车标识别概述
车标是车辆难以更改的一个重要标志，将车标识别与车牌号码识别结合起来,可以大大提高车辆识别的可靠性。
车标识别技术是指以数字图像或视频信号流为研究对象，通过图像处理与自动识别方法，获得机动车辆品牌信息的一种实用技术。
1车标识别技术研究现状
车标识别技术主要包括车标定位和车标识别两大部分, 准确定位出车标后,车标识别就转化为目标识别问题。
具体的来说,对一幅汽车的图像,首先要准确的定位出车标所在的区域,然后对车标区域进行识别,进而确定车辆的厂商信息。
1.1车标定位现状
车标定位是一种典型的目标检测和目标定位技术，车标定位的主要任务是要检测所拍摄的车辆图像中是否存在感兴趣的车标并确定其位置。
近年来的有关文献提出了若干车标定位的典型算法:1.利用车标和车牌安装的习惯性经验,先找出车标的大致候选区域,再根据边缘特征及形态算子对车标进行二次定位。
2.基于小波变换的车标定位,对所得的图像进行水平向,斜向,及竖直面方向的纹理测度,再进行运算操作,从而提取相应车标位置。
3.首先定位散热器区域并结合有关图像处理操作,显示出散热器的纹理特征,然后对图像作水平与垂直投影处理,并统计投影后所得到的有规律的黑色像素点分布情况,最后根据统计情况来判断散热器的类型并提取出汽车标志的位置。
4.中轴线定位。
利用车头区域的中轴线锁定车标候选位置,再采用自适
应形态学滤波得到新的图像后,用连通体检测和模板匹配方法进行精确定位。
5.首先采用车灯带模板滤波和垂直投影方法快速粗定位出车标区域,然后利用散热器条纹的方向性,去除散热器影响,精确定位车标。
1.2车标识别现状
准确定位出车标后,车标识别问题就转化为目标识别问题即2D 形状的识别问题。
目前主要有以下几种识别方法：
（1）基于模板匹配的车标识别方法
模板匹配法是一种统计模式识别的识别方法。
模板匹配通常分为基于欧几里德距离匹配方法和基于相关计算的匹配方法。
基于欧氏距离匹配是通过欧氏距离函数计算找到一个距离值,并且距离值反映了这两者之间的区别。
基于模板匹配的相关计算是在每个匹配原始图像根据模板和悬浮在匹配块图像的数据基础上,通过相关的函数计算找到其相关系数,相关系数在很大的程度上反映了两个之间的相似性。
由此得出的模板匹配的影响较大程度上取决于选择的模板和模板匹配中选择的匹配系数。
选取模板匹配系数的一种可行方法是用欧几里得距离差,求得其绝对值之和。
这是一种基于统计的方法,仅仅将对应点相互匹配。
基于相关计算的模板匹配方法的匹配程度一般用相关系数来衡量,其相关系数值介于0(完全不匹配)和1(完全匹配)之间。
以这种方式对模板进行匹配,需要在全图的范围内进行搜索计算,因此,计算量大、速度很慢。
（2）基于边缘直方图的车标识别方法
基于图像的边缘及形状特征的识别方法,它的优点是计算速度比较快,采用的边缘直方图能反映目标图像的形状和边缘特征,在很大程度上不但提高了各类别车标特征的分离性而且弥补了基于相关计算的模板匹配的不足的缺点。
但有些车标的边缘直方图的特征并不是十分明显,很容易与车体其他的部分相混淆,从而导致识别的误差。
边缘直方图特征基于图像边缘的统计特征,相对于模板匹配,能够较好地反映目标的形状和边缘信息,并且处理快捷。
遇到模板类型较少的情况,在提取特征时使用一般的直方图或不变矩方法进行模板匹配,从而得出来的识别结果也可以有较高的准确率。
但是当模板的类型增加以后,如果仍旧采用这两种方法识别,尤其是对于一些纹理特征复杂的车标(比如夏利,凯迪拉克等),识别的精度就会大幅度降低。
尽管也可以通过改进算法来提高识别的精度,但是相应增加的计算成本将会使得基于边缘直方图的方法不能满足实时性的要求了。
（3）基于不变距的车标识别方法
基于不变矩的车标识别方法原理:该方法是由Hu提出的,也称为Hu不变矩法,它是一种最基础的特征提取,由中心矩开始构造不变矩。
通过先测量已有图标库里所有图标的不变矩特征值作为对比依据,然后再测量待识别的图标的不变矩特征值,将此特征值与对比依据用欧基里得距离衡量相似值,小于阀值则匹配成功。
基于不变矩的车标识别过程是:首先对最初的目标图像和检测图
像进行二值化处理和一些预处理,将目标从背景中分割出来,以实现图像灰度校正、噪声清除、边缘锐化,经过处理后的图像,目标被突出,背景被弱化从而目标的辨识更容易;然后进行特征提取和模式识别,即基于不变矩进行特征提取和根据欧氏距离去判断两者的相似性。
尽管不变矩的方法对图像的平移、旋转、尺度变化都具有很好的适应性,但其计算量依然较大,且易受噪声的影响,因此不能保证在实际应用中获得较高的识别准确率。
（4）基于相位相关的车标识别
