CN103258213A - 一种用于智能交通系统中的动态车辆车型识别方法 - Google Patents

Abstract

本发明公开了一种用于智能交通系统的动态车辆车型识别方法，特征是包括以下步骤：a运动车辆的车型学习训练步骤，在分辨率归一化后，提取HOG、GIST特征，然后分别通过基于支持向量机进行归类学习，并相应获得第一、第二分类器识别模型；b运动车辆的车型识别步骤，根据相应的运动对象分割算法将运动车辆提取出来，在分辨率归一化后，将提取的HOG、GIST特征分别输入到第一、第二识别模型进行初始预测，并分别获得第一、第二初始结果；c初始结果融合步骤，输入第一初始结果与第二初始结果，通过D-S证据理论融合规则进行结果融合，得到最大概率值，完成运动车辆的车型识别。本发明结构简单，复杂度低，算法效率高，特别适合在智能交通系统中应用。

Description

一种用于智能交通系统中的动态车辆车型识别方法

技术领域

本发明属于计算机视觉领域，是智能交通领域中的一项重要应用技术，尤其是涉及一种基于机器学习的多特征动态车辆车型识别方法。

背景技术

机器学习算法是一种自适应学习算法，它能够根据不同类别的输入训练样本特征值自动拟合出相应的分类面，从而为后续的识别与检测工作提供可靠的先验知识。这种方法的优点是，在样本特征表征全面且样本量充足的条件下能够进行很好的分类工作，同时对于不良数据的容忍力较强，可以适应多种不同的数据环境。因此机器学习算法广泛应用于图像分类、图像物体定位、图像检索、图像物体识别、视频对象跟踪等多个图像处理领域。近年来伴随机器学习算法，特别是支持向量机(SVM)技术的不断发展，该技术的应用极大的推动了计算机视觉技术的发展，并对人们的现实生活产生了深远的影响。

运动车辆的车型识别是智能交通系统中的重要组成部分。一方面它可以为交通事件检测提供可靠的证据；另一方面通过车型识别也可以进行精确地运动车辆跟踪，从而避免一些不必要的干扰。

目前有很多有关运动车型识别方面的研究，也出现了很多相应的方法，其中相当多的方法都用到了分类器。从基于视频运动检测的车型识别技术角度来分，大致可以分为两大类：基于车辆类型的车型识别和基于车辆标志的车型识别。而对于识别车辆类型的方法来讲，大致可以分为三类：基于模型匹配的车型识别；基于分类器的车型识别；基于参数预测的车型识别。总体来说，基于模型匹配的方法，由于会受到定位不准，模型建模相对复杂且模型不能有效地满足各类识别情况等影响，使得该类方法的识别率较低，并且适应的环境也相对单一且不具有有效地抗干扰性。在较为复杂的识别场景中，当运动车辆的视角变化较大或车型信息相对不准确时，该类方法就不适用了。运动检测方法得到的运动对象图像往往包含较多的阴影、光照、移动背景等无关信息，这会给后续的一些边缘检测，图像二值化等操作带来很多意想不到的误差，从而直接导致车型识别不准确。因此基于参数检测的这类方法的识别率也是较低的。相对来讲基于机器学习的方法准确率较高，分类器能够在训练样本足够大的情况下找到不同车型之间的分界线，此外该类方法对于无关数据的干扰有较强的容忍度，能够适应较多的识别场景。但是基于机器学习的方法需要选取全面描述图像的特征以充分的获取分类面；另外，对于不同特征机器学习算法的输出需要寻找一种合适的结果融合规则进行最终结果的融合。

伴随我国交通事业的不断发展，智能交通系统的功能会越来越完善，对于动态车辆的车型识别要求会越来越高，但是动态车辆车型识别的环境却越来越复杂。因此制定出一种可靠、鲁棒的运动车辆车型识别检测方法是十分有必要的。

发明内容

本发明针对现有技术的不足，提出了一种用于智能交通系统中的动态车辆车型识别方法。该方法以描述车辆图像的多种特征为基础，融入了机器学习与证据决策理论融合的思想，能够充分提高车型识别的效率，可以有效地进行动态场景下的运动车辆车型识别，对于完善智能交通系统有着积极的意义。

