本發(fā)明涉及圖像識(shí)別技術(shù)領(lǐng)域，特別是涉及一種車標(biāo)圖像識(shí)別方法及裝置。

背景技術(shù)：

車標(biāo)識(shí)別作為智能交通系統(tǒng)的重要的組成部分，能夠給車輛識(shí)別提供有效的信息，特別是涉車犯罪的增多，配置高科技破案手段更是迫在眉睫。有些犯罪分子在盜搶車輛以后，往往通過(guò)更換車牌、更改車輛顏色等方式逃避追捕，大大增加了破案難度。車標(biāo)作為車輛的重要標(biāo)志，不僅提供了車輛型號(hào)信息，還提供了生產(chǎn)廠家的信息且不易更改。這些重要信息使得警方在破案過(guò)程中對(duì)可疑車輛的排查范圍迅速縮小，加快了破案的速度。并且隨著圖像處理技術(shù)和計(jì)算機(jī)技術(shù)的迅速發(fā)展，基于車標(biāo)識(shí)別的相關(guān)its產(chǎn)品一定會(huì)有著越來(lái)越廣泛的應(yīng)用前景。

盡管近年來(lái)對(duì)車標(biāo)識(shí)別技術(shù)的探索和研究不斷深入，并且取得了一定成果，但是對(duì)車標(biāo)識(shí)別技術(shù)的實(shí)用性研究還不夠成熟，仍然存在許多棘手的問(wèn)題難以解決。在復(fù)雜環(huán)境下，如雨雪、霧霾、光照不均等，此外車標(biāo)本身存在被污損、部分遮擋的情況，這些不斷變化的因素影響了車標(biāo)圖像的采集，不可避免地使車標(biāo)圖像產(chǎn)生較大的變化，給車標(biāo)的準(zhǔn)確定位和識(shí)別帶來(lái)了很大的困難。

目前常用的車標(biāo)識(shí)別方法是模板匹配或者特征匹配。phyllos等人提出了一種基于尺度不變特征變換(sift)的增強(qiáng)匹配的車標(biāo)識(shí)別方法。雖然在復(fù)雜環(huán)境下具有一定的魯棒性，但由于特征維數(shù)過(guò)大，計(jì)算量過(guò)大，實(shí)時(shí)性不強(qiáng)。另外目前較為常用的方向梯度直方圖hog和支持向量機(jī)svm分類器進(jìn)行識(shí)別，但由于hog描述子對(duì)噪點(diǎn)相當(dāng)敏感，容易受到環(huán)境條件的影響，導(dǎo)致識(shí)別率較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種車標(biāo)圖像識(shí)別方法及裝置，以解決現(xiàn)有車標(biāo)識(shí)別在復(fù)雜環(huán)境下受到環(huán)境因數(shù)影響、導(dǎo)致識(shí)別率較低的問(wèn)題。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種車標(biāo)圖像識(shí)別方法，包括：

預(yù)先建立車標(biāo)分類器，所述車標(biāo)分類器為對(duì)多個(gè)車標(biāo)樣本圖像進(jìn)行訓(xùn)練后建立的分類器；

獲取待識(shí)別車標(biāo)圖像；

提取所述待識(shí)別車標(biāo)圖像的surf特征；

采用硬聚類方法對(duì)待識(shí)別車標(biāo)圖像的surf特征集進(jìn)行聚類，生成聚類結(jié)果；

將所述聚類結(jié)果輸入至所述分類器中，輸出對(duì)應(yīng)的車標(biāo)類型分類結(jié)果。

可選地，所述獲取待識(shí)別車標(biāo)圖像包括：

對(duì)原始待識(shí)別車輛圖像進(jìn)行預(yù)處理；

確定經(jīng)預(yù)處理后的所述原始待識(shí)別車輛圖像中的車標(biāo)區(qū)域，作為所述待識(shí)別車標(biāo)圖像。

可選地，所述對(duì)原始待識(shí)別車輛圖像進(jìn)行預(yù)處理包括：

將所述原始待識(shí)別車輛圖像轉(zhuǎn)換為灰度圖像；

采用高斯濾波的方法進(jìn)行平滑濾波；

采用sobel算子進(jìn)行邊緣檢測(cè)；

對(duì)檢測(cè)后的圖像進(jìn)行二值化處理；

采用形態(tài)學(xué)濾波對(duì)二值化處理后的圖像進(jìn)行濾波。

可選地，所述確定經(jīng)預(yù)處理后的所述原始待識(shí)別車輛圖像中的車標(biāo)區(qū)域包括：

確定經(jīng)預(yù)處理后的所述原始待識(shí)別車輛圖像中的車牌位置；

根據(jù)預(yù)先建立的車牌位置與車標(biāo)位置的對(duì)應(yīng)關(guān)系，確定經(jīng)預(yù)處理后的所述原始待識(shí)別車輛圖像中的車標(biāo)區(qū)域。

