当前位置:「欢迎!」 > 商务发展 > > 正文

基于SIFT算子的车标记别测验呈报

作者:admin   时间:2020-03-20   来源:2020白菜网站大全|2020白菜网送体验金不限ip|2020最新开户注册送白菜网址大全

  基于SIFT算子的车标识别实践申报_算计机软件及运用_IT/算计机_专业材料。基于SIFT算子的车标识别实践申报

  基于 sift 算子的车标识别软件 幼构成员: 幼组编号: 专业班级: 引导教授: 日期时辰: 第一局部 绪论 1.1 钻探方针与道理 跟着中国经济进入高速生长形式,人们物质文明秤谌也随着大幅度的进步,人们 对汽车的需求量也日益增大。面临着汽车数目越来越多的题目,若何对这些车辆实行 有用的治理成为社会首要体贴的题目。车标是车辆的一个紧急的特性属性,相对付车 辆其他的少许特性消息(譬如车牌),车标拥有不易更改的特征。基于这一特别紧急 性情,本文将对车标的识别实行钻探。 本文重要分为两大焦点局部,定位局部(征求车牌的定位和车标的定位)和车标 特性向量提取和识别局部。本文车标的定位是按照车牌和车标的先验学问,提出一种 由粗到精的车标定位格式。最先通过成熟的车牌定位格式对车牌实行定位,再按照车 牌与车标的相对职位可能揣度出车标的约略区域;接着诈骗 SOBLE 边际检测算子对车 标揣度区域同时实行笔直边际的检测和秤谌边际的检测,分裂车标区域与靠山区域; 接着再诈骗数学样子学实行腐化膨胀处分取得车标的准确区域。车标特性向量的提取 本文诈骗 SIFT 算子实行提取。SIFT 算子的重要甜头是消息量雄厚,怪异性好,适合正在 海量数据中实行迅速、确切的配合。此表 SIFT 算子的特性属性是图像的部分特性,具 有对图像的标准缩放、亮度蜕变、盘旋坚持稳固性;对视角的蜕变、放射变换、噪声 等等都坚持很高的安谧性。除此以表,SIFT 算子也具备大量性和可扩展性,少数的物 体也可能发生较多的特性点,也可能很容易与其他情势的特性向量实行连结。于是本 文通过 SIFT 算子对车标实行特性提取和特性向量的天生,结尾通过欧式间隔占定待匹 配的车标向量与模板库的车标向量的肖似性,最终抵达识别出车标的效率。 倘若将车标识别手艺运用到新颖车辆坐法观察中,将会大大裁汰对坐法车辆的搜 寻鸿沟和相投部分的职责量,进步车辆识其余牢靠性。车标识别手艺可能运用正在良多 周围,好比公道收费、车辆治理、公道布控等等。以是开辟一种不妨识别出车标的技 术正在当今社会显得极为需要。 1.2 重要钻探实质与相投表面先容 本文钻探的重要实质可能分为三个模块: (1)车牌的定位模块。本文的第一局部是车牌的定位。车牌的定位是否确切相干 着车标的定位是否确切,于是车牌的定位特别环节。本文采用基于 HSV 色彩模子的方 法定位,按照中国车牌唯有三种色彩黄色、蓝色和白色,通过占定 HSV 各个通道的值 确定车牌的区域。 (2)车标的定位模块。车标的定位总共分为两局部,车标的粗定位和车标的精定 位。车标的粗定位是按照车标与车牌的相对职位这一先验学问得出的。然后对车标的 揣度区域实行车标的边际检测,诀别车标与靠山,结尾通过样子学滤波效率,准确定 位出车标的职位。车标特性的提取和特性向量的天生是本文 的环节局部。正在车标精定位之后,对车标区域诈骗 SIFT 算子实行特性提取。提取历程 大致可能分为:标准空间的构修,极值点的检测,环节点实正在定,环节点的形容。最 后采用欧式间隔占定向量的肖似性,识别车标种别。 第二局部 车牌定位 车标定位越准,框的越准确,噪声就越幼,作对就越幼,提取的特性越能显示车标的属 性,识其余确切率当然越高。于是采选一个适当的车牌定位格式特别紧急。按照运用 场合的需求和收集的数据集的特性,将采用基于 HSV 色彩空间和灰度样子学的方 法对车牌实行定位。最先,通过车牌色彩定位算法浅易,告终起来较量容易。其次车 牌的底色目前中国唯有黄、蓝、白三种底色,很容易通过车牌的色彩辨别车牌与车身。 简直定位算法方法如下: 1.将 RGB 色彩空间图像转换为 HSV 色彩空间模子。 2.设定 HSV 各个通道阈值。 3.通过阈值灰度化图像。 4.通过开闭运算整合连通区域。 