基于MFC＋opencv的車標(biāo)識別系統(tǒng)

葉玉雙 楊潔

摘? 要： 車標(biāo)識別系統(tǒng)作為智能交通的一個重要組成部分，可以幫助有關(guān)部門提前發(fā)現(xiàn)可疑車輛。文章采用Adaboost算法訓(xùn)練級聯(lián)分類器，通過提取方向梯度直方圖（HOG）特征進(jìn)行各類車標(biāo)分類器的訓(xùn)練，再對分類器識別出的區(qū)域作進(jìn)一步篩選，排除誤檢區(qū)域。此方法實(shí)現(xiàn)的車標(biāo)識別系統(tǒng)，能夠有效地識別出車標(biāo)，具有實(shí)際應(yīng)用價值。

關(guān)鍵詞： 車標(biāo)識別; HOG特征; OpenCV圖像處理; Adaboost算法; MFC

中圖分類號：TP391? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ?文章編號：1006-8228（2020）12-06-04

Abstract： As an important part of intelligent transportation， vehicle logo recognition system can help relevant departments to detect suspicious vehicles in advance. In this paper， AdaBoost algorithm is used to train cascaded classifiers， and gradient direction histogram （HOG） features are extracted to train all kinds of vehicle logo classifiers， and then the regions identified by the classifiers are further screened to eliminate the false detection areas. The vehicle logo recognition system realized by this method can effectively identify the vehicle logo and has practical application value.

Key words： vehicle logo recognition; HOG features; OpenCV image processing; Adaboost algorithm; MFC

0 引言

車標(biāo)識別系統(tǒng)作為智能交通的重要組成部分，在交通管控中對違法犯罪行為起到一定的預(yù)警作用，幫助管理部門提前發(fā)現(xiàn)可疑車輛。此外，在日常的消遣娛樂中，車標(biāo)識別技術(shù)同樣也能發(fā)揮極大作用。例如在遇到不認(rèn)識的車標(biāo)但又無法清楚描述車標(biāo)樣式時，便可借助車標(biāo)識別系統(tǒng)進(jìn)行識別;或是在教學(xué)時利用此技術(shù)來增加車輛相關(guān)理論課程的教學(xué)趣味性;還能幫助人們在購買汽車時了解汽車品牌、價格，以及汽車性能、特點(diǎn)等問題。

現(xiàn)今對車標(biāo)識別技術(shù)的研究一般包括了定位和識別兩個步驟。而其中較為普遍的定位方式是先以車牌或車頭燈的位置又或是兩者結(jié)合來確定車標(biāo)的大致區(qū)域，再對區(qū)域進(jìn)行邊緣檢測，確定車標(biāo)的精確位置 [1-3]。另一方面，現(xiàn)有的識別方法中被廣泛應(yīng)用的特征有方向梯度直方圖（Histogram of Oriented Gradient，HOG） [4-5]，局部二值模式（Local Binary Pattern，LBP）[5-6]，尺度不變特征轉(zhuǎn)換（scale-invariant feature transform，SIFT）[7]等，大多是通過邊緣特征提取來實(shí)現(xiàn)車標(biāo)的分類，但如果遇上分辨率較低的圖像，邊緣提取便成了件難事。而文獻(xiàn)[8]提出的基于卷積神經(jīng)網(wǎng)絡(luò)（CNN Convolutional Neural Network）模型的方法，雖解決了分辨率的難題，但又出現(xiàn)了訓(xùn)練時間過長的問題。

本文在學(xué)習(xí)和借鑒了原有的車標(biāo)識別算法后，從實(shí)際應(yīng)用角度出發(fā)，進(jìn)行了進(jìn)一步優(yōu)化。一方面，在訓(xùn)練過程中，準(zhǔn)備充足的正、負(fù)樣本，通過更改樣本比例等方式訓(xùn)練不同的車標(biāo)分類器進(jìn)行測試，力求獲取最優(yōu)的識別分類器。另一方面，在對圖像識別前，對傳入的靜態(tài)圖像進(jìn)行多種預(yù)處理測試，獲取最佳的幾種預(yù)處理方案，以此盡可能地提高車標(biāo)識別系統(tǒng)在面對不同情境下的識別準(zhǔn)確率。

1 圖像預(yù)處理

本系統(tǒng)采用灰度化、歸一化、圖像濾波、scharr邊緣檢測的方式進(jìn)行圖像預(yù)處理操作。圖像某類車標(biāo)的識別具體流程如圖1所示。

