一種基于類字典稀疏識(shí)別的車輛分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明公開了一種基于類字典稀疏識(shí)別的車輛分類方法，涉及智能交通和圖像處 理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 在現(xiàn)代社會(huì)發(fā)展日新月異的今天，交通作為涉及到人們?nèi)粘Ｉ畹闹匾I(lǐng)域，雖 然取得了長(zhǎng)足的進(jìn)步，但不斷凸顯的交通問題已成為一個(gè)全球性的棘手問題，交通擁擠、事 故頻繁發(fā)生、環(huán)境污染加劇。為了解決這些問題，20世紀(jì)80年代以來，智能交通系統(tǒng)便應(yīng)運(yùn) 而生，發(fā)揮著重要的作用。車輛分類是推進(jìn)智能交通系統(tǒng)發(fā)展的一個(gè)重要的研宄方向，在道 路交通監(jiān)控系統(tǒng)、交通車輛管理系統(tǒng)和高速公路收費(fèi)系統(tǒng)等方面都有著廣泛的應(yīng)用前景。
[0003] 車輛分類主要包括兩大步驟：特征提取和分類器構(gòu)造。這兩個(gè)因素對(duì)分類性能 的好壞有重要的影響。現(xiàn)階段有很多特征提取的方法，比如：顏色直方圖特征、LBP特征、 Gabor特征、HOG特征、Surf特征等。但是不同的特征提取方法有不同的適應(yīng)場(chǎng)景，場(chǎng)景稍 加變化，就會(huì)使分類性能降低，很難同時(shí)獲得好的魯棒性和高的精確度；現(xiàn)階段常用的分類 器主要有：BP神經(jīng)網(wǎng)絡(luò)分類器、SVM分類器、線性分類器、貝葉斯分類器等。BP神經(jīng)網(wǎng)絡(luò)分 類器雖然分類效果良好，但是所需訓(xùn)練樣本比較多，并且對(duì)樣本的要求也比較高。SVM分類 器對(duì)二分類的分類效果優(yōu)良，但是對(duì)于多分類效果不佳，并且算法比較復(fù)雜。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題是：針對(duì)現(xiàn)有技術(shù)的缺陷，提供一種基于類字典稀疏 識(shí)別的車輛分類方法，首先將訓(xùn)練圖像變成灰度圖像并歸一化為同一尺寸，提取LBP特征 和SIFT特征并級(jí)聯(lián)，采用RLS-DLA算法進(jìn)行字典訓(xùn)練，針對(duì)自行車、摩托車、汽車三類典型 目標(biāo)的圖像數(shù)據(jù)集，分別訓(xùn)練出三個(gè)對(duì)應(yīng)的類字典；將待分類目標(biāo)灰度化和歸一化后，提取 LBP特征和SIFT特征并將二者進(jìn)行級(jí)聯(lián)；利用訓(xùn)練好的三個(gè)類字典，進(jìn)行稀疏識(shí)別，分別求 出各類對(duì)應(yīng)的稀疏系數(shù)，依據(jù)最近鄰原則進(jìn)行分類。
[0005] 本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：
[0006] 一種基于類字典稀疏識(shí)別的車輛分類方法，所述方法包括如下步驟：
[0007] 步驟一、對(duì)車輛圖像集中的樣本進(jìn)行灰度化，再歸一化為同一尺寸的圖像I1;
[0008] 步驟二、提取圖像1亦LBP特征和SIFT特征，并把上述兩個(gè)特征相級(jí)聯(lián)，組合成 一個(gè)與應(yīng)的融合特征V κ;
[0009] 步驟三、采用RLS-DLA字典學(xué)習(xí)算法對(duì)融合特征％進(jìn)行訓(xùn)練，針對(duì)不同類型的車 輛分別訓(xùn)練出各自對(duì)應(yīng)的類字典；