5.通过色彩特性查找候选区域。 6.通过特性值和车牌几何特性确定车牌区域。 车牌定位流程图如 3-1 所示: 色彩空间模 型转换 阈值设定 二值化图像 数学样子腐 蚀膨胀处分 通过车牌的 几何特性判 断车牌区域 图 3-1 车牌定位流程图 3.1 确定车牌色彩正在 HSV 空间的阈值 每一种色彩的车牌需求实行采样揣度,以确定每一种色彩正在 HSV 空间的阈值。因 为中国差异地方的车牌色彩纷歧样,饱和度、色调都欠好像。另一个因由 车牌色彩会跟着时辰的流逝而退化,每一类车牌色彩的各个 HSV 通道值是一个鸿沟, 而不是一个准确地数值。于是为了更确切的定位好每一类的车牌,需求对每一类车牌 实行洪量的抽样统计分解。 同样,通过相像的格式可能取得其他色彩车牌各个分量的阈值鸿沟,最终得出三 种车牌的色彩的阈值鸿沟。 黄色 蓝色 白色 H [187,245] [25,56] 不研讨 S [0.33,1] [0.35,1] [0,0.16] V [0.32,1] [0,3,1] [0.89,1] 本实践采用的数据是通过手工截取每一张车辆车牌区域的图像,而且根据色彩类 型以差异文献夹存储好,容易确定车牌色彩阈值利用。 通过洪量的实践解说,蓝色车牌、黄色车牌从靠山的诀别可能通过仍然确定的好 的 H 和 S 分量阈值,通过 V 的分量把玄色和白色车牌区域从靠山中诀别出来。 3.2 查找候选区域,占定车牌区域 二值图像始末数学样子学滤波之后会展示多个候选区域,如图 3-2 所示。这时务必 按照车牌的少许固有特性实行占定筛选,譬如可能按照车牌的长度、宽度、以及长宽 之比实行占定,也可能按照车牌的面积实行占定。由于摄像机装置正在一个固定的职位 下(普通卡口摄像机的职位都是固定稳固的),拍摄出来的车辆照片宽度、长度以及 两者之间的比例正在一个鸿沟之内。 图 3-2 车牌候选区域 按照中国车牌的性情,中国汽车车牌表部特性约略有以下几个特征: 1.几何特性:车牌长度、宽度以及长宽的比例正在肯定的鸿沟之内; 2.形态特性:车牌的形态都是矩形; 3.灰度特性:车牌的秤谌直线灰度透露持续的波峰、波谷、波峰的分散; 4.灰度值统计特性:车牌的边际直方图有两个诀别的分散中央; 通过上述的几种特性取交集,就可能很疾的缩幼鸿沟,占定车牌区域时,按照长 度、宽度、长宽之比以及面积可能判别,判别条款如下: Width(min)WidthWidth(max) ; Height(min)HeightHeight(max); Area(min)AreaArea(max); Ratio(min)RatioRatio(max); 个中,Width 吐露车牌的宽度,Height 吐露车牌的高度,Area 吐露车牌的面积, Ratio 吐露车牌的长宽之比。min 和 max 吐露车牌的宽度、高度、面积和长宽之比的最 幼值和最大值。通过上述条款判别,可取得车牌的区域,如图 3-3 所示: 图 3-3 车牌区域 为了进一步优化车牌占定效力,进步软件功能,裁汰运转时辰,可能按照这一地 区收支的车辆的车牌色彩概率崎岖顺序实行占定,好比,经统计某个地方展示蓝色车 牌的车辆概率最多,这时就可能先占定是否为蓝色车牌,然后再占定是黄色如故白色 车牌,如许正在肯定的先验条款下可能进步车牌定位的效力,裁汰查找方针区域时辰。 第三章 基于车牌定位先验学问的车标定位 4.1 一种由粗到精的车标定位格式 车标定位是车标识其余紧急合头,也是车标识别是否确切的环节地方。目前车标 定位有良多种定位格式,然则基于车标的巨细正在全数车辆图像所占的比例之少,以及 车标边际与庞大纹理靠山之间的相干, 本文采用一种由粗到精的车标定位格式。 车标定位流 程图如 4-1 所示: 圭臬起源 通过车牌的位 置大略揣度车 标的职位 对车标大略区 域实行 滤波处分 利 用 SOBEL 算子实行车标 边际检测 去除作对噪声 数学样子学运 算,精定位车 标职位 圭臬终止 图 4-1 车标定位流程图 因为车标相对付全数车身而言太幼,倘若通过整幅图像查找车标区域,会导致整 个车标识别编制的速率消沉,功能低落。以是本文通过车牌与车标的相对职位,查找 车标的区域,缩幼查找车标的时辰,为全数车标识别编制减幼了时辰,进步了全数系 统的功能。 