一种车标识别方法及装置

暂无

一种车标识别方法及装置\n技术领域\n[0001] 本申请涉及视频监控技术领域，尤其涉及一种车标识别方法及装置。\n背景技术\n[0002] 车标是车辆的重要信息，是车辆的标志性图像，车标识别可对车辆监控和跟踪提供强有力的信息支持。但是，由于车标较小、相似性大，且受光照、背景、形状等原因影响，难以准确识别。\n[0003] 目前的车标识别技术主要依赖于车标的精准定位，而车标定位多采用图像处理以及模式识别技术，该车标定位方式对车标的周围纹理、角度旋转、倾斜等极度敏感，因此，在复杂场景下很难做到准确定位，进而导致车标的识别率低。\n发明内容\n[0004] 有鉴于此，本申请提供一种车标识别方法及装置。\n[0005] 具体地，本申请是通过如下技术方案实现的：\n[0006] 本申请提供一种车标识别方法，该方法包括：\n[0007] 采用车标检测算法训练车标分类器；\n[0008] 获取待检测图像中的车牌位置信息；\n[0009] 根据所述车牌位置信息确定车标初选区域；\n[0010] 利用训练得到的车标分类器对所述车标初选区域进行车标检测，获得若干第一车标候选区域；\n[0011] 计算每一个第一车标候选区域的第一车标置信度；\n[0012] 根据第一车标候选区域的位置计算对应的车标位置置信度；\n[0013] 根据所述车标位置置信度从所述若干第一车标候选区域筛选出距离所述车标初选区域的中轴线较近的第一车标候选区域作为第二车标候选区域；\n[0014] 采用机器学习算法对所述第二车标候选区域进行识别，获取第二车标候选区域的第二车标置信度；\n[0015] 对多个第二车标候选区域进行区域融合生成多个融合候选区域；\n[0016] 根据生成融合候选区域的第二车标候选区域的第一车标置信度、车标位置置信度以及第二车标置信度计算对应融合候选区域的融合置信度；\n[0017] 选择融合置信度最高的融合候选区域作为识别出的车标。\n[0018] 本申请还提供一种车标识别装置，该装置包括：\n[0019] 训练单元，用于采用车标检测算法训练车标分类器；\n[0020] 获取单元，用于获取待检测图像中的车牌位置信息；\n[0021] 确定单元，用于根据所述车牌位置信息确定车标初选区域；\n[0022] 检测单元，用于利用训练得到的车标分类器对所述车标初选区域进行车标检测，获得若干第一车标候选区域；\n[0023] 第一计算单元，用于计算每一个第一车标候选区域的第一车标置信度；\n[0024] 第二计算单元，用于根据第一车标候选区域的位置计算对应的车标位置置信度；\n[0025] 筛选单元，用于根据所述车标位置置信度从所述若干第一车标候选区域筛选出距离所述车标初选区域的中轴线较近的第一车标候选区域作为第二车标候选区域；\n[0026] 识别单元，用于采用机器学习算法对所述第二车标候选区域进行识别，获取第二车标候选区域的第二车标置信度；\n[0027] 融合单元，用于对多个第二车标候选区域进行区域融合生成多个融合候选区域；\n[0028] 第三计算单元，用于根据生成融合候选区域的第二车标候选区域的第一车标置信度、车标位置置信度以及第二车标置信度计算对应融合候选区域的融合置信度；\n[0029] 选择单元，用于选择融合置信度最高的融合候选区域作为识别出的车标。\n[0030] 由以上描述可以看出，本申请不依赖于车标的精准定位，而是基于深度学习算法，采用多种置信度加权融合的方式进行车标识别，提高在复杂场景下的车标识别率。\n附图说明\n[0031] 图1是本申请一示例性实施例示出的一种车标识别方法流程图；\n[0032] 图2是本申请一示例性实施例示出的正样本和负样本示例；\n[0033] 图3是本申请一示例性实施例示出的车标初选区域示意图；\n[0034] 图4是本申请一示例性实施例示出的一种车标识别装置所在设备的基础硬件结构示意图；\n[0035] 图5是本申请一示例性实施例示出的一种车标识别装置的结构示意图。\n具体实施方式\n[0036] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。\n[0037] 在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。\n在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。