基于Edge Boxes的大型車輛車標(biāo)檢測與識別

李熙瑩 ，呂 碩 ，江倩殷 ，袁敏賢 ，余 志

1.中山大學(xué) 工學(xué)院 智能交通研究中心，廣州 510006

2.廣東省智能交通系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，廣州 510006

3.視頻圖像智能分析與應(yīng)用技術(shù)公安部重點(diǎn)實(shí)驗(yàn)室，廣州 510006

1 概述

大型車輛車標(biāo)檢測與識別是基于計(jì)算機(jī)視覺與車輛先驗(yàn)知識，準(zhǔn)確且有效地獲取車標(biāo)對象及其精細(xì)類別。大型車輛車身長、慣性大、駕駛困難，更容易出現(xiàn)違法、違規(guī)行為，因此需要準(zhǔn)確且有效地監(jiān)督車輛行為、獲取車輛信息。現(xiàn)今車輛類型識別系統(tǒng)可以有效地區(qū)分部分相似性較小的車輛款式，但仍難以區(qū)分大型車輛，主要難點(diǎn)在于不同大型車輛廠家的車輛款式相似性較大，但同一廠家的不同車型相似性較小，因此正確地檢測及識別大型車輛車標(biāo)將有利于車輛身份的確定。傳統(tǒng)的大型車輛車標(biāo)信息是通過車牌信息與遠(yuǎn)端數(shù)據(jù)庫交互進(jìn)而獲取得到，但在面對假套牌或遮擋號牌等情況時，該方式難以獲取車輛的車牌、車標(biāo)及其他車輛信息，從而無法針對違規(guī)違法車輛進(jìn)行執(zhí)法管理。為了解決這一問題，基于計(jì)算機(jī)視覺和車輛圖像理解的車標(biāo)檢測與識別受到了廣泛地重視[1-2]。

傳統(tǒng)的車輛車標(biāo)檢測與識別算法大多針對小型車輛車標(biāo)進(jìn)行檢測，大型車輛車標(biāo)檢測算法研究相對較少。小型車輛車標(biāo)多為符號型車標(biāo)，空間位置臨近車輛散熱器柵格，而大型車輛車標(biāo)可分為三類：符號型車標(biāo)、字符型車標(biāo)以及混合型車標(biāo)，如圖1所示，同時大型車輛車標(biāo)的空間位置不定，僅能粗略定位于車窗與車牌之間的區(qū)域，此外字符型車標(biāo)各個字符位置相對較為離散，混合型車標(biāo)兩種車標(biāo)的取舍、車標(biāo)背景的復(fù)雜性等都導(dǎo)致了大型車輛車標(biāo)難以得到準(zhǔn)確地檢測。此外現(xiàn)實(shí)環(huán)境如陰影、遮擋、攝像頭位置等條件的影響，很容易干擾大型車輛車標(biāo)檢測的準(zhǔn)確性。同時，大型車輛車標(biāo)檢測與識別系統(tǒng)對算法實(shí)時性也有著較高的要求，因此如何在提升檢測與識別準(zhǔn)確率的前提下保證實(shí)時性也是本研究的重點(diǎn)[3]。

圖1 大型車輛車標(biāo)類型

大型車輛車標(biāo)檢測與識別問題可以大致分為大型車輛車標(biāo)檢測與大型車輛車標(biāo)識別。大型車輛車標(biāo)識別與小型車輛車標(biāo)識別已得到廣泛的研究，并形成了相對成熟的解決方法[4-5]。Psyllos[6]利用多視角SIFT，Huang[7]和Zhang[8]利用深度學(xué)習(xí)，余燁[5]利用隨機(jī)混合局部特征等針對百余類車標(biāo)都取得了較為準(zhǔn)確的識別效果。這些方法通常采用人工定位的車標(biāo)進(jìn)行識別算法的研究，因此準(zhǔn)確且快速地檢測車標(biāo)成為車標(biāo)檢測與識別問題的難點(diǎn)。