4.2 基于车牌定位先验学问的车标粗定位 4.2.1 车标的特性 按照目前中国商场上车辆统计,始末洪量实践侦察,有简直靠近 100%的车辆的车 牌是吊挂正在车身的正后方和正前线,如图 4-2 所示: 图 4-2 车牌与车标相对职位图 然则车标自己的少许特征使得车标的定位比车牌定位要难良多。重要体当今以下 几个方面: 1. 车标形态各异。车标的定制式由汽车厂商自行肯定的,既有圆形的又有椭圆的, 既有方形的也有少许分表形态的,譬如字符的。 2.车标肖似性大。良多车标都很肖似,譬如北京新颖与日本本田 3.车标的职位没有团结的圭表。车标的简直职位并非一成稳固的。有些车标正在车灯 之间,有些车标正在车身上,有的车标正在散热片上。纵然是统一品牌差异系列的车标也 不尽好像。 4.车标地方散热片的纹理具备多样性。局面部的车标都是正在车辆散热片上,差异类 型的车辆纹理也纷歧样。纹理自己也拥有雄厚的边际性情,这对付分裂车标和散热片 有很大的晦气。 4.2.2 车标的粗定位 车标中央确定:由图 4-2 可能看出,车牌和车标处于统一中轴线上,按照车牌与车 标的相对职位,可能大略的揣度出车标的职位,如图 4-3 所示。假设按照已知条款得知 车牌的中央点的坐标为( x , y ),那么 x = x ,y = y + h,个中( x , y )为车标的中央点职位, h 是按照洪量数据取得的一个别会揣度值,约莫为 150 个像素点的长度,也便是车标 的中央离车牌中央的揣度高度。 按照洪量实践可能得出车标的旁边上下鸿沟与车标中央知足 相干如下: 图 4-3 车标粗定位 4.3 基于 SOBLE 算子的车标边际检测 正在目前的方针定位手艺中,模板配合手艺和特性配合手艺占主导位子,这两种技 术可能运用正在方针品种简单的定位中。而正在车标识别手艺中,车标的品种繁多,何况 尺寸的巨细也七零八落,同时有的车标地方的区域纹理特性雄厚,基于如许少许特征, 纯洁的采用模板配合不太适当。本文选用 SOBLE 算子的边际检测算子的格式检测车标 的边际。实践上,SOBLE 算子是一种离散的差分算子,通过图像亮度函数运算,取得 灰度蜕变的近似值,SOBLE 算子正在庞大边际检测中运用的较量多。SOBLE 算子征求一 个纵向和一个横向 3*3 的卷积因子,两个卷积因子如下: 笔直卷积因子 秤谌卷积因子 将纵向卷积因子和图像作平面卷积,秤谌卷积因子和图像作平面卷积,可取得图 像的纵向亮度差值和横向亮度差值。假设 A 是原始方针图像,Gx 、Gy 分散为横向和 纵向的边际检测图像灰度差值,检测公式如下: (4-3) 将卷积模板因子与原始图像每一个像素点的灰度值相乘,取得该点的灰度,倘若 该点灰度知足极值条款,就以为该点为边际点。边际检测成绩如图 4-4 所示: 图 4-4 SOBLE 算子边际检测车标 车标的靠山可能大致分为两种,一种润滑的车面,另一种便是散热片。SOBLE 算 子正在检测秤谌边际的同时也检测笔直的边际反响。SOBLE 算子按照像素的上下邻域像 素点,旁边邻域像素点灰度的加权,当边际抵达极值时告终检测,对噪声有肯定的平 滑效率,取得较量确切的边际偏向消息,误差是边际定位度不敷精准,然则这一缺陷 并不影响车标的识别。由于 SIFT 算子对这方面央求不是很高,完全说,SOBLE 和 SIFT 算子联络是一个圆满的联络,不妨正在识别确切率和算法功能上都有着不错的成绩。 4.4 对车标区域实行样子学滤波处分 正在通过 SOBLE 边际检测车标边际后,仍旧会有良多噪声保存,平凡的滤波的格式 可能很好的抑制少许噪声,然则对付少许保存裂痕的连通区域无法实行整合,迥殊是 对付拥有字符的联通区域,很容易展示裂痕,展示很多幼的连通区域,这种情景下很 可以失落车标很多有效的消息,使得车标定位制止。这时为了更准确地框出车标,同 样和车牌定位雷同,需求进一步对车标区域实行数学样子学滤波处分。 诈骗样子学可能修补裂痕,有用的消弭噪声作对,同时可能把几个幼的连通区域 整合成一个大的连通区域,强化车牌的特性消息。 假设 A,B 为两幅图像,A 为 3*3 的机合元素,B 为车标图像即处分对象。