基于Edge Boxes的大型車輛車標檢測與識別

李熙瑩 ，呂 碩 ，江倩殷 ，袁敏賢 ，余 志

1.中山大學 工學院 智能交通研究中心，廣州 510006

2.廣東省智能交通系統重點實驗室，廣州 510006

3.視頻圖像智能分析與應用技術公安部重點實驗室，廣州 510006

1 概述

大型車輛車標檢測與識別是基于計算機視覺與車輛先驗知識，準確且有效地獲取車標對象及其精細類別。大型車輛車身長、慣性大、駕駛困難，更容易出現違法、違規行為，因此需要準確且有效地監督車輛行為、獲取車輛信息。現今車輛類型識別系統可以有效地區分部分相似性較小的車輛款式，但仍難以區分大型車輛，主要難點在于不同大型車輛廠家的車輛款式相似性較大，但同一廠家的不同車型相似性較小，因此正確地檢測及識別大型車輛車標將有利于車輛身份的確定。傳統的大型車輛車標信息是通過車牌信息與遠端數據庫交互進而獲取得到，但在面對假套牌或遮擋號牌等情況時，該方式難以獲取車輛的車牌、車標及其他車輛信息，從而無法針對違規違法車輛進行執法管理。為了解決這一問題，基于計算機視覺和車輛圖像理解的車標檢測與識別受到了廣泛地重視[1-2]。

傳統的車輛車標檢測與識別算法大多針對小型車輛車標進行檢測，大型車輛車標檢測算法研究相對較少。小型車輛車標多為符號型車標，空間位置臨近車輛散熱器柵格，而大型車輛車標可分為三類：符號型車標、字符型車標以及混合型車標，如圖1所示，同時大型車輛車標的空間位置不定，僅能粗略定位于車窗與車牌之間的區域，此外字符型車標各個字符位置相對較為離散，混合型車標兩種車標的取舍、車標背景的復雜性等都導致了大型車輛車標難以得到準確地檢測。此外現實環境如陰影、遮擋、攝像頭位置等條件的影響，很容易干擾大型車輛車標檢測的準確性。同時，大型車輛車標檢測與識別系統對算法實時性也有著較高的要求，因此如何在提升檢測與識別準確率的前提下保證實時性也是本研究的重點[3]。

圖1 大型車輛車標類型

大型車輛車標檢測與識別問題可以大致分為大型車輛車標檢測與大型車輛車標識別。大型車輛車標識別與小型車輛車標識別已得到廣泛的研究，并形成了相對成熟的解決方法[4-5]。Psyllos[6]利用多視角SIFT，Huang[7]和Zhang[8]利用深度學習，余燁[5]利用隨機混合局部特征等針對百余類車標都取得了較為準確的識別效果。這些方法通常采用人工定位的車標進行識別算法的研究，因此準確且快速地檢測車標成為車標檢測與識別問題的難點。

現今的大型車輛車標檢測根據其原理通常可以分為背景消除法和目標匹配法。背景消除法利用車輛的先驗知識，根據車標的顏色、紋理等特征，消除車標背景，從而檢測車標。杜小毅[9]等結合SURF、SIFT（Scale-Invariant Feature Transform）和車標邊緣特征進行車標背景消除進而進行車標快速檢測；Mao[10]利用車標背景柵格的紋理特征進行車標背景消除，從而定位得到車標。Wang[11]提取車標紋理特征，利用滑動窗口直接進行檢測；李玲[12]和楊文文[13]分別通過Sobel算子和Laws算子對背景進行消除，進而準確檢測車標；劉玉松[14]利用車標的邊緣投影特征，消除車標背景，進而檢測車標；這種方法結合了車輛的先驗知識，能夠快速地檢測車標，但無法準確區分大型車輛車標類型，因此當車標空間位置不定或背景較為復雜或受光照等條件影響時，算法的魯棒性會受到極大的影響。目標匹配法首先構建合適的目標模型，利用滑窗等方法，多尺度地檢測車標。Psyllos[15]等利用滑窗，通過提取窗口圖像多個視角的SIFT特征，然后和數據庫中已有的模板圖像進行匹配，根據相似度檢測車標；Wang[16]等利用模板匹配結合車標先驗知識對滑動窗口圖像進行檢測，根據匹配度檢測車標；Gu[17]等利用滑窗，通過多尺度的稠密SIFT特征檢測車標；可以通過多尺度調整滑動窗口大小和步長，精確地檢測并識別車標，但該法計算復雜度高，耗時大，難以滿足實時需求。

