一種基于融合特征稀疏編碼模型的車輛品牌類型識別方法
【專利摘要】本發(fā)明公開了一種基于融合特征稀疏編碼模型的車輛品牌類型識別方法，包括以下步驟：1)車輛前臉區(qū)域的定位提取及車輛前臉圖像的預(yù)處理；2)提取車輛前臉特征并構(gòu)建融合特征；3)構(gòu)建基于融合特征的稀疏編碼模型；4)構(gòu)建非負(fù)性約束稀疏編碼模型；5)采用重構(gòu)誤差最小法進(jìn)行車輛品牌類型識別。本發(fā)明有效地提取車輛前臉的特征來實(shí)現(xiàn)對不同車輛品牌的分類，用于自動提取拍攝到的交通卡口視頻中車輛品牌信息并進(jìn)行分類，實(shí)現(xiàn)對卡口視頻數(shù)據(jù)的智能化管理。
【專利說明】
一種基于融合特征稀疏編碼模型的車輛品牌類型識別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明專利涉及智能交通研究領(lǐng)域，主要是車輛品牌分類方法的研究。
【背景技術(shù)】
[0002] 對于車輛品牌的智能化識別系統(tǒng)應(yīng)用需求廣泛，如公安交警部門的破案稽查、統(tǒng) 計(jì)調(diào)研、停車場、住宅小區(qū)的車輛管理等場合?；谟?jì)算機(jī)視覺的車輛識別方法是典型的模 式識別在智能交通領(lǐng)域的人_車-路-環(huán)境的應(yīng)用研究，優(yōu)點(diǎn)是設(shè)備操作簡便，故障率低，可 以全天候全時段的使用，充分挖掘車輛圖像中的信息，實(shí)時智能化效率可以極大的將車輛 管理人員從枯燥繁復(fù)的人工判別工作中解放出來，節(jié)約大量成本和人力物力資源。缺點(diǎn)是 如何快速有效的提取可靠的特征描述車輛品牌并準(zhǔn)確的識別與分類仍有待研究。
[0003] 為研發(fā)新一代車輛品牌識別系統(tǒng)，該系統(tǒng)由前端路口的卡口相機(jī)(視頻傳感器）、 視頻傳輸系統(tǒng)、車輛品牌信息處理系統(tǒng)組成，既能實(shí)時監(jiān)控交通卡口的交通狀況，又可以實(shí) 現(xiàn)車輛品牌的識別以及假(套）牌車的查處。目前，車輛品牌識別運(yùn)用的特征提取方法有 Curvelet變換、H0G特征、PH0G特征、Harr特征、E0H特征、Gabor小波等。但是，上述的識別方 法都是提取單一的特征進(jìn)行車輛品牌的識別，所以本技術(shù)方案研究基于融合特征稀疏編碼 模型的車輛品牌類型識別方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于解決現(xiàn)有識別方法提取特征單一的缺點(diǎn)，提供一種基于融合特 征稀疏編碼模型的車輛品牌類型識別方法。
[0005] 本發(fā)明采用的技術(shù)方案為:一種基于融合特征稀疏編碼模型的車輛品牌類型識別 方法，包括以下步驟：
[0006] 1)車輛前臉區(qū)域的定位提取及車輛前臉圖像的預(yù)處理；
[0007] 2)提取車輛前臉特征并構(gòu)建融合特征；
[0008] 3)構(gòu)建基于融合特征的稀疏編碼模型；
[0009] 4)構(gòu)建非負(fù)性約束稀疏編碼模型；
[0010] 5)采用重構(gòu)誤差最小法進(jìn)行車輛品牌類型識別。
[0011] 作為優(yōu)選，所述步驟1)中的前臉區(qū)域定位是根據(jù)車輛前臉與車牌之間的相對位置 關(guān)系，所以車臉定位之前需要進(jìn)行對車牌的定位，首先根據(jù)模板匹配尋找具有直角特性點(diǎn)， 提取車牌4個角點(diǎn)的坐標(biāo)位置，以得到車牌的質(zhì)心坐標(biāo)。假設(shè)卡口圖像數(shù)據(jù)中車牌的寬度和 高度分別為w和h像素，車臉的高度和寬度分別為W和H個像素點(diǎn)，由車牌4個角點(diǎn)的坐標(biāo)位置 確定車牌的質(zhì)心坐標(biāo)為(x，y)，則根據(jù)大量圖像數(shù)據(jù)的統(tǒng)計(jì)得知，車臉的左邊界、右邊界與 車牌質(zhì)心的距離均為車牌寬度的兩倍，即2w，車臉的上邊界與車牌質(zhì)心的距離為車牌高度 的五倍，即5h，而車臉的下邊界與車牌質(zhì)心點(diǎn)的距離為兩倍的車牌高度，即2h。
