增強(qiáng)邊緣梯度特征局部量化策略驅(qū)動(dòng)下的車標(biāo)識(shí)別

摘要：目的車標(biāo)是車輛的顯著性特征,通過車標(biāo)的分類與識(shí)別可以極大縮小車輛型號(hào)識(shí)別的范圍,是車輛品牌和型號(hào)識(shí)別中的重要環(huán)節(jié)。基于特征描述子的車標(biāo)識(shí)別算法存在如下缺點(diǎn):一方面,算法提取的特征數(shù)量有限,不能全面描述車標(biāo)的特征;另一方面,提取的特征過于冗雜,維度高,需要大量的計(jì)算時(shí)間。為了提取更加豐富的車標(biāo)特征,提高識(shí)別效率,提出一種增強(qiáng)邊緣梯度特征局部量化策略驅(qū)動(dòng)下的車標(biāo)識(shí)別方法。方法首先提取車標(biāo)圖像的增強(qiáng)邊緣特征,即根據(jù)不同的梯度方向提取梯度信息,生成梯度大小矩陣,并采用LTP(local ternary patterns)算子在梯度大小矩陣上進(jìn)一步進(jìn)行特征提取,然后采用特征碼本對(duì)提取的特征進(jìn)行量化操作,在確保車標(biāo)特征描述能力的同時(shí),精簡(jiǎn)了特征數(shù)目,縮短了局部向量的長(zhǎng)度,最后采用WPCA (whitened principal component analysis)進(jìn)行特征降維操作,并基于CRC (collaborative representation based classification)分類器進(jìn)行車標(biāo)的識(shí)別。結(jié)果基于本文算法提取的車標(biāo)特征向量,能夠很好地描述車標(biāo)圖像的特征,在HFUT-VL1車標(biāo)數(shù)據(jù)集上取得了97. 85%的識(shí)別率(平均每類訓(xùn)練樣本為10張),且在識(shí)別難度較大的XMU車標(biāo)數(shù)據(jù)集上也能取得90%以上的識(shí)別率(平均每類訓(xùn)練樣本為100張),與其他識(shí)別算法相比,識(shí)別率有明顯提高,且具有更強(qiáng)的魯棒性。結(jié)論增強(qiáng)邊緣梯度特征局部量化策略驅(qū)動(dòng)下的車標(biāo)識(shí)別算法提取的特征信息能夠有效地描述車標(biāo),具有很高的識(shí)別率和很強(qiáng)的魯棒性,大大降低了特征向量的維度,提高了識(shí)別效率。