本發(fā)明涉及一種基于稀疏取樣灰度分布和梯度分布特征的車標(biāo)識(shí)別方法，屬于圖像處理技術(shù)領(lǐng)域。

背景技術(shù)：

智能交通系統(tǒng)(intelligenttransportsystem簡稱its)，又叫做車輛道路系統(tǒng)，是一種廣泛的、多功能的、及時(shí)的、高效率和精確的綜合運(yùn)輸和治理的系統(tǒng)。車標(biāo)作為車輛的品牌標(biāo)志，人們對它的關(guān)注不亞于甚至超過車牌?，F(xiàn)階段車輛標(biāo)志識(shí)別系統(tǒng)其過程主要分為定位和識(shí)別兩個(gè)主要階段，研究方法包括：定位部分，李俠等提出基于模板匹配和邊緣檢測的車標(biāo)定位方法，劉玉松等提出基于梯度值投影的車標(biāo)定位，鄭德鍵等提出基于中軸線和先驗(yàn)知識(shí)的車標(biāo)定位。識(shí)別部分，劉玉松等提出基于模板匹配的車標(biāo)識(shí)別方法，鄭德鍵等提出基于修正不變矩的車標(biāo)識(shí)別方法，朱資淘提出基于sift算子的車標(biāo)識(shí)別方法，陳舜杰、王建均提出基于特征值提取和支持向量機(jī)的車標(biāo)識(shí)別。但是現(xiàn)在研究方法都是基于樣本圖像分辨率高、圖像質(zhì)量較好進(jìn)行的，如果因?yàn)榭陀^原因?qū)е聢D像質(zhì)量不理想，分辨率不高，就很難取得理想狀態(tài)下的識(shí)別效果。事實(shí)也如此，交通攝像頭在陰雨大霧等天氣里，所形成的圖像質(zhì)量不高。因此，研究低分辨率低質(zhì)量的車輛圖像具有重要的現(xiàn)實(shí)意義。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明目的在于提出一種基于稀疏采樣的灰度分布和梯度分布特征的車標(biāo)識(shí)別方法，針對成像效果不理想的圖像進(jìn)行定位識(shí)別，提高識(shí)別率。

技術(shù)方案：為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供一種基于稀疏取樣灰度分布和梯度分布特征的車標(biāo)識(shí)別方法，包括如下步驟：

在車牌上方選取一個(gè)區(qū)域，作為車標(biāo)識(shí)別的感興趣區(qū)域；

采用隨機(jī)均勻稀疏采樣方法對樣本圖像進(jìn)行采樣，并將所有的采樣點(diǎn)隨機(jī)配對，劃分成鄰近點(diǎn)對集和非鄰近點(diǎn)對集，對兩類不同的點(diǎn)對集采用不同的方法進(jìn)行特征提取，建立特征庫，其中對于鄰近點(diǎn)對集中的每個(gè)采樣點(diǎn)提取八個(gè)角度范圍的梯度幅值作為梯度分布特征，對于非鄰近點(diǎn)對集中的每個(gè)采樣點(diǎn)對計(jì)算其明暗關(guān)系及明暗關(guān)系的信任度作為灰度分布特征；

在確定感興趣區(qū)域并準(zhǔn)備好樣本特征庫后，設(shè)定一可縮放的窗口，在待測的感興趣區(qū)域內(nèi)進(jìn)行掃描，對當(dāng)前窗口位置上，窗口大小的圖像進(jìn)行特征提取，并與準(zhǔn)備好的特征庫進(jìn)行對比，最終確定車標(biāo)類型。

作為優(yōu)選，所述車標(biāo)識(shí)別的感興趣區(qū)域的位置為：

xl＝xpl

xr＝xpr

yb＝y(tǒng)pt

yt＝y(tǒng)pt+a*height

其中，xl,xr,yb,yt分別表示車標(biāo)的左邊界、右邊界、下邊界和上邊界；

xpl,xpr,ypt,height分別表示車牌的左邊界、右邊界、上邊界以及車牌的高度；a為設(shè)定的車牌高度倍數(shù)。

作為優(yōu)選，對于采樣點(diǎn)集中的隨機(jī)配對的兩個(gè)點(diǎn)p1點(diǎn)與p2點(diǎn)，分類方法為：對于隨機(jī)選擇的第一個(gè)點(diǎn)p1：若選擇的第二個(gè)點(diǎn)p2滿足：

則p1點(diǎn)與p2點(diǎn)配成的點(diǎn)對分類到非鄰近點(diǎn)對集，否則分類到鄰近點(diǎn)對集；其中，p(p1)、p(p2)分別表示選擇p1點(diǎn)和p2點(diǎn)的概率，(x1，y1)為第一個(gè)點(diǎn)p1的坐標(biāo)，(x2，y2)為第二個(gè)點(diǎn)p2的坐標(biāo)，n0表示采樣點(diǎn)總數(shù)目，np為已配對采樣點(diǎn)數(shù)，p(x,y)為已配對的采樣點(diǎn)，σ為尺度參數(shù)。

