CN104091151A - 基于Gabor特征提取和稀疏表示的车辆识别方法 - Google Patents
基于Gabor特征提取和稀疏表示的车辆识别方法 Download PDFInfo
- Publication number
- CN104091151A CN104091151A CN201410307090.9A CN201410307090A CN104091151A CN 104091151 A CN104091151 A CN 104091151A CN 201410307090 A CN201410307090 A CN 201410307090A CN 104091151 A CN104091151 A CN 104091151A
- Authority
- CN
- China
- Prior art keywords
- gabor
- vehicle image
- vehicle
- detected
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 title claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 54
- 239000013598 vector Substances 0.000 claims description 43
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000004745 nonwoven fabric Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101100445834 Drosophila melanogaster E(z) gene Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011540 sensing material Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Gabor特征提取和稀疏表示的车辆识别方法,首先将车辆分类,每类选取一定数量的车辆作为样本车辆图像,通过2D-Gabor滤波器提取样本车辆图像的Gabor特征,用其来构建稀疏表示所需要的特征字典,并通过主成分分析法降低所构建的特征字典的维数,其次通过相同的2D-Gabor滤波器提取待测车辆图像的Gabor特征并进行降维处理,根据正交匹配追踪算法求解降维后待测车辆图像的Gabor特征在所构建特征字典上的稀疏系数,最后根据重构残差的方法判别待测车辆所属类别。本发明的车辆识别方法具有较高的准确率,能够满足车辆识别的需要。
Description
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。
优选的,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°,+5°]旋转并选择若干张作为样本车辆图像。
优选的,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。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明基于Gabor特征提取和稀疏表示的车辆识别方法利用Gabor特征提取和稀疏表示,对待测车辆所属类别进行判别,具有较高的准确率,能够满足车辆识别管理的需要。
2、本发明基于Gabor特征提取和稀疏表示的车辆识别方法思路简单,计算不复杂。
附图说明
图1是本发明基于Gabor特征提取和稀疏表示的车辆识别方法的车辆识别方法流程图。
图2是本发明基于Gabor特征提取和稀疏表示的车辆识别方法的车辆图像采集示意图。
图3是本发明基于Gabor特征提取和稀疏表示的车辆识别方法的初始特征字典降维方法流程图。
图4是本发明基于Gabor特征提取和稀疏表示的车辆识别方法的稀疏系数求解方法流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,基于Gabor特征提取和稀疏表示的车辆识别方法,通过2D-Gabor滤波器组提取样本车辆图像的Gabor特征,构建稀疏表示所需要的初始特征字典,采用主成分分析法对初始特征字典进行降维处理,并通过相同的2D-Gabor滤波器组提取待测车辆图像的Gabor特征,同样采用主成分分析法对待测车辆图像的Gabor特征进行降维处理,求解其在所构建的特征字典上的稀疏系数,通过重构残差判别待测车辆图像所属类别,降维方法除了主成分分析法,还有其他方法,例如线性判别分析、多维尺度分析、拉普拉斯特征映射等等,这里使用主成分分析法的优点是该方法理论完善、概念简单、计算方便,具有最优线性重构误差。
步骤1、对样本车辆图像进行Gabor特征提取
首先,样本车辆的种类为4类,分别为:公共汽车、长途客车、小轿车、卡车,样本车辆图像通过安装在车道上方的摄像头(如图2所示)获取,摄像头与地面的垂直距离为5米,摄像头拍摄视线与路面所成夹角为30度时拍摄效果最佳,每类样本车辆选取10辆不同的车,分别采集其车头图像作为其样本图像,并将每幅样本图像旋转-5°、0°、+5°来模拟道路不平造成的车辆角度差异,所采集样本车辆总数q=4×3×10=120个,每幅样本车辆图像的尺寸为320×240像素。
