可以采用现有技术,例如,在视频监控领域,该包含待识别车标的第一图像可以由监控设备采集并发送给电子设备,本发明实施例对此过程不进行赘述。
获取到包含待识别车标的第一图像后,电子设备就可以根据该第一图像,识别该待识别车标的类别信息。具体地,电子设备可以在第一图像中识别该第一图像的特征区域,其中,该特征区域为该待识别车标所在的区域。
例如,电子设备可以采用图像识别方法,识别第一图像中包括的车标,并将车标所在区域确定为第一图像的特征区域。或者,电子设备可以识别第一图像中包括的车辆的车牌,进而,确定根据车牌与车标之间的位置关系,确定待识别车标所在的区域为第一图像的特征区域。
S120,生成包含所述特征区域的预定大小的第二图像;
电子设备识别出第一图像的特征区域,即识别出第一图像中包括的车辆车标后,可以进一步根据该第一图像的特征区域,生成包含特征区域的预定大小的第二图像。
在实际应用中,输入深度神经网络模型中的输入的图片的大小通常为固定大小,如可以为227像素*227像素。因此,在本发明实施例中,为满足深度神经网络模型的图片输入格式,可以将第二图像的预定大小设置为预定大小,如为227像素*227像素。
需要说明的是,生成的包含特征区域的预定大小的第二图像应该尽可能全面的把待识别车标包含在内。因此,生成的包含特征区域的预定大小的第二图像中包括的区域可以比特征区域大一定比例。比如,确定出特征区域后,以特征区域为中心,上下左右向外扩充,确定扩充后的区域为第二图像。
例如,在实际应用中,电子设备可以以第一图像的特征区域为中心,上下左右向外扩充,获取227像素*227像素大小的区域,并将包含该区域的图像确定为第二图像。
S130,将所述第二图像输入预先训练的深度神经网络模型中,得到所述待识别车标对应的类别信息。
在本发明实施例中,电子设备可以预先训练得到分类模型。使用该分类模型,当输入第二图像时,该分类模型可以输出与该第二图像中包括的车标对应的类别信息。
在一种实现方式中,分类模型可以为根据各车标图像与其对应的车标类型信息之间的对应关系训练得到的。在这种实现方式中,分类模型可以直接根据各车标图像与其对应的车标类型信息之间的对应关系确定输入的第二图像中包括的车标对应的类别信息,进而输出第二图像中包括的车标对应的类别信息。
在另一种实现方式中,分类模型可以为根据各车标图像与各车标类别号之间的对应关系,以及各车标类别号与各车标类型信息之间的对应关系训练得到的。在这种实现方式中,分类模型可以根据各车标图像与各车标类别号的对应关系确定出第二图像中包括的车标的类别号,再根据各车标类别号与各车标类型信息之间的对应关系确定输入的第二图像中包括的车标的类别号对应的类别信息,进而输出第二图像中包括的车标对应的类别信息。
因此,在本发明实施例中,在进行车标识别时,当电子设备获得第二图像后,其可以将该第二图像输入预先训练的分类模型中,得到该第二图像中待识别车标的类别信息。
应用本发明实施例,利用预先训练的深度神经网络模型对车标直接进行识别,由于深度神经网络模型对图像的识别速度快、识别准确率高,因此在车标识别过程中能快速准确的识别出车标图像内的车标,提高了车标识别的速度和准确率。并且,相比于现有技术,在车标识别过程中,无需生成车标图像的HOG,进一步提高了车标识别的速度。
进一步地,作为本发明实施例的一种实现方式,本发明实施例中的在包含待识别车标的第一图像中识别所述第一图像的特征区域的过程,可以包括:对第一图像进行平滑处理,获得车牌位置信息;根据所述车牌位置信息以及车牌和车标之间的位置关系,确定所述第一图像的特征区域。
具体地,对第一图像进行的平滑处理可以包括均值滤波、中值滤波和高斯滤波等操作。对第一图像进行平滑处理后,可以采用现有技术中识别车牌的方法获得车牌位置信息,这里不再赘述。
然后,根据车牌位置信息以及车牌和车标之间的位置关系,确定第一图像的特征区域。具体地,车牌与车标之间的位置关系可以预先设置并保存在电子设备中。其中,车牌与车标之间的位置关系可以包括但不限于以下关系:车标位于车牌位置之上一定距离处、车标关于车牌的中间轴线对称等。当然,车牌与车标之间的位置关系也可以包括车标比车牌小。
设置好车标与车牌之间的位置关系后,电子设备在确定第一图像的特征区域时,即可结合获得的车牌位置信息,确定出第一图像的特征区域,即确定出待识别车标所在的区域。
例如,在实际应用中,采用本实施例方案中的方法识别待识别车标所在区域的流程可以如图2所示。在图2中,对第一图像进行平滑处理后获得的车牌位置信息为车辆车牌为图2中长度为w0、高度为h0的矩形区域。根据车牌位置信息以及车牌和车标之间的位置关系,确定第一图像的特征区域可以为图2中长度为w1、高度为h1的矩形区域。
应用本实施例方案,利用车牌特征显著、易于定位的特点先确定车牌位置信息,再结合车标与车牌之间的位置关系,确定出待识别车标所在的区域,这样比在第一图像上直接确定待识别车标所在的区域的速度快,准确率高。
