[发明专利]一种基于池化车辆图片原始特征的车型识别方法

权利要求书

1.一种基于池化车辆图片原始特征的车型识别方法，包括以下步骤：

步骤1：设置车型图像的M种图像块大小，分别提取车型图像在每种大小下的局部图像块；

步骤2：将每个局部特征块视为一个行向量，对其进行归一化和PCA降维；

步骤3：将降维后的局部图像块向量进行极性分离，构成新的局部图像块向量；

步骤4：在当前局部图像块的基础上对整幅图像进行空间金字塔池化；

步骤5：联合金字塔每一层池化后的特征向量，构成当前图像块大小的整幅图像表示；

步骤6：级联每种图像块大小的整幅图像表示，构成最终的车型图像的空间池化特征表示；

步骤7：将得到的N类车型的空间池化特征表示进行线性SVM训练，得到一个具有N类车型类别的识别系统；

步骤8：对于测试车辆图像，同样求得其空间池化特征表示，导入训练好的车型识别系统，识别出测试车辆车型。

2.根据权利要求1所述基于池化车辆图片原始特征的车型识别方法，其特征在于，所述步骤1中对用于训练的车型图像数据库，设置车型图像的M种图像块大小，分别提取车型图像在每种大小下的局部图像块，包括以下几个步骤：

步骤1.1：设置M种需提取的图像块的大小；

步骤1.2：设车型图像大小为d×d，设滑动步长像素s为1；

步骤1.3：按设置的步长滑动叠加，提取设置的每种大小的局部图像块；

步骤1.4：整幅车型图像被划分为l×l个局部图像块，其中：其中当前图像块的大小为r×r，s为滑动步长像素。

3.根据权利要求1所述基于池化车辆图片原始特征的车型识别方法，其特征在于，所述步骤2中将每个局部特征块视为一个行向量，对其进行归一化和PCA降维，包括以下几个步骤：

步骤2.1：将每个局部图像块视为一个行向量x；

步骤2.2：对向量x执行归一化：其中，x_i为向量x的第i个元素，m为其均值，v为其标准差；

步骤2.3：进行PCA降维，首先进行特征中心化，即对每个局部图像块的每一维的数据都减去该维的均值，得到新的局部图像块矩阵；

步骤2.4：求取新的图像块矩阵的协方差矩阵；

步骤2.5：计算协方差矩阵的特征值和特征向量；

步骤2.6：选取大的特征值对应的特征向量，构成降维后的局部图像块向量。

4.根据权利要求1所述基于池化车辆图片原始特征的车型识别方法，其特征在于，所述步骤3中将降维后的局部图像块向量进行极性分离，构成新的局部图像块向量，包括以下几个步骤：

步骤3.1：将降维后的局部图像块向量进行极性分离,将降维后的每个局部图像块向量x的正值和负值分成两个部分：max{0,x}和max{0,-x}；

步骤3.2：联合极性分离后的两个部分，构成新的局部图像块向量x_new，其中向量x_new的长度是原向量x的两倍。

5.根据权利要求1所述基于池化车辆图片原始特征的车型识别方法，其特征在于，所述步骤4中在当前新的局部图像块向量块的基础上对整个图像进行空间金字塔池化，包括以下几个步骤：

步骤4.1：设置L层空间金字塔为{c₁,…c_L}，L一般取8层较为合适，其中c_l为对原图像的网格层次划分，第l层被划分为c_l×c_l个网格，则对车型图像总共有个网格细胞块,l属于[1,L]中任一个；

步骤4.2：对金字塔里的每一层的每个网格细胞块，都对其里面新得到的局部图像块向量进行均值池化：其中是当前池化网格细胞块中的第j个局部图像块向量的第i个元素，也即步骤3.2中的x_new的第i个元素；步骤4.3：得到当前细胞块的特征向量表示：f＝[f₁,…,f_i,…]，级联该层金字塔的每一个网格细胞块的特征表示，构成当前层的特征向量表示。