[0012] 圖像的預(yù)處理工作包括圖像的直方圖均衡化、尺寸歸一化等。車輛圖像的采集過 程中受光照、拍攝距離和焦距的影響，圖像呈現(xiàn)出不同的明暗程度、圖像的對比度不高且車 臉在整幅圖像中的位置和大小不確定，從而導(dǎo)致檢測出的車臉尺寸不一致。為了減少光照 的影響，增強(qiáng)圖像的對比度，更好地提取車輛品牌的特征，本圖像預(yù)處理中對圖像進(jìn)行均衡 化處理，主要原理是利用某種函數(shù)映射對原始圖像中的像素灰度做變換，使得均衡化的圖 像灰度的概率密度均勻分布，均衡化后的圖像動態(tài)范圍得到增大，對比度增強(qiáng)。車臉尺寸的 不一致會影響車臉數(shù)據(jù)之間的匹配，歸一化尺寸不會對特征提取與分類的計(jì)算造成很大的 壓力，同時也會很好的保留車臉的信息，在本方法中采用雙線性插值進(jìn)行歸一化的處理，歸 一化尺寸為512 X 256，而對于車輛品牌識別來講，主要是尋找車型與車型之間的差異性，應(yīng) 該盡量減少類別間的干擾信息，所以本文將車臉上的車牌區(qū)域使用灰色RGB(128,128,128) 進(jìn)行填充。
[0013] 作為優(yōu)選，所述步驟2)構(gòu)建融合特征通過選擇多特征疊加提取法，即將二維圖像 進(jìn)行變換提取出的一級特征向量，構(gòu)建出合理的字典作為稀疏表示的數(shù)據(jù)輸入來進(jìn)行樣本 數(shù)據(jù)的稀疏編碼提取稀疏系數(shù)作為二級特征。基于不同的特征提取原理，特征具有疊加性。 可以將上級提取到的局部特征描述作為下級特征提取的輸入進(jìn)行融合。定義變換函數(shù)：Y =fa⑴），fa(0)表示將辦寺征在a特征空間上進(jìn)行變換，則其組合后的變換特征空間為d = n 維。
[0014] 作為優(yōu)選，步驟3)中構(gòu)建融合特征稀疏編碼模型：
[0015] 設(shè)原始圖像為I，則I(x，y)表示一幅圖像的灰度像素值，（x，y)表示像素的空間坐 標(biāo);經(jīng)過一級特征提取后的特征向量為T，特征維數(shù)為t。定義變換函數(shù)為:T t= rKKx^))， 其中Tt代表經(jīng)過變換后的一級特征向量。則視覺感知系統(tǒng)通過對外界刺激產(chǎn)生的感受野特 征，將其表達(dá)為視覺細(xì)胞的活動狀態(tài)，這一過程用信息編碼的模型描述為式(1 )，即
[0016] I 二 ⑴ i
[0017] 其中，表示模擬初級視覺系統(tǒng)主視皮層VI區(qū)感受野的特征基向量;ai是隨機(jī)稀疏 系數(shù)矢量，表示對各個基函數(shù)的響應(yīng)，對應(yīng)主視皮層VI區(qū)簡單細(xì)胞神經(jīng)元的活動狀態(tài)；e通 常假設(shè)為高斯白噪聲。對于變換后的T t信號，設(shè)測試樣本為y，A為變換后信號組成的訓(xùn)練樣 本空間，x為稀疏向量。當(dāng)稀疏向量ti的1 〇足夠稀疏時，有式(2 )，即
[0018] x:(t： = minimize |.|:?||。 s._t ?.於=Ar (2)
[0019] 上式方程與h最小化問題的解同解，即
[0020] 皂|網(wǎng):1 s,t j = Ax (3)
[0021] 但如果上式中的線性約束不成立時，可以將其轉(zhuǎn)化為下列無約束優(yōu)化問題式(4)， 即
