新增車標的識別方法和裝置的制造方法
【專利摘要】本發(fā)明公開了一種新增車標的識別方法和裝置，對包含車輛目標的圖片進行車標特征提取，并與車標模型進行比對，判斷待識別車標的識別置信度是否大于預(yù)設(shè)的閾值；若否，則將待識別車標與各個新增車標儲存文件夾中的車標樣本進行特征比對，根據(jù)比對結(jié)果更新新增車標儲存文件夾中的樣本量；待新增存儲文件夾內(nèi)的存儲樣本量達到設(shè)定的數(shù)量時，進行新增樣本聚類檢測，得到新增的樣本集；將該新增的樣本集存入已有車標模型的樣本集，更新車標模型。本發(fā)明很大程度節(jié)省了人力耗費，改進了車標識別技術(shù)。本發(fā)明解決了新增車標拉低車標識別率的問題；同時也解決了目前新增車輛品牌過多依賴人工確認，帶來的耗時長、效率低的問題。
【專利說明】
新増車標的識別方法和裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于智能交通技術(shù)領(lǐng)域，具體涉及到一種無監(jiān)督自適應(yīng)的新增車標的識別 方法和裝置。
【背景技術(shù)】
[0002] 車標識別技術(shù)是智能交通研究領(lǐng)域的一項重要研究內(nèi)容，該技術(shù)的研究對于交通 管制、公路布控、公路收費等內(nèi)容具有深遠的意義。常規(guī)處理新增車標樣本集的方法，整個 過程包括：圖片搜集、圖片整理、類別確認、類別添加及模型替換，均需要人工參與，耗時長 且效率低。而且，隨著汽車行業(yè)的飛速發(fā)展，國產(chǎn)車、進口車的新款型逐年遞增，如何高效地 應(yīng)對新增加的車輛品牌，保證車標高準確度的識別率，已成為車標識別技術(shù)研究及后期車 標識別系統(tǒng)開發(fā)的一個新的挑戰(zhàn)。

【發(fā)明內(nèi)容】

[0003] 針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種新增車標的識別方法和裝置，以提高對新 增車標的識別準確率及識別效率，促進車標的智能化識別水平。
[0004] 為實現(xiàn)上述目的，本發(fā)明提供的新增車標的識別方法，包括：
[0005] 對包含車輛目標的圖片進行車標特征提取，并與車標模型進行比對，判斷待識別 車標的識別置信度是否大于預(yù)設(shè)的閾值；
[0006] 若否，則將待識別車標與各個新增車標儲存文件夾中的車標樣本進行特征比對， 根據(jù)比對結(jié)果更新新增車標儲存文件夾中的樣本量；
[0007]待新增存儲文件夾內(nèi)的存儲樣本量達到設(shè)定的數(shù)量時，進行新增樣本聚類檢測， 得到新增的樣本集；
[0008] 將該新增的樣本集存入已有車標模型的樣本集，更新車標模型。
[0009] 在本發(fā)明的一些實施例中，所述根據(jù)比對結(jié)果更新新增車標儲存文件夾中的樣本 量，的步驟包括：
[0010] 預(yù)先創(chuàng)建多個用于存放新增的車標樣本的新增車標存儲文件夾，通過車標特征置 信度與閾值的比較結(jié)果，將新增車標樣本放入某一個文件夾中，或者再次新增一個車標存 儲文件夾。
[0011] 在本發(fā)明的一些實施例中，所述通過車標特征置信度與閾值的比較結(jié)果，將新增 車標樣本放入某一個文件夾中，或者再次新增一個車標存儲文件夾，的步驟包括：
[0012] 遍歷查找與待增加的新增車標輸出置信度相同的車標樣本存儲文件夾；