作為優(yōu)選，所述對于鄰近點(diǎn)對集中的每個(gè)采樣點(diǎn)提取八個(gè)角度范圍的梯度幅值中，八個(gè)角度范圍為0°～45°、45°～90°、90°～135°、135°～180°、180°～225°、225°～270°、270°～315°、315°～360°八個(gè)角度范圍；將一個(gè)樣本圖像上鄰近點(diǎn)對集中的每個(gè)采樣點(diǎn)的梯度幅值按照對應(yīng)角度范圍區(qū)間累加到一起，得到一個(gè)梯度幅值總和的集合作為該樣本圖像的隨機(jī)梯度分布特征。

作為優(yōu)選，所述非鄰近點(diǎn)對集中的采樣點(diǎn)對的明暗關(guān)系表示為：

其中，ip1和ip2是采樣點(diǎn)p1和p2鄰域內(nèi)的灰度均值,t1是灰度均值臨界值。

作為優(yōu)選，所述非鄰近點(diǎn)對集中的采樣點(diǎn)對的明暗關(guān)系的信任度表示為

其中，relc,i表示第c類車標(biāo)的第i個(gè)采樣點(diǎn)對的明暗關(guān)系信任度，s為第c類車標(biāo)的樣本總數(shù)，rc,s,i表示第c類車標(biāo)的第i個(gè)采樣點(diǎn)對在第s個(gè)樣本中的明暗關(guān)系。

作為優(yōu)選，從非鄰近點(diǎn)對集中篩選出信任度大于設(shè)定閾值的點(diǎn)對集作為新的信任點(diǎn)對集。

作為優(yōu)選，從所述新的信任點(diǎn)對集中篩選出與其他車標(biāo)類別明暗關(guān)系相關(guān)度最小的若干采樣點(diǎn)對作為最小相關(guān)點(diǎn)對集，所述最小相關(guān)點(diǎn)對集作為區(qū)分與其他類別車標(biāo)的特征點(diǎn)對集。

作為優(yōu)選，根據(jù)如下公式計(jì)算待測圖像的特征與特征庫的相似度，并選擇最大相似度值對應(yīng)的車標(biāo)類別作為識(shí)別結(jié)果：

其中，mt,w,c表示在縮放尺度為t，第w步的窗口位置的圖像與第c類車標(biāo)的相似度值，s為第c類車標(biāo)的樣本總數(shù)，rt,w,i表示在縮放尺度為t，第w步的窗口位置的圖像的第i個(gè)點(diǎn)對的明暗對比關(guān)系，n4表示篩選后非鄰近點(diǎn)對集中的點(diǎn)對數(shù)，relc,s,i表示第c類車標(biāo)的第i個(gè)采樣點(diǎn)對的明暗關(guān)系信任度，rc,s,i表示第c類車標(biāo)中第s張樣本的第i個(gè)點(diǎn)對的明暗對比關(guān)系；gt,w,j表示在縮放尺度為t，第w步的窗口位置的圖像在第j個(gè)角度范圍的梯度幅值總和，gc,s,j表示第c類車標(biāo)第s張樣本中第j個(gè)角度范圍的梯度幅值總和。

有益效果：本發(fā)明提出的一種基于稀疏采樣的灰度分布和梯度分布特征的車標(biāo)識(shí)別方法，對比傳統(tǒng)的識(shí)別方法，主要針對那些成像效果不理想的圖像進(jìn)行定位識(shí)別，將采樣點(diǎn)分為鄰近采樣點(diǎn)集和非鄰近采樣點(diǎn)集，對兩種不同的點(diǎn)對提取不一樣的特征，并采用多尺度檢測方式在在目標(biāo)圖像中提取特征進(jìn)而識(shí)別和定位車標(biāo)，將定位和識(shí)別有機(jī)的結(jié)合在一起，降低了中間過程的誤差，提高了識(shí)別率，對于噪聲大，質(zhì)量差，像素低的圖片也有較高的識(shí)別率。