1.1 高斯濾波

高斯濾波對于服從正態(tài)分布的噪聲有較好的抑制效果，能夠更好地保留細(xì)節(jié)。本系統(tǒng)根據(jù)所訓(xùn)練分類器的不同效果，確定了各分類器采用的高斯模板，并由此減少了部分車標(biāo)識別不全和識別不出情況的出現(xiàn)。如圖2（a）為未使用高斯濾波進(jìn)行預(yù)處理時系統(tǒng)未能識別出車標(biāo)區(qū)域的效果，圖2（b）為使用高斯濾波后成功識別出車標(biāo)區(qū)域的效果，圖2（c）為圖像未使用此預(yù)處理時未能完整識別車標(biāo)區(qū)域的效果，而圖2（d）為使用此預(yù)處理后完整識別出車標(biāo)區(qū)域的效果。

1.2 Scharr邊緣檢測

在同樣3×3的內(nèi)核情況下，Scharr濾波器的檢測精度高于Sobel算子，且檢測速度與其相同。另外，本系統(tǒng)也分別采用Sobel、Scharr、Laplace、Canny邊緣檢測的方式，進(jìn)行了識別效果的對比，最終選用Scharr檢測生成的邊緣特征圖進(jìn)行車標(biāo)識別，并有效提高了車標(biāo)的檢測率。如圖3（a）為未采用邊緣檢測時的系統(tǒng)識別效果，可見，面對光線較暗、圖像梯度不明顯的情況，系統(tǒng)未能實(shí)現(xiàn)有效識別，圖3（c）為使用圖3（b）進(jìn)行車標(biāo)識別后成功識別到車標(biāo)區(qū)域的效果。

2 車標(biāo)樣本選擇及分類器訓(xùn)練

目前Adaboost算法支持的特征主要囊括了Haar特征、LBP特征和HOG特征，與文獻(xiàn)[9]不同的是，本文并非選用Haar特征，而是選用HOG特征進(jìn)行訓(xùn)練。HOG特征[10]是一種通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來對物體進(jìn)行檢測的特征描述子，所以在面對圖像的幾何形變和光學(xué)形變時都擁有較好的魯棒性。

本文選用opencv自帶的opencv_traincascade程序?qū)崿F(xiàn)對寶馬、奧迪、本田、豐田、現(xiàn)代、大眾六種常見車標(biāo)品牌分類器的訓(xùn)練。詳細(xì)的訓(xùn)練樣本數(shù)和測試樣本數(shù)如表1所示。所有用于訓(xùn)練和測試的樣本均來源于實(shí)景拍攝及網(wǎng)絡(luò)搜集，并涵蓋了在夜晚光源較差、雨霧天氣拍攝不清晰、手抖拍攝模糊、側(cè)面拍攝等極端情況下的車標(biāo)樣本。如圖4為訓(xùn)練時采用的部分正樣本車標(biāo)。各類車標(biāo)分類器的具體訓(xùn)練流程如圖5所示。

3 系統(tǒng)設(shè)計及開發(fā)

3.1 系統(tǒng)實(shí)現(xiàn)

首先，系統(tǒng)獲取到圖像后，將對圖像進(jìn)行一系列的預(yù)處理操作，且每種分類器均含兩種以上的預(yù)處理方式。隨后再利用各類車標(biāo)分類器依次進(jìn)行識別。其次，對于某類分類器識別出的車標(biāo)區(qū)域系統(tǒng)將進(jìn)行第一次排查，獲取識別區(qū)域的HOG特征與事先準(zhǔn)備好的品牌車標(biāo)進(jìn)行余弦相似度比對，排除相似度低于0.65的區(qū)域，并在余下區(qū)域中取出相似度最高的區(qū)域作為一個結(jié)果輸出。最后，待圖像經(jīng)過六類分類器識別完成后，系統(tǒng)將選取六個輸出結(jié)果中相似度最大的值所對應(yīng)的車標(biāo)作為最終的識別結(jié)果，并在原圖像中框選出所識別到的車標(biāo)區(qū)域，顯示相關(guān)的品牌信息。整個系統(tǒng)的車標(biāo)識別過程如圖6所示。

3.2 系統(tǒng)測試

選取六類車標(biāo)各60張，及60張除此六類車標(biāo)外的其他車標(biāo)和無車標(biāo)圖像組成測試集，對系統(tǒng)的識別準(zhǔn)確率進(jìn)行檢測。表2是由測試得出的各類車標(biāo)分類器的識別率統(tǒng)計表。

