技術(shù)特征：

1.一種車型識別方法，其特征在于，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(wù)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(guān)鍵幀圖像構(gòu)建了車輛圖像庫，其中訓(xùn)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(yù)處理：

將每個樣本經(jīng)過圖像剪裁成85×60像素大小且含車輛目標(biāo)的圖片，進(jìn)行邊緣檢測和形態(tài)學(xué)操作；

(3)圖像特征提取及降維：

首先，對進(jìn)行形態(tài)學(xué)操作后的圖像進(jìn)行形狀及紋理特征提取，由區(qū)域像素數(shù)、均值、標(biāo)準(zhǔn)差、三階矩、熵組成的5維的特征向量；其中，區(qū)域像素數(shù)是區(qū)域內(nèi)總的像素數(shù)，均值是紋理平均亮度的度量，標(biāo)準(zhǔn)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(jī)性的度量；

然后，對去除背景后的原圖像進(jìn)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(jìn)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(jīng)過LDA算法計算類內(nèi)散布矩陣S_w及類間散布矩陣S_b，最后取矩陣S_b的前k個特征向量作為LDA特征子空間的投影矩陣，訓(xùn)練樣本和測試樣本最后均以k維的特征向量表示；

(4)構(gòu)造支持向量機(jī)核函數(shù)的選擇與參數(shù)的確定：

利用支持向量機(jī)進(jìn)行分類時，選用徑向基核函數(shù)，并確定徑向基核函數(shù)本身的參數(shù)γ以及懲罰參數(shù)C；

(5)多類分類器的設(shè)計：

構(gòu)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(fù)類)，(C，V)及(B，V)，構(gòu)造有向無環(huán)圖，并通過決策有向無環(huán)圖多分類方法進(jìn)行車型的分類。

2.根據(jù)權(quán)利要求1所述的車型識別方法，其特征在于，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(nèi)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(jìn)行HOG特征的收集，并將它們結(jié)合成最終的HOG特征向量。

3.根據(jù)權(quán)利要求1所述的車型識別方法，其特征在于，步驟(3)中將高維特征向量進(jìn)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(gòu)成一個矩陣X_n×N，每一行代表一個樣本，每一列代表一個特征值，計算矩陣X_n×N的協(xié)方差矩陣S＝E[(X_n×N-μ)^T(X_n×N-μ)]，其中μ是樣本的總體均值矩陣，設(shè)待測樣品為X_1×N；

(2)計算S的特征值，將其按從大到小排列，記作λ₁≥λ₂≥…≥λ_N，并計算的特征向量矩陣C_N×N；

(3)選取前m個特征值，使貢獻(xiàn)率選取C_N×N的前m列，構(gòu)成C_N×m；

(4)利用X_n×m＝(X_n×N-μ)C_N×m計算樣本庫樣本主成分和X_1×m＝(X_1×N-μ)C_N×m計算待測樣本主成分。

4.根據(jù)權(quán)利要求1所述的車型識別方法，其特征在于，步驟(3)中LDA算法的步驟如下：

(1)設(shè)y＝{x₁，x₂，…x_N}是一個樣本集，每個樣本是一個d維的向量，其中y_i類的樣本是設(shè)某一樣本x_j，其中x_j∈y_i，求各類樣品的均值向量m_i，計算公式如下：

$m_i=\frac{1}{N_i}\Σx_j,i=1,2,...N;$

(2)求各類類內(nèi)離散度矩陣S_i，總類內(nèi)離散度矩陣S_w及類間散布矩陣S_b，計算公式如下：

S_i＝∑(x_j-m_i)(x_j-m_i)^T，i＝1，2，…N，

$S_w=\underset{i=1}{\overset{N}{\Σ}}{p}_i{S}_i,$

$S_b=\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{p}_i(m_i-m_j){(m_i-m_j)}^T,$

其中，P_i是y_i類的先驗概率；

(3)求向量w^*，

(4)求出樣品在w^*上的投影點y_i＝w^*Tx_i。