基于快速學習框架的車輛品牌型號識別方法
【專利摘要】本發明公開了一種基于快速學習框架的車輛品牌型號識別方法，包括以下步驟：搭建spark平臺，獲取監控視頻流；從獲取的視頻圖像中檢測車牌，根據車牌位置獲取車臉圖像，并進行車臉識別；按照車牌的寬度和高度，上下左右擴展，獲得車臉圖像；構建多尺度車臉圖像，將其有重疊的分塊，對每一小塊提取局部二進制和梯度方向直方圖特征，并組合成最終的車臉特征；訓練多級級聯分類器，第一級采用多分類器投票的方式，當多數分類器投給同一目標時，就接受該結果，否則進入下一級；第二級采用集成分類系統，通過特征映射，訓練多個子分類器，融合各分類器結果，得到最終的分類結果。能在海量的數據中，準確、快速、穩定地識別車輛品牌和具體型號。
【專利說明】
基于快速學習框架的車輛品牌型號識別方法
技術領域
[0001] 本發明涉及圖像模式識別和智能交通領域，具體地涉及一種基于快速學習框架的 車輛品牌型號識別方法。
【背景技術】
[0002] 隨著國民經濟的持續發展，機動車已經成為人們日常生活中不可或缺的交通運輸 工具。但隨之而來的交通問題也日益突出。世界各國都對交通系統的管理加大了投入，逐漸 形成了道路交通管理研究領域。
[0003] 車型識別是智能交通系統中的主要任務和關鍵技術，它有著廣泛的應用，如公路 自動計費、停車場管理、稽查盜竊車輛、套牌車管理等。車型識別的難點在于識別系統的普 遍適應性，一個好的車輛識別系統需要能夠適應各種場景變化、天氣變化以及車輛本身的 磨損等。
[0004] 目前車輛識別主要集中在車型識別和車標識別兩個方向。車型識別以區分車輛種 類型號為主，如，小轎車、卡車、公共汽車等，其方法以基于感應線圈的識別最為廣泛，但該 方法安裝不方便、維護成本高且識別率低。車標識別可以識別出車輛品牌，但不同的品牌車 標變化較大，且車標很小，使得車標檢測比較困難。
[0005] 隨著交通信息流的快速增長，其數據量已經達到很高的規模。傳統的計算系統面 對這樣的海量數據，已很難滿足需求。
[0006] 中國專利文獻CN 105574543公開了一種基于深度學習的車輛品牌型號識別方法， 包括步驟1，訓練數據建立SVM車牌判別模型；步驟2,基于深度學習法訓練建立車型識別模 型;步驟3，對視頻中圖像的背景進行建模獲取運動目標，跟蹤運動目標獲取運動目標軌跡， 得到包含車牌的圖片;步驟4,將所述圖片通過圖像處理技術處理，獲取包含車牌的若干個 圖塊，用所述SVM車牌判別模型判別保留包含車牌的圖塊;步驟5,根據車牌的位置，分別向 上、下、左、右四個方向擴展設定區域，得到車頭的位置區域;步驟6,基于所述車型識別模型 根據所述車頭的位置區域對車型進行識別。該種方法雖然利用自主學習特征，但是使用一 個分類器，分類效果較差。而且當面對海量數據時，處理速度慢，準確率比較低。

【發明內容】

[0007] 針對上述技術問題，本發明目的是：提供一種基于快速學習框架的車輛品牌型號 識別方法，能在海量的數據中，準確、快速、穩定地識別車輛品牌和具體型號。
[0008] 本發明的技術方案是：
[0009] -種基于快速學習框架的車輛品牌型號識別方法，其特征在于，包括以下步驟：
[0010] SOl:搭建spark平臺，獲取監控視頻流；
[0011] S02:從獲取的視頻圖像中檢測車牌，根據車牌位置獲取車臉圖像，并進行車臉識 別；
[0012] S03:按照車牌的寬度和高度，上下左右擴展，獲得車臉圖像；
[0013] S04:構建多尺度車臉圖像，將其有重疊的分塊，對每一小塊提取局部二進制(LBP) 和梯度方向直方圖(HOG)特征，并組合成最終的車臉特征；