由于样本车辆图像的原始图像为彩色图像,采用原始图像计算数据量较大,为了缩小计算数据量,因此需要将样本车辆图像转换为灰度图,根据加权平均法对样本车辆图像灰度化,得到第i类第j个样本车辆图像的灰度值Ii,j(m,n),
Ii,j(m,n)=0.30Ri,j(m,n)+0.59Gi,j(m,n)+0.11Bi,j(m,n),
其中,i,j表示第i类车辆中第j幅样本(i=1,2,...,4,j=1,2,...,30),m,n分别为样本车辆图像像素的横、纵坐标,Ri,j(m,n)为第i类第j个样本车辆图像第m行第n列像素的红色分量,Gi,j(m,n)为第i类第j个样本车辆图像第m行第n列像素的绿色分量,Bi,j(m,n)为第i类第j个样本车辆图像第m行第n列像素的蓝色分量。
接着,利用2D-Gabor滤波器提取样本车辆图像的局部纹理特征Mν,u(z),即采用二维Gabor小波模仿视觉皮层细胞的滤波响应,描述图像的空间域和频率域的局部化特性,Mu,ν(z)=I(z)*Ψu,ν(z),其中,z=(m,n)是矢量,表示第m行第n列像素的坐标,I(z)表示样本车辆图像的灰度值,*表示卷积运算,Ψu,ν(z)为Gabor小波核函数, 其中,|| ||表示欧几里得范数,kν=kmax/fν,kmax为最大的采样频率,u、ν分别表示Gabor小波的方向和尺度因子,且u、v为整数,采用5个尺度,即ν=0,1,…,4,8个方向,即u=0,1,…,7,σ为高斯窗口的宽度与正弦波的波长的比率,其中φ是Gabor滤波器的半峰带宽,在样本车辆图像的局部纹理特征提取时,令φ=1,则σ=π,并设定kmax=π/2, 通过快速傅里叶变换和卷积定理得到,F{Mu,ν(m,n)}=F{Ψu,ν(m,n)}×F{I(m,n)},通过傅里叶反变换求解Mu,ν(m,n)得,Mu,ν(m,n)=F-1{F{Ψu,ν(m,n)}×F{I(m,n)}},再根据幅值计算公式,求得卷积结果Mu,ν(m,n)的幅值Gu,ν(m,n), 其中,Re(Mu,ν(m,n))为Mu,ν(m,n)的实部,Im(Mu,ν(m,n))为Mu,ν(m,n)的虚部,将计算到的幅值信息{Gu,ν(m,n);ν=0,1,...,4,u=0,1,...,7}作为样本车辆图像的Gabor特征。
步骤2、建立样本车辆图像特征字典
2.1建立初始特征字典
经过灰度化后每幅样本车辆图像的尺寸为320×240维,每幅样本车辆图像经过2D-Gabor滤波器在5个尺度8个方向上进行特征提取后得到40个Gabor特征,将40幅Gabor特征图像的像素矩阵按列拉伸,组成一个长度为40×320×240的一维列向量,并将第i类的30幅样本车辆图像的Gabor特征组成矩阵的形式,即
其中,ni表示第i类车辆样本的总数,ni=30,(i=1,2,...,4),p=40×320×240,表示一维列向量的行数,Si,j表示第i类样本中第j个样本(i=1,2,...,4,j=1,2,...,30),其是由该样本的40幅Gabor特征图像经过按列拉伸获得的一维列向量,该列向量为40×320×240维的列向量。
其次,将所有的样本字典Bi集合在一起,构成样本车辆图像的初始Gabor特征字典矩阵B,
B=[B1,...,Bi,...,B4]=[S1,1,...,S1,30,S2,1,...,S2,30,S3,1,....Si,j,...S3,30,S4,1,...,S4,30],其中,Si,j表示第i类第j个样本车辆图像,样本车辆图像共有4类,每类各有30个样本车辆图像,样本总数为q,q=120。
2.2对初始特征字典进行降维处理,如图3所示
利用主成分分析法(PCA)对初始特征字典矩阵B降维,步骤如下:
1)对初始特征字典矩阵B进行归一化处理,计算得到新特征字典矩阵B′,B′=[S1′,1,...,S1′,30,S2′,1,...,S2′,30,S3′,1,....Si′,j,...S3′,30,S4′,1,...,S4′,30],其中, 为该列的均值,B′∈Rp×q,p=40×320×240,样本总数q=120;
2)计算新特征字典矩阵B′的协方差矩阵其中,B′T为矩阵B′的转置矩阵,p为新特征字典矩阵的行数;
3)根据矩阵特征值的定义,通过公式λD=QD计算协方差矩阵Q的特征值λ、特征向量D;
4)将特征向量D按照对应特征值λ由大到小的顺序排列,取前t列的特征向量(t=100),得到线性变换矩阵WPCA,WPCA∈Rp×t;
5)计算得到新的样本车辆图像特征字典A,其中,A=[A1,...,Ai,...,A4]=[g1,1,...,g1,30,g2,1,...,g2,30,g3,1,...,gi,j,...g3,30,g4,1,...,g4,30],Ai表示降维后的第i类样本车辆,gi,j表示降维后的第i类样本车辆图像中的第j个样本车辆图像,为线性变换矩阵WPCA的转置矩阵,B为初始特征字典,新的特征字典A∈Rt×q,样本总数q=120。
步骤3、提取待测车辆图像的Gabor特征
3.1待测车辆图像Gabor特征提取
首先,由于待测车辆图像的原始图像为彩色图像,采用原始图像计算数据量较大,为了缩小计算数据量,因此需要将待测车辆图像转换为灰度图,根据加权平均法将待测车辆图像灰度化,得到待测车辆图像的灰度值E(m,n),
E(m,n)=0.30R(m,n)+0.59G(m,n)+0.11B(m,n),
其中,m,n分别表示待测车辆图像像素的横、纵坐标,R(m,n)为第m行第n列像素的红色分量,G(m,n)为第m行第n列像素的绿色分量,B(m,n)为第m行第n列像素的蓝色分量。
