本發明涉及一種基于稀疏取樣灰度分布和梯度分布特征的車標識別方法，屬于圖像處理技術領域。

背景技術：

智能交通系統(intelligenttransportsystem簡稱its)，又叫做車輛道路系統，是一種廣泛的、多功能的、及時的、高效率和精確的綜合運輸和治理的系統。車標作為車輛的品牌標志，人們對它的關注不亞于甚至超過車牌。現階段車輛標志識別系統其過程主要分為定位和識別兩個主要階段，研究方法包括：定位部分，李俠等提出基于模板匹配和邊緣檢測的車標定位方法，劉玉松等提出基于梯度值投影的車標定位，鄭德鍵等提出基于中軸線和先驗知識的車標定位。識別部分，劉玉松等提出基于模板匹配的車標識別方法，鄭德鍵等提出基于修正不變矩的車標識別方法，朱資淘提出基于sift算子的車標識別方法，陳舜杰、王建均提出基于特征值提取和支持向量機的車標識別。但是現在研究方法都是基于樣本圖像分辨率高、圖像質量較好進行的，如果因為客觀原因導致圖像質量不理想，分辨率不高，就很難取得理想狀態下的識別效果。事實也如此，交通攝像頭在陰雨大霧等天氣里，所形成的圖像質量不高。因此，研究低分辨率低質量的車輛圖像具有重要的現實意義。

技術實現要素：

發明目的：針對現有技術中存在的問題，本發明目的在于提出一種基于稀疏采樣的灰度分布和梯度分布特征的車標識別方法，針對成像效果不理想的圖像進行定位識別，提高識別率。

技術方案：為實現上述發明目的，本發明提供一種基于稀疏取樣灰度分布和梯度分布特征的車標識別方法，包括如下步驟：

在車牌上方選取一個區域，作為車標識別的感興趣區域；

采用隨機均勻稀疏采樣方法對樣本圖像進行采樣，并將所有的采樣點隨機配對，劃分成鄰近點對集和非鄰近點對集，對兩類不同的點對集采用不同的方法進行特征提取，建立特征庫，其中對于鄰近點對集中的每個采樣點提取八個角度范圍的梯度幅值作為梯度分布特征，對于非鄰近點對集中的每個采樣點對計算其明暗關系及明暗關系的信任度作為灰度分布特征；

在確定感興趣區域并準備好樣本特征庫后，設定一可縮放的窗口，在待測的感興趣區域內進行掃描，對當前窗口位置上，窗口大小的圖像進行特征提取，并與準備好的特征庫進行對比，最終確定車標類型。

作為優選，所述車標識別的感興趣區域的位置為：

xl＝xpl

xr＝xpr

yb＝ypt

yt＝ypt+a*height

其中，xl,xr,yb,yt分別表示車標的左邊界、右邊界、下邊界和上邊界；

xpl,xpr,ypt,height分別表示車牌的左邊界、右邊界、上邊界以及車牌的高度；a為設定的車牌高度倍數。

作為優選，對于采樣點集中的隨機配對的兩個點p1點與p2點，分類方法為：對于隨機選擇的第一個點p1：若選擇的第二個點p2滿足：

則p1點與p2點配成的點對分類到非鄰近點對集，否則分類到鄰近點對集；其中，p(p1)、p(p2)分別表示選擇p1點和p2點的概率，(x1，y1)為第一個點p1的坐標，(x2，y2)為第二個點p2的坐標，n0表示采樣點總數目，np為已配對采樣點數，p(x,y)為已配對的采樣點，σ為尺度參數。

作為優選，所述對于鄰近點對集中的每個采樣點提取八個角度范圍的梯度幅值中，八個角度范圍為0°～45°、45°～90°、90°～135°、135°～180°、180°～225°、225°～270°、270°～315°、315°～360°八個角度范圍；將一個樣本圖像上鄰近點對集中的每個采樣點的梯度幅值按照對應角度范圍區間累加到一起，得到一個梯度幅值總和的集合作為該樣本圖像的隨機梯度分布特征。

