CN111626230B - 一种基于特征增强的车标识别方法及*** - Google Patents
一种基于特征增强的车标识别方法及*** Download PDFInfo
- Publication number
- CN111626230B CN111626230B CN202010472817.4A CN202010472817A CN111626230B CN 111626230 B CN111626230 B CN 111626230B CN 202010472817 A CN202010472817 A CN 202010472817A CN 111626230 B CN111626230 B CN 111626230B
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- map
- self
- features
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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
本发明公开了一种基于特征增强的车标识别方法及***,属于图像识别技术领域,本发明方法为先对车标图像进行预处理得到处理图像,再提取处理图像的整体特征和自对称相似度特征;再对处理图像进行处理得到显著性图,再根据显著性图得到局部显著块,之后对局部显著块进行提取得到局部显著块特征;之后对特征进行融合得到最终特征;对最终特征进行识别得到车标识别结果。本发明***为预处理单元和特征融合单元分别与特征提取单元连接,且特征融合单元与识别单元连接。本发明的目的在于克服现有技术中,车标的识别准确率较低的不足,本发明可以提高车标的识别准确率,进一步可以在训练样本少的情况下,实现对车标的高效识别,具有更好的车标识别效果。
Description
技术领域
本发明涉及图像识别领域,更具体地说,涉及一种基于特征增强的车标识别方法及***。
背景技术
在智能交通***中,车辆的信息识别是重要组成部分,其中车标识别发挥着重要的作用。车标是车辆的显著性标志,代表性强,不容易损坏或者篡改,它可以很好地表征车辆信息,能够在交通监控***、车辆跟踪、车辆识别中起到重要的支撑作用。现有技术中,对车标的识别大都是基于一些经典算法的改进,对实际道路图像往往不具备较好的识别效果。这是因为在交通***中,通过道路监控***捕捉的过往车辆图像往往受到多种外界因素的影响,使得图像质量较低,出现光照不匀、阴影、噪声和模糊等问题;此外,基于实际道路图像定位得到的车标图像具有较小的分辨率,影响识别的效果;再者,虽然车标定位技术已经逐渐成熟,但仍无法达到完全精确的定位,分割得到的车标图像会出现在图像中位置偏移或者占比小等情况,冗余的背景信息也会对识别效果造成一定的影响。
针对上述问题,现有技术中也给出一些解决方案,例如发明创造名称为:一种车标识别方法及车标识别***(申请日:2015年9月17日;申请号:201510599186.1),该方案公开了一种车标识别方法及车标识别***,方法包括:从图像中识别车牌位置,根据车牌与车标的位置关系,初步确定待识别车标图像,然后进行形态学图像处理,得到精确的待识别车标图像,并判断待识别车标图像所属类型,随后将待识别图像与标准库中对应类型的车标模板图像进行模板匹配和不变矩特征匹配,并加权计算出最终的匹配***,根据最大的最终匹配系数与给定阈值的比较结果,输出车标识别结果。本发明根据车牌位置初步确定车标位置,在根据形态学变换精定位车标,利用模板匹配和特征匹配相结合实现车标识别,逐层定位和识别,算法简单,内存消耗少,处理速度快。但是,该方案的不足之处在于:该方案中在计算模板匹配系数时对车标图像有一定的限制,当车标在图像中位置偏移或者占比偏小时,其匹配结果会受到很大的影响。
此外,还有发明创造名称为:一种基于点对特征的车标识别(申请日:2015年8月14日;申请号:2015105004906),该方案公开了一种基于点对特征的车标识别方法,首先对车标图案进行预处理,通过前后背景的判断、二值化和归一化,形成车标的标准图案;然后基于标准图案,提取前后背景中的骨架区域,通过随机取点进行特征点对的提取,形成标准点对;通过从实际卡口图像中截取的车标样本,进行特征点对有效性的判断,将有效点对存入数据库,形成特征点对数据库,同时计算各类车标判断的阈值;提取数据库中的特征点对模板,与车标候选区域进行多尺度匹配,从而进行车标的识别。该方案对卡口图像中的车标识别提出了具体的识别方案,识别的结果正确率很高,可以满足实际智能交通***的需要。但是该方案的不足之处在于:该方案仅考虑前景背景骨架中的随机点对信息,忽略了整体特征,当车标图像中骨架区域受到局部光照或者阴影影响时,识别效果不具有稳定性。