現(xiàn)今的大型車輛車標(biāo)檢測根據(jù)其原理通?？梢苑譃楸尘跋ê湍繕?biāo)匹配法。背景消除法利用車輛的先驗(yàn)知識，根據(jù)車標(biāo)的顏色、紋理等特征，消除車標(biāo)背景，從而檢測車標(biāo)。杜小毅[9]等結(jié)合SURF、SIFT（Scale-Invariant Feature Transform）和車標(biāo)邊緣特征進(jìn)行車標(biāo)背景消除進(jìn)而進(jìn)行車標(biāo)快速檢測；Mao[10]利用車標(biāo)背景柵格的紋理特征進(jìn)行車標(biāo)背景消除，從而定位得到車標(biāo)。Wang[11]提取車標(biāo)紋理特征，利用滑動窗口直接進(jìn)行檢測；李玲[12]和楊文文[13]分別通過Sobel算子和Laws算子對背景進(jìn)行消除，進(jìn)而準(zhǔn)確檢測車標(biāo)；劉玉松[14]利用車標(biāo)的邊緣投影特征，消除車標(biāo)背景，進(jìn)而檢測車標(biāo)；這種方法結(jié)合了車輛的先驗(yàn)知識，能夠快速地檢測車標(biāo)，但無法準(zhǔn)確區(qū)分大型車輛車標(biāo)類型，因此當(dāng)車標(biāo)空間位置不定或背景較為復(fù)雜或受光照等條件影響時，算法的魯棒性會受到極大的影響。目標(biāo)匹配法首先構(gòu)建合適的目標(biāo)模型，利用滑窗等方法，多尺度地檢測車標(biāo)。Psyllos[15]等利用滑窗，通過提取窗口圖像多個視角的SIFT特征，然后和數(shù)據(jù)庫中已有的模板圖像進(jìn)行匹配，根據(jù)相似度檢測車標(biāo)；Wang[16]等利用模板匹配結(jié)合車標(biāo)先驗(yàn)知識對滑動窗口圖像進(jìn)行檢測，根據(jù)匹配度檢測車標(biāo)；Gu[17]等利用滑窗，通過多尺度的稠密SIFT特征檢測車標(biāo)；可以通過多尺度調(diào)整滑動窗口大小和步長，精確地檢測并識別車標(biāo)，但該法計(jì)算復(fù)雜度高，耗時大，難以滿足實(shí)時需求。

針對以上問題，本文提出了一種基于Edge Boxes的大型車輛車標(biāo)檢測與識別方法。為了保證車標(biāo)檢測與識別的實(shí)時性和復(fù)雜場景下的有效性，本文利用Edge Boxes算法在車標(biāo)候選區(qū)內(nèi)約束地提取目標(biāo)區(qū)域，由于目標(biāo)區(qū)域類別未知，因此將目標(biāo)區(qū)域送入利用線性約束編碼[18]（Spatial Pyramid Matching based on Sparse Coding，ScSPM）構(gòu)建的車標(biāo)檢測模型和車標(biāo)識別模型進(jìn)行訓(xùn)練與識別，進(jìn)而檢測車標(biāo)區(qū)域并識別車標(biāo)種類，整體算法框架如圖2所示。實(shí)驗(yàn)結(jié)果表明，本文算法在大型車輛車標(biāo)檢測與識別問題上是準(zhǔn)確、快速且有效的。

圖2 大型車輛車標(biāo)檢測與識別算法流程圖

2 算法流程

2.1 基于空間結(jié)構(gòu)關(guān)系的大型車輛車標(biāo)候選區(qū)

大型車輛的車標(biāo)與車牌、車窗的空間位置結(jié)構(gòu)關(guān)系：一是車標(biāo)位于車牌上方與車窗下方所包含的范圍內(nèi)[19]；二是車標(biāo)位置通常基于車牌中軸線對稱。根據(jù)特性1，即可利用車牌和車窗位置得到車標(biāo)粗定位圖像。本文利用車輛邊緣圖像的邊緣特征密集程度進(jìn)行車標(biāo)粗定位車窗定位，如圖3所示。

圖3 車標(biāo)粗定位

檢測區(qū)域的大小直接影響整體算法的時間消耗，為同時保證算法檢測準(zhǔn)確率及實(shí)時性，在獲得車標(biāo)粗定位圖像后，利用特性2，根據(jù)車輛中軸線得到車標(biāo)候選區(qū)圖像，如圖4所示。

圖4 車標(biāo)候選區(qū)

利用車輛中軸線，首先定位車標(biāo)候選區(qū)1，進(jìn)行車標(biāo)檢測與識別。當(dāng)識別為單個字符時，以字符高度的1.5倍作為車標(biāo)候選區(qū)3的高，定位車標(biāo)候選區(qū)3，繼續(xù)進(jìn)行車標(biāo)檢測與識別；當(dāng)所獲車標(biāo)區(qū)域皆為單個字符，根據(jù)字符的空間位置進(jìn)行組合，形成字符串車標(biāo)，再次進(jìn)行車標(biāo)識別；當(dāng)識別為具體的字符串車標(biāo)或符號型車標(biāo)類別時，算法結(jié)束；當(dāng)未檢測到任何目標(biāo)時，擴(kuò)增候選區(qū)，定位車標(biāo)候選區(qū)2，繼續(xù)進(jìn)行車標(biāo)檢測，若仍未檢測到任何目標(biāo)，舍棄車標(biāo)候選區(qū)1，繼續(xù)向外擴(kuò)增車標(biāo)候選區(qū)進(jìn)行車標(biāo)檢測。這種算法將大幅度消減大型車輛車標(biāo)檢測與識別算法的時間消耗。

