技術(shù)特征：

1.一種基于選擇性搜索算法的車標(biāo)檢測(cè)識(shí)別方法，其特征在于：包括以下步驟：

對(duì)原始車輛圖像進(jìn)行車牌定位，獲取車牌位置；

根據(jù)車牌位置、車牌與車標(biāo)空間位置關(guān)系和車窗邊緣信息在原始車輛圖像中對(duì)車標(biāo)進(jìn)行粗定位，得到車標(biāo)粗定位圖像；

基于車輛中軸線在車標(biāo)粗定位圖像中選取車標(biāo)候選區(qū)；

采用選擇性搜索算法對(duì)車標(biāo)候選區(qū)進(jìn)行目標(biāo)定位，得到定位目標(biāo)集，所述選擇性搜索算法綜合根據(jù)顏色相似度、紋理相似度、大小相似度和吻合度相似度來(lái)進(jìn)行區(qū)域合并；

采用線性約束編碼算法訓(xùn)練車標(biāo)判斷分類器來(lái)對(duì)定位目標(biāo)集進(jìn)行車標(biāo)的判別，得到車標(biāo)的位置；

采用線性約束編碼算法訓(xùn)練多類車標(biāo)識(shí)別分類器來(lái)對(duì)車標(biāo)進(jìn)行具體的類型識(shí)別，得到車標(biāo)識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于選擇性搜索算法的車標(biāo)檢測(cè)識(shí)別方法，其特征在于：所述根據(jù)車牌位置、車牌與車標(biāo)空間位置關(guān)系和車窗邊緣信息在原始車輛圖像中對(duì)車標(biāo)進(jìn)行粗定位，得到車標(biāo)粗定位圖像這一步驟，其包括：

根據(jù)車牌粗定位上邊界位置確定車標(biāo)粗定位下邊界位置，所述車標(biāo)粗定位下邊界的坐標(biāo)Y_down的表達(dá)式為：Y_down＝y(tǒng)_up，其中，y_up為車牌粗定位上邊界的坐標(biāo)；

根據(jù)原始車輛圖像的垂直投影對(duì)車窗進(jìn)行粗定位，并根據(jù)車窗邊緣粗定位信息確定車標(biāo)粗定位上邊界位置，所述車標(biāo)粗定位上邊界的坐標(biāo)Y_up的表達(dá)式為：

$\left\{\begin{array}{c}{Y}_{up}=x_2-(x_2-x_1)/2\\ x_1,x_2={\max }_{2}h\left(x\right)\\ s.t.|x_1-x_2|\∈\[H/4,H/2\],x_1\∈(0,H/3),|h\left(x_1\right)-h\left(x_2\right)|\≤b\end{array}\right.,$

其中，h(x)為原始車輛圖像邊緣的垂直投影，max₂h(x)表示從邊緣的垂直投影h(x)中由上至下選擇兩個(gè)最大值h(x₁)和h(x₂)對(duì)應(yīng)的橫坐標(biāo)x₁和x₂，H為原始車輛圖像的高，b為經(jīng)驗(yàn)閾值；

根據(jù)車標(biāo)粗定位下邊界的坐標(biāo)Y_down和車標(biāo)粗定位上邊界的坐標(biāo)Y_up得出車標(biāo)粗定位圖像。

3.根據(jù)權(quán)利要求1所述的一種基于選擇性搜索算法的車標(biāo)檢測(cè)識(shí)別方法，其特征在于：所述基于車輛中軸線在車標(biāo)粗定位圖像中選取車標(biāo)候選區(qū)這一步驟，其包括：

在車標(biāo)粗定位圖像中確定車輛中軸線；

根據(jù)車輛中軸線選擇設(shè)定寬度和設(shè)定高度的區(qū)域作為第一車標(biāo)候選區(qū)域。

4.根據(jù)權(quán)利要求3所述的一種基于選擇性搜索算法的車標(biāo)檢測(cè)識(shí)別方法，其特征在于：所述采用選擇性搜索算法對(duì)車標(biāo)候選區(qū)進(jìn)行目標(biāo)定位，得到定位目標(biāo)集這一步驟，其包括：

S1、在第一車標(biāo)候選區(qū)域內(nèi)采用選擇性搜索算法進(jìn)行目標(biāo)檢測(cè)，若未檢測(cè)到任何目標(biāo)，則執(zhí)行步驟S2，反之，則直接跳至步驟S3；