可選地，在所述提取所述待識(shí)別車標(biāo)圖像的surf特征之后還包括：

計(jì)算提取surf特征后各特征點(diǎn)熵值；

根據(jù)所述特征點(diǎn)熵值檢測(cè)特征點(diǎn)所含信息量，篩選掉信息量低于預(yù)設(shè)閾值的特征點(diǎn)。

可選地，所述采用硬聚類方法對(duì)待識(shí)別車標(biāo)圖像的surf特征集進(jìn)行聚類，生成聚類結(jié)果包括：

從所述surf特征集中，選取n個(gè)特征為初始聚類中心μ；

計(jì)算除聚類中心μ外每一個(gè)特征di到中心μj的歐幾里距離dij，并將距離最短的歸類為相應(yīng)的聚類cj中；dij＝||di-μj||²

更新聚類的質(zhì)心：

重復(fù)計(jì)算與更新的過(guò)程，直到達(dá)到預(yù)設(shè)精度為止，獲得n個(gè)聚類中心。

可選地，所述分類器為邏輯回歸分類器，所述將所述聚類結(jié)果輸入至所述分類器中，輸出對(duì)應(yīng)的車標(biāo)類型分類結(jié)果包括：

根據(jù)所述分類器中每一類車標(biāo)類型匹配的概率值大小，輸出概率值最大的分類作為車標(biāo)類型分類結(jié)果。

本發(fā)明還提供了一種車標(biāo)圖像識(shí)別裝置，包括：

預(yù)建模塊，用于預(yù)先建立車標(biāo)分類器，所述車標(biāo)分類器為對(duì)多個(gè)車標(biāo)樣本圖像進(jìn)行訓(xùn)練后建立的分類器；

圖像獲取模塊，用于獲取待識(shí)別車標(biāo)圖像；

特征提取模塊，用于提取所述待識(shí)別車標(biāo)圖像的surf特征；

聚類模塊，用于采用硬聚類方法對(duì)待識(shí)別車標(biāo)圖像的surf特征集進(jìn)行聚類，生成聚類結(jié)果；

分類識(shí)別模塊，用于將所述聚類結(jié)果輸入至所述分類器中，輸出對(duì)應(yīng)的車標(biāo)類型分類結(jié)果。

可選地，所述圖像獲取模塊包括：

預(yù)處理單元，用于對(duì)原始待識(shí)別車輛圖像進(jìn)行預(yù)處理；

車標(biāo)區(qū)域確定單元，用于確定經(jīng)預(yù)處理后的所述原始待識(shí)別車輛圖像中的車標(biāo)區(qū)域，作為所述待識(shí)別車標(biāo)圖像。

可選地，所述預(yù)處理單元包括：

轉(zhuǎn)換子單元，用于將所述原始待識(shí)別車輛圖像轉(zhuǎn)換為灰度圖像；

濾波子單元，用于采用高斯濾波的方法進(jìn)行平滑濾波；

邊緣檢測(cè)子單元，用于采用sobel算子進(jìn)行邊緣檢測(cè)；

二值化處理子單元，用于對(duì)檢測(cè)后的圖像進(jìn)行二值化處理；

形態(tài)學(xué)濾波子單元，用于采用形態(tài)學(xué)濾波對(duì)二值化處理后的圖像進(jìn)行濾波。

本發(fā)明所提供的車標(biāo)圖像識(shí)別方法及裝置，預(yù)先建立車標(biāo)分類器，車標(biāo)分類器為對(duì)多個(gè)車標(biāo)樣本圖像進(jìn)行訓(xùn)練后建立的分類器；通過(guò)獲取待識(shí)別車標(biāo)圖像；提取待識(shí)別車標(biāo)圖像的surf特征；采用硬聚類方法對(duì)待識(shí)別車標(biāo)圖像的surf特征集進(jìn)行聚類，生成聚類結(jié)果；將聚類結(jié)果輸入至分類器中，輸出對(duì)應(yīng)的車標(biāo)類型分類結(jié)果。本發(fā)明所提供的車標(biāo)圖像識(shí)別方法及裝置，對(duì)于低質(zhì)車標(biāo)圖像具有較好的識(shí)別結(jié)果，識(shí)別精度較高，對(duì)于復(fù)雜環(huán)境下獲得車標(biāo)圖像具有一定的魯棒性。