2.2 車標(biāo)精細(xì)定位

2.2.1 基于Edge Boxes算法的目標(biāo)區(qū)域確定

Edge Boxes算法是一種經(jīng)典、快速的圖像分割算法，通過對邊緣圖像內(nèi)具有大小、方向等特性相似的邊緣進(jìn)行組合，從而獲得若干個目標(biāo)區(qū)域[20]。本文Edge Boxes算法應(yīng)用步驟如下：

步驟1對車標(biāo)候選區(qū)圖像，利用基于結(jié)構(gòu)森林的邊緣圖像檢測算法獲取車標(biāo)候選區(qū)邊緣圖像。

步驟2計(jì)算每個邊緣點(diǎn)的大小和方向，并利用非極大值抑制算法獲取相對稀疏的車標(biāo)候選區(qū)邊緣圖像。

步驟3計(jì)算稀疏車標(biāo)候選區(qū)邊緣圖像中兩兩相鄰邊緣點(diǎn)間的方向差，將近乎一條直線的邊緣點(diǎn)合并為一條邊緣si，并計(jì)算兩兩邊緣間的相似度a(si,sj)，重復(fù)該步驟，獲取邊緣集合S和相似度集合a（si,sj為區(qū)域i,j）。

步驟4利用窮舉搜索算法獲取若干個候選目標(biāo)區(qū)域，計(jì)算候選目標(biāo)區(qū)域b內(nèi)各邊緣的權(quán)值wb(si)，并根據(jù)邊緣的權(quán)值計(jì)算該候選目標(biāo)區(qū)域的得分hb。

步驟5將得分高于某一閾值H的候選目標(biāo)區(qū)域添加至目標(biāo)區(qū)域集合R中。

步驟6對該部分目標(biāo)區(qū)域重復(fù)步驟4、步驟5，獲取完整的目標(biāo)區(qū)域集合。

本文利用基于結(jié)構(gòu)森林的邊緣圖像檢測算法[21]獲取初始邊緣圖像，該算法以結(jié)構(gòu)化的像素標(biāo)簽為基礎(chǔ)，利用隨機(jī)決策森林學(xué)習(xí)訓(xùn)練圖像并獲取結(jié)構(gòu)邊緣模型，通過該模型獲取圖像的邊緣。該算法可獲取具有高準(zhǔn)確率的圖像邊緣，因此本文利用圖像邊緣間的大小、方向等相似特性獲取目標(biāo)區(qū)域。

非極大值抑制：初始邊緣圖像過于緊密，需要通過非極大值抑制對其進(jìn)行稀疏處理。獲取初始邊緣圖像每個邊緣點(diǎn) p的大小mp和方向θp，將圖像分割成若干個r×r大小的區(qū)域，對每個區(qū)域利用非極大值抑制進(jìn)行稀疏處理，邊緣點(diǎn) p的值 pnms計(jì)算公式如下：

邊緣集合：通過尋找邊緣點(diǎn)的8連通區(qū)域，將兩兩邊緣點(diǎn)間的方向角度差的和大于90°的邊緣點(diǎn)組合為邊緣si，根據(jù)兩兩邊緣的方向特性獲取邊緣間的相似度a(si,sj)，邊緣間相似度越大越可能屬于同一物體。

其中，θi,θj表示邊緣 si,sj的角度，θij表示兩邊緣間的夾角，γ是常量，表示敏感程度。

邊緣權(quán)值：候選目標(biāo)區(qū)域內(nèi)屬于同一物體的邊緣具有更高的相似度，因此應(yīng)保證該部分邊緣具有更高的權(quán)值。

其中，T表示從候選目標(biāo)區(qū)域邊框開始到達(dá)si的邊緣序列集合。

邊緣序列集合為邊緣集合提供了行/列的位置信息，這大大減少了邊緣權(quán)值的計(jì)算復(fù)雜度。

候選區(qū)域得分：當(dāng)候選目標(biāo)區(qū)域含有更完整、更純粹的目標(biāo)邊緣集合時，應(yīng)保證該候選區(qū)域獲得更高的得分hb。

其中bw，bh表示候選目標(biāo)區(qū)域的寬、高，mi=∑mp，表示邊緣si內(nèi)邊緣點(diǎn)大小mp的和，κ為常量，表示敏感程度。

理想的目標(biāo)區(qū)域應(yīng)僅包含所需要的目標(biāo)，因此目標(biāo)的外部邊緣對目標(biāo)區(qū)域的影響程度更大。本文定義hinb減少目標(biāo)內(nèi)部邊緣對目標(biāo)區(qū)域得分的影響。

其中b'w，b'h表示內(nèi)部區(qū)域的寬、高，本文設(shè)置其為bw/2,bh/2。

2.2.2 車標(biāo)檢測

Edge Boxes算法將圖像根據(jù)邊緣相似度分割成若干個具有相似特性的區(qū)域，但無法確定車標(biāo)區(qū)域，本文利用線性約束編碼構(gòu)建車標(biāo)檢測分類器確定車標(biāo)位置。