进一步地,作为本实施例的另一种实现方式,本发明实施例中,在包含待识别车标的第一图像中识别第一图像的特征区域之后,生成包含特征区域的预定大小的第二图像的过程可以包括:先生成包含特征区域的第三图像;然后对生成的第三图像进行边缘检测、均衡化、阈值过滤、图像开闭运算、和缩放处理,确定处理后的图像为第二图像。
具体地,可以采用上述实施例方案中生成包含特征区域的第二图像的方法生成包含特征区域的第三图像,本实施例不进行赘述。
由于上述实施例方案中生成的包含特征区域的第二图像,也就是本实施例方案中生成的第三图像包括的区域要比特征区域大,为了更精确的确定包含特征区域的图像,即精确的确定包含待识别车标所在区域的图像,还可以对生成的包含特征区域的第三图像作进一步处理。
也就是说,在生成包含特征区域的第三图像以后,可以对生成的第三图像进行边缘检测、均衡化、阈值过滤、图像开闭运算、和缩放处理。
具体地,本实施例中可以采用Canny边缘检测方法对第三图像进行边缘检测,Canny边缘检测方法属于先平滑后求导的方法。
具体地,进行Canny边缘检测时,本实施例中采用的Canny卷积算子为:
使用一阶有限差分计算的x方向一阶偏导数矩阵P[x,y]、y方向的一阶偏导数矩阵Q[x,y]、以及梯度幅值M[i,j]和梯度方向α[i,j]的数学表达式为:
P[x,y]=(f[i,j+1]-f[i,j]+f[i+1,j+1]-f[i+1],j])/2
Q[x,y]=(f[i,j]-f[i+1,j]+f[i,j+1]-f[i+1],j+1])/2
α[i,j]=arctan(Q[i,j]/P[i,j])
进行Canny边缘检测时,图像梯度幅值矩阵M[i,j]中的元素值越大,说明图像中该点的梯度值越大,但这不能说明该点就是边缘。因此在进行Canny边缘检测过程中,非极大值抑制是很重要的一步。非极大值抑制在通俗意义上是指寻找像素点局部极大值,将非极大值点所对应的灰度值置为0,这样可以剔除掉一大部分非边缘的点。
非极大值抑制的具体工作原理可以如图3所示,在图3中,要进行非极大值抑制,就首先要确定像素点C的灰度值在其邻域内是否为极大值,即像素点C的灰度值是否为局部极大值。图3中假设直线1方向为C点的梯度方向,则C点的局部极大值肯定分布在直线1上,也即除了C点外,梯度方向的交点dTmp1和dTmp2这两个点的灰度值也可能会是局部极大值。因此,判断C点灰度值与这两个点的灰度值的大小即可判断C点灰度值是否为其邻域内的局部极大值。如果经过判断,C点灰度值小于这两个点灰度值中的任意一个灰度值,那就说明C点灰度值不是局部极大值,那么则可以排除C点为边缘,则C点所对应的灰度值需要置为0。
对生成的第三图像进行Canny边缘检测后,还可以对生成的第三图像进行均衡化、阈值过滤、图像开闭运算、和缩放处理。
具体地,图像均衡化处理可以利用线性或非线性的方法来实现均衡化,或通过使用累积函数对灰度值进行“调整”以实现对比度的增强。通过均衡化处理,可以“扩大”前景和背景灰度的差别,达到增强对比度的目的。
阈值过滤处理即将图像上的点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果,这样就可以凸现出待识别车标的轮廓。
通常,由于噪声的影响,图像在阈值过滤后所得到边界往往是很不平滑的,物体区域具有一些噪声孔,背景区域上散布着一些小的噪声物体。而连续的开和闭运算可以有效地改善这种情况。因此对阈值过滤处理后的第三图像还可以进行开闭运算处理。开运算为先腐蚀后膨胀的过程,用来消除小物体、在纤细点处分离物体、平滑较大物体的边界,并且同时并不明显改变图像面积。闭运算为先膨胀后腐蚀的过程,用来填充物体内细小空洞、连接邻近物体、平滑其边界,且同时并不明显改变图像面积。
对第三图像进行处理,确定第二图像的流程以及处理结果可以如图4所示。在图4中,对生成的第三图像进行了边缘检测、均衡化、阈值过滤、图像开闭运算处理以及缩放处理。其中,对第三图像的边缘检测包括了X方向边缘检测、Y方向边缘检测以及联合边缘检测。
应用本实施例方案,通过对包含待识别车标的第一图像进行边缘检测、均衡化、阈值过滤、图像开闭运算、和缩放处理处理,可以获得包含准确车标区域的车标图像,采用该车标图像进行车辆车标识别,可以提高车标识别的准确率。
进一步地,作为本实施例的另一种实现方式,本实施例中的深度神经网络模型可以为AlexNet网络结构模型。AlexNet网络结构模型进行图像识别时,识别速度快,识别准确率高。在AlexNet网络结构模型中,主要网络结构包括:InputImage、Layer1~Layer8,其中,Layer8层也就是输出Softmax函数层;Input Image就是输入图像层,每个输入的图像的大小227像素*227像素,输入维度为RGB三个颜色维度;Layer1~Layer5是卷积层;Layer6~Layer8是全连接层。
以Layer1为例,本层的卷积滤波器的大小可以是11像素*11像素,卷积步幅为4,本层共有96个卷积滤波器,则本层的输出是96个55像素*55像素大小的图片。在Layer1层,卷积滤波后,还可以包括ReLUs操作和max-pooling操作。以Layer6为例,本层的神经元个数可以为4096个。Layer8的神经元个数可以为1000个,相当于训练目标的1000个图片类别信息。