附圖說(shuō)明

為了更清楚的說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單的介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明所提供的車標(biāo)圖像識(shí)別方法的一種具體實(shí)施方式的流程圖；

圖2為本發(fā)明所提供的車標(biāo)圖像識(shí)別方法中獲取待識(shí)別車標(biāo)圖像的過(guò)程示意圖；

圖3為本發(fā)明所提供的車標(biāo)圖像識(shí)別方法的另一種具體實(shí)施方式的流程圖；

圖4為本發(fā)明實(shí)施例提供的車標(biāo)圖像識(shí)別裝置的結(jié)構(gòu)框圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明所提供的車標(biāo)圖像識(shí)別方法的一種具體實(shí)施方式的流程圖如圖1所示，該方法包括：

步驟s101：預(yù)先建立車標(biāo)分類器，所述車標(biāo)分類器為對(duì)多個(gè)車標(biāo)樣本圖像進(jìn)行訓(xùn)練后建立的分類器；

步驟s102：獲取待識(shí)別車標(biāo)圖像；

作為一種具體實(shí)施方式，參照?qǐng)D2，本發(fā)明所提供的車標(biāo)圖像識(shí)別方法中獲取待識(shí)別車標(biāo)圖像可以具體包括：

步驟s1021：對(duì)原始待識(shí)別車輛圖像進(jìn)行預(yù)處理；

具體地，進(jìn)行預(yù)處理的過(guò)程可以包括：將所述原始待識(shí)別車輛圖像轉(zhuǎn)換為灰度圖像；采用高斯濾波的方法進(jìn)行平滑濾波；采用sobel算子進(jìn)行邊緣檢測(cè)；對(duì)檢測(cè)后的圖像進(jìn)行二值化處理；采用形態(tài)學(xué)濾波對(duì)二值化處理后的圖像進(jìn)行濾波。

步驟s1022：確定經(jīng)預(yù)處理后的所述原始待識(shí)別車輛圖像中的車標(biāo)區(qū)域，作為所述待識(shí)別車標(biāo)圖像。

確定經(jīng)預(yù)處理后的所述原始待識(shí)別車輛圖像中的車牌位置；根據(jù)預(yù)先建立的車牌位置與車標(biāo)位置的對(duì)應(yīng)關(guān)系，確定經(jīng)預(yù)處理后的所述原始待識(shí)別車輛圖像中的車標(biāo)區(qū)域。

步驟s103：提取所述待識(shí)別車標(biāo)圖像的surf特征；

步驟s104：采用硬聚類方法對(duì)待識(shí)別車標(biāo)圖像的surf特征集進(jìn)行聚類，生成聚類結(jié)果；

步驟s105：將所述聚類結(jié)果輸入至所述分類器中，輸出對(duì)應(yīng)的車標(biāo)類型分類結(jié)果。

本發(fā)明所提供的車標(biāo)圖像識(shí)別方法，預(yù)先建立車標(biāo)分類器，車標(biāo)分類器為對(duì)多個(gè)車標(biāo)樣本圖像進(jìn)行訓(xùn)練后建立的分類器；通過(guò)獲取待識(shí)別車標(biāo)圖像；提取待識(shí)別車標(biāo)圖像的surf特征；采用硬聚類方法對(duì)待識(shí)別車標(biāo)圖像的surf特征集進(jìn)行聚類，生成聚類結(jié)果；將聚類結(jié)果輸入至分類器中，輸出對(duì)應(yīng)的車標(biāo)類型分類結(jié)果。本發(fā)明所提供的車標(biāo)圖像識(shí)別方法，對(duì)于低質(zhì)車標(biāo)圖像具有較好的識(shí)別結(jié)果，識(shí)別精度較高，對(duì)于復(fù)雜環(huán)境下獲得車標(biāo)圖像具有一定的魯棒性。