[0013] 若該文件夾存在，則將包含該車標的車輛圖片作為樣本存入該樣本存儲文件夾 內(nèi)，文件夾對應(yīng)的樣本總量加"Γ ;
[0014] 若該樣本文件夾不存在，則新建一個以該置信度命名的新增車標存儲文件夾，將 包含該車標的車輛圖片作為樣本存入該樣本存儲文件夾內(nèi)，文件夾對應(yīng)的樣本總量加"Γ。
[0015] 在本發(fā)明的一些實施例中，所述進行新增樣本聚類檢測，得到新增的樣本集，的步 驟包括：
[0016] 1)對新增車標樣本內(nèi)的樣：*：主圖片依冷搖取車標特征，獲得K個車標特征；
[0017] 2)隨機選取第i個車標特彳』
Ξ為聚類樣本類別，計算剩余的j = K_i個車標特征P1與特征P1間的特征擬合度；
[0018] 結(jié)果分別按照從小到大的順序排序，統(tǒng)計每組擬合度小于PO的 樣本個I 〗經(jīng)驗閾值；
[0019] 度小于Po的樣本數(shù)的最大個數(shù)，作為該樣本集內(nèi)有效樣本數(shù)M;
[0020] .排序結(jié)果中，每組樣本中前M個樣本中重復的車標樣本作為有 效的車標模型桿I。
[0021] 在本發(fā)明的一些實施例中，所述特征擬合度的計算公式如下：
[0022] dij= I IPj-PiI I，（i，je(l，2，...，K)ii#j)。
[0023] 發(fā)明還提出了一種新增車標的識別裝置，包括：
[0024] 提取模塊，用于對包含車輛目標的圖片進行車標特征提取，并與車標模型進行比 對，判斷待識別車標的識別置信度是否大于預(yù)設(shè)的閾值；
[0025]樣本量更新模塊，用于若待識別車標的識別置信度小于等于預(yù)設(shè)的閾值，則將待 識別車標與各個新增車標儲存文件夾中的車標樣本進行特征比對，根據(jù)比對結(jié)果更新新增 車標儲存文件夾中的樣本量；
[0026]樣本集更新模塊，用于待新增存儲文件夾內(nèi)的存儲樣本量達到設(shè)定的數(shù)量時，進 行新增樣本聚類檢測，得到新增的樣本集；
[0027]車標模型更新模塊，用于將該新增的樣本集存入已有車標模型的樣本集，更新車 標模型。
[0028]在本發(fā)明的一些實施例中，所述樣本量更新模塊包括：
[0029]新增車標存儲模塊，用于預(yù)先創(chuàng)建多個用于存放新增的車標樣本的新增車標存儲 文件夾；
[0030] 樣本量分配模塊，用于通過車標特征置信度與閾值的比較結(jié)果，將新增車標樣本 放入某一個文件夾中，或者再次新增一個車標存儲文件夾。
[0031] 在本發(fā)明的一些實施例中，所述樣本量分配模塊用于遍歷查找與待增加的新增車 標輸出置信度相同的車標存儲文件夾;若該文件夾存在，則將包含該車標的車輛圖片作為 樣本存入該樣本存儲文件夾內(nèi)，文件夾對應(yīng)的樣本總量加"Γ ;若該樣本文件夾不存在，則 新建一個以該置信度命名的新增車標存儲文件夾，將包含該車標的車輛圖片作為樣本存入 該樣本存儲文件夾內(nèi)，文件夾對應(yīng)的樣本總量加"Γ。
[0032] 在本發(fā)明的一些實施例中，所述樣本集更新模塊，用于
[0033] 1)對新增車標樣本內(nèi)的樣本車標圖片依次提取車標特征，獲得K個車標特征；
[0034] 2)隨機選取第i個車標特Ξ為聚類樣本類別，計算剩余的j = K_i個車標特征Pj與Pi特征間的特征w n K;
[0035] 3)將^^組擬合結(jié)果分別按照從小到大的順序排序，統(tǒng)計每組擬合度小于P0的 樣本個數(shù)，其中Po為擬合度的經(jīng)驗閾值；