[0022] CUj- minimize |jj?-Axj[^ +^1^1 (4)
[0023] 通過以上的表述可以看出，在求解方程的稀疏向量時首先要構(gòu)建變換后特征的訓(xùn) 練樣本空間，根據(jù)提取后并變換的特征向量，運(yùn)用K-奇異值分解方法建立樣本特征空間，假 設(shè)輸入訓(xùn)練樣本的特征為Y，樣本特征空間為A，建立的算法流程如下所示：
[0024]第一步:初始化隨機(jī)分布的字典D〇eRnXK，首先進(jìn)入第一步驟對于每個訓(xùn)練樣本利 用正交匹配追蹤算法(Orthogonal Matching Pursuit，0MP)算法進(jìn)行稀疏向量的求解，不 斷迭代使得式| |x| |〇彡T〇成立，求解獲得稀疏向量Xi〇
[0025] 第二步:對字典D(K中的每一列k=1，2, . . .，K進(jìn)行字典逐列更新:假設(shè)樣本組為 咚=丨1^見彳咖0丨,計(jì)算Ek誤差矩陣即為盡，然后令Ek只能從對應(yīng)的列中 ?k選取獲取到校,再用奇異值分解法來分解確其中可以令列巧為矩陣U的第一 列的結(jié)果來選則更新字典，用V與A (1，1)乘積的第一列進(jìn)行更新中間系數(shù)向量g。
[0026] 第三步：逐列更新完后形成的新字典D作稀疏分解，不停的迭代直到滿足終止條 件誤差最小為止。
[0027]最終建立的字典D即為根據(jù)輸入樣本建立的特征樣本空間A。在建立特征空間的過 程中需要不斷的利用0MP算法求解稀疏向量，0MP算法的求解過程如下所示：
[0028]第一步:輸入條件為過完備字典DitcU，^，. . .，dL]，原始信號y和稀疏度M，輸出的 是支撐索引集A m= A h，稀疏系數(shù);
[0029] 第二步:首先對冗余r〇 = y，支撐索引集A〇=①，初始迭代m=l，進(jìn)行初始化；
[0030] 第三步:假設(shè)在第m次迭代中信號支撐集為Am= A^U (Am)，然后不停的迭代計(jì)算 得出支撐索引4 ，更新殘差 止條件m=M。
[0031] 作為優(yōu)選，所述步驟4)的構(gòu)建非負(fù)性約束稀疏編碼模型：
[0032]從神經(jīng)生理學(xué)的角度出發(fā)，VI區(qū)神經(jīng)元細(xì)胞對較弱的背景刺激較為敏感，而且刺 激不能為負(fù)值。根據(jù)一級抽象提取的特征可以得知這些特征值都是非負(fù)性的，因此，受神經(jīng) 生理學(xué)的啟發(fā)，并結(jié)合一級變換后的特征向量的每個元素的值均為非負(fù)，則可以對特征信 號進(jìn)行非負(fù)性稀疏表示。將Lee等人的非負(fù)矩陣分解算法（Non-negative Matrix Factorization，NMF)和01 shausen等人提出的標(biāo)準(zhǔn)算法相結(jié)合，那么就會形成一種新的稀 疏編碼算法，稱為非負(fù)稀疏編碼算法，其目標(biāo)函數(shù)定義為：
(S)
[0034]其中，約束條件為A>〇;y表示測試圖像轉(zhuǎn)換組合而成的列向量，其中的元素均大 于或等于零;A表示基函數(shù)，其中的元素均大于或等于零;x表示稀疏性系數(shù)，其中的元素 XlJ 均大于或等于零。稀疏向量x的稀疏性由懲罰函數(shù)的具體形式所決定，定義為f( ?)。則取其 函數(shù)表達(dá)式為f (x) = I x I =x(x彡〇)，因此目標(biāo)函數(shù)式(5)在非負(fù)性條件下等價于式(6)，即
(6)
[0036] 這樣函數(shù)f( ?)是一個嚴(yán)格增函數(shù)。當(dāng)f(X)=X，|X1|>|X2|>...>| Xm^^l^f (X1)>f(X2)>..>f(Xm)，f( X)為絕對值嚴(yán)格增函數(shù)。所以，只要y-Ax值不變，使得f(x)減小 時，那么目標(biāo)函數(shù)總是在減小。