附圖說明

圖1為本發(fā)明實(shí)施例的方法流程圖。

圖2為本發(fā)明實(shí)施例中的構(gòu)建特征集的流程圖。

圖3為本發(fā)明實(shí)施例中的標(biāo)準(zhǔn)車標(biāo)樣本示例圖。

圖4為本發(fā)明實(shí)施例中的現(xiàn)實(shí)車標(biāo)樣本示例圖。

圖5為本發(fā)明實(shí)施例中的采樣點(diǎn)梯度方向角度分布示意圖。

圖6為本發(fā)明實(shí)施例中的大眾樣本點(diǎn)對示意圖。

圖7為本發(fā)明實(shí)施例中的多尺度檢測示例圖。

圖8為本發(fā)明實(shí)施例中的測試結(jié)果示例圖，其中(a)-(f)分別為不同類別車標(biāo)的測試結(jié)果圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價(jià)形式的修改均落于本申請所附權(quán)利要求所限定的范圍。

如圖1所示，本發(fā)明實(shí)施例公開的一種基于稀疏采樣的灰度分布和梯度分布特征的車標(biāo)識(shí)別方法，首先是車標(biāo)區(qū)域粗定位，在車牌上方選取一個(gè)區(qū)域，作為車標(biāo)識(shí)別的感興趣區(qū)域；然后采用隨機(jī)均勻稀疏采樣方法對樣本圖像進(jìn)行采樣，并將所有的采樣點(diǎn)隨機(jī)配對，劃分成鄰近點(diǎn)對集和非鄰近點(diǎn)對集，對兩類不同的點(diǎn)對集采用不同的方法進(jìn)行特征提取，建立特征庫，其中對于鄰近點(diǎn)對集中的每個(gè)采樣點(diǎn)提取八個(gè)角度范圍的梯度幅值作為梯度分布特征，對于非鄰近點(diǎn)對集中的每個(gè)采樣點(diǎn)對計(jì)算其明暗關(guān)系及明暗關(guān)系的信任度作為灰度分布特征；最后設(shè)定一可縮放的窗口，在待測的感興趣區(qū)域內(nèi)進(jìn)行掃描，對當(dāng)前窗口位置上，窗口大小的圖像進(jìn)行特征提取，并與準(zhǔn)備好的特征庫進(jìn)行對比，最終確定車標(biāo)類型。具體實(shí)施步驟如下：

(1)基于先驗(yàn)知識(shí)的感興趣車標(biāo)區(qū)域粗定位

一幅包含車標(biāo)的圖像中，必定包含車輛整體以及一些不必要的干擾背景，所以需要對圖片中車標(biāo)感興趣區(qū)域進(jìn)行粗定位，也就是說在目標(biāo)圖像中截取車標(biāo)的大致區(qū)域，為后續(xù)的多尺度掃描減少了掃描區(qū)域，減少了特征計(jì)算的工作量。

現(xiàn)階段的車牌定位方法比較成熟，所以在進(jìn)行車標(biāo)感興趣區(qū)域定位前，要進(jìn)行車牌的定位，有基于車牌圖像色彩信息定位法、基于邊緣檢測的定位法、基于車牌幾何特征車定位法、基于頻譜分析的車牌定位法等，這些方法在實(shí)踐過程中能夠較為準(zhǔn)確地定位到車牌。本發(fā)明采用先驗(yàn)知識(shí)對車牌進(jìn)行定位，我國車牌標(biāo)準(zhǔn)外輪廓尺寸為440*140且為矩形，整個(gè)車牌的寬高比近似為3:1。在進(jìn)行車牌定位之后，以車牌高度為參數(shù)，向上方選取一定高度地區(qū)域，得到一個(gè)包含車標(biāo)的感興趣區(qū)域，車標(biāo)位于車牌上方比較起眼的位置，一般位于車牌的正中上方，與此同時(shí)車標(biāo)的寬度不會(huì)超過車牌的寬度，車標(biāo)的感興趣區(qū)域的定位范圍可大致上通過車牌的高度為參數(shù)進(jìn)行定位。這里設(shè)置一個(gè)a來控制車牌高度的倍數(shù)，通過以下公式來確定車標(biāo)的大概位置：

xl＝xpl(1)

xr＝xpr(2)

yb＝y(tǒng)pt(3)

yt＝y(tǒng)pt+a*height(4)

上述各個(gè)表達(dá)式中，xl,xr,yb,yt分別表示車標(biāo)的左邊界、右邊界、下邊界和上邊界。xpl,xpr,ypt,height分別表示車牌的左邊界、右邊界、上邊界以及車牌的高度。在這里，從式(1)(2)中可以看出車標(biāo)粗略區(qū)域的寬度就是車牌的寬度。車標(biāo)粗定位區(qū)域的底部邊界就是車牌區(qū)域的頂部邊界，車標(biāo)粗定位區(qū)域的頂部邊界就是車牌的頂部區(qū)域加上a倍的車標(biāo)的高度。這個(gè)感興趣區(qū)域在保證了車標(biāo)在其中的前提下，去除了圖像中大部分干擾信息，在后續(xù)的多尺度掃描中，將對感性區(qū)域進(jìn)行特征提取，并與樣本庫中的特征進(jìn)行對比，進(jìn)而進(jìn)行車標(biāo)的精定位。

