本發(fā)明涉及一種車型識別方法。
背景技術：
：隨著社會的發(fā)展及人們生活水平的提高，汽車的普及率逐年升高，私有汽車的數量急劇增加，道路交通管理的難度也越來越大，智能交通系統(tǒng)就顯得尤其重要。車輛檢測系統(tǒng)作為智能交通系統(tǒng)的基礎子系統(tǒng)，在智能交通系統(tǒng)中占有不可替代的作用。所以車輛檢測及車型識別技術的研究已然成為關注的焦點。車輛檢測及識別是基于各種圖像處理算法。目前的車輛檢測方法主要有地感線圈車輛檢測法、波頻檢測法、智能視頻檢測法等。智能視頻檢測方法是直接集成在攝像機內部或者構建在前端工控機內的一個功能強大的綜合事件檢測“軟件”，對道路視頻信息進行實時識別檢測，一旦在分析過程中發(fā)現(xiàn)“車輛”，便進行視頻跟蹤當視頻檢測到相應的車輛進入到最佳的拍照范圍時，便觸發(fā)相應抓拍及后續(xù)的車型識別行為，其優(yōu)點是硬件易于安裝，維護方便，不會破壞路面，比較靈活，能夠做到實時檢測及更新。目前視頻中的車輛檢測方法已經在交通監(jiān)控管理系統(tǒng)中得到了廣泛的應用，而且隨著物聯(lián)網技術的應用及圖像處理、特征提取、模式識別等技術的不斷完善，智能視頻交通監(jiān)控的應用前景將更加廣闊。技術實現(xiàn)要素：本發(fā)明要解決的技術問題是提供一種車型識別方法。一種車型識別方法，包括以下步驟：(1)視頻圖像采集，車型分別為轎車(包括小轎車、吉普車)、面包車(包括商務車及普通面包車)和公共汽車(公交車)三類，分別用C、V、B表示；從視頻中提取多幅關鍵幀圖像構建了車輛圖像庫，其中訓練樣本采集和測試樣本采集包括：轎車、面包車、公共汽車；(2)圖像分割及預處理：將每個樣本經過圖像剪裁成85×60像素大小且含車輛目標的圖片，進行邊緣檢測和形態(tài)學操作；(3)圖像特征提取及降維：首先，對進行形態(tài)學操作后的圖像進行形狀及紋理特征提取，由區(qū)域像素數、均值、標準差、三階矩、熵組成的5維的特征向量；其中，區(qū)域像素數是區(qū)域內總的像素數，均值是紋理平均亮度的度量，標準差是紋理灰度級對比度度量，三階矩表示直方圖偏斜度的度量，熵是描述圖像亮度隨機性的度量；然后，對去除背景后的原圖像進行HOG(梯度方向直方圖)特征提取，形成高維的特征向量；最后，將高維特征向量進行主成分分析法(PCA)降維處理，加上描述形狀和紋理的特征，形成特征向量，然后經過LDA算法計算類內散布矩陣Sw及類間散布矩陣Sb，最后取矩陣Sb的前k個特征向量作為LDA特征子空間的投影矩陣，訓練樣本和測試樣本最后均以k維的特征向量表示；(4)構造支持向量機核函數的選擇與參數的確定：利用支持向量機進行分類時，選用徑向基核函數，并確定徑向基核函數本身的參數γ以及懲罰參數C；(5)多類分類器的設計：構造3個一對一分類器，即(C，B)(將轎車劃分為正類，公共汽車劃為負類)，(C，V)及(B，V)，構造有向無環(huán)圖，并通過決策有向無環(huán)圖多分類方法進行車型的分類。進一步的，步驟(3)中HOG特征提取的具體方法如下：(1)計算每個像素的梯度幅度和方向；(2)將圖像分成8×8個像素大小的單元格(cell)，將每個梯度方向(180度)分為9個區(qū)間，每個區(qū)間([(x-1)*20，x*20]，x＝1,2，…，9)是20度的范圍，然后將每個單元格中所有像素的梯度方向累加到各個區(qū)間上，這樣每個單元格就形成一個9維的特征向量；相鄰的cell(2×2)組成一個塊(block)，而相鄰block間有一半的區(qū)域是重疊的，所以每個(2*2*9)維的特征向量；(3)在block內采用對比度歸一化處理，以消除光照的影響，得到block的HOG特征；(4)將檢測窗口中所有重疊的block進行HOG特征的收集，并將它們結合成最終的HOG特征向量。