其技术解决方案是：

一种用于智能交通系统中的动态车辆车型识别方法，包括以下步骤：

a运动车辆的车型学习训练步骤，首先对样本车辆图像进行分辨率归一化处理，再提取描述图像整体梯度分布的HOG特征与描述整幅图像内容的GIST特征，然后分别通过基于支持向量机（SVM）的学习算法进行归类学习，并相应获得第一分类器识别模型与第二分类器识别模型；

b运动车辆的车型识别步骤，首先，根据相应的运动对象分割算法将所获取的运动车辆的视频图像即待识别车辆的视频图像提取出来，然后对其进行分辨率归一化，再提取相应的HOG特征与GIST特征，最后将HOG特征与GIST特征分别输入到第一分类器识别模型与第二分类器识别模型进行初始预测，并分别获得第一初始结果与第二初始结果；各初始结果中包含当前待识别车辆属于某一类别的概率值，该概率值与某一个车型类别相对应；

c初始结果融合步骤，输入第一初始结果与第二初始结果，通过D-S证据理论融合规则进行结果融合，得到最大概率值，最大概率值对应的车型类别，即为当前待识别车辆的类别，至此完成运动车辆的车型识别。

上述步骤a中，样本车辆图像在进行HOG特征提取时分辨率归一化为48*64；样本车辆图像在进行GIST特征提取时分辨率归一化为64*64。

上述步骤a中，样本车辆图像在进行HOG特征提取时，在分辨率归一化结束后要先进行伽马滤波，然后计算图像中相应像素在水平与竖直方向的梯度，接着将图像分解成3*3有交叠的block，其中每两个相邻的block重叠率是其面积的0.5倍，在每个block中将其分解成2*2互不重叠的4个cell区域，在每个cell区域中统计0-360度内的梯度分布情况，在统计时每个bin的取值范围是45度，每个cell形成包含8个bin的直方图；最后在block中将对应取值的4个cell直方图加起来形成总向量，再用每个cell的bin除以总向量中对应的bin以进行归一化操作；如此进行，直到处理完所有的block，得到整幅图像的HOG特征。

上述步骤a中，样本车辆图像在进行GIST特征提取时，在分辨率归一化结束后要对彩色图像中的每个颜色通道图像都进行Gabor滤波，在具体滤波过程中采用的滤波尺度是三层，其中第一层与第二层中每45度滤波一次，第三层中每90度滤波一次，在滤波结束后形成20幅不同尺度及角度的滤波图像；接下来对每一幅滤波图像进行正反离散傅里叶变换，然后将图像硬划分成4*4块大小相等的互不重叠的图像块，在此基础上提取每个图像块中的能量值，然后将同一幅滤波图像中不同图像块的所有能量值加起来形成总能量，再用每个图像块中的能量值除总能量，以此进行归一化处理，最后在每一幅滤波图像中形成一个16维的特征向量；如此进行，直到处理完所有的滤波图像，得到描述图像全局内容的GIST特征。

上述步骤a中，在训练学习之前要对所选样本特征数据进行交叉验证以得到最好的训练学习参数。

上述步骤c中，首先将第一初始结果与第二初始结果输入到证据理论融合函数中，对于第一初始结果与第二初始结果中的不同类之间的预测值要进行两两相乘，再将两两相乘的结果相加，得到的相加值即为不一致因子，利用不一致因子的大小来反映第一、第二两个分类器识别模型之间相互冲突的程度；在得到不一致因子后，首先用1减去不一致因子再将得到的结果取倒数，以得到归一化因子；然后将第一初始结果与第二初始结果中，对应相同类的预测值进行两两相乘，再乘以归一化因子得到当前待识别图像属于相应类别的最终概率，从最终概率中选取最大概率值作为最终识别结果。

本发明具有以下有益技术效果：

本发明中，图像的特征描述子能够全面的描述图像的梯度、纹理和边缘信息，支持向量机技术能够对无关数据的干扰有较强的容忍度，并且能够适应多种识别场景；在获得初始预测结果后为更进一步获取精确的融合结果而采用了D-S证据决策理论，能更有效地提高运动车辆车型识别的准确率。

本发明能在保障完成基本识别功能的前提下，结构简单，复杂度低，算法效率高，特别适合在智能交通系统中应用。

附图说明

下面结合附图与具体实施方式对本发明作更进一步的说明：

图1为本发明一种实施方式的整体流程示意框图。

图2为本发明中样本车辆图像HOG特征提取的流程示意框图。

图3为本发明中样本车辆图像GIST特征提取的流程示意框图。

具体实施方式

结合图1、图2与图3，本发明的基本思想是针对智能交通系统中运动车辆车型识别的实际情况，可将整个识别工作分为三个部分。在进行车型识别之前，首先对车辆图像归一化再进行特征提取以及基于支持向量机的机器学习与训练，以得到车型的分类器识别模型；然后在识别阶段根据得到的运动车辆图像再进行归一化与特征提取，将所得特征放入识别模型中得到初始结果；最后再根据D-S证据决策理论对初始结果进行融合以得到最后的分类结果。以上方法可以适应多种识别场景，并在相当的程度上提高了识别精度。