線性約束編碼算法是一種應(yīng)用廣泛的分類器算法。該算法首先提取目標(biāo)圖像的局部區(qū)域特征，然后利用預(yù)先訓(xùn)練生成的詞典和線性編碼構(gòu)建的語義表達(dá)模型對目標(biāo)圖像特征進(jìn)行編碼映射，得到含有語義信息的圖像表達(dá)向量，接著利用空間金字塔匹配算法為圖像表達(dá)向量加入空間位置信息，得到最終表達(dá)向量，最后把每幅圖像的最終表達(dá)向量放入線性支持向量機(jī)進(jìn)行訓(xùn)練和識別。

圖像的最終表達(dá)向量是圖像局部區(qū)域特征經(jīng)由稀疏編碼及空間金字塔映射得到的稀疏非線性特征。相較于傳統(tǒng)的局部區(qū)域特征，該特征對圖像信息的表達(dá)能力更強(qiáng)且更魯棒，同時線性約束編碼算法輸出的最終表達(dá)向量屬于稀疏的非線性特征，因此利用線性SVM作為分類器即可對特征進(jìn)行有效地區(qū)分，并且線性SVM的使用避免了核化SVM的高時間消耗。車標(biāo)定位模型訓(xùn)練過程如圖5所示。

車標(biāo)定位模型選取人工標(biāo)注得到的小型車輛車標(biāo)、大型車輛車標(biāo)以及字符型車標(biāo)常見的單個字符作為正樣本，選取大小隨機(jī)且與車標(biāo)重合度小于20%的樣本作為負(fù)樣本，正負(fù)樣本數(shù)量比為1∶3，利用線性約束編碼算法進(jìn)行訓(xùn)練和測試。本文采用迭代訓(xùn)練的方式，在迭代訓(xùn)練過程中，將錯分為車標(biāo)的負(fù)樣本加入訓(xùn)練集中，再次進(jìn)行訓(xùn)練，直至收斂。最后得到車標(biāo)定位分類器。

利用車標(biāo)定位模型區(qū)分出車標(biāo)區(qū)域，定位車標(biāo)位置。當(dāng)同一車輛檢測到多個車標(biāo)時，利用車標(biāo)定位分類器對車標(biāo)區(qū)域打分獲取車標(biāo)定位結(jié)果。

2.3 車標(biāo)識別

本文利用線性約束編碼訓(xùn)練多分類的車標(biāo)識別分類器對車標(biāo)定位結(jié)果進(jìn)行識別。車標(biāo)識別分類器訓(xùn)練過程如圖6所示。

車標(biāo)識別分類器選取人工標(biāo)注及Edge Boxes定位得到的車輛車標(biāo)及部分字符型車標(biāo)常見的單個字符作為每類車標(biāo)的樣本，利用線性約束編碼算法進(jìn)行訓(xùn)練和測試，采用迭代訓(xùn)練的方式，訓(xùn)練得到車標(biāo)識別分類器。

如圖6所示，由于大型車輛部分字符型車標(biāo)，字符間間隙較大，Edge Boxes算法無法完整定位車標(biāo)區(qū)域，僅能定位字符串中的單個字符，因此車標(biāo)識別分類器難以準(zhǔn)確識別車標(biāo)種類。針對這一問題，本文的車標(biāo)識別模型將單個字符作為一類車標(biāo)進(jìn)行學(xué)習(xí)：當(dāng)車標(biāo)識別為單個字符時，根據(jù)該字符的空間位置重新定位車標(biāo)候選區(qū)，進(jìn)一步進(jìn)行車標(biāo)的定位；當(dāng)車標(biāo)識別結(jié)果為某類車標(biāo)時（非單個字符），即可確定該車的車標(biāo)類型（當(dāng)同一車輛識別兩種車標(biāo)時，以模型打分為準(zhǔn)）。該方法能夠兼顧字符型車標(biāo)、符號型車標(biāo)以及混合型車標(biāo)，能夠保證在未知車標(biāo)類型的前提下，進(jìn)行準(zhǔn)確的車標(biāo)定位。

2.4 整體算法時間復(fù)雜度

本文整體算法的時間復(fù)雜度與各主要構(gòu)成算法密切相關(guān)，通過分析各主要構(gòu)成算法的時間復(fù)雜度以確定本文整體算法的時間復(fù)雜度。

算法 基于Edge Boxes的大型車輛車標(biāo)檢測與識別

輸入：卡口車輛圖像I

輸出：車標(biāo)識別結(jié)果logor

根據(jù)車牌與車窗位置獲取車標(biāo)粗定位圖像Ic

初始化識別結(jié)果：logor=?

