基于MFC＋opencv的車標識別系統

葉玉雙 楊潔

摘? 要： 車標識別系統作為智能交通的一個重要組成部分，可以幫助有關部門提前發現可疑車輛。文章采用Adaboost算法訓練級聯分類器，通過提取方向梯度直方圖（HOG）特征進行各類車標分類器的訓練，再對分類器識別出的區域作進一步篩選，排除誤檢區域。此方法實現的車標識別系統，能夠有效地識別出車標，具有實際應用價值。

關鍵詞： 車標識別; HOG特征; OpenCV圖像處理; Adaboost算法; MFC

中圖分類號：TP391? ? ? ? ? 文獻標識碼：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

車標識別系統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警作用，幫助管理部門提前發現可疑車輛。此外，在日常的消遣娛樂中，車標識別技術同樣也能發揮極大作用。例如在遇到不認識的車標但又無法清楚描述車標樣式時，便可借助車標識別系統進行識別;或是在教學時利用此技術來增加車輛相關理論課程的教學趣味性;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、特點等問題。

現今對車標識別技術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合來確定車標的大致區域，再對區域進行邊緣檢測，確定車標的精確位置 [1-3]。另一方面，現有的識別方法中被廣泛應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]，尺度不變特征轉換（scale-invariant feature transform，SIFT）[7]等，大多是通過邊緣特征提取來實現車標的分類，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[8]提出的基于卷積神經網絡（CNN Convolutional Neural Network）模型的方法，雖解決了分辨率的難題，但又出現了訓練時間過長的問題。

本文在學習和借鑒了原有的車標識別算法后，從實際應用角度出發，進行了進一步優化。一方面，在訓練過程中，準備充足的正、負樣本，通過更改樣本比例等方式訓練不同的車標分類器進行測試，力求獲取最優的識別分類器。另一方面，在對圖像識別前，對傳入的靜態圖像進行多種預處理測試，獲取最佳的幾種預處理方案，以此盡可能地提高車標識別系統在面對不同情境下的識別準確率。

1 圖像預處理

本系統采用灰度化、歸一化、圖像濾波、scharr邊緣檢測的方式進行圖像預處理操作。圖像某類車標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分布的噪聲有較好的抑制效果，能夠更好地保留細節。本系統根據所訓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識別不全和識別不出情況的出現。如圖2（a）為未使用高斯濾波進行預處理時系統未能識別出車標區域的效果，圖2（b）為使用高斯濾波后成功識別出車標區域的效果，圖2（c）為圖像未使用此預處理時未能完整識別車標區域的效果，而圖2（d）為使用此預處理后完整識別出車標區域的效果。

1.2 Scharr邊緣檢測

在同樣3×3的內核情況下，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，本系統也分別采用Sobel、Scharr、Laplace、Canny邊緣檢測的方式，進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行車標識別，并有效提高了車標的檢測率。如圖3（a）為未采用邊緣檢測時的系統識別效果，可見，面對光線較暗、圖像梯度不明顯的情況，系統未能實現有效識別，圖3（c）為使用圖3（b）進行車標識別后成功識別到車標區域的效果。

2 車標樣本選擇及分類器訓練

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[9]不同的是，本文并非選用Haar特征，而是選用HOG特征進行訓練。HOG特征[10]是一種通過計算和統計圖像局部區域的梯度方向直方圖來對物體進行檢測的特征描述子，所以在面對圖像的幾何形變和光學形變時都擁有較好的魯棒性。

本文選用opencv自帶的opencv_traincascade程序實現對寶馬、奧迪、本田、豐田、現代、大眾六種常見車標品牌分類器的訓練。詳細的訓練樣本數和測試樣本數如表1所示。所有用于訓練和測試的樣本均來源于實景拍攝及網絡搜集，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、側面拍攝等極端情況下的車標樣本。如圖4為訓練時采用的部分正樣本車標。各類車標分類器的具體訓練流程如圖5所示。

3 系統設計及開發

3.1 系統實現

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

3.2 系統測試

選取六類車標各60張，及60張除此六類車標外的其他車標和無車標圖像組成測試集，對系統的識別準確率進行檢測。表2是由測試得出的各類車標分類器的識別率統計表。

可以發現，部分車標仍然無法被正確分類或識別。經過分析得出，多數識別失敗的測試樣本為側面拍攝圖像或光線較弱圖像，而多數分類錯誤的圖像也同樣是因為側面拍攝的緣故。經實驗，部分側面拍攝圖像雖車標區域識別成功，但在進行相似度匹配時卻因為側面拍攝緣故，導致相似度低于其他車標識別器所識別出的區域得到的相似度，也因此導致了誤識別。

3.3 系統交互設計

綜合上述車標識別流程，在Windows平臺上，選用MFC結合OpenCV的方式完成了車標識別系統的搭建，系統的具體實現效果如下：

點擊“上傳圖片”按鈕選取圖片后點擊“開始識別”，系統將提示用戶“正在識別中……”。識別完成后，若成功識別出車標，則系統會在原圖中標注出所識別出的車標區域，效果如圖7所示，若系統識別結果并非六種車標中的一種或是并不含車標，則提示用戶“對不起，未能識別出車標品牌”，效果如圖8所示。

從系統車標識別的結果來看，該方法的車標識別達到了預期的效果。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用價值的。

4 結束語

本文選取基于HOG特征的Adaboost算法進行車標級聯分類器的訓練，最終以一對多的方式實現了對寶馬、奧迪、本田、豐田、現代、大眾六種常見車標的識別。并設計了基于MFC的車標識別系統，實現圖片上傳系統后可以直接識別車標，顯示車標相關品牌信息。

實驗表明，系統依舊存在不足之處，如車標品牌的數目太少還需增加，對極端情況下進行車標識別的魯棒性還可以增強等。后期考慮結合使用SVM的方式來實現對所識別車標區域的分類，提高分類的準確度。

參考文獻（References）：

[1] 莊永，楊紅雨，游志勝等.一種快速車標定位方法[J]. 四川大學學報（自然科學版），2004.41（6）：1167-1171

[2] 劉直芳，王運瓊.一種簡單快速的車標定位方法[J].計算機應用，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定位方法[J].計算機工程與設計，2011.32（10）：3453-3456

[4] 魯豐，劉蕓，張仁輝.基于改進HOG特征值的車標檢測與識別方法[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聯合特征的車標識別方法[J].網絡新媒體技術，2016.5（6）：49-55

[6] 李哲，于夢茹.基于多種LBP特征集成學習的車標識別[J].計算機工程與應用，2019.55（20）：134-138

[7] 耿慶田，趙浩宇，王宇婷等.基于改進SIFT特征提取的車標識別[J].光學精密工程，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