作為優選，所述非鄰近點對集中的采樣點對的明暗關系表示為：

其中，ip1和ip2是采樣點p1和p2鄰域內的灰度均值,t1是灰度均值臨界值。

作為優選，所述非鄰近點對集中的采樣點對的明暗關系的信任度表示為

其中，relc,i表示第c類車標的第i個采樣點對的明暗關系信任度，s為第c類車標的樣本總數，rc,s,i表示第c類車標的第i個采樣點對在第s個樣本中的明暗關系。

作為優選，從非鄰近點對集中篩選出信任度大于設定閾值的點對集作為新的信任點對集。

作為優選，從所述新的信任點對集中篩選出與其他車標類別明暗關系相關度最小的若干采樣點對作為最小相關點對集，所述最小相關點對集作為區分與其他類別車標的特征點對集。

作為優選，根據如下公式計算待測圖像的特征與特征庫的相似度，并選擇最大相似度值對應的車標類別作為識別結果：

其中，mt,w,c表示在縮放尺度為t，第w步的窗口位置的圖像與第c類車標的相似度值，s為第c類車標的樣本總數，rt,w,i表示在縮放尺度為t，第w步的窗口位置的圖像的第i個點對的明暗對比關系，n4表示篩選后非鄰近點對集中的點對數，relc,s,i表示第c類車標的第i個采樣點對的明暗關系信任度，rc,s,i表示第c類車標中第s張樣本的第i個點對的明暗對比關系；gt,w,j表示在縮放尺度為t，第w步的窗口位置的圖像在第j個角度范圍的梯度幅值總和，gc,s,j表示第c類車標第s張樣本中第j個角度范圍的梯度幅值總和。

有益效果：本發明提出的一種基于稀疏采樣的灰度分布和梯度分布特征的車標識別方法，對比傳統的識別方法，主要針對那些成像效果不理想的圖像進行定位識別，將采樣點分為鄰近采樣點集和非鄰近采樣點集，對兩種不同的點對提取不一樣的特征，并采用多尺度檢測方式在在目標圖像中提取特征進而識別和定位車標，將定位和識別有機的結合在一起，降低了中間過程的誤差，提高了識別率，對于噪聲大，質量差，像素低的圖片也有較高的識別率。

附圖說明

圖1為本發明實施例的方法流程圖。

圖2為本發明實施例中的構建特征集的流程圖。

圖3為本發明實施例中的標準車標樣本示例圖。

圖4為本發明實施例中的現實車標樣本示例圖。

圖5為本發明實施例中的采樣點梯度方向角度分布示意圖。

圖6為本發明實施例中的大眾樣本點對示意圖。

圖7為本發明實施例中的多尺度檢測示例圖。

圖8為本發明實施例中的測試結果示例圖，其中(a)-(f)分別為不同類別車標的測試結果圖。

具體實施方式

下面結合具體實施例，進一步闡明本發明，應理解這些實施例僅用于說明本發明而不用于限制本發明的范圍，在閱讀了本發明之后，本領域技術人員對本發明的各種等價形式的修改均落于本申請所附權利要求所限定的范圍。

如圖1所示，本發明實施例公開的一種基于稀疏采樣的灰度分布和梯度分布特征的車標識別方法，首先是車標區域粗定位，在車牌上方選取一個區域，作為車標識別的感興趣區域；然后采用隨機均勻稀疏采樣方法對樣本圖像進行采樣，并將所有的采樣點隨機配對，劃分成鄰近點對集和非鄰近點對集，對兩類不同的點對集采用不同的方法進行特征提取，建立特征庫，其中對于鄰近點對集中的每個采樣點提取八個角度范圍的梯度幅值作為梯度分布特征，對于非鄰近點對集中的每個采樣點對計算其明暗關系及明暗關系的信任度作為灰度分布特征；最后設定一可縮放的窗口，在待測的感興趣區域內進行掃描，對當前窗口位置上，窗口大小的圖像進行特征提取，并與準備好的特征庫進行對比，最終確定車標類型。具體實施步驟如下：

(1)基于先驗知識的感興趣車標區域粗定位

一幅包含車標的圖像中，必定包含車輛整體以及一些不必要的干擾背景，所以需要對圖片中車標感興趣區域進行粗定位，也就是說在目標圖像中截取車標的大致區域，為后續的多尺度掃描減少了掃描區域，減少了特征計算的工作量。

現階段的車牌定位方法比較成熟，所以在進行車標感興趣區域定位前，要進行車牌的定位，有基于車牌圖像色彩信息定位法、基于邊緣檢測的定位法、基于車牌幾何特征車定位法、基于頻譜分析的車牌定位法等，這些方法在實踐過程中能夠較為準確地定位到車牌。本發明采用先驗知識對車牌進行定位，我國車牌標準外輪廓尺寸為440*140且為矩形，整個車牌的寬高比近似為3:1。在進行車牌定位之后，以車牌高度為參數，向上方選取一定高度地區域，得到一個包含車標的感興趣區域，車標位于車牌上方比較起眼的位置，一般位于車牌的正中上方，與此同時車標的寬度不會超過車牌的寬度，車標的感興趣區域的定位范圍可大致上通過車牌的高度為參數進行定位。這里設置一個a來控制車牌高度的倍數，通過以下公式來確定車標的大概位置：

xl＝xpl(1)

xr＝xpr(2)

yb＝ypt(3)

yt＝ypt+a*height(4)