[0036] 4)取^^組擬合度小于Po的樣本數(shù)的最大個數(shù)，作為該樣本集內(nèi)有效樣本數(shù)M;
[0037] 5)篩選出組排序結(jié)果中，每組樣本中前M個樣本中重復的車標樣本作為有 效的車標模型樣本。
[0038] 在本發(fā)明的一些實施例中，所述特征擬合度的計算公式如下：
[0039] dij= I IPj-PiI I，（i，je(l，2，...，K)ii#j)。
[0040] 本發(fā)明提供的新增車標的識別方法和裝置結(jié)合車標置信度，使得新增車標前期的 搜集整理操作，完全依賴算法實現(xiàn)，很大程度節(jié)省了人力耗費，改進了車標識別技術(shù)。本發(fā) 明解決了新增車標拉低車標識別率的問題；同時也解決了目前新增車輛品牌過多依賴人工 確認，帶來的耗時長、效率低的問題。
【附圖說明】
[0041] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，以下結(jié)合具體實施例，并參照 附圖，對本發(fā)明進一步詳細說明，其中：
[0042] 圖1為本發(fā)明一個實施例的新增車標的識別方法的流程示意圖；
[0043] 圖2為本發(fā)明另一個實施例的新增車的標識別方法的流程示意圖；
[0044] 圖3為本發(fā)明一個實施例的新增車標的識別裝置的功能模塊示意圖。
【具體實施方式】
[0045] 以下結(jié)合附圖和具體實施例對本發(fā)明作進一步詳細說明。
[0046] 參考圖1，示出了本發(fā)明一個實施例的新增車標的識別方法的流程示意圖，具體可 以包括以下步驟：
[0047] 步驟101，對包含車輛目標的圖片進行車標特征提取，并與車標模型進行比對，判 斷待識別車標的識別置信度是否大于預(yù)設(shè)的閾值。
[0048] 在該步驟中，通過高清攝像機實時采集視頻流，獲取包含車輛目標的當前幀圖像， 采用多尺度滑動窗口檢測方法，在同窗口內(nèi)檢測車輛區(qū)域的特征，并與機動車樣本模型進 行匹配，篩選出圖片中的機動車目標，再對該機動車目標進行車標特征提取，從而可以準確 獲取圖片中的車標特征。
[0049] 優(yōu)選地，對于圖片中的車輛區(qū)域，結(jié)合車標在車輛區(qū)域的位置，可以選取車檢區(qū)域 下2/3左右的區(qū)域進行特征的提取。作為本發(fā)明的另一個實施例，也可以選取車檢區(qū)域下3/ 4左右的區(qū)域進行特征的提取。作為本發(fā)明的又一個實施例，也可以選取車檢區(qū)域下1/3左 右的區(qū)域進行特征的提取。車標特征提取主要是基于HOG的檢測，提取檢測區(qū)域內(nèi)的紋理、 線性、灰度、方向提取等特征，并結(jié)合PCA降維，實現(xiàn)對車標特征信息從高維到低維的轉(zhuǎn)換， 因此能夠在保證提取車標主要特征的前提下，提高算法的效率。在特征比對過程中，將提取 的車標特征與已有的車標模型內(nèi)的特征進行擬合，計算擬合相似度(即置信度）。
[0050] 步驟102,若否，則將待識別車標與各個新增車標儲存文件夾中的車標樣本進行特 征比對，根據(jù)比對結(jié)果更新新增車標儲存文件夾中的樣本量。
[0051] 當然，若待識別車標的識別置信度大于預(yù)設(shè)的閾值，則根據(jù)車標的識別結(jié)果在預(yù) 存的車標模型中查找與待識別車標相對應(yīng)的車標。優(yōu)選地，預(yù)先存儲已有車標模型，根據(jù)車 標識別精度需求可以設(shè)置車標識別結(jié)果的經(jīng)驗閾值，通過待識別車標與預(yù)存車標的特征比 對，判斷所述待識別車標是否為新增車標。若所述待識別車標的識別置信度小于等于預(yù)設(shè) 的閾值，則判斷所述待識別車標為新增車標。根據(jù)車標識別結(jié)果的準確率要求，可以設(shè)置不 同的經(jīng)驗閾值，經(jīng)驗閾值越高，則判斷結(jié)果的準確率越高，反之，越低。