用 A 结 构元素的每一个像素点去扫描 B(车标图像)的每一个像素点,然后与 A 掩盖 B 中的 每一个像素点实行与操作,倘若都为 1,则结果图像的像素为 1,不然为 0。最终的目 的和成绩是消弭车标边缘少许孤单的噪声点。同理,用 A 的每一个像素与 B 中的每一 像素实行或运算就可能对内部实行填充了,处分的成绩是使得图像车标的内部和边际 像素实行连通,强化车标的几何特性。按照实践的情景可能对处分的对象实行开运算 和闭运算。开运算是先实行腐化后实行膨胀,闭运算恰好相反,先膨胀后腐化,开运 算和闭运算是一对偶运算。 样子学滤波器的功能由机合元素矩阵中的元素肯定。基于软件 的实践运用情景和图像数据的差别率, 本文的机合元素采用 3*3 的矩阵。 用 3*3 的机合元 素的探针去扫描车标区域,与车标区域实行膨胀、腐化、开运算、闭运算取得最终的方针前 景图,结尾处分的大家和新颖车标成绩图如图 4-5 所示。 图 4-5 车标精定位 4.5 车标定位实践结果与分解 本论文实践数据采用 9 种品牌的车辆图像,总共 1142 张,正在车牌定位确切的根柢 上,不妨确切的定位出车标的职位有 98%,个中有几张是由于纹理靠山为网格,且图 像光照条款亏折,隐约不清导致定位制止。 正在车标定位的历程中,采用的是一种由粗到精的定位,正在粗定位的历程中,是根 据车牌和车标的相对职位给出的。然则差异车辆的车牌和车标职位是差异的,有少数 车辆的车标与车牌的职位过大,有些车标和车牌的职位过幼,导致正在车标粗定位的过 程中,有的区域过大,有的又没被蕴涵进去,导致最终的车标定位制止。 第四章 基于 SIFT 算子的车标配合识别 5.1 SIFT 算子扼要先容 SIFT 即标准稳固特性转换(Scale-invariant feature transform),是一种用于形容图 像邻域的部分算子,正在图像中可能检测出图像的极值点。SIFT 算子是由 David Lowe 正在 1999 年提出的,正在 2004 年加以完美。本文的钻探之于是采取 SIFT 算子行为特性向量 的提取格式,是由于比拟于其他特性算子,SIFT 算子拥有以下几个特别明显的特征: 最先,消息量雄厚,怪异性好,不妨确切、迅速的正在洪量的数据库中实行配合; 其次,对亮度的蜕变、标准的缩放以及盘旋可坚持稳固性;对仿射变换、蜕变的 视角、噪声也可能坚持相对高的安谧性; 再次,SIFT 算子自己拥有大量性,哪怕是少数的 几个物体也可能发生较多的特性点; 结尾,SIFT 算子自己具备可扩展性,通过 SIFT 算 子天生的特性向量可能很容易的与其他情势的特性向量实行连结; 始末大范畴反复实践, SIFT 算子运用正在车标特性提取中不妨博得特别安谧的特性点,结尾识其余成绩很好。 5.2 特性向量提取 正在车尺度确定位之后,诈骗 SIFT 算子对全数车尺度确区域实行特性提取,特性提 取征求极值点检测、环节点实正在定、环节点的形容。特性提取之后再实行特性的配合 识别,通过欧氏间隔占定特性向量与数据库中特性向量的肖似性。全数车标特性向量 的天生和肖似性占定历程如图 5-1 所示: 图 5-1 车标配合识别流程图 5.2.1 构修标准空间 为了坚持特性点不随标准蜕变而蜕变,通过高斯函数构修空间标准金字塔。高斯 金字塔重要特征是用分层机合辨别标准,每一个σ 吐露一个空间标准,也便是一层, 每一层有良多组,每一组是用原始图像和高斯函数卷积相乘取得。 标准空间表面的根基思思:正在图像处分模子中,引入一个与标准空间相投的参数, 通过持续改革这个相投参数便可能得回良多个空间标准的图像序列。SIFT 算子通过高 斯隐约函数构修标准空间,然后正在差异标准空间上检测极值点,唯有那些正在各个标准 空间都为极值点的结尾才确定为环节点,最终可取得环节点的职位和标准。能告终尺 度变换的线性核仅有高斯卷积。 标准空间的构修: 界说 L ( x , y , σ )为图像标准空间函数, 高斯函数 G ( x , y , σ )为标准蜕变函数,标准蜕变函数 G ( x , y , σ )与原图像 I ( x , y )进 行卷积取得标准空间函数即: (5-1) 个中: (5-2) 个中卷积运算用*吐露。高斯模板维度用 m ,n 分散吐露,σ 则代表标准空间因子, σ 值越幼,图像被光滑的水平就相对较少,σ 越大,图像的梯度越高峻,越不妨反响 图像的全体特性。图像的概貌特性是通过大标准反响的,图像的细节局部则通过幼尺 度传递。正在实践运用中,通过高斯函数实行离散算计近值时,对付那些大于 3σ 间隔的 像素点被以为是无效的,这些像素点可能被无视为无效点。 5.2.2 检测空间极值点,确定环节点 SIFT 算法重要分为两步:第一,正在标准空间实行极值点的检测,并确定环节点以 及环节点的职位和所处标准;第二,以环节点为中央点,算计中央点邻域的梯度偏向, 统计完全偏向值确定主偏向,把该偏向行为中央点的偏向。 始末翻阅洪量文件,高斯拉普拉斯函数的极大值和极幼值不妨发生安谧的图像特 征。高斯差分函数(Difference of Gaussian)简称 DOG 算子,与标准归一化的函数特别 肖似,可能利用高斯差分金字塔来近似 LOG 算子,揣度方法如下: (5-3) 诈骗差分近似替代微分 , 2 (5-4) 于是有 (5-5) k-1 是个常数,不影响极值点的职位。Tony Lindeberg 以为唯有标准标准化的 LOG 算子 才拥有真正途理上的标准稳固性,然则 Low 则以为,可能利用高斯差分金字塔来近似 LOG 算子,如许可裁汰标准化所破费的时辰。本文的标准空间模子利用高斯金字塔表 示,用于正在标准空间检测极值点,确定环节点,有利于进步时辰功能。 正在简直的工程运用中,正在高斯金字塔中,对每一组中相邻的两幅图像实行差值, 取得高斯差分图像,检测公式: (5-6) 本文高斯金字塔是标准空间的形容,采用近似格式检测极值点,通过高斯金字塔 差分模仿 LOG 算子,检测标准空间极值点。特性点采取都是从梯度极值点中采取,为了筛 选出正在差异标准上都出现为极值点的点,也便是环节点,需求对标准极值点再一步筛选,极 值点筛选的两个圭表是梯度值和梯度偏向, 把那些知足梯度值鸿沟和偏向值鸿沟的极值点筛 选为环节点。 环节点检测:环节点是 DOG 空间的部分空间极值点,为了取得 DOG 空间环节点, DOG 空间的每一个像素点都要和这个像素点地方标准平面周围像素点比拟较,也要和 他相邻标准的对应周围区域比拟较,也便是说一个像素点要和它地方标准的 8 个周围 比拟较,也要和它上下相邻的两个方针对应的 9 个像素点较量,如许就可能确保像素 点正在地方标准空间以及原始图像空间都能检测到极值点。 始末上述检测,取得离散空间的极值点,接着可能通过拟合三维二次函数取得更 加准确的环节点的职位和标准,同时也去除了低比较度的环节点和担心谧的边际的相 应点,由此一来加强了配合的安谧性和抗噪声才智。 5.2.3 特性向量的天生 当这些环节点被检测出来之后,为了取得特性向量,务必给予每个环节点一个描 述符,也便是用一组向量形容这个环节点。这个形容符号不行跟着光照、视角蜕变而 蜕变,于是这个环节点的形容子不单仅征求环节点的根基消息,并且该当还征求边缘 那些对环节点有进献的像素点。根据 LOWE 的思思,以环节点为中央,取标准空间内 4 乘以 4 的窗口中算计 8 个偏向的梯度消息,如许每一个环节点就被形容成 128 维的特 征向量了。为了使天生的特性向量拥有盘旋稳固性,就要为环节点分派偏向值,本文 利用图像梯度法求取环节点的安谧偏向,对付正在金字塔检测出来的环节点,梯度的模 值和偏向值检测公式如下: 22 (5-7) 个中 L 代表环节点地方的标准空间值,利用直方图统计梯度模值和偏向。如图 5-2 所示,箭头的偏向代表梯度偏向,箭头的是非代表梯度的巨细。梯度偏向总共 360 度, 分为 36 个柱,每一柱吐露 10 度,偏向的统计峰值代表了环节点的主偏向。 通过以上几个方法,对付每一个环节点都有三个根基消息:标准、职位、以及梯 度偏向。为了使天生的特性向量不随视角的蜕变、光照条款的蜕变而蜕变,需对环节 点实行以下处分,简直方法如下: 1.为了坚持加强特性配合的鲁棒性,只保存峰值大于主偏向值的 80%的偏向行为 环节点偏向的辅助偏向。 2.为了坚持盘旋稳固性,以环节点的偏向为基准偏向,盘旋坐标轴的偏向使之与基 准偏向类似,如许就可能确保盘旋稳固性。 3.为了提取的特性向量不随光照、视角蜕变而变换,则需求对特性向量实行归一化 处分。 SIFT 算子提取的是车标的部分特性,部分特性差异于全体特性。部分特性出现的 区域只会正在少许分表的地刚才会展示,比如少许边际线、角点、梯度极值点等等,这 些都是类型的部分特性。物体没有被没完整遮挡,部分特性仍然安谧的保存,倘若整 幅图像或者感笑趣的区域被这些部分点形容,如许就会大大的裁汰原有领导的消息量, 裁汰算计量。 5.3 特性向量的配合识别 正在环节点被量化之后,需对向量实行肖似占定。占定历程:正在特性数据库中查找 特性点的配合点,通过配合设立方针图像与数据库中图像的转换相干,从而完结图像 的配合识别。 正在目前识别钻探这块周围,占定物体的肖似性都是通过占定向量的肖似水平来计 算方针和模板之间的肖似度的。目前占定向量的肖似性重要有曼哈顿间隔、马氏间隔、 欧氏间隔、夹角余弦、汉明间隔、相相干数和消息熵等等。本文采用欧式间隔占定特 征向量的肖似性。 本文通过欧氏间隔占定待配合的图像与数据库中图像特性向量的肖似度,欧氏距 离是最常见的一种向量肖似性器量,间隔越远,阐述个别间的差别越大,越幼阐述相 似度越高。配合公式如下: (5-9) 然则仅仅通过简单的欧氏间隔占定特性向量的肖似性会保存良多的差池配合对,差池配合 的特性点的保存会吃紧影响所取的仿射变换参数,从而影响最终图像的配合准确性。以是, 本文的配合识别分散两个局部: 最先,诈骗邻域查找算法查找环节点的肖似邻点,通过欧氏间隔占定算计间隔合 键点近来的两个邻点,通过阈值格式确定初始配合对。 然后,诈骗 RANSAC 算法对初始配合对实行提纯消杂,消弭误配合的特性对。整 个特性点配合的简直方法如下: 1)诈骗 BBF 算法高效迅速的查找数据库中和环节点间隔近来的两个特性点,最 近点为 A,次近点为 B。 2)诈骗欧氏间隔算计两个近来点到参考环节点的欧氏间隔。假设从 1)得出近来 点 A 和次近点 B,分散对应特性向量 X,Y。诈骗(5-9)欧氏间隔公式算计 X,Y 到 环节点的欧氏间隔,分散记作 D1 和 D2,用近来点的欧氏间隔除以次近点的欧氏间隔 得出一个比值,即 D=D1/D2。当 D 幼于阈值(本文取 0.5)时,则近来点 A 为特性点候 选配合点。当 D 大于 0.5 时,那么配合不获胜,舍弃近来点。 3)以差异的特性点为参考点,反复上述两个方法,取得 N 组候选特性配合对。 因为初始的配合对有岁月保存吃紧的差池,为了裁汰误配合率,进步车标的配合 准确性,于是接下来用 RANSAC 算法对候选特性对实行再一步筛选,筛选出确切的匹 配对,进步配合准确性和确切性。 1)从取得的初始特性配合对中随机抽取 3 对配合对行为内点会合,算计出变换矩 阵 H; 2)将会合表的 N-3 个特性点设为表点,顺序算计出 N-3 个表点正在线性变换矩阵后 取得的配合间隔; 3)设定间隔阈值,(本文取 0.5),将幼于 0.5 的特性点归结为内点会合,将间隔 大于 0.5 的特性点会合舍弃; 4)统计正在变换矩阵 H 下的内点数目; 5)反复实行以上方法多次,从头算计变换矩阵 H,统计新 H 下的内点数目; 6)采取内点数目最多的会合行为最佳会合,会合下的完全特性点都为准确的配合 点; 始末以上方法,全数车标识别历程处分完毕,得出的特性点数目最多的车标类型 为最终识别类型。配合成绩如图 5-4 所示: 图 5-2 车标特性点配合 第五章 车标识别软件的告终 车标识别软件的硬件境遇是正在 Intel(R) Core(TM)2 CPU E7500 主频 2.93GHz 4G 内 存境遇下实行的。软件境遇为 windows7 编制,64 位操作编制。所用的图像数据由公司提 供,实践图片为摄像机抓怕的静态图片。 6.1 软件机合分解 本软件采用模块化的思思实行计划,如许做的方针重要有两个:第一便于往后维 护;第二便于进一步改良和二次开辟。车标识别软件的编制机合图如下图所示: 图 6-1 编制机合图 全数软件机合以模块的体例实行开辟,总共为三个模块:车牌定位模块、车标定 位模块和车标识别模块。