專利名稱：Svm分類器、利用svm分類器識別車輛圖像的方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及車輛圖像識別的技術(shù)，特別涉及車輛圖像識別中的SVM(支持向量機，Support Vector Machines)分類器、利用SVM分類器識別車輛圖像的方法和裝置。
背景技術(shù)：
車輛圖像識別中的SVM(支持向量機，Support Vector Machines)分類器是基于統(tǒng)計學習理論框架下的通用機器學習方法，最初是針對兩類分類問題而提出來的，它具有結(jié)構(gòu)簡單，泛化能力強的優(yōu)點。
在車輛圖像識別中，利用SVM分類器進行車輛圖像識別時，以往的做法如圖1所示，即首先在訓練過程利用手工選取的車輛訓練樣本和背景訓練樣本進行訓練，得到一個SVM分類器，然后在識別過程對利用各種特征(如車底陰影、水平邊緣、垂直邊緣和對稱性等)分割得到的ROI(感興趣區(qū)域，Region of Interest)，利用訓練得到的分類器進行分類識別。
然而對于實際行駛道路上的車輛，不僅包括要求識別各種類型、各種顏色、與自車的距離、以及與自車行駛方向不同角度的車輛，還包括要求識別不同背景、不同光照以及不同天氣下的車輛，從而使得樣本分布范圍非常廣泛，因而以往僅用單一SVM分類器進行分類識別，一方面會導致訓練樣本集龐大，單一SVM分類器難于區(qū)分分布復雜的樣本(如利用單一SVM分類器識別明、暗混合的車輛時，較暗的車輛識別效果不好)，從而識別率不高，另一方面，會導致用于分類識別的支持向量數(shù)量過多，使得分類器的訓練時間和用于識別處理的時間過長，從而實時性不好。

發(fā)明內(nèi)容
本發(fā)明的目的是，提供一種SVM分類器、利用SVM分類器識別車輛圖像的方法和裝置。能夠縮短分類器的訓練時間，提高車輛圖像識別的識別率和實時性。
為此，本發(fā)明提供一種利用SVM分類器進行車輛圖像識別的方法，其特征在于，按多種車輛識別特征將訓練樣本分類，分別對SVM分類器進行訓練，得到對應于所述多種特征的各個SVM分類器。
在進行車輛圖像識別時，提取待識別圖像所具有的特征，將待識別圖像分派到與該特征對應的SVM分類器，對車輛圖像進行識別。
多種車輛識別特征包括水平特征、垂直特征、亮度、顏色、對比度。
對所述待識別圖像的特征的提取，是針對待識別圖像的特定區(qū)域進行的。
當待識別圖像具有多個車輛識別特征時，則分別分派到與各個特征對應的各分類器中。
根據(jù)車輛識別特征對SVM分類器進行的訓練，是根據(jù)訓練樣本是否滿足規(guī)定的特征識別條件來進行的。
所述規(guī)定的特征識別條件包括水平邊緣數(shù)量、垂直邊緣數(shù)量、圖像亮度、圖像對比度、圖像顏色。
本發(fā)明還提供一種利用SVM分類器進行車輛圖像識別的裝置，其特征在于，包括攝像機構(gòu)，對待識別車輛和背景進行拍攝；分配機構(gòu)，根據(jù)攝像機構(gòu)拍攝的圖像，提取各個車輛識別特征，將所述圖像分配到對應的SVM分類器中；多個SVM分類器，分別與所述多個車輛識別特征的每一個對應，根據(jù)訓練樣本的多種車輛識別特征預先進行訓練；所述SVM分類器，對于按待識別圖像所具有的特征被分派的待識別圖像，進行車輛圖像識別。
此外，本發(fā)明還提供一種車輛圖像識別中的SVM分類器，具有對應于多個車輛識別特征中的至少一個特征的識別模式，該識別模式對應于該至少一個特征進行訓練，對車輛圖像進行識別。
