室外动态车标图像关键特征边缘识别仿真

由于室外环境光照条件复杂,当车辆在行驶时,车标图像会产生运动模糊,导致边缘位置模糊,从而影响边缘的准确识别。为了有效解决上述问题,提出一种室外动态车标图像关键特征边缘精准识别方法。通过先验知识对室外动态车标粗定位,采用背景纹理去除方法获取精定位图像。结合RGB颜色空间类别,计算室外动态视频图像矢量距离和平均矢量,获取图像线性函数,并统计其类别。分析动态车标图像决策规则,展开室外动态车标图像的分割和决策分类,采用图像局部离散系数,得到离散矩阵。计算室外车标图像的动态阈值以及灰度值,将车标图像边缘关键特征归一化处理,实现车标图像关键特征边缘精准识别。实验结果表明,所提方法可以有效提升车标定位结果的准确性,且车标图像关键特征边缘的平均识别率在90%以上,同时可以有效减少识别时间。

基于HOG特征和TSVM算法的车标识别

支持向量机(Support Vector Machine,SVM)是建立车标识别模型的主要智能方法之一。考虑SVM存在计算复杂度高和无法实现增量学习等问题,提出一种基于孪生支持向量机(Twin SVM,TSVM)增量学习算法,并结合HOG特征设计一种车标识别系统。首先利用特征检测结合仿射变换技术,实现车标的精准定位;然后提取车标图像HOG特征,并通过对矩阵的逆运算进行分解和重组,实现TSVM增量学习。最后利用车标数据集训练分类模型,实现对车标的分类。实验结果表明,文中提出的算法在车标数据集上实现了91.77%的识别率,优于其他几种识别算法,证明了文中提出算法的有效性。

一种简单快速的车标定位方法

由于视点的不同,单纯的车辆外形对车辆的类型识别不具有决定性的意义,而车标则对车辆类型具有决定意义。提出了一种快速的从粗到精的车标定位方法:首先根据车头前方车牌的纹理特征大致确定车牌位置,并结合车头本身的对称性等先验知识粗略地确定车标的位置;然后在粗定位的小范围内利用边缘特征和形态运算进行车标的定位。考虑到各种噪声以及形态学的影响,在车标识别中利用模板匹配进行精定位和粗识别。利用已有的识别方法对该车标定位算法进行了验证,结果表明,该方法能快速、准确地定位车标位置,且识别率能达到实时应用的要求。

基于Edge Boxes的大型车辆车标检测与识别

传统车标检测与识别算法难以检测大型车辆车标,且速度较慢。提出了一种基于Edge Boxes的大型车辆车标检测与识别方法。Edge Boxes算法是一种成熟的图像分割算法,能够快速且有效地检测物体位置,满足大型车辆车标检测与识别问题的准确性及实时性的需求。该方法首先根据车标在车辆中的空间位置关系初选车标候选区,然后利用Edge Boxes算法进行目标提取,进而将提取得到的目标送入利用线性约束编码构建的车标检测分类器和车标识别分类器进行训练与识别,得到车标检测与识别结果。对不同卡口的不同天气和光照条件下采集的4 480张图像(含50类大型车辆)进行实验,实验结果表明,在检测与识别性能以及时间消耗方面均优于传统方法,具有良好的实用前景。

一种快速车标定位方法

车标定位是车标识别系统中至关重要的一步.作者提出了一种快速的车标定位算法,即在已知车牌位置的情况下,利用车标位置垂直方向能量集中的特点进行滤波处理以及在粗定位矩形框中利用模板匹配的方法得到车标的准确位置.实验结果表明,该方法定位准确率在95%以上,平均速度在150ms至200ms之间.

基于深度学习的车标识别方法研究

对交通监控录像中车牌污损、遮挡的肇事车辆信息进行确认是现阶段智能交通系统中的一个重要问题,车标作为一个关键特征,可以起到辅助判别的作用。提出了一种基于深度学习的车标识别方法,相对于以人工提取特征为主的传统车标识别方法,该方法具有可自主学习特征、可直接输入图像等优点。实验表明,这种方法正确率较高,在光照变化和噪声污染下的准确性和稳定性较好,能够有效降低车标识别的错误率。

基于改进HOG特征值的车标检测与识别方法

车标自动识别是智能交通系统中机动车辆信息采集的关键内容。根据车标具有丰富边缘信息的特征,文章应用HOG(梯度方向直方图)的特征值,采用SVM(支持向量机)的分类工具实现了车标的快速检测与识别。并提出一种改进的HOG特征值,在车标检测识别准确率上取得了显著的效果。大量实验数据以及在智能交通系统中的应用表明,该方法具有较强的鲁棒性和实用价值。

