识别车标的方法

1.一种识别车标的方法，其特征在于，包括：
从拍摄的图像中采集车标图像区域；
在所述车标图像区域对应的全部特征点中，采用PCA分析法提取包括多个特征点的集合；
将所述提取的多个特征点集合与多个车标图像各自对应特征点集合进行匹配；
确定匹配的特征点数量最多的集合；
将所述确定的集合对应的车标作为识别到的车标；
获取所述多个车标图像各自对应特征点集合时，首先拍摄多张车标图像，然后对所述多张车标图像进行预处理，并对所述处理后的图像制作车标模板图像，最后对所述车标模板图像进行处理，得到所述车标模板图像的特征点向量集合。
2.根据权利要求1所述的方法，其特征在于，所述多个车标图像各自对应的特征点集合采用所述PCA分析法提取。
3.根据权利要求2所述的方法，其特征在于，所述多个车标图像各自对应的特征点集合的提取过程包括：
提取同一类的车标图像m个，每个车标图像包括N个特征向量；
训练样本矩阵X，以及平均矩阵 其中j＝1，2，...，m；
确定每张车标的矩阵X与平均矩阵的差值dj＝xj-＜x＞其中j＝1，2，...，m；
计算样本矩阵X的协方差矩阵
T
计算AA特征值λi及其正交归一化特征向量Vi，i＝1，2，….m，根据特征值的贡献率选取前r个最大特征向量及其对应的特征点，贡献率是指选取的特征值和与占所有特征值的和比
选择出每张图像中贡献率较高的r个特征向量，将r个特征向量对应的特征点作为所述提取的特征点。
4.根据权利要求3所述的方法，其特征在于，所述匹配的过程包括：
将待识别车标图像Y与平均车标的差值投影到特征车标空间得到其特征向量表示：
Y T
O＝w (Y-＜x＞)
Y
采用欧式距离计算O与每一个车标的距离εi，
2 Y 2
εi＝||Oi-O||(i＝1，2，...m)
然后将获得的欧式距离从小到大进行排列，按照排列顺序获得K个，最后将K个近邻中的车标进行分类，将数量最多的那一类车标作为识别的结果；
T
其中，特征车标空间Oi＝w di(i＝1，2...，m)；特征车标的空间w为：
5.根据权利要求4所述的方法，其特征在于，还包括：选择多帧具有同一车辆的车标图像，每帧图像进行匹配，将多帧图像中，匹配结果最高的车标作为匹配到的车标。

识别车标的方法\n技术领域\n[0001] 本发明涉及车辆检测领域，特别是指一种识别车标的方法。\n背景技术\n[0002] 车牌识别技术被广泛应用在交通监测，高速公路卡口收费，闯红灯违章车辆监控及小区自动收费系统中。目前追查套牌车辆的最常用方法是由计算机自动识别出车牌号，然后查询数据库是否是套牌嫌疑车辆。但是车牌受部分遮挡、污迹、变形以及环境光照变化大等因素影响时，识别精度大大降低，误差大，给交警执法和车主带来不便。现有技术只能识别车牌，不能对车标识别，识别车辆的身份的正确率较低。\n发明内容\n[0003] 本发明提出了一种识别车标的方法，以解决上述现有技术不能对车标进行识别的问题。\n[0004] 为了达到上述目的，本发明的技术方案是这样实现的：\n[0005] 从拍摄的图像中采集车标图像区域；\n[0006] 在所述车标图像区域对应的全部特征点中，采用PCA分析法提取包括多个特征点的集合；\n[0007] 将所述提取的多个特征点集合与多个车标图像各自对应特征点集合进行匹配；\n[0008] 确定匹配的特征点数量最多的集合；\n[0009] 将所述确定的集合对应的车标作为识别到的车标；\n[0010] 获取所述多个车标图像各自对应特征点集合时，首先拍摄多张车标图像，然后对所述多张车标图像进行预处理，并对所述处理后的图像制作车标模板图像，最后对所述车标模板图像进行处理，得到所述车标模板图像的特征点向量集合。\n[0011] 通过上述步骤，可提取出车标图像，通过与预先存储的车标图像的匹配，将匹配成功的车标作为最终的识别结果。通过对车标的有效识别，可提高车辆识别的正确率。\n附图说明\n[0012] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。\n[0013] 图1是实施例的流程图；\n[0014] 图2是采用PCA和KNN算法的识别车标的流程图。\n具体实施方式\n[0015] 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。基于本发明中的实施例，本领域普通技术人员在没有作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。\n[0016] 参见图1，本发明的实施例包括以下步骤：\n[0017] S11：从拍摄的图像中采集车标图像区域；\n[0018] S12：在所述车标图像区域对应的全部特征点中，采用PCA分析法提取包括多个特征点的集合；\n[0019] S13：将所述提取的多个特征点集合与多个车标图像各自对应特征点集合进行匹配；\n[0020] S14：确定匹配的特征点数量最多的集合；\n[0021] S15：将所述确定的集合对应的车标作为识别到的车标。\n[0022] 通过上述步骤，可提取出车标图像，通过与预先存储的车标图像的匹配，将匹配成功的车标作为最终的识别结果。通过对车标的有效识别，可提高车辆识别的正确率。\n[0023] 下面详细说明实施例的各个步骤。参见图2，包括：\n[0024] S21：拍摄多张车标图像；\n[0025] 将拍摄装置安装于公路路口、收费站、停车场或其它要求的位置，对车辆进行图像采集，得到含有车标图像的原始图像；\n[0026] S22：对各个车标图像进行预处理；\n[0027] 处理后的图像制作车标模板图像，具体方法为事先对含有全部车型的车标进行高清晰度拍摄，截取图像中的车标部分，并对车标类型进行排列，组成车标模板图像；例如：\n拍摄不同品牌的汽车车头的图像，获得含有各类车标的图像。