可以發(fā)現(xiàn)，部分車標(biāo)仍然無法被正確分類或識別。經(jīng)過分析得出，多數(shù)識別失敗的測試樣本為側(cè)面拍攝圖像或光線較弱圖像，而多數(shù)分類錯誤的圖像也同樣是因?yàn)閭?cè)面拍攝的緣故。經(jīng)實(shí)驗(yàn)，部分側(cè)面拍攝圖像雖車標(biāo)區(qū)域識別成功，但在進(jìn)行相似度匹配時卻因?yàn)閭?cè)面拍攝緣故，導(dǎo)致相似度低于其他車標(biāo)識別器所識別出的區(qū)域得到的相似度，也因此導(dǎo)致了誤識別。

3.3 系統(tǒng)交互設(shè)計

綜合上述車標(biāo)識別流程，在Windows平臺上，選用MFC結(jié)合OpenCV的方式完成了車標(biāo)識別系統(tǒng)的搭建，系統(tǒng)的具體實(shí)現(xiàn)效果如下：

點(diǎn)擊“上傳圖片”按鈕選取圖片后點(diǎn)擊“開始識別”，系統(tǒng)將提示用戶“正在識別中……”。識別完成后，若成功識別出車標(biāo)，則系統(tǒng)會在原圖中標(biāo)注出所識別出的車標(biāo)區(qū)域，效果如圖7所示，若系統(tǒng)識別結(jié)果并非六種車標(biāo)中的一種或是并不含車標(biāo)，則提示用戶“對不起，未能識別出車標(biāo)品牌”，效果如圖8所示。

從系統(tǒng)車標(biāo)識別的結(jié)果來看，該方法的車標(biāo)識別達(dá)到了預(yù)期的效果。雖仍然存在一定的誤檢和漏檢情況，但此方法還是存在其應(yīng)用價值的。

4 結(jié)束語

本文選取基于HOG特征的Adaboost算法進(jìn)行車標(biāo)級聯(lián)分類器的訓(xùn)練，最終以一對多的方式實(shí)現(xiàn)了對寶馬、奧迪、本田、豐田、現(xiàn)代、大眾六種常見車標(biāo)的識別。并設(shè)計了基于MFC的車標(biāo)識別系統(tǒng)，實(shí)現(xiàn)圖片上傳系統(tǒng)后可以直接識別車標(biāo)，顯示車標(biāo)相關(guān)品牌信息。

實(shí)驗(yàn)表明，系統(tǒng)依舊存在不足之處，如車標(biāo)品牌的數(shù)目太少還需增加，對極端情況下進(jìn)行車標(biāo)識別的魯棒性還可以增強(qiáng)等。后期考慮結(jié)合使用SVM的方式來實(shí)現(xiàn)對所識別車標(biāo)區(qū)域的分類，提高分類的準(zhǔn)確度。

參考文獻(xiàn)（References）：

[1] 莊永，楊紅雨，游志勝等.一種快速車標(biāo)定位方法[J]. 四川大學(xué)學(xué)報（自然科學(xué)版），2004.41（6）：1167-1171

[2] 劉直芳，王運(yùn)瓊.一種簡單快速的車標(biāo)定位方法[J].計算機(jī)應(yīng)用，2009.29（5）：1344-1346

[3] 李俠，李文舉，孫娟紅等.基于模板匹配和邊緣檢測的車標(biāo)定位方法[J].計算機(jī)工程與設(shè)計，2011.32（10）：3453-3456

[4] 魯豐，劉蕓，張仁輝.基于改進(jìn)HOG特征值的車標(biāo)檢測與識別方法[J].光通信研究，2012.38（5）：26-29

[5] 張素雯，張永輝，楊潔等.一種基于LBP與HOG聯(lián)合特征的車標(biāo)識別方法[J].網(wǎng)絡(luò)新媒體技術(shù)，2016.5（6）：49-55

[6] 李哲，于夢茹.基于多種LBP特征集成學(xué)習(xí)的車標(biāo)識別[J].計算機(jī)工程與應(yīng)用，2019.55（20）：134-138

[7] 耿慶田，趙浩宇，王宇婷等.基于改進(jìn)SIFT特征提取的車標(biāo)識別[J].光學(xué)精密工程，2018.26（5）：1267-1274

[8] Thubsaeng W， Kawewong A， Patanukhom K. Vehicle logodetection using convolutional neural network and pyramid of histogram of oriented gradients[C].Computer Science and Software Engineering.2014 11th International Joint Conference on Computer Science and Software Engineering（JCSSE）， USA：IEEE，2014：34-39

[9] 張碩.基于Adaboost的車標(biāo)識別方法研究[J].中國安防，2014.5：85-89

[10] Dalal N， Triggs B. Histogram of oriented gradient forhuman detection[C]. Computer Society. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR'05）， USA：IEEE，2005：886-893