本發(fā)明具有以下技術(shù)效果1)提高了車輛識別率本發(fā)明較好地對車輛樣本的分布進行了分類聚類處理，從而將一類復雜的樣本分布問題分解為若干相對簡單的樣本分布問題，因而與以往方法相比，能更好地反映車輛的分布特征。其結(jié)果是對較暗的車輛識別比以往有了明顯改善，總體識別率得到較大提升；2)提高了實時性本發(fā)明對樣本進行分類處理后，對于各個SVM分類器，訓練樣本數(shù)量少，支持向量數(shù)量大幅降低，而SVM分類器分類識別所耗時間主要依賴于支持向量數(shù)量，數(shù)量越少，所耗時間越少，因而提高了分類識別的實時性；3)提高了適應性本發(fā)明由于將訓練樣本分條件分類后更好地反映了實際車輛樣本的分布特征，因而在不同的光照、天氣和道路條件下適應性更好。


圖1是已有的車輛圖像識別中對SVM分類器進行訓練的示意圖。
圖2是本發(fā)明的車輛圖像識別中對分條件SVM分類器進行訓練的原理圖。
圖3是本發(fā)明的車輛圖像識別中對分條件SVM分類器識別過程的原理圖。
圖4是本發(fā)明的車輛圖像識別裝置的結(jié)構(gòu)框圖。
圖5是本發(fā)明實施例的按照各種識別特征訓練對應的SVM分類器過程。
圖6是本發(fā)明實施例的對應各種特征的SVM分類器進行分類識別的過程。
圖7是本發(fā)明實施例的對訓練樣本圖像進行水平線條數(shù)進行判斷的示意圖。
圖8是本發(fā)明實施例2中對訓練樣本圖像進行明、暗判斷的過程。
具體實施例方式
針對已有的車輛圖像模式識別中存在的單一SVM分類器難于區(qū)分分布復雜的樣本的問題，本發(fā)明提出了利用分條件的SVM分類器來進行車輛的分類識別，其總體思路如圖2和圖3所示，即先對訓練樣本根據(jù)不同的特征(如水平特征、垂直特征、亮度、對比度和顏色)分別進行訓練，得到相應的各個SVM分類器，然后在分類識別階段，將ROI基于不同的特征分派到不同的分類器，如果一個ROI符合多個特征條件，則分派到對應的每個分類器，然后將所得結(jié)果進行仲裁，最終輸出識別結(jié)果。
本發(fā)明的車輛圖像模式識別裝置如圖4所示，包括攝像機裝置10，用于獲取輸入圖像；圖像預處理裝置11，用于去除噪聲等；圖像分割裝置12，用于從圖像中獲取感興趣的區(qū)域ROI；分派器13，根據(jù)ROI的車輛識別特征，例如水平線特征、垂直線特征、亮度、顏色以及對比度等，將ROI分派到不同的SVM分類器；多種分類器14，對應于上述各種車輛識別特征；各種車輛分類器仲裁器15，用于對SVM分類器的輸出結(jié)果進行仲裁，以決定對應的ROI是車輛還是背景，輸出車輛識別裝置用來輸出具體的識別結(jié)果，比如車輛或背景。圖4中的虛線表示可能的分派。
以下具體說明本發(fā)明的按照車輛識別特征對分類器進行分類訓練的過程。在本發(fā)明的實施方式中，給出了按照亮度、對比度、顏色、水平邊緣，垂直邊緣等特征分類的方式。但本發(fā)明并不限于此，本發(fā)明的實施方式在不脫離本發(fā)明的精神的范圍內(nèi)，可以進行各種變形和替換。
實施例1
實施例1分別采用圖像的水平邊緣和垂直邊緣的特征，對對應的分類器進行訓練。
在車輛圖像識別中，待識別圖像中的車輛或背景中，都有若干條水平的和垂直的邊緣(水平線和垂直線)。
對車輛樣本和背景樣本進行水平線條數(shù)判斷，提取水平線特征方法可以是差分法和邊緣算子及其它方法。本發(fā)明以差分法提取水平線特征為例，詳細進行說明。