\n[0028] 预处理的过程具体包括如下步骤：\n[0029] 1)目标提取\n[0030] 经形态学处理后，仍可能存在部分杂散噪声形成大小不一的块，对图像进一步进行连通域分析，利用8连通分量分析的方法提取车标位置，获得更优的二值轮廓图。\n[0031] 2)将目标轮廓图像的位置映射到彩色图像进行截取，获得目标区域。\n[0032] 3)图像归一化\n[0033] 为了消除图像大小对识别的影响，应使车标居中，然后将图像大小统一为32*32像素\n[0034] S23：运用PCA主成分分析算法对汽车的车标模板图像进行处理，得到车标模板图像的PCA特征点向量集合；\n[0035] 这些车标图像中，含有不同种类的车标图像，例如，含有宝马公司车标的图像100张，含有福特公司车标的图像150张等。采用PCA得到各类车标模板图像的特征点。\n[0036] 采用基于几何特征和矩不变特征计算车标的特征空间，并根据PCA提取车标的主要特征。\n[0037] 采用PCA分析算法提取车标模板图像的PCA特征点的过程如下：\n[0038] 对于二值化后的图像，通过PCA算法提取每一个车标图像的r个特征点的变量[0039] 其中，r＜N，N为全部的二值化后的图像中的像素所对应的矩阵X中的特征向量的数量。\n[0040] 其中，r个新变量称为“主成分”，它们可以在很大程度上反映原来n个变量的影响，并且这些新变量是互不相关的，也是正交的。通过主成分分析，压缩数据空间，将多元数据的特征在低维空间里直观地表示出来。\n[0041] 具体的PCA分析步骤如下：\n[0042] (1)第一步计算矩阵X样本矩阵的样本的协方差矩阵S；矩阵X是每一张车标图像的图像二值化后的矩阵；\n[0043] 假设该类车标的训练集有m个样本，由二值图像组成，每个样本大小为32*32个像素，每个样本对应一个车标。\n[0044] 训练样本矩阵X。计算训练图片的车标的平均矩阵， 其中j\n＝1，2，...，m\n[0045] 向量xj为第j个图像每一列向量堆叠成的32*32维列向量，\n[0046] 计算每一张车标与平均车标的差值\n[0047] dj＝xj-〈x〉其中j＝1，2，...，m\n[0048] 计算样本矩阵X的协方差矩阵S；\n[0049] \n[0050] 第二步计算AAT特征值λi及其正交归一化特征向量Vi,i＝1,2,….m,根据特征值的贡献率选取前r个最大特征向量及其对应的特征点，贡献率是指选取的特征值和与占所有特征值的和比\n[0051] 贡献率越大，可靠性越大；反之，则可靠性越小。在车标处理的过程中一般要求累计贡献率达到70％以上。\n[0052] S24：对车标模板图像的PCA特征点向量集合,采用支持向量机的方法进行分类处理。\n[0053] 将每张车标挑选出的r个特征点的特征向量，将多个类别中的特征点向量集合做分类处理。将属于同一个品牌的向量合为一类。\n[0054] S25：采集待测车标图像；\n[0055] S26：对待测车标图像进行预处理；\n[0056] 预处理的过程参见前述过程；\n[0057] S27：特征提取；\n[0058] 待测图像进行预处理，将得到的待测车标图像区域，采用基于PCA的方法进行特征分析，得到特征集合。\n[0059] S28：采用待测图像的特征点与存储的分类后的图像的特征点进行比较，根据比较结果确定是否识别成功。\n[0060] 将S24中得到的支持向量机的分类结果和S27中得到的待识别图像的特征点向量集合中查找相互匹配的特征点，计算两张图像中相对应的匹配特征点集合；\n[0061] 具体的匹配过程，可采用KNN算法进行识别匹配；\n[0062] 识别过程包括：\n[0063] 将每一幅车标图像与平均车标的差值矢量投影到特征车标空间；\n[0064] 首先求出原协方差矩阵特征向量；\n[0065] \n[0066] 则特征车标的空间w为：\n[0067] W＝(u1,u2,...,ur)\n[0068] 然后，将差值di投影到该空间，得到Oi\n[0069] Oi＝wTdi(i＝1，2...，m)；\n[0070] 匹配的过程包括：\n[0071] 将待识别车标图像Y与平均车标的差值投影到特征车标空间得到其特征向量表示：\n[0072] OY＝wY(Y-〈x〉)\n[0073] 采用欧式距离计算OY与每一个车标的距离εi,\n[0074] εi2＝||Oi-OY||2(i＝1，2，...m)\n[0075] 然后将获得的欧式距离从小到大进行排列，按照排列顺序获得K(K取50)个,最后将K个近邻中的车标进行分类，将数量最多的那一类车标作为识别的结果。\n[0076] 优选地，还包括：选择多帧具有同一车辆的车标图像，每帧图像进行匹配，将多帧图像中，匹配结果最高的车标作为匹配到的车标。\n[0077] 如果相匹配的特征点的数量不大于阈值，则认为该图像内没有车标；选择待测图像内的下一个区域的图像，用于特征点匹配，直到匹配完待测图像的全部各个区域的图像，直到识别成功或识别失败。\n[0078] 本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。\n[0079] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。