为了更好地理解本发明，将涉及到的部分缩略语定义（解释）为：

SVM：支持向量机

HOG：方向梯度直方图

GIST：用于描述图像全局内容的特征描述子

D-S：一种证据决策理论方法

Gabor：加窗傅立叶变换的一种，可以在频域不同尺度、不同方向上提取相关的特征

block：图像块

cell：组成图像块的单位

bin：直方图中的数据分组

具体包括以下三个方面：

（1）对运动车辆图像进行全面的特征描述，采用描述全局图像梯度直方图的HOG图像特征描述子和描述全局图像内容的GIST特征来充分的表征图像。HOG特征提取的流程重点参见图2，GIST特征的提取流程重点参见图3。

（2）基于支持向量机的车型学习算法，利用描述图像的相关特征进行识别模型的学习，在判别过程中，对相应的待识别车辆图像输出其属于每一类车型的概率值。

（3）基于D-S证据决策理论的数据融合方法，充分利用了支持向量机输出的初始（预测）结果，并将其作为输入进行了有效地结果融合，得到了满意的识别效果。

本发明主要按以下步骤实现：

运动车辆的车型学习训练步骤，首先对相应的样本车辆图像进行分辨率归一化操作，再提取描述图像整体梯度分布的HOG特征与描述整幅图像内容的GIST特征，然后分别通过基于支持向量机（SVM）的学习算法进行归类学习，旨在为后续的具体识别过程提供良好的第一分类器识别模型与第二分类器识别模型。

上述步骤中，样本车辆图像在进行HOG特征提取时分辨率归一化为48*64；样本车辆图像在进行GIST特征提取时分辨率归一化为64*64。

上述步骤中，样本车辆图像在进行HOG特征提取时，在分辨率归一化结束后要先进行伽马滤波，然后计算图像中相应像素在水平与竖直方向的梯度，接着将图像分解成3*3有交叠的block，其中每两个相邻的block重叠率是其面积的0.5倍，在每个block中将其分解成2*2互不重叠的4个cell区域，在每个cell区域中统计0-360度内的梯度分布情况，在统计时每个bin的取值范围是45度，每个cell形成包含8个bin的直方图；最后在block中将对应取值的4个cell直方图加起来形成总向量，再用每个cell的bin除以总向量中对应的bin以进行归一化操作；如此进行，直到处理完所有的block，得到整幅图像的HOG特征。

上述步骤中，样本车辆图像在进行GIST特征提取时，在分辨率归一化结束后要对彩色图像中的每个颜色通道图像都进行Gabor滤波，在具体滤波过程中采用的滤波尺度是三层，其中第一层与第二层中每45度滤波一次，第三层中每90度滤波一次，在滤波结束后形成20幅不同尺度及角度的滤波图像；接下来对每一幅滤波图像进行正反离散傅里叶变换，然后将图像硬划分成4*4块大小相等的互不重叠的图像块，在此基础上提取每个图像块中的能量值，然后将同一幅滤波图像中不同图像块的所有能量值加起来形成总能量，再用每个图像块中的能量值除总能量，以此进行归一化处理，最后在每一幅滤波图像中形成一个16维的特征向量；如此进行，直到处理完所有的滤波图像，得到描述图像全局内容的GIST特征。

上述步骤中，在训练学习之前要对所选样本特征数据进行交叉验证以得到最好的训练学习参数。

运动车辆的车型识别步骤，首先，根据相应的运动对象分割算法将所获取的运动车辆的视频图像即待识别车辆的视频图像提取出来，然后对其进行分辨率归一化，再提取相应的HOG特征与GIST特征，最后，将HOG特征输入到第一分类器识别模型进行初始预测，并获得第一初始结果，将GIST特征输入到第二分类器识别模型进行初始预测，并获得第二初始结果。各初始结果中包含当前待识别车辆属于每一类的概率值，用来判定相应的车型属于哪一个车型类别。

初始结果融合步骤，输入第一初始结果与第二初始结果，通过D-S证据理论融合规则进行结果融合，得到最大概率值，最大概率值对应的车型类别，即为当前待识别车辆的类别，至此完成运动车辆的车型识别。