如圖3本發(fā)明所提供的車標(biāo)圖像識(shí)別方法的另一種具體實(shí)施方式的流程圖所示，該方法中分類器為邏輯回歸分類器，其具體包括：

步驟s201：預(yù)先建立車標(biāo)分類器；

預(yù)先建立車標(biāo)分類器的過(guò)程包括：

步驟s2011：對(duì)于訓(xùn)練車標(biāo)樣本圖像進(jìn)行surf特征的提取，獲得surf特征集；

本發(fā)明實(shí)施例在利用surf算法提取特征后，可以采用特征點(diǎn)篩選策略：計(jì)算出初步提取的特征點(diǎn)熵值來(lái)檢測(cè)特征點(diǎn)所含信息量，去掉信息量過(guò)低的特征點(diǎn)。

步驟s2012：采用k-means方法對(duì)于surf特征進(jìn)行聚類，建立相應(yīng)的視覺(jué)詞典，得到n個(gè)關(guān)鍵詞和相應(yīng)的權(quán)重；

步驟s2013：將產(chǎn)生的n個(gè)關(guān)鍵詞及其權(quán)重作為邏輯回歸分類器的輸入，訓(xùn)練出多類邏輯回歸分類器。

視覺(jué)詞典建立的具體步驟包括：

(1)從surf特征集中，任意取n個(gè)特征為初始聚類中心μ。

(2)計(jì)算出除聚類中心μ外每一個(gè)特征di，到中心μj的歐幾里距離dij，并將距離最短的歸類為相應(yīng)的聚類cj中。

dij＝||di-μj||²

(3)更新聚類的質(zhì)心。

(4)重復(fù)過(guò)程(2)和(3),直到達(dá)到指定的精度，獲得n個(gè)聚類中心，即為n個(gè)視覺(jué)詞典。

(5)定義一個(gè)距離核函數(shù)計(jì)算出特征與視覺(jué)詞典的相關(guān)度作為相應(yīng)的權(quán)重。

在訓(xùn)練分類器步驟中，具體步驟包括：

將二類分類的邏輯回歸擴(kuò)展到多類分類，假定從n類中給定訓(xùn)練數(shù)據(jù)x。在多分類中對(duì)每一類定義為：

定義一個(gè)指標(biāo)函數(shù)個(gè)g(a)，使得能夠應(yīng)用到二類邏輯回歸目標(biāo)函數(shù)e使得最小化評(píng)估wk和bk。

采用改進(jìn)的邏輯回歸分類器，根據(jù)每一類的概率值大小，輸出概率大的為最終的分類結(jié)果。

步驟s202：獲取待識(shí)別車標(biāo)圖像；

步驟s203：對(duì)獲取的圖像進(jìn)行預(yù)處理，根據(jù)先驗(yàn)知識(shí)，最終篩選出車牌區(qū)域；

為了增強(qiáng)圖像信息，首先對(duì)圖像進(jìn)行預(yù)處理，將獲得圖像轉(zhuǎn)換成灰度圖像；采用高斯濾波的方法進(jìn)行平滑降噪；利用車牌在垂直方向邊緣密集存在一定的規(guī)則，采用sobel算子進(jìn)行邊緣檢測(cè)。然后設(shè)定一個(gè)閾值，對(duì)圖像進(jìn)行二值化處理；最后采用形態(tài)學(xué)濾波，使得車牌區(qū)域形成一個(gè)大致的連通形。

根據(jù)先驗(yàn)知識(shí)，由于車牌區(qū)域的大小、長(zhǎng)度、寬度具有一定范圍，可能減小判別范圍。

l和h為連通區(qū)域的長(zhǎng)度和寬度，a為連通區(qū)域的面積，hmin和hmax分別表示為寬度的上下限，同理，長(zhǎng)度和面積也是由此。

根據(jù)車牌字符間的先驗(yàn)知識(shí)進(jìn)行進(jìn)一步篩選，車牌字符之間具有一定的規(guī)律，七個(gè)字符之間至少存在6次跳變，根據(jù)這種特性，通過(guò)統(tǒng)計(jì)車牌候選區(qū)域的灰度跳變，小于6次進(jìn)行篩選，選擇出最終的車牌區(qū)域。