交通道路行驶车辆车标识别算法

为解决交通道路行驶车辆车标识别中存在的目标小、噪声大、种类多的问题,提出了一种基于深度学习的目标检测算法与基于形态学模板匹配算法相结合的方法,并设计了一种高准确度且能应对新类型车标的识别系统。首先,采用通过K-Means++重新聚类锚框值,并引入残差网络的YOLOv4进行车标的一步定位;其次,通过对标准车标图像进行预处理及分割,构建二值车标模板库;接着,利用带色彩恢复的多尺度视网膜图像增强算法(MSRCR)、最大类间方差法(OTSU)等对定位到的车标进行预处理;最后,将处理好的车标与模板库中的标准车标进行汉明距离计算,求出最佳匹配。车标检测实验中,改进的YOLOv4检测精度均优于原始YOLOv4、基于车牌位置的车标两步定位法和基于散热器栅格背景的车标定位法,达到99.04%;速度略低于原始YOLOv4,高于另外两者,达到每秒50.62帧。车标识别实验中基于形态学模板匹配的识别精度均高于传统的方向梯度直方图(HOG)、局部二值模式(LBP)和卷积神经网络,达到92.68%。实验结果表明基于深度学习的车标检测算法有较高的精度和较快的速度,形态学模板匹配方法在光照变化和噪声污染的情况下仍能保持较高的识别精度。

基于模板匹配和边缘检测的车标定位方法

车标定位在车标识别系统中具有关键作用,为解决倾斜的车辆图像及多种车标背景纹理的车标定位问题,提出了一种新的车标定位方法。先进行车辆图像的倾斜校正,再通过三绝对值最大梯度方法定位出车灯带区域,利用车标与车牌、车灯的位置先验知识进行车标粗定位,并根据车标背景纹理特征利用模板匹配和边缘检测方法进行车标精定位。该方法充分利用了车标的先验知识和背景纹理特征,并将模板匹配与边缘检测技术相结合,提高了车标定位的准确率。实验结果表明,该方法既适用于倾斜的车辆图像又适用于多种车标背景纹理,具有很好的车标定位效果。

机动车车标自动识别系统

目前在机动车识别技术中,仅仅依靠车牌识别技术和车型识别技术还不能满足当下和未来的需求,因为车牌有可能被替换,但是车标不容易被替换或者更改。本文在大量实验的基础上,对机动车车标定位和车标识别技术进行了深入研究,并在此基础上开发了一套高效的机动车车标自动识别系统,具有很强的实际应用价值。

基于局部对称性特征的快速车标定位

根据车标区域及车体的对称性特征,提出了一种快速的车标定位方法。先通过垂直间隔差分和水平最大局部投影定位出车牌和车灯水平区域后,利用车牌、车灯和车标之间的几何位置和大小约束关系粗定位出车标区域,然后根据局部对称性和差分水平投影对粗定位区域进行二次定位,得到较精确的车标矩形区域。实验结果表明,平均定位准确率为94%,平均定位时间为21ms。

基于对称性的实时车标定位和识别方法

在基于视频图像的车辆类型识别系统中,当前国内外侧重于研究车辆外形、大小。由于视点的不同,单纯的车辆外形对车辆的类型识别不具有决定性意义,而车标对车辆类型则具有决定意义。提出一种基于对称性的车标定位和识别算法,该算法首先根据车辆本身的对称性等先验知识粗略的确定车标位置,然后利用特征信息精确定位;最后将模板匹配和特征结合对其进行识别。从实验结果来看,该方法能快速、准确的定位车标位置且识别率能达到实时应用的要求。

视频监控系统中运动车辆的车标识别技术

车标识别技术是车辆识别技术新的研究方向,包括车标定位和车标识别两项关键技术。作者对复杂背景下运动车辆车标定位与识别技术进行了研究,首先,利用Sobel算子找到车辆图像中竖边缘区域,采用Shen算子进行水平方向平滑并二值化处理;其次,利用车牌的特征和纹理实现了对车牌的精确定位,再根据车牌与车标的特殊位置关系确定车标所在区域,用车标的先验知识与纹理特征实现对车标的分割;最后,通过支持向量机的方法对分割出的车标进行识别。实验结果表明,该算法简单有效,具有较好的鲁棒性和较高的识别率。

