[发明专利]一种基于局部特征聚合描述符的车型识别方法

权利要求书

1.一种基于局部特征聚合描述符的车型识别方法，包括以下步骤：

步骤1：对车型数据库的车辆图像进行SIFT特征提取；

步骤2：对所有车型图像提取到的SIFT特征向量x进行KMeans聚类，得到具有K个视觉单词的字典；

步骤3：针对每张车型图像将提取到的每个SIFT特征向量x赋给离其最近的视觉单词；

步骤4：统计每个视觉单词周围的SIFT特征向量x与当前视觉单词的残差累积量，得到该张车辆图片的局部特征聚合描述符；

步骤5：将训练模块的n张车型图像的局部特征聚合描述符，通过量化编码，得到一个可索引的n类车型类别的编码图像库；

步骤6：对测试车辆图像，同样提取其局部特征聚合描述符，作为查询向量，导入步骤5中得到的图像库进行索引，通过近似最近邻搜索方法进行匹配，识别出测试车辆车型。

2.根据权利要求1所述基于局部特征聚合描述符的车型识别方法，其特征在于：所述步骤1包括以下步骤：

步骤1.1：尺度空间极值检测：针对构建的高斯金字塔图像，利用差分函数在所有尺度上检测候选极值点；

步骤1.2：关键点定位：通过函数拟合来定位极值点的准确位置和尺度，同时过滤掉候选极值点集合中的边缘点；

步骤1.3：方向确定：结合关键点邻域像素的梯度信息，给每个关键点赋予一个主方向；

步骤1.4：特征描述子生成：对关键点邻域像素的梯度幅值和方向进行统计，得到关键点的特征描述。

3.根据权利要求1所述基于局部特征聚合描述符的车型识别方法，其特征在于：所述步骤2中对所有车型图像提取到的SIFT特征向量x进行KMeans聚类，得到具有K个视觉单词的字典，包括以下几个步骤：

步骤2.1：随机选取K个SIFT特征向量作为初始聚类中心；

步骤2.1：计算其他SIFT特征向量到这K个聚类中心的距离；

步骤2.3：如果某个SIFT特征向量离第n个聚类中心更近，则该SIFT特征向量属于聚类n，并对其设置标签；

步骤2.4：计算同一聚类中，所有SIFT特征向量的均值，作为新的聚类中心；

步骤2.5：迭代至所有聚类中心不变化为止，得到具有K个视觉单词的字典：

C＝{c₁,…,c_k}

其中C为字典，c_k表示每一个聚类中心，也即视觉单词。

4.根据权利要求1所述基于局部特征聚合描述符的车型识别方法，其特征在于：所述步骤3将每张车型图像提取到的每个SIFT特征向量x赋给离其最近的视觉单词：

c_i＝NN(x)

其中，NN(x)为最近邻算法，c_i为离x最近的视觉单词，此时，每个视觉单词周围的SIFT特征向量与当前视觉单词构成了一个聚类块。