一種基于池化車輛圖片原始特征的車型識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于模式分類和物體識別技術(shù)領(lǐng)域，特別涉及一種基于池化車輛圖片原始 特征的車型識別方法。
【背景技術(shù)】
[0002] 隨著社會(huì)生產(chǎn)和經(jīng)濟(jì)發(fā)展的突飛猛進(jìn)，人民生活水平的迅速提高，車輛的數(shù)目及 種類也隨之迅速增加，隨之而來的問題也逐漸涌現(xiàn)并且有越來越多的趨勢，交通事故的日 益增多，車輛犯罪越來越多等等一系列的問題迫使我們對交通的管理需要更加的智能化和 高效化，因此智能交通系統(tǒng)應(yīng)運(yùn)而生，而套牌車輛、假牌照車輛、無牌車輛、灰牌照車輛鉆法 律的空子逃避處罰，犯罪分子借此逃避追查等等一系列問題使得需要開發(fā)一種大范圍全方 位發(fā)揮作用的實(shí)時(shí)、高效、準(zhǔn)確的無人值守的智能交通管理系統(tǒng)。
[0003] 要實(shí)現(xiàn)自動(dòng)車輛識別、分類，需要做的第一步是探測、攝取車輛的某些特征信息。 在車輛的所有特征中，可以用來識別和區(qū)分車型的通常有車輛的外型（長、寬、高等）、車輛 的軸重或軸距、車輛軸重及總重、車輛牌號、發(fā)動(dòng)機(jī)排氣量、車輛可以乘載的人員數(shù)或載重 量等特征。在這些特征中，只有部分可以用于自動(dòng)車輛識別和分類，因?yàn)橛械奶卣骺梢杂?儀器不停車探測、提取，有的則不然，如排氣量、司乘人員數(shù)等。目前，車型識別技術(shù)主要 有輪廓掃描方法、車軸計(jì)數(shù)方法、磁場變化方法、車牌識別方法、基于交通視頻技術(shù)的方法、 基于圖像處理的方法等。
[0004] 在智能交通系統(tǒng)中，基于圖像的車輛識別技術(shù)是自動(dòng)采集車輛特征信息產(chǎn)品的重 要基礎(chǔ)，也是目前相對薄弱的技術(shù)環(huán)節(jié)。以之為核心的技術(shù)產(chǎn)品是智能交通系統(tǒng)的重要前 端設(shè)備，在交通調(diào)查、交通管理和車輛管理中起著重要的作用。
[0005] 在此基礎(chǔ)之上，本專利結(jié)合基于圖像的原始像素特征和空間金字塔池化編碼的優(yōu) 點(diǎn)，提出了一種基于池化車輛圖片原始特征的車型識別方法來解決上述問題。本發(fā)明能夠 實(shí)現(xiàn)大規(guī)模車輛圖像的車型識別，且運(yùn)行速度快，實(shí)現(xiàn)簡單，消耗內(nèi)存少，識別率高，實(shí)用性 較強(qiáng)且具有較高的魯棒性。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明中所述方法是為了克服上述現(xiàn)有技術(shù)的缺點(diǎn)，主要針對車輛圖像的原始像 素特征，提取其圖像像素塊對車型進(jìn)行細(xì)分識別的問題，提出了一種基于池化車輛圖片原 始特征的車型識別方法。具體的技術(shù)方案如下所述。
[0007] 本發(fā)明為了解決上述技術(shù)問題，采用以下技術(shù)方案：
[0008] 本發(fā)明中所述方法是為了克服上述現(xiàn)有技術(shù)的缺點(diǎn)，主要針對車輛圖像的原始像 素特征，提取其圖像像素塊對車型進(jìn)行細(xì)分識別的問題，提出了一種基于池化車輛圖片原 始特征的車型識別方法，包括以下步驟：
[0009] 步驟1 :設(shè)置車型圖像的Μ種圖像塊大小，分別提取車型圖像在每種大小下的局部 圖像塊；
[0010] 步驟2 :將每個(gè)局部特征塊視為一個(gè)行向量，對其進(jìn)行歸一化和PCA降維；
[0011] 步驟3 :將降維后的局部圖像塊向量進(jìn)行極性分離，構(gòu)成新的局部圖像塊向量；
[0012] 步驟4 :在當(dāng)前局部圖像塊的基礎(chǔ)上對整幅圖像進(jìn)行空間金字塔池化；