具体地,AlexNet网络结构模型的训练过程可以包括:
首先,获取样本车辆图像,并确定包含各样本车辆图像内的车标的第一样本车标图像;然后,将第一样本车标图像处理成预定大小的第二样本车标图像;最后,将第二样本车标图像,以及与各第二样本车标图像对应的车标类别信息作为训练样本,训练得到所述AlexNet网络结构模型。
具体地,在本发明实施例中,电子设备在训练AlexNet网络结构模型时,可以首先获取样本车辆图像。例如,电子设备可以获取尽可能多的样本车辆图像,该样本车辆图像可以包含每种车标的车辆。
进一步地,当电子设备获取到样本车辆图像后,还可以确定包含各样本车辆图像内的车标的第一样本车标图像。例如,电子设备可以采用上述实施例方案中识别待识别车标所在的区域的方法,确定包含各样本车辆图像内的车标的第一样本车标图像。
可以理解的是,电子设备在确定出第一样本车标图像后,可以对第一样本车标图像进行边缘检测、均衡化、阈值过滤、图像开闭运算处理以及缩放处理,将第一样本车标图像处理成227像素*227像素大小的图像,并将该图像确定为第二样本车标图像。
得到各第二样本车标图像后,电子设备可以将各第二样本车标图像,以及与各第二样本车标图像对应的车标类别信息作为训练样本,训练得到AlexNet网络结构模型。
在一种实现方式中,得到各第二样本车标图像后,可以将各车标图像与其对应的车标类型信息输入到模型中进行训练。
在另一种实现方式中,得到各第二样本车标图像后,也可以将各车标图像与各车标类别号的对应关系,以及各车标类别号与各车标类型信息之间的对应关系,输入到模型中进行训练。
需要说明的是,在本发明实施例中,AlexNet网络结构模型的训练过程可以采用现有技术,本发明实施例对此过程不进行赘述。
应用本实施例方案,可以预先训练得到AlexNet网络结构模型。进而,在进行车标识别时,利用训练好的AlexNet网络结构模型对车标直接进行识别,由于AlexNet网络结构模型对图像的识别速度快、识别准确率高,因此在车标识别过程中能快速准确的识别出车标图像内的车标,提高了车标识别的速度和准确率。而且,在车标识别过程中,无需生成车标图像的HOG,进一步提高了车标识别的速度。
进一步地,作为本实施例的另一种实现方式,本发明实施例中,电子设备识别待识别车标对应的类别信息时,还可以获得该待识别车标对应的类别信息的置信度。如,根据用户设置,待识别车标对应的类别信息的置信度可以为0-1之间的任一数,如0.11、0.35、0.90、0.98等。置信度较高时,表明该待识别车标与其对应的类别信息的可信度较高;置信度较低时,表明该待识别车标与其对应的类别信息的可信度较低。
可以理解的是,当电子设备可以获得待识别车标与其对应的类别信息的置信度时,电子设备在得到待识别车标对应的类别信息时,可以根据待识别车标对应的各类别信息的置信度,按照置信度从大到小的顺序,得到预定数量的待识别车标对应的类别信息。
例如,用户可以预先进行设置,使电子设备输出预定数量的待识别车标对应的类别信息,如3个、4个、7个等。电子设备在获得待识别车标对应的类别信息时,可以根据用户设置,根据待识别车标对应的各类别信息的置信度,按照置信度从大到小的顺序,得到用户设置的预定数量的待识别车标对应的品牌信息。
应用本实施例方案,通过得到待识别车标对应的类别信息的置信度,用户可以通过该置信度来判断该待识别车标对应的类别信息是否可信,因此,能够提高车标识别的可信度,提高用户体验。
如图5所示,本发明实施例所提供的一种车标识别装置,可以包括:识别模块510、生成模块520、第一处理模块530,其中,
识别模块510,用于在包含待识别车标的第一图像中识别所述第一图像的特征区域,其中,所述特征区域为所述待识别车标所在的区域;
生成模块520,用于生成包含所述特征区域的预定大小的第二图像;
第一处理模块530,用于将所述第二图像输入预先训练的深度神经网络模型中,得到所述待识别车标对应的类别信息。
应用本实施例,利用预先训练的深度神经网络模型对车标直接进行识别,由于深度神经网络模型对图像的识别速度快、识别准确率高,因此在车标识别过程中能快速准确的识别出车标图像内的车标,提高了车标识别的速度和准确率。并且,相比于现有技术,在车标识别过程中,无需生成车标图像的HOG,进一步提高了车标识别的速度。
具体地,识别模块510可以用于:
对所述第一图像进行平滑处理,获得车牌位置信息;
根据所述车牌位置信息以及车牌和车标之间的位置关系,确定所述第一图像的特征区域。
具体地,生成模块520可以用于:
生成包含所述特征区域的第三图像;
对所述第三图像进行边缘检测、均衡化、阈值过滤、图像开闭运算、和缩放处理,确定处理后的图像为第二图像。
具体地,第一处理模块530中的深度神经网络模型可以为AlexNet网络结构模型,则所述装置还可以包括:
确定模块(图5中未示出),用于获取样本车辆图像,并确定包含各样本车辆图像内的车标的第一样本车标图像;
