專利名稱：識別車標的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及車輛檢測領(lǐng)域，特別是指一種識別車標的方法。
背景技術(shù)：
車牌識別技術(shù)被廣泛應(yīng)用在交通監(jiān)測，高速公路卡口收費，闖紅燈違章車輛監(jiān)控及小區(qū)自動收費系統(tǒng)中。目前追查套牌車輛的最常用方法是由計算機自動識別出車牌號，然后查詢數(shù)據(jù)庫是否是套牌嫌疑車輛。但是車牌受部分遮擋、污跡、變形以及環(huán)境光照變化大等因素影響時，識別精度大大降低，誤差大，給交警執(zhí)法和車主帶來不便?，F(xiàn)有技術(shù)只能識別車牌，不能對車標識別，識別車輛的身份的正確率較低。

發(fā)明內(nèi)容
本發(fā)明提出了一種識別車標的方法，以解決上述現(xiàn)有技術(shù)不能對車標進行識別的問題。為了達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的:從拍攝的圖像中采集車標圖像區(qū)域；在所述車標圖像區(qū)域?qū)?yīng)的全部特征點中，采用PCA分析法提取包括多個特征點的集合；將所述提取的多個特征點集合與多個車標圖像各自對應(yīng)特征點集合進行匹配；確定匹配的特征點數(shù)量最多的集合；將所述確定的集合對應(yīng)的車標作為識別到的車標。通過上述步驟，可提取出車標圖像，通過與預(yù)先存儲的車標圖像的匹配，將匹配成功的車標作為最終的識別結(jié)果。通過對車標的有效識別，可提高車輛識別的正確率。


為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是實施例的流程圖；圖2是采用PCA和KNN算法的識別車標的流程圖。
具體實施例方式為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
參見圖1，本發(fā)明的實施例包括以下步驟:Sll:從拍攝的圖像中采集車標圖像區(qū)域；S12:在所述車標圖像區(qū)域?qū)?yīng)的全部特征點中，采用PCA分析法提取包括多個特征點的集合；S13:將所述提取的多個特征點集合與多個車標圖像各自對應(yīng)特征點集合進行匹配；S14:確定匹配的特征點數(shù)量最多的集合；S15:將所述確定的集合對應(yīng)的車標作為識別到的車標。通過上述步驟，可提取出車標圖像，通過與預(yù)先存儲的車標圖像的匹配，將匹配成功的車標作為最終的識別結(jié)果。通過對車標的有效識別，可提高車輛識別的正確率。下面詳細說明實施例的各個步驟。參見圖2，包括:S21:拍攝多張車標圖像；將拍攝裝置安裝于公路路口、收費站、停車場或其它要求的位置，對車輛進行圖像采集，得到含有車標圖像的原始圖像；S22:對各個車標圖像進行預(yù)處理；處理后的圖像制作車標模板圖像，具體方法為事先對含有全部車型的車標進行高清晰度拍攝，截取圖像中的車標部分，并對車標類型進行排列，組成車標模板圖像；例如:拍攝不同品牌的汽車車頭的圖像，獲得含有各類車標的圖像。預(yù)處理的過程具體包括如下步驟:I)目標提取經(jīng)形態(tài)學(xué)處理后，仍可能存在部分雜散噪聲形成大小不一的塊，對圖像進一步進行連通域分析，利用8連通分量分析的方法提取車標位置，獲得更優(yōu)的二值輪廓圖。2)將目標輪廓圖像的位置映射到彩色圖像進行截取，獲得目標區(qū)域。3)圖像歸一化為了消除圖像大小對識別的影響，應(yīng)使車標居中，然后將圖像大小統(tǒng)一為32*32