基于散热器栅格背景精确分类的车标定位方法

由于车标的背景散热器栅格形状大小不一、颜色不定、背景多样,因此导致了车标定位的困难,故精确分类散热器栅格是准确定位车标的基础。提出了一种基于散热器栅格背景精确分类的车标定位方法,首先依照车牌与车标空间位置关系确定车标粗定位,然后依据栅格纹理特征,利用霍夫变换和灰度值的梯度变化确定散热器栅格背景的类别,进而通过不同算子分别对不同种类栅格背景进行背景消融;为了保证多种光照条件下的准确定位,引入离散度,并将其与大津法进行融合,形成一种适用于车标定位的自适应二值化方法,同时结合形态学对栅格背景进一步处理,得到准确的车标定位。这种方法适用于在不同光照强度和不同类型的车标背景条件下,对车标进行定位。对10类车标、30类散热器栅格共1 200张图像进行车标定位,实验结果显示,图像总体的车标定位准确率可以达到97.67%。

基于稀疏取样和梯度分布特征的车标识别

传统方法将车标定位与识别分开进行,定位的误差将会给后续的识别带来影响,并且车标图像具有低分辨率、低质量的特点。提出了一种新颖的车标定位和识别有机整合的方法。通过稀疏取样对样本图像进行取点采样,将点集分为邻近点集和非邻近点集,分别对其提取梯度特征和明暗特征,构建特征库,对车标粗定位区域进行多尺度扫描。实验结果表明,该方法在车标检测识别效率方面具有更大的优势,而且对于不同类型的车标图像都具有鲁棒性。

基于Adaboost的车标定位方法

车标定位是智能交通系统中一个重要的组成部分,该文针对车标在成像过程中受到光线和其他条件影响较大的情况,提出一种基于Adaboost算法的车标定位方法,将车辆彩色图像进行预处理,再使用Adaboost算法进行车标定位,该方法具有较快的定位速度和较高的准确率。实验证明,采用该方法能获得较好的车标定位效果,具有一定的实用价值。

椭圆配准方法及其在车标图像归一化中的应用

椭圆配准作为图像配准中的一类,是目标识别研究中的一项关键技术,在工程实现中有很大的困难。通过研究利用目标的椭圆表示形式,结合常用的目标矩形表示形式,可以获取矩形与其内切椭圆的4个切点及中心点作为椭圆配准的5个控制点,利用仿射变换完成椭圆图像的配准。该方法在实测车标图像的归一化处理中效果很好。

基于差分与对称性检测相结合的车标定位方法

提出了基于边缘颜色均值对的车牌定位算法,此方法充分利用车牌的底色与车牌字符颜色的固定搭配,在RGB颜色空间中求取相邻像素的RGB各分量的均值,然后转换到HSV颜色空间,如果出现符合颜色搭配的则认为是车牌可能在的区域.该方法既能保证尽可能多地提取出车牌区域像素,又极大地清除非车牌区域像素,使后续处理得到一定程度的简化.在此基础上利用车牌与车标的位置关系进行车头定位,并结合差分及对称性检测进行车标的精定位.

YOLOv3网络在车标检测中的应用

针对车标检测存在检测时间长、检测率低、可识别类型少的问题,提出一种采用You Only Look Once(YOLOv3)网络的方法。为了使该网络适用于小目标的车标检测,将目标特征提取结构Darknet-53换成Darknet-19,并且将多尺度预测层数减少为两层以减少网络参数数量。同时,为了增大车标在图像中所占比例,让卷积神经网络能学习更多的车标特征,采用将车辆从图像中裁剪后进行人工标注的方法,构建了一个包含46类车标的数据集(VLDS-46)。实验结果表明,采用该模型进行车标检测时能在实现高检测率的同时达到实时性要求,检测平均耗时为9 ms。

结合改进的SVM和随机森林算法车标分类识别

针对大规模车标图像的分类难题,提出一种结合支持向量机(SVM)和随机森林的学习方法。采用SVM分类器对到达随机森林各剖分结点的数据进行剖分;对于分类过程中新增加的类别,采用增量学习机制进行再学习,不需要重新学习整个随机森林;提取车标图像的梯度方向直方图特征,采用提出方法进行特征的训练与分类。实验结果表明,提出方法对不同车标图像的识别率高,尤其是可以对训练数据集中没有的车标类别进行高效的增量学习。