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