[0010] 步驟四、對(duì)待分類目標(biāo)圖像進(jìn)行灰度化處理，并歸一化為同一尺寸的圖像I。；
[0011] 步驟五、提取圖像I。的LBP特征和SIFT特征，并把兩個(gè)特征相級(jí)聯(lián)，組合成一個(gè) 與I。對(duì)應(yīng)的融合特征V
[0012] 步驟六、根據(jù)步驟三中訓(xùn)練好的類字典進(jìn)行稀疏識(shí)別，分別求出各類對(duì)應(yīng)的稀疏 系數(shù)，依據(jù)最近鄰原則進(jìn)行分類，判斷步驟四中的待分類目標(biāo)圖像具體所屬的車輛類型。
[0013] 作為本發(fā)明的進(jìn)一步優(yōu)選方案，步驟一中，所述車輛圖像包括自行車、摩托車和汽 車三類，每類圖像都包含不同拍攝角度的圖像，每類圖像的數(shù)量為150張；歸一化為同一尺 寸的圖像1為40X50大小的灰度圖像。
[0014] 作為本發(fā)明的進(jìn)一步優(yōu)選方案，步驟二中，所述特征提取的過程具體包括：
[0015] 201 :采用LBP算子對(duì)圖像I1進(jìn)行特征提取，得到一個(gè)I X 2000維的LBP特征V
[0016] 202 :采用SIFT算子對(duì)圖像I1進(jìn)行特征提取，得到一個(gè)IX 1280維的SIFT特征Vs;
[0017] 203 :把特征VjPVs相融合，將特征接串聯(lián)至特征VJg，得到一個(gè)1X3280維 的融合特征VK。
[0018] 作為本發(fā)明的進(jìn)一步優(yōu)選方案，步驟三中，采用RLS-DLA算法對(duì)融合特征Vk進(jìn)行 訓(xùn)練的過程具體包括：
[0019] 301 :將一類圖像中150個(gè)融合特征成一個(gè)3280 X 150維的融合特征矩陣H κ， 采用RLS-DLA算法對(duì)馬進(jìn)行訓(xùn)練，其中遞歸次數(shù)為50次，峰值信噪比為35,字典中原子數(shù) 量為128,進(jìn)而得到一個(gè)3280 X 128維的字典D1;
[0020] 302 :根據(jù)步驟301中的方法訓(xùn)練出針對(duì)其他類圖像的字典仏和D 3。
[0021] 作為本發(fā)明的進(jìn)一步優(yōu)選方案，步驟六中，采用MP算法計(jì)算稀疏系數(shù)，所述稀疏 識(shí)別的具體步驟包括：
[0022] 601 :采用MP算法分別計(jì)算出待分類目標(biāo)圖像的融合特征V。用字典D1表示的稀疏 系數(shù)W1，用字典D 2表示的稀疏系數(shù)w 2，用字典03表示的稀疏系數(shù)w 3;
[0023] 602 :分別計(jì)算稀疏系數(shù)WnWy W3的1范數(shù)，以及其中的最小值：
[0024] Wk= min {I I w ! I I " I I w21 I !，I I w31 I!};
[0025] 603 :所有類字典的稀疏系數(shù)1范數(shù)的最小值所對(duì)應(yīng)的類別即為待測(cè)目標(biāo)所屬 的類別。
[0026] 本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：本發(fā)明方法中類 字典對(duì)于特定類的表征能力強(qiáng)于由全體數(shù)據(jù)集生成的全局字典；把LBP紋理特征和SIFT角 點(diǎn)特征相結(jié)合，不僅能保留圖像的全局特征，還可以有效突出局部特征；本發(fā)明可以濾除光 照對(duì)車輛目標(biāo)圖像處理的影響，并且對(duì)不同角度的目標(biāo)圖像仍能達(dá)到良好的分類效果。所 述方法具有較好的魯棒性和較高的精確度，對(duì)光照變化，目標(biāo)尺寸變化以及角度變化的待 分類目標(biāo)圖像都能取得較好的分類效果。
【附圖說明】