[0052] 預(yù)先創(chuàng)建多個新增車標存儲文件夾，用于存放新增的車標樣本，根據(jù)車標識別的 精度需要，設(shè)置車別識別結(jié)果的經(jīng)驗閾值，通過車標特征置信度與閾值的比較結(jié)果，將新增 車標樣本放入某一個文件夾中，或者再次新增一個車標存儲文件夾。具體地，若待識別車標 的識別置信度小于等于預(yù)設(shè)的閾值，該類別車標為疑似新增車標。在新增車標存儲單元內(nèi)， 遍歷查找與待增加的新增車標輸出置信度相同的車標存儲文件夾;若該文件夾存在，則將 包含該車標的車輛圖片作為樣本存入該樣本存儲文件夾內(nèi)，文件夾對應(yīng)的樣本總量加"Γ; 若該樣本文件夾不存在，則新建一個以該置信度命名的新增車標存儲文件夾，將包含該車 標的車輛圖片作為樣本存入該樣本存儲文件夾內(nèi)，文件夾對應(yīng)的樣本總量加"Γ。
[0053] 需要說明的是，在初始時，將各存儲文件夾內(nèi)樣本量置"0"，每增加一個樣本，對應(yīng) 文件中的樣本量則加"1"，即樣本量為"Ν+Γ。若車標特征的置信度小于等于經(jīng)驗閾值，則認 為識別結(jié)果不可信，將該車標的圖片摳出，存入新增車標文件夾中，并將文件夾中的樣本量 加"1"。
[0054] 步驟103,待新增存儲文件夾內(nèi)的存儲樣本量達到設(shè)定的數(shù)量時，進行新增樣本聚 類檢測，得到新增的樣本集。
[0055] 對達到設(shè)定的可進行聚類檢測及樣本訓練的η個車標樣本依次進行樣本聚類檢 測，監(jiān)督聚類收斂效果，其中，η為整數(shù)。具體實現(xiàn)步驟如下：
[0056] 1)對新增車標樣本內(nèi)的樣本車標圖片(假設(shè)為K個樣本)依次提取車標特征，獲得K 個車標特征；
[0057] 2)隨機選取第i個車標特征/^_ = 1，2,作為聚類樣本類別，計算剩余的j = K_i個車標特征匕與^特征間的特征擬合度，具體計算公式如下：
[0058] dij= I IPj-PiI I，（i，je(l，2，...，K)ii#j)
[0059] 為防止局部聚類的問題，本聚類方法中可以隨機選取^^個樣本計算聚類擬合 度。
[0060] 3)將^^組擬合結(jié)果分別按照從小到大的順序排序，統(tǒng)計每組擬合度小于P0的 樣本個數(shù)，其中Po為擬合度的經(jīng)驗閾值，根據(jù)擬合精度確定，通常該值越小，則擬合精度越 高，反之，擬合精度較低；
[0061] 4)取^^組擬合度小于Po的樣本數(shù)的最大個數(shù)，作為該樣本集內(nèi)有效樣本數(shù)M;
[0062] 5)篩選出組排序結(jié)果中，每組樣本中前M個樣本中重復的車標樣本，作為有 效的車標模型樣本。
[0063]步驟104,將該新增的樣本集存入已有車標模型的樣本集，更新車標模型。
[0064] 在該步驟中，將新增的收斂的車標樣本集追加至已有的車標模型樣本集內(nèi)，并更 新車標模型，從而使可檢測的車標款型總數(shù)增加。
[0065] 以下通過一優(yōu)選實施例對本發(fā)明提供的根據(jù)的方法做進一步的詳細說明，如圖2 所示，本實施例主要包括以下步驟：