[0014] S05:訓練多級級聯分類器，第一級采用多分類器投票的方式，當多數分類器投給 同一目標時，就接受該結果，否則進入下一級;第二級采用集成分類系統，通過特征映射，訓 練多個子分類器，融合各分類器結果，得到最終的分類結果。
[0015] 優選的，所述步驟SOl包括：
[0016] Sll:通過Spark Streaming接收視頻流；
[0017] S12:按照時間間隔將視頻流分割成離散的RDD數據集，將此RDD數據集轉換成多個 子RDD數據集，每個子RDD數據集對應一張圖片，對每張圖片分別處理。
[0018] 優選的，所述步驟S03中，左右擴展1.5倍的車牌寬度，向下擴展一倍的車牌高度， 向上擴展3.5倍的車牌高度。
[0019] 優選的，步驟S03之后還包括，計算車牌的傾斜角度，并以此角度旋轉圖像至車牌 下邊緣呈水平方向。
[0020] 優選的，步驟S03之后還包括，檢測車臉特征點，按照最小距離和位置一致性原則 匹配特征點，根據特征點位置調整車臉圖像。
[0021] 優選的，所述調整車臉圖像包括以下步驟：
[0022] S31:計算匹配特征點與待匹配特征點所形成直線的斜率絕對值，若小于5度，則加 入候選匹配點；
[0023] S32:計算所有候選特征點的特征描述算子，快速魯棒(surf)特征點使用四個haar 小波特征，計算所有特征描述算子與待匹配特征點的特征描述算子之間的歐式距離，若最 小距離小于閾值d，則該特征點與待匹配點成功匹配；
[0024] S33:計算所有匹配點的中點橫坐標^4 = 1，2，一11，11為匹配數，設以和〇分別為其 均值和標準差，篩選出所有滿足μ-3σ〈Χ:?〈μ+3σ的點，并再次計算它們的平均中點c，根據c與 車牌中心點的距離調整車臉的左右邊界。
[0025]優選的，所述步驟S04包括以下步驟：
[0026] S41:將車臉歸一化到固定大小，分成塊，每塊再分成多個單元，按照向右一個單元 向下一個單元的方式滑動塊，計算每一個塊的特征；
[0027] S42:使用二維高斯核G(x，y，〇)與車臉圖像I(x，y)卷積運算，生成不同尺度空間的 車臉圖像L(x，y，〇)，尺度空間形式表示為：
[0028]
[0029]
[0030] S43: LBP特征使用8鄰域，半徑為1的方式計算，統計每個單元的直方圖，直方圖bin 數目為8，將每個塊的所有單元LBP特征串聯，形成每個塊的特征。
[0031] S44:計算每一個單元中像素的梯度幅值和方向，將360度方向分成多個方向塊，幅 值作為權重來統計每個單元的梯度方向直方圖，將每個塊的所有單元的特征串聯，形成每 個塊的特征，并與步驟S43中的特征串聯形成該塊的最終車臉特征。
[0032] 與現有技術相比，本發明的優點是：
[0033] 1、本發明能在海量的數據中，準確、快速、穩定地識別車輛品牌和具體型號。識別 準確度高、速度快、適用性廣。構建多尺度車臉圖像能夠將特征簡單高效的表達在不同尺度 上，利于圖像識別；利用spark中的彈性分布式數據集(RDD)對各分塊以及兩個特征采用分 布式方式計算，這大大提高了計算效率。
[0034] 2、使用多級級聯分類器得到結果，綜合利用多種分類器各自的優勢，可以使分類 更魯棒，可以得到更強大的分類效果。各分類器判別使用RDD實現分布式計算，大大提高了 計算效率。
【附圖說明】
[0035]下面結合附圖及實施例對本發明作進一步描述：
[0036] 圖1為本發明基于快速學習框架的車輛品牌型號識別方法的流程圖。 圖2為本發明基于快速學習框架的車輛品牌型號識別方法的車型識別流程圖； 圖3為本發明基于快速學習框架的車輛品牌型號識別方法的分類器判別流程圖。