像素S23:運用PCA主成分分析算法對汽車的車標模板圖像進行處理，得到車標模板圖像的PCA特征點向量集合；這些車標圖像中，含有不同種類的車標圖像，例如，含有寶馬公司車標的圖像100張，含有福特公司車標的圖像150張等。采用PCA得到各類車標模板圖像的特征點。采用基于幾何特征和矩不變特征計算車標的特征空間，并根據(jù)PCA提取車標的主要特征。采用PCA分析算法提取車標模板圖像的PCA特征點的過程如下:對于二值化后的圖像，通過PCA算法提取每一個車標圖像的r個特征點的變量其中，r < N，N為全部的二值化后的圖像中的像素所對應(yīng)的矩陣X中的特征向量的數(shù)量。其中，r個新變量稱為“主成分”，它們可以在很大程度上反映原來n個變量的影響，并且這些新變量是互不相關(guān)的，也是正交的。通過主成分分析，壓縮數(shù)據(jù)空間，將多元數(shù)據(jù)的特征在低維空間里直觀地表示出來。
具體的PCA分析步驟如下:(I)第一步計算矩陣X樣本矩陣的樣本的協(xié)方差矩陣S ;矩陣X是每一張車標圖像的圖像二值化后的矩陣；假設(shè)該類車標的訓(xùn)練集有m個樣本，由二值圖像組成，每個樣本大小為32*32個像素，每個樣本對應(yīng)一個車標。訓(xùn)練樣本矩陣X。計算訓(xùn)練圖片的車標的平均矩陣
權(quán)利要求
1.一種識別車標的方法，其特征在于，包括: 從拍攝的圖像中采集車標圖像區(qū)域； 在所述車標圖像區(qū)域?qū)?yīng)的全部特征點中，采用PCA分析法提取包括多個特征點的集合； 將所述提取的多個特征點集合與多個車標圖像各自對應(yīng)特征點集合進行匹配； 確定匹配的特征點數(shù)量最多的集合； 將所述確定的集合對應(yīng)的車標作為識別到的車標。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多個車標圖像各自對應(yīng)的特征點集合采用所述PCA分析法提取。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述多個車標圖像各自對應(yīng)的特征點集合的提取過程包括: 提取同一類的車標圖像m個，每個車標圖像包括N個特征向量； 訓(xùn)練樣本矩陣X，以及平均矩陣
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述匹配的過程包括: 將待識別車標圖像Y與平均車標的差值投影到特征車標空間得到其特征向量表示:Oy = wT (Y- < X > ) 采用歐式距離計算Oy與每一個車標的距離e ” ε2i = ||Oi-Oy|| 2(i = 1, 2，…m) 然后將獲得的歐式距離從小到大進行排列，按照排列順序獲得K個，最后將K個近鄰中的車標進行分類，將數(shù)量最多的那一類車標作為識別的結(jié)果； 其中，特征車標空間Oi = WTdi (i = 1, 2...,m);特征車標的空間w為:
5.根據(jù)權(quán)利要求4所述的力'法，其特征在于，還包括:選擇多幀具有同一車輛的車標圖像，每幀圖像進行匹配，將多幀圖像中，匹配結(jié)果最高的車標作為匹配到的車標。
全文摘要
本發(fā)明提供一種識別車標的方法，包括從拍攝的圖像中采集車標圖像區(qū)域；在所述車標圖像區(qū)域?qū)?yīng)的全部特征點中，采用PCA分析法提取包括多個特征點的集合；將所述提取的多個特征點集合與多個車標圖像各自對應(yīng)特征點集合進行匹配；確定匹配的特征點數(shù)量最多的集合；將所述確定的集合對應(yīng)的車標作為識別到的車標。通過上述步驟，可提取出車標圖像，通過與預(yù)先存儲的車標圖像的匹配，將匹配成功的車標作為最終的識別結(jié)果。通過對車標的有效識別，可提高車輛識別的正確率。
文檔編號G06K9/00GK103093205SQ201310021839
公開日2013年5月8日 申請日期2013年1月21日 優(yōu)先權(quán)日2013年1月21日
發(fā)明者王海峰, 王曉萌, 何小波, 董博, 楊宇, 張凱歌 申請人:信幀電子技術(shù)(北京)有限公司