CN104598928A

CN104598928A - 一种基于类字典稀疏识别的车辆分类方法

Info

Publication number: CN104598928A
Application number: CN201510051034.8A
Authority: CN
Inventors: 李艺; 刘佶鑫
Original assignee: Nanjing Post and Telecommunication University
Current assignee: Nanjing Post and Telecommunication University; Nanjing University of Posts and Telecommunications
Priority date: 2015-01-30
Filing date: 2015-01-30
Publication date: 2015-05-06

Abstract

本发明公开了一种基于类字典稀疏识别的车辆分类方法，所述方法首先将训练图像变成灰度图像并归一化为同一尺寸，提取LBP特征和SIFT特征并级联，采用RLS-DLA算法进行字典训练，针对自行车、摩托车、汽车三类典型目标的图像数据集，分别训练出三个对应的类字典；将待分类目标灰度化和归一化后，提取LBP特征和SIFT特征并将二者进行级联；利用训练好的三个类字典，进行稀疏识别，分别求出各类对应的稀疏系数，依据最近邻原则进行分类。本发明方法中类字典对于特定类的表征能力强于由全体数据集生成的全局字典，可以滤除光照对车辆目标图像处理的影响，并且对不同角度的目标图像仍能达到良好的分类效果。

Description

一种基于类字典稀疏识别的车辆分类方法

技术领域

本发明公开了一种基于类字典稀疏识别的车辆分类方法，涉及智能交通和图像处理技术领域。

背景技术

在现代社会发展日新月异的今天，交通作为涉及到人们日常生活的重要领域，虽然取得了长足的进步，但不断凸显的交通问题已成为一个全球性的棘手问题，交通拥挤、事故频繁发生、环境污染加剧。为了解决这些问题，20世纪80年代以来，智能交通系统便应运而生，发挥着重要的作用。车辆分类是推进智能交通系统发展的一个重要的研究方向，在道路交通监控系统、交通车辆管理系统和高速公路收费系统等方面都有着广泛的应用前景。

车辆分类主要包括两大步骤：特征提取和分类器构造。这两个因素对分类性能的好坏有重要的影响。现阶段有很多特征提取的方法，比如：颜色直方图特征、LBP特征、Gabor特征、HOG特征、Surf特征等。但是不同的特征提取方法有不同的适应场景，场景稍加变化，就会使分类性能降低，很难同时获得好的鲁棒性和高的精确度；现阶段常用的分类器主要有：BP神经网络分类器、SVM分类器、线性分类器、贝叶斯分类器等。BP神经网络分类器虽然分类效果良好，但是所需训练样本比较多，并且对样本的要求也比较高。SVM分类器对二分类的分类效果优良，但是对于多分类效果不佳，并且算法比较复杂。

发明内容

本发明所要解决的技术问题是：针对现有技术的缺陷，提供一种基于类字典稀疏识别的车辆分类方法，首先将训练图像变成灰度图像并归一化为同一尺寸，提取LBP特征和SIFT特征并级联，采用RLS-DLA算法进行字典训练，针对自行车、摩托车、汽车三类典型目标的图像数据集，分别训练出三个对应的类字典；将待分类目标灰度化和归一化后，提取LBP特征和SIFT特征并将二者进行级联；利用训练好的三个类字典，进行稀疏识别，分别求出各类对应的稀疏系数，依据最近邻原则进行分类。

本发明为解决上述技术问题采用以下技术方案：

一种基于类字典稀疏识别的车辆分类方法，所述方法包括如下步骤：

步骤一、对车辆图像集中的样本进行灰度化，再归一化为同一尺寸的图像I₁；

步骤二、提取图像I₁的LBP特征和SIFT特征，并把上述两个特征相级联，组合成一个与I₁对应的融合特征V_R；

步骤三、采用RLS-DLA字典学习算法对融合特征V_R进行训练，针对不同类型的车辆分别训练出各自对应的类字典；

步骤四、对待分类目标图像进行灰度化处理，并归一化为同一尺寸的图像I_c；

步骤五、提取图像I_c的LBP特征和SIFT特征，并把两个特征相级联，组合成一个与I_c对应的融合特征V_C；

步骤六、根据步骤三中训练好的类字典进行稀疏识别，分别求出各类对应的稀疏系数，依据最近邻原则进行分类，判断步骤四中的待分类目标图像具体所属的车辆类型。

作为本发明的进一步优选方案，步骤一中，所述车辆图像包括自行车、摩托车和汽车三类，每类图像都包含不同拍摄角度的图像，每类图像的数量为150张；归一化为同一尺寸的图像I₁为40×50大小的灰度图像。