進一步的，步驟(3)中將高維特征向量進行降維處理的具體方法如下：(1)把每幅圖像的HOG特征向量構成一個矩陣Xn×N，每一行代表一個樣本，每一列代表一個特征值，計算矩陣Xn×N的協(xié)方差矩陣S＝E[(Xn×N-μ)T(Xn×N-μ)]，其中μ是樣本的總體均值矩陣，設待測樣品為X1×N；(2)計算S的特征值，將其按從大到小排列，記作λ1≥λ2≥…≥λN，并計算的特征向量矩陣CN×N；(3)選取前m個特征值，使貢獻率選取CN×N的前m列，構成CN×m；(4)利用Xn×m＝(Xn×N-μ)CN×m計算樣本庫樣本主成分和X1×m＝(X1×N-μ)CN×m計算待測樣本主成分。進一步的，步驟(3)中LDA算法的步驟如下：(1)設y＝{x1，x2，…xN}是一個樣本集，每個樣本是一個d維的向量，其中yi類的樣本是設某一樣本xj，其中xj∈yi，求各類樣品的均值向量mi，計算公式如下：(2)求各類類內離散度矩陣Si，總類內離散度矩陣Sw及類間散布矩陣Sb，計算公式如下：Si＝∑(xj-mi)(xj-mi)T，i＝1，2，…N，其中，Pi是yi類的先驗概率；(3)求向量w*，(4)求出樣品在w*上的投影點yi＝w*Txi。本發(fā)明的有益效果是：本發(fā)明提出將梯度方向直方圖特征描述算子運用在車輛特征提取中，由于提取出來的HOG特征維數較高，造成計算復雜度增加，本發(fā)明采用主成分分析的方法進行降維。將降維后的HOG與基于形狀、紋理的特征相結合共同作為描述車輛的特征。為了得到更容易分類的特征，本發(fā)明首先提出線性判決分析的方法對形狀、紋理與梯度方向直方圖結合之后的特征進行處理；然后在支持向量機的基礎上運用決策有向無環(huán)圖多分類法設計出了SVM三類車型分類器，并在最終的車型分類識別中獲得了較高的分類識別正確率。具體實施方式以下具體實施例對本發(fā)明作進一步闡述，但不作為對本發(fā)明的限定。實驗1本發(fā)明車型識別實驗采用在天橋上采集的車輛前側影像作為本發(fā)明車型識別使用視頻，車型分別為轎車(包括小轎車、吉普車)、面包車(包括商務車及普通面包車)和公共汽車(公交車)三類，分別用C、V、B表示；從視頻中提取600幅關鍵幀圖像構建了車輛圖像庫，其中訓練樣本采集200輛轎車、100輛面包車、70輛公共汽車；測試樣本采集150輛轎車、80輛面包車、60輛公共汽車，如表1所示。表1個車型訓練樣本和測試樣本數類型轎車面包車公共汽車訓練樣本20010070測試樣本1508060車型識別步驟如下：(1)圖像分割及預處理：將每個樣本經過圖像剪裁成85×60像素大小且含車輛目標的圖片，進行邊緣檢測和形態(tài)學操作。(2)圖像特征提取及降維：首先對進行形態(tài)學操作后的圖像進行形狀及紋理特征提取，由區(qū)域像素數、均值、標準差、三階矩、熵組成的5維的特征向量；其中，區(qū)域像素數是區(qū)域內總的像素數，均值是紋理平均亮度的度量，標準差是紋理灰度級對比度度量，三階矩表示直方圖偏斜度的度量，熵是描述圖像亮度隨機性的度量。然后對去除背景后的原圖像進行HOG(梯度方向直方圖)特征提取，將圖像分成8×8個像素大小的單元格(cell)，圖像可用的塊(block)個數為其中，為取整運算，而每個block以一個(2*2*9)維的特征向量表示，整個圖像最終形成9*6*(2*2*9)＝1944維的特征向量。把訓練樣本所有圖像的HOG特征向量構成矩陣，每一行代表一個樣本，經過PCA降維后形成21維的向量，加上描述形狀和紋理的5個特征，形成26維的特征向量，然后經過LDA算法計算類內散布矩陣Sw及類間散布矩陣Sb，最后取矩陣Sb的前4個特征向量作為LDA特征子空間的投影矩陣，訓練樣本和測試樣本最后均以4維的特征向量表示。(3)構造支持向量機核函數的選擇與參數的確定：利用支持向量機進行分類時，選用徑向基核函數，并確定徑向基核函數本身的參數γ以及懲罰參數C，最佳參數組合為(γ，C)＝(0.001，10)。(4)多類分類器的設計：首先構造3個一對多分類器，即(C，B+V)(將轎車劃分為正類，面包車和公共汽車劃為負類)，(B，C+V)及(V，C+B)，核函數選用徑向基核函數，參數組合為(γ，C)＝(0.001，10)。