針對以上問題，本文提出了一種基于Edge Boxes的大型車輛車標檢測與識別方法。為了保證車標檢測與識別的實時性和復雜場景下的有效性，本文利用Edge Boxes算法在車標候選區內約束地提取目標區域，由于目標區域類別未知，因此將目標區域送入利用線性約束編碼[18]（Spatial Pyramid Matching based on Sparse Coding，ScSPM）構建的車標檢測模型和車標識別模型進行訓練與識別，進而檢測車標區域并識別車標種類，整體算法框架如圖2所示。實驗結果表明，本文算法在大型車輛車標檢測與識別問題上是準確、快速且有效的。

圖2 大型車輛車標檢測與識別算法流程圖

2 算法流程

2.1 基于空間結構關系的大型車輛車標候選區

大型車輛的車標與車牌、車窗的空間位置結構關系：一是車標位于車牌上方與車窗下方所包含的范圍內[19]；二是車標位置通常基于車牌中軸線對稱。根據特性1，即可利用車牌和車窗位置得到車標粗定位圖像。本文利用車輛邊緣圖像的邊緣特征密集程度進行車標粗定位車窗定位，如圖3所示。

圖3 車標粗定位

檢測區域的大小直接影響整體算法的時間消耗，為同時保證算法檢測準確率及實時性，在獲得車標粗定位圖像后，利用特性2，根據車輛中軸線得到車標候選區圖像，如圖4所示。

圖4 車標候選區

利用車輛中軸線，首先定位車標候選區1，進行車標檢測與識別。當識別為單個字符時，以字符高度的1.5倍作為車標候選區3的高，定位車標候選區3，繼續進行車標檢測與識別；當所獲車標區域皆為單個字符，根據字符的空間位置進行組合，形成字符串車標，再次進行車標識別；當識別為具體的字符串車標或符號型車標類別時，算法結束；當未檢測到任何目標時，擴增候選區，定位車標候選區2，繼續進行車標檢測，若仍未檢測到任何目標，舍棄車標候選區1，繼續向外擴增車標候選區進行車標檢測。這種算法將大幅度消減大型車輛車標檢測與識別算法的時間消耗。

2.2 車標精細定位

2.2.1 基于Edge Boxes算法的目標區域確定

Edge Boxes算法是一種經典、快速的圖像分割算法，通過對邊緣圖像內具有大小、方向等特性相似的邊緣進行組合，從而獲得若干個目標區域[20]。本文Edge Boxes算法應用步驟如下：

步驟1對車標候選區圖像，利用基于結構森林的邊緣圖像檢測算法獲取車標候選區邊緣圖像。

步驟2計算每個邊緣點的大小和方向，并利用非極大值抑制算法獲取相對稀疏的車標候選區邊緣圖像。

步驟3計算稀疏車標候選區邊緣圖像中兩兩相鄰邊緣點間的方向差，將近乎一條直線的邊緣點合并為一條邊緣si，并計算兩兩邊緣間的相似度a(si,sj)，重復該步驟，獲取邊緣集合S和相似度集合a（si,sj為區域i,j）。