[0027] 圖1是本發(fā)明中基于類字典稀疏識(shí)別的車輛分類方法流程圖。
【具體實(shí)施方式】
[0028] 下面詳細(xì)描述本發(fā)明的實(shí)施方式，所述實(shí)施方式的示例在附圖中示出，其中自始 至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參 考附圖描述的實(shí)施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。
[0029] 下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說明：
[0030] 本發(fā)明中基于類字典稀疏識(shí)別的車輛分類方法流程圖如圖1所示，本發(fā)明一種基 于類字典稀疏識(shí)別的車輛分類方法，其步驟如下：
[0031] 步驟A :采集交通監(jiān)控視頻和小區(qū)監(jiān)控視頻中的自行車、摩托車、汽車的圖像，要 求有效目標(biāo)自行車、摩托車、汽車應(yīng)占所采集圖像的20%以上區(qū)域。每類圖像各采集150 張，包含不同拍攝角度的圖像，如正面、側(cè)面、后面等。這樣共采集450張圖像，作為訓(xùn)練圖 像。對(duì)每張訓(xùn)練圖像首先進(jìn)行灰度化處理，然后歸一化為同一尺寸40X50大小的灰度圖像 Ιι〇
[0032] 步驟B :提取圖像1亦LBP特征八和SIFT特征V s，并把兩個(gè)特征相級(jí)聯(lián)，組合成 一個(gè)與I1對(duì)應(yīng)的融合特Evk。詳細(xì)步驟如下：
[0033] 步驟B-I (提取LBP特征VJ :使用LBP算子對(duì)I1進(jìn)行特征提取。其中，LBP算子的 窗口的尺寸為3X 3,鄰域半徑R為1，鄰域上像素點(diǎn)的個(gè)數(shù)P為8。將圖像I1的任意一點(diǎn)定 義為中心點(diǎn)，以此中心點(diǎn)的灰度值為閾值對(duì)3X3窗口內(nèi)的另外8個(gè)像素點(diǎn)作二值化處理。 若周圍像素值大于中心像素值，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。這樣，3X 3鄰域內(nèi) 的8個(gè)點(diǎn)經(jīng)比較產(chǎn)生8位2進(jìn)制數(shù)，然后將其轉(zhuǎn)換成十進(jìn)制數(shù)即LBP碼，即得到該鄰域中心 像素點(diǎn)的LBP值。LBP值計(jì)算公式如下：
【主權(quán)項(xiàng)】
1. 一種基于類字典稀疏識(shí)別的車輛分類方法，其特征在于，所述方法包括如下步驟： 步驟一、對(duì)車輛圖像集中的樣本進(jìn)行灰度化，再歸一化為同一尺寸的圖像II; 步驟二、提取圖像Ii的LBP特征和SIFT特征，并把上述兩個(gè)特征相級(jí)聯(lián)，組合成一個(gè) 與Ii對(duì)應(yīng)的融合特征Vc; 步驟S、采用化S-DLA字典學(xué)習(xí)算法對(duì)融合特征Vk進(jìn)行訓(xùn)練，針對(duì)不同類型的車輛分 別訓(xùn)練出各自對(duì)應(yīng)的類字典； 步驟四、對(duì)待分類目標(biāo)圖像進(jìn)行灰度化處理，并歸一化為同一尺寸的圖像I。； 步驟五、提取圖像I。的LBP特征和SIFT特征，并把兩個(gè)特征相級(jí)聯(lián)，組合成一個(gè)與I。 對(duì)應(yīng)的融合特征Vc; 步驟六、根據(jù)步驟=中訓(xùn)練好的類字典進(jìn)行稀疏識(shí)別，分別求出各類對(duì)應(yīng)的稀疏系數(shù)， 依據(jù)最近鄰原則進(jìn)行分類，判斷步驟四中的待分類目標(biāo)圖像具體所屬的車輛類型。