[0037] 基于非負(fù)性稀疏編碼的主要思想是:令
t>1，A = tA。即A乘上一個放大系 數(shù)，x乘上一個縮小系數(shù)，| |y_Ax| |2值不變，x中所有元素縮小，f(x)減小，則可以保證目標(biāo) 函數(shù)C(x)總是遞減。那么對于給定的基函數(shù)，對稀疏系數(shù)x的優(yōu)化可以用式(7)進(jìn)行計(jì)算，即
[0038] ./(ATAy+A)} (7)
[0039] 其中，和"./"分別代表矩陣的點(diǎn)乘和點(diǎn)除。采用式(7)更新規(guī)則來實(shí)現(xiàn)x的迭 代過程，則更新后的x仍然滿足非負(fù)性，因?yàn)樗母路椒ㄊ峭ㄟ^乘以一個非負(fù)因子 (ATy)./(ATAy+A)來實(shí)現(xiàn)的。只要當(dāng)稀疏向量x的初始值設(shè)置為正數(shù)，那么在 x的迭代過程中 對任意要求的精度都能夠收斂到全局最小值。給定x不變，考慮A的優(yōu)化問題。采用標(biāo)準(zhǔn)的梯 度下降算法，得到A的更新規(guī)則為：
(8)
[0041]其中，y是學(xué)習(xí)步長，P為學(xué)習(xí)速率。只要步長y大于零且足夠小，投影梯度算法就可 以保證減小目標(biāo)函數(shù)值。
[0042]作為優(yōu)選，所述步驟5)采用重構(gòu)誤差最小法進(jìn)行車輛品牌類型識別。
[0043]對于給定的k類車輛品牌圖像，通過對各類訓(xùn)練樣本進(jìn)行字典學(xué)習(xí)，可獲得m個最 適合重構(gòu)原始車輛品牌圖像的基函數(shù)集合。對于任意的測試樣本，計(jì)算其用每種基函數(shù)集 合進(jìn)行稀疏表示的重構(gòu)誤差，對應(yīng)于重構(gòu)誤差最小的類別為該樣本的所屬類別。即：設(shè)共有 k類，每個類下的每個樣本用v中的一個列向量來描述1^,，若第i類包含m個樣本，則有
[0044] A, = , vini, V(/Ii,..vin； j e Emx"' (9)
[0045] 若y屬于第i類，則而+…+ w 4卩y可以由第i類的樣本進(jìn)行線性 組合來逼近。如何確定基于稀疏表示的車輛品牌分類，即可以通過求得的稀疏解然后重構(gòu) 出各類圖像，然后通過與原始測試樣本進(jìn)行求殘差，分類規(guī)則為重構(gòu)殘差最小的就為那一 類。
[0046] 有益效果:本發(fā)明有效地提取車輛前臉的特征來實(shí)現(xiàn)對不同車輛品牌的分類，用 于自動提取拍攝到的交通卡口視頻中車輛品牌信息并進(jìn)行分類，實(shí)現(xiàn)對卡口視頻數(shù)據(jù)的智 能化管理。
【具體實(shí)施方式】
[0047] 下面結(jié)合具體實(shí)施方案對本技術(shù)方案進(jìn)一步說明：
[0048] -種基于融合特征稀疏編碼模型的車輛品牌類型識別方法，包括以下步驟：
[0049] 第一步:使用模板匹配方法檢測車牌位置，提取車牌的坐標(biāo)，根據(jù)車牌與車臉的相 對關(guān)系提取車臉圖片，接著對提取到的車臉圖片進(jìn)行相關(guān)的預(yù)處理工作，包括直方圖均衡 化、尺寸歸一化等工作，將車臉圖片數(shù)據(jù)歸一化到512 X 256;
[0050] 第二步:通過選擇多特征疊加提取法構(gòu)建融合特征，即將二維圖像進(jìn)行變換提取 出的一級特征向量，構(gòu)建出合理的字典作為稀疏表示的數(shù)據(jù)輸入來進(jìn)行樣本數(shù)據(jù)的稀疏編 碼提取稀疏系數(shù)作為二級特征。基于不同的特征提取原理，特征具有疊加性。可以將上級提 取到的局部特征描述作為下級特征提取的輸入進(jìn)行融合。定義變換函數(shù)：y =fa⑴），&⑴） 表示將0特征在a特征空間上進(jìn)行變換，則其組合后的變換特征空間為d = n維。第四步:融合 特征稀疏編碼模型的建立。設(shè)原始圖像的為I，則I(x，y)表示一幅圖像的灰度像素值，（X，y) 表示像素的空間坐標(biāo);經(jīng)過一級特征提取后的特征向量為T，特征維數(shù)為t。
