[发明专利]一种车型识别方法

说明书

技术领域

本发明涉及一种车型识别方法。

背景技术

随着社会的发展及人们生活水平的提高，汽车的普及率逐年升高，私有汽车的数量急剧增加，道路交通管理的难度也越来越大，智能交通系统就显得尤其重要。车辆检测系统作为智能交通系统的基础子系统，在智能交通系统中占有不可替代的作用。所以车辆检测及车型识别技术的研究已然成为关注的焦点。

车辆检测及识别是基于各种图像处理算法。目前的车辆检测方法主要有地感线圈车辆检测法、波频检测法、智能视频检测法等。

智能视频检测方法是直接集成在摄像机内部或者构建在前端工控机内的一个功能强大的综合事件检测“软件”，对道路视频信息进行实时识别检测，一旦在分析过程中发现“车辆”，便进行视频跟踪当视频检测到相应的车辆进入到最佳的拍照范围时，便触发相应抓拍及后续的车型识别行为，其优点是硬件易于安装，维护方便，不会破坏路面，比较灵活，能够做到实时检测及更新。目前视频中的车辆检测方法已经在交通监控管理系统中得到了广泛的应用，而且随着物联网技术的应用及图像处理、特征提取、模式识别等技术的不断完善，智能视频交通监控的应用前景将更加广阔。

发明内容

本发明要解决的技术问题是提供一种车型识别方法。

一种车型识别方法，包括以下步骤：

(1)视频图像采集，车型分别为轿车(包括小轿车、吉普车)、面包车(包括商务车及普通面包车)和公共汽车(公交车)三类，分别用C、V、B表示；从视频中提取多幅关键帧图像构建了车辆图像库，其中训练样本采集和测试样本采集包括：轿车、面包车、公共汽车；

(2)图像分割及预处理：

将每个样本经过图像剪裁成85×60像素大小且含车辆目标的图片，进行边缘检测和形态学操作；

(3)图像特征提取及降维：

首先，对进行形态学操作后的图像进行形状及纹理特征提取，由区域像素数、均值、标准差、三阶矩、熵组成的5维的特征向量；其中，区域像素数是区域内总的像素数，均值是纹理平均亮度的度量，标准差是纹理灰度级对比度度量，三阶矩表示直方图偏斜度的度量，熵是描述图像亮度随机性的度量；

然后，对去除背景后的原图像进行HOG(梯度方向直方图)特征提取，形成高维的特征向量；

最后，将高维特征向量进行主成分分析法(PCA)降维处理，加上描述形状和纹理的特征，形成特征向量，然后经过LDA算法计算类内散布矩阵S_w及类间散布矩阵S_b，最后取矩阵S_b的前k个特征向量作为LDA特征子空间的投影矩阵，训练样本和测试样本最后均以k维的特征向量表示；

(4)构造支持向量机核函数的选择与参数的确定：

利用支持向量机进行分类时，选用径向基核函数，并确定径向基核函数本身的参数γ以及惩罚参数C；

(5)多类分类器的设计：

构造3个一对一分类器，即(C，B)(将轿车划分为正类，公共汽车划为负类)，(C，V)及(B，V)，构造有向无环图，并通过决策有向无环图多分类方法进行车型的分类。

进一步的，步骤(3)中HOG特征提取的具体方法如下：

(1)计算每个像素的梯度幅度和方向；

(2)将图像分成8×8个像素大小的单元格(cell)，将每个梯度方向(180度)分为9个区间，每个区间([(x-1)*20，x*20]，x＝1,2，…，9)是20度的范围，然后将每个单元格中所有像素的梯度方向累加到各个区间上，这样每个单元格就形成一个9维的特征向量；相邻的cell(2×2)组成一个块(block)，而相邻block间有一半的区域是重叠的，所以每个(2*2*9)维的特征向量；

(3)在block内采用对比度归一化处理，以消除光照的影响，得到block的HOG特征；

(4)将检测窗口中所有重叠的block进行HOG特征的收集，并将它们结合成最终的HOG特征向量。

进一步的，步骤(3)中将高维特征向量进行降维处理的具体方法如下：

(1)把每幅图像的HOG特征向量构成一个矩阵X_n×N，每一行代表一个样本，每一列代表一个特征值，计算矩阵X_n×N的协方差矩阵S＝E[(X_n×N-μ)^T(X_n×N-μ)]，其中μ是样本的总体均值矩阵，设待测样品为X_1×N；