[发明专利]基于Gabor特征提取和稀疏表示的车辆识别方法

说明书

技术领域

本发明涉及一种基于Gabor特征提取和稀疏表示的车辆识别方法，属于车辆识别技术领域。

背景技术

近年来，随着国民经济的迅速发展和人们生活水平的不断提高，机动车辆快速增长，交通堵塞和交通事故频繁发生，交通问题日益严峻。为提高交通系统运行的有序性和可靠性，实现交通运输服务的智能化监控和管理，智能交通系统(Intelligent Transportation System，ITS)显得尤为重要，它已经成为当前交通领域的前沿技术之一。

目前主要的车辆识别方法是通过在要检测的路段预先埋下压电传感材料，当车辆经过时，压电材料产生同承重压力成正比的电量，根据电量的大小和产生的次数可以得到车辆载重量和轮轴数等，通过模版匹配的方法可以确定车型，但是该方法埋置传感器软化了路面，路面较容易受损，其次传感器响应结果易受周围环境和繁忙交通的影响，而且压电传感器寿面有限，一般为两年，更换传感器需要破坏交通路面后重新铺设，要花费较高的代价，这些都给传统的车辆识别管理方法带来了极大地挑战。

发明内容

本发明所要解决的技术问题是：提供一种准确率高、识别效果好的基于Gabor特征提取和稀疏表示的车辆识别方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于Gabor特征提取和稀疏表示的车辆识别方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。