[0051] 第三步:設(shè)原始圖像為I，則I(x，y)表示一幅圖像的灰度像素值，（X，y)表示像素的 空間坐標(biāo);經(jīng)過一級特征提取后的特征向量為T，特征維數(shù)為t。定義變換函數(shù)為:Tt= rKi (x，y))，其中Tt代表經(jīng)過變換后的一級特征向量。則視覺感知系統(tǒng)通過對外界刺激產(chǎn)生的 感受野特征，將其表達(dá)為視覺細(xì)胞的活動狀態(tài)，這一過程用信息編碼的模型描述為式（1)， 即
[0052] T< = ^2Lafli +s ⑴ i
[0053] 其中，^表示模擬初級視覺系統(tǒng)主視皮層VI區(qū)感受野的特征基向量;h是隨機(jī)稀疏 系數(shù)矢量，表示對各個基函數(shù)的響應(yīng)，對應(yīng)主視皮層VI區(qū)簡單細(xì)胞神經(jīng)元的活動狀態(tài)；e通 常假設(shè)為高斯白噪聲。對于變換后的T t信號，設(shè)測試樣本為y，A為變換后信號組成的訓(xùn)練樣 本空間，x為稀疏向量。當(dāng)稀疏向量ti的1 〇足夠稀疏時，稀疏向量的與11最小化問題的解同 解，當(dāng)不同解時，可以將其轉(zhuǎn)化為下列無約束優(yōu)化問題。通過以上的表述可以看出，在求解 方程的稀疏向量時首先要構(gòu)建變換后特征的訓(xùn)練樣本空間，根據(jù)提取后并變換的特征向 量，運(yùn)用K-奇異值分解方法建立樣本特征空間，在建立特征空間的過程中需要不斷的利用 0MP算法求解稀疏向量。
[0054]第四步:非負(fù)性約束稀疏編碼模型的建立。目標(biāo)函數(shù)定義為：
2)
[0056]其中，約束條件為A>〇;y表示測試圖像轉(zhuǎn)換組合而成的列向量，其中的元素均大 于或等于零;A表示基函數(shù)，其中的元素均大于或等于零;x表示稀疏性系數(shù)，其中的元素 XlJ 均大于或等于零。稀疏向量x的稀疏性由懲罰函數(shù)的具體形式所決定，定義為f( ?)。則取其 函數(shù)表達(dá)式為f (x) = I x I =x(x彡〇)，因此目標(biāo)函數(shù)式(2)在非負(fù)性條件下等價于式(3)，即
(3)
[0058] 這樣函數(shù)f( ?)是一個嚴(yán)格增函數(shù)。當(dāng)f(X)=X，|X1|>|X2|>...>| Xm^^l^f (X1)>f(X2)>..>f(Xm)，f( X)為絕對值嚴(yán)格增函數(shù)。所以，只要y-Ax值不變，使得f(x)減小 時，那么目標(biāo)函數(shù)總是在減小。
[0059] 基于非負(fù)性稀疏編碼的主要思想是:令
，t>1，A = tA。即A乘上一個放大系 數(shù)，x乘上一個縮小系數(shù)，| |y_Ax| |2值不變，x中所有元素縮小，f(x)減小，則可以保證目標(biāo) 函數(shù)C(x)總是遞減。那么對于給定的基函數(shù)，對稀疏系數(shù)x的優(yōu)化可以用式(4)進(jìn)行計(jì)算，即
[0060] x1+1 = x1.*{(ATy) ./(ATAy+入）} (4)
[0061] 其中，和分別代表矩陣的點(diǎn)乘和點(diǎn)除。采用式(4)更新規(guī)則來實(shí)現(xiàn)x的迭 代過程，則更新后的x仍然滿足非負(fù)性，因?yàn)樗母路椒ㄊ峭ㄟ^乘以一個非負(fù)因子 (A Ty)./(ATAy+A)來實(shí)現(xiàn)的。只要當(dāng)稀疏向量x的初始值設(shè)置為正數(shù)，那么在 x的迭代過程中 對任意要求的精度都能夠收斂到全局最小值。給定x不變，考慮A的優(yōu)化問題。采用標(biāo)準(zhǔn)的梯 度下降算法，得到A的更新規(guī)則為：
