汽车元器件多区域特征采集方法、汽车元器件识别方法及其在智能眼镜的应用

摘要

一种汽车元器件多区域特征采集方法，用于解决现有汽车元器件特征采集与匹配速度慢的问题，技术要点是：汽车元器件分类训练时，对汽车元器件分类器使用的特征进行区间均匀划分；识别汽车元器件时，对待采集的汽车元器件的多区域特征进行并行采集。效果：实现了元器件特征采集与初步检测的任务拆解与并行计算，进而提高了检测元器件的速度。

说明书

技术领域

本发明属于汽车数据识别领域，尤其涉及一种数据采集和识别的方法。

背景技术

随着可穿戴设备技术的迅速发展，智能眼镜在人机交互、增强现实等方面被广泛地应用到人们的日常生活中。例如语音控制、头部姿势矫正及在特定情景下指导人们进行专业的操作，这些应用不但方便了人们的日常生活也可以提高工作人员的工作效率。目前，现有的大多数智能眼镜都具有独立的操作系统与多种传感器，使其能够被扩展到很多专业领域中，比如在坑道中或地质探测过程中辅助工作人员定位及危险预测，在仓库中对物品进行分类及最优归放路径寻找等。但是在汽车维修方面的应用仍处于萌芽阶段，而且相关应用都还处于发展初期，尤其在应用智能眼镜进行物体检测或目标分类的时候，往往存在实时处理能力差或不同型号物品间难以区分等问题。

发明内容

为了提高现有智能穿戴设备对元器件的识别速度，本发明提供了一种汽车元器件多区域特征采集方法和一种汽车元器件识别方法。

本发明基于上述问题，采用的解决方案是：一种汽车元器件多区域特征采集方法，汽车元器件分类训练时，对汽车元器件分类器使用的特征进行区间均匀划分；识别汽车元器件时，对待采集的汽车元器件的多区域特征进行并行采集。

进一步的，所述对汽车元器件分类器使用的特征进行区间均匀划分的具体步骤为：在汽车元器件分类训练时，针对不同种类的汽车元器件使用不同维度特征描述；离线学习并得到分类器所使用的对分类训练的汽车元器件进行区分的维度特征，并对分类器使用该维度特征的进行频率统计；根据统计结果，将使用的维度特征进行区间均匀划分，使各区间的特征位置基本相邻且频率之和基本相等。

进一步的，分类器使用的维度特征，被表示成加权直方图的形式，实现对分类器使用到的维度特征的频率统计，使用如下公式：

$>p_u=C\underset{i=1}{\overset{n}{\Sigma }}k\left(\right|\left|\frac{x_i}{h}\right|\left|\right)\delta [b\left(x_i\right)-u];$>

其中：x_i是特征点的位置信息，b(x_i)是x_i在特征空间中量化的对应值，p_u表示经过b(x_i)量化后落入u区间的概率统计，C是归一化系数，h表示特征点位置的距离度量，δ[b(x_i)-u]是判断b(x_i)是否等于u，等于为1，否则为0。

本发明还涉及一种汽车元器件识别方法，使用权利上述的任意种汽车元器件多区域特征采集方法，对汽车元器件多区域特征采集。

进一步的，检测终端存储Num1个汽车元器件分类器的hash表，汽车元器件多区域特征采集数据通过查找相应的hash表识别该汽车元器件，并提供该汽车元器件相应信息。

进一步的，若汽车元器件多区域特征采集数据通过查找相应的hash表无法判断该汽车元器件的种类，则检测终端存储Num1个汽车元器件分类器的hash表中不存在该汽车元器件对应的hash表，将该汽车元器件多区域特征采集数据发送至云端服务器进行识别。

进一步的，云端服务器定期将同一修车店面范围内使用的汽车元器件分类器进行使用频率统计并排序，取前Num1个汽车元器件分类器发送至检测终端。

进一步的，所述识别方法还具有对该元器件所属厂商和/或品牌识别的步骤，该步骤包括，离线对汽车元器件的商标与图标进行海量样本训练，使得分类器被训练为可识别汽车元器件的商标与图标的分类器，对同一类汽车元器件的分类器训练时，选择若干品牌的该类汽车元器件的样本分别进行训练，得到分类器集合；统计这些分类器使用的特征位置信息，得到特征集合；

采集完成汽车元器件的多区域特征，对汽车元器件的商标与图标分类识别，守护进程使用上述离线训练得到的分类器集合与特征集合处理商标和图标分类任务，得到被采集的汽车元器件所属厂商和/或品牌，并返回该厂商和/或品牌信息，同时给各个守护进程发送中断任务信号。