综上所述,如何提高车标的识别准确率,是现有技术亟需解决的问题。
发明内容
1.要解决的问题
本发明的目的在于克服现有技术中,车标的识别准确率较低的不足,提供了一种基于特征增强的车标识别方法及***,可以提高车标的识别准确率,进一步可以在训练样本少的情况下,实现对车标的高效识别,具有更好的车标识别效果。
2.技术方案
为了解决上述问题,本发明所采用的技术方案如下:
本发明的一种基于特征增强的车标识别方法,包括输入车标图像并进行预处理得到处理图像;再提取处理图像的整体特征和自对称相似度特征;然后对处理图像进行背景消除得到幅值图,根据幅值图计算得到显著性图,再根据显著性图对处理图像进行分割得到局部显著块,之后对局部显著块进行特征提取得到局部显著块特征;之后将整体特征、自对称相似度特征和局部显著块特征进行融合得到最终特征;最后对最终特征进行识别得到车标识别结果。
对车标图像进行预处理的具体过程为:对车标图像进行归一化处理得到标准大小的图像,再对图像进行灰度化处理得到处理图像;其中,图像的标准大小为w0×h0,w0表示图像的宽度,h0表示图像的高度。
将第个至第k个滑动窗口的图像进行翻转,再提取所有滑动窗口内图像的HOL特征[f(1),f(2),…f(k)];依次以为基准特征,计算基准特征与中各个HOL特征之间的欧氏距离,并将计算所得的欧氏距离中的最小值作为该基准特征对应的自对称相似度特征;之后从各自对应的自对称相似度特征中选取最小值作为处理图像的自对称相似度特征。
更进一步地,对处理图像进行背景消除得到幅值图的具体过程为:利用边缘检测算子对处理图像进行水平方向和垂直方向的滤波得到幅值图。
更进一步地,根据幅值图计算得到显著性图的具体过程为:设幅值图为W,令g=(i,j)为幅值图W中的像素点,每个像素点对应的邻域块为p(g),根据以下公式计算邻域块的强度值:
其中,Wij为邻域块内像素点的幅值;
计算所有像素点对应的强度值得到强度图;再根据强度图计算得到显著性图。
更进一步地,根据强度图计算得到显著性图的具体过程为:
再以质心g0=(Mx,My)位置的邻域块为基准,通过下述公式计算其它邻域块与基准邻域块之间相似度s和位置距离d,并得到对应的相关度f:
s=|T(g)-T(g0)|2
其中,ex=t*w,ey=t*h;再根据相关度f得到显著性特征值R(g)=1-exp(-r*f(p(g),p(g0))),其中,t和r为系数;之后根据显著性特征值得到显著性图。
更进一步地,利用CRC分类器对最终特征进行识别得到车标识别结果。
本发明的一种基于特征增强的车标识别***,采用上述的一种基于特征增强的车标识别方法。更进一步地,包括预处理单元,特征提取单元、特征融合单元和识别单元,预处理单元和特征融合单元分别与特征提取单元连接,且特征融合单元与识别单元连接;其中,特征提取单元用于提取整体特征、自对称相似度特征和局部显著块特征。
更进一步地,特征提取单元包括整体特征提取模块、自对称相似度特征提取模块和局部显著块特征提取模块,整体特征提取模块、自对称相似度特征提取模块和局部显著块特征提取模块分别与特征融合单元相连接。
3.有益效果
相比于现有技术,本发明的有益效果为:
(1)本发明的一种基于特征增强的车标识别方法,通过整体特征可以获取车标图像的有效特征,通过自对称相似度特征可以表征车标的对称特性,再通过局部显著块特征可以提取车标图像中具有密集特征的局部信息,即通过整体特征、自对称相似度特征和局部显著块特征可实现对车标图像特征的全面有效描述,从而可以对车标进行高效识别,进一步提高了实际场景下车标的识别效果。
(2)本发明的一种基于特征增强的车标识别***,通过特征提取单元可以提取车标图像的整体特征、自对称相似度特征和局部显著块特征,从而可以获取车标图像的有效特征信息,进而可以提高对车标的识别效果。
附图说明
图1为本发明一种基于特征增强的车标识别方法流程示意图;
图2为本发明一种基于特征增强的车标***结构示意图。
示意图中的标号说明:
100、预处理单元;200、特征提取单元;210、整体特征提取模块;220、自对称相似度特征提取模块;230、局部显著块特征提取模块;300、特征融合单元;400、识别单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例;而且,各个实施例之间不是相对独立的,根据需要可以相互组合,从而达到更优的效果。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