第二处理模块(图5中未示出),用于将所述第一样本车标图像处理成所述预定大小的第二样本车标图像;
训练模块(图5中未示出),用于将所述第二样本车标图像,以及与各第二样本车标图像对应的车标类别信息作为训练样本,训练得到所述AlexNet网络结构模型。
具体地,所述装置还可以包括:
获得模块(图5中未示出),用于获得所述待识别车标对应的类别信息的置信度;
第一处理模块530,具体用于根据所述待识别车标对应的各类别信息的置信度,按照置信度从大到小的顺序,得到预定数量的所述待识别车标对应的类别信息。
对于装置实施例而言,由于其基本相似于方法实施例,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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称得的存储介质,如:ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种车标识别方法,其特征在于,包括:
在包含待识别车标的第一图像中识别所述第一图像的特征区域,其中,所述特征区域为所述待识别车标所在的区域;
生成包含所述特征区域的预定大小的第二图像;
将所述第二图像输入预先训练的深度神经网络模型中,得到所述待识别车标对应的类别信息。
2.根据权利要求1所述的方法,其特征在于,所述在包含待识别车标的第一图像中识别所述第一图像的特征区域包括:
对所述第一图像进行平滑处理,获得车牌位置信息;
根据所述车牌位置信息以及车牌和车标之间的位置关系,确定所述第一图像的特征区域。
3.根据权利要求1所述的方法,其特征在于,所述生成包含所述特征区域的预定大小的第二图像包括:
生成包含所述特征区域的第三图像;
对所述第三图像进行边缘检测、均衡化、阈值过滤、图像开闭运算、和缩放处理,确定处理后的图像为第二图像。
4.根据权利要求1所述的方法,其特征在于,所述深度神经网络模型为AlexNet网络结构模型,所述AlexNet网络结构模型的训练过程包括:
获取样本车辆图像,并确定包含各样本车辆图像内的车标的第一样本车标图像;
将所述第一样本车标图像处理成所述预定大小的第二样本车标图像;
将所述第二样本车标图像,以及与各第二样本车标图像对应的车标类别信息作为训练样本,训练得到所述AlexNet网络结构模型。
5.根据权利要求1-4任一所述的方法,其特征在于,所述方法还包括:
获得所述待识别车标对应的类别信息的置信度;
所述得到所述待识别车标对应的类别信息包括:
根据所述待识别车标对应的各类别信息的置信度,按照置信度从大到小的顺序,得到预定数量的所述待识别车标对应的类别信息。
6.一种车标识别装置,其特征在于,包括:
识别模块,用于在包含待识别车标的第一图像中识别所述第一图像的特征区域,其中,所述特征区域为所述待识别车标所在的区域;
生成模块,用于生成包含所述特征区域的预定大小的第二图像;
第一处理模块,用于将所述第二图像输入预先训练的深度神经网络模型中,得到所述待识别车标对应的类别信息。
7.根据权利要求6所述的装置,其特征在于,所述识别模块具体用于:
对所述第一图像进行平滑处理,获得车牌位置信息;
根据所述车牌位置信息以及车牌和车标之间的位置关系,确定所述第一图像的特征区域。
8.根据权利要求6所述的装置,其特征在于,所述生成模块具体用于:
生成包含所述特征区域的第三图像;
对所述第三图像进行边缘检测、均衡化、阈值过滤、图像开闭运算、和缩放处理,确定处理后的图像为第二图像。
9.根据权利要求6所述的装置,其特征在于,所述深度神经网络模型为AlexNet网络结构模型,所述装置还包括:
确定模块,用于获取样本车辆图像,并确定包含各样本车辆图像内的车标的第一样本车标图像;
第二处理模块,用于将所述第一样本车标图像处理成所述预定大小的第二样本车标图像;
训练模块,用于将所述第二样本车标图像,以及与各第二样本车标图像对应的车标类别信息作为训练样本,训练得到所述AlexNet网络结构模型。
10.根据权利要求6-9任一所述的装置,其特征在于,所述装置还包括:
获得模块,用于获得所述待识别车标对应的类别信息的置信度;
所述第一处理模块,具体用于根据所述待识别车标对应的各类别信息的置信度,按照置信度从大到小的顺序,得到预定数量的所述待识别车标对应的类别信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610945503.5A CN106503710A (zh) | 2016-10-26 | 2016-10-26 | 一种车标识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610945503.5A CN106503710A (zh) | 2016-10-26 | 2016-10-26 | 一种车标识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106503710A true CN106503710A (zh) | 2017-03-15 |