接着,利用2D-Gabor滤波器提取待测车辆图像的局部纹理特征Nu,ν(z),Nu,ν(z)=E(z)*Ψu,ν(z),其中,z=(m,n)是矢量,表示第m行第n列像素的坐标,E(z)表示待测车辆图像的灰度值,*表示卷积运算,Ψu,ν(z)为Gabor小波核函数, 其中,|| ||表示欧几里得范数,kν=kmax/fν,kmax为最大的采样频率,u、v分别表示Gabor小波的方向和尺度因子,且u、v为整数,采用5个尺度,即ν=0,1,…,4,8个方向,即u=0,1,…,7,σ为高斯窗口的宽度与正弦波的波长的比率,其中φ是Gabor滤波器的半峰带宽,在待测车辆图像的局部纹理特征提取时,令φ=1,则σ=π,并设定kmax=π/2, 通过快速傅里叶变换和卷积定理得到,F{Nu,ν(m,n)}=F{Ψu,ν(m,n)}×F{E(m,n)},再利用傅里叶反变换求解Nu,ν(m,n),Nu,ν(m,n)=F-1{F{Ψu,ν(m,n)}×F{E(m,n)}},再根据幅值计算公式,求解卷积结果Nu,ν(m,n)的幅值Pu,ν(m,n), 其中,Re(Nu,ν(m,n))为Nu,ν(m,n)的实部,Im(Nu,ν(m,n))为Nu,ν(m,n)的虚部,将计算得到的幅值信息{Pu,ν(m,n);ν=0,1,...,4,u=0,1,...,7}作为待测车辆图像的Gabor特征。
3.2对待测车辆图像Gabor特征进行降维处理
利用主成分分析法(PCA)对待测车辆图像Gabor特征做降维处理,步骤如下:
1)待测车辆图像的Gabor特征矢量化,将经过Gabor特征提取后的待测车辆图像的40幅Gabor特征图像的像素矩阵按列拉伸,组成一个长度为40×320×240的一维列向量Y;
2)根据协方差计算公式计算其协方差矩阵Q′,其中,为该列向量所有元素的均值,p为该列向量的维度,p=40×320×240,Y′T为向量Y′的转置;
3)根据矩阵特征值的定义,通过公式λ′D′=Q′D′计算协方差矩阵Q′的特征值λ′、特征向量D′;
4)将特征向量D′按照对应特征值λ′由大到小的顺序排列,取前t列的特征向量(t=100),得到线性变换矩阵Wpca,Wpca∈Rp×t;
5)计算新的待测车辆图像Gabor特征y,其中,y为t维列向量,Y为由该待测车辆图像的40幅Gabor特征图像经过变换的一维列向量,为线性变换矩阵Wpca的转置矩阵。
步骤4、求解待测车辆图像的Gabor特征在样本车辆图像特征字典上的系数向量,如图4所示
根据稀疏表示理论,待测车辆图像Gabor特征可通过样本车辆图像特征字典进行线性表示,y=Ax∈Rt,其中,为待测车辆Gabor特征在所建立的样本车辆图像Gabor特征字典上的系数向量,将该系数向量的求解问题转换为求l1范数最小化问题:x=argmin||x||1s.t.Ax=y,通过正交匹配追踪算法求得该系数向量x,正交匹配追踪算法的求解步骤如下:
输入量:样本车辆图像特征字典A,待测车辆图像Gabor特征y,迭代次数W=100,
输出量:待测车辆图像Gabor特征在样本车辆图像特征字典上的系数向量x,
初始化:初始待测车辆图像的Gabor特征初始余量r0=y,设置一个索引集V0,且V0为空集,迭代次数w=1,循环执行1)至5):
1)在样本车辆图像特征字典A中找出与余量rw相关性最大的原子,样本车辆图像特征字典的每一列称为一个原子,计算余量与特征字典A中每一个原子的内积,找到内积的绝对值最大所对应原子的下标(λw,λw′),其中,<>表示向量的内积运算,gi,j为原子,i=1,2,...,4,j=1,2,...,30;
2)更新已选的索引集,
3)由最小二乘法求解在已选样本车辆图像特征字典原子上的最优系数向量,xw=argmin||y-Vwxw||2;
4)更新待测车辆图像Gabor特征的余量rw=y-Vwxw,w=w+1;
5)若w>W则停止迭代,输出待求系数向量x,x=xw,否则,执行1)。
稀疏系数的计算方法除了正交匹配追踪算法,还有其他方法,例如基追踪去噪算法、平滑l0范数、匹配追踪等等,这里使用正交匹配追踪算法的优点是能够保证每次结果都是最优的,从而可以有效的减少迭代次数,提高算法的效率。
步骤5、判别待测车辆图像所属类别
定义特征函数δi,该特征函数的作用是将所求系数向量x中与第i类相关的值提取出来放在相应的位置,而与第i类无关的系数所在位置设为零,在图像Gabor特征字典A中,可通过第i类相关的信息近似的将待测车辆图像表示出来,yi'=Aδi(x),其中,计算待测车辆图像与根据第i类信息近似表示的待测车辆图像之间的残差,ri=||y-yi′||,其中,i=1,2,...,4,根据所得残差对待测车辆图像进行分类,求残差的最小值,当残差取得最小值时对应的类别即为待测车辆图像所在的类,其中,ri(y)表示与第i类样本车辆图像的残差。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (8)
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[-5o,+5o]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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410307090.9A CN104091151A (zh) | 2014-06-30 | 2014-06-30 | 基于Gabor特征提取和稀疏表示的车辆识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410307090.9A CN104091151A (zh) | 2014-06-30 | 2014-06-30 | 基于Gabor特征提取和稀疏表示的车辆识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104091151A true CN104091151A (zh) | 2014-10-08 |
