[發明專利]一種基于代價敏感的核稀疏表示分類器的消防車識別方法

在審

• 申請號: 201710120494.0
• 申請日: 2017-03-02
• 公開（公告）號: CN106971196A
• 公開（公告）日: 2017-07-21
• 發明（設計）人: 孫偉;徐子茜;張小瑞;施順順;張雷;張國策
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06K9/00
• 代理公司: 南京經緯專利商標代理有限公司32200
• 代理人: 許方

1.一種基于代價敏感的核稀疏表示分類器的消防車識別方法，其特征在于，包括模型構建和實時檢測兩個階段，在模型構建中，提取出訓練樣本的HOG特征和顏色特征，將HOG特征映射成為一個更高階的特征向量，得到基礎向量；在實時檢測階段，提取測試樣本的HOG特征和顏色特征，在使用基于代價敏感的核稀疏表示模型重構樣本特征，最后求出模型最優解，完成消防車的檢測。

2.根據權利要求1所述的一種基于代價敏感的核稀疏表示分類器的消防車識別方法，其特征在于，所述模型構建階段包括如下步驟：

步驟1：圖片采集

利用架設在交通信號燈旁的攝像頭，獲取N個訓練樣本I₁,I₂,...,I_N，標注為y₁,y₂,...,y_N(y_i∈{-1,+1})，其中+1表示消防車樣本，-1為非消防車樣本，每個樣本的大小為32×32像素；

步驟2：提取特征

提取HOG特征與顏色特征；

步驟3：獲得基礎矩陣

定義一個映射函數R³⁶→R^d(d＞＞36)，把HOG特征G映射為一個更高階的特征向量，如由訓練樣本可得到一個基礎矩陣G₁為第一個訓練樣本的HOG特征，G₂為第二個訓練樣本的HOG特征，G_N為第N個訓練樣本的HOG特征，R^d×N表示一個d×N的矩陣，R³⁶指36維的矩陣。

3.根據權利要求2所述的一種基于代價敏感的核稀疏表示分類器的消防車識別方法，其特征在于，所述HOG特征提取具體如下：

將樣本圖像I_i轉化為灰度圖像，

計算每個像素點的梯度信息；

把彩色圖像轉換為灰度圖像，Gamma壓縮公式如下：

H(x,y)＝I(x,y)^gamma

其中：H(x,y)是圖像中坐標為(x+1,y)的點經過Gamma標準化后的值；I(x,y)為圖像中坐標為(x,y)的點的灰度值；^gamma為一般取0.45；

梯度大小G為：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}$

其中：H(x+1,y)是圖像中坐標為(x+1,y)的點經過Gamma標準化后的值；H(x-1,y)為是圖像中坐標為(x-1,y)的點經過Gamma標準化后的值；H(x,y+1)為是圖像中坐標為(x,y+1)的點經過Gamma標準化后的值；H(x,y-1)為是圖像中坐標為(x,y-1)的點經過Gamma標準化后的值；G_x(x,y)為圖像中坐標為(x,y)的點x方向的HOG值；G_y(x,y)為圖像中坐標為(x,y)的點y方向的HOG值，G(x,y)為圖像中坐標為(x,y)的點的HOG值；

(x,y)像素點的梯度方向α為：

$\mathrm{\α}(x,y)=arctan\frac{G_y(x,y)}{G_x(x,y)}$

再將圖像I_i劃分為每個大小為2×2像素大小的細胞單元，把細胞單元的角度α∈(-90，90)均分9份，對每個像素點的梯度分別在這9個方向進行加權投影之后，權重大小為G(x,y)，由此得到了這9個方向的投影大小，然后對所有在同一個細胞單元范圍內的像素點的投影按照不同的方向進行累加計算，最后得出該細胞單元在這9個方向上的9個特征值，即一個9維的特征向量G_c∈R⁹，R⁹表示9維矩陣；

定義每4個細胞單元組成一個小區域，針對每個小區域對應的細胞單元的特征值進行歸一化處理，其過程是：求出每一個小區域中4個細胞單元的梯度值之和S，然后將同一個小區域內的每一個細胞單元的9個不同方向的梯度值除以S，最終得到HOG特征G_i∈R³⁶，其中R³⁶指36維的矩陣；

G_i即為所提取的HOG特征。