S2、以設(shè)定的橫向擴(kuò)增寬度對(duì)第一車標(biāo)候選區(qū)域進(jìn)行橫向擴(kuò)增，形成第二車標(biāo)候選區(qū)域，然后在第二車標(biāo)候選區(qū)域內(nèi)采用選擇性搜索算法進(jìn)行車標(biāo)目標(biāo)檢測(cè)，若仍未能檢測(cè)到任何目標(biāo)，則舍棄第一車標(biāo)候選區(qū)域并以新的橫向擴(kuò)增寬度擴(kuò)增第二車標(biāo)候選區(qū)域，直到第二標(biāo)候選區(qū)域檢測(cè)到目標(biāo)后執(zhí)行步驟S3；反之，則執(zhí)行步驟S3；

S3、判斷檢測(cè)到的目標(biāo)是單個(gè)字符還是字符串車標(biāo)或符號(hào)型車標(biāo)，若是字符串車標(biāo)或符號(hào)型車標(biāo)，則結(jié)束選擇性搜索算法，若是單個(gè)字符，則以該字符高度的1.5倍作為候選區(qū)的高作為第三車標(biāo)候選區(qū)域的高，繼續(xù)在第三車標(biāo)候選區(qū)域內(nèi)采用選擇性搜索算法進(jìn)行目標(biāo)檢測(cè)。

5.根據(jù)權(quán)利要求1所述的一種基于選擇性搜索算法的車標(biāo)檢測(cè)識(shí)別方法，其特征在于：所述采用選擇性搜索算法對(duì)車標(biāo)候選區(qū)進(jìn)行目標(biāo)定位，得到定位目標(biāo)集這一步驟，其包括：

采用基于圖論的圖像分割算法從車標(biāo)候選區(qū)中獲取初始分割區(qū)域；

計(jì)算初始分割區(qū)域中相鄰區(qū)域間的綜合相似度，所述相鄰區(qū)域間的綜合相似度計(jì)算公式為：

$\left\{\begin{array}{c}s(r_i,r_j)=a_1{s}_{color}(r_i,r_j)+a_2{s}_{texture}(r_i,r_j)+a_3{s}_{size}(r_i,r_j)+a_{4}fill(r_i,r_j)\\ s_{color}(r_i,r_j)=\underset{k=1}{\overset{n}{\Σ}}\min (c_i^k,c_j^k),c_i^k\∈C_i=\{c_i^1,\mathrm{...},c_i^n\},c_j^k\∈C_j=\{c_j^1,\mathrm{...},c_j^n\}\\ s_{texture}(r_i,r_j)=\underset{k=1}{\overset{n}{\Σ}}\min (t_i^k,t_j^k),t_i^k\∈T_i=\{c_i^1,\mathrm{...},c_i^n\},t_j^k\∈T_j=\{c_j^1,\mathrm{...},c_j^n\}\\ s_{size}(r_i,r_j)=1-\frac{size\left(r_i\right)+size\left(r_j\right)}{size\left(im\right)}\\ fill(r_i,r_j)=1-\frac{size\left({\mathrm{BB}}_{ij}\right)-size\left(r_i\right)-size\left(r_j\right)}{size\left(im\right)}\end{array}\right.;$

其中，s(r_i,r_j)、s_color(r_i,r_j)、s_texture(r_i,r_j)、s_size(r_i,r_j)和fill(r_i,r_j)分別為區(qū)域r_i與區(qū)域r_j間的綜合相似度、顏色相似度、紋理相似度、大小相似度和吻合度相似度，a₁、a₂、a₃和a₄分別為顏色相似度權(quán)重系數(shù)、紋理相似度權(quán)重系數(shù)、大小相似度權(quán)重系數(shù)和吻合度相似度權(quán)重系數(shù)，a₁、a₂、a₃和a₄的取值范圍均為(0，1)，和分別為區(qū)域r_i和區(qū)域r_j對(duì)應(yīng)的3×25維顏色空間向量，和分別為區(qū)域r_i和區(qū)域r_j對(duì)應(yīng)的8×3×10維紋理向量，n為顏色空間向量或紋理向量的元素總數(shù)，size(r_i)、size(r_j)、size(im)和size(BB_ij)分別區(qū)域r_i的大小、區(qū)域r_j的大小、所有區(qū)域合并完成后得到的整幅圖像的大小和區(qū)域r_i與區(qū)域r_j合并后的區(qū)域外界矩形的大?。?/p>

以綜合相似度最大為合并原則，根據(jù)計(jì)算的相鄰區(qū)域間的綜合相似度合并初始分割區(qū)域，得到定位目標(biāo)集。

6.根據(jù)權(quán)利要求1所述的一種基于選擇性搜索算法的車標(biāo)檢測(cè)識(shí)別方法，其特征在于：所述采用線性約束編碼算法訓(xùn)練車標(biāo)判斷分類器來(lái)對(duì)定位目標(biāo)集進(jìn)行車標(biāo)的判別，得到車標(biāo)的位置這一步驟，其包括：