Family
ID=51638866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410307090.9A Pending CN104091151A (zh) | 2014-06-30 | 2014-06-30 | 基于Gabor特征提取和稀疏表示的车辆识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104091151A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268535A (zh) * | 2014-10-10 | 2015-01-07 | 上海海事大学 | 一种二维图像的特征提取方法 |
CN104915686A (zh) * | 2015-07-03 | 2015-09-16 | 电子科技大学 | 一种基于nmf的目标检测方法 |
CN105117708A (zh) * | 2015-09-08 | 2015-12-02 | 北京天诚盛业科技有限公司 | 人脸表情识别的方法和装置 |
CN105335753A (zh) * | 2015-10-29 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法和装置 |
CN105893971A (zh) * | 2016-04-01 | 2016-08-24 | 上海理工大学 | 一种基于Gabor和稀疏表示的交通信号灯识别方法 |
CN106096500A (zh) * | 2016-05-27 | 2016-11-09 | 大连楼兰科技股份有限公司 | 车辆低速碰撞信号频域特征提取方法 |
CN106203495A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 一种基于稀疏判别学习的目标跟踪方法 |
CN106780727A (zh) * | 2016-12-27 | 2017-05-31 | 深圳市捷顺科技实业股份有限公司 | 一种车头检测模型重建方法及装置 |
CN106815601A (zh) * | 2017-01-10 | 2017-06-09 | 西安电子科技大学 | 基于递归神经网络的高光谱图像分类方法 |
CN107480695A (zh) * | 2015-02-06 | 2017-12-15 | 安徽大学 | 一种物体轮廓检测识别方法 |
CN109241819A (zh) * | 2018-07-07 | 2019-01-18 | 西安电子科技大学 | 基于快速多尺度及联合模板匹配的多目标行人检测方法 |
CN109447037A (zh) * | 2018-11-26 | 2019-03-08 | 武汉大学 | 一种面向监控视频压缩的车辆对象多级知识字典构建方法 |
CN109753935A (zh) * | 2019-01-09 | 2019-05-14 | 中南大学 | 一种基于生成对抗图像补全网络的步态识别方法 |
CN109871728A (zh) * | 2017-12-01 | 2019-06-11 | 北京万集科技股份有限公司 | 一种车型识别方法及装置 |
CN110646691A (zh) * | 2019-09-12 | 2020-01-03 | 广东石油化工学院 | 一种利用拉伸变换的变压器振声信号滤波方法和系统 |
CN110705384A (zh) * | 2019-09-12 | 2020-01-17 | 天津大学 | 一种基于跨域迁移增强表示的车辆再识别方法 |
CN111179230A (zh) * | 2019-12-18 | 2020-05-19 | 星际空间(天津)科技发展有限公司 | 遥感影像对比变化检测方法、装置、存储介质及电子设备 |
CN111199188A (zh) * | 2019-12-18 | 2020-05-26 | 星际空间(天津)科技发展有限公司 | 遥感影像差异图的像素处理方法、装置、存储介质及设备 |
CN114092840A (zh) * | 2021-11-24 | 2022-02-25 | 四川大学锦江学院 | 一种应用于无人机中的类脑智能图像识别方法及装置 |
CN115880565A (zh) * | 2022-12-06 | 2023-03-31 | 江苏凤火数字科技有限公司 | 一种基于神经网络的报废车辆识别方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
-
2014
- 2014-06-30 CN CN201410307090.9A patent/CN104091151A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
Non-Patent Citations (3)
Title |