上述各個表達式中，xl,xr,yb,yt分別表示車標的左邊界、右邊界、下邊界和上邊界。xpl,xpr,ypt,height分別表示車牌的左邊界、右邊界、上邊界以及車牌的高度。在這里，從式(1)(2)中可以看出車標粗略區域的寬度就是車牌的寬度。車標粗定位區域的底部邊界就是車牌區域的頂部邊界，車標粗定位區域的頂部邊界就是車牌的頂部區域加上a倍的車標的高度。這個感興趣區域在保證了車標在其中的前提下，去除了圖像中大部分干擾信息，在后續的多尺度掃描中，將對感性區域進行特征提取，并與樣本庫中的特征進行對比，進而進行車標的精定位。

(2)基于分處理的車標樣本特征庫的建立

訓練圖片樣本通過提取并構建的特征表示來建立樣本特征庫，一幅圖像的特征有很多，比如hog特征側重于梯度方向，lbp特征側重于紋理特征。本發明提出基于稀疏采樣灰度分布與梯度分布特征分別側重于采樣點鄰域內灰度“明暗”對比信息與相鄰區域的紋理信息，經過篩選出能夠在統計意義上表示該類車標圖像的點對集合作為特征。該特征表示方法適合圖片受光照影響大、圖片分辨率低、質量不好的車標樣本圖像。圖2為本發明基于稀疏采樣構建特征集的方法流程圖，具體包括：

(2.1)基于稀疏采樣點集選取

稀疏采樣，也被稱為壓縮采樣，壓縮感知，壓縮感知方法拋棄了當前圖像采樣中的冗余信息，所以可以對圖像進行稀疏采樣而不影響圖像信號的重構與表示，車標的結構特征更事宜進行稀疏采樣表示灰度和形狀結構特征。

圖3所示為標準的車輛灰度樣本，可以將其表示為像素灰度集合i＝{gi，i＝1,2,…n,n＝w*h}，其中gi表示像素的灰度，w表示樣本圖像的寬，h表示樣本圖像的高。對樣本進行稀疏采樣，坐標(x0，y0)處像素被采集到的概率：

其中ε(x,y)表示(x0，y0)鄰域中的采樣點，p(x,y)表示鄰域中采樣概率，nε表示鄰域中的采樣點數目，n0表示采樣點總數目，n1表示已經采樣的數目，σ為尺度參數。這樣稀疏采樣使得采樣點隨機均勻分布于樣本圖像的平面空間。此時，此時稀疏表示用i的子集來表示i。

隨機均勻稀疏采樣保證了采樣點盡可能的均勻分布在樣本圖像上，因此也能夠最大程度上保留車標的紋理結構特征，對后面的明暗特征提取影響較小。本發明對大眾車標進行不同數目采樣點的隨機均勻稀疏采樣，白色亮點為車標結構上的采樣點，采樣點能夠大致上保留了大眾標志的結構，采樣點達到一定的數目，車輛的標志是可以識別的，但是隨著取樣點的減少，車輛標志的識別度也在降低，甚至不可分辨。

(2.2)對不同類型的點對集的特征提取

實際生活中車標樣本因為受到各類噪聲干擾，與標準的車標樣本還是存在著一定的差異，各個像素點灰度絕對值已經變得不再那么可靠，但是車標結構上的像素點的梯度信息和“明暗”對比關系依舊可靠。因此,將稀疏采樣點集內的點隨機配對成n0/2個點對集p＝{pairm<pe,pf>，e，f≤n0，m≤n0/2}。點對pairm<p1,p2>中的p1(x1,y1)與p2(x2,y2)從n0個采樣點進行隨機的配對。p1點與p2點的選取會產生一定的空間邏輯關系，p1點與p2點可能相距較遠，也有可能相鄰。通過以下公式對p1點與p2點進行分類。