该算法首先将源图像转换为二值图像,然后对二值图像进行对数极坐标变换,转换为LP图像,再提取LP图的距离轴和角度轴投影统计量的特征,最后对提取的特征值进行相似性匹配。
傅里叶变换是相位相关的理论基础,它表明两个函数坐标上的平移在傅里叶域内变为线性相位的变换。
相位相关只利用相位信号,只强调轮廓和边缘信息,忽略低频分量,所以与图像的明暗和光的强弱变化无关,具有较好的抗噪性和准确性。
该算法的问题在于傅立叶变换对图像周期性要求比较高,并且很容易出现振玲现象等,这将使得其识别的稳定性得不到保证。
（5）基于像素的车标识别方法
这是一种依靠车标图像的像素分布特征的车标识别方法。
选取图像的像素特征作为该车标的特征,并选择最小欧氏距离分类器来进行车标识别。
此方法直观易理解,计算简单,但其方法进行图像预处理时会将车标图像二值化,这样忽略掉了图像的灰度信息,随后将车标用
线性模型表示。
需要注意的是,灰度信息可能是该车标图像的关键信息,同时线性模型的简单化注定了它无法完整的表示复杂车标的内在规律。
所以,此方法的识别效果并不理想。
（6）基于主成分分析和BP神经网络的车标识别
这种算法的核心是,将主成分分析(PCA,principle component analysis )技术和BP神经网络技术相结合,将利用主成分分析技术得到的训练样本特征图像降维,用以得到样本特征图像,再把待识别图标投影到样本特征图像形成的子空间里提取特征,最后用收敛最快的BP算法进行搜索从而得出匹配结果。
从算法原理可以得出,基于主成分分析和BP神经网络旳车标识别相结合的方法对于模糊车标图像的识别率较低。
2车标识别技术的难点以及有待解决的问题
（1）车标定位
车标的准确定位是正确识别的前提，也是车标识别系统有待解决的技术难点。
车标定位存在的关键性问题在于天气、拍摄等原因造成的图像模糊；车标位置的不确定，大多数车标在车辆的散热器网上，而少数车标在车辆的发动机盖上；多个车标在同一车辆中；同一种品牌汽车车标的尺寸存在差别。
（2）车标识别
如何提取出适合于车标识别的特征、选择何种分类方法对车标特征进行分类识别是车标识别方法的关键所在。
由于车标存在很多的特殊性，车标识别仍存在许多关键性问题：以目前世界车辆增长的速度，
以及各个厂家生产汽车存在的差异性，车标识别系统的模板库将无法统一，不能长期使用同一模板库；由于现今很多车标的设计差异越来越小，很多车标之间仅存在细小的差别，要将这些相似的车标识别出来是一个很难的课题。
3车别识别的应用
在实际生活中单靠车牌识别是不能完全准确确认车辆身份的，将车牌识别与车表示别一起运用可以更加准确的识别车辆，因此，车标识别系统具有广泛的应用范围，主要应用于：
（1）套牌车识别
目前随着私家车越来越多，很多城市的道路已经产生了严重的拥堵，导致交通违规行为也越来越多，目前政府已经安装了大量的摄像头来监控专拍违规车辆，这些手段虽然给了车主很大的威慑力，但在实际生活中有一些不法分子将报废的车辆上的车牌重新使用在别的车上，这样车辆即使违规，单靠车牌识别技术仍然无法找到车主，这种使用套牌车的现象对车辆管理有很大影响，但依靠人工去查处这些车辆非常麻烦，会消耗大量的人力，而且人工检测也会出现很多漏检，由于车牌替换比较容易，车标替换却复杂一些，所以很少有人会去替换车标，如果利用计算机系统对车牌和车标进行同时识别，由于在交通管理数据库中已经有车辆车牌和车标信息，将数据空中的信息和计算机识别出的结果进行比对，则可以快速确认车辆是否属于套牌车。
（2) 车辆布控查询
目前道路交通非常发达，每天都会有很多车从一个城市进入另一
个城市，而且目前跨城市作案的案件越来越多，如果把这些车辆动向监控起来将会对公安人员的办案产生深远的影响。
通过识别每辆车的车牌、车标等信息并记录在数据库系统中，当需要查询的时候进行检索，这样可以快速的追踪到要查询车辆的信息，而且可以根据这些车辆的信息挖掘出每辆车的轨迹，这对分析车主的行为非常有用，甚至可以预防犯罪的发生。
（3)公路收费系统
目前公路交通收费系统普遍使用的是自动收费系统，无需人工干预，现有的自动收费系统使用的技术都是基于车牌识别的，车牌识别技术有时也会判断错误，对于这些情况，如果能够加入车标识别，将车牌和车标信息一起绑定识别，则可以大大提高车辆信息识别的准确性，防止通行费的流失，使得公路交通收费系统更加稳定。
车标自动识别技术是车牌自动识别的重要组成部分,作为车牌识别的辅助,它通过获取车标信息判断车辆种类,从而提高车型识别的正确率和车辆识别的正确率。
车标是车辆类型的重要信息,是汽车品牌的标志,不易去除,难以伪装。
通过车标不仅可以获知车型信息,还可获知生产厂家等难以窜改的信息,这在汽车盗抢案件中利于警方快速破案。
因此，将车标识别与车牌识别、车型识别结合起来,能够极大提高辨识率。