2. 如權(quán)利要求1所述的一種基于類字典稀疏識(shí)別的車輛分類方法，其特征在于：步驟 一中，所述車輛圖像包括自行車、摩托車和汽車=類，每類圖像都包含不同拍攝角度的圖 像，每類圖像的數(shù)量為150張；歸一化為同一尺寸的圖像Ii為40X50大小的灰度圖像。
3. 如權(quán)利要求1所述的一種基于類字典稀疏識(shí)別的車輛分類方法，其特征在于：步驟 二中，所述特征提取的過程具體包括： 201 ;采用LBP算子對(duì)圖像Ii進(jìn)行特征提取，得到一個(gè)1 X 2000維的LBP特征V 202 ;采用SIFT算子對(duì)圖像Ii進(jìn)行特征提取，得到一個(gè)1 X 1280維的SIFT特征V S; 203 ;把特征V訊V湘融合，將特征V S直接串聯(lián)至特征V店，得到一個(gè)1 X 3280維的 融合特征Vk。
4. 如權(quán)利要求2所述的一種基于類字典稀疏識(shí)別的車輛分類方法，其特征在于：步驟 S中，采用化S-DLA算法對(duì)融合特征V,進(jìn)行訓(xùn)練的過程具體包括： 301 ;將一類圖像中150個(gè)融合特征Vk組成一個(gè)3280X150維的融合特征矩陣Hk，采用 化S-DLA算法對(duì)咕進(jìn)行訓(xùn)練，其中遞歸次數(shù)為50次，峰值信噪比為35,字典中原子數(shù)量為 128,進(jìn)而得到一個(gè)3280X128維的字典Di; 302 ;根據(jù)步驟301中的方法訓(xùn)練出針對(duì)其他類圖像的字典化和D 3。
5. 如權(quán)利要求4所述的一種基于類字典稀疏識(shí)別的車輛分類方法，其特征在于：步驟 六中，采用MP算法計(jì)算稀疏系數(shù)，所述稀疏識(shí)別的具體步驟包括： 601 ;采用MP算法分別計(jì)算出待分類目標(biāo)圖像的融合特征V。用字典D1表示的稀疏系數(shù) 訊1，用字典化表不的稀疏系數(shù)W 2,用字典表不的稀疏系數(shù)W 3; 602 ;分別計(jì)算稀疏系數(shù)Wi、W2、W3的1范數(shù)，W及其中的最小值： Wk= min {I IW J I。I I "2II ：!，II "3II J ; 603 ;所有類字典的稀疏系數(shù)1范數(shù)的最小值所對(duì)應(yīng)的類別即為待測(cè)目標(biāo)所屬的類 別。
【專利摘要】本發(fā)明公開了一種基于類字典稀疏識(shí)別的車輛分類方法，所述方法首先將訓(xùn)練圖像變成灰度圖像并歸一化為同一尺寸，提取LBP特征和SIFT特征并級(jí)聯(lián)，采用RLS-DLA算法進(jìn)行字典訓(xùn)練，針對(duì)自行車、摩托車、汽車三類典型目標(biāo)的圖像數(shù)據(jù)集，分別訓(xùn)練出三個(gè)對(duì)應(yīng)的類字典；將待分類目標(biāo)灰度化和歸一化后，提取LBP特征和SIFT特征并將二者進(jìn)行級(jí)聯(lián)；利用訓(xùn)練好的三個(gè)類字典，進(jìn)行稀疏識(shí)別，分別求出各類對(duì)應(yīng)的稀疏系數(shù)，依據(jù)最近鄰原則進(jìn)行分類。本發(fā)明方法中類字典對(duì)于特定類的表征能力強(qiáng)于由全體數(shù)據(jù)集生成的全局字典，可以濾除光照對(duì)車輛目標(biāo)圖像處理的影響，并且對(duì)不同角度的目標(biāo)圖像仍能達(dá)到良好的分類效果。
【IPC分類】G06K9-62
【公開號(hào)】CN104598928
【申請(qǐng)?zhí)枴緾N201510051034
【發(fā)明人】李藝, 劉佶鑫
【申請(qǐng)人】南京郵電大學(xué)
【公開日】2015年5月6日
【申請(qǐng)日】2015年1月30日