選擇第一個點p1：

其中np為已配對采樣點數。

選擇第二個點p2：

其中p(p1)、p(p2)分別表示選擇p1點和p2點的概率，(x1，y1)為第一個點，(x2，y2)為第二個點，p(x,y)為已配對的采樣點。

滿足上述公式的點對分類到遠距離點對集p2中，其余的點對分類到鄰近點對集p1中。對于這兩種不同的點對集，分別采用明暗度和梯度進行特征提取。

(2.2.1)基于鄰近點對集特征提取

通過公式篩選出的鄰近點對集為p1，為了減少光照等因素的影響，對所采樣的鄰近點集進行歸一化，集中在紋理周圍的點集中，局部表層曝光比較重，如圖4所示，所以對圖像進行壓縮處理可以降低局部的光照影響。

gamma壓縮公式：i(x,y)＝i(x,y)^gamma

gamma可以取1/2。

計算鄰近點對集各個橫坐標和縱坐標方向的梯度，并計算每個像素點位置的梯度方向值。求導操作過程中能夠弱化光照影響和捕捉輪廓。

圖像中采樣點p(x,y)的梯度為：

gx(x,y)＝h(x+1,y)-h(x-1,y)(8)

gy(x,y)＝h(x,y+1)-h(x,y-1)(9)

其中gx(x,y)為點p(x,y)處的水平梯度，gy(x,y)是點p(x,y)處的垂直梯度，h(x,y)是點p(x,y)的像素值。

接著計算點p(x,y)處的梯度幅值和梯度方向：

按照上式，計算出每一個點的梯度幅值和梯度方向。對于每個點的梯度方向分為x個方向塊，即角度范圍。如圖所示，本發明中取x＝8，將360度分為8個方向塊，每一塊45°。那么像素的梯度被分為0°～45°、45°～90°、90°～135°、135°～180°、180°～225°、225°～270°、270°～315°、315°～360°八個角度范圍，如圖5所示，接著按照上式計算梯度幅值，將所有車標樣本鄰近采樣點的梯度幅值按照區間累加到一起，得到一個梯度幅值的集合g={g1，g2，g3，g4，g5，g6，g7，g8}，g1代表著0°～45°角度范圍內所有鄰近取樣點的梯度幅值總和，g2代表著45°～90°角度范圍內所有鄰近取樣點的梯度幅值總和，以此類推。鄰近點對集構成了樣本圖像梯度分布的一個稀疏表示，此稀疏表示定義為樣本的隨機梯度分布特征。

根據梯度關系繼續生成不同車標所有樣本的點對關系集。

gc,s＝{gc,s,j,c＝1,2...,c,s＝1,2,...,s,j＝1,2,...,8}(12)

其中gc,s為第c類車標的第s張樣本的角度范圍梯度集合，gc,s,i為第c類車標的第s張樣本的第j個角度范圍內的梯度幅值總和，c為樣本庫中所有車標類別的個數,s為第c類車標的樣本總數,j為8個角度范圍方向塊編號。

(2.2.2)基于非鄰近點對集特征提取

通過公式篩選出的遠距離的點對，提高了采樣點的“明暗”對比度差異大地概率。通過對點對集合p2繼續構造點對地明暗關系r，點對pair<p1,p2>中兩個采樣點位置鄰域內的灰度均值的“明暗”對比關系，分為p1>p2，p1＝p2，p1<p2:

ip1和ip2是采樣點p1和p2一定鄰域內的灰度均值，t1為灰度均值臨界值，這里可將灰度均值臨界值取為30。如圖6所示給出的現實大眾車標的樣本中，有三個采樣點對對應上式的三種關系：

pair1<p1,p2>，ip1＝200，ip2＝40，r1＝"p1>p2"

pair2<p3,p4>，ip3＝240，ip4＝245，r2＝"p3＝p4"

pair3<p5,p6>，ip5＝20，ip6＝240，r3＝"p5<p6"

通過在樣本點集上的隨機選取較遠的匹配對，計算出了點對的明暗關系，得到了一個非鄰近點對集和相應的點對明暗關系集，非鄰近點對集和明暗關系集構成了樣本圖像灰度分布的一個稀疏表示，此稀疏表示定義為樣本的隨機灰度分布特征。

通過上述處理得到了某個樣本的基于稀疏采樣灰度分布的樣本特征，但是最終要在車標樣本特征庫中使用灰度分布作為各類車標的特征表示，還需要進行特征篩選過程，并最終將鄰近點對集特征和非鄰近點對集相結合構成特征表示。

對每一類別車標，在坐標空間內進行隨機均勻稀疏采樣和非鄰近的隨機配對，得到包含n2個點對的初始點對集pc：

pc＝{pairc,i<p1,p2>,c＝1,2...,c,i＝1,2,...,n2}(14)

