一種車輛標識識別方法與系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理領(lǐng)域，特別是涉及一種車輛標識識別方法與系統(tǒng)。
【背景技術(shù)】
[0002] 車牌識別設(shè)備目前已經(jīng)被廣泛使用在停車場出入口，對進出場的車輛進行管理， 然而車牌識別設(shè)備的識別率仍然難滿足用戶需求，所以停車場出入口一般會配置工作人員 協(xié)助用戶。隨著人力成本的提高，無人值守停車場開始推廣。
[0003] 車牌識別一般包括車牌檢測，車牌字符分割以及車牌字符識別這三部分，車標識 別是車牌識別的一種補充，用來協(xié)助識別車輛。目前車牌檢測，車牌字符識別以及車標檢測 和識別的主流技術(shù)都是通過基于某種特征，使用某種訓練方式進行訓練，得到模型，然后使 用模型進行檢測或識別。
[0004] 但是車牌識別目前存在以下兩個問題：第一，車牌識別一般在檢測到車牌后會對 車牌區(qū)域進行分割，通過分割提取到單個字符，然后對單個字符進行識別。字符分割存在一 定的誤差，如果分割出錯，會對后面的識別造成影響。例如"8"如果切割靠右，缺少了左邊 的細節(jié)，就會很容易識別成"B";第二，由于車標不是反光材料制作，所以遇到強光或者低照 的情況，車標細節(jié)丟失嚴重，車標的識別率偏低。目前模型訓練一般采取人工挑選樣本，按 照一定的規(guī)則分類，如以光線作為分類準則，但以光線作為分類準則，車牌的識別不準確， 識別率低。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本發(fā)明的主要目的在于提供一種車輛標識識別方法與系統(tǒng)，可以提高 車牌或車標的準確識別率。
[0006] 為實現(xiàn)上述目的，本發(fā)明提供了一種車輛標識識別方法，包括：
[0007] 獲取停車場出入口的監(jiān)控視頻；
[0008] 從所述監(jiān)控視頻中獲取需要進行分類的目標車輛標識的圖像的正樣本以及負樣 本，所述車輛標識包括車牌和車標；
[0009] 提取所述正樣本以及所述負樣本的預設(shè)特征；
[0010] 通過K均值聚類算法將提取的所述預設(shè)特征分成K類；
[0011] 通過預設(shè)的訓練方法將所述K類所述預設(shè)特征進行訓練，得到K個模型分類器；
[0012] 利用所述K個模型分類器對所述目標車輛標識進行分類識別。
[0013] 優(yōu)選地，所述通過K均值聚類算法將提取的所述預設(shè)特征分成K類包括：
[0014] 步驟A :確定目標圖像的類別上限C_;
[0015] 步驟B :計算類別數(shù)為1時對應的總方差；
[0016] 步驟C :若類別數(shù)小于Cniax，則將類別數(shù)增加1，計算當前類別數(shù)對應的總方差；
[0017] 步驟D :若類別數(shù)為(；umnt-l對應的總方差比類別數(shù)為(：__對應的總方差小，則 確定目標類別K = Cramnt-I，否則返回步驟C，直至類別數(shù)為Cniax時，確定目標類別K = C
[0018] 所述計算當前類別數(shù)對應的總方差包括：
[0019] 當前類別數(shù)為(；_^時，運行η次K均值聚類；
[0020] 根據(jù)η次K均值聚類得到η組分類中心，每組有Cramnt個分類中心，所有樣本中的 每個樣本以單組的C ramnt個分類中心中與之最近的分類中心，為該組的與此樣本對應的分 類中心；
[0021] 計算所有樣本分別與η組中與之對應的分類中心的總方差，得到η個總方差，將所 述η個總方差中值最小的總方差作為類別數(shù)為C ramnt時對應的總方差。
[0022] 優(yōu)選地，提取所述正樣本以及所述負樣本的預設(shè)特征包括：
[0023] 將提取的所述正樣本和所述負樣本歸一化到預設(shè)的尺寸；
[0024] 提取歸一化后的所有樣本的所述預設(shè)特征。
