[發(fā)明專利]基于多特征融合的車型分類方法

有效

• 申請?zhí)枺?/td>: 201410489933.1
• 申請日: 2014-09-23
• 公開（公告）號: CN104299008B
• 公開（公告）日: 2017-10-31
• 發(fā)明（設(shè)計）人: 蔣昌俊;陳閎中;閆春鋼;張亞英;劉春梅;錢華
• 申請（專利權(quán)）人: 同濟大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/46
• 代理公司: 上海天協(xié)和誠知識產(chǎn)權(quán)代理事務(wù)所31216
• 代理人: 葉鳳

技術(shù)領(lǐng)域

本發(fā)明涉及一種車型分類方法，特指一種基于多特征融合的車型分類方法。

背景技術(shù)

隨著我國社會經(jīng)濟的發(fā)展，汽車擁有量迅猛增加，汽車的類型也是錯綜復雜，交通調(diào)度與收費繁瑣已成為日常生活中的普遍問題。隨著智能交通系統(tǒng)的發(fā)展，借助于逐漸成熟的視頻分析技術(shù)，對交通視頻中車輛型號的準確識別與分類成為了各類收費監(jiān)管系統(tǒng)，大型停車場監(jiān)管系統(tǒng)以及交通監(jiān)控和指揮系統(tǒng)等的應(yīng)用與發(fā)展基礎(chǔ)。

現(xiàn)在，基于視頻的車型識別與分類主要基于模板匹配法與模式識別方法，其中模板匹配法首先針對各種車輛類型建立標準三維模型，利用歐式距離或其他方法對視頻中的待檢測車輛與標準模型進行匹配，匹配度最高的車輛即為所對應(yīng)的車輛類型。模板匹配法存在計算量復雜，實時性相對較差等缺點。模式識別方法中，特征的提取包括車長、車寬、車高等幾何特征，包括不變矩、灰度共生矩陣等紋理特征，包括HOG、SIFT、EOH等邊緣特征等，這些特征的選取過程均為人為設(shè)計，經(jīng)驗性成分偏多，理論依據(jù)不是很充分。分類器的選取包括支持向量機，BP神經(jīng)網(wǎng)絡(luò)，Adaboost等常見分類器。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是：

本發(fā)明從實時視頻中定位并分割出車輛圖片，在此基礎(chǔ)上首先選取人為設(shè)計的金字塔梯度方向直方圖(PHOG)，基于LBP算子的邊緣方向直方圖(LBP-EOH)，然后加入通過深度信念網(wǎng)絡(luò)挖掘出的車輛底層特征的高階描述符，將三種特征進行有效融合，最后利用支持向量機對融合特征進行訓練構(gòu)建車型分類器，從而對實時視頻中的車輛類型做到有效分類。

本發(fā)明具體采用如下的技術(shù)方案：

基于多特征融合的車型分類方法，其特征在于，該方法包括：

步驟1：輸入實時視頻，對車輛進行檢測。

步驟2：對檢測到的車輛進行定位與分割。

步驟3：對提取出的車輛圖像進行形態(tài)學預處理。

步驟4：提取車輛圖像的三種特征，對三種特征進行有效融合。

步驟5：利用支持向量機對所提取出的融合特征進行訓練，生成車型分類器。

步驟6：利用車型分類器對實時視頻中的車輛進行識別與分類。

所述的步驟1利用虛擬線圈進行車輛檢測，當視頻中檢測到車輛時作后續(xù)處理。

所述的步驟2利用尋找連通域的方法定位到車輛所在位置，利用三幀差法對車輛圖像進行分割與提取。

所述的步驟3針對所提取的不同特征類型對車輛圖像作不同規(guī)格的形態(tài)學預處理，包括以下步驟：

步驟3-1：針對傳統(tǒng)的特征提取，只需對圖像進行大小歸一化，以及高斯平滑去噪處理。

步驟3-2：針對深度信念網(wǎng)絡(luò)所提取的特征，在圖像大小歸一化的基礎(chǔ)之上需要對圖像的像素值按照公式：

歸一化至0～1之間。

所述的步驟4提取車輛圖像三種類型的特征包括以下步驟：

步驟4-1：提取車輛圖像的三層金字塔梯度方向直方圖特征。

步驟4-2：提取車輛圖像的基于LBP算子的邊緣方向直方圖特征。

步驟4-3：利用深度信念網(wǎng)絡(luò)深度挖掘出車輛圖像底層像素的高階特征描述符。

步驟4-4：對提取的三種特征進行有效融合。

所述的步驟5利用支持向量機對大量的車輛圖片樣本特征進行訓練，得到車型分類器。

所述的步驟6利用訓練完成的車型分類器對實時視頻中的車輛進行識別與分類，得到最終的分類結(jié)果。

與現(xiàn)有技術(shù)相比，本發(fā)明可以降低所提取的特征的經(jīng)驗性成分，使得特征提取理論依據(jù)更加充足，從而可以提高車型分類的效果。

本發(fā)明的創(chuàng)新點體現(xiàn)在：

(1)特征的提取包括了人為設(shè)計特征(PHOG特征,LBP-EOH特征)的全局性，其中邊緣直方圖特征的提取中利用LBP算子取代傳統(tǒng)的canny算子，更能有效的描繪出車輛邊緣信息，提取的特征更具代表性。

(2)在人為設(shè)計特征的基礎(chǔ)之上加入了通過深度信念網(wǎng)絡(luò)挖掘出的車輛圖片底層像素的高階特征描述符，達到了人為特征設(shè)計與底層特征挖掘的有效融合，緩解了特征提取存在經(jīng)驗性偏多的問題。

附圖說明

圖1為基于視頻的車輛型號分類總流程圖；

圖2.1為三層HOG特征提取的直方圖；

圖2.2為LBP-EOH特征提取的直方圖；

圖2.3為深度信念網(wǎng)絡(luò)特征提取的原理圖；

圖3為深度信念網(wǎng)絡(luò)模型(基本公式)；

圖4為分類器的構(gòu)建與訓練流程。

具體實施方式