其中c為樣本庫中車標類別的個數，i代表著樣本庫中第c類車標的第i個采樣點對，n2<no/2。由于是基于稀疏采樣的隨機采樣，所以不同類型的車標的點對集中的位置也有所不同。在生成不同類別車標的點對集后pc，根據明暗關系繼續生成該車標每個樣本的點對關系集。

rc,s＝{pairc,s,i<p1,p2>,s＝1,2...,s，i＝1,2,...,n2}(15)

s為第c類車標的樣本總數。

為了進一步精確灰度特征，要根據信任度對非鄰近點對集進行點對篩選。點對信任度relc,i反映了某一個點對關系的可靠程度。當樣本類別中大多數樣本在該點對間呈現同一種明暗對比關系時，該種點對關系具有較高信任度。

relc,i表示第c類車標的第i個采樣點的明暗關系信任度，rc,s,i表示第c類車標的第i個采樣點在第s個樣本中的明暗關系。如果第s個樣本的第i個點對關系為p1>p2或者為p1<p2，rc,s,i取值為1，如果關系為p1＝p2，rc,s,i取值為0。從點對集pc中篩選出信任度大于設定閾值(如0.7)的n3個新的點對信任點對集pc′。

(2.2.3)進一步構建精確特征

相關度指不同類別樣本根據同一點對集計算得到的點對關系集之間的相似程度。對某樣本中的新點對集pc′中的每一個點對pairc<p1,p2>，計算出其中兩個點在其他類的樣本中點對關系。求出第c類樣本中點對和第c′中的相關度corelc,c′:

其中，rc,s,i表示第c類樣本的第s個樣本第i個點對的明暗對比關系，∧表示當rc,s,i和rc′,s,i關系相同時，rc,s,i∧rc′,s,i取1。相關度越小，第c類的車標與其他類別的計算所得點對關系集的區別越大，使得第c類別車標圖像越容易識別。根據該第c類樣本與其他類別樣本的相關度，使用尋優算法從信任點對集pc′中篩選出n4個采樣點對組成最小相關點對集pc″，使得pc″與其他類別點對關系集的相關度最小。pc′′即該類別的特征點對集。

根據最小相關點對集，可以重新獲取新的點對關系集rc″，最后根據梯度幅值的集合g、最小相關點對集pc″、點對關系集rc″、信任度集relc，建立了樣本中第c類樣本的特征表示f＝{g,pc″,rc″,relc},對于每一類樣本，均由此四項構成特征集合，這就是樣本特征庫。

(3)感興趣車標粗定位區域多尺度檢測

在確定感興趣區域后，準備好樣本特征庫后，就可以在感興趣區域內進行多尺度檢測了。多尺度檢測這一過程中完成了定位和識別兩個功能，在其他識別方法中，定位和識別是分來進行的，這樣在過程中增加誤差率，從而導致識別失敗，而本發明的多尺度檢測方法能夠提高了定位識別率。多尺度檢測通過設定一定可縮放的窗口，在待測的感興趣區域，從上到下，從左到右，依次掃描，在掃描過程中，對當前窗口位置上，窗口大小的圖像進行特征提取，并與準備好的特征庫進行對比，最終確定車標類型。

在進行檢測之前，初始化一個與待測車標樣本尺寸一樣大小的窗口w0，大部分車標都可以外接一個矩形。通過對w0乘以一個縮放系數t，得到比樣本圖像小的可縮放的窗口wt。因為拍攝設備角度遠近問題，導致車標的大小不一致，通過觀察不同圖像中車標的大小選定縮放系數的范圍，本發明中縮放系數t的取值范圍[smin,smax]設為[0.1，0.7]，每次縮放系數增加0.05，各個窗口wt在車標感興趣粗定位區域從左至右、從上到下依次檢測。如圖7所示。