步驟s204：根據(jù)車牌和車標(biāo)之間的幾何關(guān)系，進(jìn)行邊緣檢測(cè)、形態(tài)學(xué)處理，水平垂直投影，獲得精準(zhǔn)車標(biāo)區(qū)域；

根據(jù)車牌與車標(biāo)之間的幾何關(guān)系。確定出車標(biāo)感興趣的區(qū)域。

其中，(roil.x,roil.y)為車標(biāo)感興趣區(qū)域的左上角坐標(biāo)，(roir.x,roir.y)為右下角坐標(biāo)，這里坐標(biāo)值都是大于0，而rect.x為車牌左上角坐標(biāo)，為車牌的長(zhǎng)度和高度，α和β為歸一化系數(shù)，獲得合理的車標(biāo)感興趣的區(qū)域。

經(jīng)過(guò)對(duì)感興趣的區(qū)域進(jìn)行預(yù)處理后，其處理過(guò)程與對(duì)圖像進(jìn)行水平投影和垂直投影。水平柱狀投影的上下邊界可以大致確定車標(biāo)區(qū)域的上下邊界，同理垂直柱狀投影確定車標(biāo)左右邊界?？紤]在預(yù)處理時(shí)，會(huì)丟失一部分的邊緣特征信息，因此投影直方圖的閾值選擇上，進(jìn)行適當(dāng)?shù)臄U(kuò)大，獲得精準(zhǔn)的車標(biāo)位置。

步驟s205：提取車標(biāo)區(qū)域的surf特征集；

步驟s206：利用k-means聚類方法，獲得n關(guān)鍵詞和相應(yīng)的權(quán)重，作為已訓(xùn)練好的多類邏輯回歸分類器的輸入，輸出相應(yīng)的分類結(jié)果。

對(duì)候選的車標(biāo)區(qū)域采用surf算法提出特征，然后采用k-means，獲得n的關(guān)鍵字和相應(yīng)的權(quán)重值，作為多類邏輯回歸分類器的輸入，對(duì)于測(cè)試的數(shù)據(jù)點(diǎn)x*，對(duì)于k類標(biāo)注的概率為p(y*＝k),從而輸出概率較大的即為最終的分類結(jié)果。

本發(fā)明可以具體采用數(shù)據(jù)庫(kù)為10類車標(biāo)的，每一類車標(biāo)圖像為1000張，包括別克，本田，大眾，豐田等。每一張圖像的像素為70*70，分辨率低，每一張圖像為在不同天氣和光照條件下所生成的。滿足實(shí)際情況下的各種獲取的圖像，如圖4所示。

本發(fā)明實(shí)施例所提供的方法對(duì)于訓(xùn)練車標(biāo)樣本圖像進(jìn)行surf特征提取，采用k-means算法生產(chǎn)視覺(jué)詞典，通過(guò)采用改進(jìn)的邏輯回歸分類器進(jìn)行訓(xùn)練；然后對(duì)采集到車輛圖像，先定位出車牌的位置，根據(jù)車標(biāo)與車牌之間的先驗(yàn)知識(shí)實(shí)現(xiàn)對(duì)于車標(biāo)的定位，然后對(duì)定位出的車標(biāo)區(qū)域采用surf產(chǎn)生特征集。利用k-means聚類方法，獲得n個(gè)關(guān)鍵詞和相應(yīng)的權(quán)重，作為已訓(xùn)練好的分類器的輸入，輸出相對(duì)應(yīng)的結(jié)果。本發(fā)明實(shí)施例采用改進(jìn)的邏輯回歸分類器，在復(fù)雜環(huán)境下能夠有效對(duì)于獲取的車標(biāo)數(shù)據(jù)庫(kù)進(jìn)行識(shí)別，提高識(shí)別精度和魯棒性。

下面對(duì)本發(fā)明實(shí)施例提供的車標(biāo)圖像識(shí)別裝置進(jìn)行介紹，下文描述的車標(biāo)圖像識(shí)別裝置與上文描述的車標(biāo)圖像識(shí)別方法可相互對(duì)應(yīng)參照。

圖4為本發(fā)明實(shí)施例提供的車標(biāo)圖像識(shí)別裝置的結(jié)構(gòu)框圖，參照?qǐng)D4車標(biāo)圖像識(shí)別裝置可以包括：

預(yù)建模塊100，用于預(yù)先建立車標(biāo)分類器，所述車標(biāo)分類器為對(duì)多個(gè)車標(biāo)樣本圖像進(jìn)行訓(xùn)練后建立的分類器；