[0013] 步驟5:聯(lián)合金字塔每一層池化后的特征向量，構(gòu)成當(dāng)前圖像塊大小的整幅圖像 表不；
[0014] 步驟6:級聯(lián)每種圖像塊大小的整幅圖像表示，構(gòu)成最終的車型圖像的空間池化 特征表示；
[0015] 步驟7:將得到的N類車型的空間池化特征表示進(jìn)行線性SVM訓(xùn)練，得到一個(gè)具有 N類車型類別的識別系統(tǒng)；
[0016] 步驟8:對于測試車輛圖像，同樣求得其空間池化特征表示，導(dǎo)入訓(xùn)練好的車型識 別系統(tǒng)，識別出測試車輛車型。
[0017] 上述技術(shù)方案中，所述步驟1中對用于訓(xùn)練的車型圖像數(shù)據(jù)庫，設(shè)置車型圖像的Μ 種圖像塊大小，分別提取車型圖像在每種大小下的局部圖像塊，包括以下幾個(gè)步驟：
[0018] 步驟1. 1:設(shè)置Μ種需提取的圖像塊的大小；
[0019] 步驟1. 2:設(shè)車型圖像大小為dXd，設(shè)滑動(dòng)步長像素s為1;
[0020] 步驟1. 3:按設(shè)置的步長滑動(dòng)疊加，提取設(shè)置的每種大小的局部圖像塊；
[0021] 步驟1. 4:整幅車型圖像被劃分為1X1個(gè)局部圖像塊，其中
當(dāng)前圖像塊的大小為rXr，s為滑動(dòng)步長像素；
[0022] 上述技術(shù)方案中，所述步驟2中將每個(gè)局部特征塊視為一個(gè)行向量，對其進(jìn)行歸 一化和PCA降維，包括以下幾個(gè)步驟：
[0023] 步驟2. 1 :將每個(gè)局部圖像塊視為一個(gè)行向量X;
[0024] 步驟2. 2:對向量X執(zhí)行歸一化：天=(λ·; -w)/v，其中，Xi為向量X的第i個(gè)元素， m為其均值，v為其標(biāo)準(zhǔn)差；
[0025] 步驟2. 3 :進(jìn)行PCA降維，首先進(jìn)行特征中心化，即對每個(gè)局部圖像塊的每一維的 數(shù)據(jù)都減去該維的均值，得到新的局部圖像塊矩陣；
[0026] 步驟2. 4:求取新的圖像塊矩陣的協(xié)方差矩陣；
[0027] 步驟2. 5:計(jì)算協(xié)方差矩陣的特征值和特征向量；
[0028] 步驟2.6 :選取大的特征值對應(yīng)的特征向量，構(gòu)成降維后的局部圖像塊向量。
[0029] 上述技術(shù)方案中，所述步驟3中將降維后的局部圖像塊向量進(jìn)行極性分離，構(gòu)成 新的局部圖像塊向量，包括以下幾個(gè)步驟：
[0030] 步驟3. 1:將降維后的局部圖像塊向量進(jìn)行極性分離，將降維后的每個(gè)局部圖像 塊向量X的正值和負(fù)值分成兩個(gè)部分：max {0, x}和max {0, -x};
[0031] 步驟3. 2:聯(lián)合極性分離后的兩個(gè)部分，構(gòu)成新的局部圖像塊向量x_，其中向量 義_的長度是原向量X的兩倍。
[0032] 上述技術(shù)方案中，所述步驟4中在當(dāng)新的局部圖像塊向量塊的基礎(chǔ)上對整個(gè)圖像 進(jìn)行空間金字塔池化，包括以下幾個(gè)步驟：
[0033] 步驟4. 1:設(shè)置L層空間金字塔為{Cl，…(J，L一般取8層較為合適，其中Cl為對 原圖像的網(wǎng)格層次劃分，第1層被劃分為ClχCl個(gè)網(wǎng)格，則對車型圖像總共有Σ?#個(gè)網(wǎng)格 細(xì)胞塊，1屬于[1，L]中任一個(gè)；
[0034] 步驟4. 2 :對金字塔里的每一層的每個(gè)網(wǎng)格細(xì)胞塊，都對其里面新得到的局部圖 像塊向量進(jìn)行均值池化
，其中是當(dāng)前池化網(wǎng)格細(xì)胞塊中的第j個(gè)局部圖 像塊向量，步驟3. 2中的χ_的第i個(gè)元素；步驟4. 3 :得到當(dāng)前細(xì)胞塊的特征向量表示：f=[4…，A，…]，級聯(lián)該層金字塔的每一個(gè)網(wǎng)格細(xì)胞塊的特征表示，構(gòu)成當(dāng)前層的特征向 量表示。