步驟4利用窮舉搜索算法獲取若干個候選目標區域，計算候選目標區域b內各邊緣的權值wb(si)，并根據邊緣的權值計算該候選目標區域的得分hb。

步驟5將得分高于某一閾值H的候選目標區域添加至目標區域集合R中。

步驟6對該部分目標區域重復步驟4、步驟5，獲取完整的目標區域集合。

本文利用基于結構森林的邊緣圖像檢測算法[21]獲取初始邊緣圖像，該算法以結構化的像素標簽為基礎，利用隨機決策森林學習訓練圖像并獲取結構邊緣模型，通過該模型獲取圖像的邊緣。該算法可獲取具有高準確率的圖像邊緣，因此本文利用圖像邊緣間的大小、方向等相似特性獲取目標區域。

非極大值抑制：初始邊緣圖像過于緊密，需要通過非極大值抑制對其進行稀疏處理。獲取初始邊緣圖像每個邊緣點 p的大小mp和方向θp，將圖像分割成若干個r×r大小的區域，對每個區域利用非極大值抑制進行稀疏處理，邊緣點 p的值 pnms計算公式如下：

邊緣集合：通過尋找邊緣點的8連通區域，將兩兩邊緣點間的方向角度差的和大于90°的邊緣點組合為邊緣si，根據兩兩邊緣的方向特性獲取邊緣間的相似度a(si,sj)，邊緣間相似度越大越可能屬于同一物體。

其中，θi,θj表示邊緣 si,sj的角度，θij表示兩邊緣間的夾角，γ是常量，表示敏感程度。

邊緣權值：候選目標區域內屬于同一物體的邊緣具有更高的相似度，因此應保證該部分邊緣具有更高的權值。

其中，T表示從候選目標區域邊框開始到達si的邊緣序列集合。

邊緣序列集合為邊緣集合提供了行/列的位置信息，這大大減少了邊緣權值的計算復雜度。

候選區域得分：當候選目標區域含有更完整、更純粹的目標邊緣集合時，應保證該候選區域獲得更高的得分hb。

其中bw，bh表示候選目標區域的寬、高，mi=∑mp，表示邊緣si內邊緣點大小mp的和，κ為常量，表示敏感程度。

理想的目標區域應僅包含所需要的目標，因此目標的外部邊緣對目標區域的影響程度更大。本文定義hinb減少目標內部邊緣對目標區域得分的影響。

其中b'w，b'h表示內部區域的寬、高，本文設置其為bw/2,bh/2。

2.2.2 車標檢測

Edge Boxes算法將圖像根據邊緣相似度分割成若干個具有相似特性的區域，但無法確定車標區域，本文利用線性約束編碼構建車標檢測分類器確定車標位置。

線性約束編碼算法是一種應用廣泛的分類器算法。該算法首先提取目標圖像的局部區域特征，然后利用預先訓練生成的詞典和線性編碼構建的語義表達模型對目標圖像特征進行編碼映射，得到含有語義信息的圖像表達向量，接著利用空間金字塔匹配算法為圖像表達向量加入空間位置信息，得到最終表達向量，最后把每幅圖像的最終表達向量放入線性支持向量機進行訓練和識別。

圖像的最終表達向量是圖像局部區域特征經由稀疏編碼及空間金字塔映射得到的稀疏非線性特征。相較于傳統的局部區域特征，該特征對圖像信息的表達能力更強且更魯棒，同時線性約束編碼算法輸出的最終表達向量屬于稀疏的非線性特征，因此利用線性SVM作為分類器即可對特征進行有效地區分，并且線性SVM的使用避免了核化SVM的高時間消耗。車標定位模型訓練過程如圖5所示。

車標定位模型選取人工標注得到的小型車輛車標、大型車輛車標以及字符型車標常見的單個字符作為正樣本，選取大小隨機且與車標重合度小于20%的樣本作為負樣本，正負樣本數量比為1∶3，利用線性約束編碼算法進行訓練和測試。本文采用迭代訓練的方式，在迭代訓練過程中，將錯分為車標的負樣本加入訓練集中，再次進行訓練，直至收斂。最后得到車標定位分類器。