【具體實施方式】
[0037] 為使本發明的目的、技術方案和優點更加清楚明了，下面結合【具體實施方式】并參 照附圖，對本發明進一步詳細說明。應該理解，這些描述只是示例性的，而并非要限制本發 明的范圍。此外，在以下說明中，省略了對公知結構和技術的描述，以避免不必要地混淆本 發明的概念。
[0038] 實施例：
[0039] 一種基于快速學習框架的車輛品牌型號識別方法，包括以下步驟：
[0040] (1)根據監控需求、算法效率和機器性能，選擇搭建spark平臺，獲取監控視頻流。 Spark是一個并行數據處理框架，它可以讓大數據與實時數據應用結合在一起，可以使用 Spark Streaming來處理實時數據。
[0041 ] (2)從獲取的視頻圖像中檢測車牌。
[0042] (3)根據車牌位置獲取車臉圖像，并進行車臉識別，具體步驟為：
[0043] (3-1)按照車牌的寬度和高度，上下左右擴展，獲得車臉圖像。
[0044] (3-2)計算車牌的傾斜角度，并旋轉車臉至水平。這樣可以防止車臉圖像因受監控 設備安裝角度以及駕駛方向等的影響出現傾斜，對后面的車型識別產生較大的影響。
[0045] (3-3)檢測車臉特征點，按照最小距離和位置一致性原則匹配特征點。根據特征點 位置調整車臉圖像。這樣，車牌檢測左右邊界定位會出現偏差，導致檢測出的車臉位置也會 出現較大誤差，利用特征點重新調整車臉的邊界，可以使車臉對齊。
[0046] (3-4)構建多尺度車臉圖像，將其有重疊的分塊，對每一小塊提取局部二進制 (LBP)和梯度方向直方圖（HOG)特征，并組合成最終的車臉特征。在spark中，各分塊可生成 各自的RDD，實現分布式計算。LBP主要表達圖像紋理，HOG主要表達外形特征，兩者結合可以 很好的表達車臉的特征;有重疊的分塊既能表達局部特征，又能體現全局特性;多尺度能夠 將特征簡單高效的表達在不同尺度上，利于圖像識別；利用spark中的彈性分布式數據集 (RDD)對各分塊以及兩個特征采用分布式方式計算，這大大提高了計算效率。
[0047] (3-5)訓練兩級級聯分類器，第一級采用多分類器投票的方式，當多數分類器投給 同一目標時，就接受該結果，否則進入下一級;第二級采用集成分類系統，通過特征映射，訓 練多個子分類器，融合各分類器結果，得到最終的分類結果。在spark中，各分類器可生成對 應的RDD，實現分布式計算。這樣做的有益效果是:單一的分類器受限于分類器本身，很難達 到優秀的結果，綜合利用多種分類器各自的優勢，可以使分類更魯棒;分類器級聯就像特 征級聯一樣，可以得到更強大的分類效果；同（3-4)中的特征計算，各分類器判別使用RDD實 現分布式計算，大大提高了計算效率。
[0048] 如圖1所示，步驟(1)具體包括以下步驟：
[0049] (1)通過Spark Streaming接收視頻流。
[0050] (2)按照時間間隔將視頻流分割成一個個離散的RDD數據集，由于有多路視頻，每 個RDD可能包含很多圖片數據，將此RDD轉換成多個子RDD，每個子RDD對應一張圖片。
[0051] (3)對每張圖片進行車型識別處理。
[0052] 如圖2所示，車臉識別具體包括以下步驟：
[0053] (1)準備訓練樣本和測試樣本，本例中總共有1032種車型。
[0054] (2)利用紋理和顏色相結合的方式，定位車牌。
[0055] (3)利用拉東變換，計算車牌的傾斜角度，并以此角度旋轉圖像至車牌下邊緣呈水 平方向。