结合图1所示,本发明的一种基于特征增强的车标识别方法,具体包括以下步骤:
1)预处理车标图像
输入车标图像并进行预处理得到处理图像;具体地,输入的车标图像为各种摄像设备所拍下的车标图像;对车标图像进行预处理的具体过程为:先对车标图像进行归一化处理得到标准大小的图像,再对图像进行灰度化处理得到处理图像;其中,图像的标准大小为w0×h0,w0表示图像的宽度,h0表示图像的高度,该w0和h0为像素值。值得说明的是,由于输入的车标图像大小不同会对特征提取造成影响,因此先将车标图像缩小或者放大为标准大小,本实施例中图像的标准大小为64×64;此外,图像经灰度化处理后由三通道的彩色图像转为单通道灰色图像。
2)特征提取
i)基于HOL特征提取处理图像的整体特征,具体过程为:首先将处理图像划分为J×J个小区域,每Z×Z个小区域组合成一个块,块与块之间互相重叠。本实施例中将处理图像划分为8×8个小区域,每2×2个小区域组合成一个块,相邻块之间重叠率为50%。然后使用具有12个方向的大小相同的Gabor滤波模板对图像进行滤波,则处理图像中的每个像素点都得到12个幅值,选择最小的幅值及其对应的方向进行下一步操作。
进一步地,对于每一个小区域,根据每个像素点的方向将其幅值在对应的12个方向中进行累加来计算其特征向量;对于每个块,将其包含的2×2个小区域的特征向量串联起来得到其特征,最后将所有块的特征串联起来得到处理图像的整体特征。
将第个至第k个滑动窗口内的图像进行翻转,再提取所有滑动窗口内图像的HOL特征[f(1),f(2),…f(k)];值得说明的是,滑动窗口内的图像进行翻转具体是将滑动窗口内的像素以窗口中心轴为轴进行左右对换,本实施例将位于图像中心轴右侧的滑动窗口进行翻转。而后根据HOL特征计算图像中心轴两侧的滑动窗口之间的最小欧氏距离,该最小欧氏距离即为自对称相似度特征;即依次以为基准特征,计算基准特征与中各个HOL特征之间的欧氏距离,并将计算所得的欧氏距离中的最小值作为该基准特征对应的自对称相似度特征;之后从各自对应的自对称相似度特征中选取最小值作为处理图像的自对称相似度特征。具体步骤如下:
以f(1)为基准特征,计算HOL特征至f(k)各自与f(1)的欧氏距离,从所有距离值中选取最小距离值作为f(1)对应的自对称相似度特征;再以f(2)作为基准特征,计算HOL特征至f(k)各自与f(2)的欧氏距离,从所有距离值中选取最小距离值作为f(2)对应的自对称相似度特征;根据上述步骤循环计算,直至计算得到对应的自对称相似度特征;值得说明的是,每一次计算得到的自对称相似度特征都与上一次计算得到的自对称相似度特征进行比较选择较小值作为预选的自对称相似度特征,即处理图像最终的自对称相似度特征为所得自对称相似度特征中的最小值。
值得说明的是,根据自对称相似度特征可以获取车标图像的对称信息,即可以将车标图像的对称结构或非对称结构作为一种有效判别信息,辅助车标图像的分类和识别,从而可以提高对车标的识别准确率。
ii)提取局部显著块特征的具体步骤为:先对处理图像进行背景消除得到幅值图,根据幅值图计算得到显著性图,再根据显著性图对处理图像进行分割得到局部显著块,之后对局部显著块进行提取得到局部显著块特征。值得说明的是,对处理图像进行背景消除得到幅值图的具体过程为:对处理图像进行水平方向和垂直方向的滤波得到幅值图;本实施例中采用Prewitt边缘检测算子和方向模板Q对处理图像的背景进行消除,具体地,
Q=[-1 1]
其中,P和PT分别为Prewitt边缘检测算子垂直和水平方向上的模板,Q为方向模板。Wx和Wy为得到的水平和垂直方向上的幅值图。再计算Wx和Wy的强度值E,其中,Wij为像素点(i,j)处的幅值;将Wx对应的强度值与Wy对应的强度值进行比较,选择较小值对应的幅值图进行下一步处理。
根据幅值图计算得到显著性图的具体过程为:设幅值图为W,令g=(i,j)为幅值图W中的像素点,每个像素点对应的邻域块为p(g),值得说明的是,邻域块是以像素点为中心的a×a大小的图像块,本实施例中邻域块的大小为17×17。
p(g)的强度计算方式为其中Wij为邻域块内像素点的幅值;计算所有像素点的邻域块强度得到与幅值图W大小相同的强度图T。其中,为了计算边缘像素点对应的像素邻域块的强度,将幅值图W向四周扩展并以0填充。值得说明的是,强度图可以凸显图像中具有显著性的密集特征,同时,由于图像中的显著性区域是多个邻域块组成,邻域块之间的距离和相似度也可以反映出不同邻域块同属于显著性区域的可能性。当邻域块之间的距离越小,相似度越大,则邻域块同属于显著区域的可能越大。
