[發明專利]一種車型識別方法

在審

• 申請號: 201611022972.6
• 申請日: 2016-11-20
• 公開（公告）號: CN106778473A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 陳錫清
• 申請（專利權）人: 南寧市浩發科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 北海市佳旺專利代理事務所(普通合伙)45115
• 代理人: 黃建中

技術領域

本發明涉及一種車型識別方法。

背景技術

隨著社會的發展及人們生活水平的提高，汽車的普及率逐年升高，私有汽車的數量急劇增加，道路交通管理的難度也越來越大，智能交通系統就顯得尤其重要。車輛檢測系統作為智能交通系統的基礎子系統，在智能交通系統中占有不可替代的作用。所以車輛檢測及車型識別技術的研究已然成為關注的焦點。

車輛檢測及識別是基于各種圖像處理算法。目前的車輛檢測方法主要有地感線圈車輛檢測法、波頻檢測法、智能視頻檢測法等。

智能視頻檢測方法是直接集成在攝像機內部或者構建在前端工控機內的一個功能強大的綜合事件檢測“軟件”，對道路視頻信息進行實時識別檢測，一旦在分析過程中發現“車輛”，便進行視頻跟蹤當視頻檢測到相應的車輛進入到最佳的拍照范圍時，便觸發相應抓拍及后續的車型識別行為，其優點是硬件易于安裝，維護方便，不會破壞路面，比較靈活，能夠做到實時檢測及更新。目前視頻中的車輛檢測方法已經在交通監控管理系統中得到了廣泛的應用，而且隨著物聯網技術的應用及圖像處理、特征提取、模式識別等技術的不斷完善，智能視頻交通監控的應用前景將更加廣闊。

發明內容

本發明要解決的技術問題是提供一種車型識別方法。

一種車型識別方法，包括以下步驟：

(1)視頻圖像采集，車型分別為轎車(包括小轎車、吉普車)、面包車(包括商務車及普通面包車)和公共汽車(公交車)三類，分別用C、V、B表示；從視頻中提取多幅關鍵幀圖像構建了車輛圖像庫，其中訓練樣本采集和測試樣本采集包括：轎車、面包車、公共汽車；

(2)圖像分割及預處理：

將每個樣本經過圖像剪裁成85×60像素大小且含車輛目標的圖片，進行邊緣檢測和形態學操作；

(3)圖像特征提取及降維：

首先，對進行形態學操作后的圖像進行形狀及紋理特征提取，由區域像素數、均值、標準差、三階矩、熵組成的5維的特征向量；其中，區域像素數是區域內總的像素數，均值是紋理平均亮度的度量，標準差是紋理灰度級對比度度量，三階矩表示直方圖偏斜度的度量，熵是描述圖像亮度隨機性的度量；

然后，對去除背景后的原圖像進行HOG(梯度方向直方圖)特征提取，形成高維的特征向量；

最后，將高維特征向量進行主成分分析法(PCA)降維處理，加上描述形狀和紋理的特征，形成特征向量，然后經過LDA算法計算類內散布矩陣S_w及類間散布矩陣S_b，最后取矩陣S_b的前k個特征向量作為LDA特征子空間的投影矩陣，訓練樣本和測試樣本最后均以k維的特征向量表示；

(4)構造支持向量機核函數的選擇與參數的確定：

利用支持向量機進行分類時，選用徑向基核函數，并確定徑向基核函數本身的參數γ以及懲罰參數C；

(5)多類分類器的設計：

構造3個一對一分類器，即(C，B)(將轎車劃分為正類，公共汽車劃為負類)，(C，V)及(B，V)，構造有向無環圖，并通過決策有向無環圖多分類方法進行車型的分類。

進一步的，步驟(3)中HOG特征提取的具體方法如下：

(1)計算每個像素的梯度幅度和方向；

(2)將圖像分成8×8個像素大小的單元格(cell)，將每個梯度方向(180度)分為9個區間，每個區間([(x-1)*20，x*20]，x＝1,2，…，9)是20度的范圍，然后將每個單元格中所有像素的梯度方向累加到各個區間上，這樣每個單元格就形成一個9維的特征向量；相鄰的cell(2×2)組成一個塊(block)，而相鄰block間有一半的區域是重疊的，所以每個(2*2*9)維的特征向量；

(3)在block內采用對比度歸一化處理，以消除光照的影響，得到block的HOG特征；

(4)將檢測窗口中所有重疊的block進行HOG特征的收集，并將它們結合成最終的HOG特征向量。

進一步的，步驟(3)中將高維特征向量進行降維處理的具體方法如下：

(1)把每幅圖像的HOG特征向量構成一個矩陣X_n×N，每一行代表一個樣本，每一列代表一個特征值，計算矩陣X_n×N的協方差矩陣S＝E[(X_n×N-μ)^T(X_n×N-μ)]，其中μ是樣本的總體均值矩陣，設待測樣品為X_1×N；