作为本发明的进一步优选方案，步骤二中，所述特征提取的过程具体包括：

201：采用LBP算子对图像I₁进行特征提取，得到一个1×2000维的LBP特征V_L；

202：采用SIFT算子对图像I₁进行特征提取，得到一个1×1280维的SIFT特征V_S；

203：把特征V_L和V_S相融合，将特征V_S直接串联至特征V_L后，得到一个1×3280维的融合特征V_R。

作为本发明的进一步优选方案，步骤三中，采用RLS-DLA算法对融合特征V_R进行训练的过程具体包括：

301：将一类图像中150个融合特征V_R组成一个3280×150维的融合特征矩阵H_R，采用RLS-DLA算法对H_R进行训练，其中递归次数为50次，峰值信噪比为35，字典中原子数量为128，进而得到一个3280×128维的字典D₁；

302：根据步骤301中的方法训练出针对其他类图像的字典D₂和D₃。

作为本发明的进一步优选方案，步骤六中，采用MP算法计算稀疏系数，所述稀疏识别的具体步骤包括：

601：采用MP算法分别计算出待分类目标图像的融合特征V_C用字典D₁表示的稀疏系数w₁，用字典D₂表示的稀疏系数w₂，用字典D₃表示的稀疏系数w₃；

602：分别计算稀疏系数w₁、w₂、w₃的1范数，以及其中的最小值：

w_R＝min{||w₁||₁,||w₂||₁,||w₃||₁}；

603：所有类字典的稀疏系数1范数的最小值w_R所对应的类别即为待测目标所属的类别。

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：本发明方法中类字典对于特定类的表征能力强于由全体数据集生成的全局字典；把LBP纹理特征和SIFT角点特征相结合，不仅能保留图像的全局特征，还可以有效突出局部特征；本发明可以滤除光照对车辆目标图像处理的影响，并且对不同角度的目标图像仍能达到良好的分类效果。所述方法具有较好的鲁棒性和较高的精确度，对光照变化，目标尺寸变化以及角度变化的待分类目标图像都能取得较好的分类效果。

附图说明

图1是本发明中基于类字典稀疏识别的车辆分类方法流程图。

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。

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明中基于类字典稀疏识别的车辆分类方法流程图如图1所示，本发明一种基于类字典稀疏识别的车辆分类方法，其步骤如下：

步骤A：采集交通监控视频和小区监控视频中的自行车、摩托车、汽车的图像，要求有效目标自行车、摩托车、汽车应占所采集图像的20％以上区域。每类图像各采集150张，包含不同拍摄角度的图像，如正面、侧面、后面等。这样共采集450张图像，作为训练图像。对每张训练图像首先进行灰度化处理，然后归一化为同一尺寸40×50大小的灰度图像I₁。

步骤B：提取图像I₁的LBP特征V_L和SIFT特征V_S，并把两个特征相级联，组合成一个与I₁对应的融合特征V_R。详细步骤如下：

步骤B-1(提取LBP特征V_L)：使用LBP算子对I₁进行特征提取。其中，LBP算子的窗口的尺寸为3×3，邻域半径R为1，邻域上像素点的个数P为8。将图像I₁的任意一点定义为中心点，以此中心点的灰度值为阈值对3×3窗口内的另外8个像素点作二值化处理。若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3×3邻域内的8个点经比较产生8位2进制数，然后将其转换成十进制数即LBP码，即得到该邻域中心像素点的LBP值。LBP值计算公式如下：

LBP (x_{c}, y_{c}) = Σ_{P = 0}^{P - 1} S (i_{p} - i_{c})