上述过程中要求智能交通中的运动车辆检测模块能够实时的向其输入相应的运动车辆图像，其中图像中车辆所占面积应该较大，这对有效地进行车型识别是非常有必要的。在用基于HOG（第一）与GIST（第二）分类器识别模型进行初始结果预测时，应当使用结果的概率输出方法，这有利于接下来对最终结果的证据决策理论的融合。

本发明在图像特征提取的基础上，把图像处理领域中应用非常广泛的支持向量机机器学习算法和D-S证据理论融合策略有效地结合在了一起。第一部分的训练学习可以根据所选的车辆样本图像获得识别模型。在识别阶段，根据具体获得的初始预测结果进行基于证据决策理论的结果融合，直至得到最终结果。

针对实际情况具体采用的主要识别过程大致如下：

关于运动车辆的车型学习训练。

将样本车辆图像分辨率归一化到48*64，提取反映了运动车辆的形状的HOG特征。该方法主要是通过计算和统计图像局部区域的梯度方向直方图来构成特征向量，以此为基础进行目标的检测与识别，在此我们提取了水平和竖直两个方向的梯度特征；

将样本图像分辨率归一化为64*64，提取反映图像的全局内容信息GIST特征，该方法是在不进行图像分割的情况下找到图像的底层特征描述，相对来说该方法不去过多的关注图像的细节；

最后分别通过基于支持向量机（SVM）的学习算法进行归类学习得到基于HOG特征的支持向量机模型（第一）和基于GIST特征的支持向量机模型（第二）。可训练的机器学习方法，它依靠小样本学习后的模型参数，可以进行物体分类、类型识别等工作。

上述的训练过程是在进行车辆识别之前的准备工作。在完成准备工作后即可对获取的车辆正视图的视频序列进行车辆识别工作，得到车辆分属类别的概率。

首先我们需要对视频图像帧中的进行前景提取，得到待识别车辆。我们采用特征联合建模的视频对象分割技术利用图像的颜色和亮度特征进行视频对象的分割。为了较好的适应多变的场景，需要对每种特征建立高斯模型，以此来模拟场景的变化。高斯模型的具体表示如式（1）所示。

$\mathrm{\η}(X_{\mathrm{it}},{\mathrm{\μ}}_i,{\mathrm{\Σ}}_i)=\frac{1}{{2\mathrm{\π}}^{\frac{n}{2}}{{\mathrm{\Σ}}_i}^{\frac{1}{2}}}{e}^{\frac{1}{2}{(X_{\mathrm{it}}-{\mathrm{\μ}}_{\mathrm{it}})}^T{{\mathrm{\Σ}}_i}^{-1}(X_{\mathrm{it}}-{\mathrm{\μ}}_{\mathrm{it}})}---\left(1\right)$

其中，Xit表示时刻t的视频帧所对应的第i个特征，μi表示Xi所对应的均值，∑i表示Xi所对应的协方差。这样一来，针对每种特征都会建立相应的高斯模型，为了获取准确的前景，我们根据各特征模型的组合预测来确定当前图像属于前/背景的概率。具体如式（2）所示。

$P\left(X_{\mathrm{it}}\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{\mathrm{\η}}_i(X_{\mathrm{it}},{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})---\left(2\right)$

其中K表示模型个数，wi表示第i个特征所建立的高斯模型在组合预测中占的权重，μit表示特征Xi所在t时刻对应的均值，∑it表示Xi在t时刻所对应的协方差矩阵，ηi表示根据第i个特征随时间变化建立的高斯模型。

提取待识别车辆的HOG和GIST特征，得到车辆的特征之后将其放入第一和第二支持向量机模型中，得到进行初始预测，并分别获得第一初始结果与第二初始结果；各初始结果中包含当前待识别车辆属于某一类别的概率值，该概率值与某一个车型类别相对应。

对上述两个模型的初始结果利用D-S证据理论进行融合，具体见式（3），得到最后总的概率。其中，最大概率值对应的车型类别，即为当前待识别车辆的类别，至此完成运动车辆的车型识别。

$m\left(C\right)=\frac{1}{1-k}\underset{A_i\∩B_j=c}{\mathrm{\Σ}}{m}_1\left(A_i\right)m_2\left(B_j\right).$

式中 $k=\underset{A_1\∩B_2=\mathrm{\Φ}}{\mathrm{\Σ}}{m}_1\left(A_i\right)m_2\left(B_j\right).---\left(3\right)$

其中m(C)表示最终的预测结果向量，m1(Ai)与m2(Bi)分别表示HOG与GIST分类预测结果输出概率，k表示不一致因子，它的大小反映了两个不同分类器之间互相冲突的程度，其系数1/（1-k）表示结果归一化因子。