whilelogor=='單個字符'

圖5 車標(biāo)檢測分類器訓(xùn)練過程

圖6 車標(biāo)識別分類器訓(xùn)練過程

獲取車標(biāo)候選區(qū)：logoc=candidate(Ic)

//時間復(fù)雜度為O(1)

獲取目標(biāo)區(qū)域：logot=EdgeBoxes(logoc)

//時間復(fù)雜度為O(n2)，目標(biāo)區(qū)域數(shù)量為X

獲取車標(biāo)區(qū)域：logol=VLC(logot)

//時間復(fù)雜度為O(Xn)，車標(biāo)區(qū)域數(shù)量為D

獲取車標(biāo)結(jié)果：logor=VRC(logol)

//時間復(fù)雜度為O(Dn)獲取車標(biāo)識別結(jié)果：logor

以上可知，車標(biāo)候選區(qū)算法時間復(fù)雜度為O(1)，Edge Boxes算法的時間復(fù)雜度為O(n2)，車標(biāo)定位與車標(biāo)識別的時間復(fù)雜度為O(Dn)，因此全文算法的時間復(fù)雜度為O(n2)，時間復(fù)雜度低，計(jì)算速度較快，傳統(tǒng)的車標(biāo)檢測與識別算法[14-15]，利用滑動窗口獲取目標(biāo)區(qū)域，目標(biāo)區(qū)域數(shù)量為Y(X<

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證車標(biāo)檢測與識別算法的有效性，本文選擇通過對實(shí)際卡口采集到的車輛數(shù)據(jù)集進(jìn)行測試。

3.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)數(shù)據(jù)集包含實(shí)際應(yīng)用中常見的車輛品牌、型號，整個實(shí)驗(yàn)數(shù)據(jù)集共有4 480張圖像（訓(xùn)練圖像為1 800張，測試圖像為2 680張），其中包含有10類車輛品牌13類車輛品牌，50類車型，每類車型圖片40～100張，其中符號型車標(biāo)共計(jì)1 173張，混合型車標(biāo)共計(jì)1 147張，字符型車標(biāo)共計(jì)2 068張。數(shù)據(jù)集信息見表1。

本文實(shí)驗(yàn)數(shù)據(jù)集圖像是在日夜兩個時間段定比例、隨機(jī)地從實(shí)際卡口車輛圖像中采集得到，通過人工去除車標(biāo)遮擋、缺失的車輛圖像。由于數(shù)據(jù)集的圖像都是處于不同光照和天氣條件下的，因此本文數(shù)據(jù)集可以一定程度地代表實(shí)際卡口情況。數(shù)據(jù)集中所有車輛圖像的車牌位置、車標(biāo)位置均有手工標(biāo)定作為算法檢測依據(jù)。部分?jǐn)?shù)據(jù)集如圖7所示。

表1 大型車輛車標(biāo)數(shù)據(jù)集信息

圖7 數(shù)據(jù)集各車輛車型圖像示例

在實(shí)際的測試過程中，實(shí)驗(yàn)將會使用基于圖表示的圖像分割算法生成初始分割區(qū)域，設(shè)置其允許最小區(qū)間大小的初始值Min=10，最大寬高比為10，接著采用LibSVM[22]工具包進(jìn)行車標(biāo)定位分類器和車標(biāo)識別分類器的訓(xùn)練與測試，其中松弛變量初始設(shè)置為10。實(shí)驗(yàn)平臺為8 GB內(nèi)存，3.30 GHz的CPU的PC機(jī)，開發(fā)環(huán)境為MATLAB R2012a+VS2012。

實(shí)驗(yàn)過程中，車標(biāo)檢測的判斷基準(zhǔn)為車標(biāo)定位準(zhǔn)確率，如式（6）所示：

其中Overlap(gj,Ij)為車標(biāo)定位準(zhǔn)確率，gj為本文算法得到的車標(biāo)區(qū)域 j，Ij為人工定位的車標(biāo)區(qū)域 j。

車標(biāo)識別的判斷基準(zhǔn)為車標(biāo)識別準(zhǔn)確度，如式（7）所示：

其中Accuracy為車標(biāo)識別準(zhǔn)確度，right為正確識別的數(shù)量，wrong為錯誤識別的數(shù)量。線性約束編碼算法是一種強(qiáng)制識別算法，因此本文不考慮車標(biāo)未識別的情況。

3.2 實(shí)驗(yàn)結(jié)果及分析

本文算法是對現(xiàn)有車標(biāo)檢測與識別算法的進(jìn)一步改進(jìn)，通過對車標(biāo)候選區(qū)的定位、Edge Boxes算法以及車標(biāo)定位和車標(biāo)識別分類器進(jìn)行分析，并與現(xiàn)今主流的車標(biāo)檢測與識別算法進(jìn)行車標(biāo)識別準(zhǔn)確率和整體算法計(jì)算速度的對比。