利用車標定位模型區分出車標區域，定位車標位置。當同一車輛檢測到多個車標時，利用車標定位分類器對車標區域打分獲取車標定位結果。

2.3 車標識別

本文利用線性約束編碼訓練多分類的車標識別分類器對車標定位結果進行識別。車標識別分類器訓練過程如圖6所示。

車標識別分類器選取人工標注及Edge Boxes定位得到的車輛車標及部分字符型車標常見的單個字符作為每類車標的樣本，利用線性約束編碼算法進行訓練和測試，采用迭代訓練的方式，訓練得到車標識別分類器。

如圖6所示，由于大型車輛部分字符型車標，字符間間隙較大，Edge Boxes算法無法完整定位車標區域，僅能定位字符串中的單個字符，因此車標識別分類器難以準確識別車標種類。針對這一問題，本文的車標識別模型將單個字符作為一類車標進行學習：當車標識別為單個字符時，根據該字符的空間位置重新定位車標候選區，進一步進行車標的定位；當車標識別結果為某類車標時（非單個字符），即可確定該車的車標類型（當同一車輛識別兩種車標時，以模型打分為準）。該方法能夠兼顧字符型車標、符號型車標以及混合型車標，能夠保證在未知車標類型的前提下，進行準確的車標定位。

2.4 整體算法時間復雜度

本文整體算法的時間復雜度與各主要構成算法密切相關，通過分析各主要構成算法的時間復雜度以確定本文整體算法的時間復雜度。

算法 基于Edge Boxes的大型車輛車標檢測與識別

輸入：卡口車輛圖像I

輸出：車標識別結果logor

根據車牌與車窗位置獲取車標粗定位圖像Ic

初始化識別結果：logor=?

whilelogor=='單個字符'

圖5 車標檢測分類器訓練過程

圖6 車標識別分類器訓練過程

獲取車標候選區：logoc=candidate(Ic)

//時間復雜度為O(1)

獲取目標區域：logot=EdgeBoxes(logoc)

//時間復雜度為O(n2)，目標區域數量為X

獲取車標區域：logol=VLC(logot)

//時間復雜度為O(Xn)，車標區域數量為D

獲取車標結果：logor=VRC(logol)

//時間復雜度為O(Dn)獲取車標識別結果：logor

以上可知，車標候選區算法時間復雜度為O(1)，Edge Boxes算法的時間復雜度為O(n2)，車標定位與車標識別的時間復雜度為O(Dn)，因此全文算法的時間復雜度為O(n2)，時間復雜度低，計算速度較快，傳統的車標檢測與識別算法[14-15]，利用滑動窗口獲取目標區域，目標區域數量為Y(X<

3 實驗結果

為了驗證車標檢測與識別算法的有效性，本文選擇通過對實際卡口采集到的車輛數據集進行測試。

3.1 實驗設置

實驗數據集包含實際應用中常見的車輛品牌、型號，整個實驗數據集共有4 480張圖像（訓練圖像為1 800張，測試圖像為2 680張），其中包含有10類車輛品牌13類車輛品牌，50類車型，每類車型圖片40～100張，其中符號型車標共計1 173張，混合型車標共計1 147張，字符型車標共計2 068張。數據集信息見表1。

本文實驗數據集圖像是在日夜兩個時間段定比例、隨機地從實際卡口車輛圖像中采集得到，通過人工去除車標遮擋、缺失的車輛圖像。由于數據集的圖像都是處于不同光照和天氣條件下的，因此本文數據集可以一定程度地代表實際卡口情況。數據集中所有車輛圖像的車牌位置、車標位置均有手工標定作為算法檢測依據。部分數據集如圖7所示。

表1 大型車輛車標數據集信息

圖7 數據集各車輛車型圖像示例

在實際的測試過程中，實驗將會使用基于圖表示的圖像分割算法生成初始分割區域，設置其允許最小區間大小的初始值Min=10，最大寬高比為10，接著采用LibSVM[22]工具包進行車標定位分類器和車標識別分類器的訓練與測試，其中松弛變量初始設置為10。實驗平臺為8 GB內存，3.30 GHz的CPU的PC機，開發環境為MATLAB R2012a+VS2012。