(2)基于分處理的車標(biāo)樣本特征庫的建立

訓(xùn)練圖片樣本通過提取并構(gòu)建的特征表示來建立樣本特征庫，一幅圖像的特征有很多，比如hog特征側(cè)重于梯度方向，lbp特征側(cè)重于紋理特征。本發(fā)明提出基于稀疏采樣灰度分布與梯度分布特征分別側(cè)重于采樣點(diǎn)鄰域內(nèi)灰度“明暗”對比信息與相鄰區(qū)域的紋理信息，經(jīng)過篩選出能夠在統(tǒng)計(jì)意義上表示該類車標(biāo)圖像的點(diǎn)對集合作為特征。該特征表示方法適合圖片受光照影響大、圖片分辨率低、質(zhì)量不好的車標(biāo)樣本圖像。圖2為本發(fā)明基于稀疏采樣構(gòu)建特征集的方法流程圖，具體包括：

(2.1)基于稀疏采樣點(diǎn)集選取

稀疏采樣，也被稱為壓縮采樣，壓縮感知，壓縮感知方法拋棄了當(dāng)前圖像采樣中的冗余信息，所以可以對圖像進(jìn)行稀疏采樣而不影響圖像信號(hào)的重構(gòu)與表示，車標(biāo)的結(jié)構(gòu)特征更事宜進(jìn)行稀疏采樣表示灰度和形狀結(jié)構(gòu)特征。

圖3所示為標(biāo)準(zhǔn)的車輛灰度樣本，可以將其表示為像素灰度集合i＝{gi，i＝1,2,…n,n＝w*h}，其中g(shù)i表示像素的灰度，w表示樣本圖像的寬，h表示樣本圖像的高。對樣本進(jìn)行稀疏采樣，坐標(biāo)(x0，y0)處像素被采集到的概率：

其中ε(x,y)表示(x0，y0)鄰域中的采樣點(diǎn)，p(x,y)表示鄰域中采樣概率，nε表示鄰域中的采樣點(diǎn)數(shù)目，n0表示采樣點(diǎn)總數(shù)目，n1表示已經(jīng)采樣的數(shù)目，σ為尺度參數(shù)。這樣稀疏采樣使得采樣點(diǎn)隨機(jī)均勻分布于樣本圖像的平面空間。此時(shí)，此時(shí)稀疏表示用i的子集來表示i。

隨機(jī)均勻稀疏采樣保證了采樣點(diǎn)盡可能的均勻分布在樣本圖像上，因此也能夠最大程度上保留車標(biāo)的紋理結(jié)構(gòu)特征，對后面的明暗特征提取影響較小。本發(fā)明對大眾車標(biāo)進(jìn)行不同數(shù)目采樣點(diǎn)的隨機(jī)均勻稀疏采樣，白色亮點(diǎn)為車標(biāo)結(jié)構(gòu)上的采樣點(diǎn)，采樣點(diǎn)能夠大致上保留了大眾標(biāo)志的結(jié)構(gòu)，采樣點(diǎn)達(dá)到一定的數(shù)目，車輛的標(biāo)志是可以識(shí)別的，但是隨著取樣點(diǎn)的減少，車輛標(biāo)志的識(shí)別度也在降低，甚至不可分辨。

(2.2)對不同類型的點(diǎn)對集的特征提取

實(shí)際生活中車標(biāo)樣本因?yàn)槭艿礁黝愒肼暩蓴_，與標(biāo)準(zhǔn)的車標(biāo)樣本還是存在著一定的差異，各個(gè)像素點(diǎn)灰度絕對值已經(jīng)變得不再那么可靠，但是車標(biāo)結(jié)構(gòu)上的像素點(diǎn)的梯度信息和“明暗”對比關(guān)系依舊可靠。因此,將稀疏采樣點(diǎn)集內(nèi)的點(diǎn)隨機(jī)配對成n0/2個(gè)點(diǎn)對集p＝{pairm<pe,pf>，e，f≤n0，m≤n0/2}。點(diǎn)對pairm<p1,p2>中的p1(x1,y1)與p2(x2,y2)從n0個(gè)采樣點(diǎn)進(jìn)行隨機(jī)的配對。p1點(diǎn)與p2點(diǎn)的選取會(huì)產(chǎn)生一定的空間邏輯關(guān)系，p1點(diǎn)與p2點(diǎn)可能相距較遠(yuǎn)，也有可能相鄰。通過以下公式對p1點(diǎn)與p2點(diǎn)進(jìn)行分類。

