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