\n[0038] 应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。\n[0039] 目前的车标识别技术主要采用图像处理以及模式识别技术，在车牌识别技术的基础上，利用车牌与车标的相对位置关系，对车标进行初定位；再利用基于Haar特征的Adaboost算法进行车标检测，得到若干疑似车标区域；然后利用基于HOG(Histogram of Oriented Gradient,方向梯度直方图)特征的SVM(Support Vector Machine,支持向量机)算法对疑似车标区域进行筛选，选取置信度最大的区域作为车标定位区域；最后对确定的车标定位区域进行车标识别。\n[0040] 在上述车标识别过程中，通常需要根据车标长宽比的不同训练出多个车标分类器，且由于长宽比不同，必然导致采用不同尺度、不同步长、不同滑动窗口进行检测，因此，需要消耗大量的系统资源。其次，由于HOG算法的固有缺陷，很难处理遮挡、残缺等问题，且该算法对图像噪点相当敏感。此外，选取置信度最大的区域作为车标定位区域的判别方式过于简单暴力，容易造成误判。\n[0041] 针对上述问题，本申请实施例提出一种车标识别方法，该方法不依赖于车标的精准定位，而是基于深度学习算法，用多种置信度加权融合的方式进行车标识别。\n[0042] 参见图1，为本申请车标识别方法的一个实施例流程图，该实施例对车标识别过程进行描述。\n[0043] 步骤101，采用车标检测算法训练车标分类器。\n[0044] 本申请实施例在车标识别过程中使用车标分类器进行车标识别，因此，需预先训练车标分类器。该车标分类器的训练(步骤101)只需在车标检测(步骤104)之前完成即可。\n具体可采用Adaboost算法、HOG算法、DPM(Deformable Parts Model，变形件模型)算法等检测算法进行车标分类器训练。\n[0045] 在一种优选的实施方式中，采用Adaboost算法进行车标分类器的训练，具体为：\n[0046] 获取车标图案的正样本和负样本，正样本为包含车标图案的样本，负样本为不包含车标图案的样本。在本申请实施例中，所有正样本按照1:1的宽高比进行标定，如图2(a)所示，对于不满足1:1宽高比的车标，可截取车标区域具有辨识度的部分作为正样本，例如，奥迪车标可选取四环中的一环作为正样本，如图2(b)所示。\n[0047] 此外，本实施例中的负样本分为两部分，一部分为仅包含车标初选区域(车标初选区域为车牌正上方区域，在后续描述中会详细介绍)的负样本，以下简称为第一负样本，如图2(c)所示，该第一负样本主要是考虑本申请实施例在后续车标识别过程中基于车标初始区域进行车标识别，因此，选择车标初选区域作为负样本可有效排除车标初选区域内的非车标区域，提高车标分类器的检测效率。另一部分负样本为包含整张车前脸的负样本，如图\n2(d)所示，以下简称为第二负样本。尽管第一负样本具有很强的排除能力，但是由于车标初选区域的范围比较小，且该区域内的纹理特征有限，当车标种类增加时，位于该车标初选区域范围内的车标区域与非车标区域的差异性很小，单纯利用第一负样本生成的车标分类器进行车标识别的效果不佳，本申请实施例增加了第二负样本，该第二负样本包含整张车前脸，纹理特征丰富，可增大车标区域与非车标区域的差异，有利于车标识别，因此，通过增加第二负样本可提升车标分类器的收敛性。当然，无论是第一负样本还是第二负样本均需抠取掉车标图案。\n[0048] 在获取到训练所需的正样本和负样本后，本申请实施例首先根据正样本和第一负样本训练得到前N级强分类器，再根据正样本和第二负样本训练得到后M级强分类器，将前N级强分类器与后M级强分类器级联生成车标分类器。如前所述，根据第一负样本训练得到前N级强分类器可有效排除车标初选区域内的非车标区域；根据第二负样本训练得到后M级强分类器可提升车标分类器的收敛性，在此不再赘述。\n[0049] 步骤102，获取待检测图像中的车牌位置信息。\n[0050] 可采用现有较成熟的车牌识别技术识别车牌，获取待检测图像中车牌的位置信息，在此不再赘述。\n[0051] 步骤103，根据所述车牌位置信息确定车标初选区域。\n[0052] 通过大量的观察可发现，车标通常位于车牌正上方区域，但其所处高度存在差异，例如，一些小型轿车车标通常位于车牌上方邻近区域，而一些大型车辆车标通常位于车牌上方较高区域(如大卡车、中型货车等)。通过对大量车标位置的统计发现，车标高度通常不超过两倍车牌宽度。