線性SVM相對于核化SVM的時間復(fù)雜度低，因此利用線性SVM能夠極大地減少算法的時間消耗。

由圖8可知，利用線性約束編碼所獲取的最終表達(dá)向量是一種稀疏的非線性特征，因此利用線性分類器即可對該特征進(jìn)行有效的區(qū)分。

圖8 不同核函數(shù)下車標(biāo)識別率

SVM中的松弛變量影響車標(biāo)識別準(zhǔn)確率及時間消耗，因此本文綜合考慮車標(biāo)識別準(zhǔn)確率與時間消耗以確定松弛變量的大小。

由圖9可知，當(dāng)懲罰因子為10時，車標(biāo)識別準(zhǔn)確率較高，因此本文選擇懲罰因子為10。

圖9 不同懲罰因子下車標(biāo)識別率

區(qū)域的精確分割是影響車標(biāo)檢測準(zhǔn)確率的重要因素，本文區(qū)域分割是依據(jù)Edge Boxes算法定義的邊緣相似度進(jìn)行判斷。在不同的最小允許得分下，相似邊緣組合將會對車標(biāo)檢測準(zhǔn)確率產(chǎn)生極大的影響。本文固定Min值和最大寬高比，以車標(biāo)定位重合度最優(yōu)為目標(biāo)選取最小允許得分。

由圖10可知，最小允許得分值越小，車標(biāo)定位準(zhǔn)確率越高，這是因?yàn)殡S著最小允許得分的減小，低得分的目標(biāo)區(qū)域增多，這樣Edge Boxes算法能夠在光照、陰影等條件的影響下更有效地獲取目標(biāo)區(qū)域。當(dāng)最小允許得分減小至0.03時，車標(biāo)定位重合度不再上升且趨于平緩，原因是在車標(biāo)檢測這一問題上，車標(biāo)區(qū)域的得分不會過低，影響車標(biāo)檢測準(zhǔn)確率。因此，本文選取最小允許得分為0.03。

圖10 不同最小允許得分下車標(biāo)定位重合度對比圖

Edge Boxes算法通過對相似邊緣的組合形成分割區(qū)域。如果分割區(qū)域過小，使得小區(qū)域的得分過高，從而導(dǎo)致車標(biāo)檢測準(zhǔn)確率的下降，同時算法計(jì)算量的增大使得耗時過長；如果分割區(qū)域過大，受車標(biāo)背景及車標(biāo)大小的影響，車標(biāo)區(qū)域定位準(zhǔn)確率降低，影響車標(biāo)檢測與識別。因此本文設(shè)計(jì)一個實(shí)驗(yàn)確定合適的最小區(qū)間大小Min值以保證車標(biāo)檢測準(zhǔn)確率及算法實(shí)時性。

如圖11可知，最小區(qū)間大小Min值越小，車標(biāo)定位準(zhǔn)確率越高。這是因?yàn)殡S著Min值的減小，車標(biāo)的區(qū)域特性增強(qiáng)，算法能夠有效地區(qū)分車標(biāo)及其背景區(qū)域。當(dāng)Min值減小至30時，車標(biāo)定位準(zhǔn)確率開始略微下降，原因是當(dāng)Min值繼續(xù)減小，車標(biāo)區(qū)域進(jìn)一步細(xì)分，噪聲區(qū)域得分增大，使得同一物體區(qū)域分割為不同區(qū)域，影響車標(biāo)檢測準(zhǔn)確率。因此，根據(jù)實(shí)驗(yàn)結(jié)果，本文初始分割區(qū)域Min值為30。

圖11 不同Min值下車標(biāo)定位重合度對比圖

車標(biāo)大小不一、形狀不定，但車標(biāo)本身的寬高比具有一定共性，因此本文根據(jù)目標(biāo)最大允許寬高比對整體車輛車標(biāo)定位準(zhǔn)確率的影響進(jìn)行最大寬高比的選取。

如圖12所示，最大允許寬高比越大，車標(biāo)定位重合度越高。這是因?yàn)檐嚇?biāo)本身擁有固定的寬高比，隨著寬高比的增大，車標(biāo)區(qū)域檢測準(zhǔn)確率越大。當(dāng)寬高比增大至4時，車標(biāo)定位重合度不再上升且趨于平緩。這是因?yàn)椴煌愋蛙囕v車標(biāo)大小、車標(biāo)形狀皆有不同，但具有固定的寬高比，因此當(dāng)寬高比達(dá)到某一上限時，車標(biāo)定位重合度趨于平緩，本文選擇最大允許寬高比為4。

圖12 不同最大允許寬高比下車標(biāo)定位重合度對比圖

確定好算法的參數(shù)后，本文算法將與四種車標(biāo)檢測與識別算法進(jìn)行車標(biāo)定位重合度及車標(biāo)識別準(zhǔn)確率的比較：車標(biāo)定位重合度/車標(biāo)識別準(zhǔn)確率對比結(jié)果如表2所示。