實驗過程中，車標檢測的判斷基準為車標定位準確率，如式（6）所示：

其中Overlap(gj,Ij)為車標定位準確率，gj為本文算法得到的車標區域 j，Ij為人工定位的車標區域 j。

車標識別的判斷基準為車標識別準確度，如式（7）所示：

其中Accuracy為車標識別準確度，right為正確識別的數量，wrong為錯誤識別的數量。線性約束編碼算法是一種強制識別算法，因此本文不考慮車標未識別的情況。

3.2 實驗結果及分析

本文算法是對現有車標檢測與識別算法的進一步改進，通過對車標候選區的定位、Edge Boxes算法以及車標定位和車標識別分類器進行分析，并與現今主流的車標檢測與識別算法進行車標識別準確率和整體算法計算速度的對比。

線性SVM相對于核化SVM的時間復雜度低，因此利用線性SVM能夠極大地減少算法的時間消耗。

由圖8可知，利用線性約束編碼所獲取的最終表達向量是一種稀疏的非線性特征，因此利用線性分類器即可對該特征進行有效的區分。

圖8 不同核函數下車標識別率

SVM中的松弛變量影響車標識別準確率及時間消耗，因此本文綜合考慮車標識別準確率與時間消耗以確定松弛變量的大小。

由圖9可知，當懲罰因子為10時，車標識別準確率較高，因此本文選擇懲罰因子為10。

圖9 不同懲罰因子下車標識別率

區域的精確分割是影響車標檢測準確率的重要因素，本文區域分割是依據Edge Boxes算法定義的邊緣相似度進行判斷。在不同的最小允許得分下，相似邊緣組合將會對車標檢測準確率產生極大的影響。本文固定Min值和最大寬高比，以車標定位重合度最優為目標選取最小允許得分。

由圖10可知，最小允許得分值越小，車標定位準確率越高，這是因為隨著最小允許得分的減小，低得分的目標區域增多，這樣Edge Boxes算法能夠在光照、陰影等條件的影響下更有效地獲取目標區域。當最小允許得分減小至0.03時，車標定位重合度不再上升且趨于平緩，原因是在車標檢測這一問題上，車標區域的得分不會過低，影響車標檢測準確率。因此，本文選取最小允許得分為0.03。

圖10 不同最小允許得分下車標定位重合度對比圖

Edge Boxes算法通過對相似邊緣的組合形成分割區域。如果分割區域過小，使得小區域的得分過高，從而導致車標檢測準確率的下降，同時算法計算量的增大使得耗時過長；如果分割區域過大，受車標背景及車標大小的影響，車標區域定位準確率降低，影響車標檢測與識別。因此本文設計一個實驗確定合適的最小區間大小Min值以保證車標檢測準確率及算法實時性。

如圖11可知，最小區間大小Min值越小，車標定位準確率越高。這是因為隨著Min值的減小，車標的區域特性增強，算法能夠有效地區分車標及其背景區域。當Min值減小至30時，車標定位準確率開始略微下降，原因是當Min值繼續減小，車標區域進一步細分，噪聲區域得分增大，使得同一物體區域分割為不同區域，影響車標檢測準確率。因此，根據實驗結果，本文初始分割區域Min值為30。

圖11 不同Min值下車標定位重合度對比圖

車標大小不一、形狀不定，但車標本身的寬高比具有一定共性，因此本文根據目標最大允許寬高比對整體車輛車標定位準確率的影響進行最大寬高比的選取。

如圖12所示，最大允許寬高比越大，車標定位重合度越高。這是因為車標本身擁有固定的寬高比，隨著寬高比的增大，車標區域檢測準確率越大。當寬高比增大至4時，車標定位重合度不再上升且趨于平緩。這是因為不同類型車輛車標大小、車標形狀皆有不同，但具有固定的寬高比，因此當寬高比達到某一上限時，車標定位重合度趨于平緩，本文選擇最大允許寬高比為4。

