果的置信度高于或等于預(yù)設(shè)第二置信度閾值(可以根據(jù)具體情況設(shè)定， 如70%、80%等），則服務(wù)器可以直接根據(jù)該識別結(jié)果確定目標(biāo)車輛的車標(biāo)。例如，當(dāng)車標(biāo)圖 像較為清晰時，通過SVM分類器或CNN分類器對車標(biāo)位置區(qū)域的識別結(jié)果的置信度通常會高 于預(yù)設(shè)第二置信度閾值。
[0076] 若服務(wù)器通過SVM分類器或CNN分類器對車標(biāo)位置區(qū)域進(jìn)行車標(biāo)識別的識別結(jié)果 的置信度低于預(yù)設(shè)第二置信度，則服務(wù)器可以認(rèn)為車標(biāo)圖像可能存在過于模糊等情況，需 要通過其它特征對車標(biāo)進(jìn)一步判斷。
[0077] 在該實施方式中，考慮到任何一個車標(biāo)廠商對應(yīng)的車型類別是有限的，且這些車 型和其它車標(biāo)廠商對應(yīng)的車型在形狀、紋理等方面存在差異，因而可以通過概率統(tǒng)計的方 式對車前臉特征建模，選擇當(dāng)前車前臉特征對應(yīng)概率最大的車標(biāo)。
[0078] 相應(yīng)地，服務(wù)器可以使用HCRF(Hidden Conditional Random Fields，隱條件隨機(jī) 場)對上述車標(biāo)識別圖像的所有特征點進(jìn)行建模，通過隱條件隨機(jī)場模型對上述車標(biāo)識別 圖像進(jìn)行識別，并根據(jù)識別結(jié)果確定目標(biāo)車輛的車標(biāo)。
[0079]具體的，HCRF在訓(xùn)練過程中，每一個樣本對應(yīng)的輸入可以是一組維度相同的觀測 向量x= {xo，xr··. .χη}，其中，xo，xr··. .χη等包括每個特征點的64維SURF特征結(jié)合其在坐標(biāo) 系的縱橫坐標(biāo)在內(nèi)的一共66維特征，該觀測向量X對應(yīng)一個車標(biāo)的類別標(biāo)簽，假設(shè)為z(ze Z，所有車標(biāo)類別標(biāo)簽之一），服務(wù)器可以基于位置聚類之后的特征點和其中的對稱SURF特 征點建立隱條件隨機(jī)場模型。其中，該隱條件隨機(jī)場模型由輸入向量、隱藏層變量（以下簡 稱為隱變量)和類別標(biāo)簽組成，其條件概率公式如下：
[0080]
[0081]
[0082]其中，h為隱變量，Θ為待估計的參數(shù)，V為所述第一預(yù)設(shè)數(shù)量的SURF特征點集合，Xv 為SURF特征點v對應(yīng)的66維特征，Θ (hv)為一組66維參數(shù)，Θ (hv，z)代表隱變量hv和目標(biāo)類別z 之間的相關(guān)度，代表鄰域中的兩個頂點對應(yīng)的隱變量。
[0083] 在該實施方式中，鄰域代表一個勢團(tuán)中兩個相互關(guān)聯(lián)的節(jié)點，一個節(jié)點所有的鄰 域節(jié)點包括與該節(jié)點存在概率依存關(guān)系的所有節(jié)點。
[0084] 在該實施方式中，考慮到車前臉的特殊性，鄰域的設(shè)計策略如下：
[0085] 1)、按照上述聚類之后的特征點劃分為對應(yīng)不同的勢團(tuán)，即所有的聚類內(nèi)部特征 點認(rèn)為是強(qiáng)相關(guān)的，而不同類別之間的特征點原則上認(rèn)為弱相關(guān)；
[0086] 2)、在同一個聚類之內(nèi)，使用不同特征點之間的歐式距離(假定該距離為d，單位為 像素)作為是否鄰域的判斷標(biāo)準(zhǔn)，例如，d〈 = 20;