圖像獲取模塊200，用于獲取待識(shí)別車標(biāo)圖像；

特征提取模塊300，用于提取所述待識(shí)別車標(biāo)圖像的surf特征；

聚類模塊400，用于采用硬聚類方法對(duì)待識(shí)別車標(biāo)圖像的surf特征集進(jìn)行聚類，生成聚類結(jié)果；

分類識(shí)別模塊500，用于將所述聚類結(jié)果輸入至所述分類器中，輸出對(duì)應(yīng)的車標(biāo)類型分類結(jié)果。

作為一種具體實(shí)施方式，本發(fā)明所提供的車標(biāo)圖像識(shí)別裝置中，所述圖像獲取模塊可以具體包括：

預(yù)處理單元，用于對(duì)原始待識(shí)別車輛圖像進(jìn)行預(yù)處理；

車標(biāo)區(qū)域確定單元，用于確定經(jīng)預(yù)處理后的所述原始待識(shí)別車輛圖像中的車標(biāo)區(qū)域，作為所述待識(shí)別車標(biāo)圖像。

作為一種具體實(shí)施方式，本發(fā)明所提供的車標(biāo)圖像識(shí)別裝置中，所述預(yù)處理單元包括：

轉(zhuǎn)換子單元，用于將所述原始待識(shí)別車輛圖像轉(zhuǎn)換為灰度圖像；

濾波子單元，用于采用高斯濾波的方法進(jìn)行平滑濾波；

邊緣檢測(cè)子單元，用于采用sobel算子進(jìn)行邊緣檢測(cè)；

二值化處理子單元，用于對(duì)檢測(cè)后的圖像進(jìn)行二值化處理；

形態(tài)學(xué)濾波子單元，用于采用形態(tài)學(xué)濾波對(duì)二值化處理后的圖像進(jìn)行濾波。

本實(shí)施例的車標(biāo)圖像識(shí)別裝置用于實(shí)現(xiàn)前述的車標(biāo)圖像識(shí)別方法，因此車標(biāo)圖像識(shí)別裝置中的具體實(shí)施方式可見(jiàn)前文中的車標(biāo)圖像識(shí)別方法的實(shí)施例部分，例如，預(yù)建模塊100，圖像獲取模塊200，特征提取模塊300，聚類模塊400，分類識(shí)別模塊500，分別用于實(shí)現(xiàn)上述車標(biāo)圖像識(shí)別方法中步驟s101，s102，s103，s104和s105，所以，其具體實(shí)施方式可以參照相應(yīng)的各個(gè)部分實(shí)施例的描述，在此不再贅述。

本發(fā)明所提供的車標(biāo)圖像識(shí)別裝置，預(yù)先建立車標(biāo)分類器，車標(biāo)分類器為對(duì)多個(gè)車標(biāo)樣本圖像進(jìn)行訓(xùn)練后建立的分類器；通過(guò)獲取待識(shí)別車標(biāo)圖像；提取待識(shí)別車標(biāo)圖像的surf特征；采用硬聚類方法對(duì)待識(shí)別車標(biāo)圖像的surf特征集進(jìn)行聚類，生成聚類結(jié)果；將聚類結(jié)果輸入至分類器中，輸出對(duì)應(yīng)的車標(biāo)類型分類結(jié)果。本發(fā)明所提供的車標(biāo)圖像識(shí)別裝置，對(duì)于低質(zhì)車標(biāo)圖像具有較好的識(shí)別結(jié)果，識(shí)別精度較高，對(duì)于復(fù)雜環(huán)境下獲得車標(biāo)圖像具有一定的魯棒性。

本說(shuō)明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其它實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同或相似部分互相參見(jiàn)即可。對(duì)于實(shí)施例公開的裝置而言，由于其與實(shí)施例公開的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō)明即可。

專業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來(lái)實(shí)現(xiàn)，為了清楚地說(shuō)明硬件和軟件的可互換性，在上述說(shuō)明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來(lái)實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(ram)、內(nèi)存、只讀存儲(chǔ)器(rom)、電可編程rom、電可擦除可編程rom、寄存器、硬盤、可移動(dòng)磁盤、cd-rom、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。

以上對(duì)本發(fā)明所提供的車標(biāo)圖像識(shí)別方法以及裝置進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。