選擇第一個(gè)點(diǎn)p1：

其中np為已配對采樣點(diǎn)數(shù)。

選擇第二個(gè)點(diǎn)p2：

其中p(p1)、p(p2)分別表示選擇p1點(diǎn)和p2點(diǎn)的概率，(x1，y1)為第一個(gè)點(diǎn)，(x2，y2)為第二個(gè)點(diǎn)，p(x,y)為已配對的采樣點(diǎn)。

滿足上述公式的點(diǎn)對分類到遠(yuǎn)距離點(diǎn)對集p2中，其余的點(diǎn)對分類到鄰近點(diǎn)對集p1中。對于這兩種不同的點(diǎn)對集，分別采用明暗度和梯度進(jìn)行特征提取。

(2.2.1)基于鄰近點(diǎn)對集特征提取

通過公式篩選出的鄰近點(diǎn)對集為p1，為了減少光照等因素的影響，對所采樣的鄰近點(diǎn)集進(jìn)行歸一化，集中在紋理周圍的點(diǎn)集中，局部表層曝光比較重，如圖4所示，所以對圖像進(jìn)行壓縮處理可以降低局部的光照影響。

gamma壓縮公式：i(x,y)＝i(x,y)^gamma

gamma可以取1/2。

計(jì)算鄰近點(diǎn)對集各個(gè)橫坐標(biāo)和縱坐標(biāo)方向的梯度，并計(jì)算每個(gè)像素點(diǎn)位置的梯度方向值。求導(dǎo)操作過程中能夠弱化光照影響和捕捉輪廓。

圖像中采樣點(diǎn)p(x,y)的梯度為：

gx(x,y)＝h(x+1,y)-h(x-1,y)(8)

gy(x,y)＝h(x,y+1)-h(x,y-1)(9)

其中g(shù)x(x,y)為點(diǎn)p(x,y)處的水平梯度，gy(x,y)是點(diǎn)p(x,y)處的垂直梯度，h(x,y)是點(diǎn)p(x,y)的像素值。

接著計(jì)算點(diǎn)p(x,y)處的梯度幅值和梯度方向：

按照上式，計(jì)算出每一個(gè)點(diǎn)的梯度幅值和梯度方向。對于每個(gè)點(diǎn)的梯度方向分為x個(gè)方向塊，即角度范圍。如圖所示，本發(fā)明中取x＝8，將360度分為8個(gè)方向塊，每一塊45°。那么像素的梯度被分為0°～45°、45°～90°、90°～135°、135°～180°、180°～225°、225°～270°、270°～315°、315°～360°八個(gè)角度范圍，如圖5所示，接著按照上式計(jì)算梯度幅值，將所有車標(biāo)樣本鄰近采樣點(diǎn)的梯度幅值按照區(qū)間累加到一起，得到一個(gè)梯度幅值的集合g={g1，g2，g3，g4，g5，g6，g7，g8}，g1代表著0°～45°角度范圍內(nèi)所有鄰近取樣點(diǎn)的梯度幅值總和，g2代表著45°～90°角度范圍內(nèi)所有鄰近取樣點(diǎn)的梯度幅值總和，以此類推。鄰近點(diǎn)對集構(gòu)成了樣本圖像梯度分布的一個(gè)稀疏表示，此稀疏表示定義為樣本的隨機(jī)梯度分布特征。

根據(jù)梯度關(guān)系繼續(xù)生成不同車標(biāo)所有樣本的點(diǎn)對關(guān)系集。

gc,s＝{gc,s,j,c＝1,2...,c,s＝1,2,...,s,j＝1,2,...,8}(12)

其中g(shù)c,s為第c類車標(biāo)的第s張樣本的角度范圍梯度集合，gc,s,i為第c類車標(biāo)的第s張樣本的第j個(gè)角度范圍內(nèi)的梯度幅值總和，c為樣本庫中所有車標(biāo)類別的個(gè)數(shù),s為第c類車標(biāo)的樣本總數(shù),j為8個(gè)角度范圍方向塊編號(hào)。

(2.2.2)基于非鄰近點(diǎn)對集特征提取

通過公式篩選出的遠(yuǎn)距離的點(diǎn)對，提高了采樣點(diǎn)的“明暗”對比度差異大地概率。通過對點(diǎn)對集合p2繼續(xù)構(gòu)造點(diǎn)對地明暗關(guān)系r，點(diǎn)對pair<p1,p2>中兩個(gè)采樣點(diǎn)位置鄰域內(nèi)的灰度均值的“明暗”對比關(guān)系，分為p1>p2，p1＝p2，p1<p2:

ip1和ip2是采樣點(diǎn)p1和p2一定鄰域內(nèi)的灰度均值，t1為灰度均值臨界值，這里可將灰度均值臨界值取為30。如圖6所示給出的現(xiàn)實(shí)大眾車標(biāo)的樣本中，有三個(gè)采樣點(diǎn)對對應(yīng)上式的三種關(guān)系：

pair1<p1,p2>，ip1＝200，ip2＝40，r1＝"p1>p2"

pair2<p3,p4>，ip3＝240，ip4＝245，r2＝"p3＝p4"

pair3<p5,p6>，ip5＝20，ip6＝240，r3＝"p5<p6"

