[发明专利]基于HU不变矩实现车标自动识别的方法

说明书

技术领域

本发明涉及图像处理领域，尤其涉及车标图像识别领域，具体是指一种基于HU不变矩实现车标自动识别的方法。

背景技术

社会经济的发展促使道路交通迅速发展，机动车数量不断增加。伴随着机动车数量不断增加，盗抢机动车、利用机动车犯罪等类型案件也显著增加，引起了全社会的关注。盗抢车辆案犯往往以小客车、特别是中、高档轿车作为作案重点，得手后通过更换车辆牌照，改变车辆外观如改变车辆颜色等，迅速逃往外地进行销赃、使用。目前公安部门在得到失主报警后，在各个治安网点布控的方法主要靠人眼观察车牌号、颜色，又由于不能使停车检查车辆的比例过大，因此侦破率很低。

为了解决交通迅速发展所引发的各种问题，智能交通系统被提到了重要位置。计算机视觉作为智能交通系统中的一项重要技术，受到越来越多的重视。运动车辆类型精确识别系统的核心技术主要包括车牌识别和车型识别两个方面的内容。在车型识别系统中，可以按照车辆大小或汽车标志将车辆进行分类。

目前车标识别最常用的特征是PCA结合模板匹配或者Adaboost模型的方案。PCA是基于主元分析的特征提取，把所有的不同车标的样本放在一起提取，以所有车标样本最优重建为目的。模板匹配是最常用的识别方法之一，简单、直接。Adaboost是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。

PCA除了计算量大之外，它对于车标样本之间的差异而言存在着明显的缺陷，从这方面讲它来描述车标识别的特征是不充分的。模板匹配不具有旋转不变性、不具有尺度不变性；Adaboost因为其非线性的组合，能够适合很复杂的分界面，但是一定要有足够的训练样本。

发明内容

本发明的目的是克服了上述现有技术的缺点，提供了一种能够实现根据图像不变矩的特点利用神经网络模型进行车标识别、全天识别准确率超过80%、具有更广泛应用范围的基于HU不变矩实现车标自动识别的方法。

为了实现上述目的，本发明的基于HU不变矩实现车标自动识别的方法具有如下构成：

该基于HU不变矩实现车标自动识别的方法，其主要特点是，所述的方法包括以下步骤：

（1）获取车标大致区域的图像并进行图像二值化处理得到车标大致区域的二值化图像；

（2）在所述的车标大致区域的二值化图像中确定车标精确位置的图像；

（3）计算所述的车标精确位置的图像中的HU不变矩特征；

（4）根据所述的HU不变矩特征确定车标识别结果。

较佳地，所述的获取车标大致区域的图像，包括以下步骤：

（11）对车身上的车牌进行识别得到车牌位置信息；

（12）根据车身的车牌与车标的拓扑结构获取车标大致区域的图像。

较佳地，所述的进行图像二值化处理得到车标大致区域的二值化图像，包括如下步骤：

（13）将车标大致区域的彩色图像转换为灰度图像；

（14）对车标大致区域的灰度图像进行图像二值化处理得到车标大致区域的二值化图像。

较佳地，所述的在所述的车标大致区域的二值化图像中确定车标精确位置的图像，包括以下步骤：

（21）计算所述的车标大致区域的二值化图像中的边缘信息；

（22）结合所述的边缘信息和所述的二值化图像的二值信息对车标进行定位并得到车标精确位置的图像。

更佳地，所述的根据所述的HU不变矩特征确定车标识别结果，具体为：

根据所述的边缘信息和HU不变矩特征组成的特征向量确定车标识别结果。

更进一步地，所述的根据所述的边缘信息和HU不变矩特征组成的特征向量确定车标识别结果，具体为：

将所述的边缘信息和HU不变矩特征组成的特征向量输入神经网络模型并输出车标结果。

采用了该发明中的基于HU不变矩实现车标自动识别的方法，具有如下有益效果：

利用车标与车牌的位置关系，根据车标区域边缘特征进行车标定位，根据图像不变矩的特点，利用神经网络模型进行车标识别，识别效果较好。本发明已经将代码合成至DSP相机中，并于现场实施测试，白天识别准确率为82%，晚上识别准确率为80%，全天识别准确率超过80%，目前已经用于现场项目，具有更广泛的应用范围。

附图说明

图1为本发明的基于HU不变矩实现车标自动识别的方法的流程图。

图2为本发明的基于HU不变矩实现车标自动识别的方法的详细流程图。

具体实施方式