进一步的，所述分类器集合的交集如果不为空，将这些分类器的集合减去它们的交集。

本发明还涉及汽车元器件多区域特征采集方法和/或汽车元器件识别方法在智能眼镜的应用。

有益效果：本发明通过并行检测技术，快速实现目标特征采集、计算与检测，同时，利用离线训练的元器件分类器的特征分布频率，对检测区间进行近似的均匀划分，使得不同探针上的特征采集与匹配任务基本相等，减少了探针之间的相互等待时间，从而实现元器件特征采集与初步检测的任务拆解与并行计算，进而提高了检测元器件的速度。

本发明利用常用分类器做成hash表，利用二级缓存快速对常用元器件进行分类，在很大概率程度上降低了发往云端服务器的数据量，从而节省了数据传输与多级检索的时间。

本发明对不同元器件厂商的品牌建立各自的分类器集合，通过集合间的运算与先验知识对其进行优化，同时利用云端服务器上多个守护进程分别对单一元器件的特征进行并行异步分类，这里并行任务间没有等待，从而可以高效地完成分类。

本发明通过智能眼镜对汽车元器件进行分类识别，同时支持元器件厂商品牌查询功能，从而在很大程度上方便汽车维修人员进行汽车零部件的类别查找与品牌定位。

附图说明

图1目标信息采集过程

图2多探针采集过程

图3特征分类过程

图4更新过程

图5元器件厂商品牌分类检测流程

具体实施方式

实施例1:

一种汽车元器件多区域特征采集方法，汽车元器件分类训练时，对汽车元器件分类器使用的特征进行区间均匀划分；识别汽车元器件时，对待采集的汽车元器件的多区域特征进行并行采集。

其中：所述对汽车元器件分类器使用的特征进行区间均匀划分的具体步骤为：在汽车元器件分类训练时，针对不同种类的汽车元器件使用不同维度特征描述；离线学习并得到分类器所使用的对分类训练的汽车元器件进行区分的维度特征，并对分类器使用该维度特征的进行频率统计；根据统计结果，将使用的维度特征进行区间均匀划分，使各区间的特征位置基本相邻且频率之和基本相等。

分类器使用的维度特征，被表示成加权直方图的形式，实现对分类器使用到的维度特征的频率统计，使用如下公式：

$>p_u=C\underset{i=1}{\overset{n}{\Sigma }}k\left(\right|\left|\frac{x_i}{h}\right|\left|\right)\delta [b\left(x_i\right)-u];$>

其中：x_i是特征点的位置信息，b(x_i)是x_i在特征空间中量化的对应值，p_u表示经过b(x_i)量化后落入u区间的概率统计，C是归一化系数，h表示特征点位置的距离度量，δ[b(x_i)-u]是判断b(x_i)是否等于u，等于为1，否则为0。

实施例2:

具有与实施例1相同的技术方案，更为具体的是：一种汽车元器件识别方法，使用上述汽车元器件多区域特征采集方法，对汽车元器件多区域特征采集。在检测终端存储Num1个汽车元器件分类器的hash表，汽车元器件多区域特征采集数据通过查找相应的hash表识别该汽车元器件，并提供该汽车元器件相应信息。若汽车元器件多区域特征采集数据通过查找相应的hash表无法判断该汽车元器件的种类，则检测终端存储Num1个汽车元器件分类器的hash表中不存在该汽车元器件对应的hash表，将该汽车元器件多区域特征采集数据发送至云端服务器进行识别。云端服务器定期将同一修车店面范围内使用的汽车元器件分类器进行使用频率统计并排序，取前Num1个汽车元器件分类器发送至检测终端。

该识别方法，还具有对该元器件所属厂商和/或品牌识别的步骤，该步骤包括，离线对汽车元器件的商标与图标进行海量样本训练，使得分类器被训练为可识别汽车元器件的商标与图标的分类器，对同一类汽车元器件的分类器训练时，选择若干品牌的该类汽车元器件的样本分别进行训练，得到分类器集合；统计这些分类器使用的特征位置信息，得到特征集合；采集完成汽车元器件的多区域特征，对汽车元器件的商标与图标分类识别，守护进程使用上述离线训练得到的分类器集合与特征集合处理商标和图标分类任务，得到被采集的汽车元器件所属厂商和/或品牌，并返回该厂商和/或品牌信息，同时给各个守护进程发送中断任务信号。所述分类器集合的交集如果不为空，将这些分类器的集合减去它们的交集。

实施例3:

一种汽车元器件多区域特征采集方法和/或汽车元器件识别方法在智能眼镜的应用。申请号为：2015106328103的中国专利申请记载了一种智能眼镜，该智能眼镜可以辅助实现本发明上述实施例的方法。