Family
ID=58321964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610945503.5A Pending CN106503710A (zh) | 2016-10-26 | 2016-10-26 | 一种车标识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503710A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239754A (zh) * | 2017-05-23 | 2017-10-10 | 淮阴工学院 | 基于稀疏取样灰度分布和梯度分布特征的车标识别方法 |
CN108596115A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的车辆检测方法、装置及*** |
CN109460787A (zh) * | 2018-10-26 | 2019-03-12 | 北京交通大学 | 入侵检测模型建立方法、装置及数据处理设备 |
CN109766819A (zh) * | 2019-01-04 | 2019-05-17 | 北京博宇通达科技有限公司 | 车辆身份识别方法及装置 |
CN110032991A (zh) * | 2019-04-23 | 2019-07-19 | 福州大学 | 一种基于车标再定位的车标检测和识别方法 |
CN113610880A (zh) * | 2021-07-31 | 2021-11-05 | 云南电网有限责任公司信息中心 | 一种基于cnn的小尺寸模糊边界的图片自动特征提取方法 |
CN113781552A (zh) * | 2021-09-06 | 2021-12-10 | 天津爱旭太阳能科技有限公司 | 一种se激光工艺中偏移机台的查找方法和查找*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419820A (zh) * | 2011-08-18 | 2012-04-18 | 电子科技大学 | 一种快速检测视频与图像中汽车车标的方法 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN105160330A (zh) * | 2015-09-17 | 2015-12-16 | 中国地质大学(武汉) | 一种车标识别方法及车标识别*** |
CN105205486A (zh) * | 2015-09-15 | 2015-12-30 | 浙江宇视科技有限公司 | 一种车标识别方法及装置 |
CN105354568A (zh) * | 2015-08-24 | 2016-02-24 | 西安电子科技大学 | 基于卷积神经网络的车标识别方法 |
CN106022300A (zh) * | 2016-06-02 | 2016-10-12 | 中国科学院信息工程研究所 | 基于级联深度学习的交通标志识别方法和*** |
-
2016
- 2016-10-26 CN CN201610945503.5A patent/CN106503710A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419820A (zh) * | 2011-08-18 | 2012-04-18 | 电子科技大学 | 一种快速检测视频与图像中汽车车标的方法 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN105354568A (zh) * | 2015-08-24 | 2016-02-24 | 西安电子科技大学 | 基于卷积神经网络的车标识别方法 |
CN105205486A (zh) * | 2015-09-15 | 2015-12-30 | 浙江宇视科技有限公司 | 一种车标识别方法及装置 |
CN105160330A (zh) * | 2015-09-17 | 2015-12-16 | 中国地质大学(武汉) | 一种车标识别方法及车标识别*** |
CN106022300A (zh) * | 2016-06-02 | 2016-10-12 | 中国科学院信息工程研究所 | 基于级联深度学习的交通标志识别方法和*** |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239754A (zh) * | 2017-05-23 | 2017-10-10 | 淮阴工学院 | 基于稀疏取样灰度分布和梯度分布特征的车标识别方法 |
CN107239754B (zh) * | 2017-05-23 | 2019-10-29 | 淮阴工学院 | 基于稀疏取样灰度分布和梯度分布特征的车标识别方法 |
CN108596115A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的车辆检测方法、装置及*** |
