CN108122000B - 一种基于特征学习的车标识别方法 - Google Patents

Abstract

本发明公开了一种基于特征学习的车标识别方法，首先对抓拍的车标图像进行预处理，归一化图像的尺寸大小，图像二值化，将图像转换成单通道的灰度图，生成标准的车标图像；然后对训练集图像分割区域块，提取像素差矩阵，将同一区域块的像素差矩阵联合在一起，根据散度公式进行特征学习，获得特征参数字典；其次，对每一张车标图像分割区域块，生成像素差矩阵，从特征参数字典当中获取对应区域块的特征参数，提取特征矩阵，并且将特征矩阵按照预定规则转化成二值化矩阵，并且通过投票生成一张图片的特征向量；最后利用训练集图像的特征向量初始化质心，再对车标图像生成的特征向量聚类，进而达到车标分类的效果。

Description

一种基于特征学习的车标识别方法

技术领域

本发明涉及计算机视觉目标识别与分类方法领域，具体是一种基于特征学习 的车标识别方法。

背景技术

车标作为区分不同汽车厂商的重要标志，在车辆管控当中起着重要作用。而 车标识别是智能交通***的重要组成部分，在车辆管理、车辆监控、车辆追踪等 领域存在广泛的应用。本发明针对广泛存在的卡口***所抓拍的卡口图像而提出 的车标识别方法。

在现有的车标识别方法当中，如专利201310560299.1提取区域不变梯度特 征，专利201510021400.5利用HOG+PCA算法，专利201610682646.1利用SIFT 特征等车标识别方法在特定的数据集都达到了很好的效果。但是以上方法是传统 的基于手工描述子的图像识别方法，通过人工设计的特征提取方法虽然能在特定 的数据集表现出较好的识别效果，但是在面对复杂环境下的车标图像，比如卡口 ***抓拍的车标图像缺乏鲁棒性。此外，基于手工描述子的特征提取方法需要丰 富的经验去进行算法调整和优化，限制了方法的广泛应用。因此，目前应对广泛 存在的卡口***的车标识别方法仍然较少，车标识别依旧是一个比较困难的研究 点。

发明内容

本发明的目的是提供一种基于特征学习的车标识别方法，以解决现有技术车标识别方法在应对卡口车标图像所面临的问题。

为了达到上述目的，本发明所采用的技术方案为：

一种基于特征学习的车标识别方法，其特征在于：包括以下步骤：

(1)、车标图像的预处理：

抓拍以获取行车图像，基于车牌的位置和大小对行车图像中的车标进行粗定 位，并截取车标图像；对截取的车标图像进行大小归一化处理后得到车标图像， 如果车标图像是多通道图像则转化成单通道灰度图后再进行归一化处理；

(2)、像素差矩阵PDM提取：

将步骤(1)得到的车标图像分割成不重叠的区域块，对每一个区域块提取 像素差矩阵；

(3)、特征参数学习：

针对训练集车标图像，基于步骤(1)进行训练图像预处理，基于步骤(2) 提取训练图像像素差矩阵，将所有训练图像中位置坐标相同的区域块所提取的像 素差矩阵联合生成像素差矩阵向量，构建类间散度和类内散度的距离公式，通过 迭代优化学习特征参数，构建特征参数字典；

(4)、特征提取与识别：

针对测试集车标图像，基于步骤(1)进行测试图像预处理，基于步骤(2) 提取测试图像像素差矩阵向量，从步骤(3)得到的特征参数字典当中获取对应 区域块的特征参数，提取特征矩阵，按照预定规则将特征矩阵二值化并生成特征 向量，通过聚类算法，对得到的特征向量进行分类，对车标图像进行识别；

所述的一种基于特征学习的车标识别方法，其特征在于：步骤(2)中，像 素差矩阵的提取过程为：

首先基于步骤(1)得到的车标图像，将图像分割成多个不重叠的Block区 域块，以每个Block区域块为单位，一个Block区域块提取一个像素差矩阵；

然后根据车标图像分割的Block区域块的块数，遍历每一个Block区域块， 并获得Block区域块的初始像素的位置坐标(x，y)，再根据Block区域块的初 始像素的位置坐标，遍历Block区域块当中的每一个像素；

最后对于Block区域块当中的每一个像素x_i，以像素x_i为中心，R为半径， 定义邻域子空间，记为D:D＝{p₁,p₂,p₃……p_{(2*R+1)*(2*R+1)-1}}，其中p_i表示邻域 子空间内邻域像素点的像素值；

将邻域像素点与中心像素点x_i相减得到像素差向量 PDV_i＝{p₁-x_i,p₂-x_i,p₃-x_i……p_{(2*R+1)*(2*R+1)-1}-x_i}，因此，包含M个像素的第k 个Block区域块生成像素差矩阵记为：PDM_k＝{PDV₁,PDV₂,PDV₃……PDV_M}^T。

