[發(fā)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?zhí)枺?/td>: 201710120494.0
• 申請日: 2017-03-02
• 公開（公告）號: CN106971196A
• 公開（公告）日: 2017-07-21
• 發(fā)明（設(shè)計）人: 孫偉;徐子茜;張小瑞;施順順;張雷;張國策
• 申請（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06K9/00
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司32200
• 代理人: 許方

技術(shù)領(lǐng)域

本發(fā)明涉及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，屬于消防車自動識別方法技術(shù)領(lǐng)域。

背景技術(shù)

隨著大城市國民經(jīng)濟(jì)的飛速發(fā)展和城市現(xiàn)代化的加快，道路行駛車輛的不斷增加使得道路的交通環(huán)境不斷惡化。面對交通擁堵時消防車難以通行,如何探索破解這一難題,切實提高滅火救援效能,是一個嶄新的課題。

研發(fā)部署消防車優(yōu)先的信號燈系統(tǒng)，是一個強有力的解決辦法。當(dāng)攝像頭拍攝照片，識別出消防車后，會給信號燈發(fā)送信息，用以實時調(diào)整紅綠燈情況。同時，基于計算機(jī)的車輛識別，成本低準(zhǔn)確率高，不會影響正常的交通秩序。

發(fā)明內(nèi)容

本發(fā)明克服現(xiàn)有車輛檢測方法的不足，同時彌補消防車檢測的空白，提供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，先提取出訓(xùn)練樣本的HOG特征和顏色特征，通過一個映射函數(shù)把HOG特征G_i映射為一個更高階的特征向量，得到基礎(chǔ)矩陣；再提取出檢測樣本的HOG特征和顏色特征，使用基于代價敏感的核稀疏表示模型重構(gòu)測試樣本特征，最后求出基于代價敏感的核稀疏表示模型的最優(yōu)解，完成消防車的識別。

本發(fā)明為解決其技術(shù)問題采用如下技術(shù)方案：

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，包括模型構(gòu)建和實時檢測兩個階段，在模型構(gòu)建中，提取出訓(xùn)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(chǔ)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(gòu)樣本特征，最后求出模型最優(yōu)解，完成消防車的檢測。

所述模型構(gòu)建階段包括如下步驟：

步驟1：圖片采集

利用架設(shè)在交通信號燈旁的攝像頭，獲取N個訓(xùn)練樣本I₁,I₂,...,I_N，標(biāo)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(chǔ)矩陣

定義一個映射函數(shù)把HOG特征G映射為一個更高階的特征向量，如由訓(xùn)練樣本可得到一個基礎(chǔ)矩陣G₁為第一個訓(xùn)練樣本的HOG特征，G₂為第二個訓(xùn)練樣本的HOG特征，G_N為第N個訓(xùn)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。

所述HOG特征提取具體如下：

將樣本圖像I_i轉(zhuǎn)化為灰度圖像，

計算每個像素點的梯度信息；

把彩色圖像轉(zhuǎn)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(biāo)為(x+1,y)的點經(jīng)過Gamma標(biāo)準(zhǔn)化后的值；I(x,y)為圖像中坐標(biāo)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)

其中：H(x+1,y)是圖像中坐標(biāo)為(x+1,y)的點經(jīng)過Gamma標(biāo)準(zhǔn)化后的值；H(x-1,y)為是圖像中坐標(biāo)為(x-1,y)的點經(jīng)過Gamma標(biāo)準(zhǔn)化后的值；H(x,y+1)為是圖像中坐標(biāo)為(x,y+1)的點經(jīng)過Gamma標(biāo)準(zhǔn)化后的值；H(x,y-1)為是圖像中坐標(biāo)為(x,y-1)的點經(jīng)過Gamma標(biāo)準(zhǔn)化后的值；G_x(x,y)為圖像中坐標(biāo)為(x,y)的點x方向的HOG值；G_y(x,y)為圖像中坐標(biāo)為(x,y)的點y方向的HOG值，G(x,y)為圖像中坐標(biāo)為(x,y)的點的HOG值；

(x,y)像素點的梯度方向α為：