將樣本集的樣本劃分為正樣本和負(fù)樣本，其中，正樣本包括單個(gè)字符樣本、樣本集中的小型車樣本和樣本集中的大型車標(biāo)樣本，負(fù)樣本為樣本集中大小隨機(jī)選取的且與車標(biāo)重合度小于20％的樣本；

以正樣本作為訓(xùn)練樣本，采用線性約束編碼分類器進(jìn)行迭代訓(xùn)練直至收斂，最終訓(xùn)練出車標(biāo)判斷分類器，其中，迭代訓(xùn)練過(guò)程在每次完成訓(xùn)練后會(huì)將車標(biāo)判斷分類器中錯(cuò)分為負(fù)樣本的樣本加入訓(xùn)練樣本中形成新訓(xùn)練樣本集，然后再以新訓(xùn)練樣本集重新進(jìn)行訓(xùn)練；

根據(jù)訓(xùn)練出的車標(biāo)判斷分類器對(duì)定位目標(biāo)集進(jìn)行車標(biāo)的判別，得到車標(biāo)的位置。

7.根據(jù)權(quán)利要求4所述的一種基于選擇性搜索算法的車標(biāo)檢測(cè)識(shí)別方法，其特征在于：所述采用線性約束編碼算法訓(xùn)練多類車標(biāo)識(shí)別分類器來(lái)對(duì)車標(biāo)進(jìn)行具體的類型識(shí)別，得到車標(biāo)識(shí)別結(jié)果這一步驟，其包括：

以單個(gè)字符作為車標(biāo)，將人工標(biāo)注的車標(biāo)和字符串車標(biāo)的單個(gè)字符放入線性約束編碼分類器進(jìn)行迭代訓(xùn)練，并將分類錯(cuò)誤的車標(biāo)作為難例再次放入線性約束編碼分類器進(jìn)行訓(xùn)練直至收斂，得到多類車標(biāo)識(shí)別分類器；

根據(jù)多類車標(biāo)識(shí)別分類器對(duì)車標(biāo)進(jìn)行具體的類型識(shí)別：若當(dāng)前多類車標(biāo)識(shí)別分類器的車標(biāo)識(shí)別結(jié)果為非單個(gè)字符的車標(biāo)，則以當(dāng)前多類車標(biāo)識(shí)別分類器的車標(biāo)識(shí)別結(jié)果作為該車的車標(biāo)類型；若當(dāng)前多類車標(biāo)識(shí)別分類器的車標(biāo)識(shí)別結(jié)果為單個(gè)字符，則根據(jù)該單個(gè)字符重新選擇第三車標(biāo)候選區(qū)域，然后再次進(jìn)行車標(biāo)定位，并將定位得到的字符進(jìn)行組合形成字符串，最終以該字符串的車標(biāo)類型作為車標(biāo)識(shí)別結(jié)果。

8.一種基于選擇性搜索算法的車標(biāo)檢測(cè)識(shí)別系統(tǒng)，其特征在于：包括：

車牌定位模塊，用于對(duì)原始車輛圖像進(jìn)行車牌定位，獲取車牌位置；

車標(biāo)粗定位模塊，用于根據(jù)車牌位置、車牌與車標(biāo)空間位置關(guān)系和車窗邊緣信息在原始車輛圖像中對(duì)車標(biāo)進(jìn)行粗定位，得到車標(biāo)粗定位圖像；

車標(biāo)候選區(qū)選取模塊，用于基于車輛中軸線在車標(biāo)粗定位圖像中選取車標(biāo)候選區(qū)；

目標(biāo)定位模塊，用于采用選擇性搜索算法對(duì)車標(biāo)候選區(qū)進(jìn)行目標(biāo)定位，得到定位目標(biāo)集，所述選擇性搜索算法綜合根據(jù)顏色相似度、紋理相似度、大小相似度和吻合度相似度來(lái)進(jìn)行區(qū)域合并；

車標(biāo)判別模塊，用于采用線性約束編碼算法訓(xùn)練車標(biāo)判斷分類器來(lái)對(duì)定位目標(biāo)集進(jìn)行車標(biāo)的判別，得到車標(biāo)的位置；

車標(biāo)類型識(shí)別模塊，用于采用線性約束編碼算法訓(xùn)練多類車標(biāo)識(shí)別分類器來(lái)對(duì)車標(biāo)進(jìn)行具體的類型識(shí)別，得到車標(biāo)識(shí)別結(jié)果。

9.根據(jù)權(quán)利要求8所述的一種基于選擇性搜索算法的車標(biāo)檢測(cè)識(shí)別系統(tǒng)，其特征在于：所述車標(biāo)粗定位模塊包括：

車標(biāo)粗定位下邊界位置確定單元，用于根據(jù)車牌粗定位上邊界位置確定車標(biāo)粗定位下邊界位置，所述車標(biāo)粗定位下邊界的坐標(biāo)Y_down的表達(dá)式為：Y_down＝y(tǒng)_up，其中，y_up為車牌粗定位上邊界的坐標(biāo)；