所述的一种基于特征学习的车标识别方法，其特征在于：步骤(3)中，特 征参数学习的过程为：

针对C类，每类N张的训练集车标图像，对每一张训练图像进行预处理并 分割Block区域块，并提取PDM，

表示训练集第c类中第n张训练图像 当中位置坐标为(i,j)的Block区域块所提取的PDM矩阵；

训练集中所有位置坐标为(i,j)的Block区域块提取的PDM构成一个矩阵向 量：PDM_Vec_(i,j)＝{PDM₁,PDM₂,PDM₃……PDM_C*N}_(i,j)；

对于矩阵向量PDM_Vec(i,j)，存在两个矩阵w和v，使PDM矩阵类间散度最 大，类内散度最小，即：

其中w∈R^PDM.rows*d1,v∈R^{(PDM.cols*d2)}，d1、d2为设置的维度参数；

Mean_c表示c类样本的PDM均值，Mean表示总样本均值，S_w表示类内散 度，S_b表示类间散度，现在定义一个最优化目标函数J_min：

J_min＝trace(S_w-α*S_b)，

当J_min达到最小时，达到类间散度最大，类内散度最小，得到优化的目的， 其中α表示影响系数；

通过迭代优化的方法，求出当J_min最小时，所对应的w和v的值，获得位置 坐标为(i,j)的Block区域块的特征参数矩阵{w,v}_(i,j)；

针对K个Block区域块，学习到相对应的K个{w,v}特征参数矩阵，构建特 征学习字典W∈R^K、V∈R^K。

所述的一种基于特征学习的车标识别方法，其特征在于：步骤(4)中，特 征提取与识别的过程为：

针对C类，每类S张的测试集车标图像，每张测试图像进行预处理并分割 成不重叠的Block区域块，针对位置坐标为(i,j)的Block区域块生成的像素差矩 阵PDM_(i,j)，特征学习字典中存在对应的特征学习参数{w,v}_(i,j)，则有：

将得到的矩阵Mat_(i,j)(Mat_(i,j)∈R^d1*d2)映射成二值化矩阵B(B∈R^d1*d2)：

针对二值化矩阵B，其每一行可以当成一个d2位的二进制数，并此d2位的 二进制数转化成对应的十进制数，因此B被转化成为一维列向量V，V∈R^d1*1， 统计V中每个数出现的频率生成一个1*2^d2维的向量Vec_(i,j)，该向量Vec_(i,j)即为 位置坐标为(i,j)的Block区域块的特征向量，联合从不同位置的Block区域块所 提取的特征向量即为整张测试图像的特征向量Vec；

获取测试集所有车标图像的特征向量，通过非监督聚类算法K-Means对测 试集图像分类，进行车标识别。

与已有技术相比，本发明有益效果体现在：

(1)、本发明通过特征自主学习的方法获取特征提取参数，进而提取特征向 量，因此在面对复杂环境下的车标图像也具有很好的鲁棒性，尤其是在应对卡口 ***这种复杂多变环境下的车标识别，能够达到很好的效果。

(2)、传统的目标识别方法，需要人工设计特征提取算法，面对不同的识别 目标以及识别环境需要丰富的经验去调整和优化算法，缺乏广泛的适用性，本发 明采用特征自主学习的方法进行特征提取，不需要人为地进行算法调整和优化， 因此具有更加广泛的适用性。

附图说明

图1为一种基于特征学习的车标识别方法的流程图。

图2为梯度PDM提取流程图。

具体实施方式

如图1所示，一种基于特征学习的车标识别方法，包括以下步骤：

(1)、车标图像的预处理：

抓拍以获取行车图像，基于车牌的位置和大小对行车图像中的车标进行粗定 位，并截取车标图像；对截取的车标图像进行大小归一化处理后得到车标图像， 如果车标图像是多通道图像则转化成单通道灰度图后再进行归一化处理；

(2)、像素差矩阵PDM提取：

如图2所示，将步骤(1)得到的车标图像分割成不重叠的区域块，对每一 个区域块提取像素差矩阵；

(3)、特征参数学习：

针对训练集车标图像，基于步骤(1)进行训练图像预处理，基于步骤(2) 提取训练图像像素差矩阵，将所有训练图像中位置坐标相同的区域块所提取的像 素差矩阵联合生成像素差矩阵向量，构建类间散度和类内散度的距离公式，通过 迭代优化学习特征参数，构建特征参数字典；

(4)、特征提取与识别：

针对测试集车标图像，基于步骤(1)进行测试图像预处理，基于步骤(2) 提取测试图像像素差矩阵向量，从步骤(3)得到的特征参数字典当中获取对应 区域块的特征参数，提取特征矩阵，按照预定规则将特征矩阵二值化并生成特征 向量，通过聚类算法，对得到的特征向量进行分类，对车标图像进行识别；

