的局部圖像塊實(shí)行PCA降維,包括以下幾個(gè)步 驟:
[0057] 步驟2. 1 :將每個(gè)局部圖像塊視為一個(gè)行向量X;
[0058] 步驟2. 2 :對(duì)向量X執(zhí)行歸一化:iv=(x,-,其中,Xl為向量X的第i個(gè)元素, m為其均值,v為其標(biāo)準(zhǔn)差。
[0059] 步驟2. 3:對(duì)歸一化后的局部圖像塊向量進(jìn)行PCA降維,首先進(jìn)行特征中心化,BP 對(duì)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;
[0060] 步驟2. 4:求取新的圖像塊矩陣的協(xié)方差矩陣;
[0061] 步驟2. 5:計(jì)算協(xié)方差矩陣的特征值和特征向量;
[0062] 步驟2.6 :選取大的特征值對(duì)應(yīng)的特征向量,構(gòu)成降維后的局部圖像快。
[0063] 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;
[0064] 在進(jìn)行池化之前將局部圖像塊向量進(jìn)行極性分離,可以提高類別間的區(qū)分度,增 強(qiáng)分類器的性能,包括以下幾個(gè)步驟:
[0065]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};
[0066] 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(zhǎng)度是原向量X的兩倍。
[0067] 步驟4:在當(dāng)前局部圖像塊的基礎(chǔ)上對(duì)整個(gè)圖像進(jìn)行空間金字塔池化;
[0068] 將新得到的局部圖像塊進(jìn)行空間金字塔池化,不同于之前的一些特征編碼方式, 這里是直接對(duì)原整幅圖像進(jìn)行空間金子塔池化,包括以下幾個(gè)步驟:
[0069] 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(duì)原 圖像的網(wǎng)格層次劃分,第1層被劃分為ClXCl個(gè)網(wǎng)格,則對(duì)車型圖像總共有個(gè)網(wǎng)格細(xì) 胞塊,例如8層金字塔設(shè)為{1,2, 4, 6, 8, 10, 12, 15},則每層分別被劃分成1X1,2X2,…,15X15個(gè)網(wǎng)格細(xì)胞塊,示意圖如圖2(401)所示;
[0070]步驟4. 2:對(duì)金字塔里的每一層的每個(gè)網(wǎng)格細(xì)胞塊,都對(duì)其里面的新得到局部圖 像塊向量進(jìn)行均值池化:
其中χΜ是當(dāng)前池化網(wǎng)格細(xì)胞塊中的第j個(gè)局部圖 像塊(步驟4. 2中的x_)的第i個(gè)元素,示意圖如圖2(402)所示;
[0071] 步驟4. 3 :得到當(dāng)前細(xì)胞塊的特征向量表示:f= [A,…,A,…],級(jí)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。
[0072] 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 表示,示意圖如圖2(5)所示;
[0073] 步驟6:級(jí)聯(lián)每種圖像塊大小的整幅圖像表示,得到最終的車型圖像的空間池化 特征表示,示意圖如圖2(6)所示;
[0074] 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(shí)別系統(tǒng);
[0075] 對(duì)于訓(xùn)練模塊的車型圖像數(shù)據(jù)庫,提取其每張車型圖像的空間池化特征向量,構(gòu) 成一個(gè)訓(xùn)練樣本,然后進(jìn)行線性SVM訓(xùn)練,得到一個(gè)具有N類車型類別的識(shí)別系統(tǒng),包括 以下幾個(gè)步驟:
[0076] 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;
[0077] 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(shí)別系統(tǒng)。
[0078] 步驟8 :對(duì)于測(cè)試的車輛圖像,求得其空間池化特征表示,導(dǎo)入訓(xùn)練好的車型識(shí)別 系統(tǒng),識(shí)別出測(cè)試車輛車型。
[0079] 對(duì)于測(cè)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, 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(shí)別系統(tǒng)進(jìn)行測(cè)試,識(shí)別出測(cè)試車輛車 型,包括以下幾個(gè)步驟:
[0080] 步驟8. 1 :對(duì)于測(cè)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;
[0081] 步驟8. 2 :將其導(dǎo)入步驟8. 2訓(xùn)練得到的具有N類車型類別的識(shí)別系統(tǒng)進(jìn)行測(cè)試, 識(shí)別出測(cè)試車輛車型。
【主權(quán)項(xiàng)】
1. 一種基于池化車輛圖片原始特征的車型識(shí)別方法,包括W下步驟: 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; 步驟2 :將每個(gè)局部特征塊視為一個(gè)行向量,對(duì)其進(jìn)行歸一化和PCA降維; 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; 步驟4 :在當(dāng)前局部圖像塊的基礎(chǔ)上對(duì)整幅圖像進(jìn)行空間金字塔池化; 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示; 步驟6 :級(jí)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 表不; 步驟7 :將得到的Ν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Ν類 車型類別的識(shí)別系統(tǒng); 步驟8 :對(duì)于測(cè)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(shí)別系 統(tǒng),識(shí)別出測(cè)試車輛車型。