基于hu不变矩实现车标自动识别的方法
【技术领域】
[0001]本发明涉及图像处理领域，尤其涉及车标图像识别领域，具体是指一种基于HU不变矩实现车标自动识别的方法。
【背景技术】
[0002]社会经济的发展促使道路交通迅速发展，机动车数量不断增加。伴随着机动车数量不断增加，盗抢机动车、利用机动车犯罪等类型案件也显著增加，引起了全社会的关注。盗抢车辆案犯往往以小客车、特别是中、高档轿车作为作案重点，得手后通过更换车辆牌照，改变车辆外观如改变车辆颜色等，迅速逃往外地进行销赃、使用。目前公安部门在得到失主报警后，在各个治安网点布控的方法主要靠人眼观察车牌号、颜色，又由于不能使停车检查车辆的比例过大，因此侦破率很低。
[0003]为了解决交通迅速发展所引发的各种问题，智能交通系统被提到了重要位置。计算机视觉作为智能交通系统中的一项重要技术，受到越来越多的重视。运动车辆类型精确识别系统的核心技术主要包括车牌识别和车型识别两个方面的内容。在车型识别系统中，可以按照车辆大小或汽车标志将车辆进行分类。
[0004]目前车标识别最常用的特征是PCA结合模板匹配或者Adaboost模型的方案。PCA是基于主元分析的特征提取，把所有的不同车标的样本放在一起提取，以所有车标样本最优重建为目的。模板匹配是最常用的识别方法之一，简单、直接。Adaboost是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。
[0005]PCA除了计算量大之外，它对于车标样本之间的差异而言存在着明显的缺陷，从这方面讲它来描述车标识别的特征是不充分的。模板匹配不具有旋转不变性、不具有尺度不变性；Adab00st因为其非线性的组合，能够适合很复杂的分界面，但是一定要有足够的训练样本。
【发明内容】
[0006]本发明的目的是克服了上述现有技术的缺点，提供了一种能够实现根据图像不变矩的特点利用神经网络模型进行车标识别、全天识别准确率超过80%、具有更广泛应用范围的基于HU不变矩实现车标自动识别的方法。
[0007]为了实现上述目的，本发明的基于HU不变矩实现车标自动识别的方法具有如下构成:
[0008]该基于HU不变矩实现车标自动识别的方法，其主要特点是，所述的方法包括以下步骤:
[0009](I)获取车标大致区域的图像并进行图像二值化处理得到车标大致区域的二值化图像；
[0010](2)在所述的车标大致区域的二值化图像中确定车标精确位置的图像；
[0011](3)计算所述的车标精确位置的图像中的HU不变矩特征；
[0012](4)根据所述的HU不变矩特征确定车标识别结果。
[0013]较佳地，所述的获取车标大致区域的图像，包括以下步骤:
[0014](11)对车身上的车牌进行识别得到车牌位置信息；
[0015](12)根据车身的车牌与车标的拓扑结构获取车标大致区域的图像。
[0016]较佳地，所述的进行图像二值化处理得到车标大致区域的二值化图像，包括如下步骤:
[0017](13)将车标大致区域的彩色图像转换为灰度图像；
[0018](14)对车标大致区域的灰度图像进行图像二值化处理得到车标大致区域的二值化图像。
[0019]较佳地，所述的在所述的车标大致区域的二值化图像中确定车标精确位置的图像，包括以下步骤:
[0020](21)计算所述的车标大致区域的二值化图像中的边缘信息；
[0021](22)结合所述的边缘信息和所述的二值化图像的二值信息对车标进行定位并得到车标精确位置的图像。
[0022]更佳地，所述的根据所述的HU不变矩特征确定车标识别结果，具体为:
[0023]根据所述的边缘信息和HU不变矩特征组成的特征向量确定车标识别结果。
[0024]更进一步地，所述的根据所述的边缘信息和HU不变矩特征组成的特征向量确定车标识别结果，具体为:
[0025]将所述的边缘信息和HU不变矩特征组成的特征向量输入神经网络模型并输出车标结果。
[0026]采用了该发明中的基于HU不变矩实现车标自动识别的方法，具有如下有益效果:
[0027]利用车标与车牌的位置关系，根据车标区域边缘特征进行车标定位，根据图像不变矩的特点，利用神经网络模型进行车标识别，识别效果较好。本发明已经将代码合成至DSP相机中，并于现场实施测试，白天识别准确率为82%，晚上识别准确率为80%，全天识别准确率超过80%，目前已经用于现场项目，具有更广泛的应用范围。
【附图说明】
[0028]图1为本发明的基于HU不变矩实现车标自动识别的方法的流程图。
[0029]图2为本发明的基于HU不变矩实现车标自动识别的方法的详细流程图。
【具体实施方式】
[0030]为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
[0031]正是由于存在上述【背景技术】中的问题，本专利提出了一种基于HU不变矩结合神经网络进行车标自动识别的技术。
[0032]由于车本身固有的特殊性目标小、相似性大、受尺寸和光照影响大、背景不统一以及不同汽车公司的车标形状大小不一致等，使得其精确定位识别成为一个难点。但是大部分车标集中在车牌正上方，所以该方法是利用车牌识别结果得到车牌位置信息，根据车牌与车标的拓扑结构，得到车标待识别区域，此举避免了非车辆干扰，同时缩小了车标检测范围，可以进一步提闻识别率。