[0066]步驟201，對包含車輛目標的圖片進行車標特征提取，并與車標模型進行比對。
[0067] 步驟202,判斷待識別車標的識別置信度是否大于預(yù)設(shè)的閾值，若是，則執(zhí)行步驟 208,說明所述待識別車標不是新增車標，根據(jù)車標的識別結(jié)果在預(yù)存的車標模型中查找與 待識別車標相對應(yīng)的車標;若否，則執(zhí)行步驟203。
[0068] 步驟203,將待識別車標與各個新增車標儲存文件夾中的車標樣本進行特征比對。 [0069]步驟204,根據(jù)比對結(jié)果，將新增車標樣本放入某一個文件夾中，或者再次新增一 個車標存儲文件夾。
[0070] 步驟205，判斷新增存儲文件夾內(nèi)的存儲樣本量是否達到設(shè)定的數(shù)量，若否，則執(zhí) 行步驟204，若是，則執(zhí)行步驟206。
[0071] 步驟206,進行新增樣本聚類檢測，得到新增的樣本集。
[0072]步驟207,將該新增的樣本集存入已有車標模型的樣本集，更新車標模型。
[0073] 本發(fā)明還提供一種車標識別裝置，參見圖3,示出了本發(fā)明一個實施例的新增車標 的識別裝置，包括:提取模塊301、樣本量更新模塊302、樣本集更新模塊303和車標模型更新 模塊304。其中：
[0074] 提取模塊301，用于對包含車輛目標的圖片進行車標特征提取，并與車標模型進行 比對，判斷待識別車標的識別置信度是否大于預(yù)設(shè)的閾值。具體如上述實施例所述。
[0075] 樣本量更新模塊302,用于若待識別車標的識別置信度小于等于預(yù)設(shè)的閾值，則將 待識別車標與各個新增車標儲存文件夾中的車標樣本進行特征比對，根據(jù)比對結(jié)果更新新 增車標儲存文件夾中的樣本量。具體如上述實施例所述。
[0076] 樣本集更新模塊303，用于待新增存儲文件夾內(nèi)的存儲樣本量達到設(shè)定的數(shù)量時， 進行新增樣本聚類檢測，得到新增的樣本集。具體如上述實施例所述。
[0077]車標模型更新模塊304,用于將該新增的樣本集存入已有車標模型的樣本集，更新 車標模型。具體如上述實施例所述。
[0078]作為本發(fā)明的又一個實施例，所述樣本量更新模塊303包括：
[0079]新增車標存儲模塊，用于預(yù)先創(chuàng)建多個用于存放新增的車標樣本的新增車標存儲 文件夾。具體如上述實施例所述。
[0080] 樣本量分配模塊，用于通過車標特征置信度與閾值的比較結(jié)果，將新增車標樣本 放入某一個文件夾中，或者再次新增一個車標存儲文件夾。具體如上述實施例所述。
[0081] 在本發(fā)明的一個較佳實施例中，所述樣本量分配模塊用于在新增車標存儲單元 內(nèi)，遍歷查找與待增加的新增車標輸出置信度相同的車標存儲文件夾;若該文件夾存在，則 將包含該車標的車輛圖片作為樣本存入該樣本存儲文件夾內(nèi)，文件夾對應(yīng)的樣本總量加 "Γ;若該樣本文件夾不存在，則新建一個以該置信度命名的新增車標存儲文件夾，將包含 該車標的車輛圖片作為樣本存入該樣本存儲文件夾內(nèi)，文件夾對應(yīng)的樣本總量加"Γ。
[0082] 在本發(fā)明的又一個實施例中，所述樣本集更新模塊303,用于
[0083] 1)對新增車標樣本內(nèi)的樣本車標圖片依次提取車標特征，獲得K個車標特征；
[0084] 2)隨機選取第i個車標特征/^ = 作為聚類樣本類別，計算剩余的j = K_i個車標特征匕與^特征間的特征擬合度；