首先，將樣本圖像轉(zhuǎn)換為灰度圖，假設(shè)待處理樣本灰度圖像共有n行，為了方便描述，每一行按由下向上從“1”開始編號，然后在第2行到第n行對所有行分區(qū)域，如圖7所示。每k(這里為了說明方便，設(shè)為3≤k≤9)行構(gòu)成一個區(qū)域，用符號“R”表示，記第2行～第k+1行構(gòu)成的區(qū)域為R1，第3行～第k+2行構(gòu)成的區(qū)域為R2，…，第k+2行～第2k+1行構(gòu)成的區(qū)域為Rk+1，…，Rs，共s個區(qū)域。
先從R1區(qū)域開始考察，對于R1中第1行，從最左邊第一個像素點開始，先與第2行對應像素點求灰度差運算，若差運算結(jié)果大于給定的值d1(這里例如設(shè)為8≤d1≤16)，則將其作為由亮變暗的像素點計數(shù)，并停止與第3行及第3行以上各行對應像素點的差運算，繼續(xù)第1行下一個像素點與上面行的差運算；若差運算結(jié)果小于給定的值d2(這里例如設(shè)為-16≤d2≤-8)，則將其作為由暗變亮的像素點計數(shù)，停止與第3行及第3行以上各行對應像素點的差運算，繼續(xù)第一行下一個像素點的差運算。
如果第一行由亮變暗和由暗變亮的像素點個數(shù)的最大值大于事先給定的值d3(這里d3例如取圖像一行像素點個數(shù)的35％～60％)，則認為是水平線，將其作為水平線條數(shù)計數(shù)，然后轉(zhuǎn)到Rk+1區(qū)域，進行與R1類似的水平線考察；若不是水平線，則轉(zhuǎn)到R2區(qū)域，進行與R1類似的水平線考察，以此類推。
若提取的水平線條數(shù)在給定的范圍值d4(這里例如設(shè)為d4[3，6])內(nèi)，則認為是候選小型車樣本，將其分到水平特征訓練樣本集1；否則，認為是其他候選車型樣本，將其分到水平特征訓練樣本集2。然后用水平特征訓練樣本集1訓練SVM分類器7，用水平特征訓練樣本集2訓練SVM分類器8。
對訓練樣本進行垂直線條數(shù)判斷，提取垂直線方法采用與水平線類似的方法，例如采用差分法和邊緣算子，本發(fā)明以差分法為例，進行垂直線提取。
垂直線的提取可以包括三個步驟第一步，先將訓練圖像轉(zhuǎn)換為灰度圖，在灰度圖的下半部分確定提取垂直線的區(qū)域，記提取垂直線的區(qū)域為Region；第二步，對Region的左半部分按從左向右的順序應用與上面提取水平線類似的差分法過程提取最左邊垂直線；第三步，對Region的右半部分按從右向左的順序應用與上面提取水平線類似的差分法過程提取最右邊垂直線。
其中確定Region的方法如下設(shè)樣本圖像為m行，n列，對每一行按由下而上的順序從“1”進行編號，先考察第1行，若第一行像素點灰度值小于事先給定的值d5(例如為4≤d5≤7)的個數(shù)大于某個值d6(例如為20≤d6≤50)，則認為是樣本圖像底部較暗區(qū)域的下邊緣；若不滿足，則比較第2行，依次往上，一直到第k行 若均不滿足，將d5的值調(diào)整為2d5，從第1行開始重新進行考察，如果還不滿足，將d5的值調(diào)整為3d5，直到20d5。
若找到樣本圖像底部較暗區(qū)域的下邊緣，設(shè)為第i(1≤i＜k)行，并設(shè)對應的d5的值例如為2d5，第i行大于2d5的像素點個數(shù)為c，則從第i+1行開始進行與上面類似的考察過程，若有一行像素點灰度值大于值2d5的個數(shù)小于給定的值d7(例如為c的20％～40％)時，則認為該行樣本圖像底部較暗區(qū)域的上邊緣，記為第j行，若一直沒有這樣的行，取j＝k。于是由i，j構(gòu)成的區(qū)域(區(qū)域的寬度為樣本圖像的寬度)即為提取垂直線的區(qū)域。