[0033]对车标待识别区域的彩色图像转化为灰度图像，然后对灰度图像进行二值化处理，根据边缘信息和二值信息精确得到车标区域，计算该区域的HU不变矩特征，由于HU矩具有对图像的旋转、平移和尺度变化的不变性，所以提取得到的车标特征更具有分类判别性，提闻判别效果。
[0034]由于HU不变矩只有7个特征值，特征量较少，再结合边缘信息特征，组成特征向量，输入神经网络模型。神经网络有很强的非线性拟合能力，学习规则简单，便于计算机实现。
[0035]以上方式可以在有限的样本下，快速有效的进行车标识别，达到实时应用的要求。如图1和图2所示，为本发明的基于HU不变矩实现车标自动识别的方法的流程图。
[0036](I)获取车标大致区域的图像并进行图像二值化处理得到车标大致区域的二值化图像；
[0037]具体包括以下四个子步骤:
[0038](11)利用车牌识别结果得到车牌位置信息；
[0039](12)根据车牌与车标的拓扑结构，即大部分车标集中在车牌正上方，得到车标大致区域；
[0040](13)将车标大致区域的彩色图像转换为灰度图像；
[0041](14)对车标大致区域进行图像二值化处理，去除光线等影响；
[0042](2)在车标大致区域的二值化图像中确定车标精确位置的图像；
[0043]具体包括以下两个子步骤:
[0044](21)计算车标大致区域的二值化图像中的边缘信息；
[0045](22)结合边缘信息和二值信息精确定位车标位置；
[0046](3)计算定位后的车标区域的HU不变矩特征；
[0047](4)结合边缘信息和HU不变矩特征组成特征向量，输入神经网络模型，输出车标识别结果。
[0048]采用了该发明中的基于HU不变矩实现车标自动识别的方法，具有如下有益效果:
[0049]利用车标与车牌的位置关系，根据车标区域边缘特征进行车标定位，根据图像不变矩的特点，利用神经网络模型进行车标识别，识别效果较好。本发明已经将代码合成至DSP相机中，并于现场实施测试，白天识别准确率为82%，晚上识别准确率为80%，全天识别准确率超过80%，目前已经用于现场项目，具有更广泛的应用范围。
[0050]在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。
【主权项】
1.一种基于HU不变矩实现车标自动识别的方法，其特征在于，所述的方法包括以下步骤: (1)获取车标大致区域的图像并进行图像二值化处理得到车标大致区域的二值化图像； (2)在所述的车标大致区域的二值化图像中确定车标精确位置的图像； (3)计算所述的车标精确位置的图像中的HU不变矩特征； (4)根据所述的HU不变矩特征确定车标识别结果。
2.根据权利要求1所述的基于HU不变矩实现车标自动识别的方法，其特征在于，所述的获取车标大致区域的图像，包括以下步骤: (11)对车身上的车牌进行识别得到车牌位置信息； (12 )根据车身的车牌与车标的拓扑结构获取车标大致区域的图像。
3.根据权利要求1所述的基于HU不变矩实现车标自动识别的方法，其特征在于，所述的进行图像二值化处理得到车标大致区域的二值化图像，包括如下步骤: (13)将车标大致区域的彩色图像转换为灰度图像； (14)对车标大致区域的灰度图像进行图像二值化处理得到车标大致区域的二值化图像。
4.根据权利要求1所述的基于HU不变矩实现车标自动识别的方法，其特征在于，所述的在所述的车标大致区域的二值化图像中确定车标精确位置的图像，包括以下步骤: (21)计算所述的车标大致区域的二值化图像中的边缘信息； (22)结合所述的边缘信息和所述的二值化图像的二值信息对车标进行定位并得到车标精确位置的图像。
5.根据权利要求4所述的基于HU不变矩实现车标自动识别的方法，其特征在于，所述的根据所述的HU不变矩特征确定车标识别结果，具体为: 根据所述的边缘信息和HU不变矩特征组成的特征向量确定车标识别结果。
6.根据权利要求5所述的基于HU不变矩实现车标自动识别的方法，其特征在于，所述的根据所述的边缘信息和HU不变矩特征组成的特征向量确定车标识别结果，具体为: 将所述的边缘信息和HU不变矩特征组成的特征向量输入神经网络模型并输出车标结果O
【专利摘要】本发明涉及一种基于HU不变矩实现车标自动识别的方法，其中包括获取车标大致区域的图像并进行图像二值化处理得到车标大致区域的二值化图像；在所述的车标大致区域的二值化图像中确定车标精确位置的图像；计算所述的车标精确位置的图像中的HU不变矩特征；根据所述的HU不变矩特征确定车标识别结果。采用该种基于HU不变矩实现车标自动识别的方法，可以实现利用车标与车牌的位置关系，根据车标区域边缘特征进行车标定位，根据图像不变矩的特点，利用神经网络模型进行车标识别，识别效果较好，在现场识别测试中，白天识别准确率为82%，晚上识别准确率为80%，全天识别准确率超过80%，目前已经用于现场项目，具有更广泛的应用范围。
【IPC分类】G06N3-02, G06K9-62
【公开号】CN104657738
【申请号】CN201310597970
【发明人】张慧
【申请人】上海宝康电子控制工程有限公司
【公开日】2015年5月27日
【申请日】2013年11月22日