由表2可知，文獻(xiàn)[10]利用紋理特征區(qū)分車標(biāo)與車標(biāo)背景，對于字符型車標(biāo)，由于其車標(biāo)背景簡單，因此車標(biāo)檢測率較高，但是混合型車標(biāo)和符號型車標(biāo)的車標(biāo)背景較為復(fù)雜，導(dǎo)致車標(biāo)定位重合度的下降以及車標(biāo)識別準(zhǔn)確率的降低;文獻(xiàn)[11，15-16]利用不同的學(xué)習(xí)算法學(xué)習(xí)得到的車標(biāo)模型，利用滑窗，通過多尺度的檢測，從而檢測車標(biāo)，這種方法對三種大型車輛車標(biāo)的檢測準(zhǔn)確率較高且較為一致，但由于車標(biāo)大小不一，形狀不定，影響定位的有效性，導(dǎo)致車標(biāo)定位重合度和車標(biāo)識別準(zhǔn)確率較低；本文算法通過Edge boxes算法檢測大型車標(biāo)，并通過線性約束編碼檢測與識別車標(biāo)，這種方法能夠有效地檢測三種大型車輛車標(biāo)，從實(shí)驗(yàn)結(jié)果來看，在車標(biāo)定位重合度和識別準(zhǔn)確率方面，本文算法優(yōu)于以上四種算法。

實(shí)時性是衡量車標(biāo)檢測與識別算法有效性的另一指標(biāo)，準(zhǔn)確且快速的車標(biāo)檢測與識別系統(tǒng)更符合實(shí)際需求，如表3為五種車標(biāo)檢測與識別算法與本文算法的計(jì)算速度對比。

表3 車標(biāo)與識別時間消耗對比 ms

文獻(xiàn)[10]利用車標(biāo)與車標(biāo)背景間的紋理差異，能夠快速檢測車標(biāo)，耗時較短；文獻(xiàn)[11]提取車標(biāo)紋理特征，通過滑動窗口對車標(biāo)進(jìn)行檢測，因此速度較慢；文獻(xiàn)[15]利用多視角SIFT提取滑窗特征，通過關(guān)鍵點(diǎn)匹配進(jìn)行車標(biāo)定位與識別，計(jì)算復(fù)雜度最大；文獻(xiàn)[16]利用大型車標(biāo)進(jìn)行模板匹配，計(jì)算復(fù)雜度高，因此時間消耗最大；本文提出的車標(biāo)檢測與識別算法通過車標(biāo)候選區(qū)與Edge Boxes算法進(jìn)行車標(biāo)檢測，同時由于線性約束編碼采用線性分類器，所以計(jì)算速度明顯優(yōu)于窮舉搜索法等傳統(tǒng)車標(biāo)檢測與識別算法。

本文算法綜合考慮車標(biāo)檢測與識別準(zhǔn)確率和計(jì)算速度，在車標(biāo)檢測與識別實(shí)時性的基礎(chǔ)上，保證了車標(biāo)檢測與識別的準(zhǔn)確率。通過與其他車標(biāo)檢測與識別算法的對比，本文算法在車標(biāo)檢測與識別準(zhǔn)確率和運(yùn)算速度都取得了優(yōu)秀的成績。

本文算法未考慮卡口車輛車標(biāo)存在遮擋、缺失的情況。根據(jù)本文算法原理，車標(biāo)遮擋、缺失會造成算法運(yùn)算速度的指數(shù)型增長，這也是下一步工作亟待解決的問題。

4 結(jié)束語

大型車輛車體寬、車身長、難駕駛、易出事故，準(zhǔn)確且有效地識別大型車輛身份亟待解決。針對現(xiàn)今大型車輛相似性高的特點(diǎn)，利用車標(biāo)信息輔助車輛識別是一種有效獲取車輛身份的方法。本文提出一種基于Edge Boxes算法的大型車輛車標(biāo)檢測與識別算法。針對現(xiàn)今大型車輛車標(biāo)檢測與識別算法三大難點(diǎn)：大型車輛車標(biāo)空間位置不定、車標(biāo)難以定位和車標(biāo)難以定位完整，本文充分利用車標(biāo)與其他車輛部件空間位置關(guān)系，提出車標(biāo)候選區(qū)這一概念，以此保證了空間位置不定的大型車輛車標(biāo)檢測的準(zhǔn)確性；本文同時利用Edge Boxes算法，在精確檢測字符型、符號性和混合型車標(biāo)位置的基礎(chǔ)上保證了算法的實(shí)時性；本文構(gòu)建的串聯(lián)線性約束編碼分類器——車標(biāo)定位分類器和車標(biāo)識別分類器，定位結(jié)果與識別結(jié)果相互反饋，同時保證了車標(biāo)檢測與識別的準(zhǔn)確性，并且有效地解決了車標(biāo)難以檢測完整的難題。實(shí)驗(yàn)結(jié)果表明，本文算法在大型車輛車標(biāo)檢測與識別這一問題上是準(zhǔn)確且有效的。