(5)
[0063]其中，y是學(xué)習(xí)步長，P為學(xué)習(xí)速率。只要步長y大于零且足夠小，投影梯度算法就可 以保證減小目標(biāo)函數(shù)值。
[0064] 第五步:基于稀疏編碼模型采用重構(gòu)誤差最小法進(jìn)行車輛品牌類型識別。對于給 定的k類車輛品牌圖像，通過對各類訓(xùn)練樣本進(jìn)行字典學(xué)習(xí)，可獲得m個最適合重構(gòu)原始車 輛品牌圖像的基函數(shù)集合。對于任意的測試樣本，計(jì)算其用每種基函數(shù)集合進(jìn)行稀疏表示 的重構(gòu)誤差，對應(yīng)于重構(gòu)誤差最小的類別為該樣本的所屬類別。即：設(shè)共有k類，每個類下的 每個樣本用v中的一個列向量來描述 1^，若第i類包含m個樣本，則有
[0065] = ^；)], , r,"； (6)
[0066] 若y屬于第i類，則J = %…。g卩y可以由第i類的樣本進(jìn)行線性 組合來逼近。如何確定基于稀疏表示的車輛品牌分類，即可以通過求得的稀疏解然后重構(gòu) 出各類圖像，然后通過與原始測試樣本進(jìn)行求殘差，分類規(guī)則根據(jù)重構(gòu)誤差最小確定所屬 的類別。
[0067] 應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下， 還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。本實(shí)施例中未 明確的各組成部分均可用現(xiàn)有技術(shù)加以實(shí)現(xiàn)。
【主權(quán)項(xiàng)】
1. 一種基于融合特征稀疏編碼模型的車輛品牌類型識別方法，其特征在于:包括以下 步驟： 1) 車輛前臉區(qū)域的定位提取及車輛前臉圖像的預(yù)處理； 2) 提取車輛前臉特征并構(gòu)建融合特征； 3) 構(gòu)建基于融合特征的稀疏編碼模型； 4) 構(gòu)建非負(fù)性約束稀疏編碼模型； 5) 采用重構(gòu)誤差最小法進(jìn)行車輛品牌類型識別。2. 根據(jù)權(quán)利要求1所述的一種基于融合特征稀疏編碼模型的車輛品牌類型識別方法， 其特征在于:所述步驟1)中的車輛前臉區(qū)域定位是根據(jù)車輛前臉與車牌之間的相對位置關(guān) 系，所以車臉定位之前需要進(jìn)行對車牌的定位，首先根據(jù)模板匹配尋找具有直角特性點(diǎn)，提 取車牌4個角點(diǎn)的坐標(biāo)位置，以得到車牌的質(zhì)心坐標(biāo);假設(shè)卡口圖像數(shù)據(jù)中車牌的寬度和高 度分別為w和h像素，車臉的寬度和高度分別為W和Η個像素點(diǎn)，由車牌4個角點(diǎn)的坐標(biāo)位置確 定車牌的質(zhì)心坐標(biāo)為(x，y)，車臉的左邊界、右邊界與車牌質(zhì)心的距離均為車牌寬度的兩 倍，即2w，車臉的上邊界與車牌質(zhì)心的距離為車牌高度的五倍，即5h，而車臉的下邊界與車 牌質(zhì)心點(diǎn)的距離為兩倍的車牌高度，即2h; 車輛前臉圖像的預(yù)處理工作包括圖像的直方圖均衡化和尺寸歸一化;所述圖像的直方 圖均衡化處理是利用某種函數(shù)映射對原始圖像中的像素灰度做變換，使得均衡化的圖像灰 度的概率密度均勻分布，均衡化后的圖像動態(tài)范圍得到增大，對比度增強(qiáng);所述圖像的尺寸 歸一化采用雙線性插值進(jìn)行歸一化的處理，歸一化尺寸為512X256,車臉上的車牌區(qū)域使 用灰色RGB( 128,128,128)進(jìn)行填充。