为了表示不同像素点对应的邻域块属于显著性区域的可能,首先计算强度图的质心,质心在水平方向上的位置在垂直方向上的位置其中w和h为强度图的宽和高,且w=w0,h=h0;S(x,y)为(x,y)位置处对应的强度值;以质心g0=(Mx,My)位置的邻域块为基准,通过距离公式计算其它邻域块与基准邻域块之间相似度s和位置距离d,并得到对应的相关度f,式中ex和ey与图像的宽和高相关,ex=t*w,ey=t*h。
具体计算距离公式为:
s=|T(g)-T(g0)|2
再根据相关度f得到显著性特征值R(g)=1-exp(-r*f(p(g),p(g0))),值得说明的是,t和r均为系数,用以控制显著性区域内的特征值在理想范围内;本实施例中t=0.1,r=20;再根据显著性特征值即可得到最终的显著性图。之后将显著性图的显著性区域映射到处理图像上以分割得到局部显著块,具体地,将显著性图二值化并获得其中的角点,基于角点间的相对位置获得显著性区域的外接矩形框,将外接矩形框的位置映射到处理图像上来分割局部显著块,最后对局部显著块进行HOL特征提取得到局部显著块特征。值得说明的是,对于整体特征、自对称相似度特征和局部显著块特征的提取顺序没有特定要求,比如也可以先提取局部显著块特征,再提取整体特征和自对称相似度特征。
3)特征融合
将整体特征、自对称相似度特征和局部显著块特征进行融合得到最终特征;具体地,采用特征拼接的方式将整体特征、自对称相似度特征和局部显著块特征串联起来得到最终的特征。
4)特征识别
CRC分类器对最终特征进行识别得到车标识别结果;值得说明的是,本发明中采用训练集和测试集对CRC分类器进行训练和分类,具体地,训练集和测试集中分别包含有若干张车标图像,然后基于上述步骤,可以获得车标图像对应的最终特征;然后利用训练集和测试集中车标图像对应的最终特征对CRC分类器进行训练和分类。之后CRC分类器可以根据车标图像的最终特征识别对应的车标图像。值得说明的是,本发明的CRC分类器可以在小训练样本下实现快速分类,在一定程度上满足了实时、高效的车标识别过程。
本发明的一种基于特征增强的车标识别方法,通过整体特征可以获取车标图像的有效特征,通过自对称相似度特征可以表征车标的对称特性,再通过局部显著块特征可以提取车标图像中具有密集特征的局部信息,即通过整体特征、自对称相似度特征和局部显著块特征可实现对车标图像特征的全面有效描述,从而可以对车标进行高效识别,进一步提高了实际场景下车标的识别效果。
本发明的一种基于特征增强的车标识别***,包括预处理单元100、特征提取单元200、特征融合单元300和识别单元400,预处理单元100和特征融合单元300分别与特征提取单元200连接,且特征融合单元300与识别单元400连接;值得说明的是,预处理单元100用于对车标图像进行归一化处理以及灰度化处理得到处理图像。特征提取单元200用于提取整体特征、自对称相似度特征和局部显著块特征,具体地,特征提取单元200包括整体特征提取模块210、自对称相似度特征提取模块220和局部显著块特征提取模块230,整体特征提取模块210、自对称相似度特征提取模块220和局部显著块特征提取模块230分别与特征融合单元300相连接。
此外,特征融合单元300用于融合整体特征、自对称相似度特征和局部显著块特征得到最终特征;识别单元400用于对最终特征进行识别得到车标识别结果,具体地,识别单元400采用CRC分类器对最终特征进行识别,值得说明的是,通过采用CRC分类器可以实现对车标图像的快速高效识别。
本发明的一种基于特征增强的车标识别***,通过特征提取单元200可以提取车标图像的整体特征、自对称相似度特征和局部显著块特征,从而可以获取车标图像的有效特征信息,进而可以提高对车标的识别效果。
在上文中结合具体的示例性实施例详细描述了本发明。但是,应当理解,可在不脱离由所附权利要求限定的本发明的范围的情况下进行各种修改和变型。详细的描述和附图应仅被认为是说明性的,而不是限制性的,如果存在任何这样的修改和变型,那么它们都将落入在此描述的本发明的范围内。此外,背景技术旨在为了说明本技术的研发现状和意义,并不旨在限制本发明或本申请和本发明的应用领域。
Claims (7)
1.一种基于特征增强的车标识别方法,其特征在于,包括
输入车标图像并进行预处理得到处理图像;
将第个至第k个滑动窗口内的图像进行翻转,再提取所有滑动窗口内图像的HOL特征[f(1),f(2),…f(k)];依次以f(1),f(2),…为基准特征,计算基准特征与中各个HOL特征之间的欧氏距离,并将计算所得的欧氏距离中的最小值作为该基准特征对应的自对称相似度特征;之后从f(1),f(2),…各自对应的自对称相似度特征中选取最小值作为处理图像的自对称相似度特征;
