[发明专利]一种基于局部特征聚合描述符的车型识别方法

说明书

技术领域

本发明属于模式分类技术领域，特别涉及一种基于局部特征聚合描述符的车型识别方法。

发明背景

随着信息技术的高速发展，越来越多的智能交通系统走进了人们的生活，如道路自动收费系统、车辆识别技术、电子警察系统、全球定位系统以及车载导航系统等。这些智能交通运输管理体系是通过集成最前沿的软、硬件技术来搭建完成的，包括了数据通讯传输技术、电控技术、电子传感技术以及信息技术等。智能交通系统需要在大区域中发挥全局性的作用，实时、高效率地管理交通，以最终实现道路交通与车辆的智能化管理，达到抑制交通违法行为、提高交通运行效率、降低警察执法成本、缓解交通拥堵状态、提高路网流通量、降低意外交通事故发生频率、降低碳排量减少能耗、加强环保等目的。

在智能交通中，基于计算机视觉的车辆检测与识别系统在近年来得到了迅速地发展，车辆检测与识别系统广泛的应用于城市交通状况监控、园区与停车场管理以及高速公路收费等领域，同时该系统在防止犯罪与抵御恐怖袭击方面也有重要应用价值。在该系统中，汽车号牌的自动识别技术发展最为成熟，并且得到了广泛的商业应用，为自动化管理道路交通提供了经典的范例。然而，当汽车号牌被伪造、汽车使用假号牌或者号牌受到遮挡时车牌识别就面临失效的问题。在这种情况下，车型识别(技术可以为车辆检测与识别系统提供额外安全保障。车型识别希望实现的目标是，将汽车按照其具体的型号进行分类，如将汽车分为奥迪、宝马、大众高尔夫等等。如果该技术能够实现，即可通过车牌号码与车型的匹配，解决汽车盗窃、车牌伪造等安全隐患，大大提升智能交通系统的功能，提升警察维持交通与侦破案件的效率。

在图像分类领域，对数量庞大的图像分类主要有两种方法：一种方法是神经网络算法，神经网络是一种模拟动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。但这些方法难以解决模式识别中存在的复杂性和推广性的矛盾，神经网络虽然有强大的建模能力，但对大规模图像进行分类，其巨大的参数空间使寻找优良的优化初始值较为困难。另一种应用很广的方法是为提取每张照片的局部特征，将提取的特征进行聚类和编码得到一个高维向量，然后将其用分类器分类或者使用最近邻算法进行匹配。其中编码的方法有视觉词袋模型编码，稀疏编码和费舍尔向量编码等。

视觉词袋模型编码和费舍尔向量编码在图片检索和分类中应用广泛，但是在数据量很大的情况下，由于字典大小的限制，视觉词袋模型编码的特征表达会越来越粗略，特征信息损失较多，使得搜索精度降低，而费舍尔向量编码虽然能更细致地描述图片，但是也损失了很多特征。

在此基础之上，本专利结合费舍尔向量编码和视觉词袋模型编码的优点，提出一种基于局部特征聚合描述符的车型识别方法来解决上述问题。本发明能够实现大规模车辆图像的车型识别，且识别准确率高，运行速度快，消耗内存少，具有较高的实用性和鲁棒性。

发明内容

本发明中所述方法是为了克服上述现有技术的缺点，主要针对已经提取的车辆特征对车型进行细分识别的问题，提出了一种基于局部特征聚合描述符的车型识别方法。具体的技术方案如下所述。

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，得到当前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。

上述技术方案中，所述步骤1中对车型数据库的车辆图像进行SIFT特征提取，包括以下几个步骤：

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。