[0025] 優(yōu)選地，當所述目標車輛標識為車牌時，從所述監(jiān)控視頻中獲取需要進行分類的 目標車輛標識的圖像的正樣本后還包括：
[0026] 將所述車牌圖像移動至車牌字符標注框的正中位置。
[0027] 優(yōu)選地，將所述車牌圖像移動至車牌字符標注框的正中位置后還包括：
[0028] 將所述車牌圖像在所述車牌字符標注框中分別向正上方、正下方、正左方以及正 右方移動預設(shè)像素量，并將所述車牌圖像進行預設(shè)角度的旋轉(zhuǎn)。
[0029] 優(yōu)選地，所述預設(shè)特征為Haar特征或HOG特征。
[0030] 優(yōu)選地，所述預設(shè)的訓練方法為SVM法或AdaBoost法。
[0031] 本發(fā)明還提供了一種車輛標識識別系統(tǒng)，包括：
[0032] 視頻獲取模塊，樣本獲取模塊，特征提取模塊，特征分類模塊，特征訓練模塊和分 類識別t吳塊；
[0033] 所述視頻獲取模塊用于獲取停車場出入口的監(jiān)控視頻；
[0034] 所述樣本獲取模塊用于從所述監(jiān)控視頻中獲取需要進行分類的目標車輛標識的 圖像的正樣本以及負樣本，所述車輛標識包括車牌和車標；
[0035] 所述特征提取模塊用于提取所述正樣本以及所述負樣本的預設(shè)特征；
[0036] 所述特征分類模塊用于通過K均值聚類算法將提取的所述預設(shè)特征分成K類；
[0037] 所述特征訓練模塊用于通過預設(shè)的訓練方法將所述K類所述預設(shè)特征進行訓練， 得到K個模型分類器；
[0038] 所述分類識別模塊用于利用所述K個模型分類器對所述目標車輛標識進行分類 識別。
[0039] 優(yōu)選地，所述特征分類模塊包括：
[0040] 類別上限確定子模塊，用于確定目標圖像的類別上限(：_;
[0041] 類別計數(shù)子模塊，用于當類別數(shù)小于Cniax時，將類別數(shù)增加1 ;
[0042] 總方差關(guān)聯(lián)子模塊，用于計算當前類別數(shù)對應的總方差；
[0043] 目標類別確定子模塊，用于當類別數(shù)為Cramnt-I對應的總方差比類別數(shù)為(；umnt 對應的總方差小，則確定目標類別1( = (；__-1，否則當類別數(shù)小于(：_時，將類別數(shù)增加1 繼續(xù)進行上述判斷，直至類別數(shù)為Cniax時，確定目標類別K = C
[0044] 所述總方差關(guān)聯(lián)子模塊包括：
[0045] 聚類子模塊，用于當前類別數(shù)為(：__時，運行η次K均值聚類；
[0046] 分類中心確定子模塊，用于根據(jù)η次K均值聚類得到η組分類中心，每組有(；umnt 個分類中心，所有樣本中的每個樣本以單組的(；__個分類中心中與之最近的分類中心， 為該組的與此樣本對應的分類中心；
[0047] 總方差計算子模塊，用于計算所有樣本分別與η組中與之對應的分類中心的總方 差，得到η個總方差，將所述η個總方差中值最小的總方差作為類別數(shù)為(； umnt時對應的總 方差。
[0048] 優(yōu)選地，所述特征提取模塊包括：
[0049] 歸一化子模塊，用于將提取的所述正樣本和所述負樣本歸一化到預設(shè)的尺寸；
[0050] 預設(shè)特征提取子模塊，用于提取歸一化后的所有樣本的所述預設(shè)特征。
[0051] 應用本發(fā)明提供的車輛標識識別方法與系統(tǒng)，從停車場出入口的監(jiān)控視頻中獲取 需要進行分類的目標圖像的正樣本以及負樣本，所述目標圖像包括車牌圖像或車標圖像， 提取所有樣本的預設(shè)特征，通過K均值聚類算法將提取的所述預設(shè)特征分成K類，通過預設(shè) 的訓練方法將所述K類所述預設(shè)特征進行訓練，得到K個模型分類器，利用所述K個模型分 類器對車輛標識進行分類識別，K均值聚類后可以得到車牌或車標的最佳分類，對最佳分類 的預設(shè)特征進行訓練得到相應的模型分類器，共同對車牌進行分類識別，可以提高車牌或 車標的識別率，更準確地識別車輛。<