因此，本申请实施例根据上述统计结果确定一个位于车牌上方的车标初选区域，该车标初选区域的下边沿与车牌上边沿相接、侧边沿的高度为车牌宽度的2倍，如图3所示。该车标初选区域可以涵盖绝大部分的车标位置，且由于该车标初选区域仅与车牌的宽高和位置有关，因此，在不同环境及不同角度下，该车标初选区域相对于整个车前脸变化较小，为后续车标识别提供了一个相对稳定且范围较小的检测区域。\n[0053] 步骤104，利用训练得到的车标分类器对所述车标初选区域进行车标检测，获得若干第一车标候选区域。\n[0054] 通过步骤101已完成车标分类器的训练，利用该车标分类器对待检测图像中的车标初选区域进行车标检测，排除非车标区域，获取到多个疑似的车标区域，以下简称为第一车标候选区域。通过上述车标分类器检测得到的第一车标候选区域在真实车标或类似车标周围具有明显的聚集性，为后续区域融合打下基础。\n[0055] 步骤105，计算每一个第一车标候选区域的第一车标置信度。\n[0056] 在获取到第一车标候选区域后，计算每一个第一车标候选区域的置信度，以下简称为第一车标置信度，具体计算过程如下：\n[0057] FFstWeight＝K/P    公式(1)\n[0058] 其中，K为车标分类器中能够检测出第一车标候选区域的弱分类器的个数；P为车标分类器中弱分类器的总个数；FFstWeight为第一车标候选区域的第一车标置信度。\n[0059] 在前述描述可知，车标分类器由多个级联的强分类器组成，而强分类器是由训练过程中生成的多个弱分类器组成。上述公式(1)正是利用训练过程中生成的弱分类器作为计算第一车标候选区域的基础。在车标分类器训练过程中，每一个弱分类器都有一个对应的阈值，每一个弱分类器对输入的待检测区域都会有一个对应的输出值，将该输出值与对应的阈值进行比较，从而确定待检测区域是否可以通过弱分类的检测。如果待检测区域可以通过当前弱分类器的检测，则统计的弱分类器个数加一，当待检测区域经过所有的弱分类器(P个弱分类器)检测后可得到最终的统计结果，即K值。在确认该待检测区域通过车标分类器的检测后，该待检测区域可作为第一车标候选区域按照公式(1)计算对应的第一车标置信度。该第一车标置信度越大，则对应的第一车标候选区域是车标的可能性越大。\n[0060] 步骤106，根据第一车标候选区域的位置计算对应的车标位置置信度。\n[0061] 由于本申请实施例并未对车标区域进行精准定位，因此，通过目标检测算法在预设的车标初选区域进行车标检测时，可能会检测出结构纹理与车标相似的特征区域，并在该特征区域附近聚集大量的第一车标候选区域。\n[0062] 为了排除上述结构纹理与车标相似的特征区域，本申请实施例基于车标位置作进一步排查。众所周知，虽然车标的大小、高度存在差异，但车标的水平位置通常位于车辆的中轴线上，因此，本申请实施例利用车标的位置特性计算每一个第一车标候选区域的车标位置置信度。\n[0063] 车标位置置信度的计算过程如下：\n[0064]         公式(2)\n[0065] 其中，D为第一车标候选区域中心点到车标初选区域中轴线的距离；W为第一车标候选区域的宽；FLocWeight为第一车标候选区域的车标位置置信度。\n[0066] 需要补充说明一点，对于车标不在中轴线上的车辆，仍然可以采用公式(2)计算车标位置置信度，这需要在车标分类器训练时，选择车标初选区域中位于中轴线上的一些明显特征区域代替真实车标作为正样本，同样可以排除掉位置偏差比较大的类似车标区域。\n[0067] 步骤107，根据所述车标位置置信度从所述若干第一车标候选区域筛选出距离所述车标初选区域的中轴线较近的第一车标候选区域作为第二车标候选区域。\n[0068] 具体地，本申请实施例根据公式(2)计算的车标位置置信度判断当前第一车标候选区域是否可以作为第二车标候选区域进行后续车标识别。\n[0069] 在一种优选的实施方式中，计算得到的车标位置置信度FLocWeight位于0到1之间时，认为对应的第一车标候选区域位于中轴线附近，可作为第二车标候选区域进一步识别；而当FLocWeight小于0时，说明对应的第一车标候选区域距离中轴线较远，应剔除该第一车标候选区域。通过本步骤筛选得到的第二车标候选区域均位于中轴线附近，且较集中地聚类在不同的高度上，缩小后续车标识别范围。\n[0070] 步骤108，采用机器学习算法对所述第二车标候选区域进行识别，获取第二车标候选区域的第二车标置信度。\n[0071] 现有的机器学习算法很多，例如，CNN(Convolutional Neural Networks，卷积神经网络)算法、SVM算法、BOW(Bag of words，词袋)算法等。