[发明专利]基于多特征融合的车型分类方法

说明书

技术领域

本发明涉及一种车型分类方法，特指一种基于多特征融合的车型分类方法。

背景技术

随着我国社会经济的发展，汽车拥有量迅猛增加，汽车的类型也是错综复杂，交通调度与收费繁琐已成为日常生活中的普遍问题。随着智能交通系统的发展，借助于逐渐成熟的视频分析技术，对交通视频中车辆型号的准确识别与分类成为了各类收费监管系统，大型停车场监管系统以及交通监控和指挥系统等的应用与发展基础。

现在，基于视频的车型识别与分类主要基于模板匹配法与模式识别方法，其中模板匹配法首先针对各种车辆类型建立标准三维模型，利用欧式距离或其他方法对视频中的待检测车辆与标准模型进行匹配，匹配度最高的车辆即为所对应的车辆类型。模板匹配法存在计算量复杂，实时性相对较差等缺点。模式识别方法中，特征的提取包括车长、车宽、车高等几何特征，包括不变矩、灰度共生矩阵等纹理特征，包括HOG、SIFT、EOH等边缘特征等，这些特征的选取过程均为人为设计，经验性成分偏多，理论依据不是很充分。分类器的选取包括支持向量机，BP神经网络，Adaboost等常见分类器。

发明内容

本发明所要解决的技术问题是：

本发明从实时视频中定位并分割出车辆图片，在此基础上首先选取人为设计的金字塔梯度方向直方图(PHOG)，基于LBP算子的边缘方向直方图(LBP-EOH)，然后加入通过深度信念网络挖掘出的车辆底层特征的高阶描述符，将三种特征进行有效融合，最后利用支持向量机对融合特征进行训练构建车型分类器，从而对实时视频中的车辆类型做到有效分类。

本发明具体采用如下的技术方案：

基于多特征融合的车型分类方法，其特征在于，该方法包括：

步骤1：输入实时视频，对车辆进行检测。

步骤2：对检测到的车辆进行定位与分割。

步骤3：对提取出的车辆图像进行形态学预处理。

步骤4：提取车辆图像的三种特征，对三种特征进行有效融合。

步骤5：利用支持向量机对所提取出的融合特征进行训练，生成车型分类器。

步骤6：利用车型分类器对实时视频中的车辆进行识别与分类。

所述的步骤1利用虚拟线圈进行车辆检测，当视频中检测到车辆时作后续处理。

所述的步骤2利用寻找连通域的方法定位到车辆所在位置，利用三帧差法对车辆图像进行分割与提取。

所述的步骤3针对所提取的不同特征类型对车辆图像作不同规格的形态学预处理，包括以下步骤：

步骤3-1：针对传统的特征提取，只需对图像进行大小归一化，以及高斯平滑去噪处理。

步骤3-2：针对深度信念网络所提取的特征，在图像大小归一化的基础之上需要对图像的像素值按照公式：

归一化至0～1之间。

所述的步骤4提取车辆图像三种类型的特征包括以下步骤：

步骤4-1：提取车辆图像的三层金字塔梯度方向直方图特征。

步骤4-2：提取车辆图像的基于LBP算子的边缘方向直方图特征。

步骤4-3：利用深度信念网络深度挖掘出车辆图像底层像素的高阶特征描述符。

步骤4-4：对提取的三种特征进行有效融合。

所述的步骤5利用支持向量机对大量的车辆图片样本特征进行训练，得到车型分类器。

所述的步骤6利用训练完成的车型分类器对实时视频中的车辆进行识别与分类，得到最终的分类结果。

与现有技术相比，本发明可以降低所提取的特征的经验性成分，使得特征提取理论依据更加充足，从而可以提高车型分类的效果。

本发明的创新点体现在：

(1)特征的提取包括了人为设计特征(PHOG特征,LBP-EOH特征)的全局性，其中边缘直方图特征的提取中利用LBP算子取代传统的canny算子，更能有效的描绘出车辆边缘信息，提取的特征更具代表性。

(2)在人为设计特征的基础之上加入了通过深度信念网络挖掘出的车辆图片底层像素的高阶特征描述符，达到了人为特征设计与底层特征挖掘的有效融合，缓解了特征提取存在经验性偏多的问题。

附图说明

图1为基于视频的车辆型号分类总流程图；

图2.1为三层HOG特征提取的直方图；

图2.2为LBP-EOH特征提取的直方图；

图2.3为深度信念网络特征提取的原理图；

图3为深度信念网络模型(基本公式)；

图4为分类器的构建与训练流程。

具体实施方式