2. 根據(jù)權(quán)利要求1所述基于池化車輛圖片原始特征的車型識(shí)別方法,其特征在于,所 述步驟1中對(duì)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W下幾個(gè)步驟: 步驟1. 1 :設(shè)置Μ種需提取的圖像塊的大小; 步驟1. 2 :設(shè)車型圖像大小為dXd,設(shè)滑動(dòng)步長(zhǎng)像素S為1 ; 步驟1. 3 :按設(shè)置的步長(zhǎng)滑動(dòng)疊加,提取設(shè)置的每種大小的局部圖像塊; 步驟1. 4 :整幅車型圖像被劃分為1X1個(gè)局部圖像塊,其中其中當(dāng)前 圖像塊的大小為rXr,S為滑動(dòng)步長(zhǎng)像素。3. 根據(jù)權(quán)利要求1所述基于池化車輛圖片原始特征的車型識(shí)別方法,其特征在于,所 述步驟2中將每個(gè)局部特征塊視為一個(gè)行向量,對(duì)其進(jìn)行歸一化和PCA降維,包括W下幾個(gè) 步驟: 步驟2. 1 :將每個(gè)局部圖像塊視為一個(gè)行向量X; 步驟2. 2 :對(duì)向量X執(zhí)行歸一化;廷中,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; 步驟2. 3 :進(jìn)行PCA降維,首先進(jìn)行特征中屯、化,即對(duì)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; 步驟2. 4 :求取新的圖像塊矩陣的協(xié)方差矩陣; 步驟2. 5 :計(jì)算協(xié)方差矩陣的特征值和特征向量; 步驟2. 6 :選取大的特征值對(duì)應(yīng)的特征向量,構(gòu)成降維后的局部圖像塊向量。4. 根據(jù)權(quán)利要求1所述基于池化車輛圖片原始特征的車型識(shí)別方法,其特征在于,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W 下幾個(gè)步驟: 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}; 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X。。。的 長(zhǎng)度是原向量X的兩倍。5. 根據(jù)權(quán)利要求1所述基于池化車輛圖片原始特征的車型識(shí)別方法,其特征在于,所 述步驟4中在當(dāng)前新的局部圖像塊向量塊的基礎(chǔ)上對(duì)整個(gè)圖像進(jìn)行空間金字塔池化,包括 W下幾個(gè)步驟: 步驟4. 1 :設(shè)置L層空間金字塔為{ci,…cj,L一般取8層較為合適,其中Cl為對(duì)原圖 像的網(wǎng)格層次劃分,第1層被劃分為ClXCl個(gè)網(wǎng)格,則對(duì)車型圖像總共有個(gè)網(wǎng)格細(xì)胞 塊,1屬于[1,L]中任一個(gè); 步驟4. 2 :對(duì)金字塔里的每一層的每個(gè)網(wǎng)格細(xì)胞塊,都對(duì)其里面新得到的局部圖像塊 向量進(jìn)行均值池化:其中1;'>是當(dāng)前池化網(wǎng)格細(xì)胞塊中的第j個(gè)局部圖像塊 向量的第i個(gè)元素,也即步驟3. 2中的X。。。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= [fi,…,fi,…],級(jí)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。6. 根據(jù)權(quán)利要求1所述基于池化車輛圖片原始特征的車型識(shí)別方法,其特征在于,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(shí)別系統(tǒng),包括W下幾個(gè)步驟: 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; 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(shí)別系統(tǒng)。7. 根據(jù)權(quán)利要求6所述基于池化車輛圖片原始特征的車型識(shí)別方法,其特征在于,所 述步驟8包括W下步驟:步驟8. 1 :對(duì)于測(cè)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; 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(shí)別系統(tǒng)進(jìn)行測(cè)試,識(shí)別 出測(cè)試車輛車型。
【專利摘要】一種基于池化車輛圖片原始特征的車型識(shí)別方法,首先對(duì)于訓(xùn)練的車型圖像庫,設(shè)置車型圖像的M種圖像塊大小,分別提取車型圖像的每種大小的局部圖像塊;將每個(gè)局部圖像塊視為一個(gè)行向量,對(duì)其進(jìn)行歸一化和PCA降維;然后進(jìn)行極性分離,構(gòu)成新的局部圖像塊向量;接著在當(dāng)前局部圖像塊的基礎(chǔ)上對(duì)整個(gè)圖像進(jìn)行空間金字塔池化,聯(lián)合金字塔每一層池化后的特征向量,構(gòu)成當(dāng)前大小的圖像塊的圖像表示;級(jí)聯(lián)每種大小的圖像塊的圖像表示,得到車型圖像的空間池化特征表示;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(shí)別系統(tǒng)。對(duì)于測(cè)試車輛圖像,求得其空間池化特征表示,導(dǎo)入車型識(shí)別系統(tǒng),識(shí)別出測(cè)試車輛車型。
【IPC分類】G06K9/62, G06K9/00
【公開號(hào)】CN105404859
【申請(qǐng)?zhí)枴緾N201510738891
【發(fā)明人】李鴻升, 胡歡, 劉海軍, 曹濱, 周輝
【申請(qǐng)人】電子科技大學(xué)
【公開日】2016年3月16日
【申請(qǐng)日】2015年11月3日