選取80輛轎車，60輛面包車，40輛公共汽車進行分類測試。其分類識別正確率如表2所示。然后我們構造3個一對一多分類器，即(C，B)，(C，V)及(B，V)其分類正確率如表3所示。表2一對多分類器識別正確率一對多分類器(C，B+V)(B，C+V)(V，C+B)識別正確率(％)91.2592.583.3表3一對一分類器識別正確率一對一分類器(C，B)(C，V)(B，V)識別正確率(％)93.387.188.75通過表2和表3可知，三類車型中公共汽車最容易識別。而由于面包車的特性介于轎車和公共汽車之間，可能被誤分到轎車中，也有可能被誤分到公共汽車類中，導致面包車的識別正確率最低。本發(fā)明采用3個一對一分類器，即(C，B)，(C，V)及(B，V)，構造有向無環(huán)圖，并通過決策有向無環(huán)圖多分類方法進行車型的分類，而由于(C，B)的分類效果最好，面包車的分類正確率最低。所以將兩類分類器(C，B)置于根節(jié)點。車輛識別結果如下表4所示。表4有向無環(huán)多類分類器分類結果車型轎車面包車公共汽車轎車14081面包車8673公共汽車2556分類正確率(％)92.6783.7593.33由表4可知，表中各列表示多類分類器對每一類車型的分類結果。其中，轎車所在列中，150輛轎車總共有140輛被正確分類識別，有8輛被錯誤分類為面包車，還有2輛被錯誤分類為公共汽車。分類正確率為92.67％。面包車所在列中，80輛面包車總共有67輛被正確分類識別，有8輛被錯誤分類為轎車，還有5輛被錯誤分類為公共汽車。分類正確率為83.75％。公共汽車所在列中，60輛公共汽車總共有56輛被正確分類識別，有1輛被錯誤分類為轎車，還有3輛被錯誤分類為面包車。分類正確率為93.33％。運用決策有向無環(huán)圖多類分類器得到的總的分類正確率為263/290＝90.69％。由于公共汽車與面包車、轎車相比輪廓較大，形狀基本為長方形所以錯誤分類的最少。面包車的分類正確率僅為83.75％，是三類車型中正確率最低的。主要是因為面包車的車型介于轎車和公共汽車之間，因此造成誤分的幾率比較大。實驗2特征向量對比實驗僅用基于形狀和紋理的特征描述車輛，得到的最終的分類結果如表5所示。對比結果如表6所示。表5僅用基于形狀和紋理特征的車型分類結果車型轎車面包車公共汽車轎車13482面包車9664公共汽車7654分類正確率(％)89.3382.590由表5可知，轎車的分類正確率為89.33％。面包車的分類正確率為82.5％。公共汽車的分類正確率為90％。僅用基于形狀和紋理特征進行分類得到的總的分類正確率為254/290＝87.59％。表6識別正確率對比結果識別正確率(％)基于形狀和紋理特征本發(fā)明識別方法轎車89.3392.67面包車82.583.75公共汽車9093.33總識別正確率87.5990.69由表6可知，本發(fā)明將HOG與基于形狀和紋理的特征相結合描述車輛特征，提高了識別的正確率，由此驗證了本發(fā)明方法的可行性與正確性。實驗3運用LDA的對比實驗本發(fā)明將進行PCA降維后直接進行分類與降維后先進行LDA再進行分類進行了對比實驗。PCA-SVM的分類結果如表7所示，PCA-SVM與PCA-LDA-SVM的分類正確率的對比如表8所示。表7PCA-SVM的車型分類結果由表7可知，轎車的分類正確率為92％。面包車的分類正確率為83.75％。公共汽車的分類正確率為90％。僅用基于形狀和紋理特征進行分類得到的總的分類正確率259/290＝89.31％。表8PCA-SVM與本發(fā)明的PCA-LDA-SVM實驗對比結果識別正確率(％)PCA-SVMPCA-LDA-SVM轎車89.3392.67面包車82.583.75公共汽車9093.33總識別正確率87.5990.69由表5.8可知，本發(fā)明在降維之后運用LDA形成更有利于分類的特征，比只用PCA降維分類正確率高，由此驗證了本發(fā)明的方法可以提高識別正確率。當前第1頁1 2 3