[0085] 3)將^^組擬合結(jié)果分別按照從小到大的順序排序，統(tǒng)計每組擬合度小于P0的 樣本個數(shù)，其中Po為擬合度的經(jīng)驗閾值；
[0086] 4)取^^組擬合度小于Po的樣本數(shù)的最大個數(shù)，作為該樣本集內(nèi)有效樣本數(shù)M;
[0087] 5)篩選出組排序結(jié)果中，每組樣本中前M個樣本中重復的車標樣本作為有 效的車標模型樣本。
[0088] 優(yōu)選地，所述特征擬合度的計算公式如下：
[0089] dij= I IPj-PiI I，（i，je(l，2，...，K)ii#j)。
[0090] 因此，本發(fā)明提供的新增車標的識別方法和裝置結(jié)合車標置信度，使得新增車標 前期的搜集整理操作，完全依賴算法實現(xiàn)，很大程度節(jié)省了人力耗費，改進了車標識別技 術(shù)。本發(fā)明解決了新增車標拉低車標識別率的問題；同時也解決了目前新增車輛品牌過多 依賴人工確認，帶來的耗時長、效率低的問題。
[0091] 顯然，上述實施例僅僅是為清楚地說明所作的舉例，而并非對實施方式的限定。對 于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或 變動。這里無需也無法對所有的實施方式予以窮舉。而由此所引伸出的顯而易見的變化或 變動仍處于本發(fā)明創(chuàng)造的保護范圍之中。
【主權(quán)項】
1. 一種新增車標的識別方法，其特征在于，包括： 對包含車輛目標的圖片進行車標特征提取，并與車標模型進行比對，判斷待識別車標 的識別置信度是否大于預(yù)設(shè)的闊值； 若否，則將待識別車標與各個新增車標儲存文件夾中的車標樣本進行特征比對，根據(jù) 比對結(jié)果更新新增車標儲存文件夾中的樣本量； 待新增存儲文件夾內(nèi)的存儲樣本量達到設(shè)定的數(shù)量時，進行新增樣本聚類檢測，得到 新增的樣本集； 將該新增的樣本集存入已有車標模型的樣本集，更新車標模型。2. 根據(jù)權(quán)利要求1所述的新增車標的識別方法，其特征在于，所述根據(jù)比對結(jié)果更新新 增車標儲存文件夾中的樣本量，的步驟包括： 預(yù)先創(chuàng)建多個用于存放新增的車標樣本的新增車標存儲文件夾，通過車標特征置信度 與闊值的比較結(jié)果，將新增車標樣本放入某一個文件夾中，或者再次新增一個車標存儲文 件夾。3. 根據(jù)權(quán)利要求2所述的新增車標的識別方法，其特征在于，所述通過車標特征置信度 與闊值的比較結(jié)果，將新增車標樣本放入某一個文件夾中，或者再次新增一個車標存儲文 件夾，的步驟包括： 在新增車標存儲單元內(nèi)，遍歷查找與待增加的新增車標輸出置信度相同的車標存儲文 件夾;若該文件夾存在，則將包含該車標的車輛圖片作為樣本存入該樣本存儲文件夾內(nèi)，文 件夾對應(yīng)的樣本總量加 "Γ ;若該樣本文件夾不存在，則新建一個W該置信度命名的新增車 標存儲文件夾，將包含該車標的車輛圖片作為樣本存入該樣本存儲文件夾內(nèi)，文件夾對應(yīng) 的樣本總量加"Γ。4. 根據(jù)權(quán)利要求1所述的新增車標的識別方法，其特征在于，所述進行新增樣本聚類檢 測，得到新增的樣本集，的步驟包括： 1) 對新增車標樣本內(nèi)的樣本車標圖片依次提取車標特征，獲得K個車標特征； 2) 隨機選取第i個車標特征巧〇' = 1，2，..."