本申请实施例以CNN算法为例，对第二车标候选区域作进一步识别。\n[0072] 在进行CNN分类器训练时，CNN的训练样本可在前述目标检测算法样本的基础上增加部分残缺、旋转、平移的车标样本，以增强CNN分类器识别车标的鲁棒性。\n[0073] 本步骤中，通过CNN分类器识别可获取到每一个第二车标候选区域的第二车标置信度FSndWeight，该第二车标置信度的获取方法为现有技术，在此不再赘述。\n[0074] 步骤109，对多个第二车标候选区域进行区域融合生成多个融合候选区域。\n[0075] 由于上述识别算法均存在误差，且识别出的第二车标候选区域一般较集中地聚类在真实车标或类似车标周围，因此，本申请实施例对位置和大小相近、且机器学习结果一致的第二车标候选区域进行融合。通过对获取的第二车标候选区域进行S轮融合后，生成S个融合候选区域，具体融合过程如下：\n[0076] 执行新一轮融合操作：选择一个未与其它车标候选区域融合过且未被选为初始融合区域的第二车标候选区域作为新一轮融合操作的初始融合区域，该初始融合区域为当前轮融合操作的首个中间融合区域。\n[0077] 执行当前轮融合操作：选择一个未参与当前轮融合操作的第二车标候选区域作为待融合区域；分别获取中间融合区域和待融合区域的位置、宽度、高度以及机器识别结果(经机器学习算法识别后的结果)；计算当前的融合阈值；根据融合阈值、中间融合区域和待融合区域的位置、宽度、高度以及机器识别结果判断中间融合区域和待融合区域是否满足融合条件；当中间融合区域和待融合区域满足融合条件时，将中间融合区域和待融合区域进行融合，作为新的中间融合区域。\n[0078] 判断是否每一个第二车标候选区域均已参与当前轮的融合操作；若否，返回执行当前轮融合操作；若是，判断是否还有未被选为初始融合区域的第二车标候选区域；若无，则当前存在的中间融合区域为融合候选区域；若有，则返回执行新一轮融合操作。\n[0079] 上述融合阈值的计算过程如下：\n[0080] dDelta＝θ×MIN(iRectWdt1，iRectWdt2)      公式(3)\n[0081] 其中，θ为阈值调节系数，例如，θ＝0.3；iRectWdt1为中间融合区域的宽度；\niRectWdt2为待融合区域的宽度；MIN(iRectWdt1，iRectWdt2)为取中间融合区域宽度和待融合区域宽度的最小值；dDelta为融合阈值。\n[0082] 上述判断中间融合区域和待融合区域是否满足融合条件的过程如下：\n[0083] iType1＝iType2        公式(4)\n[0084] |iRectX1-iRectX2|≤dDelta        公式(5)\n[0085] |iRectY1-iRectY2|≤dDelta        公式(6)\n[0086] |iRectX1+iRectWdt1-iRectX2-iRectWdt2|≤dDelta        公式(7)[0087] |iRectY1+iRectHgt1-iRectY2-iRectHgt2|≤dDelta        公式(8)[0088] 其中，iType1为中间融合区域的机器识别结果；iType2为待融合区域的机器识别结果；(iRectX1，iRectY1)为中间融合区域的位置；(iRectX2，iRectY2)为待融合区域的位置；iRectWdt1为中间融合区域的宽度；iRectWdt2为待融合区域的宽度；iRectHgt1为中间融合区域的高度；iRectHgt2为待融合区域的高度；dDelta为融合阈值。\n[0089] 从上述公式可以看出，公式(4)表示中间融合区域和待融合区域的机器识别结果相同，例如，均识别为“奔驰”车标；公式(5)和公式(6)表示中间融合区域和待融合区域的位置相近；公式(7)和公式(8)表示中间融合区域和待融合区域的大小相近。\n[0090] 当中间融合区域和待融合区域同时满足机器识别结果相同、位置相近、大小相近时，确认中间融合区域和待融合区域满足融合条件。\n[0091] 步骤110，根据生成融合候选区域的第二车标候选区域的第一车标置信度、车标位置置信度以及第二车标置信度计算对应融合候选区域的融合置信度。\n[0092] 在通过步骤109的融合后，仍然存在多个融合候选区域，需要继续筛选以确定最终的车标。