3. 根據(jù)權(quán)利要求1所述的一種基于融合特征稀疏編碼模型的車輛品牌類型識別方法， 其特征在于:所述步驟2)中構(gòu)建融合特征通過選擇多特征疊加提取法，即將二維圖像進(jìn)行 變換提取出的一級特征向量，構(gòu)建出合理的字典作為稀疏表示的數(shù)據(jù)輸入來進(jìn)行樣本數(shù)據(jù) 的稀疏編碼提取稀疏系數(shù)作為二級特征;基于不同的特征提取原理，特征具有疊加性;可以 將上級提取到的局部特征描述作為下級特征提取的輸入進(jìn)行融合;定義變換函數(shù)：γ =fa (β)，?·α(β)表示將β特征在α特征空間上進(jìn)行變換，則其組合后的變換特征空間為d = n維。4. 根據(jù)權(quán)利要求1所述的一種基于融合特征稀疏編碼模型的車輛品牌類型識別方法， 其特征在于:所述步驟3)中構(gòu)建融合特征稀疏編碼模型： 設(shè)原始圖像為I，則I(x，y)表示一幅圖像的灰度像素值，（x，y)表示像素的空間坐標(biāo);經(jīng) 過一級特征提取后的特征向量為τ，特征維數(shù)為t;定義變換函數(shù)為:Tt= r KKxj))，其中 Tt代表經(jīng)過變換后的一級特征向量;則視覺感知系統(tǒng)通過對外界刺激產(chǎn)生的感受野特征， 將其表達(dá)為視覺細(xì)胞的活動狀態(tài)，這一過程用信息編碼的模型描述為式(1 )，即其中，表示模擬初級視覺系統(tǒng)主視皮層VI區(qū)感受野的特征基向量;〇1是隨機(jī)稀疏系數(shù) 矢量，表示對各個基函數(shù)的響應(yīng)，對應(yīng)主視皮層VI區(qū)簡單細(xì)胞神經(jīng)元的活動狀態(tài)；ε通常假 設(shè)為高斯白噪聲;對于變換后的Tt信號，設(shè)測試樣本為y，A為變換后信號組成的訓(xùn)練樣本空 間，X為稀疏向量;當(dāng)稀疏向量ti的1〇足夠稀疏時，有式(2)，即上式方程與ll·最小化問題的解同解，即但如果上式中的線性約束不成立時，可以將其轉(zhuǎn)化為下列無約束優(yōu)化問題式(4)，即通過以上的表述可以看出，在求解方程的稀疏向量時首先要構(gòu)建變換后特征的訓(xùn)練樣 本空間，根據(jù)提取后并變換的特征向量，運(yùn)用K-奇異值分解方法建立樣本特征空間，假設(shè)輸 入訓(xùn)練樣本的特征為Y，樣本特征空間為A，建立的算法流程如下所示： 第一步：初始化隨機(jī)分布的字典D〇eRnXK，首先進(jìn)入第一步驟對于每個訓(xùn)練樣本利用 OMP算法進(jìn)行稀疏向量的求解，不斷迭代使得式arg 成立，求解獲 得稀疏向量Xi; 第二步：對字典中的每一列k=l，2, . . .，K進(jìn)行字典逐列更新：假設(shè)樣本組為 作)#〇},計(jì)算Ek誤差矩陣即為，然后令Ek只能從對應(yīng)的列中 ?!^選取獲取到盡％再用奇異值分解法來分解if ,其中可以令列5^為矩陣U的第一 列的結(jié)果來選則更新字典，用V與△( 1，1)乘積的第一列進(jìn)行更新中間系數(shù)向量4 ; 第三步:逐列更新完后形成的新字典D作稀疏分解，不停的迭代直到滿足終止條件誤差 最小為止； 最終建立的字典D即為根據(jù)輸入樣本建立的特征樣本空間A;在建立特征空間的過程中 需要不斷的利用OMP算法求解稀疏向量，OMP算法的求解過程如下所示： 第一步:輸入條件為過完備字典D = [cU，d2，. . .，dL]，原始信號y和稀疏度Μ，輸出的是支 撐索引集 Λ m= Λ m-i，稀疏系數(shù)~,）; 第二步:首先對冗余r〇 = y，支撐索引集Λ〇= Φ，初始迭代m=l，進(jìn)行初始化； 第三步:假設(shè)在第m次迭代中信號支撐集為Λ m= Λ η U (λη)，然后不停的迭代計(jì)算得出更新殘差r", = y ；T I>L;v直到達(dá)到迭代終止條件 m=M〇5.