上述方式中未述及的技术内容，采取或借鉴已有技术即可实现。

需要说明的是，在本说明书的教导下，本领域技术人员还可以作出这样或那样的容易变化方式，诸如等同方式，或明显变形方式。上述的变化方式均应在本发明的保护范围之内。

Claims (6)

1.一种用于智能交通系统中的动态车辆车型识别方法，其特征在于包括以下步骤：

a运动车辆的车型学习训练步骤，首先对样本车辆图像进行分辨率归一化处理，再提取描述图像整体梯度分布的HOG特征与描述整幅图像内容的GIST特征，然后分别通过基于支持向量机的学习算法进行归类学习，并相应获得第一分类器识别模型与第二分类器识别模型；

b运动车辆的车型识别步骤，首先，根据相应的运动对象分割算法将所获取的运动车辆的视频图像即当前待识别车辆的视频图像提取出来，然后对其进行分辨率归一化，再提取相应的HOG特征与GIST特征，最后将HOG特征与GIST特征分别输入到第一分类器识别模型与第二分类器识别模型进行初始预测，并分别获得第一初始结果与第二初始结果；各初始结果中包含当前待识别车辆属于某一类别的概率值，该概率值与某一个车型类别相对应；

c初始结果融合步骤，输入第一初始结果与第二初始结果，通过D-S证据理论融合规则进行结果融合，得到最大概率值，最大概率值对应的车型类别，即为当前待识别车辆的类别，至此完成运动车辆的车型识别。

2.根据权利要求1所述的一种用于智能交通系统中的动态车辆车型识别方法，其特征在于：上述步骤a中，样本车辆图像在进行HOG特征提取时分辨率归一化为48*64；样本车辆图像在进行GIST特征提取时分辨率归一化为64*64。

3.根据权利要求2所述的一种用于智能交通系统中的动态车辆车型识别方法，其特征在于：上述步骤a中，样本车辆图像在进行HOG特征提取时，在分辨率归一化结束后要先进行伽马滤波，然后计算图像中相应像素在水平与竖直方向的梯度，接着将图像分解成3*3有交叠的block，其中每两个相邻的block重叠率是其面积的0.5倍，在每个block中将其分解成2*2互不重叠的4个cell区域，在每个cell区域中统计0-360度内的梯度分布情况，在统计时每个bin的取值范围是45度，每个cell形成包含8个bin的直方图；最后在block中将对应取值的4个cell直方图加起来形成总向量，再用每个cell的bin除以总向量中对应的bin以进行归一化操作；如此进行，直到处理完所有的block，得到整幅图像的HOG特征。

4.根据权利要求3所述的一种用于智能交通系统中的动态车辆车型识别方法，其特征在于：上述步骤a中，样本车辆图像在进行GIST特征提取时，在分辨率归一化结束后要对彩色图像中的每个颜色通道图像都进行Gabor滤波，在具体滤波过程中采用的滤波尺度是三层，其中第一层与第二层中每45度滤波一次，第三层中每90度滤波一次，在滤波结束后形成20幅不同尺度及角度的滤波图像；接下来对每一幅滤波图像进行正反离散傅里叶变换，然后将图像硬划分成4*4块大小相等的互不重叠的图像块，在此基础上提取每个图像块中的能量值，然后将同一幅滤波图像中不同图像块的所有能量值加起来形成总能量，再用每个图像块中的能量值除总能量，以此进行归一化处理，最后在每一幅滤波图像中形成一个16维的特征向量；如此进行，直到处理完所有的滤波图像，得到描述图像全局内容的GIST特征。

5.根据权利要求4所述的一种用于智能交通系统中的动态车辆车型识别方法，其特征在于：上述步骤a中，在训练学习之前要对所选样本特征数据进行交叉验证以得到最好的训练学习参数。

6.根据权利要求1所述的一种用于智能交通系统中的动态车辆车型识别方法，其特征在于：上述步骤c中，首先将第一初始结果与第二初始结果输入到证据理论融合函数中，对于第一初始结果与第二初始结果中的不同类之间的预测值要进行两两相乘，再将两两相乘的结果相加，得到的相加值即为不一致因子，利用不一致因子的大小来反映第一、第二两个分类器识别模型之间相互冲突的程度；在得到不一致因子后，首先用1减去不一致因子再将得到的结果取倒数，以得到归一化因子；然后将第一初始结果与第二初始结果中，对应相同类的预测值进行两两相乘，再乘以归一化因子得到当前待识别图像属于相应类别的最终概率，从最终概率中选取最大概率值作为最终识别结果。

Images