其中(x_c,y_c)表示3×3邻域的中心元素，它的像素值为i_c，i_p表示邻域内其他像素的值。S(x)是符号函数，定义如下：

S (x) = \{\begin{matrix} 1 & x &GreaterEqual; 0 \\ 0 & x \leq 0 \end{matrix}

用上述方法计算出图像I₁每个像素点的LBP值，得到大小为40×50的LBP编码图，然后把此LBP编码图拉成1×2000维的向量，即LBP特征V_L。

步骤B-2(提取SIFT特征V_S)：使用SIFT算子对图像I₁进行特征提取。首先对图像I₁进行4个不同尺度的高斯模糊，连续进行两次2倍降采样，得到一个高斯金字塔，共三层，每层4张图片；然后检测SIFT特征点，用1×128维的列向量进行描述；最后选取其中的十个特征点串联得到1×1280维的向量，即SIFT特征V_S。

步骤B-3(得到融合特征V_R)：采用特征V_S直接串联到特征V_L后面的方法，得到一个1×3280维的融合特征V_R。

步骤C：采用RLS-DLA字典学习算法(递归最小二乘字典学习算法)，针对自行车、摩托车、汽车这三类，分别训练出各自的类字典。如针对自行车，有150张自行车图片，每张图片经过步骤A、B，得到一个融合特征V_R，把这150个融合特征V_R组成一个3280×150维的融合特征矩阵H_R，采用RLS-DLA算法对H_R进行训练，其中递归次数为50次，峰值信噪比为35，字典中原子数量为128，得到一个3280×128维的字典D₁。以同样的方法训练出针对摩托车、汽车的字典D₂、D₃。

步骤D：将待分类目标图像进行灰度化处理，并归一化大小为40×50的同一尺寸的图像I_c。

步骤E：采用与步骤B相同的方法提取图像I_c的LBP特征和SIFT特征，并把两个特征相级联，组合成一个与待测目标图像对应的融合特征V_C(1×3280维的向量)。

步骤F：利用步骤C训练好的三个字典D₁、D₂、D₃，分别对融合特征V_C进行稀疏表示，求出对应的稀疏系数w₁、w₂、w₃，依据最近邻原则进行分类，判断待分类目标属于自行车，摩托车，汽车中的哪一类。详细步骤如下：

步骤F-1：采用MP算法(匹配追踪算法)分别计算出待分类目标图像的融合特征V_C用字典D₁表示的稀疏系数w₁，用字典D₂表示的稀疏系数w₂，用字典D₃表示的稀疏系数w₃。计算公式如下所示：

w_{1} = \arg \min_{w_{1}} {| | V_{c} - D_{1} w_{1} | |}_{2}^{2} + λ {| | w_{1} | |}_{1}

w_{2} = \arg \min_{w_{2}} {| | V_{c} - D_{2} w_{2} | |}_{2}^{2} + λ {| | w_{2} | |}_{1}

w_{3} = \arg \min_{w_{3}} {| | V_{c} - D_{3} w_{3} | |}_{2}^{2} + λ {| | w_{3} | |}_{1}

步骤F-2：分别计算稀疏系数w₁、w₂、w₃的1范数，以及w_R＝min{||w₁||₁,||w₂||₁,||w₃||₁}；

步骤F-3：以w_R来判断待测目标所属的类别，也就是所有类字典的稀疏系数1范数的最小值所对应的类别即为待测目标所属的类别。例如，若w_R＝||w₁||₁，则待测目标属于第一类，即待测目标是自行车。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims

1.一种基于类字典稀疏识别的车辆分类方法，其特征在于，所述方法包括如下步骤：

2.如权利要求1所述的一种基于类字典稀疏识别的车辆分类方法，其特征在于：步骤一中，所述车辆图像包括自行车、摩托车和汽车三类，每类图像都包含不同拍摄角度的图像，每类图像的数量为150张；归一化为同一尺寸的图像I₁为40×50大小的灰度图像。

3.如权利要求1所述的一种基于类字典稀疏识别的车辆分类方法，其特征在于：步骤二中，所述特征提取的过程具体包括：

4.如权利要求2所述的一种基于类字典稀疏识别的车辆分类方法，其特征在于：步骤三中，采用RLS-DLA算法对融合特征V_R进行训练的过程具体包括：

5.如权利要求4所述的一种基于类字典稀疏识别的车辆分类方法，其特征在于：步骤六中，采用MP算法计算稀疏系数，所述稀疏识别的具体步骤包括：

w_R＝min{||w₁||₁,||w₂||₁,||w₃||₁}；