圖12 不同最大允許寬高比下車標定位重合度對比圖

確定好算法的參數后，本文算法將與四種車標檢測與識別算法進行車標定位重合度及車標識別準確率的比較：車標定位重合度/車標識別準確率對比結果如表2所示。

由表2可知，文獻[10]利用紋理特征區分車標與車標背景，對于字符型車標，由于其車標背景簡單，因此車標檢測率較高，但是混合型車標和符號型車標的車標背景較為復雜，導致車標定位重合度的下降以及車標識別準確率的降低;文獻[11，15-16]利用不同的學習算法學習得到的車標模型，利用滑窗，通過多尺度的檢測，從而檢測車標，這種方法對三種大型車輛車標的檢測準確率較高且較為一致，但由于車標大小不一，形狀不定，影響定位的有效性，導致車標定位重合度和車標識別準確率較低；本文算法通過Edge boxes算法檢測大型車標，并通過線性約束編碼檢測與識別車標，這種方法能夠有效地檢測三種大型車輛車標，從實驗結果來看，在車標定位重合度和識別準確率方面，本文算法優于以上四種算法。

實時性是衡量車標檢測與識別算法有效性的另一指標，準確且快速的車標檢測與識別系統更符合實際需求，如表3為五種車標檢測與識別算法與本文算法的計算速度對比。

表3 車標與識別時間消耗對比 ms

文獻[10]利用車標與車標背景間的紋理差異，能夠快速檢測車標，耗時較短；文獻[11]提取車標紋理特征，通過滑動窗口對車標進行檢測，因此速度較慢；文獻[15]利用多視角SIFT提取滑窗特征，通過關鍵點匹配進行車標定位與識別，計算復雜度最大；文獻[16]利用大型車標進行模板匹配，計算復雜度高，因此時間消耗最大；本文提出的車標檢測與識別算法通過車標候選區與Edge Boxes算法進行車標檢測，同時由于線性約束編碼采用線性分類器，所以計算速度明顯優于窮舉搜索法等傳統車標檢測與識別算法。

本文算法綜合考慮車標檢測與識別準確率和計算速度，在車標檢測與識別實時性的基礎上，保證了車標檢測與識別的準確率。通過與其他車標檢測與識別算法的對比，本文算法在車標檢測與識別準確率和運算速度都取得了優秀的成績。

本文算法未考慮卡口車輛車標存在遮擋、缺失的情況。根據本文算法原理，車標遮擋、缺失會造成算法運算速度的指數型增長，這也是下一步工作亟待解決的問題。

4 結束語

大型車輛車體寬、車身長、難駕駛、易出事故，準確且有效地識別大型車輛身份亟待解決。針對現今大型車輛相似性高的特點，利用車標信息輔助車輛識別是一種有效獲取車輛身份的方法。本文提出一種基于Edge Boxes算法的大型車輛車標檢測與識別算法。針對現今大型車輛車標檢測與識別算法三大難點：大型車輛車標空間位置不定、車標難以定位和車標難以定位完整，本文充分利用車標與其他車輛部件空間位置關系，提出車標候選區這一概念，以此保證了空間位置不定的大型車輛車標檢測的準確性；本文同時利用Edge Boxes算法，在精確檢測字符型、符號性和混合型車標位置的基礎上保證了算法的實時性；本文構建的串聯線性約束編碼分類器——車標定位分類器和車標識別分類器，定位結果與識別結果相互反饋，同時保證了車標檢測與識別的準確性，并且有效地解決了車標難以檢測完整的難題。實驗結果表明，本文算法在大型車輛車標檢測與識別這一問題上是準確且有效的。

在實際應用中，針對無車標或車標遮擋現象的處理是下一步工作急需解決的難題。

[1]Xia Y，Feng J，Zhang B.Vehicle logo recognition and attributes prediction by multi-task learning with CNN[C]//InternationalConferenceon NaturalComputation &Fuzzy Systems&Knowledge Discovery，2016.