在實(shí)際應(yīng)用中，針對無車標(biāo)或車標(biāo)遮擋現(xiàn)象的處理是下一步工作急需解決的難題。

[1]Xia Y，F(xiàn)eng J，Zhang B.Vehicle logo recognition and attributes prediction by multi-task learning with CNN[C]//InternationalConferenceon NaturalComputation &Fuzzy Systems&Knowledge Discovery，2016.

[2]Tafazzoli F，F(xiàn)rigui H.Vehicle make and model recognition using local features and logo detection[C]//8th International Symposium on Signal，Image，Video and Communications，At Tunis，Tunisia，2016.

[3]Xiang Z，Zou Y，Zhou X，et al.Robust vehicle logo recognition based on locally collaborative representation with principalcomponents[C]//Sixth InternationalConference on Information Science&Technology，2016.

[4]尹瑞雪.基于數(shù)字圖像的車輛信息識別的研究與應(yīng)用[D].北京：北京交通大學(xué)，2016.

[5]余燁，聶振興，金強(qiáng)，等.前背景骨架區(qū)域隨機(jī)點(diǎn)對策略驅(qū)動下的車標(biāo)識別方法[J].中國圖象圖形學(xué)報(bào)，2016，21（10）：1348-1356.

[6]Psyllos A，Anagnostopoulos C N，Kayafas E.Vehicle model recognition from frontal view image measurements[J].Computer Standards&Interfaces，2011，33（2）：142-151.

[7]Huang Y，Wu R，Sun Y，et al.Vehicle logo recognition system based on convolutional neural networks with a pretraining strategy[J].IEEE Transactions on Intelligent Transportation Systems，2015，16（4）：1-10.

[8]Zhang Li，Zhang Dongming，Zheng Hong.Vehicle logo recognition using convolutional neural network combined with multiple layer feature[J].Journal of Computer Applications，2016，36（2）：444-448.

[9]杜小毅，于濂.基于聯(lián)合特征的車標(biāo)自動識別方法[J].智能交通技術(shù)，2012（1）：89-92．

[10]Mao Songan，Ye Mao，Li Xue，et al.Rapid vehicle logo region detection based on information theory[J].Computers&Electrical Engineering，2013，39（3）：863-872.

[11]Wang Shengke，Liu Lili，Xu Xiaowei.Vehicle logo recognition based on local feature descriptor[J].Applied Mechanics&Materials，2012（263/266）：2418-2421.

[12]李玲，李文舉.基于車徽背景紋理識別的車徽定位新方法[J].遼寧師范大學(xué)學(xué)報(bào)：自然科版，2009，32（2）：171-173.

[13]楊文文，楊國為，張魯波，等.基于Laws模板濾波的車標(biāo)定位算法[J].青島大學(xué)學(xué)報(bào)：工程技術(shù)版，2012，27（3）：45-50.

[14]劉玉松，陳剛.基于邊緣投影的快速車標(biāo)定位方法[J].信息技術(shù)，2015（11）：102-104.

[15]Psyllos A P，Anagnostopoulos C N，Kayafas E.Vehicle logo recognition using a SIFT-based enhanced matching scheme[J].IEEE Transactions on Intelligent Transportation Systems，2010，11（2）：322-328.

[16]Wang Y Q，Liu Z F，Xiao F.A fast coarse-to-fine vehicle logo detection and recognition method[C]//Proceedings of the 2007 IEEE International Conference on Robotics and Biomimetics，Sanya，China，December 15-18，2007：691-696.

[17]Gu Q，Yang J，Cui G，et al.Multi-scale vehicle logo recognition by directional dense SIFT flow parsing[C]//IEEE International Conference on Image Processing，2016.

[18]Yang Jianchao，Yu Kai，Gong Yihong，et al.Linear spatial pyramid matching using sparse coding for image classification[C]//Proceeding of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2009：1794-1801.

[19]王建.基于圖像的智能交通系統(tǒng)中車標(biāo)識別技術(shù)研究[D].南京：南京理工大學(xué)，2014.

[20]Zitnick C L，Dollár P.Edge boxes：Locating object proposals from edges[C]//European Conference on Computer Version，2014：391-405.

[21]Dollár P，Zitnick C L.Structured forests for fast edge detection[C]//2013 IEEE International Conference on Computer Vision，Sydney，Australia，Dec 3-5，2013：1841-1848.

[22]Chang C C，Lin C J.LIBSVM：A library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology，2011，27（2）：1-27.