---|
S.YANG ET AL: "onboard vehicle detection and tracking using boosted gabor descriptor and sparse representation", 《ELECTRONICS LETTERS》 * |
YANWEN CHONG ET AL: "a novel method for preceding vehicle type classification based on sparse representation", 《TRB 2011 ANNUAL MEETING》 * |
邓天民 等: "一种车型识别算法及其应用", 《计算机技术与应用进展》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268535A (zh) * | 2014-10-10 | 2015-01-07 | 上海海事大学 | 一种二维图像的特征提取方法 |
CN104268535B (zh) * | 2014-10-10 | 2017-12-19 | 上海海事大学 | 一种二维图像的特征提取方法 |
CN107480695A (zh) * | 2015-02-06 | 2017-12-15 | 安徽大学 | 一种物体轮廓检测识别方法 |
CN104915686A (zh) * | 2015-07-03 | 2015-09-16 | 电子科技大学 | 一种基于nmf的目标检测方法 |
CN105117708A (zh) * | 2015-09-08 | 2015-12-02 | 北京天诚盛业科技有限公司 | 人脸表情识别的方法和装置 |
CN105335753A (zh) * | 2015-10-29 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法和装置 |
CN105893971A (zh) * | 2016-04-01 | 2016-08-24 | 上海理工大学 | 一种基于Gabor和稀疏表示的交通信号灯识别方法 |
CN106096500A (zh) * | 2016-05-27 | 2016-11-09 | 大连楼兰科技股份有限公司 | 车辆低速碰撞信号频域特征提取方法 |
CN106203495A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 一种基于稀疏判别学习的目标跟踪方法 |
CN106203495B (zh) * | 2016-07-01 | 2020-03-17 | 广东技术师范学院 | 一种基于稀疏判别学习的目标跟踪方法 |
CN106780727A (zh) * | 2016-12-27 | 2017-05-31 | 深圳市捷顺科技实业股份有限公司 | 一种车头检测模型重建方法及装置 |
CN106780727B (zh) * | 2016-12-27 | 2020-09-08 | 深圳市捷顺科技实业股份有限公司 | 一种车头检测模型重建方法及装置 |
CN106815601A (zh) * | 2017-01-10 | 2017-06-09 | 西安电子科技大学 | 基于递归神经网络的高光谱图像分类方法 |
CN106815601B (zh) * | 2017-01-10 | 2019-10-11 | 西安电子科技大学 | 基于递归神经网络的高光谱图像分类方法 |
CN109871728A (zh) * | 2017-12-01 | 2019-06-11 | 北京万集科技股份有限公司 | 一种车型识别方法及装置 |
CN109871728B (zh) * | 2017-12-01 | 2020-11-13 | 北京万集科技股份有限公司 | 一种车型识别方法及装置 |
CN109241819A (zh) * | 2018-07-07 | 2019-01-18 | 西安电子科技大学 | 基于快速多尺度及联合模板匹配的多目标行人检测方法 |
CN109447037A (zh) * | 2018-11-26 | 2019-03-08 | 武汉大学 | 一种面向监控视频压缩的车辆对象多级知识字典构建方法 |
CN109447037B (zh) * | 2018-11-26 | 2021-04-16 | 武汉大学 | 一种面向监控视频压缩的车辆对象多级知识字典构建方法 |
CN109753935A (zh) * | 2019-01-09 | 2019-05-14 | 中南大学 | 一种基于生成对抗图像补全网络的步态识别方法 |
CN110646691A (zh) * | 2019-09-12 | 2020-01-03 | 广东石油化工学院 | 一种利用拉伸变换的变压器振声信号滤波方法和系统 |
CN110705384A (zh) * | 2019-09-12 | 2020-01-17 | 天津大学 | 一种基于跨域迁移增强表示的车辆再识别方法 |
CN110646691B (zh) * | 2019-09-12 | 2021-09-28 | 广东石油化工学院 | 一种利用拉伸变换的变压器振声信号滤波方法和系统 |
CN110705384B (zh) * | 2019-09-12 | 2023-03-31 | 天津大学 | 一种基于跨域迁移增强表示的车辆再识别方法 |
