一種基于池化車輛圖片原始特征的車型識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于模式分類和物體識(shí)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(shí)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(shì)，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(duì)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(shí)別、分類，需要做的第一步是探測(cè)、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(shí)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(hào)、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(shí)別和分類，因?yàn)橛械奶卣骺梢杂?儀器不停車探測(cè)、提取，有的則不然，如排氣量、司乘人員數(shù)等。目前，車型識(shí)別技術(shù)主要 有輪廓掃描方法、車軸計(jì)數(shù)方法、磁場(chǎng)變化方法、車牌識(shí)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(shí)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(duì)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(shí)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(shí)別，且運(yùn)行速度快，實(shí)現(xiàn)簡單，消耗內(nèi)存少，識(shí)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(duì)車輛圖像的原始像 素特征，提取其圖像像素塊對(duì)車型進(jìn)行細(xì)分識(shí)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(shí)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(duì)車輛圖像的原始像 素特征，提取其圖像像素塊對(duì)車型進(jìn)行細(xì)分識(shí)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(shí)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(duì)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(duì)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(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(shí)別系統(tǒng)；
[0016] 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。
[0017] 上述技術(shù)方案中，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??；
[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(duì)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(duì)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(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；
[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(duì)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(duì)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(duì) 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(duì)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(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(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。
[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(shí)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(shí)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(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；
[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(shí)別系統(tǒng)進(jìn)行測(cè)試， 識(shí)別出測(cè)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(shí)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(jí)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(shí)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(duì)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(shí)別方法，在車輛車型識(shí)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(shí) 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(duì)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(duì)比度歸一化，需要對(duì) 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