本发明步骤(2)中，像素差矩阵的提取过程为：

首先基于步骤(1)得到的车标图像，将图像分割成多个不重叠的Block区 域块，以每个Block区域块为单位，一个Block区域块提取一个像素差矩阵；

然后根据车标图像分割的Block区域块的块数，遍历每一个Block区域块， 并获得Block区域块的初始像素的位置坐标(x，y)，再根据Block区域块的初 始像素的位置坐标，遍历Block区域块当中的每一个像素；

最后对于Block区域块当中的每一个像素x_i，以像素x_i为中心，R为半径， 定义邻域子空间，记为D:D＝{p₁,p₂,p₃……p_{(2*R+1)*(2*R+1)-1}}，其中p_i表示邻域 子空间内邻域像素点的像素值；

将邻域像素点与中心像素点x_i相减得到像素差向量 PDV_i＝{p₁-x_i,p₂-x_i,p₃-x_i……p_{(2*R+1)*(2*R+1)-1}-x_i}，因此，包含M个像素的第k 个Block区域块生成像素差矩阵记为：PDM_k＝{PDV₁,PDV₂,PDV₃……PDV_M}^T。

本发明步骤(3)中，特征参数学习的过程为：

针对C类，每类N张的训练集车标图像，对每一张训练图像进行预处理并 分割Block区域块，并提取PDM，

表示训练集第c类中第n张训练图像 当中位置坐标为(i,j)的Block区域块所提取的PDM矩阵；

训练集中所有位置坐标为(i,j)的Block区域块提取的PDM构成一个矩阵向 量：PDM_Vec_(i,j)＝{PDM₁,PDM₂,PDM₃……PDM_C*N}_(i,j)；

对于矩阵向量PDM_Vec(i,j)，存在两个矩阵w和v，使PDM矩阵类间散度最 大，类内散度最小，即：

其中w∈R^PDM.rows*d1,v∈R^{(PDM.cols*d2)}，d1、d2为设置的维度参数；

Mean_c表示c类样本的PDM均值，Mean表示总样本均值，S_w表示类内散 度，S_b表示类间散度，现在定义一个最优化目标函数J_min：

J_min＝trace(S_w-α*S_b)，

当J_min达到最小时，达到类间散度最大，类内散度最小，得到优化的目的， 其中α表示影响系数；

通过迭代优化的方法，求出当J_min最小时，所对应的w和v的值，获得位置 坐标为(i,j)的Block区域块的特征参数矩阵{w,v}_(i,j)；

针对K个Block区域块，学习到相对应的K个{w,v}特征参数矩阵，构建特 征学习字典W∈R^K、V∈R^K。

本发明步骤(4)中，特征提取与识别的过程为：

针对C类，每类S张的测试集车标图像，每张测试图像进行预处理并分割 成不重叠的Block区域块，针对位置坐标为(i,j)的Block区域块生成的像素差矩 阵PDM_(i,j)，特征学习字典中存在对应的特征学习参数{w,v}_(i,j)，则有：

将得到的矩阵Mat_(i,j)(Mat_(i,j)∈R^d1*d2)映射成二值化矩阵B(B∈R^d1*d2)：

针对二值化矩阵B，其每一行可以当成一个d2位的二进制数，并此d2位的 二进制数转化成对应的十进制数，因此B被转化成为一维列向量V，V∈R^d1*1， 统计V中每个数出现的频率生成一个1*2^d2维的向量Vec_(i,j)，该向量Vec_(i,j)即为 位置坐标为(i,j)的Block区域块的特征向量，联合从不同位置的Block区域块所 提取的特征向量即为整张测试图像的特征向量Vec；

获取测试集所有车标图像的特征向量，通过非监督聚类算法K-Means对测 试集图像分类，进行车标识别。

本发明的独特之处体现在：

1、用基于学习的描述子去替代手工描述子，更好的利用非监督学习算法的 优势，通过自主学习提取特征，避免了人工对算法的调优，节省了时间和精力。

2、相比于同样基于非监督学习的深度学习算法，后者需要大量的训练样本 和训练时间，而本发明有着和传统目标识别算法共同的优势，即不需要大量的训 练样本，且算法收敛速度快，更具有普适价值。

综上，本发明通过自主学习的方法提取目标特征，利用非监督机器学习方法 实现对车标的识别，避免人工算法调优，面对复杂环境下的目标识别更具鲁棒性。

Claims (1)

1.一种基于特征学习的车标识别方法，其特征在于：包括以下步骤：

(1)、车标图像的预处理：

抓拍以获取行车图像，基于车牌的位置和大小对行车图像中的车标进行粗定位，并截取车标图像；对截取的车标图像进行大小归一化处理后得到车标图像，如果车标图像是多通道图像则转化成单通道灰度图后再进行归一化处理；