[0035] 上述技術(shù)方案中，所述步驟7中將得到的N類車型的空間池化特征向量表示進(jìn)行 線性SVM訓(xùn)練，得到一個(gè)具有N類車型類別的識別系統(tǒng)，包括以下幾個(gè)步驟：
[0036] 步驟7. 1 :通過步驟1到步驟6的提取，得到N類車型圖像的空間池化特征向量表 示；
[0037] 步驟7. 2 :將N類車型圖像的空間池化特征向量進(jìn)行線性SVM訓(xùn)練，得到一個(gè)具有 N類車型類別的識別系統(tǒng)。
[0038] 上述技術(shù)方案中，所述步驟8包括以下步驟：步驟8. 1 :對于測試車輛圖像，同樣通 過步驟1到步驟6的提取，得到其空間池化特征向量；
[0039] 步驟8. 2 :將其導(dǎo)入步驟7. 2訓(xùn)練得到的具有N類車型類別的識別系統(tǒng)進(jìn)行測試， 識別出測試車輛車型。
[0040] 本發(fā)明基于池化圖片的原始特征來構(gòu)成模型，并將該模型運(yùn)用到車型識別當(dāng)中。
[0041] 綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：
[0042] 本發(fā)明基于池化車輛圖像的原始特征（像素）進(jìn)行操作，算法簡單且效率高，運(yùn)算 速度快，通過級聯(lián)不同圖像塊大小的圖像表示，保留了更多的圖像結(jié)構(gòu)特征，大大提高了車 型識別率，具有較高的實(shí)用性。
【附圖說明】
[0043] 圖1為池化圖片的原始特征的整個(gè)算法的示意圖；
[0044] 圖2為空間池化金字塔示意圖。
【具體實(shí)施方式】
[0045] 本說明書中公開的所有特征，或公開的所有方法或過程中的步驟，除了互相排斥 的特征和/或步驟以外，均可以以任何方式組合。
[0046] 下面結(jié)合圖1、圖2對本發(fā)明作詳細(xì)說明。
[0047] 為詳細(xì)說明本發(fā)明的技術(shù)內(nèi)容、構(gòu)造特征、所實(shí)現(xiàn)目的及效果，以下結(jié)合實(shí)施方式 并配合附圖詳予說明。
[0048] 本發(fā)明提出了一種基于池化車輛圖片原始特征的車型識別方法，在車輛車型識別 上取得良好的效果。整個(gè)算法的實(shí)現(xiàn)示意圖如圖1，包括步驟：
[0049] 步驟1 :設(shè)置車型圖像的Μ種圖像塊大小，分別提取車型圖像在每種大小下的局部 圖像塊；
[0050] 本專利需要提取幾種不同大小的圖像塊進(jìn)行特征提取，不失一般性，設(shè)原始車型 圖像大小為dXd個(gè)像素，采取滑動(dòng)疊加方式提取車型圖像的局部圖像塊，為了提高車型識 別率，將滑動(dòng)步長像素值設(shè)為1，進(jìn)行滑動(dòng)提取，包括以下幾個(gè)步驟：
[0051] 步驟1. 1:設(shè)置Μ種需提取的圖像塊的大小，一般取2X2、4X4、6X6和8X8這幾 種；
[0052] 步驟1. 2:設(shè)車型圖像大小為dXd，設(shè)滑動(dòng)步長像素為1;
[0053] 步驟1. 3:按設(shè)置的步長滑動(dòng)疊加，提取設(shè)置的每種大小的局部圖像塊；
[0054] 步驟1. 4:整幅車型圖像被劃分為1X1個(gè)局部圖像塊，其中
當(dāng)前圖像塊的大小為rXr，s為滑動(dòng)步長像素；
[0055] 步驟2 :將每個(gè)局部特征塊視為一個(gè)行向量，對其進(jìn)行歸一化和PCA降維；
[0056] 將每個(gè)局部特征塊視為一個(gè)行向量，為了均衡局部亮度和對比度歸一化，需要對 每一個(gè)局部特征塊進(jìn)行歸一化，由于提取的局部圖像塊很多，會(huì)影響運(yùn)算速度和消耗過多 內(nèi)存，也會(huì)產(chǎn)生噪聲，所以也需要?dú)w一化后