通過在樣本點(diǎn)集上的隨機(jī)選取較遠(yuǎn)的匹配對，計(jì)算出了點(diǎn)對的明暗關(guān)系，得到了一個(gè)非鄰近點(diǎn)對集和相應(yīng)的點(diǎn)對明暗關(guān)系集，非鄰近點(diǎn)對集和明暗關(guān)系集構(gòu)成了樣本圖像灰度分布的一個(gè)稀疏表示，此稀疏表示定義為樣本的隨機(jī)灰度分布特征。

通過上述處理得到了某個(gè)樣本的基于稀疏采樣灰度分布的樣本特征，但是最終要在車標(biāo)樣本特征庫中使用灰度分布作為各類車標(biāo)的特征表示，還需要進(jìn)行特征篩選過程，并最終將鄰近點(diǎn)對集特征和非鄰近點(diǎn)對集相結(jié)合構(gòu)成特征表示。

對每一類別車標(biāo)，在坐標(biāo)空間內(nèi)進(jìn)行隨機(jī)均勻稀疏采樣和非鄰近的隨機(jī)配對，得到包含n2個(gè)點(diǎn)對的初始點(diǎn)對集pc：

pc＝{pairc,i<p1,p2>,c＝1,2...,c,i＝1,2,...,n2}(14)

其中c為樣本庫中車標(biāo)類別的個(gè)數(shù)，i代表著樣本庫中第c類車標(biāo)的第i個(gè)采樣點(diǎn)對，n2<no/2。由于是基于稀疏采樣的隨機(jī)采樣，所以不同類型的車標(biāo)的點(diǎn)對集中的位置也有所不同。在生成不同類別車標(biāo)的點(diǎn)對集后pc，根據(jù)明暗關(guān)系繼續(xù)生成該車標(biāo)每個(gè)樣本的點(diǎn)對關(guān)系集。

rc,s＝{pairc,s,i<p1,p2>,s＝1,2...,s，i＝1,2,...,n2}(15)

s為第c類車標(biāo)的樣本總數(shù)。

為了進(jìn)一步精確灰度特征，要根據(jù)信任度對非鄰近點(diǎn)對集進(jìn)行點(diǎn)對篩選。點(diǎn)對信任度relc,i反映了某一個(gè)點(diǎn)對關(guān)系的可靠程度。當(dāng)樣本類別中大多數(shù)樣本在該點(diǎn)對間呈現(xiàn)同一種明暗對比關(guān)系時(shí)，該種點(diǎn)對關(guān)系具有較高信任度。

relc,i表示第c類車標(biāo)的第i個(gè)采樣點(diǎn)的明暗關(guān)系信任度，rc,s,i表示第c類車標(biāo)的第i個(gè)采樣點(diǎn)在第s個(gè)樣本中的明暗關(guān)系。如果第s個(gè)樣本的第i個(gè)點(diǎn)對關(guān)系為p1>p2或者為p1<p2，rc,s,i取值為1，如果關(guān)系為p1＝p2，rc,s,i取值為0。從點(diǎn)對集pc中篩選出信任度大于設(shè)定閾值(如0.7)的n3個(gè)新的點(diǎn)對信任點(diǎn)對集pc′。

(2.2.3)進(jìn)一步構(gòu)建精確特征

相關(guān)度指不同類別樣本根據(jù)同一點(diǎn)對集計(jì)算得到的點(diǎn)對關(guān)系集之間的相似程度。對某樣本中的新點(diǎn)對集pc′中的每一個(gè)點(diǎn)對pairc<p1,p2>，計(jì)算出其中兩個(gè)點(diǎn)在其他類的樣本中點(diǎn)對關(guān)系。求出第c類樣本中點(diǎn)對和第c′中的相關(guān)度corelc,c′:

其中，rc,s,i表示第c類樣本的第s個(gè)樣本第i個(gè)點(diǎn)對的明暗對比關(guān)系，∧表示當(dāng)rc,s,i和rc′,s,i關(guān)系相同時(shí)，rc,s,i∧rc′,s,i取1。相關(guān)度越小，第c類的車標(biāo)與其他類別的計(jì)算所得點(diǎn)對關(guān)系集的區(qū)別越大，使得第c類別車標(biāo)圖像越容易識(shí)別。根據(jù)該第c類樣本與其他類別樣本的相關(guān)度，使用尋優(yōu)算法從信任點(diǎn)對集pc′中篩選出n4個(gè)采樣點(diǎn)對組成最小相關(guān)點(diǎn)對集pc″，使得pc″與其他類別點(diǎn)對關(guān)系集的相關(guān)度最小。pc′′即該類別的特征點(diǎn)對集。

