[发明专利]基于Gabor特征提取和稀疏表示的车辆识别方法

权利要求书

1.一种基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于：包括如下步骤：

步骤1、采集各个类别的样本车辆图像，并提取样本车辆图像的Gabor特征；

步骤2、根据步骤1所得的样本车辆图像的Gabor特征，建立样本车辆图像的初始特征字典，并对初始特征字典降维，得到降维后的特征字典；

步骤3、采集待测车辆图像，并提取待测车辆图像的Gabor特征；

步骤4、根据步骤3所得的待测车辆图像的Gabor特征，对待测车辆图像的Gabor特征进行降维处理，使得待测车辆图像的维数等于特征字典的维数，得到降维后的Gabor特征；

步骤5、计算步骤4所得的降维后的Gabor特征在步骤2所得的降维后的特征字典上的稀疏系数；

步骤6、根据步骤5所得的稀疏系数将待测车辆图像在步骤2所得降维后的特征字典中表示出来，得到各个类别的近似待测车辆图像，计算待测车辆图像与各个类别的近似待测车辆图像之间的残差，残差最小时对应的类别即为待测车辆图像所在的类。

2.如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于：所述Gabor特征的提取方法如下：利用快速傅里叶变换以及傅里叶反变换计算Gabor小波核函数与相应的车辆图像的卷积结果，将其作为相应的车辆图像的局部纹理特征，将相应的车辆图像的局部纹理特征的幅值作为相应的车辆图像的Gabor特征。

3.如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于：步骤2中所述初始特征字典的建立方法为：将每幅样本车辆图像的Gabor特征图像的像素矩阵按列拉伸，组成一维向量，将各个类别的样本车辆图像的Gabor特征组成矩阵形成各个类别样本车辆图像的初始特征字典，将各个类别的初始特征字典合并得到样本车辆图像的初始特征字典。

4.如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于：步骤2中所述初始特征字典的降维方法为主成分分析法，所述主成分分析法的步骤为：归一化所述初始特征字典得到新的特征字典矩阵，计算新的特征字典矩阵的协方差矩阵，计算协方差矩阵的特征值和特征向量，特征向量按对应的特征值由大到小排列，并取前t列特征向量得到线性变换矩阵，t为大于1且小于特征向量总列数的自然数，并且t小于样本的总个数，将线性变换矩阵的转置矩阵乘以初始特征字典得到新的特征字典。

5.如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于：步骤4中所述待测车辆图像的Gabor特征的降维方法为主成分分析法，所述主成分分析法的步骤为：矢量化待测车辆图像的Gabor特征，并将待测车辆图像的Gabor特征图像的像素矩阵按列拉伸，得到一维列向量，计算一维列向量的协方差矩阵，计算协方差矩阵的特征值和特征向量，特征向量按对应的特征值由大到小排列，并取前t列特征向量得到线性变换矩阵，t为大于1且小于特征向量总列数的自然数，并且t小于样本的总个数，将线性变换矩阵的转置矩阵乘以一维列向量得到新的待测车辆图像Gabor特征。

6.如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于：步骤5中所述稀疏系数的计算方法为正交匹配追踪算法，所述正交匹配追踪算法的步骤为：预设总迭代次数、索引集和初始余量，计算余量与特征字典矩阵中每列原子的内积，使内积的绝对值最大的原子即为与余量最相关的原子，将该原子添加到预设索引集得到新的索引集，利用最小二乘法计算待测车辆图像在新的索引集上的最优系数向量，计算待测车辆图像Gabor特征新的余量，重复上述步骤直至迭代次数大于总迭代次数，并输出最后一次迭代得到的系数向量。

7.如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于：步骤1中所述样本车辆图像的采集方法如下：将每个类别的样本车辆图像各采集若干辆不同车的车头图像，然后将每幅车头图像在[-5^o,+5^o]旋转并选择若干张作为样本车辆图像。

8.如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于：所述Gabor特征提取之前，利用加权平均法对相应的车辆图像做灰度处理。