对处理图像进行背景消除得到幅值图,根据幅值图计算得到显著性图,根据幅值图计算得到显著性图的具体过程为:设幅值图为W,令g=(i,j)为幅值图W中的像素点,每个像素点对应的邻域块为p(g),根据以下公式计算邻域块的强度值:
其中,Wij为邻域块内像素点的幅值;
根据所有像素点对应的强度值得到强度图;再根据强度图计算得到显著性图;根据强度图计算得到显著性图的具体过程为:
再以质心g0=(Mx,My)位置的邻域块为基准,通过下述公式计算其它邻域块与基准邻域块之间相似度s和位置距离d,并得到对应的相关度f:
s=|T(g)-T(g0)|2
其中,ex=t*w,ey=t*h;再根据相关度f得到显著性特征值R(g)=1-exp(-r*f(p(g),(g0))),其中,t和r为系数;之后根据显著性特征值得到显著性图;
再根据显著性图对处理图像进行分割得到局部显著块,之后对局部显著块进行特征提取得到局部显著块特征;
将整体特征、自对称相似度特征和局部显著块特征进行融合得到最终特征;
对最终特征进行识别得到车标识别结果。
2.根据权利要求1所述的一种基于特征增强的车标识别方法,其特征在于,对车标图像进行预处理的具体过程为:对车标图像进行归一化处理得到标准大小的图像,再对图像进行灰度化处理得到处理图像;其中,图像的标准大小为w0×h0,w0表示图像的宽度,h0表示图像的高度。
3.根据权利要求1所述的一种基于特征增强的车标识别方法,其特征在于,对处理图像进行背景消除得到幅值图的具体过程为:利用边缘检测算子对处理图像进行水平方向和垂直方向的滤波得到幅值图。
4.根据权利要求1~3任一项所述的一种基于特征增强的车标识别方法,其特征在于,利用CRC分类器对最终特征进行识别得到车标识别结果。
5.一种基于特征增强的车标识别***,其特征在于,采用权利要求1~4任一项所述的一种基于特征增强的车标识别方法。
6.根据权利要求5所述的一种基于特征增强的车标识别***,其特征在于,包括预处理单元、特征提取单元、特征融合单元和识别单元,所述预处理单元和特征融合单元分别与特征提取单元连接,且所述特征融合单元与识别单元连接;其中,所述特征提取单元用于提取整体特征、自对称相似度特征和局部显著块特征。
7.根据权利要求6所述的一种基于特征增强的车标识别***,其特征在于,所述特征提取单元包括整体特征提取模块、自对称相似度特征提取模块和局部显著块特征提取模块,所述整体特征提取模块、自对称相似度特征提取模块和局部显著块特征提取模块分别与特征融合单元相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010472817.4A CN111626230B (zh) | 2020-05-29 | 2020-05-29 | 一种基于特征增强的车标识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010472817.4A CN111626230B (zh) | 2020-05-29 | 2020-05-29 | 一种基于特征增强的车标识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626230A CN111626230A (zh) | 2020-09-04 |
CN111626230B true CN111626230B (zh) | 2023-04-14 |
Family
ID=72258078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010472817.4A Active CN111626230B (zh) | 2020-05-29 | 2020-05-29 | 一种基于特征增强的车标识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626230B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN105205444A (zh) * | 2015-08-14 | 2015-12-30 | 合肥工业大学 | 一种基于点对特征的车标识别方法 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN110472658A (zh) * | 2019-07-05 | 2019-11-19 | 哈尔滨工程大学 | 一种动目标多源探测的层次融合与提取方法 |
-
2020