其中矩形框為設定的正方形檢測窗口，在如圖所示的窗口位置，窗口大小通過窗口內的特征與特征庫對比正好檢測到車標位置，此時縮放尺度為0.25。

對比過程中涉及到特征庫與窗口內部的相似度。

其中，mt,w,c表示在縮放尺度為t，第w步的窗口位置的圖像與第c類車標的相似度值，s為第c類車標的樣本總數,rt,w,i表示在縮放尺度為t，第w步的窗口，第i個點對下的明暗對比關系，n4表示篩選后非鄰近點對集中的點對數，relc,i表示第c類車標的第i個采樣點對的明暗關系信任度，rc,s,i表示第c類車標中第s張樣本的第i個點對的關系；gt,w,j表示在縮放尺度為t，第w步的窗口位置的圖像在第j個角度范圍梯度幅值總和，gc,s,j表示第c類車標第s張樣本中第j個角度范圍梯度幅值總和。當點對關系gt,w,j角度信息和第c類樣本中相同采樣點對的梯度關系gc,s,j角度信息相近(梯度差值控制在60以內)，gt,w,j＝＝gc,s,j值為1，否則為0。當點對關系rt,w,j和第c類樣本中相同采樣點對的明暗對比關系rc,i相同時，rt,w,i＝＝rc,s,i值為1，否則為0。mt,w,c越大，表明窗口wt,k內的圖像分布特征與第c類別越相似。

通過更改窗口的縮放系數對車標的感興趣粗定位區域進行遍歷，得到不同的相似度mt,w,c。選取相似度值最高的車標類別c′，此時根據窗口尺度t′和位置w′即可確定車標的準確位置。

為驗證本發明方法的有效性及優勢，做如下對比實驗。

對于樣本圖像，本發明所采用的圖像樣本來自自己拍攝以及網絡上選取的交通路口攝像頭拍攝的圖片，選取了1800張25類的車標類別，基本包括我們常見的車標型號。自身拍攝的照片由于清晰度與質量較高，要對這些樣本進行添加噪聲和進行透視變換。對每一種類型的車標，要事前對樣本進行歸一化，設置圖片為60*60分辨率，從中選擇800個采樣點對，其中人工選取200對，隨機選取600對。然后對這些點進行分類，選取鄰近點對和非鄰近點對。對這兩種點對分別處理，得到不同的特征集。對于測試圖像，在交通道路口采集到不同情況的1000多張混合車前臉圖像，這些不同情況包括白天、夜晚、晴天、下雨等各種天氣情況。

表1部分測試結果

表2樣本定位時間和識別時間

由上表1可看出，不同的車標類型定位識別率也是相差較大的，表中奧迪的定位識別率最高，福特的定位識別率最低，奧迪車輛樣本輪廓分明，在稀疏取樣后依稀可辨器圖標紋理輪廓，梯度方向信息較為明顯，明暗對比度度也較為明顯。而福特等一系列車標，在天氣情況影響下加上稀疏取樣，圖標的識別度較為低，特征提取存在誤差。對于這一類的情況，可以增加樣本稀疏采樣的采樣點的數目，提高提取特征的準確率，同時在手動選取采樣點位置時，可以選取邊緣周圍出點對，優化點對位置。對于在白天，天氣良好的車牌，定位率還算高，但是夜晚在車燈強光照射下，車標圖像曝光嚴重，影響特征提取，降低了定位識別率，實驗結果如圖8所示。

在圖8的測試結果示例圖中，最下面的矩形區域為車牌區域，在車牌區域上方矩形為感興趣區域，在感興趣區域內部的矩形為車標區域。第一張圖片是晚間車輛圖片；第二張圖片雖然是白天拍攝的，但是由于設備原因，成像效果不好；第三張圖片是傾斜圖片；第四張同第二張；第五張圖片車牌存在干擾；第六張是存在霧干擾的情況下拍攝的。

但是為了測試本發明方法對于那些質量要求不高的圖像，比其他傳統方法定位識別要準確。進行另一組實驗，選取成像效果不是非常理想的三類車標大眾、奔馳、雪佛蘭，分別進行模板匹配、sift算法和本發明算法比較

表3部分對比測試結果

表4部分對比測試時間結果

從表中可以看出，無論是模板匹配算法還是sift識別算法，它們對于成像效果不理想的圖像的識別率遠沒有本發明定位識別方法好。對于那些圖片質量好，像素高的圖片，傳統識別方法還是滿足需求，但是那些不夠理想的圖片，拉低了定位識別率。

本發明提出的基于稀疏采樣的灰度分布特征和梯度分布的標識別方法，對比傳統的識別方法，主要針對那些成像效果不理想的圖像進行定位識別，將采樣點分為鄰近采樣點集和非鄰近采樣點集，對兩種不同的點擊提取不一樣的特征，并采用多尺度檢測方式在在目標圖像中提取特征進而識別和定位車標，將定位和識別有機的結合在一起，降低了中間過程的誤差，提高了識別率，對于噪聲大,質量差，像素低的圖片也有較高的識別率。