提取hog特征(如block大小為16*16,cell大小為8*8,bin的數(shù)目為8,block之間無(wú)重疊,如此可以單點(diǎn)上可獲得hog特征的維度為128。那么11個(gè)特征點(diǎn)的情況下,特征維度為1408)。
[0038]a-7、基于這些特征使用SDM進(jìn)行回歸,獲取模型參數(shù)。(詳見(jiàn)文獻(xiàn)“SupervisedDescent Method for Solving Nonlinear Least Squares Problems in Computer Vis1n,,中的4.2節(jié))
a-8、更新各樣本的特征點(diǎn)位置。
[0039]a-9、重復(fù)步驟a-5、a-6、a-7、a-8,直至達(dá)到終止條件(迭代次數(shù)達(dá)到上限或定位精度達(dá)到要求)
b)特征點(diǎn)定位階段(預(yù)測(cè)階段)
b-Ι、使用訓(xùn)練集上的平均特征點(diǎn)位置進(jìn)行初始化。
[0040]b-2、提取hog特征進(jìn)行SDM回歸(迭代若干次),得到定位到的點(diǎn)位置。
[0041 ] 3、基于檢測(cè)出的特征點(diǎn)(E,H,A1,A11 ),確定4個(gè)基準(zhǔn)點(diǎn)(見(jiàn)圖3 ),對(duì)車(chē)臉圖像進(jìn)行仿射變換,得到大小一致的,對(duì)齊的車(chē)臉;以Al和A2兩點(diǎn),AlO和All,A3和AlO,A4和All分別做直線,A3A10,A4A11分別和A1A2相交于E和H,點(diǎn)E\H\A10\A11四點(diǎn)組成對(duì)齊的基準(zhǔn)點(diǎn)。
[0042]4、在校正后的特征點(diǎn)附近分別提取HOG特征,參見(jiàn)圖4,具體做法:
4-a、選擇特征點(diǎn)為中心的16*16像素大小的區(qū)域。
[0043]4-b、將此區(qū)域劃分成4*4個(gè)子塊,每個(gè)子塊的大小為8*8像素,步長(zhǎng)為4像素。
[0044]4-c、對(duì)每個(gè)子塊提取sobel梯度,得到梯度大小與方向。
[0045]4-d、將梯度方向劃分成8個(gè)bins,每個(gè)bin寬度為45°,以梯度強(qiáng)度為權(quán)重統(tǒng)計(jì)方向直方圖,參見(jiàn)圖2,其中十字中心為初始點(diǎn)位置,小圓圈中心點(diǎn)為最終定位到的點(diǎn)。
[0046]將HOG串聯(lián)起來(lái),得到一個(gè)維數(shù)26400的特征向量;
5、對(duì)此特征向量分別做PCA和LDA降維,得到一個(gè)930維的特征向量;PCA用來(lái)對(duì)數(shù)據(jù)做預(yù)處理,它可以將原本的數(shù)據(jù)降低維度,而使得降低了維度的數(shù)據(jù)之間的方差最大。LDA將帶上類(lèi)別標(biāo)簽的數(shù)據(jù),通過(guò)投影的方法,投影到維度更低的空間中,使得投影后的點(diǎn),會(huì)形成按類(lèi)別區(qū)分,一簇一簇的情況,相同類(lèi)別的點(diǎn),將會(huì)在投影后的空間中更接近。
[0047]6、在計(jì)算出訓(xùn)練樣本中每個(gè)車(chē)型的所有樣本的特征向量之后,對(duì)其按照車(chē)型做多維k-Means聚類(lèi),類(lèi)別的個(gè)數(shù)按照最大化類(lèi)間距離和最小化類(lèi)內(nèi)距離準(zhǔn)則優(yōu)化,得到每個(gè)車(chē)型的模板庫(kù)。
[0048]7、對(duì)于待檢測(cè)的車(chē)輛,將投影后的特征向量與所有車(chē)型的模板庫(kù)計(jì)算Ll-Norm距離,選擇距離最小的車(chē)型作為識(shí)別結(jié)果。