車標(biāo)粗定位上邊界位置確定單元，用于根據(jù)原始車輛圖像的垂直投影對(duì)車窗進(jìn)行粗定位，并根據(jù)車窗邊緣粗定位信息確定車標(biāo)粗定位上邊界位置，所述車標(biāo)粗定位上邊界的坐標(biāo)Y_up的表達(dá)式為：

$\left\{\begin{array}{c}{Y}_{up}=x_2-(x_2-x_1)/2\\ x_1,x_2={\max }_{2}h\left(x\right)\\ s.t.|x_1-x_2|\∈\[H/4,H/2\],x_1\∈(0,H/3),|h\left(x_1\right)-h\left(x_2\right)|\≤b\end{array}\right.,$

其中，h(x)為原始車輛圖像邊緣的垂直投影，max₂h(x)表示從邊緣的垂直投影h(x)中由上至下選擇兩個(gè)最大值h(x₁)和h(x₂)對(duì)應(yīng)的橫坐標(biāo)x₁和x₂，H為原始車輛圖像的高，b為經(jīng)驗(yàn)閾值；

車標(biāo)粗定位圖像獲取單元，用于根據(jù)車標(biāo)粗定位下邊界的坐標(biāo)Y_down和車標(biāo)粗定位上邊界的坐標(biāo)Y_up得出車標(biāo)粗定位圖像。

10.根據(jù)權(quán)利要求8所述的一種基于選擇性搜索算法的車標(biāo)檢測(cè)識(shí)別系統(tǒng)，其特征在于：所述目標(biāo)定位模塊包括：

圖像分割單元，用于采用基于圖論的圖像分割算法從車標(biāo)候選區(qū)中獲取初始分割區(qū)域；

相似度計(jì)算單元，用于計(jì)算初始分割區(qū)域中相鄰區(qū)域間的綜合相似度，所述相鄰區(qū)域間的綜合相似度計(jì)算公式為：

$\left\{\begin{array}{c}s(r_i,r_j)=a_1{s}_{color}(r_i,r_j)+a_2{s}_{texture}(r_i,r_j)+a_3{s}_{size}(r_i,r_j)+a_{4}fill(r_i,r_j)\\ s_{color}(r_i,r_j)=\underset{k=1}{\overset{n}{\Σ}}\min (c_i^k,c_j^k),c_i^k\∈C_i=\{c_i^1,\mathrm{...},c_i^n\},c_j^k\∈C_j=\{c_j^1,\mathrm{...},c_j^n\}\\ s_{texture}(r_i,r_j)=\underset{k=1}{\overset{n}{\Σ}}\min (t_i^k,t_j^k),t_i^k\∈T_i=\{c_i^1,\mathrm{...},c_i^n\},t_j^k\∈T_j=\{c_j^1,\mathrm{...},c_j^n\}\\ s_{size}(r_i,r_j)=1-\frac{size\left(r_i\right)+size\left(r_j\right)}{size\left(im\right)}\\ fill(r_i,r_j)=1-\frac{size\left({\mathrm{BB}}_{ij}\right)-size\left(r_i\right)-size\left(r_j\right)}{size\left(im\right)}\end{array}\right.;$

其中，s(r_i,r_j)、s_color(r_i,r_j)、s_texture(r_i,r_j)、s_size(r_i,r_j)和fill(r_i,r_j)分別為區(qū)域r_i與區(qū)域r_j間的綜合相似度、顏色相似度、紋理相似度、大小相似度和吻合度相似度，a₁、a₂、a₃和a₄分別為顏色相似度權(quán)重系數(shù)、紋理相似度權(quán)重系數(shù)、大小相似度權(quán)重系數(shù)和吻合度相似度權(quán)重系數(shù)，a₁、a₂、a₃和a₄的取值范圍均為(0，1)，和分別為區(qū)域r_i和區(qū)域r_j對(duì)應(yīng)的3×25維顏色空間向量，和分別為區(qū)域r_i和區(qū)域r_j對(duì)應(yīng)的8×3×10維紋理向量，n為顏色空間向量或紋理向量的元素總數(shù)，size(r_i)、size(r_j)、size(im)和size(BB_ij)分別區(qū)域r_i的大小、區(qū)域r_j的大小、所有區(qū)域合并完成后得到的整幅圖像的大小和區(qū)域r_i與區(qū)域r_j合并后的區(qū)域外界矩形的大小；

區(qū)域合并單元，用于以綜合相似度最大為合并原則，根據(jù)計(jì)算的相鄰區(qū)域間的綜合相似度合并初始分割區(qū)域，得到定位目標(biāo)集。