CN109460787A (zh) * | 2018-10-26 | 2019-03-12 | 北京交通大学 | 入侵检测模型建立方法、装置及数据处理设备 |
CN109766819A (zh) * | 2019-01-04 | 2019-05-17 | 北京博宇通达科技有限公司 | 车辆身份识别方法及装置 |
CN110032991A (zh) * | 2019-04-23 | 2019-07-19 | 福州大学 | 一种基于车标再定位的车标检测和识别方法 |
CN110032991B (zh) * | 2019-04-23 | 2022-07-08 | 福州大学 | 一种基于车标再定位的车标检测和识别方法 |
CN113610880A (zh) * | 2021-07-31 | 2021-11-05 | 云南电网有限责任公司信息中心 | 一种基于cnn的小尺寸模糊边界的图片自动特征提取方法 |
CN113781552A (zh) * | 2021-09-06 | 2021-12-10 | 天津爱旭太阳能科技有限公司 | 一种se激光工艺中偏移机台的查找方法和查找*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503710A (zh) | 一种车标识别方法及装置 | |
CN103679168B (zh) | 文字区域检测方法及装置 | |
Gou et al. | Vehicle license plate recognition based on extremal regions and restricted Boltzmann machines | |
Farag et al. | Road lane-lines detection in real-time for advanced driving assistance systems | |
CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
Huang et al. | Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads | |
CN111027481B (zh) | 基于人体关键点检测的行为分析方法及装置 | |
CN108305260B (zh) | 一种图像中角点的检测方法、装置及设备 | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
CN106778633B (zh) | 一种基于区域分割的行人识别方法 | |
Farag | Real-time detection of road lane-lines for autonomous driving | |
CN106778742B (zh) | 一种基于Gabor滤波器背景纹理抑制的车标检测方法 | |
CN109919002A (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
CN105740751A (zh) | 一种目标检测与识别的方法和*** | |
CN108573280B (zh) | 一种无人船自主通过桥梁的方法 | |
CN106446784A (zh) | 一种图像检测方法及装置 | |
Satti et al. | Unified approach for detecting traffic signs and potholes on Indian roads | |
Bulugu | Algorithm for license plate localization and recognition for tanzania car plate numbers | |
CN114067186B (zh) | 一种行人检测方法、装置、电子设备及存储介质 | |
CN108280388A (zh) | 训练面部检测模型的方法和装置以及面部检测方法和装置 | |
Nguwi et al. | Number plate recognition in noisy image | |
Kim | Detection of traffic signs based on eigen-color model and saliency model in driver assistance systems | |
CN108647679B (zh) | 一种基于车窗粗定位的车标识别方法 | |
Amin et al. | An automatic number plate recognition of Bangladeshi vehicles | |
CN114528922A (zh) | 基于车道级定位的车辆频繁变道检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170315 |