根據(jù)權(quán)利要求1所述的一種基于融合特征稀疏編碼模型的車輛品牌類型識別方法， 其特征在于:所述步驟4)中的構(gòu)建非負(fù)性約束稀疏編碼模型： 非負(fù)稀疏編碼算法的目標(biāo)函數(shù)定義為：其中，約束條件為A>0;y表示測試圖像轉(zhuǎn)換組合而成的列向量，其中的元素均大于或 等于零;A表示基函數(shù)，其中的元素均大于或等于零;X表示稀疏性系數(shù)，其中的元素Xlj均大 于或等于零;稀疏向量X的稀疏性由懲罰函數(shù)的具體形式所決定，定義為f( ·);則取其函數(shù) 表達(dá)式為f(x) = |χ| =χ(χ彡0)，因此目標(biāo)函數(shù)式(5)在非負(fù)性條件下等價于式(6)，即這樣函數(shù)f( ·)是一個嚴(yán)格增函數(shù)；當(dāng)f(X)=X，|xi| > |x2| >. . .> |xm|時，則有f(Xl)> f(X2)>...>f(Xm)，f(X)為絕對值嚴(yán)格增函數(shù);所以，只要y-Ax值不變，使得f(x)減小時，那 么目標(biāo)函數(shù)總是在減??； 基于非負(fù)性稀疏編碼的主要思想是：，τ>1，Α = τΑ;β卩A乘上一個放大系數(shù)，X 乘上一個縮小系數(shù)，I |y-Ax| |2值不變，X中所有元素縮小，f(x)減小，則可以保證目標(biāo)函數(shù)C (X)總是遞減;那么對于給定的基函數(shù)，對稀疏系數(shù)X的優(yōu)化可以用式(7)進(jìn)行計(jì)算，即 χ^ = χ1>{(ΑΤγ)./(ΑΤΑγ+λ)} (7)其中，"·*"和"·/"分別代表矩陣的點(diǎn)乘和點(diǎn)除;采 用式(7)更新規(guī)則來實(shí)現(xiàn)X的迭代過程，則更新后的X仍然滿足非負(fù)性，因?yàn)樗母路椒ㄊ?通過乘以一個非負(fù)因子(ATy)./(ATAy+A)來實(shí)現(xiàn)的；只要當(dāng)稀疏向量X的初始值設(shè)置為正數(shù)， 那么在X的迭代過程中對任意要求的精度都能夠收斂到全局最小值;給定X不變，考慮A的優(yōu) 化問題;采用標(biāo)準(zhǔn)的梯度下降算法，得到A的更新規(guī)則為：其中，μ是學(xué)習(xí)步長，β為學(xué)習(xí)速率；只要步長μ大于零且足夠小，投影梯度算法就可以保 證減小目標(biāo)函數(shù)值。6.根據(jù)權(quán)利要求1所述的一種基于融合特征稀疏編碼模型的車輛品牌類型識別方法， 其特征在于:所述步驟5)中采用重構(gòu)誤差最小法進(jìn)行車輛品牌類型識別； 對于給定的k類車輛品牌圖像，通過對各類訓(xùn)練樣本進(jìn)行字典學(xué)習(xí)，可獲得m個最適合 重構(gòu)原始車輛品牌圖像的基函數(shù)集合;對于任意的測試樣本，計(jì)算其用每種基函數(shù)集合進(jìn) 行稀疏表示的重構(gòu)誤差，對應(yīng)于重構(gòu)誤差最小的類別為該樣本的所屬類別；即：設(shè)共有k類， 每個類下的每個樣本用v中的一個列向量來描述，若第i類包含m個樣本，則有若y屬于第i類，則^ %化+化化+…+ ;即y可以由第i類的樣本進(jìn)行線性組合來 逼近;如何確定基于稀疏表示的車輛品牌分類，即可以通過求得的稀疏解然后重構(gòu)出各類 圖像，然后通過與原始測試樣本進(jìn)行求殘差，分類規(guī)則為重構(gòu)殘差最小的就為那一類。
【文檔編號】G06K9/62GK105930812SQ201610268208
【公開日】2016年9月7日
【申請日】2016年4月27日
【發(fā)明人】趙池航, 陳愛偉, 張小琴
【申請人】東南大學(xué)