二级测试样 本所属的类别，完成相应车标识别。
[0055]同样，可以设置实时处理模块，用于当有新输入的图像时，首先将新的图像作为一 级测试样本，利用一级分类器训练模块所得三种一级分类器分别对该一级测试样本基于相 应特征进行预测，得到该一级测试样本属于一级分类器中每一类的概率，记为软概率；然后 将新的图像在三种一级分类器下得到的软概率进行串联，把串联之后的软概率作为特征， 将新的图像作为二级测试样本，利用二级分类器训练模块所得二级分类器对该二级测试样 本基于相应特征进行预测，得到该二级测试样本所属的类别，完成新的图像相应车标识别。
[0056] 为验证本发明技术效果起见，进行了实验如下：
[0057] 在实验过程中选用的数据库的来源是交通卡口的监控图像，监控图像得到的是车 辆正面的图像，所以数据库中的车标均为正面图像，在所有的车标中，本发明选取了其中常 见的八种车辆，分别是本田、标致、比亚迪、大众、丰田、起亚、现代、雪铁龙，详细的车辆数量 如表1所示。训练的分类器SVM是利用libsvm软件包实现的，SVM分类器中选用的核函数 为RBF核，此外，利用其它的分类器也可以进行试验，如Libliner软件包中的L1正则化逻 辑回归、L2正则化逻辑回归等。为了保证测试结果的公平性，本发明分别从八类样本中随 机取5%，10%，15%，20%，30%，50%六种比例来为训练样本，其余的作为测试样本，每次 实验进行五次，取均值作为最后的结果，融合之后的识别的结果和三种特征的单一特征识 别的结果对比如表2所示。
[0058] 表1各类车辆数量
[0059]
[0060] 表2单一特征分类与多特征融合分类结果
[0061]
[0062] 可见，本发明的技术方案显著提高了分类准确度，训练比例越高，准确率越高，但 训练样本所占资源越多，具体实施时，本领域技术人员可根据具体需要预设比例取值。
[0063] 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领 域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替 代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
【主权项】
1. 一种面向交通卡口的多特征融合车标识别方法，用于对从交通卡口拍摄车标所得图 像进行识别，其特征在于，包括以下步骤： 步骤1，特征提取，包括对输入的各幅图像分别进行三种特征提取，三种特征包括HOG 特征、Curv-H特征和GIST特征，所述HOG特征为方向梯度直方图特征，所述Curv-H特征为 曲率直方图特征； 步骤2,训练一级分类器，包括从所有图像中按比例取一级训练样本，剩下的图像作为 一级测试样本，基于一级训练样本的三种特征分别进行训练，得到三种一级分类器，利用所 得三种一级分类器分别对各一级测试样本基于相应特征进行预测，得到一级测试样本属于 一级分类器中每一类的概率，记为软概率； 步骤3,特征融合，包括把每个一级测试样本在三种一级分类器下得到的软概率进行串 联，完成三种特征的融合； 步骤4,训练二级分类器，包括从一级测试样本中按比例取二级训练样本，剩余图像作 为二级测试样本，把串联之后的软概率作为特征，基于二级训练样本的特征进行训练，得到 二级分类器，利用二级分类器对二级测试样本基于相应特征进行预测，得到二级测试样本 所属的类别，完成相应车标识别。2. 根据权利要求1所述面向交通卡口的多特征融合车标识别方法，其特征在于：当有 新输入的图像时，首先将新的图像作为一级测试样本，利用步骤2所得三种一级分类器分 别对该一级测试样本基于相应特征进行预测，得到该一级测试样本属于一级分类器中每一 类的概率，记为软概率；然后将新的图像在三种一级分类器下得到的软概率进行串联，把串 联之后的软概率作为特征，将新的图像作为二级测试样本，利用二级分类器对该二级测试 样本基于相应特征进行预测，得到该二级测试样本所属的类别，完成新的图像相应车标识 别。3. 根据权利要求1或2所述面向交通卡口的多特征融合车标识别方法，其特征在于： 从所有图像中按比例取一级训练样本，和从一级测试样本中按比例取二级训练样本时，比 例的取值相同。4. 根据权利要求1或2所述面向交通卡口的多特征融合车标识别方法，其特征在于： 训练一级分类器和二级分类器，基于SVM实现，所述SVM为支持向量机。5. -种面向交通卡口的多特征融合车标识别系统，用于对从交通卡口拍摄车标所得图 像进行识别，其特征在于，包括以下模块： 特征提取模块，用于对输入的各幅图像分别进行三种特征提取，三种特征包括HOG特 征、Curv-H特征和GIST特征，所述HOG特征为方向梯度直方图特征，所述Curv-H特征为曲 率直方图特征； 一级分类器训练模块，用于从所有图像中按比例取一级训练样本，剩下的图像作为一 级测试样本，基于一级训练样本的三种特征分别进行训练，得到三种一级分类器，利用所得 三种一级分类器分别对各一级测试样本基于相应特征进行预测，得到一级测试样本属于一 级分类器中每一类的概率，记为软概率； 特征融合模块，用于把每个一级测试样本在三种一级分类器下得到的软概率进行串 联，完成三种特征的融合； 二级分类器训练模块，用于从一级测试样本中按比例取二级训练样本，剩余图像作为 二级测试样本，把串联之后的软概率作为特征，基于二级训练样本的特征进行训练，得到二 级分类器，利用二级分类器对二级测试样本基于相应特征进行预测，得到二级测试样本所 属的类别，完成相应车标识别。6. 根据权利要求5所述面向交通卡口的多特征融合车标识别系统，其特征在于：设置 实时处理模块，用于当有新输入的图像时，首先将新的图像作为一级测试样本，利用一级分 类器训练模块所得三种一级分类器分别对该一级测试样本基于相应特征进行预测，得到该 一级测试样本属于一级分类器中每一类的概率，记为软概率；然后将新的图像在三种一级 分类器下得到的软概率进行串联，把串联之后的软概率作为特征，将新的图像作为二级测 试样本，利用二级分类器训练模块所得二级分类器对该二级测试样本基于相应特征进行预 测，得到该二级测试样本所属的类别，完成新的图像相应车标识别。7. 根据权利要求5或6所述面向交通卡口的多特征融合车标识别系统，其特征在于： 从所有图像中按比例取一级训练样本，和从一级测试样本中按比例取二级训练样本时，比 例的取值相同。8. 根据权利要求5或6所述面向交通卡口的多特征融合车标识别系统，其特征在于： 训练一级分类器和二级分类器，基于SVM实现，所述SVM为支持向量机。
【专利摘要】本发明提供的是一种面向交通卡口的多特征融合车标识别系统及方法，包括对输入的各幅图像分别进行三种特征提取；基于一级训练样本的三种特征分别进行训练，得到三种一级分类器，预测得到一级测试样本属于一级分类器中每一类的概率，记为软概率；把串联之后的软概率作为特征，基于二级训练样本的特征进行训练，得到二级分类器，利用二级分类器预测完成相应车标识别。本发明所提供的多特征融合方法，在相同的条件下，可以得到更高的准确率。
【IPC分类】G06K9/62
【公开号】CN104992180
【申请号】CN201510364077
【发明人】杨文 , 刘妍, 吴红阳
【申请人】武汉大学
【公开日】2015年10月21日
【申请日】2015年6月26日