根據(jù)最小相關(guān)點(diǎn)對集，可以重新獲取新的點(diǎn)對關(guān)系集rc″，最后根據(jù)梯度幅值的集合g、最小相關(guān)點(diǎn)對集pc″、點(diǎn)對關(guān)系集rc″、信任度集relc，建立了樣本中第c類樣本的特征表示f＝{g,pc″,rc″,relc},對于每一類樣本，均由此四項(xiàng)構(gòu)成特征集合，這就是樣本特征庫。

(3)感興趣車標(biāo)粗定位區(qū)域多尺度檢測

在確定感興趣區(qū)域后，準(zhǔn)備好樣本特征庫后，就可以在感興趣區(qū)域內(nèi)進(jìn)行多尺度檢測了。多尺度檢測這一過程中完成了定位和識(shí)別兩個(gè)功能，在其他識(shí)別方法中，定位和識(shí)別是分來進(jìn)行的，這樣在過程中增加誤差率，從而導(dǎo)致識(shí)別失敗，而本發(fā)明的多尺度檢測方法能夠提高了定位識(shí)別率。多尺度檢測通過設(shè)定一定可縮放的窗口，在待測的感興趣區(qū)域，從上到下，從左到右，依次掃描，在掃描過程中，對當(dāng)前窗口位置上，窗口大小的圖像進(jìn)行特征提取，并與準(zhǔn)備好的特征庫進(jìn)行對比，最終確定車標(biāo)類型。

在進(jìn)行檢測之前，初始化一個(gè)與待測車標(biāo)樣本尺寸一樣大小的窗口w0，大部分車標(biāo)都可以外接一個(gè)矩形。通過對w0乘以一個(gè)縮放系數(shù)t，得到比樣本圖像小的可縮放的窗口wt。因?yàn)榕臄z設(shè)備角度遠(yuǎn)近問題，導(dǎo)致車標(biāo)的大小不一致，通過觀察不同圖像中車標(biāo)的大小選定縮放系數(shù)的范圍，本發(fā)明中縮放系數(shù)t的取值范圍[smin,smax]設(shè)為[0.1，0.7]，每次縮放系數(shù)增加0.05，各個(gè)窗口wt在車標(biāo)感興趣粗定位區(qū)域從左至右、從上到下依次檢測。如圖7所示。

其中矩形框?yàn)樵O(shè)定的正方形檢測窗口，在如圖所示的窗口位置，窗口大小通過窗口內(nèi)的特征與特征庫對比正好檢測到車標(biāo)位置，此時(shí)縮放尺度為0.25。

對比過程中涉及到特征庫與窗口內(nèi)部的相似度。

其中，mt,w,c表示在縮放尺度為t，第w步的窗口位置的圖像與第c類車標(biāo)的相似度值，s為第c類車標(biāo)的樣本總數(shù),rt,w,i表示在縮放尺度為t，第w步的窗口，第i個(gè)點(diǎn)對下的明暗對比關(guān)系，n4表示篩選后非鄰近點(diǎn)對集中的點(diǎn)對數(shù)，relc,i表示第c類車標(biāo)的第i個(gè)采樣點(diǎn)對的明暗關(guān)系信任度，rc,s,i表示第c類車標(biāo)中第s張樣本的第i個(gè)點(diǎn)對的關(guān)系；gt,w,j表示在縮放尺度為t，第w步的窗口位置的圖像在第j個(gè)角度范圍梯度幅值總和，gc,s,j表示第c類車標(biāo)第s張樣本中第j個(gè)角度范圍梯度幅值總和。當(dāng)點(diǎn)對關(guān)系gt,w,j角度信息和第c類樣本中相同采樣點(diǎn)對的梯度關(guān)系gc,s,j角度信息相近(梯度差值控制在60以內(nèi))，gt,w,j＝＝gc,s,j值為1，否則為0。當(dāng)點(diǎn)對關(guān)系rt,w,j和第c類樣本中相同采樣點(diǎn)對的明暗對比關(guān)系rc,i相同時(shí)，rt,w,i＝＝rc,s,i值為1，否則為0。mt,w,c越大，表明窗口wt,k內(nèi)的圖像分布特征與第c類別越相似。

通過更改窗口的縮放系數(shù)對車標(biāo)的感興趣粗定位區(qū)域進(jìn)行遍歷，得到不同的相似度mt,w,c。選取相似度值最高的車標(biāo)類別c′，此時(shí)根據(jù)窗口尺度t′和位置w′即可確定車標(biāo)的準(zhǔn)確位置。