[0087] 3)、在不同聚類之間，所有的對稱SURF特征點被認(rèn)為相關(guān)度較高，全部設(shè)為鄰域節(jié) 點，不受歐式距離的限制，由于對稱SURF是成對出現(xiàn)的，左半?yún)^(qū)或者右半?yún)^(qū)的點都只和對應(yīng) 半?yún)^(qū)的其他點形成鄰域，不需要和兩個半?yún)^(qū)的點都聯(lián)系起來。例如，假設(shè)共存在20對對稱 SURF特征點，則該20對SURF對稱特征點中20個SURF特征點位于左半?yún)^(qū)，20個SURF特征點位 于右半?yún)^(qū)，則左半?yún)^(qū)的20個SURF特征點互為鄰域節(jié)點，右邊的20個SURF特征點也互為鄰域 節(jié)點。
[0088] 訓(xùn)練過程中參數(shù)估計:按照下面的最大似然函數(shù)對上述Θ參數(shù)進(jìn)行估計，假設(shè)有k (k為正整數(shù))個訓(xùn)練數(shù)據(jù)，分別為(ΛζΚΛζ 1)……（χη，ζη)，可以結(jié)合條件隨機(jī)場常 見的置信度傳播算法對下面參數(shù)估計進(jìn)行優(yōu)化計算，最終得到一組最優(yōu)參數(shù)
[0090] 其中，σ2代表參數(shù)Θ的平均方差，可以通過交叉驗證的方式選擇一個相對最優(yōu)值。
[0091] 檢測過程:訓(xùn)練完成得到了最優(yōu)參數(shù)θ'在對上述車標(biāo)識別圖像進(jìn)行了角點檢測、 SURF特征提取之后，可以根據(jù)上述條件概率公式獲取所述車標(biāo)識別圖像對應(yīng)的置信度最高 的識別結(jié)果z，其中：
[0092]可見，在圖3所描述的方法流程中，當(dāng)車標(biāo)圖像清晰時，直接通過SVM分類器或CNN 分類器進(jìn)行車標(biāo)識別，當(dāng)車標(biāo)圖像過于模糊時，通過隱條件隨機(jī)場模型進(jìn)行車標(biāo)識別，將車 標(biāo)的判斷不再僅僅局限于車標(biāo)區(qū)域特征的提取，而是充分利用了整個車前臉特征和車標(biāo)之 間的概率依存關(guān)系，在車標(biāo)區(qū)域受到各種干擾不夠清晰的時候，依然可以較高準(zhǔn)確率的判 別具體車標(biāo)信息，有效的提升了車標(biāo)識別在各類環(huán)境和各種干擾情況下的準(zhǔn)確率。
[0093] 通過以上描述可以看出，在本發(fā)明實施例提供的技術(shù)方案中，在確定目標(biāo)車輛的 監(jiān)控圖像中的車牌位置，并根據(jù)該車牌位置確定監(jiān)控圖像對應(yīng)的車標(biāo)識別圖像之后，通過 在車標(biāo)識別圖像中檢測第一預(yù)設(shè)數(shù)量的FAST角點，并提取該FAST角點的SURF特征，進(jìn)而，對 SURF特征點進(jìn)行聚類，并根據(jù)車牌位置、SURF特征點中的對稱SURF特征點以及聚類結(jié)果確 定車標(biāo)識別圖像中的車標(biāo)模糊區(qū)域，從而從該車標(biāo)模糊區(qū)域中搜索車標(biāo)位置區(qū)域，并對車 標(biāo)位置區(qū)域進(jìn)行車標(biāo)識別，降低了車標(biāo)識別的工作量，提高了車標(biāo)識別的準(zhǔn)確率。
[0094] 請參見圖4,為本發(fā)明實施例提供的一種車標(biāo)識別裝置的結(jié)構(gòu)示意圖，其中，該車 身顏色識別裝置可以應(yīng)用于上述方法實施例中的智能交通系統(tǒng)，例如，應(yīng)用于智能交通系 統(tǒng)的后臺服務(wù)器中，如圖4所示，該車標(biāo)識別裝置可以包括：