[0056] (4)根據車牌位置，左右擴展1.5倍的車牌寬度，向下擴展一倍的車牌高度，向上擴 展3.5倍的車牌高度，依此獲得車臉圖像。
[0057] (5)計算快速魯棒特征點（surf )，尋找其中的對稱點，并根據特征點調整車臉邊 界。具體為：
[0058] (5-1)計算量匹配特征點與待匹配特征點所形成直線的斜率絕對值，若小于5度， 則加入候選匹配點。
[0059] (5-2)計算所有候選特征點的特征描述算子，surf特征點使用四個haar小波特征， 分別為:水平方向值之和，水平方向絕對值之和，垂直方向之和，垂直方向絕對值之和。計算 所有特征描述算子與待匹配特征點的特征描述算子之間的歐式距離，若最小距離小于閾值 d，則該特征點與待匹配點成功匹配。
[0060] (5-3)計算所有匹配點的中點橫坐標114 = 1，2，一11，11為匹配數，設以和〇分別為其 均值和標準差。篩選出所有滿足μ-3σ〈Χ:?〈μ+3σ的點，并再次計算它們的平均中點c，根據c與 車牌中心點的距離調整車臉的左右邊界。
[0061] (6)車臉特征提取，具體步驟包括：
[0062] (6-1)將車臉歸一化到128 X 64大小，分成4 X 2塊，每塊再分成2 X 2個單元。按照向 右一個單元向下一個單元的方式滑動塊，計算每一個塊的特征。
[0063] (6-2)使用二維高斯核G(x，y，〇)與車臉圖像I(x，y)卷積運算，生成不同尺度空間 的車臉圖像L(x，y，〇)，尺度空間形式表示為：
[0066]本例選用5 X 5大小的高斯核，σ e {5，10}。[0067] (6_3)LBP特征使用8鄰域，半徑為1的方式計算，統計每個單元的直方圖，直方圖
[0064]
[0065] bin數目為8。將每個塊的所有單元LBP特征串聯，形成每個塊的特征。
[0068] (6-4)計算每一個單元中像素的梯度幅值和方向，將360度方向分成8個方向塊，幅 值作為權重來統計每個單元的梯度方向直方圖。將每個塊的所有單元的特征串聯，形成每 個塊的特征，并與(6-2)中的特征串聯形成該塊的最終特征。總特征維數為7 X 3 X 4 X (8+8) X3 = 4032〇
[0069] (6-5)在spark中，每個尺度車臉對應一個RDD，再生成每個塊的子RDD，各子RDD可 進行分布式計算，大大的提高了計算速度。
[0070] (6-6)由于有重疊的滑動塊來提取特征，難免出現特征冗余，最后使用主成分分析 方法(PCA)降低特征維數。本例中最終維數為1200。
[0071] 如圖3所示，本例采用兩級分類器級聯的方式分類車臉，當然也可以使用三級或者 更多。
[0072]第一級用三種分類器投票，三種分類器分別為支持向量機、人工神經網絡和隨機 森林。當任意兩個分類器識別為同一類型時，就接受該結果，否則進入下一級；第二級采用 旋轉森林集成分類系統。通過特征映射，生成多個旋轉變換的特征集，利用這些特征集訓練 多個子分類器，本例中子分類器使用支持向量機，最后綜合各子分類器得分，得到最終的分 類結果。在spark中，各分類器將生成對應的RDD，通過分布式計算，快速得到結果。
[0073]應當理解的是，本發明的上述【具體實施方式】僅僅用于示例性說明或解釋本發明的 原理，而不構成對本發明的限制。因此，在不偏離本發明的精神和范圍的情況下所做的任何 修改、等同替換、改進等，均應包含在本發明的保護范圍之內。此外，本發明所附權利要求旨 在涵蓋落入所附權利要求范圍和邊界、或者這種范圍和邊界的等同形式內的全部變化和 修改例。
【主權項】