\n[0093] 在车标识别过程中所采用的识别算法均具有各自的优缺点，例如，CNN算法对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性；Adaboost算法对较准确的候选区域的识别置信度较高，而对于位置有偏移的候选区域的识别置信度略低，误检的候选区域的识别置信度更低。当然，也不排除某些候选区域在结构和形态上与训练库中的样本有极大的相似性。因此，为了提高车标识别的准确度，本申请实施例结合上述过程中得到的多个置信度计算每一个融合候选区域的融合置信度。\n[0094] 融合置信度的计算过程为：\n[0095]\n[0096] 公式(9)\n[0097] 其中，t为构成当前融合候选区域的第二车标候选区域的个数；FSndWeight(i)为第i个第二车标候选区域的第二车标置信度；FFstWeight(i)为第i个第二车标候选区域的第一车标置信度；FLocWeight(i)为第i个第二车标候选区域的车标位置置信度；α、β分别为第一车标置信度和车标位置置信度的权重系数，且α+β＝1；FWeight为当前融合候选区域的融合置信度。\n[0098] 由公式(9)可以看出，融合候选区域的融合置信度为构成该融合候选区域的第二车标候选区域的置信度的累加和。其中，在计算每一个第二车标候选区域的置信度时，对表示第二车标候选区域与真实车标相似程度的第一车标置信度和车标位置置信度进行加权处理，例如，在一种优选的实施方式中，取α＝0.35，β＝0.65，识别效果较佳。\n[0099] 步骤111，选择融合置信度最高的融合候选区域作为识别出的车标。\n[0100] 融合置信度越高的融合候选区域是车标的可能性也就越高。\n[0101] 由上述描述可以看出，本申请无需对车标进行精准定位，而是通过对深度识别获取的多种置信度进行加权融合，得到最终的识别结果。本申请适用于复杂场景下的车标识别，识别率较高。\n[0102] 与前述车标识别方法的实施例相对应，本申请还提供了车标识别装置的实施例。\n[0103] 本申请车标识别装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器运行存储器中对应的计算机程序指令形成的。从硬件层面而言，如图4所示，为本申请车标识别装置所在设备的一种硬件结构图，除了图4所示的处理器、网络接口、以及存储器之外，实施例中装置所在的设备通常根据该设备的实际功能，还可以包括其他硬件，对此不再赘述。\n[0104] 请参考图5，为本申请一个实施例中的车标识别装置的结构示意图。该车标识别装置包括训练单元501、获取单元502、确定单元503、检测单元504、第一计算单元505、第二计算单元506、筛选单元507、识别单元508、融合单元509、第三计算单元510以及选择单元511，其中：\n[0105] 训练单元501，用于采用车标检测算法训练车标分类器；\n[0106] 获取单元502，用于获取待检测图像中的车牌位置信息；\n[0107] 确定单元503，用于根据所述车牌位置信息确定车标初选区域；\n[0108] 检测单元504，用于利用训练得到的车标分类器对所述车标初选区域进行车标检测，获得若干第一车标候选区域；\n[0109] 第一计算单元505，用于计算每一个第一车标候选区域的第一车标置信度；\n[0110] 第二计算单元506，用于根据第一车标候选区域的位置计算对应的车标位置置信度；\n[0111] 筛选单元507，用于根据所述车标位置置信度从所述若干第一车标候选区域筛选出距离所述车标初选区域的中轴线较近的第一车标候选区域作为第二车标候选区域；\n[0112] 识别单元508，用于采用机器学习算法对所述第二车标候选区域进行识别，获取第二车标候选区域的第二车标置信度；\n[0113] 融合单元509，用于对多个第二车标候选区域进行区域融合生成多个融合候选区域；\n[0114] 第三计算单元510，用于根据生成融合候选区域的第二车标候选区域的第一车标置信度、车标位置置信度以及第二车标置信度计算对应融合候选区域的融合置信度；\n[0115] 选择单元511，用于选择融合置信度最高的融合候选区域作为识别出的车标。\n[0116] 进一步地，所述第一计算单元505，具体为：\n[0117] FFstWeight＝K/P\n[0118] 其中，\n[0119] K为所述车标分类器中能够检测出第一车标候选区域的弱分类器的个数；\n[0120] P为所述车标分类器中弱分类器的总个数；\n[0121] FFstWeight为所述第一车标候选区域的第一车标置信度。