[0095] 第一確定單元410,用于確定目標(biāo)車輛的監(jiān)控圖像中的車牌位置，并根據(jù)所述車牌 位置確定所述監(jiān)控圖像對應(yīng)的車標(biāo)識別圖像；
[0096] 檢測單元420,用于在所述車標(biāo)識別圖像中檢測第一預(yù)設(shè)數(shù)量的加速段試驗特征 FAST角點，并提取所述FAST角點的加速魯棒特征SURF特征；
[0097] 聚類單元430，用于對SURF特征點進(jìn)行聚類；
[0098]第二確定單元440，用于根據(jù)所述車牌位置、所述SURF特征點中的對稱SURF特征點 以及聚類結(jié)果確定所述車標(biāo)識別圖像中的車標(biāo)模糊區(qū)域；
[0099]搜索單元450,用于從所述車標(biāo)模糊區(qū)域中搜索車標(biāo)位置區(qū)域；
[0100]識別單元460，用于對所述車標(biāo)位置區(qū)域進(jìn)行車標(biāo)識別。
[0101] 請一并參見圖5,為本發(fā)明實施例提供的另一種車標(biāo)識別裝置的結(jié)構(gòu)示意圖，該實 施例在前述圖4所示實施例的基礎(chǔ)上，所述裝置中第二確定單元440可以包括:第一確定子 單元441、第二確定子單元442和第三確定子單元443;其中：
[0102] 第一確定子單元441，用于確定位于目標(biāo)區(qū)域的目標(biāo)聚類中心的縱坐標(biāo)值;其中， 所述目標(biāo)區(qū)域為所述車標(biāo)識別圖像內(nèi)所述車牌位置上方，以車牌為中心，左右各第二預(yù)設(shè) 數(shù)量像素的矩形區(qū)域；
[0103] 第二確定子單元442,用于確定縱坐標(biāo)值與所述目標(biāo)聚類中心的縱坐標(biāo)值最接近 的目標(biāo)對稱SURF特征點的橫坐標(biāo)值的平均值；
[0104] 第三確定子單元443，用于以所述目標(biāo)聚類中心的縱坐標(biāo)值，以及所述目標(biāo)對稱 SURF特征點的橫坐標(biāo)值的平均值對應(yīng)的點為中心點，確定所述車標(biāo)識別圖像中的車標(biāo)模糊 區(qū)域。
[0105] 在可選實施例中，所述搜索單元450,還可以用于若從所述車標(biāo)模糊區(qū)域中搜索到 的車標(biāo)位置區(qū)域的置信度低于預(yù)設(shè)第一置信度閾值，則對所述目標(biāo)區(qū)域進(jìn)行遍歷搜索，以 確定車標(biāo)位置區(qū)域。
[0106] 在可選實施例中，所述識別單元460,具體用于：
[0107] 通過預(yù)設(shè)的支持向量機(jī)SVM分類器或卷積神經(jīng)網(wǎng)絡(luò)CNN分類器對所述車標(biāo)位置區(qū) 域進(jìn)行車標(biāo)識別；
[0108] 若識別結(jié)果的置信度高于或等于預(yù)設(shè)第二置信度閾值，則根據(jù)所述識別結(jié)果確定 所述目標(biāo)車輛的車標(biāo)；
[0109] 否則，通過預(yù)設(shè)的隱條件隨機(jī)場模型對所述車標(biāo)識別圖像進(jìn)行識別，并根據(jù)識別 結(jié)果確定所述目標(biāo)車輛的車標(biāo)。
[0110]在可選實施例中，所述隱條件隨機(jī)場模型對應(yīng)的條件概率公式包括：
[0111]
[0112]
[0113]其中，h為隱變量，Θ為待估計的參數(shù)，V為所述第一預(yù)設(shè)數(shù)量的SURF特征點集合，Xv 為SURF特征點v對應(yīng)的66維特征，Θ (hv)為一組66維參數(shù)，Θ (hv，z)代表隱變量hv和目標(biāo)類別z 之間的相關(guān)度，代表鄰域中的兩個頂點對應(yīng)的隱變量；
[0114