為驗(yàn)證本發(fā)明方法的有效性及優(yōu)勢，做如下對比實(shí)驗(yàn)。

對于樣本圖像，本發(fā)明所采用的圖像樣本來自自己拍攝以及網(wǎng)絡(luò)上選取的交通路口攝像頭拍攝的圖片，選取了1800張25類的車標(biāo)類別，基本包括我們常見的車標(biāo)型號(hào)。自身拍攝的照片由于清晰度與質(zhì)量較高，要對這些樣本進(jìn)行添加噪聲和進(jìn)行透視變換。對每一種類型的車標(biāo)，要事前對樣本進(jìn)行歸一化，設(shè)置圖片為60*60分辨率，從中選擇800個(gè)采樣點(diǎn)對，其中人工選取200對，隨機(jī)選取600對。然后對這些點(diǎn)進(jìn)行分類，選取鄰近點(diǎn)對和非鄰近點(diǎn)對。對這兩種點(diǎn)對分別處理，得到不同的特征集。對于測試圖像，在交通道路口采集到不同情況的1000多張混合車前臉圖像，這些不同情況包括白天、夜晚、晴天、下雨等各種天氣情況。

表1部分測試結(jié)果

表2樣本定位時(shí)間和識(shí)別時(shí)間

由上表1可看出，不同的車標(biāo)類型定位識(shí)別率也是相差較大的，表中奧迪的定位識(shí)別率最高，福特的定位識(shí)別率最低，奧迪車輛樣本輪廓分明，在稀疏取樣后依稀可辨器圖標(biāo)紋理輪廓，梯度方向信息較為明顯，明暗對比度度也較為明顯。而福特等一系列車標(biāo)，在天氣情況影響下加上稀疏取樣，圖標(biāo)的識(shí)別度較為低，特征提取存在誤差。對于這一類的情況，可以增加樣本稀疏采樣的采樣點(diǎn)的數(shù)目，提高提取特征的準(zhǔn)確率，同時(shí)在手動(dòng)選取采樣點(diǎn)位置時(shí)，可以選取邊緣周圍出點(diǎn)對，優(yōu)化點(diǎn)對位置。對于在白天，天氣良好的車牌，定位率還算高，但是夜晚在車燈強(qiáng)光照射下，車標(biāo)圖像曝光嚴(yán)重，影響特征提取，降低了定位識(shí)別率，實(shí)驗(yàn)結(jié)果如圖8所示。

在圖8的測試結(jié)果示例圖中，最下面的矩形區(qū)域?yàn)檐嚺茀^(qū)域，在車牌區(qū)域上方矩形為感興趣區(qū)域，在感興趣區(qū)域內(nèi)部的矩形為車標(biāo)區(qū)域。第一張圖片是晚間車輛圖片；第二張圖片雖然是白天拍攝的，但是由于設(shè)備原因，成像效果不好；第三張圖片是傾斜圖片；第四張同第二張；第五張圖片車牌存在干擾；第六張是存在霧干擾的情況下拍攝的。

但是為了測試本發(fā)明方法對于那些質(zhì)量要求不高的圖像，比其他傳統(tǒng)方法定位識(shí)別要準(zhǔn)確。進(jìn)行另一組實(shí)驗(yàn)，選取成像效果不是非常理想的三類車標(biāo)大眾、奔馳、雪佛蘭，分別進(jìn)行模板匹配、sift算法和本發(fā)明算法比較

表3部分對比測試結(jié)果

表4部分對比測試時(shí)間結(jié)果

從表中可以看出，無論是模板匹配算法還是sift識(shí)別算法，它們對于成像效果不理想的圖像的識(shí)別率遠(yuǎn)沒有本發(fā)明定位識(shí)別方法好。對于那些圖片質(zhì)量好，像素高的圖片，傳統(tǒng)識(shí)別方法還是滿足需求，但是那些不夠理想的圖片，拉低了定位識(shí)別率。

本發(fā)明提出的基于稀疏采樣的灰度分布特征和梯度分布的標(biāo)識(shí)別方法，對比傳統(tǒng)的識(shí)別方法，主要針對那些成像效果不理想的圖像進(jìn)行定位識(shí)別，將采樣點(diǎn)分為鄰近采樣點(diǎn)集和非鄰近采樣點(diǎn)集，對兩種不同的點(diǎn)擊提取不一樣的特征，并采用多尺度檢測方式在在目標(biāo)圖像中提取特征進(jìn)而識(shí)別和定位車標(biāo)，將定位和識(shí)別有機(jī)的結(jié)合在一起，降低了中間過程的誤差，提高了識(shí)別率，對于噪聲大,質(zhì)量差，像素低的圖片也有較高的識(shí)別率。