CN111199188A (zh) * | 2019-12-18 | 2020-05-26 | 星际空间(天津)科技发展有限公司 | 遥感影像差异图的像素处理方法、装置、存储介质及设备 |
CN111179230A (zh) * | 2019-12-18 | 2020-05-19 | 星际空间(天津)科技发展有限公司 | 遥感影像对比变化检测方法、装置、存储介质及电子设备 |
CN111179230B (zh) * | 2019-12-18 | 2023-06-09 | 星际空间(天津)科技发展有限公司 | 遥感影像对比变化检测方法、装置、存储介质及电子设备 |
CN111199188B (zh) * | 2019-12-18 | 2023-07-11 | 星际空间(天津)科技发展有限公司 | 遥感影像差异图的像素处理方法、装置、存储介质及设备 |
CN114092840A (zh) * | 2021-11-24 | 2022-02-25 | 四川大学锦江学院 | 一种应用于无人机中的类脑智能图像识别方法及装置 |
CN114092840B (zh) * | 2021-11-24 | 2024-07-23 | 四川大学锦江学院 | 一种应用于无人机中的类脑智能图像识别方法及装置 |
CN115880565A (zh) * | 2022-12-06 | 2023-03-31 | 江苏凤火数字科技有限公司 | 一种基于神经网络的报废车辆识别方法和系统 |
CN115880565B (zh) * | 2022-12-06 | 2023-09-05 | 江苏凤火数字科技有限公司 | 一种基于神经网络的报废车辆识别方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104091151A (zh) | 基于Gabor特征提取和稀疏表示的车辆识别方法 | |
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
Kumar et al. | Feature extraction for hyperspectral image classification: A review | |
Xu et al. | Joint reconstruction and anomaly detection from compressive hyperspectral images using Mahalanobis distance-regularized tensor RPCA | |
CN108491849B (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
Jia et al. | Gabor feature-based collaborative representation for hyperspectral imagery classification | |
CN103971123B (zh) | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
CN107563442B (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
CN105608433A (zh) | 一种基于核协同表达的高光谱图像分类方法 | |
CN108197650B (zh) | 局部相似性保持的高光谱图像极限学习机聚类方法 | |
Sun et al. | Nonlinear dimensionality reduction via the ENH-LTSA method for hyperspectral image classification | |
CN103258324B (zh) | 基于可控核回归和超像素分割的遥感图像变化检测方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN103413151A (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN104102900A (zh) | 一种车辆识别系统 | |
CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
CN102393911A (zh) | 基于压缩感知的背景杂波量化方法 | |
CN107273919B (zh) | 一种基于置信度构造类属字典的高光谱无监督分类方法 | |
CN105160351B (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
CN112381144B (zh) | 非欧与欧氏域空谱特征学习的异构深度网络方法 | |
CN104794477A (zh) | 基于3-d小波变换和稀疏张量的高光谱图像特征抽取方法 | |
CN111783884A (zh) | 基于深度学习的无监督高光谱图像分类方法 | |
CN104463219A (zh) | 一种基于特征向量度量谱聚类的极化sar图像分类方法 | |
CN114048810A (zh) | 一种基于多层次特征提取网络的高光谱图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141008 |
|
RJ01 | Rejection of invention patent application after publication |