[2]Tafazzoli F，Frigui H.Vehicle make and model recognition using local features and logo detection[C]//8th International Symposium on Signal，Image，Video and Communications，At Tunis，Tunisia，2016.

[3]Xiang Z，Zou Y，Zhou X，et al.Robust vehicle logo recognition based on locally collaborative representation with principalcomponents[C]//Sixth InternationalConference on Information Science&Technology，2016.

[4]尹瑞雪.基于數字圖像的車輛信息識別的研究與應用[D].北京：北京交通大學，2016.

[5]余燁，聶振興，金強，等.前背景骨架區域隨機點對策略驅動下的車標識別方法[J].中國圖象圖形學報，2016，21（10）：1348-1356.

[6]Psyllos A，Anagnostopoulos C N，Kayafas E.Vehicle model recognition from frontal view image measurements[J].Computer Standards&Interfaces，2011，33（2）：142-151.

[7]Huang Y，Wu R，Sun Y，et al.Vehicle logo recognition system based on convolutional neural networks with a pretraining strategy[J].IEEE Transactions on Intelligent Transportation Systems，2015，16（4）：1-10.

[8]Zhang Li，Zhang Dongming，Zheng Hong.Vehicle logo recognition using convolutional neural network combined with multiple layer feature[J].Journal of Computer Applications，2016，36（2）：444-448.

[9]杜小毅，于濂.基于聯合特征的車標自動識別方法[J].智能交通技術，2012（1）：89-92．

[10]Mao Songan，Ye Mao，Li Xue，et al.Rapid vehicle logo region detection based on information theory[J].Computers&Electrical Engineering，2013，39（3）：863-872.

[11]Wang Shengke，Liu Lili，Xu Xiaowei.Vehicle logo recognition based on local feature descriptor[J].Applied Mechanics&Materials，2012（263/266）：2418-2421.

[12]李玲，李文舉.基于車徽背景紋理識別的車徽定位新方法[J].遼寧師范大學學報：自然科版，2009，32（2）：171-173.

[13]楊文文，楊國為，張魯波，等.基于Laws模板濾波的車標定位算法[J].青島大學學報：工程技術版，2012，27（3）：45-50.

[14]劉玉松，陳剛.基于邊緣投影的快速車標定位方法[J].信息技術，2015（11）：102-104.

[15]Psyllos A P，Anagnostopoulos C N，Kayafas E.Vehicle logo recognition using a SIFT-based enhanced matching scheme[J].IEEE Transactions on Intelligent Transportation Systems，2010，11（2）：322-328.

[16]Wang Y Q，Liu Z F，Xiao F.A fast coarse-to-fine vehicle logo detection and recognition method[C]//Proceedings of the 2007 IEEE International Conference on Robotics and Biomimetics，Sanya，China，December 15-18，2007：691-696.

[17]Gu Q，Yang J，Cui G，et al.Multi-scale vehicle logo recognition by directional dense SIFT flow parsing[C]//IEEE International Conference on Image Processing，2016.

[18]Yang Jianchao，Yu Kai，Gong Yihong，et al.Linear spatial pyramid matching using sparse coding for image classification[C]//Proceeding of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2009：1794-1801.

[19]王建.基于圖像的智能交通系統中車標識別技術研究[D].南京：南京理工大學，2014.

[20]Zitnick C L，Dollár P.Edge boxes：Locating object proposals from edges[C]//European Conference on Computer Version，2014：391-405.

[21]Dollár P，Zitnick C L.Structured forests for fast edge detection[C]//2013 IEEE International Conference on Computer Vision，Sydney，Australia，Dec 3-5，2013：1841-1848.

[22]Chang C C，Lin C J.LIBSVM：A library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology，2011，27（2）：1-27.