- 2020-05-29 CN CN202010472817.4A patent/CN111626230B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205444A (zh) * | 2015-08-14 | 2015-12-30 | 合肥工业大学 | 一种基于点对特征的车标识别方法 |
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*** |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN110472658A (zh) * | 2019-07-05 | 2019-11-19 | 哈尔滨工程大学 | 一种动目标多源探测的层次融合与提取方法 |
Non-Patent Citations (1)
Title |
---|
抗模糊特征提取策略下的车标识别;贺敏雪等;《中国图象图形学报》(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111626230A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019196130A1 (zh) | 面向车载热成像行人检测的分类器训练方法和装置 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
WO2019196131A1 (zh) | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 | |
CN103077407B (zh) | 车标定位识别方法及*** | |
CN112819094B (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
CN103093201B (zh) | 车标定位识别方法及*** | |
Huang et al. | Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads | |
CN103699905B (zh) | 一种车牌定位方法及装置 | |
CN102509098B (zh) | 一种鱼眼图像车辆识别方法 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN109460722B (zh) | 一种车牌智能识别方法 | |
Prates et al. | Brazilian license plate detection using histogram of oriented gradients and sliding windows | |
Islam et al. | Automatic vehicle number plate recognition using structured elements | |
CN111027544B (zh) | 一种基于视觉显著性检测的mser车牌定位方法及*** | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
Asgarian Dehkordi et al. | Vehicle type recognition based on dimension estimation and bag of word classification | |
WO2013026205A1 (en) | System and method for detecting and recognizing rectangular traffic signs | |
CN110516666B (zh) | 基于mser和isodata相结合的车牌定位方法 | |
Dhar et al. | Bangladeshi license plate recognition using adaboost classifier | |
CN112347967B (zh) | 一种复杂场景下融合运动信息的行人检测方法 | |
WO2017161544A1 (zh) | 一种基于单摄像头视频序列匹配的车辆测速方法及其*** | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN113053164A (zh) | 一种利用环视图像的车位识别方法 | |
CN111626230B (zh) | 一种基于特征增强的车标识别方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |