发明名称 |
复杂场景中的车型识别方法 |
摘要 |
本发明公开了一种复杂场景下的车型识别方法,包括以下步骤:初始化视频图像的部件字典,学部件字典中每个部件的参数,根据学的每个部件的参数和与或搜索树计算最优组成结构,采用最优组成结构训练和整合车辆模板,使用车辆模板检测和识别视频图像中的车型。本发明方法中的车辆模板最优组成结构的学利用了动态规划算法、与或搜索树以及大量的实际样本,这样不仅提高了训练模板的效率,而且具有非常好的判别性,利于实际应用,本发明结合了Latent SVM算法和鲁棒的HOG特征,能够处理复杂场景下的车型识别,保证了实时性和通用性。 |
申请公布号 |
CN102646199A |
申请公布日期 |
2012.08.22 |
申请号 |
CN201210049730.1 |
申请日期 |
2012.02.29 |
申请人 |
湖北莲花山计算机视觉和信息科学研究院 |
发明人 |
朱松纯;李博;姚振宇 |
分类号 |
G06K9/66(2006.01)I;G08G1/017(2006.01)I |
主分类号 |
G06K9/66(2006.01)I |
代理机构 |
华中科技大学专利中心 42201 |
代理人 |
朱仁玲 |
主权项 |
一种复杂场景下的车型识别方法,其特征在于,包括以下步骤:(1)初始化视频图像的部件字典,包括以下子步骤:(1‑1)根据所述视频图像中正负样本的大小确定所述视频图像中检测窗口的长宽比和面积;(1‑2)根据所述检测窗口的长宽比和面积确定所述部件字典中部件的形状,面积和固定点;(1‑3)根据所述部件的形状,面积和固定点构建与或搜索树;(2)学习所述部件字典中每个部件的参数;(3)根据所述学习的每个部件的参数和所述与或搜索树计算最优组成结构,包括以下子步骤:(3‑1)根据所述学习的每个部件的参数计算每个部件在所述正负样本的得分,并初始化所述与或搜索树的叶子节点;(3‑2)根据所述正负样本的得分计算所述与或搜索树的最高得分;(3‑3)根据所述最高得分在所述与或树上确定所选取的节点,以得到所述最优组成结构;(4)采用所述最优组成结构训练和整合车辆模板;(5)使用所述车辆模板检测和识别所述视频图像中的车型。 |
地址 |
436000 湖北省鄂州市莲花池小区B6幢中单元 |