模块先容:1)车牌定位模块;车牌定位模块是全数软件架构 中的首要处分模块;车牌的定位确切与否相干着后面的车标定位是否确切,于是车牌 定位是模块中紧急的一个局部。按照供应的图像数据以及功能央求,本文采用基于颜 色特性定位车牌的职位,重要征求色彩空间的转换,色彩阈值实正在定,以及对候选车 牌区域的处分三个局部。选用色彩特性定位车牌的算法浅易,定位也很确切,不妨满 足及时和准确度的央求。2)车标定位模块;车标的定位是按照车牌的职位确定的,因 为按照中国车牌吊挂的职位可能看出,车标与车牌是正在统一中轴线上,正在确定车牌的 职位之后可能约略的揣度出车标的职位。如许做可能为车标的边际检测撙节时辰,不 需求查找整张图像了,也消弭了不需要的作对,进步车标职位的准确度。而车标的精 确定位则诈骗算子实行笔直和秤谌的边际检测,通过数学样子学可能得出车标的准确 区域;3)车标识别模块;车标识别模块是三个模块之中最环节的局部,本文采用 SIFT 算子对车标极值点检测,特性点筛选以及特性向量的天生,SIFT 算子不妨发生稳 定的极值点,筛选出来的特性点不随表界条款的蜕变而蜕变,具备很强的鲁棒性和健 壮性。特性向量的肖似性占定则选用欧氏间隔占定,通过欧氏间隔的算计占定有可以 发生误配合特性对,为了裁汰误配合率,正在通过欧氏间隔筛选出候选配合对之后,利 用 RANSAC 算法对候选配合对实行再一次的筛选,如许可能进步车标的配合确切性。 以模块的情势安顿软件的机合可能带来以下好处: 1)可能很大白的看到每一个模块的成绩,可能分散看到车牌定位、车标定位以及 车标识其余定位确切率和识别率。 2)尤其利于全数编制的分解。有岁月最终的结果识别制止,也许并不是提取的特 征向量不多或者配合算法不确切,而是有可以是正在车标定位的历程当中展示了题目, 比如截取的车标区域过幼,蕴涵的车标区域不行很好的响应全数车标的特性。而车标 的定位不确切也有可以是因为车牌定位制止变成的。基于这种情景,于是采用模块化 的机合实行软件安顿,如许可能很好的出现每个模块的题目,便于往后的优化和改良。 3)采用模块的思思安顿软件机合,可能按照往后的简直的实践运用需求,与其他 的运用圭臬实行无缝拼接,告终多方针诈骗。 6.2 软件重要效用与用户界面 研讨到软件进入贸易利用,车辆数据流大,为了容易职责职员查看,于是用户界 面做的较量浅易整洁。此软件目前是用于离散运转,即正在没有连合互联网确当地办事 器上就可能安谧运转。本软件采用的数据集以文献夹的情势存放正在当地磁盘上。数据 分为白昼的拍摄的图像和夜间拍摄的图像,存放正在差异的文献夹内,容易统计测试结 果数据实正在切率。此表差异类型的车辆已人为分类好存储正在差异的文献夹,容易分解 那些未能获胜识其余图像样本。 数据集合还征求手工切割的车标图像,仍然分好类,用于车标特性向量的提取学 习磨练,得回车标特性向量总体特性,最终是为了取得车标特性向量肖似系数的阈值。 软件界面重要分为两个大的局部。第一局部采选图像和图像文献夹,也便是待匹 配的数据。翻开图片选项一次只可采选一张测试图片,而翻开文献夹选项一次可采选 一个文献夹,一张图片测试完之后可能点击下一张实行测试,尤其容易用户测试。另 一局部为结尾识其余局部。当采选好测试图像之后,点击识别,软件进入到职责状况, 识其余结果会正在输出框中显示出来。当识别完完全的测试图像之后可能点击统计结果, 查看车标的识别确切率和差池率,都可能鄙人面的输出框中很大白的显示出来。效用 界面初始化图 6-2 所示: 图 6-2 界面初始图 采选数据文献夹;车辆类型仍然人为分好类,每一品种型的车辆存储正在差异的文 件夹中,本文总共有 1142 张静态图片,分为起亚、比亚迪、雪佛兰、新颖、别克等 9 种品牌,可能按照每一类车标的测试结果实正在切性崎岖采选要测试的车标类型,从头 实行多次的测试,如许可能有针对性的对数据集实行测试,出现每一类车辆的配合情 况所保存的题目。 图 6-3 数据采选 点击确定之后,文献夹蕴涵的马自达的完全车辆就可能被测试识别了,全数文献 夹的数据蕴涵正在内,测试完之后可能点击下一张,实行下一张的占定,如许可能很方 便的占定一类车的种别。 