[发明专利]一种低对比度车辆图像的小波特征提取方法

说明书

技术领域：

本发明涉及一种低对比度车辆图像的小波特征提取方法，属于图像特征处理技术领域。

背景技术：

特征提取是模式识别(pattern recogniton)的关键，目前，在基于视觉的车辆检测中，常用的特征提取方法包括小波特征提取(wavelet feature extraction)、主要成分分析特征提取(PCA feature extraction，primary component analysis feature extraction)、局部方向编码(LOC，local orientation coding)、伽柏特征提取(Gabor)等方法。其中小波特征在车辆检测应用中非常具有吸引力，其主要原因在于以下三个方面：第一，小波特征能提供图像边缘及轮廓特征的紧凑描述；第二，小波特征能提供图像特征在不同尺度下的描述；第三，小波特征的获取所需的计算资源量少。

现有的基于小波特征的车辆图像模式识别流程如图1所示：

首先对车辆图像进行识别得到感兴趣区域(ROI，Region of Interest)，之后进行塔式分解；其次对小波系数进行相关处理，比如去掉第一层最高频(highest frequency)，选取较大的小波系数同时将其量化为[-1，0，1]，构成特征向量；最后通过分类器(如支持向量机)来进行车辆检测，得到结果。

前述小波塔式分解的具体过程如图2所示：

第一步，分别对N×N维图像中的每一行进行低通(low pass)和高通(high pass)滤波(filter)。然后再对进行低通、高通滤波后的图像分别进行二分之一向下采样，二分之一向下采样(sample)相当于在N×N维图像中每隔一列去掉一列，得到一个N×(N/2)维的图像。

第二步，对第一步得到的图像的每一列分别进行低通和高通滤波。然后分别再向下进行二分之一向下采样，采样将两次滤波后N×(N/2)维的图像每隔一行去掉一行，这样图中所示树的每一个分支都成了一幅(N/2)×(N/2)维的图像。若对(N/2)×(N/2)维的低通细节进行与原始图像塔式分解相同的过程。则会产生4个(N/4)×(N/4)维的子图像：一个低通部分(LL)，以及水平(LH)、垂直(HL)和对角(HH)部分。分析可以一直进行下去，直到获得的子图像只包含一个像素为止。

当光照条件、车辆图像对比度比较好时，以上特征提取方法提取的小波特征在车辆图像检测应用中具有较好的识别效果。但是由于距离、光照条件、天气条件以及摄像机本身性能的影响使得图像对比度降低、图像变模糊、边缘和细节(detail)不清晰时，现有的小波特征提取方法无法有效地提取车辆图像的边缘及轮廓特征，而通过图像预处理方法如直方图均衡化(histogram equalization)则容易使图像出现过增强、对噪声敏感以及局部对比度不足，造成细节信息丢失的问题，从而影响车辆图像的模式识别效果。

发明内容

本发明的所要解决的技术问题是针对背景技术中存在的低对比度车辆图像进行特征提取导致车辆分类检测不好的问题，基于小波多分辨率(wavelet multi-resolution)的特性，提出一种对低对比度图像有效进行特征提取的方法，。

本发明为实现上述发明目的采用如下技术方案：

一种低对比度车辆图像的小波特征提取方法，包括利用小波变换对图像进行塔式分解步骤、小波系数处理步骤、分类器检测步骤；其中小波系数处理步骤包括小波高频系数增益步骤和分层归一化步骤：

(一)、小波高频系数增益步骤：

图像经小波变换塔式分解步骤后分为低频子带部分和高频子带部分，采用增益函数对小波高频子带部分进行增益处理，所述高频子带包括水平子带、垂直子带和对角子带，采用式(1)分层对小波高频系数进行增益处理，

E(m_i，j)＝W(m_max_i，j)×K(m_i，j)    (1)

其中，W(·)为增益权值，K(·)为增益函数，i＝1，…，N-1，N为小波塔式分解的层数，j＝1，2，3，j＝1表示水平子带细节，j＝2表示垂直子带细节，j＝3表示对角子带细节；m_i，j表示第i层j对应子带小波系数，m_max_i，j为第i层j对应子带系数幅值的最大值；式(1)中：