(2)、像素差矩阵PDM提取：

将步骤(1)得到的车标图像分割成不重叠的区域块，对每一个区域块提取像素差矩阵；

(3)、特征参数学习：

针对训练集车标图像，基于步骤(1)进行训练图像预处理，基于步骤(2)提取训练图像像素差矩阵，将所有训练图像中位置坐标相同的区域块所提取的像素差矩阵联合生成像素差矩阵向量，构建类间散度和类内散度的距离公式，通过迭代优化学习特征参数，构建特征参数字典；

(4)、特征提取与识别

针对测试集车标图像，基于步骤(1)进行测试图像预处理，基于步骤(2)提取测试图像像素差矩阵向量，从步骤(3)得到的特征参数字典当中获取对应区域块的特征参数，提取特征矩阵，按照预定规则将特征矩阵二值化并生成特征向量，通过聚类算法，对得到的特征向量进行分类，对车标图像进行识别；

步骤(2)中，像素差矩阵的提取过程为：

首先基于步骤(1)得到的车标图像，将图像分割成多个不重叠的Block区域块，以每个Block区域块为单位，一个Block区域块提取一个像素差矩阵；

然后根据车标图像分割的Block区域块的块数，遍历每一个Block区域块，并获得Block区域块的初始像素的位置坐标(x，y)，再根据Block区域块的初始像素的位置坐标，遍历Block区域块当中的每一个像素；

最后对于Block区域块当中的每一个像素x_i，以像素x_i为中心，R为半径，定义邻域子空间，记为记为D:D＝{p₁,p₂,p₃……p_{(2*R+1)*(2*R+1)-1}}，其中p₁,p₂,p₃……p_{(2*R+1)*(2*R+1)-1}分别表示邻域子空间内邻域像素点的像素值；

将邻域像素点与中心像素点x_i相减得到像素差向量PDV_i＝{p₁-x_i,p₂-x_i,p₃-x_i……p_{(2*R+1)*(2*R+1)-1}-x_i}，因此，包含M个像素的第k个Block区域块生成像素差矩阵记为：PDM_k＝{PDV₁,PDV₂,PDV₃……PDV_M}^T；

步骤(3)中，特征参数学习的过程为：

针对C类，每类N张的训练集车标图像，对每一张训练图像进行预处理并分割Block区域块，并提取PDM，

表示训练集第c类中第n张训练图像当中位置坐标为(i,j)的Block区域块所提取的PDM矩阵；

训练集中所有位置坐标为(i,j)的Block区域块提取的PDM构成一个矩阵向量：PDM_Vec(_i,j)＝{PDM₁,PDM₂,PDM₃……PDM_C*N}_(i,j)；

对于矩阵向量

存在两个矩阵w和v，使PDM矩阵类间散度最大，类内散度最小，即：

其中w∈R^{(PDM.rows*d1)},v∈R^{(PDM.cols*d2)}，d1、d2为设置的维度参数；

Mean_c表示c类样本的PDM均值，Mean表示总样本均值，S_w表示类内散度，S_b表示类间散度，现在定义一个最优化目标函数J_min：

J_min＝trace(S_w-α*S_b)，

当J_min达到最小时，达到类间散度最大，类内散度最小，得到优化的目的，其中α表示影响系数；

通过迭代优化的方法，求出当J_min最小时，所对应的w和v的值，获得位置坐标为(i,j)的Block区域块的特征参数矩阵{w,v}_(i,j)；

针对K个Block区域块，学习到相对应的K个{w,v}特征参数矩阵，构建特征学习字典W∈R^K、V∈R^K；

步骤(4)中，特征提取与识别的过程为：

针对C类，每类S张的测试集车标图像，每张测试图像进行预处理并分割成不重叠的Block区域块，针对位置坐标为(i,j)的Block区域块生成的像素差矩阵PDM_(i,j)，特征学习字典中存在对应的特征学习参数{w,v}_(i,j)，则有：

将得到的矩阵Mat_(i,j)(Mat_(i,j)∈R^d1*d2)映射成二值化矩阵B(B∈R^d1*d2)：

B＝sgn(Mat)

针对二值化矩阵B，其每一行可以当成一个d2位的二进制数，并此d2位的二进制数转化成对应的十进制数，因此B被转化成为一维列向量V，V∈R^d1*1，统计V中每个数出现的频率生成一个1*2^d2维的向量Vec_(i,j)，该向量Vec_(i,j)即为位置坐标为(i,j)的Block区域块的特征向量，联合从不同位置的Block区域块所提取的特征向量即为整张测试图像的特征向量Vec；

获取测试集所有车标图像的特征向量，通过非监督聚类算法K-Means对测试集图像分类，进行车标识别。

Images