下图为圭臬运转成绩画面。 图 6-4 图像配合 第六章 车标识别软件的告终 从上图 6-4 可能看出,正在输出框中可能看到识别结果为马自达,找到 4 在在配合特 征向量,识别时辰为 1872.48 毫秒。因为阈值的相干,找到的特性向量数过少,导致识 别结果差池。展示这种情景可能通过人为再次确理解别结果是否确切,当点击“否”按 钮之后,差池配合的车辆数会加多,点击“是”按钮,确切配合的车辆数会加多点击统 计结果可能查看全数文献夹的配合情景,确切配合的车标多少张,差池配合的车标多 少张都可能正在输出框中显示出来。 按照识其余结果情景点击“是”按钮或者“否”按钮,统计车标的识别结果总体情景, 将统计的结果保全正在特定的文献夹中,容易结果盘问和差池配合的车辆实行分解。 第六局部 总结 通过这回做课程计划对图像与视频处分课程中所练习的学问有了进一步领悟和理解。 正在全数 课程计划全数历程中,咱们遭遇了不少的穷困,但光荣正在教授同砚的助忙下,同时也是幼组 成员延续勤恳的结果, 咱们幼组终归完结了本次课程计划, 固然正在教室上教授也先容了不少 的学问,然则正在实践运用的岁月如故无从下手,感触我方的学问秤谌不敷,又查阅了不少的 材料,给我方充电。其后正在同砚们的专心合力下,终归完结了本次实践。正在计划历程中,我 们通过查阅洪量有合材料,与同砚换取体会和自学,并向教授请示等体例,使我方学到了不 少学问,也经过了不少辛苦,但成绩同样伟大。正在全数计划中我懂得了很多东西,也作育了 我独立职责的才智, 修立了对我方职责才智的信仰, 自信会对以来的练习职责糊口有特别重 要的影响。 并且大猛进步了下手的才智, 使我满盈体认到了正在创制历程中探寻的艰苦和获胜 时的喜悦。 固然这个计划做的也不太好, 然则正在计划历程中所学到的东西是这回课程计划的 最大成绩和产业,使我终生受益。


相关文章
  • 时限:子类别:2019May201920192019201920192018201820182018201820182018May20182018201820182018201920192019201
    时间:2019-08-16
  • 四扇门,无需等待。这是小型货车世界的新口号,买家已经反抗右侧唯一的滑动后门设置。现在,它是两侧的后门或其他。日产任务(也称为水星村民)在游戏中稍晚进入四门领域,或
    时间:2019-05-25
  • 道虎行动专业修造阔绰SUV的品牌,是隧道的英国车,相同被英国皇室行动皇室用车。此日这台道虎皇家一号。整车尺寸5900*2216*1930mm(长宽高),这个尺寸可谓是国内幼型客车程序的极限个
    时间:2019-12-18
  • 如果你想变得更好,你会改善缺点。这就是福特在1989年与迷你所做的事情,它的高里程南韩进口占据了在试图让消费者从日本
    时间:2019-05-25
  • 客岁年销总量跨越300万的群多,本年前11个月也告竣了280万的销量,超越客岁的数据已是概略率变乱。 谁能思到的是,得意如群多,正在国内也有卖不动的车呢?是真的异常卖不动的那
    时间:2020-01-11
  • 12月12日,吉祥官方颁发了全新前景的官图。新车基于现款车型举办了调解,品格感进一步晋升,并退换了玄色的车标。 正在表观方面,新车前脸换装了全新样式的进气格栅,官方称之
    时间:2019-12-28
友情链接

咨询热线:86(0762)67081917
网站名称2020白菜网站大全|2020白菜网送体验金不限ip|2020最新开户注册送白菜网址大全
网       址http://bahanwang.com
©2019 by 2019注册送38元体验金-2019白菜网站大全 「bahanwang.com」

友情链接

咨询热线:86(0762)67081917
网站名称2020白菜网站大全|2020白菜网送体验金不限ip|2020最新开户注册送白菜网址大全
网       址http://bahanwang.com
©2019 by 2019注册送38元体验金-2019白菜网站大全 「bahanwang.com」