^^)作為聚類樣本類別，計算剩余的^' = 1(-1 個車標特征門與Pi特征間的特征擬合度； 3) 將組擬合結(jié)果分別按照從小到大的順序排序，統(tǒng)計每組擬合度小于P0的樣本 個數(shù)，其中P0為擬合度的經(jīng)驗闊值； 4) 取組擬合度小于P0的樣本數(shù)的最大個數(shù)，作為該樣本集內(nèi)有效樣本數(shù)M; 5) 篩選出組排序結(jié)果中，每組樣本中前Μ個樣本中重復的車標樣本作為有效的車 標模型樣本。5. 根據(jù)權(quán)利要求4所述的新增車標的識別方法，其特征在于，所述特征擬合度的計算公 式如下： dij=| |Pj-Pi| |，。0^(1，2，...，1()，且1辛如。6. -種新增車標的識別裝置，其特征在于，包括： 提取模塊，用于對包含車輛目標的圖片進行車標特征提取，并與車標模型進行比對，判 斷待識別車標的識別置信度是否大于預(yù)設(shè)的闊值； 樣本量更新模塊，用于若待識別車標的識別置信度小于等于預(yù)設(shè)的闊值，則將待識別 車標與各個新增車標儲存文件夾中的車標樣本進行特征比對，根據(jù)比對結(jié)果更新新增車標 儲存文件夾中的樣本量； 樣本集更新模塊，用于待新增存儲文件夾內(nèi)的存儲樣本量達到設(shè)定的數(shù)量時，進行新 增樣本聚類檢測，得到新增的樣本集； 車標模型更新模塊，用于將該新增的樣本集存入已有車標模型的樣本集，更新車標模 型。7. 根據(jù)權(quán)利要求6所述的新增車標的識別裝置，其特征在于，所述樣本量更新模塊包 括： 新增車標存儲模塊，用于預(yù)先創(chuàng)建多個用于存放新增的車標樣本的新增車標存儲文件 夾； 樣本量分配模塊，用于通過車標特征置信度與闊值的比較結(jié)果，將新增車標樣本放入 某一個文件夾中，或者再次新增一個車標存儲文件夾。8. 根據(jù)權(quán)利要求7所述的新增車標的識別裝置，其特征在于，所述樣本量分配模塊用于 在新增車標存儲單元內(nèi)，遍歷查找與待增加的新增車標輸出置信度相同的車標存儲文件 夾;若該文件夾存在，則將包含該車標的車輛圖片作為樣本存入該樣本存儲文件夾內(nèi)，文件 夾對應(yīng)的樣本總量加 "Γ ;若該樣本文件夾不存在，則新建一個W該置信度命名的新增車標 存儲文件夾，將包含該車標的車輛圖片作為樣本存入該樣本存儲文件夾內(nèi)，文件夾對應(yīng)的 樣本總量加"Γ。9. 根據(jù)權(quán)利要求6所述的新增車標的識別裝置，其特征在于，所述樣本集更新模塊，用 于 1) 對新增車標樣本內(nèi)的樣本車標圖片依次提取車標特征，獲得K個車標特征； 2) 隨機選取第i個車標特征郵=1，2，..."^^)作為聚類樣本類別，計算剩余的^'=1(-1 個車標特征門與Pi特征間的特征擬合度； 3) 將組擬合結(jié)果分別按照從小到大的順序排序，統(tǒng)計每組擬合度小于P0的樣本 厶 個數(shù)，其中P0為擬合度的經(jīng)驗闊值； 4) 取組擬合度小于P0的樣本數(shù)的最大個數(shù)，作為該樣本集內(nèi)有效樣本數(shù)M; 5) 篩選出組排序結(jié)果中，每組樣本中前Μ個樣本中重復的車標樣本作為有效的車 標模型樣本。10. 根據(jù)權(quán)利要求9所述的新增車標的識別裝置，其特征在于，所述特征擬合度的計算 公式如下： dij=| |Pj-Pi| |，。0^(1，2，...，1()，且1辛如。
【文檔編號】G06K9/62GK105844286SQ201610137614
【公開日】2016年8月10日
【申請日】2016年3月11日
【發(fā)明人】劉丹, 張旺, 虞正華, 劉洋, 於承義
【申請人】博康智能信息技術(shù)有限公司