然后進入第二步和第三步，若最后得到的垂直線條數(shù)大于等于1且小于等于2，則將其分到垂直特征訓練樣本集1；否則分到垂直特征訓練樣本集2。然后用垂直特征訓練樣本集1訓練SVM分類器9，用垂直特征訓練樣本集2訓練SVM分類器10。
分類識別時，對ROI進行水平特征和垂直特征判定后分派到相應的分類器。如果一個ROI符合多個特征條件(如既有4條水平線又有2條垂直線)，則將其分別分派到對應的分類器，然后對所得結(jié)果進行仲裁，仲裁可采用的方法包括根據(jù)置信度進行判斷或投票法，最終輸出識別結(jié)果。
實施例2實施例2分別采用圖像的亮度、對比度、顏色的特征，對對應的分類器進行訓練。
首先對訓練樣本圖像進行明、暗判斷(亮度判斷)，可用的方法有根據(jù)整幅圖像的灰度值均值或圖像中像素點的灰度值進行判斷，本發(fā)明采用圖像中像素點的灰度值進行判斷，如圖8所示，即將訓練樣本圖像先轉(zhuǎn)換成灰度圖，然后統(tǒng)計灰度值小于給定的值d8(例如設(shè)為60≤d8≤100)的像素點的個數(shù)，若滿足條件的像素點個數(shù)占整個圖像像素點個數(shù)的百分比大于給定的值d9(例如設(shè)為0.5＜d9≤0.8)，則判定訓練樣本圖像為低亮度樣本；否則判定其為高亮度樣本。最后用低亮度樣本構(gòu)成的集合來訓練SVM分類器1，高亮度樣本構(gòu)成的集合訓練SVM分類器2；對訓練樣本進行高、低對比度判斷，可用的方法是根據(jù)圖像上像素點的灰度值來進行判斷，即先求整幅圖像的灰度值的均值，然后比較每一個像素點與均值的差值，若差值在給定的范圍值d10(例如設(shè)為d10[-5，5])的像素點個數(shù)占整個圖像像素點個數(shù)的百分比大于給定的值d11(例如設(shè)為0.5＜d11≤0.8)則認為對比度低，將對應的樣本分到低對比度訓練樣本集；否則認為對比度高，將其分到高對比度訓練樣本集。最后用低對比度訓練樣本集訓練SVM分類器3，用高對比度訓練樣本集訓練SVM分類器4；對訓練樣本顏色進行黑顏色、非黑顏色判斷，可采用的方法是在HSI(Hue-Saturation-Intensity，色調(diào)-飽和度-強度)顏色空間，如果樣本圖像中HSI三個分量中I分量的值滿足給定的范圍值d12(例如設(shè)為d12(0，0.55])，認為是黑顏色樣本，將其分到黑顏色訓練樣本集；否則，將其分到非黑顏色訓練樣本集。最后利用黑顏色訓練樣本集訓練SVM分類器5，用非黑顏色的訓練樣本集訓練SVM分類器6；分類識別時，對ROI進行亮度、對比度和顏色特征判定后分派到相應的分類器。如果一個ROI符合多個特征條件(如既是較暗的又是黑顏色的)，則將其分別分派到對應SVM1和SVM5，然后對所得結(jié)果進行仲裁，仲裁可采用的方法包括根據(jù)置信度進行判斷或投票法，最終輸出識別結(jié)果。
權(quán)利要求
1.一種利用SVM分類器進行車輛圖像識別的方法，其特征在于，按多種車輛識別特征將訓練樣本分類，分別對SVM分類器進行訓練，得到對應于所述多種特征的各個SVM分類器，在進行車輛圖像識別時，提取待識別圖像所具有的特征，將待識別圖像分派到與該特征對應的SVM分類器，對車輛圖像進行識別。
2.根據(jù)權(quán)利要求1所述的利用SVM分類器進行車輛圖像識別的方法，其特征在于，所述多種車輛識別特征包括水平特征、垂直特征、亮度、顏色、對比度。