[0049]以上所述,僅為本發(fā)明的較佳實(shí)施例而已,并非用于限定本發(fā)明的保護(hù)范圍,應(yīng)帶理解,本發(fā)明并不限于這里所描述的實(shí)現(xiàn)方案,這些實(shí)現(xiàn)方案描述的目的在于幫助本領(lǐng)域中的技術(shù)人員實(shí)踐本發(fā)明。
【主權(quán)項(xiàng)】
1.一種基于統(tǒng)計(jì)學(xué)習(xí)的卡口車(chē)型識(shí)別方法,其特征在于該方法包括以下步驟: 第一步:在卡口圖像中,利用統(tǒng)計(jì)學(xué)習(xí)法,實(shí)現(xiàn)不同類(lèi)型,多個(gè)目標(biāo)的車(chē)臉的快速檢測(cè); 第二步:采用SDM法結(jié)合HOG特征,通過(guò)多次迭代實(shí)現(xiàn)車(chē)前臉特征點(diǎn)的精確定位;第三步:基于檢測(cè)出的特征點(diǎn),確定四個(gè)基準(zhǔn)點(diǎn),對(duì)車(chē)臉圖像進(jìn)行仿射變換,得到大小一致的,對(duì)齊的車(chē)臉; 第四步:基于上述規(guī)范化的車(chē)輛圖片,在每個(gè)特征點(diǎn)附近區(qū)域提取HOG或類(lèi)似的局部特征,并串接到一起,得到車(chē)臉表達(dá)的L維特征向量; 第五步:對(duì)L維特征向量做PCA和LDA,降維至Μ維; 第六步:對(duì)同一個(gè)車(chē)型的所有降維后特征向量做kMeans聚類(lèi),得到車(chē)型模板; 第七步:計(jì)算降維之后的車(chē)輛特征與車(chē)型模板的Ll-Norm距離,距離最小的模板即為車(chē)型識(shí)別結(jié)果。2.根據(jù)權(quán)利要求1所述的卡口車(chē)型識(shí)別方法,其特征在于:第一步具體是: 進(jìn)行訓(xùn)練: 1-1、收集和標(biāo)注卡口圖像中的車(chē)頭,生成正負(fù)訓(xùn)練樣本集,其中正樣本為標(biāo)注目標(biāo)統(tǒng)一縮放到固定尺寸,負(fù)樣本為除正樣本之外的多尺度掃描窗圖像; 1-2、特征為任意兩像素點(diǎn)之間灰度值的比較結(jié)果,記大于等于零的結(jié)果為0,小于零的為1 ;根據(jù)此特征結(jié)合決策樹(shù)來(lái)訓(xùn)練單個(gè)弱分類(lèi)器,決策樹(shù)的葉子層將樣本分為多個(gè)不同的子集,每個(gè)子集對(duì)應(yīng)一個(gè)弱分類(lèi)器的分類(lèi)置信度,所有子集的置信度構(gòu)成一個(gè)弱分類(lèi)器; 1-3、結(jié)合弱分類(lèi)器的訓(xùn)練完成級(jí)聯(lián)AdaBoost分類(lèi)器的訓(xùn)練; 1-4、在檢測(cè)中收集誤檢樣本,利用HOG和SVM的方式訓(xùn)練去誤檢分類(lèi)器; 進(jìn)行檢測(cè): 1-5、建立待檢測(cè)圖像的多尺度縮放圖像族; 1-6、在每個(gè)尺度上利用掃描窗的方式完成每個(gè)掃描窗是否為目標(biāo)的判斷; 1-7、利用分極大值抑制完成后選掃描窗的合并; 1-8、對(duì)合并后的目標(biāo)窗口進(jìn)行去誤檢分類(lèi)器判斷,判斷為目標(biāo)的則作為檢測(cè)器的檢測(cè)和定位結(jié)果。3.根據(jù)權(quán)利要求2所述的卡口車(chē)型識(shí)別方法,其特征在于:為了增強(qiáng)正樣本集的豐富性,對(duì)每個(gè)標(biāo)注結(jié)果同時(shí)進(jìn)行邊界擾動(dòng)和添加噪聲的處理。4.根據(jù)權(quán)利要求1所述的卡口車(chē)型識(shí)別方法,其特征在于:第二步中所述的車(chē)前臉特征點(diǎn)共有i^一個(gè),包括車(chē)前臉擋風(fēng)玻璃的四個(gè)角點(diǎn),車(chē)前大燈各自的中心點(diǎn),車(chē)前底部左、中、右點(diǎn),車(chē)標(biāo)中心點(diǎn),車(chē)牌中心點(diǎn); A.