\n[0122] 进一步地，所述第二计算单元506，具体为：\n[0123]\n[0124] 其中，\n[0125] D为第一车标候选区域中心点到车标初选区域中轴线的距离；\n[0126] W为第一车标候选区域的宽；\n[0127] FLocWeight为第一车标候选区域的车标位置置信度。\n[0128] 进一步地，所述融合单元509，包括：\n[0129] 初始融合区域选择模块，用于选择一个未与其它车标候选区域融合过且未被选为初始融合区域的第二车标候选区域作为新一轮融合操作的初始融合区域，所述初始融合区域为当前轮融合操作的首个中间融合区域；\n[0130] 待融合区域选择模块，用于选择一个未参与当前轮融合操作的第二车标候选区域作为待融合区域；\n[0131] 信息获取模块，用于分别获取所述中间融合区域和所述待融合区域的位置、宽度、高度以及机器识别结果；\n[0132] 阈值计算模块，用于计算当前的融合阈值；\n[0133] 融合判断模块，用于根据所述融合阈值、所述中间融合区域和所述待融合区域的位置、宽度、高度以及机器识别结果判断所述中间融合区域和所述待融合区域是否满足融合条件；\n[0134] 区域融合模块，用于当所述中间融合区域和所述待融合区域满足融合条件时，将所述中间融合区域和所述待融合区域进行融合，作为新的中间融合区域；\n[0135] 结果判断模块，用于判断是否每一个第二车标候选区域均已参与当前轮的融合操作；若否，则执行待融合区域选择模块；若是，判断是否还有未被选为初始融合区域的第二车标候选区域；若无，则当前存在的中间融合区域为融合候选区域；若有，则执行初始融合区域选择模块。\n[0136] 进一步地，所述阈值计算模块，具体为：\n[0137] dDelta＝θ×MIN(iRectWdt1，iRectWdt2)\n[0138] 其中，\n[0139] θ为阈值调节系数；\n[0140] iRectWdt1为中间融合区域的宽度；\n[0141] iRectWdt2为待融合区域的宽度；\n[0142] MIN(iRectWdt1，iRectWdt2)为取中间融合区域宽度和待融合区域宽度的最小值；\n[0143] dDelta为融合阈值。\n[0144] 进一步地，所述融合条件为：\n[0145] iType1＝iType2\n[0146] |iRectX1-iRectX2|≤dDelta\n[0147] |iRectY1-iRectY2|≤dDelta\n[0148] |iRectX1+iRectWdt1-iRectX2-iRectWdt2|≤dDelta\n[0149] |iRectY1+iRectHgt1-iRectY2-iRectHgt2|≤dDelta\n[0150] 其中，\n[0151] iType1为中间融合区域的机器识别结果；\n[0152] iType2为待融合区域的机器识别结果；\n[0153] (iRectX1，iRectY1)为中间融合区域的位置；\n[0154] (iRectX2，iRectY2)为待融合区域的位置；\n[0155] iRectWdt1为中间融合区域的宽度；\n[0156] iRectWdt2为待融合区域的宽度；\n[0157] iRectHgt1为中间融合区域的高度；\n[0158] iRectHgt2为待融合区域的高度；\n[0159] dDelta为融合阈值。\n[0160] 进一步地，所述第三计算单元510，具体为：\n[0161]\n[0162] 其中，\n[0163] t为构成当前融合候选区域的第二车标候选区域的个数；\n[0164] FSndWeight(i)为第i个第二车标候选区域的第二车标置信度；\n[0165] FFstWeight(i)为第i个第二车标候选区域的第一车标置信度；\n[0166] FLocWeight(i)为第i个第二车标候选区域的车标位置置信度；\n[0167] α、β分别为第一车标置信度和车标位置置信度的权重系数，且α+β＝1；\n[0168] FWeight为当前融合候选区域的融合置信度。\n[0169] 上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。\n[0170] 对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。\n[0171] 以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。