3.根據(jù)權(quán)利要求1所述的利用SVM分類器進行車輛圖像識別的方法，其特征在于，對所述待識別圖像的特征的提取，是針對待識別圖像的特定區(qū)域進行的。
4.根據(jù)權(quán)利要求1至3的任一項所述的利用SVM分類器進行車輛圖像識別的方法，其特征在于，當待識別圖像具有多個車輛識別特征時，則分別分派到與各個特征對應的各分類器中。
5.根據(jù)權(quán)利要求1至3的任一項所述的利用SVM分類器進行車輛圖像識別的方法，其特征在于，根據(jù)車輛識別特征對SVM分類器進行的訓練，是根據(jù)訓練樣本是否滿足規(guī)定的特征識別條件來進行的。
6.根據(jù)權(quán)利要求5所述的利用SVM分類器進行車輛圖像識別的方法，其特征在于，所述規(guī)定的特征識別條件包括水平邊緣數(shù)量、垂直邊緣數(shù)量、圖像亮度、圖像對比度、圖像顏色。
7.一種利用SVM分類器進行車輛圖像識別的裝置，其特征在于，包括攝像機構(gòu)，對待識別車輛和背景進行拍攝；分配機構(gòu)，根據(jù)攝像機構(gòu)拍攝的圖像，提取各個車輛識別特征，將所述圖像分配到對應的SVM分類器中；多個SVM分類器，分別與所述多個車輛識別特征的每一個對應，根據(jù)訓練樣本的多種車輛識別特征預先進行訓練；所述SVM分類器，對于按待識別圖像所具有的特征被分派的待識別圖像，進行車輛圖像識別。
8.根據(jù)權(quán)利要求7所述的利用SVM分類器進行車輛圖像識別的裝置，其特征在于，所述多種車輛識別特征包括水平特征、垂直特征、亮度、顏色、對比度。
9.根據(jù)權(quán)利要求7所述的利用SVM分類器進行車輛圖像識別的裝置，其特征在于，對所述待識別圖像的特征的提取，是針對待識別圖像的特定區(qū)域進行的。
10.根據(jù)權(quán)利要求7至9的任一項所述的利用SVM分類器進行車輛圖像識別的裝置，其特征在于，當待識別圖像具有多個車輛識別特征時，則分別分派到與各個特征對應的各分類器中。
11.根據(jù)權(quán)利要求7至9的任一項所述的利用SVM分類器進行車輛圖像識別的裝置，其特征在于，根據(jù)車輛識別特征對SVM分類器進行的訓練，是根據(jù)訓練樣本是否滿足規(guī)定的特征識別條件來進行的。
12.根據(jù)權(quán)利要求11所述的利用SVM分類器進行車輛圖像識別的裝置，其特征在于，所述規(guī)定的特征識別條件包括水平邊緣數(shù)量、垂直邊緣數(shù)量、圖像亮度、圖像對比度、圖像顏色。
13.一種車輛圖像識別中的SVM分類器，具有對應于多個車輛識別特征中的至少一個特征的識別模式，該識別模式對應于該至少一個特征進行訓練，對車輛圖像進行識別。
全文摘要
本發(fā)明提供一種SVM分類器、利用SVM分類器識別車輛圖像的方法和裝置。按多種車輛識別特征將訓練樣本分類，分別對SVM分類器進行訓練，得到對應于所述多種特征的各個SVM分類器，在進行車輛圖像識別時，提取待識別圖像所具有的特征，將待識別圖像分派到與該特征對應的SVM分類器，對車輛圖像進行識別。本發(fā)明能夠縮短分類器的訓練時間，提高車輛圖像識別的識別率和實時性。
文檔編號G06K9/62GK101030259SQ20061005505
公開日2007年9月5日 申請日期2006年2月28日 優(yōu)先權(quán)日2006年2月28日
發(fā)明者文學志, 孫雷 申請人:沈陽東軟軟件股份有限公司, 阿爾派株式會社