特征點(diǎn)定位具體是: a)特征點(diǎn)定位模型訓(xùn)練 a_l、確定樣本:一系列標(biāo)注了特征點(diǎn)位置且已經(jīng)完成粗定位的車(chē)前臉,原始樣本規(guī)模為S ; a_2、統(tǒng)計(jì)出特征點(diǎn)在粗定位車(chē)前臉上的平均位置; a_3、為每個(gè)樣本擾動(dòng)出N組初始點(diǎn)位置,從而樣本數(shù)目變?yōu)镹S ; a_4、設(shè)置訓(xùn)練迭代的層數(shù)以及各層對(duì)應(yīng)的形狀模板的大小; a_5、將樣本圖像根據(jù)當(dāng)前特征點(diǎn)位置對(duì)齊到一個(gè)規(guī)定大小的模板上; a_6、提取特征:在各個(gè)特征點(diǎn)周?chē)?2*32大小的窗口上提取hog特征; a-7、基于這些特征使用SDM進(jìn)行回歸,獲取模型參數(shù); a_8、更新各樣本的特征點(diǎn)位置; a_9、重復(fù)步驟a-5至a_8,直至達(dá)到終止條件; b )特征點(diǎn)定位階段 b_l、使用訓(xùn)練集上的平均特征點(diǎn)位置進(jìn)行初始化; b-2、提取hog特征進(jìn)行SDM回歸,得到定位到的點(diǎn)位置。5.根據(jù)權(quán)利要求4所述的卡口車(chē)型識(shí)別方法,其特征在于:a-3中初始點(diǎn)位置生成方式:使用a-2中統(tǒng)計(jì)得到的平均位置進(jìn)一步擾動(dòng)生成。6.根據(jù)權(quán)利要求1所述的卡口車(chē)型識(shí)別方法,其特征在于:第四步中HOG局部特征提取具體是: 4-a、選擇特征點(diǎn)為中心的16*16像素大小的區(qū)域; 4-b、將此區(qū)域劃分成4*4個(gè)子塊,每個(gè)子塊的大小為8*8像素,步長(zhǎng)為4像素; 4-c、對(duì)每個(gè)子塊提取sobel梯度,得到梯度大小與方向; 4-d、將梯度方向劃分成8個(gè)bins,每個(gè)bin寬度為45°,以梯度強(qiáng)度為權(quán)重統(tǒng)計(jì)方向直方圖。
【專(zhuān)利摘要】本發(fā)明涉及一種基于統(tǒng)計(jì)學(xué)習(xí)的卡口車(chē)型識(shí)別方法。本發(fā)明首先利用統(tǒng)計(jì)學(xué)習(xí)法在卡口圖像中,實(shí)現(xiàn)不同類(lèi)型,多個(gè)目標(biāo)的車(chē)臉的快速檢測(cè)。其次用SDM方法結(jié)合HOG特征,實(shí)現(xiàn)車(chē)前臉特征點(diǎn)的定位;基于特征點(diǎn),確定基準(zhǔn)點(diǎn),對(duì)車(chē)臉圖像進(jìn)行規(guī)范化。然后在每個(gè)特征點(diǎn)附近區(qū)域提取HOG特征,并串接到一起,得到車(chē)臉表達(dá)的L維特征向量;對(duì)L維特征向量做PCA和LDA,降維至M維。最后對(duì)同一個(gè)車(chē)型的所有降維后特征向量做kMeans聚類(lèi),得到車(chē)型模板;計(jì)算降維之后的車(chē)輛特征與訓(xùn)練出模板的L1-Norm距離,距離最小的模板即為車(chē)型識(shí)別結(jié)果。本發(fā)明可結(jié)合車(chē)管庫(kù),交管部分實(shí)現(xiàn)假牌車(chē)、套牌車(chē)的自動(dòng)檢測(cè),準(zhǔn)確率高,實(shí)時(shí)性強(qiáng)。
【IPC分類(lèi)】G06K9/62, G06K9/00
【公開(kāi)號(hào)】CN105335702
【申請(qǐng)?zhí)枴緾N201510663663
【發(fā)明人】尚凌輝, 高勇, 鄭永宏, 于曉靜, 應(yīng)樂(lè)斌, 劉家佳
【申請(qǐng)人】浙江捷尚視覺(jué)科技股份有限公司
【公開(kāi)日】2016年2月17日
【申請(qǐng)日】2015年10月15日