1. 一種基于快速學習框架的車輛品牌型號識別方法，其特征在于，包括以下步驟： 50 1:搭建spark平臺，獲取監控視頻流； S02:從獲取的視頻圖像中檢測車牌，根據車牌位置獲取車臉圖像，并進行車臉識別； S03:按照車牌的寬度和高度，上下左右擴展，獲得車臉圖像； S04:構建多尺度車臉圖像，將其有重疊的分塊，對每一小塊提取局部二進制(LBP)和梯 度方向直方圖(HOG)特征，并組合成最終的車臉特征； S05:訓練多級級聯分類器，第一級采用多分類器投票的方式，當多數分類器投給同一 目標時，就接受該結果，否則進入下一級;第二級采用集成分類系統，通過特征映射，訓練多 個子分類器，融合各分類器結果，得到最終的分類結果。2. 根據權利要求1所述的基于快速學習框架的車輛品牌型號識別方法，其特征在于，所 述步驟S01包括： 51 1:通過Spark Streaming接收視頻流； S12:按照時間間隔將視頻流分割成離散的RDD數據集，將此RDD數據集轉換成多個子 RDD數據集，每個子RDD數據集對應一張圖片，對每張圖片分別處理。3. 根據權利要求1所述的基于快速學習框架的車輛品牌型號識別方法，其特征在于，所 述步驟S03中，左右擴展1.5倍的車牌寬度，向下擴展一倍的車牌高度，向上擴展3.5倍的車 牌高度。4. 根據權利要求1所述的基于快速學習框架的車輛品牌型號識別方法，其特征在于，步 驟S03之后還包括，計算車牌的傾斜角度，并以此角度旋轉圖像至車牌下邊緣呈水平方向。5. 根據權利要求1或4所述的基于快速學習框架的車輛品牌型號識別方法，其特征在 于，步驟S03之后還包括，檢測車臉特征點，按照最小距離和位置一致性原則匹配特征點，根 據特征點位置調整車臉圖像。6. 根據權利要求5所述的基于快速學習框架的車輛品牌型號識別方法，其特征在于，所 述調整車臉圖像包括以下步驟： S31:計算匹配特征點與待匹配特征點所形成直線的斜率絕對值，若小于5度，則加入候 選匹配點； S32:計算所有候選特征點的特征描述算子，快速魯棒(surf)特征點使用四個haar小波 特征，計算所有特征描述算子與待匹配特征點的特征描述算子之間的歐式距離，若最小距 離小于閾值d，則該特征點與待匹配點成功匹配； S33:計算所有匹配點的中點橫坐標114 = 1，2，-_11，11為匹配數，設以和〇分別為其均值和 標準差，篩選出所有滿足μ-3σ〈χ：?〈μ+3σ的點，并再次計算它們的平均中點c，根據c與車牌中 心點的距離調整車臉的左右邊界。7. 根據權利要求1所述的基于快速學習框架的車輛品牌型號識別方法，其特征在于，所 述步驟S04包括以下步驟： S41:將車臉歸一化到固定大小，分成塊，每塊再分成多個單元，按照向右一個單元向下 一個單元的方式滑動塊，計算每一個塊的特征； S42:使用二維高斯核G(x，y，〇)與車臉圖像I(x，y)卷積運算，生成不同尺度空間的車臉 圖像L(x，y，〇)，尺度空間形式表示為： L(x，y，〇)=G(x，y，〇)*I(x，y)S43: LBP特征使用8鄰域，半徑為1的方式計算，統計每個單元的直方圖，直方圖bin數目 為8，將每個塊的所有單元LBP特征串聯，形成每個塊的特征； S44:計算每一個單元中像素的梯度幅值和方向，將360度方向分成多個方向塊，幅值作 為權重來統計每個單元的梯度方向直方圖，將每個塊的所有單元的特征串聯，形成每個塊 的特征，并與步驟S43中的特征串聯形成該塊的最終車臉特征。
【文檔編號】G06K9/00GK106056086SQ201610383537
【公開日】2016年10月26日
【申請日】2016年6月2日
【發明人】武克杰, 吳建偉, 魯星星
【申請人】江蘇華通晟云科技有限公司